顾及纹理特征的航空影像自适应密集匹配方法

发布时间：2019-08-19 16:35

【摘要】：半全局匹配实质是在视差连续性假设下的离散优化方法。为克服视差断裂带影响,依赖一组参数控制视差不一致性。若参数过小,在平面内难以保证视差连续性,产生明显噪声,导致凹凸不平现象;若参数过大,将致使物体表面过于平滑,难以保留视差断裂等重要特征。为克服上述问题,本文提出了一种顾及纹理特征的自适应密集匹配方法:首先,检测影像纹理特征并定量表达纹理丰富性程度;其次,依据纹理丰富程度与视差差异存在正相关的规则知识,实现匹配参数依据纹理信息的自适应选择;最后,采用上述参数进行自适应的半全局匹配。通过ISPRS基准数据集和国产SWDC-5获取的倾斜影像进行试验分析证明,本文方法能够有效减少低纹理区域匹配噪声,同时更有效保留边缘特征。
【图文】：

匹配点,缺失,噪声,问题

基金（１５Ｉ０１）航空影像密集匹配点云，由于其具有色彩、纹理信息，并且点云密度高，已成为三维城市重建的重要数据源［１－２］。特别是随着半全局匹配算法（ｓｅｍｉ－ｇｌｏｂａｌｍａｔｃｈｉｎｇ，ＳＧＭ）［３］的出现与发展，ＳＧＭ以其高效、快速的特点，已被广泛用于商用摄影测量软件［４］。然而，影像密集匹配质量受物体遮挡、视差断裂、影像噪声、纹理缺乏以及光照条件不一致等因素影响，在实际应用中，，点云粗糙、缺漏、无法保留边缘线等现象明显［５－６］，如图１所示。图１密集匹配点云噪声及边缘缺失问题Ｆｉｇ．１Ｎｏｉｓｅａｎｄｌｏｓｓｅｓｏｆｅｄｇｅｐｒｏｂｌｅｍｓｏｆｐｏｉｎｔｃｌｏｕｄｆｒｏｍｄｅｎｓｅｍａｔｃｈｉｎｇ影像密集匹配主要包含４个主要步骤［５］：匹配代价计算、代价聚合、视差计算和视差优化。针对以上步骤，目前主要有两种不同的策略：①局部方法，其视差计算仅依赖于局部信息，因此为提高可靠性通常采用点、线等匹配基元进行多视影像匹配［６－１０］，其最终结果通常也呈现为准密集匹配（ｑｕａｓｉｄｅｎｓｅ）点；②全局方法［１１－１３］，在进行核线纠正之后，通过构建合适的能量函数，将密集匹配转化为在视差连续性约束下的离散优化问题，此策略不仅效率更高，且点云密度更大，Ｍｉｄｄｌｅｂｕｒｙ基准测试中性能较为优异的算法［１１，１３］均属于此类。通常全局优化问题可以通过马尔可夫随机场（Ｍａｒｋｏｖｒａｎｄｏｍｆｉｅｌｄ，ＭＲＦ）表达，ＭＲＦ中似然概率（ｌｉｋｅｌｉｈｏｏｄｔｅｒｍ）表达匹配代价的损失值，而先验概率（ｐｒｉ

影像,算法流程,纹理,匹配代价

法在纹理丰富程度与视差连续性变化存在相关性的知识约束下，首先，通过纹理检测算法定量表达影像纹理特征；其次，利用影像的纹理特性，建立纹理特征与匹配参数之间逐像素的对应关系，实现匹配参数的自适应选择；最后，依据上述影像相关的匹配参数，实现自适应的半全局匹配，同时降低低纹理区域点云噪声并保留边缘断裂特征。１方法１．１基本原理由于ＳＧＭ已被大量实际应用证明具有优于其他方法的匹配性能［４，１８］，因此本文也采用ＳＧＭ算法，并做出相应改进，本文提出方法的整体流程如图２所示。首先生成核线影像对，然后计算匹配代价并提取纹理信息，代价聚合过程中依据纹理信息自适应调整匹配参数，最后生成视差图。图２纹理感知ＳＧＭ算法流程Ｆｉｇ．２ＦｌｏｗｃｈａｒｔｏｆｔｈｅｔｅｘｔｕｒｅａｗａｒｅＳＧＭａｌｇｏｒｉｔｈｍ由于核线关系将同名点约束在同一直线上，因此影像匹配通常定义在视差空间之中，仅优化每个像素的视差值。实际应用中，预先对影像进行水平核线纠正，其整体算法效率较动态核线更高，因此本文预先对影像进行核线纠正处理［２１］。在代价计算中，由于ｃｅｎｓｕｓ变换也可近似看作是一种单像素的匹配代价，同时具有优异的匹配性能和计算效率，在与单像素代价的对比中也具有优异性能［２２］，被广泛应用于密集匹配算法当中［２３－２６］，因此本文采用９×７窗口内的ｃｅｎｓｕｓ变换作为匹配代价。具体实现中仅需存储对应核线影像的６４位ｃｅｎｓｕｓ编码，而作为匹配代价的汉明距离［２２］则可采用ＳＳＥ指令实时计算。ＳＧＭ采用了多路径动态规划方法，单个方向的聚合公式如下所示［３
【作者单位】：西南交通大学地球科学与环境工程学院;西南交通大学高速铁路运营安全空间信息技术国家地方联合工程实验室;深圳市数字城市工程研究中心;香港理工大学土地测量与地理资讯学系;香港中文大学太空与地球信息科学研究所;
【基金】：国家自然科学基金(41501421;41631174;61602392) 空间信息智能感知与服务深圳市重点实验室(深圳大学)开放基金测绘遥感信息工程国家重点实验室(武汉大学)基金(15I01)~~
【分类号】：TP391.41

【相似文献】