主权项 |
一种基于词汇树分块聚类的无人机航拍图像匹配的方法,其特征在于步骤如下:步骤1:对航拍图像建立训练集,给每一张图像建立一个独立的ID<sub>i</sub>,提取图像的SIFT特征集合,将所有图像的特征构建特征集合Feat={Feat<sub>i</sub>};步骤2:利用K‑Means聚类方法对特征集合Feat={Feat<sub>i</sub>}建立有层次的L层聚类的聚类树,每一层的特征分为k类,节点数为<img file="FDA0000561818080000011.GIF" wi="419" he="145" />步骤3:计算每个ID<sub>i</sub>图像与聚类树中的每一个聚类中心节点F<sub>i</sub>的权值矩阵:<maths num="0001" id="cmaths0001"><math><![CDATA[<mfenced open='(' close=')'><mtable><mtr><mtd><msub><mi>w</mi><mn>1,1</mn></msub></mtd><mtd><msub><mi>w</mi><mn>2,1</mn></msub></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><msub><mi>w</mi><mrow><mi>t</mi><mo>,</mo><mn>1</mn></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>w</mi><mn>1,2</mn></msub></mtd><mtd><msub><mi>w</mi><mn>2,2</mn></msub></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><msub><mi>w</mi><mrow><mi>t</mi><mo>,</mo><mn>2</mn></mrow></msub></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mi>w</mi><mrow><mn>1</mn><mo>,</mo><mi>N</mi></mrow></msub></mtd><mtd><msub><mi>w</mi><mrow><mn>2</mn><mo>,</mo><mi>N</mi></mrow></msub></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><msub><mi>w</mi><mrow><mi>t</mi><mo>,</mo><mi>N</mi></mrow></msub></mtd></mtr></mtable></mfenced>]]></math><img file="FDA0000561818080000012.GIF" wi="480" he="323" /></maths>其中,<img file="FDA0000561818080000013.GIF" wi="374" he="146" />m<sub>j,i</sub>为聚类中心节点F<sub>j</sub>出现在图像ID<sub>i</sub>中的频数,N为训练集图像总数,n<sub>j</sub>表示节点包含图像总数,矩阵的每一行表示第i张图像对从1到t个聚类中心节点的相关度权值;步骤4:将无人机采集到的新的图像作为匹配图像ID,提取匹配图像ID的SIFT特征集合,计算匹配图像在聚类树中的权值向量q=[w<sub>1</sub>,w<sub>2</sub>,...,w<sub>t</sub>],<img file="FDA0000561818080000014.GIF" wi="337" he="144" />m<sub>j</sub>为匹配图像特征在聚类中心节点F<sub>j</sub>中出现的频数;对匹配图像的q逐行计算与训练集图像的ID<sub>i</sub>的2‑范数,用快速排序算法得到距离排名前20的图像形成待匹配图像集合{ID<sub>i</sub>};步骤5:对待匹配图像和匹配图像进行水平与竖直方向上降采样得到缩略图,在待匹配图像集{ID<sub>i</sub>}与匹配图像ID的缩略图尺度下,利用SIFT特征构建KD‑Tree,采用下式计算匹配图像与待匹配图像集合中的每个图像ID<sub>i</sub>的FLANN最近邻特征:<img file="FDA0000561818080000015.GIF" wi="287" he="149" />当图像对的特征的最近邻距离与次近邻的距离小于固定阈值时,匹配图像能够与待匹配图像匹配,对匹配缩略图像的已匹配的特征分别进行k‑means聚类,根据聚类类别对图像特征进行分块,利用下述规则得到匹配缩略图像上第i个聚类的图像块的四个方向的边界:<img file="FDA0000561818080000021.GIF" wi="507" he="408" />其中,x,y分别为第i个特征点的像素的位置,同时对待匹配缩略图像集合中的ID<sub>i</sub>进行分块,并映射到原始图像的尺度下;步骤6:对能够匹配的图像块在原始图像下构建KD‑Tree子树,按照步骤5的方法计算匹配图像ID与待匹配集合{ID<sub>i</sub>}每个元素间的特征匹配关系。 |