基于遥感图像信息特征的单调递增SSDA算法研究

论文摘要

图像配准就是将不同时间、不同传感器或不同条件下对同一景物获取的两幅或多幅图像，进行比较找到该组图像中的共有景物，或是根据已知模式到另一幅图中寻找相应的模式。为了提高系统匹配精度，减少匹配误差，消减噪声或者畸变等不良因素对匹配的影响，在图像匹配前必须对图像进行适当的预处理。本文第一步对遥感图像进行局部增强，突出特征，增强对比度；第二步对遥感图像分割，处理子图像，以此达到降低图像匹配难度的目的。灰度匹配只利用图像的灰度值这一特征匹配，算法实现较为简单、精度较高但同时也有计算量大的弊端；相比之下，特征匹配计算量较小，不易受噪声的影响，且特征匹配不易受到图像发生光照、形变、遮挡的影响，不足之处在于匹配质量常取决于特征提取的好坏。本文在详细阐述Moravec、Harris、SUSAN、SIFT四种经典算子的同时，通过实验仿真，分析并验证SIFT算子具备一定的优越性。SIFT算子对图像发生光照变化、旋转、缩放、加噪具有良好的适应性和准确性。本文在前人的基础上，提出一种基于遥感图像信息特征的单调递增SSDA算法。该算法提出两点改进：一是通过PCA-圆形结构SIFT算法提取图像特征角点，采用PCA-圆形结构，降低维数，优化计算；二是利用图像角点作为单调递增阈值序列SSDA算法匹配的基本像素点，利用遥感图像信息特征降低匹配计算量。两种匹配方法的结合，避免了单一方法的局限性。实验仿真表明，在多种条件下，本文算法与其他算法相比具有更优的匹配速度和准确率。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景和意义
• 1.2 图像匹配国内外研究现状
• 1.3 本文主要内容
• 第二章 图像匹配的基本原理与方法
• 2.1 图像匹配定义
• 2.2 图像匹配流程
• 2.2.1 图像匹配的关键要素
• 2.2.2 图像匹配流程
• 2.3 图像匹配的分类及性能要求
• 2.3.1 图像匹配的分类
• 2.3.2 图像匹配的性能要求
• 第三章 数字图像预处理方法概述
• 3.1 图像增强
• 3.1.1 灰度变换
• 3.1.2 直方图均衡化
• 3.1.3 滤波处理
• 3.2 图像分割
• 3.2.1 边缘检测算子
• 3.2.2 大津法
• 第四章 基于灰度信息的图像配准算法
• 4.1 交叉相关相似性度量函数 （Cross Correlation，CC）
• 4.2 交互信息相似性度量函数 （Mutual Information，MI）
• 4.3 序列相似性检测算法 （SSDA）
• 4.3.1 传统 SSDA 算法
• 4.3.2 单调递增阈值序列 SSDA 算法
• 第五章 基于特征的图像配准算法
• 5.1 Moravec 算法特征点提取
• 5.2 Harris 算法特征点提取
• 5.3 SUSAN 算法特征点提取
• 5.4 SIFT 算法特征点提取
• 5.4.1 传统 SIFT 特征提取算法
• 5.4.2 基于 PCA-圆形结构 SIFT 特征点的提取
• 第六章 算法流程以及实验仿真
• 6.1 本文算法遥感图像匹配流程图
• 6.2 实验仿真结果、分析
• 6.2.1 检测亮度对匹配的影响
• 6.2.2 检测旋转对匹配的影响
• 6.2.3 检测缩放对匹配的影响
• 6.2.4 检测噪声对匹配的影响
• 6.3 实验结果分析
• 第七章 总结与展望
• 7.1 论文主要研究内容
• 7.2 本课题需进一步研究的问题
• 参考文献
• 个人简历 在读期间发表的学术论文
• 致谢