傾斜影像的連接點自動匹配方法及裝置制造方法
【專利摘要】本發(fā)明涉及測繪【技術(shù)領(lǐng)域】，公開了一種傾斜影像的連接點自動匹配方法及裝置，通過獲取傾斜影像，并對所述傾斜影像進(jìn)行預(yù)處理；對預(yù)處理后的所述傾斜影像建立索引影像，并進(jìn)行影像匹配，以剔除匹配粗差；提取影像匹配成功的所述傾斜影像的特征點，并進(jìn)行特征點匹配；對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩影像的特征點匹配對，對傾斜影像進(jìn)行轉(zhuǎn)點，在與所述特征點相關(guān)的所有傾斜影像中，利用單應(yīng)矩陣重新搜索匹配對應(yīng)的同名點；選取一傾斜影像為基準(zhǔn)影像，根據(jù)所述傾斜影像間的單應(yīng)矩陣，進(jìn)行基于像方的多點最小二乘法匹配，以獲取幾何畸變參數(shù)的修正值，根據(jù)所述幾何畸變參數(shù)計算所述傾斜影像上的最佳匹配同名點，本發(fā)明提高了影像匹配精度及匹配速度。
【專利說明】傾斜影像的連接點自動匹配方法及裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及測繪【技術(shù)領(lǐng)域】，尤其涉及一種傾斜影像的連接點自動匹配方法及裝 置。

【背景技術(shù)】
[0002] 傾斜攝影技術(shù)是國際地理信息領(lǐng)域近年來發(fā)展起來的、融合傳統(tǒng)航空攝影技術(shù)和 數(shù)字地面采集技術(shù)的一項高新技術(shù)。它克服了傳統(tǒng)航空攝影技術(shù)只能從垂直角度拍攝的 局限，通過在同一飛行平臺上搭載多臺傳感器，同時從一個垂直角度和四個傾斜角度采集 影像，不僅能夠真實地反應(yīng)地物情況，而且還通過采用先進(jìn)的定位技術(shù)，嵌入精確的地理信 息、更豐富的影像信息、更高級的用戶體驗，極大地擴(kuò)展了遙感影像的應(yīng)用領(lǐng)域，并使遙感 影像的行業(yè)應(yīng)用更加深入。對于數(shù)據(jù)處理來說起初只是為了滿足景觀覆蓋，而不是測圖，其 主要目的是獲取地物多個方位的信息并可供用戶多角度瀏覽，實時量測，三維瀏覽等獲取 多方面的信息。傾斜攝影可向用戶展示一個可視化可瀏覽可量測的實景影像系統(tǒng)。但隨著 影像自動匹配技術(shù)、堅直影像和傾斜影像相結(jié)合的多傳感器自動空中三角測量平差技術(shù)的 發(fā)展，以及人們對地理信息精度要求的提高。
[0003]傾斜影像的全自動匹配是實現(xiàn)傾斜影像數(shù)據(jù)處理的關(guān)鍵技術(shù)。現(xiàn)有技術(shù)中，傾斜 影像的全自動匹配可以分為兩大類：
[0004]第一類是基于像方空間的匹配，影像匹配在像方空間進(jìn)行，匹配時僅利用影像的 輻射信息，通常采用先航帶內(nèi)再航帶間轉(zhuǎn)點的匹配算法，其基本匹配模塊類似于自動相對 定向，程序?qū)崿F(xiàn)相對簡單，但在匹配時是以兩兩影像匹配的模式進(jìn)行，不能很好的顧及連接 點的整體匹配精度；另一類則是基于物方空間的匹配，匹配在物方空間進(jìn)行不僅利用像片 的灰度信息，而且利用了像片之間在物方空間的幾何約束關(guān)系，多點最小二乘影像匹配是 此類算法的典型代表，它將影像匹配和區(qū)域網(wǎng)聯(lián)合平差集成，一并求解影像的外方位元素、 連接點精確的影像坐標(biāo)和在物方對應(yīng)的尺度系數(shù)，通常利用迭代分步求解的策略。同第一 類算法相比，此類算法優(yōu)點在于，即使在測區(qū)幾何不規(guī)則的情況下，仍然可以保證連接點位 于多張影像覆蓋的高重疊度區(qū)域，但是，為了準(zhǔn)確確定連接點影像塊的位置，需要不斷精化 測區(qū)DEM(DigitalElevationModal,數(shù)字高程模型）和影像外方位元素，因此必須在每層 金字塔影像匹配后，對整個測區(qū)進(jìn)行區(qū)域網(wǎng)聯(lián)合平差，大大增加了程序?qū)崿F(xiàn)的難度。傾斜影 像連接點匹配過程中由于影像變形較大，特別是在P〇S(Positionorientationsystem,定 位測姿系統(tǒng)）數(shù)據(jù)缺失或精度不夠的情況下，以上傳統(tǒng)方法很難獲得理想的匹配結(jié)果。


【發(fā)明內(nèi)容】

[0005]本發(fā)明提供一種傾斜影像的連接點自動匹配方法及裝置，解決現(xiàn)有技術(shù)匹配精度 低、程序?qū)崿F(xiàn)的難度大的技術(shù)問題。
[0006]本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的：
[0007]-種傾斜影像的連接點自動匹配方法，包括：
[0008] 獲取傾斜影像，并對所述傾斜影像進(jìn)行預(yù)處理；
[0009] 對預(yù)處理后的所述傾斜影像建立索引影像，并進(jìn)行影像匹配，以剔除匹配粗差；
[0010] 提取影像匹配成功的所述傾斜影像的特征點，并進(jìn)行特征點匹配；
[0011] 對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩影像的特征點匹配對，對傾斜影像進(jìn)行 轉(zhuǎn)點，在與所述特征點相關(guān)的所有傾斜影像中，利用單應(yīng)矩陣重新搜索匹配對應(yīng)的同名 占.
[0012] 選取一傾斜影像為基準(zhǔn)影像，根據(jù)所述傾斜影像間的單應(yīng)矩陣，進(jìn)行基于像方的 多點最小二乘法匹配，以獲取幾何畸變參數(shù)的修正值，根據(jù)所述幾何畸變參數(shù)計算所述傾 斜影像上的最佳匹配同名點。
[0013] 一種傾斜影像的連接點自動匹配裝置，包括：
[0014] 預(yù)處理模塊，用于獲取傾斜影像，并對所述傾斜影像進(jìn)行預(yù)處理；
[0015] 索引建立模塊，用于對預(yù)處理后的所述傾斜影像建立索引影像，并進(jìn)行影像匹配， 以剔除匹配粗差；
[0016] 特征點提取模塊，用于提取影像匹配成功的所述傾斜影像的特征點，并進(jìn)行特征 點匹配；
[0017] 轉(zhuǎn)點匹配模塊，用于對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩影像的特征點匹配 對，對傾斜影像進(jìn)行轉(zhuǎn)點，在與所述特征點相關(guān)的所有傾斜影像中，利用單應(yīng)矩陣重新搜索 匹配對應(yīng)的同名點；
[0018] 匹配修正模塊，用于選取一傾斜影像為基準(zhǔn)影像，根據(jù)所述傾斜影像間的單應(yīng)矩 陣，進(jìn)行基于像方的多點最小二乘法匹配，以獲取幾何畸變參數(shù)的修正值，根據(jù)所述幾何畸 變參數(shù)計算所述傾斜影像上的最佳匹配同名點。
[0019] -種數(shù)字?jǐn)z影測量工作站，包括傾斜影像的連接點自動匹配裝置、立體觀測設(shè)備、 操作控制設(shè)備和輸入輸出設(shè)備，其中，所述傾斜影像的連接點自動匹配裝置，用于獲取傾斜 影像，并對所述傾斜影像進(jìn)行預(yù)處理；對預(yù)處理后的所述傾斜影像建立索引影像，并進(jìn)行影 像匹配，以剔除匹配粗差；提取影像匹配成功的所述傾斜影像的特征點，并進(jìn)行特征點匹 配；對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩影像的特征點匹配對，對傾斜影像進(jìn)行轉(zhuǎn)點， 在與所述特征點相關(guān)的所有傾斜影像中，利用單應(yīng)矩陣重新搜索匹配對應(yīng)的同名點；選取 一傾斜影像為基準(zhǔn)影像，根據(jù)所述傾斜影像間的單應(yīng)矩陣，進(jìn)行基于像方的多點最小二乘 法匹配，以獲取幾何畸變參數(shù)的修正值，根據(jù)所述幾何畸變參數(shù)計算所述傾斜影像上的最 佳匹配同名點。
[0020] 通過本發(fā)明提供的一種傾斜影像的連接點自動匹配方法及裝置，通過獲取傾斜影 像，并對所述傾斜影像進(jìn)行預(yù)處理；對預(yù)處理后的所述傾斜影像建立索引影像，并進(jìn)行影像 匹配，以剔除匹配粗差；提取影像匹配成功的所述傾斜影像的特征點，并進(jìn)行特征點匹配； 對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩影像的特征點匹配對，對傾斜影像進(jìn)行轉(zhuǎn)點，在與 所述特征點相關(guān)的所有傾斜影像中，利用單應(yīng)矩陣重新搜索匹配對應(yīng)的同名點；選取一傾 斜影像為基準(zhǔn)影像，根據(jù)所述傾斜影像間的單應(yīng)矩陣，進(jìn)行基于像方的多點最小二乘法匹 配，以獲取幾何畸變參數(shù)的修正值，根據(jù)所述幾何畸變參數(shù)計算所述傾斜影像上的最佳匹 配同名點，本發(fā)明提高了影像匹配精度及匹配速度。

【專利附圖】

【附圖說明】
[0021] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例中所 需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施 例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可根據(jù)這些附圖獲 得其他的附圖。
[0022] 圖1為本發(fā)明實施例提供的一種傾斜影像的連接點自動匹配方法的流程圖；
[0023] 圖2為本發(fā)明實施例提供的一種傾斜影像的連接點自動匹配裝置示意圖；
[0024] 圖3為本發(fā)明實施例提供的數(shù)字?jǐn)z影測量工作站的示意圖。

【具體實施方式】
[0025] 為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖和具體實 施方式對本發(fā)明作進(jìn)一步詳細(xì)的說明。
[0026] 本發(fā)明實施例提供了一種傾斜影像的連接點自動匹配方法，如圖1所示，該方法 包括如下步驟：
[0027] 步驟101、獲取傾斜影像，并對所述傾斜影像進(jìn)行預(yù)處理；
[0028] 其中，利用Wallis濾波對所述傾斜影像進(jìn)行影像增強(qiáng)，并利用角元素對所述傾斜 影像進(jìn)行水平糾正，以消除部分變形影響，所述傾斜影像攜帶定位測姿系統(tǒng)P〇S(Position orientationsystem,定位測姿系統(tǒng)）數(shù)據(jù)。Wallis濾波是一種局部的影像變換，它使影像 反差小的區(qū)域反差增大，影像反差大的區(qū)域反差減小，使得影像中灰度的微小變化信息得 到增強(qiáng)，這樣可以獲取更多的特征點，有利于匹配。
[0029] 步驟102、對預(yù)處理后的所述傾斜影像建立索引影像，并進(jìn)行影像匹配，以剔除匹 配粗差；
[0030] 其中，步驟102具體可以包括：
[0031] 步驟102-1、對預(yù)處理后的所述傾斜影像建立索引影像，對所述索引影像進(jìn)行影像 匹配，當(dāng)所述索引影像有重疊或存在相鄰關(guān)系時，對所述索引影像進(jìn)行精匹配，否則，不進(jìn) 行處理；
[0032]步驟 1〇2-2、利用ASIFT(AffineScale-invariantfeaturetransform，仿射 尺度不變特征變換）算法，對所述索引影像，進(jìn)行同名點匹配，并利用隨機(jī)抽樣一致 RANSAC(RandomSampleConsensus)方法以單應(yīng)矩陣和核線為雙重約束，以剔除匹配粗差；
[0033] 步驟102-3、獲取單應(yīng)矩陣H和基本矩陣F。
[0034] ASIFT算法是一個完全意義上的仿射不變，在保持SIFT性質(zhì)的基礎(chǔ)上對攝像機(jī)的 角度引起的傾斜變化也能做到仿射不變性，本發(fā)明實施例中采用改進(jìn)的并行ASIFT算法， 以影像對為基本處理單元，實現(xiàn)了基于多核的并行快速處理。在步驟102-2獲取影像同名 點之后，利用隨機(jī)抽樣一致RANSAC(RandomSampleConsensus)方法以單應(yīng)矩陣和核線為 雙重約束剔除匹配粗差同時獲取單應(yīng)矩陣H和基本矩陣F。
[0035] 步驟103、提取影像匹配成功的所述傾斜影像的特征點，并進(jìn)行特征點匹配；
[0036] 其中，步驟103可以包括如下步驟：
[0037] 步驟103-1、采用F6stner算子，提取所述傾斜影像的特征點；
[0038]步驟103-2、利用影像匹配成功的所述傾斜影像間的單應(yīng)矩陣計算特征點的概略 位置，對特征點為中心的局部區(qū)域進(jìn)行單應(yīng)糾正，并進(jìn)行相關(guān)系數(shù)最大搜索，以進(jìn)行特征點 匹配；
[0039]步驟103-3、利用RANSAC方法重新計算單應(yīng)矩陣H和基本矩陣F。
[0040] 僅對步驟102中影像匹配成功的索引影像進(jìn)行匹配，利用Fdstner算子具有精度 高、速度快的優(yōu)點，對傾斜影像的特征點進(jìn)行提取。特征點的匹配采用改進(jìn)灰度相關(guān)法進(jìn) 行，利用兩影像間的單應(yīng)矩陣計算特征點的概略位置，然后再對該點為中心的局部區(qū)域進(jìn) 行單應(yīng)糾正，最后進(jìn)行相關(guān)系數(shù)最大搜索。在獲得特征點匹配結(jié)果后再次利用步驟102-2 所述RANSAC方法重新計算單應(yīng)矩陣H和基本矩陣F。
[0041] 步驟104、對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩影像的特征點匹配對，對傾斜 影像進(jìn)行轉(zhuǎn)點，在與所述特征點相關(guān)的所有傾斜影像中，利用單應(yīng)矩陣重新搜索匹配對應(yīng) 的同名點；
[0042] 其中，步驟104具體可以包括：
[0043] 步驟104-1、對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩所述傾斜影像的特征點匹配 對，將匹配點對逐一加入到連接點匹配列表中，當(dāng)所述連接點匹配列表中存在匹配點對時， 更新所述匹配點對的坐標(biāo)信息，否則增加新的匹配點對；
[0044] 步驟104-2、對所述連接點匹配列表中的連接點進(jìn)行轉(zhuǎn)點，在與所述連接點的相關(guān) 所有傾斜影像內(nèi)利用單應(yīng)矩陣重新搜索對應(yīng)的匹配點。
[0045] 連接點匹配列表中的連接點僅是利用兩兩影像匹配結(jié)果得到，每個連接點的重疊 數(shù)比較低、內(nèi)部符合性（精度）不好，需要通過步驟104-2進(jìn)行轉(zhuǎn)點，以使連接點的重疊數(shù) 盡可能增加。
[0046] 步驟105、選取一傾斜影像為基準(zhǔn)影像，根據(jù)所述傾斜影像間的單應(yīng)矩陣，進(jìn)行基 于像方的多點最小二乘法匹配，以獲取幾何畸變參數(shù)的修正值，根據(jù)所述幾何畸變參數(shù)計 算所述傾斜影像上的最佳匹配同名點。
[0047] 其中，步驟105具體可以包括：
[0048] 步驟105-1、對于有n度重疊的影像連接點，選擇坐標(biāo)點離傾斜影像中心點最近的 傾斜影像為基準(zhǔn)影像；
[0049] 步驟105-2、對n-1個匹配的傾斜影像分別與基準(zhǔn)影像的像元灰度關(guān)系進(jìn)行泰勒 級數(shù)展開，以建立最小二乘法匹配誤差方程，其中，匹配的傾斜影像與基準(zhǔn)影像的像元灰度 關(guān)系為區(qū)。(叉，7)+11。= 1^。+1^沿（&。+&1叉+&27，13。+131叉+13 27)+11力=1，2...11-1)，叉，7為影像坐 標(biāo)，g〇(x，y)為基準(zhǔn)影像的像素值，gi(x，y)為第i個匹配的傾斜影像的像素值，叫為影像噪 聲，hi(l，hn為輻射畸變參數(shù)，au，bu(j= 0, 1，2)為幾何畸變參數(shù)，所述最小二乘法匹配誤 差方程為
[0050] Vi = Ciidhio+C^dhii+Cigdaio+C^daii+Cisda^+Cigdbio+C^bii+Cigdb^-Ag^i = 1，2, ? ? ?n-1)，Vi為匹配誤差，dhi(l,dhn,dai(l, ? ? ?，dbi2為畸變參數(shù)的修正值，，觀測值A(chǔ)gi 是對應(yīng)像素的灰度差，Cij(j= 1，2, ... 8)為誤差方程系數(shù)；
[0051] 步驟105-3、求解最小二乘法匹配誤差方程，計算出所述輻射畸變參數(shù)和所述幾何 畸變參數(shù)的修正值，根據(jù)所述輻射畸變參數(shù)和所述幾何畸變參數(shù)的修正值，對輻射畸變參 數(shù)和幾何畸變參數(shù)進(jìn)行修正，根據(jù)修正后的輻射畸變參數(shù)和幾何畸變參數(shù)，計算最佳匹配 點位。
[0052] 假如目標(biāo)窗口大小為m*m，則總共有（n-l)*m*m個誤差方程，8*(n-l)個未知數(shù)。 根據(jù)最小二乘法對誤差方程組進(jìn)行求解，可以計算出輻射畸變參數(shù)和幾何畸變參數(shù)的修正 值，畸變參數(shù)加上修正值作為畸變參數(shù)的值，根據(jù)修正后的畸變參數(shù)計算最佳匹配點位。
[0053] 通過本發(fā)明提供的一種傾斜影像的連接點自動匹配方法，通過獲取傾斜影像，并 對所述傾斜影像進(jìn)行預(yù)處理；對預(yù)處理后的所述傾斜影像建立索引影像，并進(jìn)行影像匹配， 以剔除匹配粗差；提取影像匹配成功的所述傾斜影像的特征點，并進(jìn)行特征點匹配；對兩 兩所述傾斜影像進(jìn)行匹配，獲得兩兩影像的特征點匹配對，對傾斜影像進(jìn)行轉(zhuǎn)點，在與所述 特征點相關(guān)的所有傾斜影像中，利用單應(yīng)矩陣重新搜索匹配對應(yīng)的同名點；選取一傾斜影 像為基準(zhǔn)影像，根據(jù)所述傾斜影像間的單應(yīng)矩陣，進(jìn)行基于像方的多點最小二乘法匹配，以 獲取幾何畸變參數(shù)的修正值，根據(jù)所述幾何畸變參數(shù)計算所述傾斜影像上的最佳匹配同名 點，本發(fā)明提高了影像匹配精度及匹配速度。
[0054] 本發(fā)明首先對影像進(jìn)行增強(qiáng)處理，特別是對于攜帶P0S數(shù)據(jù)的傾斜影像，則對傾 斜影像進(jìn)行水平糾正，以消除傾角過大引起的投影變形，建立索引影像并采用ASIFT仿射 不變特性的匹配方法建立索引影像間的對應(yīng)關(guān)系，不僅提高了效率而且還可以得到較為穩(wěn) 定的匹配結(jié)果；在原始傾斜影像上提取特征點，以索引影像所確定的對應(yīng)關(guān)系進(jìn)行特征點 匹配，特征點的使用可以得到較高的匹配精度；對連接點匹配列表中的連接點進(jìn)行轉(zhuǎn)點，在 獲取更多的重疊傾斜影像后進(jìn)行基于像方的多點最小二乘法計算，使得連接點的匹配精度 和可靠性大大提高。本發(fā)明的處理步驟均采用了基于多機(jī)、多核的網(wǎng)絡(luò)并行處理，從而使得 處理速度和效率大大提高。
[0055] 本發(fā)明實施例中采用的ASIFT算法比SIFT算法得到更多的匹配點，具有較高的穩(wěn) 定性，對傾斜影像匹配來說ASIFT是較好的選擇。使用多核CPU并行處理算法實現(xiàn)索引影 像的快速匹配，建立影像間的重疊關(guān)系，大大減少冗余運算，有效提高效率，處理速度可提 高數(shù)倍。基于像方的多點最小二乘匹配充分利用多個影像灰度信息，進(jìn)行整體最有系數(shù)求 解，與傳統(tǒng)方法相比精度可提高一倍，無需物方參數(shù)的支持，適用性更為廣泛。
[0056] 本發(fā)明實施例提供了一種傾斜影像的連接點自動匹配裝置，如圖2所示，包括：
[0057] 預(yù)處理模塊210,用于獲取傾斜影像，并對所述傾斜影像進(jìn)行預(yù)處理；
[0058] 索引建立模塊220,用于對預(yù)處理后的所述傾斜影像建立索引影像，并進(jìn)行影像匹 配，以剔除匹配粗差；
[0059] 特征點提取模塊230,用于提取影像匹配成功的所述傾斜影像的特征點，并進(jìn)行特 征點匹配；
[0060] 轉(zhuǎn)點匹配模塊240,用于對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩影像的特征點匹 配對，對傾斜影像進(jìn)行轉(zhuǎn)點，在與所述特征點相關(guān)的所有傾斜影像中，利用單應(yīng)矩陣重新搜 索匹配對應(yīng)的同名點；
[0061] 匹配修正模塊250,用于選取一傾斜影像為基準(zhǔn)影像，根據(jù)所述傾斜影像間的單應(yīng) 矩陣，進(jìn)行基于像方的多點最小二乘法匹配，以獲取幾何畸變參數(shù)的修正值，根據(jù)所述幾何 畸變參數(shù)計算所述傾斜影像上的最佳匹配同名點。
[0062] 本發(fā)明實施例還提供了一種數(shù)字?jǐn)z影測量工作站，如圖3所示，包括傾斜影像的 連接點自動匹配裝置310、立體觀測設(shè)備320、操作控制設(shè)備330和輸入輸出設(shè)備340,其中， 所述傾斜影像的連接點自動匹配裝置310,用于獲取傾斜影像，并對所述傾斜影像進(jìn)行預(yù)處 理；對預(yù)處理后的所述傾斜影像建立索引影像，并進(jìn)行影像匹配，以剔除匹配粗差；提取影 像匹配成功的所述傾斜影像的特征點，并進(jìn)行特征點匹配；對兩兩所述傾斜影像進(jìn)行匹配， 獲得兩兩影像的特征點匹配對，對傾斜影像進(jìn)行轉(zhuǎn)點，在與所述特征點相關(guān)的所有傾斜影 像中，利用單應(yīng)矩陣重新搜索匹配對應(yīng)的同名點；選取一傾斜影像為基準(zhǔn)影像，根據(jù)所述傾 斜影像間的單應(yīng)矩陣，進(jìn)行基于像方的多點最小二乘法匹配，以獲取幾何畸變參數(shù)的修正 值，根據(jù)所述幾何畸變參數(shù)計算所述傾斜影像上的最佳匹配同名點。
[0063] 通過以上的實施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到本發(fā)明可借 助軟件加必需的硬件平臺的方式來實現(xiàn)，當(dāng)然也可以全部通過硬件來實施，但很多情況下 前者是更佳的實施方式?；谶@樣的理解，本發(fā)明的技術(shù)方案對【背景技術(shù)】做出貢獻(xiàn)的全部 或者部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品可以存儲在存儲介質(zhì)中，如 R0M/RAM、磁碟、光盤等，包括若干指令用以使得一臺計算機(jī)設(shè)備（可以是個人計算機(jī)，服務(wù) 器，或者網(wǎng)絡(luò)設(shè)備等）執(zhí)行本發(fā)明各個實施例或者實施例的某些部分所述的方法。
[0064] 以上對本發(fā)明進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方 式進(jìn)行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對 于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在【具體實施方式】及應(yīng)用范圍上均會有改變 之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。
【權(quán)利要求】
1. 一種傾斜影像的連接點自動匹配方法，其特征在于，包括： 獲取傾斜影像，并對所述傾斜影像進(jìn)行預(yù)處理； 對預(yù)處理后的所述傾斜影像建立索引影像，并進(jìn)行影像匹配，以剔除匹配粗差； 提取影像匹配成功的所述傾斜影像的特征點，并進(jìn)行特征點匹配； 對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩影像的特征點匹配對，對傾斜影像進(jìn)行轉(zhuǎn)點， 在與所述特征點相關(guān)的所有傾斜影像中，利用單應(yīng)矩陣重新搜索匹配對應(yīng)的同名點； 選取一傾斜影像為基準(zhǔn)影像，根據(jù)所述傾斜影像間的單應(yīng)矩陣，進(jìn)行基于像方的多點 最小二乘法匹配，以獲取幾何畸變參數(shù)的修正值，根據(jù)所述幾何畸變參數(shù)計算所述傾斜影 像上的最佳匹配同名點。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述傾斜影像進(jìn)行預(yù)處理，包括： 利用Wallis濾波對所述傾斜影像進(jìn)行影像增強(qiáng)，并利用角元素對所述傾斜影像進(jìn)行 水平糾正，以消除部分變形影響，所述傾斜影像攜帶定位測姿系統(tǒng)POS數(shù)據(jù)。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對預(yù)處理后的所述傾斜影像建立索 引影像，并進(jìn)行影像匹配，，以剔除匹配粗差，包括： 對預(yù)處理后的所述傾斜影像建立索引影像，對所述索引影像進(jìn)行影像匹配，當(dāng)所述索 引影像有重疊或存在相鄰關(guān)系時，對所述索引影像進(jìn)行精匹配，否則，不進(jìn)行處理； 利用ASIFT算法，對所述索引影像，進(jìn)行同名點匹配，并利用隨機(jī)抽樣一致RANSAC方法 以單應(yīng)矩陣和核線為雙重約束，以剔除匹配粗差； 獲取單應(yīng)矩陣H和基本矩陣F。
4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述提取影像匹配成功的所述傾斜影像 的特征點，并進(jìn)行特征點匹配，包括： 采用Fdstner算子，提取所述傾斜影像的特征點； 利用影像匹配成功的所述傾斜影像間的單應(yīng)矩陣計算特征點的概略位置，對特征點為 中心的局部區(qū)域進(jìn)行單應(yīng)糾正，并進(jìn)行相關(guān)系數(shù)最大搜索，以進(jìn)行特征點匹配； 利用RANSAC方法重新計算單應(yīng)矩陣H和基本矩陣F。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩 影像的特征點匹配對，對傾斜影像進(jìn)行轉(zhuǎn)點，在與所述特征點相關(guān)的所有傾斜影像中，利用 單應(yīng)矩陣重新搜索匹配對應(yīng)的同名點，包括 ： 對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩所述傾斜影像的特征點匹配對，將匹配點對 逐一加入到連接點匹配列表中，當(dāng)所述連接點匹配列表中存在匹配點對時，更新所述匹配 點對的坐標(biāo)信息，否則增加新的匹配點對； 對所述連接點匹配列表中的連接點進(jìn)行轉(zhuǎn)點，在與所述連接點的相關(guān)所有傾斜影像內(nèi) 利用單應(yīng)矩陣重新搜索對應(yīng)的匹配點。
6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述選取一傾斜影像為基準(zhǔn)影像，根據(jù)所 述傾斜影像間的單應(yīng)矩陣，進(jìn)行基于像方的多點最小二乘法匹配，包括： 對于有η度重疊的影像連接點，選擇坐標(biāo)點離傾斜影像中心點最近的傾斜影像為基準(zhǔn) 影像； 對η-1個匹配的傾斜影像分別與基準(zhǔn)影像的像元灰度關(guān)系進(jìn)行泰勒級數(shù)展開，以建立 最小二乘法匹配誤差方程，其中，匹配的傾斜影像與基準(zhǔn)影像的像元灰度關(guān)系為g(l (X，y)+nQ =l^+hngi (ad+aj+aj, V^x+bW+ni (i = 1，2· · · n-1)，X，y 為影像坐標(biāo)，gQ(x, y)為基準(zhǔn) 影像的像素值，gi (x，y)為第i個匹配的傾斜影像的像素值，Iii為影像噪聲，hi(l，hn為輻射 畸變參數(shù)，a u，bu(j = 0, 1，2)為幾何畸變參數(shù)，所述最小二乘法匹配誤差方程為 ν? - Ciidhio+c^dhjj + Cjgdajo+c^dajj + Cjgda^+CjgdbjQ+Cydbjj + Cjgdb^- Δ gj (i - 1，2, · · · n-1)，Vi為匹配誤差，dhi(l, dhn, dai(l, · · ·，dbi2為畸變參數(shù)的修正值，，觀測值A(chǔ)gi 是對應(yīng)像素的灰度差，CijU = 1，2, ... 8)為誤差方程系數(shù)； 求解最小二乘法匹配誤差方程，計算出所述輻射畸變參數(shù)和所述幾何畸變參數(shù)的修正 值，根據(jù)所述輻射畸變參數(shù)和所述幾何畸變參數(shù)的修正值，對輻射畸變參數(shù)和幾何畸變參 數(shù)進(jìn)行修正，根據(jù)修正后的輻射畸變參數(shù)和幾何畸變參數(shù)，計算最佳匹配點位。
7. -種傾斜影像的連接點自動匹配裝置，其特征在于，包括： 預(yù)處理模塊，用于獲取傾斜影像，并對所述傾斜影像進(jìn)行預(yù)處理； 索引建立模塊，用于對預(yù)處理后的所述傾斜影像建立索引影像，并進(jìn)行影像匹配，以剔 除匹配粗差； 特征點提取模塊，用于提取影像匹配成功的所述傾斜影像的特征點，并進(jìn)行特征點匹 配； 轉(zhuǎn)點匹配模塊，用于對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩影像的特征點匹配對，對 傾斜影像進(jìn)行轉(zhuǎn)點，在與所述特征點相關(guān)的所有傾斜影像中，利用單應(yīng)矩陣重新搜索匹配 對應(yīng)的同名點； 匹配修正模塊，用于選取一傾斜影像為基準(zhǔn)影像，根據(jù)所述傾斜影像間的單應(yīng)矩陣，進(jìn) 行基于像方的多點最小二乘法匹配，以獲取幾何畸變參數(shù)的修正值，根據(jù)所述幾何畸變參 數(shù)計算所述傾斜影像上的最佳匹配同名點。
8. -種數(shù)字?jǐn)z影測量工作站，其特征在于，包括傾斜影像的連接點自動匹配裝置、立體 觀測設(shè)備、操作控制設(shè)備和輸入輸出設(shè)備，其中，所述傾斜影像的連接點自動匹配裝置，用 于獲取傾斜影像，并對所述傾斜影像進(jìn)行預(yù)處理；對預(yù)處理后的所述傾斜影像建立索引影 像，并進(jìn)行影像匹配，以剔除匹配粗差；提取影像匹配成功的所述傾斜影像的特征點，并進(jìn) 行特征點匹配；對兩兩所述傾斜影像進(jìn)行匹配，獲得兩兩影像的特征點匹配對，對傾斜影像 進(jìn)行轉(zhuǎn)點，在與所述特征點相關(guān)的所有傾斜影像中，利用單應(yīng)矩陣重新搜索匹配對應(yīng)的同 名點；選取一傾斜影像為基準(zhǔn)影像，根據(jù)所述傾斜影像間的單應(yīng)矩陣，進(jìn)行基于像方的多點 最小二乘法匹配，以獲取幾何畸變參數(shù)的修正值，根據(jù)所述幾何畸變參數(shù)計算所述傾斜影 像上的最佳匹配同名點。
【文檔編號】G06T7/00GK104392457SQ201410764507
【公開日】2015年3月4日 申請日期:2014年12月11日 優(yōu)先權(quán)日:2014年12月11日
【發(fā)明者】李健 申請人:中國測繪科學(xué)研究院, 北京四維遠(yuǎn)見信息技術(shù)有限公司