简介:该文是有关遥感影像和特征点毕业论文模板范文与低空类本科论文怎么写.
摘 要：特征点提取作为影像匹配的基础环节,直接决定着低空摄影测量遥感影像的精确程度.文章通过研究5种特征点提取算法,目的在于检测不同特征点提取算法的优劣性,从而有助于提高低空摄影测量遥感影像特征点提取的效果.实验结果表明,基于灰度信息丰富的低空遥感影像,Forstner特征点提取算法的精度最高,而检测时间最长;SIFT具有尺度不变性;另外Harris特征点提取的时间最快.因此這3种方式在低空摄影测量影像的特征点提取上具有较好的应用效果.
关键词：低空摄影测量;特征点提取;算法
中图分类号：TP79 文献标识码：A文章编号：1001-5922（2020）10-0082-05
Abstract： Feature point extraction, as the basic link of image matching, directly determines the accuracy of remote sensing images in low-altitude photogrammetry. By studying five kinds of feature point extraction algorithms, the purpose of this paper is to detect the advantages and disadvantages of different feature point extraction algorithms, thereby helping to improve the effect of feature point extraction of low-level photogrammetric remote sensing images. The experimental results show that based on the low-level remote sensing images with rich gray information, the Forstner feature point extraction algorithm has the highest accuracy and the longest detection time; SIFT has scale invariance; in addition, Harris feature point extraction has the fastest time. Therefore, these three methods he good application effects on the feature point extraction of low-altitude photogrammetry images.
Key words：low altitude photogrammetry; feature point extraction; algorithm
0 引言
影像特征主要有3个方面的表达,其中有面特征、点特征和线特征.这3个特征中,点属于图像中的基本组成元素,所以对点特征进行提取相对而言会比较简单,且点易于表示,于是人们在研究影像特征提取时会更加青睐于对点特征进行提取研究.特征点提取方式有2种,第1种为提取像素灰度值,第2种方式为搜索图像边缘部分提取曲率,由于第1种方式提取点特征的点类别较多,其中还包含交叉点、角点等,并且这种方式操作比较简单,有助于提高精确度,所以具有更好的应用效果[1-2].
特征点提取算法非常多,每种算法将会有其各自的特点,文章将对Morec特征点提取算法、SIFT特征点提取算法、SUSANA特征点提取算法、Harris特征点提取算法和Forstner特征点提取算法进行研究,这几个算法属于影像特征点提取中比较常用的算法[3].由于每种算法的适应环境不一样,于是文章将对这5个算法进行分析,分析其优劣性和适应环境,从而有利于低空摄影测量遥感影像特征点提取的准确性和高效性.
1.特征点提取算法
1、1 Morec特征点提取算法
该算法主要是对感兴趣的特征点进行提取,其中需要使用到影像恢复方差,首先计算出4个不同方向的灰度值方差,然后对4个值进行比较之后,选择最小值作为兴趣值,还需要将其与阀值进行比较.该算法判断特征点的方式就是一个点具有最小或最大的灰度方差[4].在提取过程中每个方向会发生较大的变化,所以需要对其进行处理,该算法的步骤如下所示.
1）计算每个不同的像素兴趣值IV,还需要对计算出4个不同方向相邻像素的灰度差平方和,这4个方向分别为0°、45°、90°和135°.其计算公式如下所示,最后将最小值作为兴趣值,即：
2）再确定阀值T,在确定时需要考虑到多方面的因素,也可以根据经验值进行选择,然后和兴趣值进行比较,当兴趣值小于T值,则需要将该候选点删除,当兴趣值大于T值时,则保留该候选点.
3）计算出兴趣值之后,然后只需要保留最大的兴趣值的所有像素点,特征点就是兴趣值最大的点.
1、2 Forstner特征点提取算法
该算法中被视为特征点的是包含精确视差并且分布均匀的点,更为简单的说法是在匹配过程中,需要找到一个点尽量接近圆并且误差椭圆非常小的点[5].在该算法中具有一个最为核心环节,直接影响着算法的效果,就是需要计算窗口中Forstner梯度和灰度协方差矩阵,然后最终得到准确的兴趣值.Forstner特征点提取算法的实际操作方式如下所示：
1）首先计算出窗口中的Forstner梯度,其公式如下所示：
2）在l×l一个为的窗口中,其中中心点为（x,y）,需要计算出其灰度协方差矩阵,其公式如下所示：
3）根据上面的公式,能够计算出矩阵迹tr（N）和行列式det（N）,于是既可以根据下述公式计算出像元兴趣值,公式中w为权重,q为误差椭圆的圆度阙值.
4）通过上述公式计算出兴趣值之后,即可将其与阀值T进行比较,删掉小于或者等于T的候选点,然后将大于T的点保留下来作为候选点.
5）上一步中已经求得候选点,当其w最大时,其为特征点.
1、3 SUSAN特征点提取算法
该算法提取特征点的方式是使用一个圆形模板进行检测,这个模板围绕着区域内核点进行移动,从而达到监测的目的.在这个移动过程中,会将内部点和中心点的灰度值进行比较,然后确定出核值相似区USAN,它的确定方式即灰度值相等或者相似.USAN面积为其像素个数[6].当圆心处于不同位置时,其USAN面积也就不一样.特征点就是USAN面积最小的情况下,其模板中心点.这种方式能够计算出原始影像,其操作方式如下所示：
1）首先计算出像元个数,其公式为：
2）模板内存在很多像素,其中有些像素和灰度值相似,然后检测出这样的像素,对其进行求总,其公式为：
3）设置角点相应函数R,其公式如下所示,其中阙值为g,一般情况下将其取值为,n为像素点总数,公式中为能够达到的最大值.
1、4 Harris特征点提取算法
该算法是对窗口内的角点特征进行观察,观察点在移动过程中其曲率或者灰度变化是否非常明显.这种算法提取特征点主要依据图像自相关矩阵M进行判断.其主要的操作方式如下所示.
1）首先确定出一个窗口,然后以该窗口为研究对象,对其内部的全部像素点进行一阶差分处理,目的在于能够计算出所有像素在不同方向上的梯度.
2）确定自相关矩阵M.在确定过程中需要使用到高斯函数G滤波,其公式如下所示,公式中g表示梯度,x和y表示不同方向,分别为水平和竖直方向,G（S）代表的高斯模板.
3）得到矩阵M之后,需要求出其两个特征值,于是可以对点进行分类,其分类方式有3种情况,第1种为当两个特征点都比较小时,窗口进行移动时不管是什么方向其灰度不会发生变化,于是可以将其划分为平坦区域;第2种为当两个特征值相等且都比较大时,发生了灰度变化,于是可以将其点划分为角点;第3种为当两个特征点差值非常大时,灰度没有显著变化,于是将其划分为边缘区域.通过这3种情况,于是可以得出所有候选特征点.
4）最后计算出角点相应函数R,其公式如下所示,k为常数,然后比较R值和T值,当R>T,则该点为特征点.
1、5 SIFT特征点提取算法
这种算法具备尺度不变形,属于一种具有代表性的特征点提取方式,这种算法首先在空间中提取特征点,再将影像匹配变为特征向量匹配.该算法的具体操作方式如下所示：
1）首先构建尺度空间.需要对原始图像进行卷积处理,其中需要使用到高斯差分函数,目的在于得到高斯尺度差分空间DOG,其公式如下：
2）精确定位极值点.需要对不同的点进行比较,然后将极值点进行保留,再对候选点进行拟合,其中需要使用到三维二次函数,完成拟合之后,再对候选点的位置和尺度进行精确,由于能够得到精确的定位极值点,于是可以将低对比度特征点进行删除,更有利于特征点提取的效率.
3）确定特征点方向.首先在360°范围内进行平均划分,然后将其分为36个方向的直方图,特征点的主要方向判断方式是观察直方图的最高峰.
4）描述特征点.将1个像素窗口将其划分为16个子窗口,然后计算出梯度防线,于是有128个数据作为特征点的128维向量,再对其进行归一化处理,从而可以减去光照变化的影响.
SIFT特征点提取算法在分析过程中,获取的特征点不一定都是稳定,所以容易收到其他因素的影响,比如噪音和纹理变化,受到影响后的特征点应用于影像中将会降低匹配的精度.于是有相关学者对其进行改进,比如利用了Harris特征点提取算法遴选SIFT特征点;还有学者使用Harris-Laplace算法检测关键点,从而使使其尺度和光照不会改变[7].
2.实验结果
文章通过使用上述5种算法对3幅图像进行实验,3幅图的特点都不一样,第1幅为几何图形,其中存在较多的角点,第2幅为柠条塔矿区域的遥感卫星影像,第3幅同样是对柠条塔矿区域为拍摄地,只是使用动力三角翼遥感拍摄的影响.5种算法拍摄的图像结果如图1所示.
需要对每种算法进行评价其精度,采用的方式为将检测的特征点坐标（xi ,yi）和实际坐标（xi ,yi）的整体均方根误差RMSE评定精度,其中N为特征点总数,计算公式为：
表1即为实验结果,其中包含5种算法的检测时间、检测点数和RMSE.从表中可以看出,对于实验1,检测时间最快的是Harris,因为其检测点数最少.检测点数最多的是SIFT,然而其检测时间速度排名第3.Forstner的检测时间最多,然而其检测精度最高,精度排名第2的为SIFT.对于实验2,每种算法的检测时间与实验1一致,而检测点数最多的任然是SIFT,而其检测点数最少发生了变化,检测最少的是SUSAN,實验2种精确度最高的任然为Forstner.对于实验3,其中Harris的检测时间最快,其次是SIFT,Forstner的精度任然最高,但是它的检测时间最慢.
3.分析
3、1 Morec特征点提取算法分析
相比于另外两幅图像,Morec特征点提取算法能够获得精度更高的低空遥感影像特征点.从图1（a）的左幅图中可以看出,当灰度反差比较大时,其提取效果将会更好.通过分析之后,这种算法具有操作简单、运行速度快、图像属性稳定、分辨率高等特点,另外其比较适合于提取灰度反差大的特征点,而且其边缘信息少,使用该算法时对其定位精度要求比较低.
3.2 Forstner特征点提取算法分析
Forstner特征点提取算法不管在哪一个实验中,其检测时间都是最长的,实验3种时间最长,出现这种现象的原因在于该算法在提取特征点时,需要经过3个阶段,首先是对初选点进行提取,然后提取候选点,最后才是提取特征点,另外,其检测点数也比较所,所以就会耗时较大.但是其精度非常高,可以达到子像素级别.这种算法的使用范围为角点多、对比度和灰度变化比较明显的影像.
3、3 SUSAN特征点提取算法分析
从图1（c）中可以看出,在图像边缘处SUSAN特征点提取算法可以检测到比较多虚假角点.在5种算法中,SUSAN特征点提取算法的检测时间排名第2,所以相对而言,其检测时间比较慢,主要原因在于其计算量比较大,所以降低了其效率.SUSAN在3个实验中第一个实验的精确度最高,遥感影像的精度比较低,因为遥感获取的图片角点不明显,并且存在比较少的拐点.所以这种算法比较适用于边缘信息丰富、拐点明显、构造简单的几何图像.
3、4 Harris特征点提取算法分析
在低空航片中,相对于其他的算法,Harris算法的特征点数量比较多,然而对于卫星遥感影像,其提取的效果不是很好.由于该算法的计算比较简单,并且操作步骤也容易,不管是何种影像,其检测时间会非常快,具有较好的检测效率.这种算法比较适合于在Matlab环境下检测低空遥感影像特征点.
3、5 SIFT特征点提取算法分析
SIFT在低空影像中获取相关特征点时,相比于其他的算法,这种算法的特征点会比较多,并且其精度也比另外两个实验高.这种算法比较适用于低空遥感影像,因为在低空环境下,其飞行姿势就会存在不稳定性,该算法能够将其亮度和旋转等保持不变.但是这种方式的计算过程会相当复杂.
特征点会受到外界的影响,通过重复率可以对其稳定性和不变性进行检测,当重复率越大时,该算法的适应性就会越好,计算重复率的方式是通过计算出图像的单应性矩阵[8].于是文章将会计算出原始低空影像的重复率.首先将图像顺时针旋转90°,在原始图像中加入0到0.1浓度的噪音,调整图像对比度,还需要调整图像的亮度,在对原始图像进行改变时,每隔一段时间需要对重复率进行统计1次.最后得到如图2所示的5种算法重复率结果.
从图中可以看出,当亮度发生变化时,5种算法中重复率比较高的为SIFT和Harris,并且其重复率变化幅度相对比较平稳,而其它3种算法的重复率变化非常明显.当旋转角度发生变化时,其中SIFT的重复率最高,并且其变化较为稳定,说明其具有很好的抗旋转性.当对比度发生变化时,其中Harris的重复率最高,说明其具有很好的稳定性.当噪音越来越大时,5种算法的重复率都发生了较大的下降,即可说明每种算法对噪音的影响非常敏感,所以在提取特征点之前,为了获得更好的应用效果,需要将低空影像进行去噪处理.
4.结语
综上所述,5种算法中SIFT特征点提取算法的稳定性最好,而且相比于其他4种算法,其具有一定的抗噪性,Forstner算法的精度最高,并且对旋转的抵抗能力较好,Harris算法的速度最快,并且对亮度的抵抗能力比較好,所以通过分析,基于灰度信息丰富的低空遥感影像,使用这3种算法将会更加合适.
参考文献
[1]柯涛,张永军.SIFT特征算子在低空遥感影像全自动匹配中的应用[J].测绘科学,2009, 034（004）：23-26.
[2]李禄,范大昭,耿则勋,等.改进相位相关算法的小基高比影像亚像素匹配[J].测绘科学, 2014,039（007）：118-121.
[3]丁雄飞,张春燕.基于Morec算子和改进的SIFT算法的图像匹配[J].合肥学院学报（自然科学版）2013（03）：44-46.
[4]马圣毅.基于SIFT算法的航摄影像匹配研究[D].天津：天津大学,2012.
[5]徐建斌,洪文,吴一戎.基于遗传算法的遥感影像匹配定位的研究[J].测试技术学报, 2004（04）：71-74.
[6]齐苑辰.无人驾驶飞机航空遥感影像匹配及外方位元素解算方法研究[D].阜新：辽宁工程技术大学, 2008.
[7]徐秋辉,佘江峰,宋晓群,等.利用Harris-Laplace和SIFT描述子进行低空遥感影像匹配[J].武汉大学学报（信息科学版）,2012（12）：61-65.
[8]张力,张祖勋,张剑清.Wallis 滤波在影像匹配中的应用[J].武汉大学学报（信息科学版）, 1999,024（001）：24-27.
总结：综上所述：本文是关于遥感影像和特征点相关专业的经典范文,可作为低空方面的大学硕士与本科毕业论文写作参考和遥感影像和特征点论文开题报告和职称论文论文写作参考文献.
低空引用文献:
[1] 地籍测量和遥感影像论文写作资料范文 关于地籍测量和遥感影像类本科论文范文3000字
[2] 遥感影像函授毕业论文范文 遥感影像相关参考文献格式范文10000字
[3] 遥感影像和landsat8论文写作资料范文 遥感影像和landsat8类有关论文参考文献范文2万字
