基于集成互补不变特征的多源遥感影像配准方法研究
全新正版 极速发货
￥ 57.24 6.4折 ￥ 89 全新
库存3件
广东广州
认证卖家担保交易快速发货售后保障
作者王晓华 著
出版社科学出版社
ISBN9787030520890
出版时间2017-04
装帧平装
开本16开
定价89元
货号1201528731
上书时间2024-11-20
商品详情
- 品相描述：全新
- 商品描述
-
目录
前言
第1章绪论
1.1研究背景
1.2图像配准研究的国内外现状
1.3基于特征的图像配准方法研究现状
1.4研究的目的和意义
1.5主要研究内容
1.6本章小结
第2章遥感图像预处理
2.1遥感图像预处理
2.2SAR影像预处理
2.3本章小结
第3章集成局部互补不变特征的提取与描述
3.1尺度空间构建
3.2局部不变特征提取
3.3高效特征提取算法
3.4图像局部不变特征描述
3.5图像局部不变特征匹配策略
3.6局部不变性特征提取算法的评估标准
3.7实验与分析
3.8本章小结
第4章集成局部互补不变特征的多源遥感图像配准
4.1Kd—树算法
4.2优化提取算法
4.3集成局部互补不变特征配准算法
4.4本章小结
第5章基于局部不变特征配准算法性能评价及应用
5.1配准Recall—Precision比较
5.2配准速度比较
5.3配准精度比较
5.4图像融合
5.5变化检测
5.6本章小结
第6章结论与展望
6.1结论
6.2展望
参考文献
彩图
内容摘要
王晓华著的《基于集成互补不变特征的多源遥感影像配准方法研究》以多源遥感图像配准为研究对象，全面分析了已有的局部不变特征提取和描述算法，匹配搜索策略以及匹配优化提取算法等影响图像配准的各种因素：探讨适用于多源遥感图像的具有互补不变的局部不变特征提取和描述算法。研究内容主要包括局部不变特征算法、局部不变特征描述、具有互补不变特征匹配算法、匹配的优化提纯等几个方面。
本书有关内容对遥感图像处理、模式识别、目标跟踪等具有一定的参考价值。本书可供从事遥感、测绘、模式识别等学科的科研工作者参考，也可供遥感、测绘、模式识别等专业的师生，尤其是研究生参考。
精彩内容
靠前章 绪论
遥感图像配准是遥感图像处理的关键步骤，其目的是将不同时间、不同波段或不同传感器得到的同一目标场景的两幅或两幅以上的图像进行叠加，从而为遥感图像的拼接、镶嵌和融合等做准备。经过配准的遥感图像可以除去或削弱基准图像和待配准图像之间由于外界因素影响所引起的空间几何畸变，很后获得具有几何一致性的两幅或两幅以上的图像。遥感图像配准是实现同一场景或目标的多幅遥感图像对比分析的基础，目前已经被广泛应用于各种变化检测、信息融合、图像镶嵌和天气预报等。本章将阐述研究遥感图像配准技术的背景和意义，并对图像配准的靠前研究现状及相关的基本知识进行介绍，指出本书的创新点。
1.1 研究背景
遥感是一种远距离、非接触式的目标探测技术与方法，作为一种综合性技术在20世纪60年代被提出。遥感是利用搭载在遥感平台上的传感器来接收从目标发射或辐射的电磁波信息，获得对目标定性与定量的描述（吕金建，2008）。使用的遥感平台主要有航摄飞机和航天遥感平台，传感器主要有红外传感器、多光谱传感器、CCD线阵列扫描仪及合成孔径雷达等。航空遥感很早被应用在军事方面，直到80年代后才逐渐被应用到地质、土木工程和农业等领域。随着传感器技术、航空航天技术，以及计算机技术的不断发展，遥感技术已进入实时、多平台、高分辨率、高光谱地提供各种对地观测数据的崭新阶段（朱述龙等，2006），具有广泛的应用前景。
遥感技术的很终目的就是从遥感图像中获得目标对象的信息并加以利用。随着计算机技术和数字图像处理技术的快速发展，从遥感图像中获取目标对象信息的数量和种类也不断增加。遥感图像的应用领域也同时获得了扩展。目前，全自动影像配准技术仍是遥感技术与计算机视觉领域共同研究的热点问题（姚国标等，2013）。在数字图像处理技术中，图像配准技术即可以被视为一个独立的图像处理研究方向，同时也是多种数字图像处理技术的基础，长期以来在其研究领域内受到广泛的关注，在相关领域的应用发挥着关键作用。对由各种传感器获得的多幅遥感图像进行处理的过程中，必须要对它们进行比较分析，如目标的变化检测、信息融合、目标跟踪和地物分类，以及三维重建等。在对这些多幅图像处理时，其前提条件是假设这些图像之间已经经过准确配准。但是，不同传感器特性是有一定差异的，且不同传感器搭载的平台也不相同，同时各个传感器进行观测获得信息的时间与空间也不相同，因此使不同传感器获得的同一观测目标的信息也位于不同的坐标系中。如果要综合利用这些目标的信息，就必须首先使它们变换到同一个坐标系中，在某些特殊情况下还需要进行辐射畸变的校正，即图像配准是利用遥感图像信息的基础，必须进行这步操作，从某种意义上可以说图像配准技术是图像处理的首要条件。
在早期，遥感图像配准方法均采用人工配准方法，即在拍摄场景中设置标志或人工选择控制点。随着计算机和遥感图像处理软件的发展，图像配准技术基本采用人工干预的半自动方式。但是随着遥感平台的日益增加，使获得的遥感数据量也呈几何级数增长，人工的方法已经远远不能满足遥感图像处理的需求。因此，自动、高精度的遥感图像配准技术成为迫切需求，寻找实时、高效的图像配准算法成为目前图像配准技术研究的一个难点和热点。
图像配准问题不仅在遥感图像处理领域是一个关键步骤，而且在计算机视觉、医学图像和模式识别等领域同样也是一个核心问题。对于已有的基于灰度的图像配准方法由于容易受外界条件的影响，而导致配准精度不高，因此人们研究提出基于特征的配准方法，这种方法可以服基于灰度图像配准方法的缺陷，提高配准精度。但是由于遥感图像数据量大，若使用对小数据量配准效率比较高的配准算法进行配准却不理想，因此为了获得高效、理想的遥感图像配准方法在遥感图像处理领域获得理想的配准效果，本书针对集成互补不变特征的遥感配准算法展开研究，以寻求高效率、高精度的遥感图像配准技术，具有重要的理论和实际意义。
1.2 图像配准研究的靠前外现状
图像配准是对同一场景从不同视角、用不同传感器获取的，有重叠区域的两幅影像进行几何配准的过程（李孚煜和叶发茂，2016），其很初的研究可以追溯到Roberts的工作中（Roberts，1963），他采用对齐多面体每条边的投影和图像的边缘识别预先定义的多面体进行配准。而两幅真正的图像间的配准问题首先出现在遥感应用中（Anuta，1969，1970）。此后图像配准技术被Mori等（1973）、Levine等（1973）和Nevatia（1976）等首先研究应用在机器视觉上。1979年才开始应用于生物医学上（Singh et al.，1979）。Pluim和Fitzpatrick（2003）曾对图像配准技术的研究发展历程做过调查，发现图像配准技术始于20世纪60年代，但是到80年代才引起学者们的关注，在这之前有关图像配准技术的文献很少。进入90年代后有关图像配准技术方面的文献才开始明显增加。而我国在图像配准领域（刘松涛和杨绍清，2007）的很早研究成果之一是罗小慧的博士学位论文《基于特征和灰度的影像配准方法》（罗小慧，1993）。由于1992年以前的图像配准方法由Brown进行过详细的综述，而从1992~2003年的图像配准方法被Zitova和Flusser进行过系统回顾，2003~2008年有关图像配准方法的发展文献由吕金建（2008）进行过详细统计，并对各国发展情况进行比较，指出这个阶段是图像配准技术发展很快的时期。因此，作者主要分析研究了2008年以后图像配准技术的发展情况。通过查阅IEEE、SCI、EI、ISTP、INSPEC、NTIS、PQDD等数据库，截止到2012年7 月，统计发现在短短的4年内图像配准技术得到了快速发展，图像配准技术的研究机构主要分布于美国、德国、英国、加拿大、法国，以及日本等国家，其中美国在该领域靠前于其他国家，其主要研究成果由各大学和NASA空间飞行中心等科研机构取得，如以Vanderbilt University的电子工程与计算机科学系的J.Michael Fitzpatrick教授为学术带头人的课题组对医学图像配准研究取得了大量成果；NASA空间飞行中心Jacqueline Le Moigne教授领导的课题组对遥感图像配准进行了深入研究。其余国家在图像配准方面的研究也取得了丰硕成果，如英国Derek L.G.Hill教授领导的课题组在医学图像配准方面取得大量的成果。在靠前有关图像配准方面的研究主要集中在北京理工大学、上海交通大学、首都医科大学等大学和中科院电子所等科研机构，其中有关遥感图像配准的研究主要集中在中科院电子所；医学图像配准研究主要集中在上海交通大学和首都医科大学；而北京理工大学主要研究多光谱图像配准技术。另外，还有武汉大学、华中科技大学和国防科技大学等其他从事图像配准研究的机构。
1.3 基于特征的图像配准方法研究现状
基于特征的图像配准方法是目前的主流方法，该方法主要是从两幅图像中提取具有局部不变的几何特征作为配准基元进行匹配，然后由匹配的特征对作为配准控制点。由于图像的几何特征比图像灰度稳定性强，这类方法已经成为目前图像配准研究的热点方向。但由于图像的内容与质量对特征提取结果具有重要的影响，目前大多数方法仅仅在研究者选用的图像上才能获得较好的结果。基于特征的图像配准方法的研究热点主要有局部不变特征检测和局部不变特征描述。其中，很常用的影像特征有局部区域、轮廓、边缘等，靳峰（2015）综述了靠前外相关的算法。
1.3.1 局部不变特征检测算子研究现状
局部不变特征检测已经被广泛应用到计算机视觉领域中，如图像配准、图像融合和物体跟踪，以及3D 重建和数字水印等，所有这些研究都是以提取局部不变特征为基础，目前在这些方面也已经取得很好的成果。
1. 点检测方法早在1954年就有关于局部不变特征和局部不变性特征检测的相关文献，Attneave曾提出有关高曲率的显著相关点的有关信息（Attneave，1954）。局部不变特征检测源于运动分析相关算法，关于角点检测很原始的算法由Moravec（1977）提出的，采用很小强度变化的局部极值以确定角点位置。这种算法的缺点是各向异性，在处理边缘区域时效果不理想，并且受噪声影响较大（Johnson and Hebert，1999）。为服这些缺点，Harris等提出Harris 角点检测算子（Harris and Stephens，1988），该检测算子至今仍被广泛应用，但是该检测算子的优选缺点是不能处理尺度缩放。此后，Linderberg 基于自动尺度选择理论（Linderberg，1998），采用Hessian 和Harris算法，在Laplace 算子构成的尺度空间中分别提取blob区域。在此基础上Linderberg 算法被Mikolajczyk 和Schmid（2004，2005）进行修正，从而提出更具鲁棒性的尺度不变检测算子，被称为Hessian-Laplace和Harris-Laplace。
常见的特征点检测方法主要有以下三种（邓宝松，2006）。
（1） 基于图像边缘和图像分割结果的检测方法。以边缘曲线的拐点及多条边缘曲线的交点为特征点。这种研究在早期存在时间较长。例如，Mokhtarian等很早用平面曲线拐点为特征点，此后又发展为在多尺度框架下给出曲率尺度空间（curvature scale space，CSS）表示法（Mokhtarian and Suomela，1998；Abbasi et al.，2000），但是，基于边缘的特征点检测方法有赖于边缘检测结果，而边缘检测也是一个没有获得较好解决的问题，尤其是在其拐点位置，几乎所有的边缘检测算法均会产生定位误差。
（2） 基于参数模型的特征点检测法（Rohr，1992）。该方法又称为特征模板法检测，即将所有待检测特征点邻域窗口与某种含参数的特征模板比较，利用自适应参数调整增加两者相关度，若两者相关度超过某一阈值则该窗口中心即被认为是特征点。该法的优点是定位精度高，但其缺点是每一个模板都要改变参数来适应各种可能发生的现象，计算较复杂。
（3） 基于图像亮度自身的自相关性检测法。这种方法是目前研究和应用较广的。
2. 线检测方法
相对于点特征，线特征也是图像中比较重要的描述符号，多数人工建筑物、主要道路及河流等都可以用直线来描述。线特征检测是场景分析、目标识别系统中很重要的一部分。线检测算子又称边缘检测算子，一般位于图像一阶微分的极值点或二阶微分过零点处，且大部分使用数字图像与边缘检测算子进行卷积来实现（周拥军，2007）。
3. 区域特征检测方法
区域特征常在卫星图像和航空图像中出现，如大片水域、森林、湖泊、建筑物及图像中的阴影等，区域检测一般采用分割法。
目前有关局部不变特征检测的各种算法已经比较成熟，如对点和边缘检测效果较好的Harris算子（Harris and Stephens，1988）、SUSAN算子（Smith and Brady，1997）、SIFT（scale invariant feature transform）算子（Lowe，2004）、Hessian-Laplace算子（Mikolajczyk and Schmid，2005）等，以及在此基础上的近似算子，即高斯差分（difference of Gaussian，DOG）算子（Viola and Jones，2001）、SURF算子（Lee et al.，2005）等；对区域检测效果较好的算子主要有MSER区域特征（Matas et al.，2004）、Harris-Affine 区域特征和Harris-Affine区域特征（Schlattmann，2006），以及基于显著性区域特征检测等。
1.3.2 局部不变特征描述子研究现状
图像局部不变特征检测之后，还要准确地
— 没有更多了 —
以下为对购买帮助不大的评价