基于二阶空间一致约束的遥感图像模型估计方法

本发明涉及计算机视觉，具体涉及一种基于二阶空间一致约束的遥感图像模型估计方法。

背景技术：

1、遥感图像模型估计是通过在输入图像对之间提取的特征匹配对，并利用这些特征匹配对估计可靠几何模型。近年来，计算机视觉技术在各个领域都取得了巨大的进展，而模型估计作为计算机视觉中备受关注的领域之一，在许多应用中显得至关重要，广泛应用于遥感配准、运动分割、3d场景重建以及同步定位与地图构建等方向。

2、遥感图像模型估计的任务是，给定初始输入数据（即遥感图像的特征匹配对），利用算法判断出最有可能的内点子集，并通过该内点子集进行模型估计。现有的遥感图像模型估计算法可以大致地分为两类，即基于非参数的算法和基于参数的算法。基于非参数的算法通常利用基于例如空间一致性信息、运动一致性等几何先验的核函数来获取图像中的结构信息，区分内点和离群点。并使用获得的内点进行模型估计。而基于参数的算法通常以假设和验证方案运行，迭代地执行模型假设生成和模型验证步骤，直到获得良好的解决方案。

3、mtopkrp和logo是非参数的模型估计算法，通过设计指定函数来区别内点和离群点，并使用获得的内点进行模型估计。mtopkrp提出一种鲁棒点匹配算法，其基于同一物体或场景的两幅图像之间特征匹配的稳定相邻拓扑关系和多尺度的近邻关系，来去除离群点并鲁棒地估计遥感图像对之间的几何模型。logo采用局部拓扑一致性为准则确定初始集,以及应用基于参考点的局部仿射变换来确定邻域点的局部一致性和相似性分数，确保了包括复杂非刚性变换在内的各种场景的有效性和通用性。这种基于非参数的模型估计算法不需要事先对模型的参数进行假设，能够更好地适应不同类型的数据。但是通常需要更多的遥感图像数据来准确估计未知分布，因此在数据较少的情况下拟合的结果较差，较为依赖于初始数据的信息完整性。

4、tresac和ransac是属于参数的模型估计方法，通过遥感图像对之间的特征匹配对作为初始输入数据，以计算模型参数和模型估计。这些方法对该输入数据进行大量随机采样，以找到无离群点数据子集并生成模型假设。随后，通过不断迭代以上过程，直到获得一个最为接近真实结构的显著性模型，作为最终的结果。然而，这种现有的基于参数的模型估计方法存在一定的弊端，尤其是当遥感图像对中的输入数据中含有大量离群点时，它们的计算效率和估计准确度会受到很大影响。

技术实现思路

1、本发明的目的在于提供一种基于二阶空间一致约束的遥感图像模型估计方法，该方法可以提高遥感图像模型估计的准确性和鲁棒性。

2、为了实现上述目的，本发明采用的技术方案是：一种基于二阶空间一致约束的遥感图像模型估计方法，包括：

3、s1、对于遥感图像特征匹配对，获得满足二阶空间一致性关系的特征匹配对，通过二阶空间一致性来保持内点的局部几何关系；

4、s2、基于二阶空间一致性得分计算数据的采样权重，并根据得到的采样权重采样出无离群点的初始数据子集；

5、s3、基于二阶空间一致性得分建立新的迭代停止条件，更新数据子集，实现遥感图像模型估计。

6、进一步地，步骤s1中，首先计算出遥感图像特征匹配对的一阶空间兼容得分矩阵，通过一阈值将其转换成二值化矩阵；对于满足一阶空间一致性的特征匹配对，计算它们在全局关系中共同满足一阶空间一致性的特征匹配对数量，作为二阶空间的量化形式，得到满足二阶空间一致性关系的特征匹配对。

7、进一步地，将给定的来自一对遥感图像中的 n个特征匹配对作为输入数据，其中， x i和 y i分别对应遥感图像特征匹配对中的两个特征点；通过特征匹配对和的空间关系来计算特征匹配对之间的一阶空间兼容得分，进而判断最有可能的内点；对于特征匹配对 s i和 s j之间的一阶空间兼容得分定义如下：

8、    (1)

9、其中，和对应特征点的欧式距离， α作为高斯核函数的标准差，高斯核函数的标准差的取值范围在0到1之间变化，表示两个特征点之间的空间兼容性；

10、通过公式（1），基于一阶空间一致性约束，将输入数据 s以二进制的形式构建邻接矩阵，其中 a ij表示邻接矩阵 a中的一个元素，定义如下：

11、    (2)

12、其中， r为一设定阈值，当由公式（1）计算出各个特征匹配对的一阶空间兼容得分后，基于阈值 r对其进行判断；若满足 f( s i, s j)≥r，表示这两个特征匹配对满足一阶空间一致性，特征匹配对 s i和 s j在空间中互为近邻点，则在邻接矩阵 a中将其置为1，反之则置为0；且当 i= j时， a ij= 0；随后，基于邻接矩阵 a，通过以下公式（3）计算出各个特征匹配对之间的共有近邻点数量：

13、    (3)

14、其中， a t为 a的转置矩阵，邻接矩阵 m中的各个元素表示特征匹配对 s i和 s j的共有近邻点数量，即与 s i和 s j共同满足二阶空间一致性的特征匹配对的数量。

15、进一步地，步骤s2中，将输入数据 s经过公式（1）、（2）、（3）的计算后，得到邻接矩阵 m， m中的各个元素表示特征匹配 s i和 s j的共有近邻点数量；

16、以所述共有近邻点数量为二阶空间一致性得分，建立得分矩阵；基于该得分矩阵，对于对应于每个行向量，从中选取得分最高的前k项所对应的特征匹配对，得到无离群点的初始数据子集，用于进行鲁棒的模型估计。

17、进一步地，步骤s3的具体实现方法为：

18、s301、由采样得到的数据子集生成模型假设，并基于桑普森距离计算出输入数据和模型假设之间的残差；

19、s302、将计算出的残差值进行升序排序，然后根据排序后的残差值对所有输入数据进行对应排序，并从排序后的第 m个数据点往降序方向采样 h个数据点以构成一个最小数据子集，从而生成新的模型假设；

20、s303、引入二阶空间一致性得分建立新的迭代停止条件，按以上步骤进行迭代，当达到迭代停止条件时，停止迭代；新的迭代停止条件定义如下：

21、    (4)

22、其中， p( )为数据点的二阶空间一致性得分，为第次迭代模型假设中经过排序后的第 m个数据点所对应的特征匹配对；

23、根据该迭代停止条件，若数据子集的平均二阶空间一致性得分在最后三次的迭代中趋于稳定，则表示其三次迭代所采样的数据子集大概率属于同一模型假设，此时停止迭代；以生成的模型假设作为估计的模型。

24、与现有技术相比，本发明具有以下有益效果：本发明提供了一种基于二阶空间一致约束的遥感图像模型估计方法，该方法不仅考虑了特征的空间一致性，还在模型假设的生成过程中更加注重了离群点的去除；通过引入二阶空间一致性，该方法能够更精准地识别和处理离群点，从而提高模型估计的准确性和鲁棒性。本发明解决了现有遥感图像模型估计技术对离群点鲁棒性不强、以及为获得无离群点的最小数据子集而需进行大量采样和多次迭代的问题，有望在应对复杂场景和存在离群点的遥感图像数据情况下，取得更为优越的遥感图像模型估计性能。