基于词汇树分块聚类的无人机航拍图像匹配的方法

摘要

本发明涉及一种基于词汇树分块聚类的无人机航拍图像匹配的方法，本发明首先以词汇树量化场景中的图像，将图像集中的海量特征建立层次聚类，实现快速的带匹配图像与海量图像集相似性的筛选。实现了快速的场景分类过程，避免了传统方法中逐帧匹配挑选带匹配图像集运算量。其次，该方法对于已经得到具有相似性的两帧图像，建立图像的缩略图并在缩略图下对图像进行粗匹配。随后利用聚类的方法将图像分块，是对由粗到细匹配思想的一次有效的尝试。此外，该发明针对无人机图像数据量大，图像分辨率高和图像重叠率低等数据特性，第一次提出适合无人机海量图像匹配的方法。从而，使得无人机图像匹配的精度和效率有效的提升。通过在PAMView:Providence Aerial MultiView Dataset数据库中航拍图像进行测试，验证了发明方法的有效性。

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_i，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_i}；步骤2：利用K‑Means聚类方法对特征集合Feat＝{Feat_i}建立有层次的L层聚类的聚类树,每一层的特征分为k类，节点数为步骤3：计算每个ID_i图像与聚类树中的每一个聚类中心节点F_i的权值矩阵：$\left(\begin{array}{cccc}{w}_{\mathrm{1,1}}& w_{\mathrm{2,1}}& ...& w_{t,1}\\ w_{\mathrm{1,2}}& w_{\mathrm{2,2}}& ...& w_{t,2}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ w_{1,N}& w_{2,N}& ...& w_{t,N}\end{array}\right)$其中，m_j,i为聚类中心节点F_j出现在图像ID_i中的频数，N为训练集图像总数，n_j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＝[w₁,w₂,...,w_t]，m_j为匹配图像特征在聚类中心节点F_j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_i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_i}；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_i}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_i的FLANN最近邻特征：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：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_i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_i}每个元素间的特征匹配关系。