多模态图像之间存在显著的非线性强度差异,并且图像会因为噪声而退化,因此,多模态图像自动配准是一项具有挑战性的任务。为了解决这两个问题,本文提出一种多模态图像自动配准方法,该方法分为预配准和精配准两个阶段。在预配准阶段,通过...多模态图像之间存在显著的非线性强度差异,并且图像会因为噪声而退化,因此,多模态图像自动配准是一项具有挑战性的任务。为了解决这两个问题,本文提出一种多模态图像自动配准方法,该方法分为预配准和精配准两个阶段。在预配准阶段,通过改进SIFT算法来大致对齐多模态图像。在精配准阶段,首先,利用块Harris检测器在预配准后的参考图上提取均匀分布的特征点。然后,通过各向异性结构张量捕捉多模态图像中的结构信息来构建特征描述符,该特征描述符对噪声具有稳健性。更进一步,本文结合张量方向平行度和梯度互信息提出了一种相似度准则(tensor orientation and mutual information,TOMI)。最后,本文用多种模态图像(包括Optical,LiDAR,SAR和Map)来评估提出的方法。试验结果表明,本文提出的方法对非线性强度变化和噪声具有较好的稳健性,并且匹配效果优越。展开更多
文摘多模态图像之间存在显著的非线性强度差异,并且图像会因为噪声而退化,因此,多模态图像自动配准是一项具有挑战性的任务。为了解决这两个问题,本文提出一种多模态图像自动配准方法,该方法分为预配准和精配准两个阶段。在预配准阶段,通过改进SIFT算法来大致对齐多模态图像。在精配准阶段,首先,利用块Harris检测器在预配准后的参考图上提取均匀分布的特征点。然后,通过各向异性结构张量捕捉多模态图像中的结构信息来构建特征描述符,该特征描述符对噪声具有稳健性。更进一步,本文结合张量方向平行度和梯度互信息提出了一种相似度准则(tensor orientation and mutual information,TOMI)。最后,本文用多种模态图像(包括Optical,LiDAR,SAR和Map)来评估提出的方法。试验结果表明,本文提出的方法对非线性强度变化和噪声具有较好的稳健性,并且匹配效果优越。
