基于改进SURF算子的高低分辨率图像配准方法

基于改进的SURF的图像匹配查重算法作者：丁一来源：《科技创新与应用》2020年第32期摘 ;要：随着新型冠状病毒的蔓延，各大高校都普遍尝试和采用了线上教学的方式进行授课和评价。

目前各高校普遍实行的过程化考核作为课程分数的评价标准之一。

传统的查重工具着重于文字的重复率，忽视了图片这一关键的信息载体，因此急需以图像识别匹配技术作为基础的图像查重算法。

文章将SURF算法应用于学生作业及实验报告等文本评价载体中的图片相似度匹配上，结合平时的实践经验，用RANSAC算法去掉错误的匹配结果，匹配算法对于SURF特征点进行优化，从而实现了对SIFT算法匹配速度以及精确度的改善，最终实现了完善的实验报告图像匹配算法，并且对实验中出现的问题进行讨论和总结，对系统实施的改进和未来的拓展性也进行了充分的论述。

关键词：SURF算法;图像查重;图片匹配度中图分类号：TP391.4 文献标志码：A 文章编号：2095-2945（2020）32-0025-04Abstract： With the popularity of novel coronavirus， colleges and universities have generally tried and adopted online teaching and evaluation. At present， the process assessment， which is widely implemented in colleges and universities， is one of the evaluation criteria of curriculum scores. The traditional duplicate checking tools focus on the repetition rate of the text， ignoring the picture as a key information carrier， so there is an urgent need for an image repetition checking algorithm based on image recognition and matching technology. In this paper， the SURF algorithm is applied to the image similarity matching in the text evaluation carriers such as students' homework and experimental reports， combined with the usual practical experience， the wrong matching results are removed by the RANSAC algorithm， and the matching algorithm is optimized for the SURF feature points， thus the matching speed and accuracy of the SIFT algorithm are improved，and finally a perfect experimental report image matching algorithm is realized. And the problems in the experiment are discussed and summarized， and the improvement of the implementation of the system and the expansion in the future are also fully discussed.Keywords： SURF algorithm; image duplicate checking; picture matching degree前言隨着线上教学的发展和各大远程教学平台的建立，在线教育的模式和形式已经非常完善，目前可以达到根据人们的需要选择直播、录播、不同时间、不同地点、不同设备进行教学的可能。

基于改进SURF的快速图像配准算法胡旻涛;彭勇;徐赟【期刊名称】《传感器与微系统》【年(卷),期】2017(036)011【摘要】针对传统加速鲁棒特征(SURF)匹配算法存在实时性不高,误匹配等问题,提出了基于改进SURF特征提取快速的图像配准算法.利用快速黑塞(Hessian)矩阵提取图像特征点,根据图像熵信息对特征点进行筛选,采用改进的快速近邻搜索算法进行特征匹配,到用随机抽样一致(RANSAC)算法剔除误匹配对.实验表明:改进后的算法有效改善了匹配效率,提高了匹配准确度.%Aiming at problem of poor real-time and false matching of images matching algorithm based on speed up robust features (SURF),present an images matching algorithm based on improved SURF. Features point of image is extracted by using the Fast-Hessian matrix. Features point is sifting by image entropy information. RANSAC algorithm is used to exclude mistake matching pair. The experiments show that this algorithm improves matching efficiency,and improve matching accuracy.【总页数】3页(P151-153)【作者】胡旻涛;彭勇;徐赟【作者单位】江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122【正文语种】中文【中图分类】TP391.41【相关文献】1.基于改进Harris-SURF算子的遥感图像配准算法 [J], 李天佐;刘丽萍;孙学宏;余增增2.基于改进SURF算法的移动目标实时图像配准方法研究 [J], 巨刚;袁亮;刘小月;岳昊恩3.基于SURF的图像配准改进算法 [J], 潘建平;郝建明;赵继萍4.基于改进的SURF图像配准算法研究 [J], 金斌英5.基于SURF的图像配准改进算法 [J], 袁丽英; 刘佳; 王飞越因版权原因，仅展示原文概要，查看原文内容请购买。

１６２红外与激光工程第３８卷进一步求解得到Ｈｅｓｓｉａｎ矩阵的△表达式１１６］：Ａ（日）＝Ｄ。

Ｄ咿一（Ｏ．９Ｄ叫）（２）用类似ＳＩＦＴ的方法构建尺度图像金字塔，在每（ａ）Ｘ方向（ｂ）Ｙ方向（ｃ）ｘｙ方向（ａ）』ｄｉｒｅｃｔｉｏｎ（ｂ）Ｙｄｉｒｅｃｔｉｏｎ（ｃ）ｘｙｄｉｒｅｃｔｉｏｎ图２９ｘ９方框滤波模板Ｆｉｇ．２Ｂｏｘｆｉｌｔｅｒｗｉｔｈ９ｘ９一阶中，选择４层的尺度图像，４阶的构建参数如图３所示。

灰色底的数字表示方框滤波模板的大小，如果图像尺寸远大于模板大小，还可继续增加阶数。

如滤波模板大小为ＮｘＮ，则对应的尺度ｓ：１．２ｘＮ／９；用Ｈｅｓｓｉａｎ矩阵求出极值后，在３ｘ３ｘ３的立体邻域内进行非极大值拟制，只有比上一尺度、下一尺度及本尺度周围的２６个邻域值都大或者都小的极值点，才能作为候选特征点，然后在尺度空间和图像空间中进行插值运算［１８ｌ，得到稳定的特征点位置及所在的尺度值。

ＦｏｒｅＢｃｈ证ｃｗｏｃｔａｖｅ．ｔｈｅｆｉｌｔｅｒｇｉｚｃｉｌａｅｆｅａ，￥ｅ．璺昱《∞２了４Ｏｃｔａｖｅ图３尺度空间金字塔方框滤波的大小Ｆｉｇ．３Ｓｉｚｅｏｆｂｏｘｆｉｌｔｅｒｉｎｓｃａｌｅｓｐａｃｅ１．２主方向确定为保证旋转不变性，首先以特征点为中心，计算半径为６ｓ（ｓ为特征点所在的尺度值）的邻域内的点在工、Ｙ方向的Ｈａａｒ小波（Ｈａａｒ小波边长取缸）响应，并给这些响应值赋高斯权重系数，使得靠近特征点的响应贡献大，而远离特征点的响应贡献小，更符合客观实际；其次将６００范围内的响应相加以形成新的矢量，遍历整个圆形区域，选择最长矢量的方向为该特征点的主方向。

这样，通过对１．１节的特征点逐个进行计算，得到每一个特征点的主方向。

１．３描述子形成以特征点为中心，首先将坐标轴旋转到主方向，按照主方向选取边长为２０ｓ的正方形区域，将该窗口区域划分成４ｘ４的子区域，在每一个子区域内，计算５ｓｘ５ｓ（采样步长取Ｓ）范围内的小波响应，相对于主方向的水平、垂直方向的Ｈａａｒ小波响应分别记做ｄ。

基于SURF的图像配准与拼接技术研究共3篇基于SURF的图像配准与拼接技术研究1近年来，图像配准与拼接技术已经成为了数字图像处理的重要研究方向之一。

在许多应用领域中，例如遥感影像、医学影像、三维建模等，图像配准与拼接技术已经得到了广泛的应用。

随着计算机视觉技术的不断发展，图像配准与拼接技术也在不断的完善和提高。

其中一种最具有代表性的图像配准与拼接技术就是基于SURF的图像配准与拼接技术。

SURF（Speeded-Up Robust Features）是一种高效的图像特征提取算法，它可以在保证特征点数量和质量的同时，提高提取速度。

利用SURF算法提取的特征点几乎不受图像缩放、旋转、平移等变换的影响，具有较好的鲁棒性和准确性。

基于SURF算法的图像配准与拼接技术，可以较好地解决图像缩放、旋转、平移等问题，为数字图像处理提供了更好的技术保障。

在基于SURF的图像配准与拼接技术中，首先需要选取参考图像和待配准图像。

然后，利用SURF算法对两幅图像提取特征点，并进行特征点匹配。

通过对特征点的匹配，可以找到两幅图像之间的几何变换关系。

接下来，可以利用图像配准技术对待配准图像进行校正对准，从而使其与参考图像达到一致。

最后，可以利用图像拼接技术将校正后的待配准图像与参考图像进行拼接，得到最终的拼接结果。

其中，特征点匹配是图像配准与拼接的关键步骤之一。

SURF算法的特征点匹配策略使用的是一种特殊的描述子匹配算法——KD树。

KD树是一种数据结构，在高维空间中构建KD树，可以实现高效的最近邻搜索。

通过KD树可以快速地找到两幅图像中距离最近的特征点，并将其匹配起来。

通过特征点的匹配，可以计算出两幅图像之间的变换关系，并对待配准图像进行校正对准。

除了特征点匹配外，还有一些其他的关键步骤也需要注意。

例如，在图像配准中，需要对待配准图像进行坐标转换，从而使得其与参考图像的坐标系一致。

在图像拼接中，需要实现拼接过程中的图像去重、光照一致性等问题。

基于改进SURF的图像配准关键算法研究张开玉;梁凤梅【摘要】针对图像特征匹配算法维数高,实时性低的缺陷,研究了SURF特征匹配算法,并对其进行了改进.首先在图像的尺度空间中提取SURF特征点,并生成扩展的特征描述向量.然后建立KD-Tree特征结构,采用BBF查询机制进行最近邻查询实现特征点快速匹配.实验结果表明,SURF算法进行特征检测的时间是SIFT算法的1/3;使用BBF进行特征匹配,匹配速度提高了2-3倍.%With the defect of the high dimensions and low real time in image matching algorithm, the algorithm based on SURF is studied and improved. Firstly extract the feature points from the scale space of the image, and create extended feature vectors, then build KD-Tree feature structure, match the interest points by using BBF searching method. Experimental result express that, the time of detecting features by SURF algorithm is one third of SIFT algorithm; The matching speed by using BBF searching method is increased 2-3 times.【期刊名称】《科学技术与工程》【年(卷),期】2013(013)010【总页数】5页(P2875-2879)【关键词】图像匹配;Hessian矩阵;KD树;BBF;最近邻搜索【作者】张开玉;梁凤梅【作者单位】太原理工大学信息工程学院,太原030024【正文语种】中文【中图分类】TP391.41图像匹配是图像配准、图像拼接、目标识别与跟踪等领域的核心基础，传统的图像匹配算法直接利用图像的像素灰度值进行匹配。

收稿日期:20221002基金项目:辽宁省教育厅面上项目(L J KM Z 20221827);辽宁省应用基础研究计划项目(2022J H 2,101300279)㊂作者简介:高 强(1980),男,辽宁沈阳人,副教授㊂第35卷第3期2023年 6月沈阳大学学报(自然科学版)J o u r n a l o f S h e n y a n g U n i v e r s i t y (N a t u r a l S c i e n c e )V o l .35,N o .3J u n.2023文章编号:2095-5456(2023)03-0224-07基于改进S U R F 算法的无人机遥感图像配准高 强a ,魏利波b(沈阳大学a .科技创新研究院,b .信息工程学院,辽宁沈阳 110044)摘 要:对无人机视觉导航图像配准S U R F (s p e e d e du p r o b u s t f e a t u r e s )算法进行改进,将S U R F 特征提取与B R I S K 特征描述相结合,提出S U R F -B R I S K 算法㊂首先,采用相对运算速度更快的F L A N N (f a s t l i b r a r yf o r a p p r o x i m a t en e a r e s t n e igh b o r s )算法粗匹配特征点㊂然后,对错误匹配的特征点使用鲁棒性较好的R A N S A C (r a n d o ms a m p l e c o n s e n s u s )算法进行筛选与剔除㊂最后,与S I F T (s c a l e -i n v a r i a n t f e a t u r e t r a n s f o r m )算法及S U R F 算法进行对比㊂结果显示:在城市场景S U R F -B R I S K 算法的运行时间相对于S I F T ㊁S U R F 算法分别减少了约86%㊁74%;配准精度分别提高了约7%㊁13%;匹配点的对数也大幅提升㊂关 键 词:无人机遥感图像;图像配准;S U R F ;F L A N N ;R A N S A C 中图分类号:T P 751 文献标志码:AU A V R e m o t eS e n s i n g I m a g eR e g i s t r a t i o n B a s e do nI m pr o v e d S U R FA l go r i t h m G A OQ i a n g a ,WE IL i b o b (a .R e s e a r c h I n s t i t u t e o f S c i e n c e a n dT e c h n o l o g y I n n o v a t i o n ,b .S c h o o l o f I n f o r m a t i o nE n g i n e e r i n g ,S h e n y a n gU n i v e r s i t y ,S h e n y a n g 110044,C h i n a )A b s t r a c t :T h e U A V v i s u a ln a v i g a t i o ni m a g er e g i s t r a t i o n a l g o r i t h m ,S U R F (s p e e d e d u pr o b u s t f e a t u r e s )a l g o r i t h m ,i si m p r o v e da n dS U R F -B R I S K a l g o r i t h m w a s p r o po s e d :t h e S U R Ff e a t u r ee x t r a c t i o n w a sc o m b i n e d w i t hB R I S Kf e a t u r ed e s c r i pt i o n ,t h eF L A N N (f a s t l i b r a r y f o ra p p r o x i m a t en e a r b y n e i g h b o r s )a l g o r i t h m w i t hr e l a t i v e l y f a s t e ro p e r a t i o ns p e e d w a su s e dt or o u g h l y m a t c hf e a t u r e p o i n t s ,a n dt h eR A N S A C (r a n d o m s a m p l es y m pt o m s )a l g o r i t h m w i t hb e t t e rr o b u s t n e s sw a su s e dt of i l t e ra n de l i m i n a t et h e m i s m a t c h e df e a t u r e p o i n t s .T h e c o m p a r i s o ne x p e r i m e n tw i t hS I F T (s c a l e i n v a r i a n t f e a t u r e t r a n s f o r m )a l go r i t h m a n dS U R Fa l g o r i t h m w a sc a r r i e do u t .T a k i n g t h eu r b a ns c e n ea sa ne x a m p l e ,t h er u n n i n gt i m e o f S U R F -B R I S Ka l g o r i t h m w a s r e d u c e db y 86%a n d74%r e s p e c t i v e l y c o m p a r e dw i t h S I F Ta l g o r i t h ma n dS U R Fa l g o r i t h m ,w h i l e t h e r e g i s t r a t i o na c c u r a c y w a s i m p r o v e db y 7%a n d 13%r e s p e c t i v e l y ,a n d t h e l o g a r i t h mo fm a t c h i n gp o i n t sw a s a l s o g r e a t l y i m pr o v e d .K e y w o r d s :U A Vr e m o t e s e n s i n g i m a g e ;i m a g e r e g i s t r a t i o n ;S U R F ;F L A N N ;R A N S A C 无人机导航技术一直是国内外研究的重点和热点,目前用无人机进行定位与导航通常是通过卫星导航系统和惯性导航系统来实现的㊂然而,卫星导航系统自主性能较差,也存在抗干扰能力较弱等问题[1];惯性导航系统的定位精度与其使用的惯性器件的精度紧密相关,很大程度上会受到使用成本的限制,并且导航误差的累积较为明显[2]㊂随着对计算机视觉研究的深入以及图像处理技术的日渐成熟,使得视觉导航成为无人机导航研究的重要方向[3]㊂基于视觉的导航方法主要是无人机利用图像传感器获取目标区域的图像,与地图库中携带地理位置信息的基准图像进行匹配,通过图像配准来获得自身的位置信息,进而实现无人机的自主Copyright ©博看网. All Rights Reserved.导航㊂图像配准算法在无人机视觉导航中起着关键的作用,配准效果将直接影响到无人机自主定位的精确程度[4]㊂因此对无人机遥感图像的配准方法进行研究能够更加促进无人机的应用和发展,具有很强的实践意义㊂按照进行匹配所使用的图像信息的不同,图像的配准算法大体分为基于图像灰度信息㊁基于图像变换域和基于图像特征3种类型[5]㊂其中,基于图像特征的配准算法对于亮度不均匀㊁有尺度变化㊁存在旋转或者被遮挡的图像匹配误差更小,适合应用于会出现旋转㊁光照㊁尺度等变化的环境中,可以处理变换较为复杂的图像间的配准问题㊂基于点特征的图像配准算法因其稳定和高效的特点而更受研究者的青睐㊂其主要流程包括:图像特征点的提取㊁描述以及匹配[6]㊂目前,基于点特征的图像配准算法主要有S I F T 算法[78]㊁S U R F 算法[911]㊁B R I S K 算法[1213]以及O R B 算法[1415]等㊂其中,S U R F 算法[16]具有良好的旋转不变性㊁尺度不变性㊁抗噪性等特点,并且可以较快地提取特征点㊂但该方法的描述子维数高㊁所占计算资源较大,在特征描述阶段花费的时间较长㊂针对这个问题,本文将B R I S K 和S U R F 算法结合实现同时具备高速率和高精度的无人机遥感图像配准方法(S U R F -B R I S K )㊂1 S U R F 算法S U R F 算法利用盒式滤波器和积分图像,直接对积分图像进行加减运算,减小了计算的复杂度,提高了算法运行速度㊂S U R F 算法的主要步骤如下㊂1)计算积分图像㊂构造积分图像是整个S U R F 算法流程中非常重要的一个环节,通过积分图像的使用,S U R F 算法降低了卷积运算的复杂度㊁加快了特征点检测速度㊂积分图像与原图像大小一致,积分图像中1个像素点(x ,y )的灰度值是在原图像中从图像左上角像素点开始到该点止的㊁包含该点在内的矩形内的所有像素点灰度值的总和,计算过程如式(1):I ð(x ,y )=ði ɤx i =0ðj ɤy j =0I (i ,j )㊂(1)式中:I (i ,j )为原图像中像素点的灰度值;I ð(x ,y )为积分图像中像素点(x ,y )的灰度值㊂2)使用H e s s i a n 矩阵检测特征点㊂S U R F 算法检测图像特征点是通过H e s s i a n 矩阵实现的㊂检测到的特征点具有更高的准确性㊂H e s s i a n 矩阵由高斯函数的2阶微分组成,2元高斯函数G (x ,y ,σ)的定义如式(2):G (x ,y ,σ)=12πσe -(x 2+y 2)2σ㊂(2) 在尺度σ上,将图像I 中某一点(x ,y )的H e s s i a n 矩阵定义如式(3):H (x ,y ,σ)=L x x (x ,y ,σ)L x y (x ,y ,σ)L x y (x ,y ,σ)L y y (x ,y ,σéëêêùûúú)㊂(3)式中,L x x (x ,y ,σ)㊁L x y (x ,y ,σ)㊁L y y (x ,y ,σ)为高斯函数在点(x ,y )处的2阶导数㊂S U R F 算法采用盒状滤波器与图像进行卷积得到的结果D x x ㊁D x y ㊁D y y 代替高斯函数的2阶微分L x x ㊁L x y ㊁L y y ,则可以得到近似的H e s s i a n 矩阵行列式,如式(4):D e t (H )=D x x D y y -(ωD x y )2㊂(4)式中,ω为权重系数,是为了平衡因近似带来的误差和提高计算的效率而设置的,一般取ω=0.9㊂3)构造尺度空间㊂为了检测特征点检测算法的尺度不变性,要在不同的尺度空间中进行图像特征点的检测,所以需要构造尺度空间㊂S U R F 算法构造尺度空间的方法是使用不同尺寸的盒状滤波器对同一幅图像进行卷积㊂S U R F 算法的尺度空间由若干层组成,每4层又构成1个组㊂在S U R F 算法中,最小尺度的盒状滤波器的尺寸为9ˑ9,其他尺度空间的盒状滤波器的尺寸都是由9ˑ9盒状滤波器扩展得到的,运算速度与盒状滤波器模板的尺寸大小无关㊂4)定位特征点㊂像素点经过H e s s i a n 矩阵处理后,需要与其3维邻域内的26个点进行大小比较,如图1所示,如果该点是这26个点中的最大值点,则将其作为初步确定的特征点㊂522第3期 高 强等:基于改进S U R F 算法的无人机遥感图像配准Copyright ©博看网. All Rights Reserved.图1 尺度空间极值点检测F i g .1 D e t e c t i o no f e x t r e m e p o i n t s i n s c a l es pa c e 5)确定特征点主方向㊂为保证算法的旋转不变性,需确定特征点的主方向㊂在S U R F 算法中,通过对特征点邻域内的H a r r 小波特征进行统计来确定特征点主方向,圆形邻域内模值最大的扇形指向即为特征点的唯一主方向㊂6)构造特征描述子㊂在特征点周围取1个正方形框,生成特征描述子时将正方形分割成16个子区域,每个子区域25个采样点㊂2 S U R F -B R I S K 算法尽管S U R F 描述子具有较强的图像配准适应性,但由于其具有较高的维数,故S U R F 运算占用的计算资源较大㊁效率较低㊂针对这一问题,本文提出利用B R I S K 二进制描述代替S U R F 描述子,以得到一种更高效的算子组合配准优化算法,从而实现快速和准确的图像配准过程㊂图2 S U R F -B R I S K 算法框图F i g .2 B l o c kd i a g r a mo f S U R F -B R I DG Ea l go r i t h m S U R F -B R I S K 算法框图如图2所示㊂2.1 特征点检测与描述1)提取特征点㊂算法中的特征检测子是用来对图像特征进行提取的,检测到的特征点数量需要达到一定要求,同时冗余的特征点要尽可能的少㊂S U R F 作为特征检测子有较好的鲁棒性,可以更快速的获取到具有尺度不变性㊁旋转不变性以及抗噪性的特征点,且获取到的图像特征点较稳定㊂2)生成二值描述符㊂B R I S K 算子是1种二值算子,所占计算资源较小,以均匀采样模式进行特征点描述,生成描述符时间更短,具有更快的匹配速度㊂同时,B R I S K 描述子还具有良好的旋转㊁缩放不变性以及抗噪性㊂2.2 特征匹配在完成对待配准图像和基准图像的特征提取与描述后,需要对特征描述点进行匹配操作,从而获得相似特征点对㊂作为1种常用的图像特征点匹配方法,F L A N N 可以对大数据集和高维特征进行快速最近邻搜索㊂该方法可以通过参数的调整以及阈值的设定来提高图像匹配的精度[1718],具有较快的速度㊂因此,本文利用F L A N N 算法对无人机遥感图像进行特征点的粗匹配操作,得到待配准图像和基准图像的初始匹配点集㊂2.3 特征匹配点优化针对图像特征点的误匹配问题,本文利用R A N S A C 算法[1920]实现误匹配点的剔除㊂R A N S A C 算法是1种常用的匹配点提纯方法,主要是在待配准图像和基准图像的初始匹配点集中对误匹配特征点对进行筛选与剔除,从而提高配准的精度㊂其具有较好的鲁棒性,可以在很大程度上优化匹配结果㊂R A N S A C 算法采取的是采样与验证的策略,可以在包含误匹配点的数据集中,通过迭代寻找最优参数模型㊂其主要思路是求解单应性矩阵E ㊂假设基准图像中的待匹配点坐标为(x ,y ),待配准图像中的待匹配点坐标为(x ᶄ,yᶄ),则单应性矩阵E 描述了图像之间的几何变换关系,如式(5):E =x ᶄyᶄéëêêêêùûúúúú1=h 0h 1h 2h 3h 4h 2h 6h 7éëêêêêùûúúúú1x y éëêêêêùûúúúú1㊂(5)622沈阳大学学报(自然科学版) 第35卷Copyright ©博看网. All Rights Reserved.R A N S A C 算法的主要步骤如下:①在特征点初始匹配的数据集中随机选取4对非线性特征点作为样本数据,记为模型M ,然后计算出单应性矩阵E ,设定好阈值;②使用E 计算出初始匹配数据集中所有数据与模型M 的投影误差,若误差小于设定的阈值,则将该数据加入内点集Q ;③若当前内点集Q 中的元素个数大于当前最优单应性矩阵的内点数,则对当前最优单应性矩阵进行更新,同时更新迭代次数㊂反之,不更新;④根据当前最优单应性矩阵的内点数更新迭代总次数,若当前迭代次数小于总迭代次数,返回执行步骤①㊂反之,则当前模型M 就是待求的模型㊂3 实验与分析为了验证本文提出的算法,选取城市㊁岛屿及河流3种场景下的无人机遥感图像进行实验,基准图像和待配准图像来源于互联网地图平台的卫星地图,如图3所示㊂(a )城市基准图像(b)城市待配准图像(c )岛屿基准图像(d)岛屿待配准图像(e)河流基准图像(f)河流待配准图像图3 基准图像与待配准图像F i g .3 R e f e r e n c e i m a g ea n d i m a g e t ob e r e gi s t e r e d 722第3期 高 强等:基于改进S U R F 算法的无人机遥感图像配准Copyright ©博看网. All Rights Reserved.基于上述遥感图像,分别利用S I F T ㊁S U R F 以及S U R F -B R I S K3种算法进行图像配准,结果如图4~图9所示㊂将计算运行时间㊁匹配点对数以及匹配点对的均方根误差作为图像配准效果的评价指标,结果如表1所示㊂(a )S I F T(b )S U R F (c )S U R F -B R I S K图4 城市场景粗配准结果F i g .4 R o u g h r e gi s t r a t i o n r e s u l t s o f u r b a n s c e n es (a )S I F T(b )S U R F (c )S U R F -B R I S K图5 城市场景优化配准结果F i g .5 U r b a n s c e n eo p t i m i z a t i o n r e gi s t r a t i o n r e s u l ts (a )S I F T(b )S U R F (c )S U R F -B R I S K图6 岛屿场景粗配准结果F i g .6 R o u g h r e gi s t r a t i o n r e s u l t o f i s l a n d s c e ne (a )S I F T(b )S U R F (c )S U R F -B R I S K图7 岛屿场景优化配准结果F i g .7 I s l a n d s c e n eo p t i m i z a t i o n r e gi s t r a t i o n r e s u l t s 822沈阳大学学报(自然科学版) 第35卷Copyright ©博看网. All Rights Reserved.(a )S I F T(b )S U R F (c )S U R F -B R I S K图8 河流场景粗配准结果F i g .8 R o u g h r e gi s t r a t i o n r e s u l t o f r i v e r s c e ne (a )S I F T(b )S U R F (c )S U R F -B R I S K图9 河流场景优化配准结果F i g .9 O p t i m i z e d r e gi s t r a t i o n r e s u l t s o f r i v e r s c e n e s 表1 S U R F -B R I S K 算法与S I F T 算法和S U R F 算法的比较结果T a b l e1 C o m p a r i s o n r e s u l t s o f s u r f -b r i d g ea l g o r i t h m w i t hS I F Ta l g o r i t h ma n dS U R Fa l go r i t h m 算 法场景运行时间/s 匹配点对数配准精度S I F TS U R FS U R F -B R I S K城市89.67241381.4028岛屿1.3898120.9236河流55.0492360.9993城市49.37661761.5262岛屿1.7704191.0477河流43.8440260.9181城市12.77812601.3513岛屿1.2009130.9096河流7.2038700.7177通过图4~图9的配准结果以及表1中的对比数据可知:S U R F -B R I S K 算法可以有效剔除粗匹配中的误匹配点,优化图像配准结果;和其他传统算法相比,S U R F -B R I S K 算法对于不同场景下的无人机影像配准都能够取得较好的效果:以城市场景为例,S U R F -B R I S K 算法的运行时间相对于S I F T 算法㊁S U R F 算法分别减少了约86%㊁74%,而配准精度分别提高了约4%㊁13%,匹配点的对数也有大幅提升㊂通过以上实验分析可知:S U R F 算法可以更快地提取出更多的图像特征点,B R I S K 算法可以更快地生成特征描述符,且二者均具有良好的旋转㊁缩放不变性及抗噪性,S U R F -B R I S K 算法属于 强强联合 ㊂对于无人机遥感影像配准,S U R F -B R I S K 算法能够取得较好的效果,相对于传统算法在运行时间上有较大的提升,配准精度虽提升不大,但对于无人机视觉导航的图像配准任务来说,细微的提高都将对定位精度产生积极的影响㊂4 结 论本文针对无人机遥感影像配准,对S U R F 算法进行改进,提出了S U R F -B R I S K 算法,将S U R F 特922第3期 高 强等:基于改进S U R F 算法的无人机遥感图像配准Copyright ©博看网. All Rights Reserved.032沈阳大学学报(自然科学版)第35卷征点提取与B R I S K特征点描述符相结合,在无人机影像配准中有效地提升了算法的运行速度;采用F L A N N算法进行特征点粗匹配,然后通过R A N S A C算法进一步剔除误匹配点,有效地降低了误匹配率㊂经实验验证,S U R F-B R I S K算法在保证配准精度的同时可以很好的提高运行效率,满足无人机航拍图像匹配对实时性与精确度的要求㊂参考文献:[1]吴成一.G N S S拒止条件下的无人机视觉导航研究[D].西安:西安电子科技大学,2021.WU CY.R e s e a r c ho nU A Vv i s u a l n a v i g a t i o nu n d e r t h e c o n d i t i o no fG N S S r e j e c t i o n[D].X i a n:X i d i a nU n i v e r s i t y,2021. [2]焦博,丛佃伟.导航干扰技术在无人机防御中的应用展望[J].无线电工程,2021,51(10):10191024.J I A OB,C O N G D W.A p p l i c a t i o n p r o s p e c to fn a v i g a t i o n j a mm i n g i n U A V d e f e n s e[J].R a d i o E n g i n e e r i n g,2021,51(10): 10191024.[3]高莎,袁希平,甘淑,等.集成S I F T算法与检测模型优化的U A V影像匹配方法[J].光谱学与光谱分析,2022,42(5):14971503.G A O S,Y U A N X P,G A N S,e t a l.U A V i m a g e m a t c h i n g m e t h o d i n t e g r a t i n g S I F T a l g o r i t h m a n d d e t e c t i o n m o d e lo p t i m i z a t i o n[J].S p e c t r o s c o p y a n dS p e c t r a lA n a l y s i s,2022,42(5):14971503.[4]卢艳军,刘飒.基于视觉的无人机导航技术研究[J].自动化仪表,2021,42(4):17.L U YJ,L I US.R e s e a r c ho nv i s i o n-b a s e d U A V n a v i g a t i o nt e c h n o l o g y[J].P r o c e s sA u t o m a t i o nI n s t r u m e n t a t i o n,2021,42(4):17.[5]王枭.无人机光学遥感图像配准方法研究[D].成都:电子科技大学,2020.WA N GX.R e s e a r c h o n r e g i s t r a t i o nm e t h o d o fU A Vo p t i c a l r e m o t e s e n s i n g i m a g e[D].C h e n g d u:U n i v e r s i t y o f E l e c t r o n i c S c i e n c ea n dT e c h n o l o g y o fC h i n a,2020.[6]肖明,鲍永亮,颜仲新.基于点特征的图像配准方法综述[J].兵工学报,2015,36(S2):326340.X I A O M,B A O Y L,Y A N Z X.P o i n tf e a t u r e-b a s e di m a g er e g i s t r a t i o n:as u r v e y[J].A c t a A r m a m e n t a r i i,2015,36(S2): 326340.[7]L OW ED G.D i s t i n c t i v e i m a g ef e a t u r e sf r o m s c a l e-i n v a r i a n tk e y p o i n t s[J].I n t e r n a t i o n a lJ o u r n a lo fC o m p u t e r V i s i o n,2004,60(2):91110.[8]胡育诚,芮挺,杨成松,等.基于改进S I F T的无人机航拍图像快速配准研究[J].计算机科学,2021,48(8):134138.HU YC,R U IT,Y A N G CS,e ta l.S t u d y o na e r i a l i m a g ef a s tr e g i s t r a t i o nf r o m U A V[J].C o m p u t e rS c i e n c e,2021,48(8): 134138.[9]P E R S A DR A,A RM E N A K I SC.A l i g n m e n t o f p o i n t c l o u dd s m s f r o mt l s a n du a v p l a t f o r m s[J].I S P R S-I n t e r n a t i o n a lA r c h i v e s o ft h eP h o t o g r a mm e t r y,R e m o t eS e n s i n g a n dS p a t i a l I n f o r m a t i o nS c i e n c e s,2015,X L-1/W4(1):369373.[10]胡同喜,牛雪峰,谭洋,等.基于S U R F算法的无人机遥感影像拼接技术[J].测绘通报,2015(1):5558.HU TX,N I U XF,T A N Y,e t a l.R e m o t e s e n s i n g i m a g em o s a i c t e c h n o l o g y o fU A Vb a s e do nS U R Fa l g o r i t h m[J].B u l l e t i no f S u r v e y i n g a n d M a p p i n g,2015(1):5558.[11]X U R R,L E ITJ,C H E N GJ H,e ta l.A ni m p r o v e dS U R Fa l g o r i t h m-b a s e d U A Vi m a g e f a s t r e g i s t r a t i o n m e t h o d[J].W a t e rR e s o u r c e s a n dH y d r o p o w e rE n g i n e e r i n g,2021,52(4):2231.[12]L E U T E N E G G E RS,C H L I M,S I E GWA R T R Y.B R I S K:b i n a r y r o b u s t i n v a r i a n ts c a l a b l ek e y p o i n t s[C]ʊ2011I n t e r n a t i o n a lC o n f e r e n c e o nC o m p u t e rV i s i o n.N o v e m b e r6-13,2011,B a r c e l o n a,S p a i n.I E E E,2012:25482555.[13]何志伟,唐伯惠,王涛,等.剔除无人机影像B R I S K特征误匹配点对算法[J].测绘通报,2021(10):7882.H E Z W,T A N G B H,WA N G T,e ta l.A na l g o r i t h m f o re l i m i n a t i n g m i s m a t c h i n gp o i n t p a i r so fB R I S Kf e a t u r e si n U A Vi m a g e s[J].B u l l e t i no f S u r v e y i n g a n d M a p p i n g,2021(10):7882.[14]R U B L E EE,R A B A U D V,K O N O L I G E K,e ta l.O R B:a ne f f i c i e n ta l t e r n a t i v et oS I F T o rS U R F[C]ʊ2011I n t e r n a t i o n a lC o n f e r e n c e o nC o m p u t e rV i s i o n.N o v e m b e r6-13,2011,B a r c e l o n a,S p a i n.I E E E,2012:25642571.[15]丁进选,王丽欣,苗星雷.基于改进O R B和R A N S A C算法的无人机影像特征匹配方法[J].测绘工程,2021,30(4):6669.D I N GJX,WA N GLX,M I A O XL.U A V i m a g e f e a t u r em a t c h i n g m e t h o db a s e d o n i m p r o v e dO R Ba n dR A N S A Ca l g o r i t h m[J].E n g i n e e r i n g o f S u r v e y i n g a n d M a p p i n g,2021,30(4):6669.[16]B A Y H,T U Y T E L A A R ST,V A NG O O LL.S U R F:s p e e d e d u p r o b u s t f e a t u r e s[C]ʊP r o c e e d i n g s o f t h e9t hE u r o p e a nC o n f e r e n c eo nC o m p u t e rV i s i o n-V o l u m eP a r t I.S p r i n g e r,B e r l i n,H e i d e l b e r g,2006:404417.[17]张志敏,李彬,田联房,等.基于S U R F的改进F L A N N匹配算法[J].计算机工程与设计,2022,43(4):941948.Z HA N GZ M,L IB,T I A N L F,e ta l.I m p r o v e dF L A N N m a t c h i n g a l g o r i t h m b a s e do nS U R F[J].C o m p u t e rE n g i n e e r i n g a n dD e s i g n,2022,43(4):941948.[18]徐明,刁燕.基于S U R F算子与F L A N N搜索的图像匹配方法研究[J].现代计算机,2020(14):4952.X U M,D I A O Y.I m a g e m a t c h i n g m e t h o db a s e do nS U R Fo p e r a t o ra n dF L A N N s e a r c h[J].M o d e r n C o m p u t e r,2020(14): 4952.[19]杜港,侯凌燕,佟强,等.基于B R I S K和改进R A N S A C算法的图像拼接[J].液晶与显示,2022,37(6):758767.D U G,HO U LY,T O N G Q,e t a l.I m a g em o s a i c i n g b a s e do nB R I S Ka n d i m p r o v e dR A N S A Ca l g o r i t h m[J].C h i n e s eJ o u r n a l o fL i q u i dC r y s t a l s a n dD i s p l a y s,2022,37(6):758767.[20]宁小娟,李洁茹,高凡,等.基于最佳几何约束和R A N S A C的特征匹配算法[J].系统仿真学报,2022,34(4):727734.N I N GXJ,L I JR,G A OF,e t a l.F e a t u r em a t c h i n g a l g o r i t h mb a s e d o n o p t i m a l g e o m e t r i c c o n s t r a i n t s a n dR A N S A C[J].J o u r n a l o f S y s t e mS i m u l a t i o n,2022,34(4):727734.ʌ责任编辑:肖景魁ɔCopyright©博看网. All Rights Reserved.。

基于旋转SURF算子的图像配准新方法顾漪;王保平【期刊名称】《计算机测量与控制》【年(卷),期】2017(25)7【摘要】针对SURF算法中快速Hessian矩阵行列式检测出的特征点的不连续现象,从而造成的旋转,模糊和光照变化适应性较差的不足,提出一种旋转SURF检测算子的图像配准新方法;该算法通过将SURF算法的积分图像盒子滤波模板逆时针旋转45度,引入一种可以检测角度旋转的滤波核提升检测算子对不同图像变换的匹配性能,保证新的检测算子与原算法较好的结合,同时利用改进的单纯形算法依据输入图像进行参数优化;仿真结果表明,该方法不仅保留了算法的速度优势,缩短了配准时间,而且在图像模糊变换,光照变换和JPEG压缩变换方面性能有明显的提升,此外对视角变换以及小尺度变换性能也有提高.%Weaknesses in the Fast Hessian detector utilized by the SURF algorithm make it less robust to image rotation,inage Murnng,illumination change and other transformations.In order to solve this problem,an alternative to the SURF detector is proposed which utilizes filters that are rotated 45 degrees counter-clockwise.This new detector is robust to various image transformation and has the ability to match the original SURF algorithm.The new algorithm is also improved by the simplex algorithm (ISA) which can optimize parameters based on input image.Performance testing shows that the new method retains the speed advantage designed into the original SURF algorithm and outperforms the regular SURF detector when subject to imageblurring,illumination changes and JPEG compression.The new method outperforms regular SURF slightly when subjected to affine changes and small image scale transformations.【总页数】5页(P197-201)【作者】顾漪;王保平【作者单位】西北工业大学电子信息学院,西安 710129;西北工业大学电子信息学院,西安 710129【正文语种】中文【中图分类】TN911.73【相关文献】1.基于改进Harris-SURF算子的遥感图像配准算法 [J], 李天佐;刘丽萍;孙学宏;余增增2.基于改进SURF算子的高低分辨率图像配准方法 [J], 曾朝阳;程相正;陈杭;宋一铄;窦晓杰;黄超3.基于改进的SURF算子和透视变换模型的图像配准 [J], 徐明; 刁燕; 罗华; 黎彪4.基于关注区域分割和SURF算子的医学图像配准 [J], 许璐;余顺园5.基于改进SURF算子的彩色图像配准算法 [J], 任克强;胡梦云因版权原因，仅展示原文概要，查看原文内容请购买。