發(fā)布時(shí)間：2024-07-01 21:55

　　針對(duì)當(dāng)前無(wú)人機(jī)遙感圖像配準(zhǔn)算法普遍存在匹配精度差與配準(zhǔn)速度慢等問(wèn)題,該文以點(diǎn)特征檢測(cè)方法為基礎(chǔ),結(jié)合矩陣降維處理方法,提出一種適用于農(nóng)業(yè)航空遙感圖像配準(zhǔn)的改進(jìn)算法—SNS(scale-invariantfeaturetransformand singularvaluedecomposition)算法。SNS算法以高斯函數(shù)同步檢測(cè)尺度空間極值點(diǎn)的坐標(biāo)和特征尺度,利用海森矩陣消除偽特征點(diǎn),獲取特征點(diǎn)精準(zhǔn)定位,在求取特征點(diǎn)的模值與方向基礎(chǔ)上,采用奇異值分解方法進(jìn)行矩陣優(yōu)化,實(shí)現(xiàn)數(shù)據(jù)降維再重構(gòu)。試驗(yàn)結(jié)果表明,SNS算法與經(jīng)典算法相比,配準(zhǔn)速度平均提高5.01%,配準(zhǔn)精度均方根誤差平均降低10.48%,說(shuō)明SNS算法在壓縮數(shù)據(jù)量的同時(shí),提高了整體配準(zhǔn)精度,具有配準(zhǔn)速度較快和魯棒性較好的特點(diǎn)。研究結(jié)果可為農(nóng)業(yè)航空遙感圖像快速配準(zhǔn)提供參考。

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1SNS算法及其圖像配準(zhǔn)流程

SNS算法流程圖如圖1a所示，其中圖像配準(zhǔn)是整個(gè)算法的核心關(guān)鍵模塊，采用與SIFT算法相類似的點(diǎn)特征檢測(cè)方法，具體流程如圖1b所示。1.2點(diǎn)特征檢測(cè)算法改進(jìn)

圖4多幅遙感圖像配準(zhǔn)效果圖

圖4a為待配準(zhǔn)試驗(yàn)圖像數(shù)據(jù)集；圖4b為SIFT算法配準(zhǔn)效果圖，分辨率為1282×3116；圖4c為SNS算法配準(zhǔn)效果圖，分辨率為1337×2949。試驗(yàn)結(jié)果表明，SNS算法的總配準(zhǔn)時(shí)間相較于SIFT算法減少了10.34%，表明本次試驗(yàn)中SNS算法的配準(zhǔn)處理效率和速度明顯優(yōu)....

圖2不同仿射變換的待配準(zhǔn)圖像

為進(jìn)行SNS算法與3種經(jīng)典配準(zhǔn)算法（SIFT、SURF[24]和Harris[25]）的性能比較，進(jìn)行不同仿射變換圖像的配準(zhǔn)試驗(yàn)（圖2）。試驗(yàn)硬件環(huán)境為：CPU為IntelCorei5-7200U2.50GHz，內(nèi)存12GB，顯存2GB，操作系統(tǒng)為Windows10，編....

圖3不同算法的參考圖像與6種仿射變換圖像的配準(zhǔn)效果

圖3e～3g是參考圖像與尺度縮小圖的配準(zhǔn)效果，根據(jù)表1及表2的第2列數(shù)據(jù)可知，在尺度縮小情況下，SNS算法的配準(zhǔn)速度比SIFT算法提高4.12%,SIFT算法的配準(zhǔn)效果優(yōu)于SNS算法13.32%。這是因?yàn)樵诔叨瓤s小圖中，SIFT特征點(diǎn)檢測(cè)法檢測(cè)的特征點(diǎn)數(shù)量比原圖少，可用于配準(zhǔn)的特....

本文編號(hào)：3999241