[发明专利]多特征多级别的可见光全色与多光谱高精度配准方法

权利要求书

1.一种可见光全色图像与多光谱图像的配准方法，其特征在于，包括如下步骤：

步骤S1、对全色图像和多光谱图像进行多尺度分解，生成低分辨率的全色图像和多光谱图像；

步骤S2、在所述低分辨率图像对上提取、匹配SIFT特征并去除外点，利用匹配的SIFT特征对和迭代重加权最小二乘法得到初始变换模型；

步骤S3、在原始图像对上利用所述初始变换模型据提供的几何约束，进行基于图像块对的SIFT特征提取、匹配及外点去除，并在所有的SIFT特征对集合上选择最优的变换类型并利用迭代重加权最小二乘法求得变换参数；

步骤S4、根据所述变换模型对多光谱图像进行变换，得到变换后的多光谱图像。

2.如权利要求1所述的可见光全色图像与多光谱图像的配准方法，其特征在于，所述步骤S1包括：

步骤S11：若已知图像经纬度信息，根据经纬度信息取出全色图像和多光谱图像的重叠区域；若没有图像经纬度信息，利用两幅图像的整幅图像信息进行配准；

步骤S12：根据多光谱图像的尺寸确定多光谱图像的多尺度分解层数n₁，根据全色图像尺寸及其与多光谱图像的空间分辨率差异确定全色图像的多尺度分解层数n₂；

步骤S13：对全色图像和多光谱图像进行降采样，全色图像降采样倍数为多光谱图像降采样倍数为

3.如权利要求1所述的可见光全色图像与多光谱图像的配准方法，其特征在于，所述步骤S2包括：

S21、在低分辨率全色图像和低分辨率多光谱图像上分别提取SIFT特征，得到两个SIFT特征集合；

S22、基于SIFT特征描述向量的欧式距离和最近邻比值法对两个SIFT特征集合进行匹配：

S23、将低分辨率下的全色图像和多光谱图像之间的变换类型视为仿射变换，利用RANSAC算法去除外点，得到可信度高的SIFT特征对；

S24、利用所述可信度高的SIFT特征对通过迭代重加权最小二乘法求取仿射变换参数，所述仿射变换模型作为精配准步骤的初始变换模型。

4.如权利要求3所述的可见光全色图像与多光谱图像的配准方法，其特征在于，步骤S2的提取SIFT特征的步骤包括：

步骤S21’、构建图像的DOG金字塔；

步骤S22’、在DOG金字塔的每层上提取极值点，所谓极值点是指在局部邻域内D(x，y，kσ)取值最大的点；

步骤S23’、对于所提取的极值点，去除局部曲率不对称的极值点；

步骤S24’、计算SIFT特征的亚像素级别的空间位置、尺度，SIFT特征指的是保留下来的极值点；

步骤S25’、确定所述SIFT特征主方向，所谓主方向是指与以SIFT特征为中心的邻域内的梯度方向直方图的峰值对应的梯度方向；

步骤S26’、为SIFT特征构造描述向量，所谓描述向量是指用于刻画该SIFT特征周围图像块统计特征的、由梯度方向直方图构成的向量。

5.如权利要求3所述的可见光全色图像与多光谱图像的配准方法，其特征在于，所述步骤S2的迭代重加权最小二乘法求取初始变换参数的步骤包括：

步骤S21”、根据步骤S23的可信度高的SIFT特征对利用最小二乘法求得仿射变换模型θ^pq，采用ICP(Iterative Closest Point)方法通过前向匹配和后向后向匹配得到新的SIFT特征对；

步骤S22”、根据当前匹配的SIFT特征对利用迭代重加权最小二乘法重新估计前向和后向变换参数；通过ICP和参数估计的交替迭代，确定最优变换参数和最优的匹配；