亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進(jìn)ORB算法的近紅外和可見(jiàn)光圖像特征匹配方法

        2022-11-03 10:16:10楊金玲曹先革王霞迎
        測(cè)繪工程 2022年6期
        關(guān)鍵詞:尺度空間漢明插值

        楊金玲,曹先革, 王霞迎, 萬(wàn) 偉

        (1.東華理工大學(xué) 測(cè)繪工程學(xué)院, 南昌 330013; 2.東華理工大學(xué) 高等教育研究與評(píng)估中心, 南昌 330013)

        在圖像信息處理方面,綜合利用多傳感器圖像信息進(jìn)行數(shù)據(jù)的挖掘和信息的分析是一項(xiàng)重要而又富有挑戰(zhàn)的工作。多傳感器提供的圖像信息與單一傳感器相比,具有可靠性、冗余性、互補(bǔ)性等特點(diǎn),能夠?yàn)檠芯繉?duì)象提供更多的細(xì)節(jié)信息。近紅外傳感器和可見(jiàn)光傳感器是兩種最常見(jiàn)的圖像源,近紅外圖像與可見(jiàn)光圖像的融合既可以獲得較高的空間分辨率、清晰的地物特征,又可以保留近紅外圖像所攜帶的區(qū)域場(chǎng)景的反射輻射信息,被廣泛地應(yīng)用在圖像融合[1-2]、遙感[3]、圖像增強(qiáng)[4]、監(jiān)視[5]、目標(biāo)識(shí)別跟蹤[6-7]等領(lǐng)域。

        由于記錄地物信息譜段的差異,近紅外圖像與可見(jiàn)光圖像中的像素強(qiáng)度一般沒(méi)有直接關(guān)系,呈現(xiàn)較為復(fù)雜的灰度差異,因此兩幅圖像中同名特征點(diǎn)提取和匹配具有一定的難度。針對(duì)圖像特征匹配,眾多學(xué)者進(jìn)行了大量的研究,提出了不同的匹配算法[2,7-9]。其中,近紅外與可見(jiàn)光圖像的匹配方法通常分為兩類:基于區(qū)域的匹配和基于特征的匹配,其中基于特征的匹配算法在該領(lǐng)域使用較為普遍。然而,如何進(jìn)一步改善基于特征的匹配算法對(duì)近紅外圖像與可見(jiàn)光圖像的匹配效果,仍然是需要攻克的關(guān)鍵問(wèn)題之一。

        文中在分析近紅外圖像與可見(jiàn)光圖像共有特征信息的基礎(chǔ)上,充分顧及圖像特征信息和同名點(diǎn)分布情況,基于文獻(xiàn)[10]的ORB算法提出了一種改進(jìn)的近紅外和可見(jiàn)光圖像特征匹配方法。首先通過(guò)引入BRISK算法思想[11]進(jìn)行圖像尺度空間的構(gòu)建,以使圖像具有尺度信息;然后采用FAST9-16獲取特征點(diǎn),其中c0層為特例,需采用FAST5-8獲取特征點(diǎn);第三步,利用灰度質(zhì)心法進(jìn)行特征點(diǎn)方向的確定;第四步,構(gòu)造向量,利用rBrief描述子描述特征;第五步,利用hamming距離進(jìn)行匹配,最后采用漸進(jìn)采樣一致性算法進(jìn)行誤匹配的剔除,最終實(shí)現(xiàn)可見(jiàn)光與近紅外圖像特征的匹配。

        1 改進(jìn)算法簡(jiǎn)介

        1.1 尺度空間構(gòu)建

        尺度不變性對(duì)高質(zhì)量關(guān)鍵點(diǎn)的提取至關(guān)重要,為增強(qiáng)算法的尺度不變性,本算法首先進(jìn)行尺度空間的構(gòu)建。受文獻(xiàn)[11]BRISK算法的啟示,尺度空間金字塔層由2n層的金字塔組成,包括n個(gè)普通層圖像octavesci和n個(gè)內(nèi)層圖像intra-octavesdi,其中i={0,1,…,n-1}。

        每個(gè)普通層圖像octavesci是通過(guò)對(duì)原始圖像(即圖像c0)不斷進(jìn)行兩倍下采樣而形成的。每個(gè)內(nèi)層圖像intra-octavedi位于層ci和ci+1之間(如圖1所示)[11]。第一個(gè)內(nèi)層圖像intra-octaved0是通過(guò)對(duì)原始圖像(即圖像c0)進(jìn)行1.5倍的下采樣來(lái)獲得的,而其余的內(nèi)層圖像intra-octavedi則是通過(guò)連續(xù)的兩倍下采樣來(lái)獲得的。

        圖1 尺度空間構(gòu)建

        1.2 特征點(diǎn)探測(cè)與插值

        特征點(diǎn)探測(cè)時(shí),首先利用FAST 9-16檢測(cè)算子以相同的閾值T分別在普通層圖像octave和內(nèi)層圖像intra-octave上識(shí)別潛在的感興趣區(qū)域。其次,在尺度空間中對(duì)屬于這些區(qū)域的點(diǎn)進(jìn)行非極大值抑制篩選響應(yīng)較強(qiáng)的角點(diǎn):即在同層的8鄰域中FAST得分S最大的點(diǎn)為特征點(diǎn),同時(shí)該點(diǎn)還需要滿足在相鄰的上下兩層中得分值S盡量小。由于相鄰層即intra-octave和octave是由不同的形式離散表示的,所以在鄰域邊界上需要進(jìn)行插值。

        上述2n層金字塔構(gòu)成的是一個(gè)離散的尺度空間,由于圖像的顯著性實(shí)際上是連續(xù)的,因此還需要對(duì)粗篩選出的特征點(diǎn)進(jìn)行子像素和尺度上的進(jìn)一步插值??衫米钚《朔▽?duì)特征點(diǎn)坐標(biāo)進(jìn)行x,y方向的二維二次插值,得到修正后的子像素位置,然后如圖1所示在尺度方向上進(jìn)行拋物線插值,以得到極值點(diǎn)所在尺度,并用這個(gè)尺度根據(jù)上下層極值點(diǎn)與關(guān)鍵點(diǎn)位置的偏移量再次對(duì)特征點(diǎn)位置進(jìn)行二次修正,并把這個(gè)位置作為特征點(diǎn)的最終位置。在插值過(guò)程中,為避免重采樣文中采用3×3的得分patch插值圖像的坐標(biāo)及最終尺度。圖1描述了下采樣和極大值搜索的示例。

        1.3 特征點(diǎn)描述

        1)特征點(diǎn)的方向。灰度質(zhì)心方法[12]是一種簡(jiǎn)單有效的特征點(diǎn)方向檢測(cè)算法,其原理為:設(shè)某特征點(diǎn)所在圖像塊灰度質(zhì)心為C,圖像塊的幾何中心為O,若C與O不重合則以向量OC作為特征點(diǎn)的方向。描述步驟如下。

        首先,定義圖像塊的矩mpq:

        (1)

        式中:I(x,y)為圖像的灰度值x,y∈[-r,r],r為特征點(diǎn)領(lǐng)域s的半徑。

        然后,根據(jù)圖像塊的距計(jì)算質(zhì)心C:

        (2)

        第三步,構(gòu)建一個(gè)從幾何中心O到質(zhì)心C的向量OC)。

        特征點(diǎn)的方向可以簡(jiǎn)化為:

        θ=atan2(m01,m10).

        (3)

        至此,每個(gè)關(guān)鍵點(diǎn)都確定了主方向,具有了旋轉(zhuǎn)不變性。

        2)特征點(diǎn)的描述。BRIEF特征描述子[13]是對(duì)由一系列二值灰度測(cè)試構(gòu)成的圖像區(qū)塊的二進(jìn)制字符串進(jìn)行描述。對(duì)于平滑圖像區(qū)塊p,定義一個(gè)二值測(cè)試函數(shù)τ:

        (4)

        其中p(x)是平滑后圖像領(lǐng)域p在點(diǎn)x的灰度值。特征點(diǎn)被定義為n個(gè)二值測(cè)試的矢量:

        (5)

        n可以取值128、256、512等。由于BRIEF描述子對(duì)噪聲敏感,因此二值測(cè)試前需要對(duì)圖像進(jìn)行平滑,根據(jù)文獻(xiàn)[10]對(duì)選擇平滑窗口的建議,文中在31×31的圖像塊上以5×5的子窗口對(duì)圖像進(jìn)行平滑。

        3)轉(zhuǎn)向BRIEF的計(jì)算。當(dāng)圖像平面旋轉(zhuǎn)過(guò)大時(shí),BRIEF匹配性能隨之下降。Calonder[13]提出為每個(gè)圖像區(qū)塊的每一組旋轉(zhuǎn)和透視變形分別計(jì)算一個(gè)BRIEF特征描述,但是這個(gè)解決方法計(jì)算代價(jià)太大。一個(gè)更加有效的方法是根據(jù)關(guān)鍵點(diǎn)的旋轉(zhuǎn)情況來(lái)調(diào)整BRIEF方向。對(duì)于點(diǎn)(xi,yi)上n個(gè)二值測(cè)試中任意特征集合,定義一個(gè)2×n矩陣:

        (6)

        用圖像塊的旋轉(zhuǎn)角θ和相應(yīng)的旋轉(zhuǎn)矩陣Rθ,可構(gòu)造一個(gè)S的“轉(zhuǎn)向”版本Sθ:

        Sθ=RθS,

        (7)

        那么轉(zhuǎn)向BRIEF就變成:

        gn(p,θ):=fn(p)|(xi,yi)∈Sθ.

        (8)

        得到Steered BRIEF后,執(zhí)行一個(gè)貪婪搜索選擇相關(guān)性最低的n個(gè)像素塊對(duì),即得到最終的rBRIEF描述子。

        1.4 特征匹配

        利用rBRIEF計(jì)算另一幅圖像中特征點(diǎn)描述子,并將其與第一幅圖像中特征點(diǎn)進(jìn)行匹配,獲得最佳匹配對(duì),并記錄對(duì)應(yīng)的漢明距離。

        遍歷第二幅圖像中所有特征點(diǎn)Qn;首先,將Qn與第一幅圖像中所有聚類的中心點(diǎn)Pc,i進(jìn)行匹配。即用dist(Pn,Pc,i)=Pn⊕Pc,i;i=1,2,…,k,計(jì)算Qn與聚類中心點(diǎn)的漢明距離。如果與中心點(diǎn)Pc,i計(jì)算的漢明距離符合設(shè)定閾值,則可得最佳匹配的聚類中心點(diǎn)Pc,i,然后再與該聚類下的其他特征點(diǎn)進(jìn)行匹配,計(jì)算漢明距離,并取得最佳匹配; 如果與中心點(diǎn)Pc,i計(jì)算漢明距離超出設(shè)定閾值,則舍棄該匹配點(diǎn); 匹配結(jié)束后,記錄匹配結(jié)果C:

        C={matchi(P,Q,dist)|i=1,2,3,…,n}.

        (9)

        式中:C為最終取得的匹配點(diǎn)集合;n為最終取得匹配的特征點(diǎn)的個(gè)數(shù);dist為每對(duì)匹配點(diǎn)之間的漢明距離,漢明距離越小,證明匹配精度越高。

        1.5 基于漸進(jìn)采樣一致性算法剔除誤匹配

        在誤匹配剔除方面,RANSAC算法是應(yīng)用最廣泛的穩(wěn)健估計(jì)方法,但是該方法依賴于預(yù)先定義的參數(shù)化模型,當(dāng)圖像存在非剛性變換或誤匹配較多時(shí),該模型會(huì)退化;并且該算法等價(jià)的看待所有匹配對(duì),不進(jìn)行任何區(qū)分就進(jìn)行隨機(jī)采樣,缺乏針對(duì)性。

        Chum等人對(duì)RANSAC方法進(jìn)行改進(jìn),提出了漸進(jìn)采樣一致性算法[14]。

        原理如下:設(shè)假定匹配對(duì)為N個(gè),數(shù)據(jù)集記作uN。

        首先,利用評(píng)價(jià)函數(shù)q對(duì)匹配數(shù)據(jù)進(jìn)行質(zhì)量評(píng)價(jià),記作q(ui),并對(duì)數(shù)據(jù)進(jìn)行降序排列,即若i

        然后,在評(píng)價(jià)函數(shù)值最高的匹配數(shù)據(jù)子集M(M?uN)中進(jìn)行隨機(jī)采樣獲得假設(shè)模型,并利用所有匹配對(duì)進(jìn)行驗(yàn)證;數(shù)據(jù)集M可根據(jù)驗(yàn)證結(jié)果的需要逐漸增大,因此在該方法中采樣數(shù)據(jù)集不容易被誤匹配影響;

        最后,當(dāng)uN中內(nèi)點(diǎn)數(shù)In*滿足非隨機(jī)性和極大值策略時(shí)停止“采樣-驗(yàn)證”循環(huán)。非隨機(jī)性是指:n*個(gè)數(shù)據(jù)的內(nèi)點(diǎn)In*恰好也是某一個(gè)錯(cuò)誤模型內(nèi)點(diǎn)的概率小于閾值ψ(通常設(shè)為5%)。極大值策略是指:給定概率閾值η0(通常設(shè)為5%),k為n*個(gè)數(shù)據(jù)中的采樣次數(shù),其需要滿足:

        kn*(η0)≥log(η0)/log(1-PIn*).

        (10)

        2 實(shí)驗(yàn)與分析

        2.1 運(yùn)行環(huán)境與數(shù)據(jù)簡(jiǎn)介

        實(shí)驗(yàn)采用的運(yùn)行環(huán)境為Intel(R)Core(TM)i7-5500U CPU @ 2.4GHz,8G內(nèi)存,64位操作系統(tǒng)的PC機(jī),以VS2017和Opencv4.4.0作為主要實(shí)驗(yàn)平臺(tái)。

        研究區(qū)域位于紐約哈姆林海灘州立公園,實(shí)驗(yàn)數(shù)據(jù)為RIT-18數(shù)據(jù)集,數(shù)據(jù)大小約3G,由搭載在DJI-1000直升機(jī)上的Tetracam Micro-MCA6多波段傳感器獲取[15]。數(shù)據(jù)包括3個(gè)通道的近紅外圖像和包含R、G、B等3個(gè)通道的可見(jiàn)光圖像。本研究從整幅圖像中選取了具有代表性的區(qū)域(大?。?40像素×857像素)進(jìn)行近紅外和可見(jiàn)光數(shù)據(jù)匹配實(shí)驗(yàn)。

        2.2 結(jié)果與分析

        為評(píng)估改進(jìn)算法的性能,文中采用文獻(xiàn)[16]中的假定匹配率(Putative Match Ratio)、精度(Precision)、匹配得分(Match Score)3個(gè)指標(biāo)對(duì)算法進(jìn)行評(píng)定。

        基于改進(jìn)算法探測(cè)出的特征點(diǎn)分布情況和特征點(diǎn)匹配結(jié)果如圖2和圖3所示,基于ORB算法探測(cè)出的特征點(diǎn)分布情況和特征點(diǎn)匹配結(jié)果如圖4和圖5所示。改進(jìn)算法和ORB算法特征識(shí)別和匹配結(jié)果統(tǒng)計(jì)數(shù)據(jù)見(jiàn)表1。當(dāng)可見(jiàn)光圖像尺寸縮小10%后,基于改進(jìn)算法的特征匹配結(jié)果見(jiàn)圖6。

        圖2 改進(jìn)算法特征點(diǎn)探測(cè)結(jié)果(左:近紅外,右:可見(jiàn)光)

        圖3 改進(jìn)算法特征點(diǎn)匹配結(jié)果(左:粗匹配,右:精匹配)

        圖4 ORB算法特征點(diǎn)探測(cè)結(jié)果(左:近紅外,右:可見(jiàn)光)

        在誤匹配點(diǎn)對(duì)剔除階段,針對(duì)經(jīng)典的RANSAC算法等價(jià)的看待所有匹配點(diǎn)對(duì),隨機(jī)選擇點(diǎn)對(duì)估算單應(yīng)矩陣參數(shù)的情況,文中采用一種半隨機(jī)的方式進(jìn)行點(diǎn)對(duì)的選擇,即首先對(duì)匹配點(diǎn)對(duì)的質(zhì)量進(jìn)行評(píng)價(jià)并排序,然后采取逐漸增大采樣點(diǎn)對(duì)的策略進(jìn)行點(diǎn)對(duì)的選擇,有效改善了誤匹配剔除性能。由于算法每次特征識(shí)別和匹配用時(shí)均有一定幅度的變化,因此文中取算法10次運(yùn)算所用時(shí)間的平均值作為漸進(jìn)采樣一致性算法和RANSAC算法的用時(shí),算法運(yùn)行時(shí)間和正確匹配點(diǎn)對(duì)數(shù)見(jiàn)表2。

        表1 基于改進(jìn)算法和ORB算法的特征識(shí)別與匹配結(jié)果

        圖5 ORB算法匹配結(jié)果(左:粗匹配,右:精匹配)

        圖6 基于改進(jìn)算法的圖像尺度變化特征匹配結(jié)果

        表2 漸進(jìn)采樣一致性算法和RANSAC算法用時(shí)

        3 結(jié)果分析

        1)從圖2和圖4特征點(diǎn)探測(cè)結(jié)果的對(duì)比分析可知,改進(jìn)算法在近紅外圖像和可見(jiàn)光圖像中均能夠有效探測(cè)出特征點(diǎn);與ORB算法相比,文中提出的改進(jìn)算法性能明顯,并且探測(cè)出的特征點(diǎn)分布相對(duì)均勻。在道路和草地區(qū)域內(nèi)(邊緣除外),由于圖像對(duì)比度差,像素趨于同質(zhì)化,兩種算法探測(cè)出的特征點(diǎn)數(shù)均趨近于零。

        2)從表1可知,改進(jìn)算法在近紅外圖像和可見(jiàn)光圖像中分別探測(cè)出特征點(diǎn)9 212個(gè)和6 961個(gè),ORB算法在近紅外圖像和可見(jiàn)光圖像中分別探測(cè)出特征點(diǎn)506個(gè)和522個(gè)。與ORB算法相比,改進(jìn)算法在近紅外圖像中探測(cè)出的特征點(diǎn)個(gè)數(shù)提升了17.21倍,在可見(jiàn)光圖像中探測(cè)出的特征點(diǎn)個(gè)數(shù)提升了12.34倍,假定匹配率減少了0.14%,匹配得分提高了5.2%。

        3)從表1可知,改進(jìn)算法獲得粗匹配點(diǎn)對(duì)2 576對(duì),正確點(diǎn)對(duì)844對(duì),匹配精度為32.76%,ORB算法獲得粗匹配點(diǎn)對(duì)188對(duì),正確點(diǎn)對(duì)35對(duì),匹配精度18.62%。與ORB算法相比,改進(jìn)算法匹配精度提高了14.14%。改進(jìn)算法最終得到的正確點(diǎn)對(duì)數(shù)提升了23.11倍,可見(jiàn)本算法在近紅外和可見(jiàn)光圖像特征點(diǎn)識(shí)別和匹配方面具有明顯優(yōu)勢(shì)。

        4)從表2可知,與經(jīng)典RANSAC算法相比,基于漸進(jìn)采樣一致性算法的誤匹配點(diǎn)對(duì)剔除方法在近紅外和可見(jiàn)光圖像特征識(shí)別和匹配過(guò)程中總體時(shí)間減少了14%,最終匹配的點(diǎn)對(duì)僅減少了0.35%。

        5)如圖6所示,當(dāng)圖像尺寸發(fā)生變化時(shí)(縮小10%),改進(jìn)算法能夠有效克服尺度變化帶來(lái)的影響。在圖中,改進(jìn)算法在近紅外圖像中探測(cè)出特征點(diǎn)9 212個(gè),在可見(jiàn)光圖像中探測(cè)出特征點(diǎn)5 620個(gè),其中粗匹配點(diǎn)對(duì)2 122個(gè),正確點(diǎn)對(duì)614個(gè),匹配精度為28.93%。

        4 結(jié)束語(yǔ)

        近紅外和可見(jiàn)光圖像成像原理不同,針對(duì)同一場(chǎng)景獲取的圖像灰度差異大,圖像誤匹配多。為進(jìn)一步改善基于特征的匹配算法對(duì)近紅外圖像與可見(jiàn)光圖像的匹配效果,文中提出了一種改進(jìn)的算法,該算法在初始階段通過(guò)引入BRISK算法思想進(jìn)行圖像金字塔的設(shè)計(jì),使圖像具備了尺度不變性;在誤匹配剔除階段針對(duì)傳統(tǒng)RANSAC算法等價(jià)看待所有匹配點(diǎn)對(duì)的不足之處,文中通過(guò)采用對(duì)匹配點(diǎn)對(duì)質(zhì)量評(píng)價(jià)、逐漸增大采樣點(diǎn)對(duì)等方式計(jì)算單應(yīng)矩陣進(jìn)而剔除誤匹配。實(shí)驗(yàn)證明,文中提出的改進(jìn)算法,增加了提取特征點(diǎn)的魯棒性,顯著提高了特征點(diǎn)探測(cè)的數(shù)量,與ORB算法相比,在Putative Match Ratio、Precision和Match Score方面均得到了明顯提高。采用漸進(jìn)采樣一致性算法進(jìn)行誤匹配點(diǎn)對(duì)的剔除,有效減少了特征匹配的時(shí)間,提高了算法的效率。

        猜你喜歡
        尺度空間漢明插值
        基于AHP的大尺度空間域礦山地質(zhì)環(huán)境評(píng)價(jià)研究
        基于Sinc插值與相關(guān)譜的縱橫波速度比掃描方法
        居住區(qū)園林空間尺度研究
        媳婦管錢
        一種改進(jìn)FFT多譜線插值諧波分析方法
        基于四項(xiàng)最低旁瓣Nuttall窗的插值FFT諧波分析
        中年研究
        基于降采樣歸一化割的多尺度分層分割方法研究
        基于尺度空間的體數(shù)據(jù)邊界不確定性可視化研究
        漢明距離矩陣的研究
        国产免费AV片在线看| 久久久久亚洲av无码专区首| 色先锋av影音先锋在线| 真人二十三式性视频(动)| 亚洲欧美在线视频| 国产精品视频一区二区久久| 2021国产精品视频网站| 西西人体444www大胆无码视频 | 无遮挡中文毛片免费观看| 蜜桃av噜噜噜一区二区三区| 亚洲tv精品一区二区三区| av无码精品一区二区三区宅噜噜| 国产精品一区高清在线观看| 国产成人综合亚洲国产| 亚洲 小说区 图片区 都市| 国产精品18久久久久久麻辣| 亚洲av日韩精品久久久久久a| 中文成人无字幕乱码精品区 | 国产粉嫩美女一区二区三| 一区二区三区中文字幕在线播放 | 极品诱惑一区二区三区| 成人国产av精品麻豆网址| 日日摸天天摸97狠狠婷婷| 亚洲成在人线av| 亚洲女同一区二区久久| 婷婷久久精品国产色蜜蜜麻豆| 欧美人妻日韩精品| 亚洲不卡无码高清视频| 亚洲综合新区一区二区| 日本动漫瀑乳h动漫啪啪免费| 比比资源先锋影音网| 中文字幕亚洲乱亚洲乱妇| 国产人妻熟女呻吟在线观看| 毛多水多www偷窥小便| 91精品91| 亚洲本色精品一区二区久久| 国内女人喷潮完整视频| 中文字幕日韩高清| 日韩av一区二区在线观看| 欧洲成人一区二区三区| vr成人片在线播放网站|