[發(fā)明專利]一種語義與結(jié)構(gòu)信息雙約束的傾斜影像特征點(diǎn)過濾方法

有效

• 申請?zhí)枺?/td>: 202110296168.1
• 申請日: 2021-03-19
• 公開（公告）號: CN112966633B
• 公開（公告）日: 2021-10-01
• 發(fā)明（設(shè)計(jì)）人: 殷勇;劉振東;肖學(xué)福;張揚(yáng)奇;王飛;李成名;洪志遠(yuǎn);潘璠;吳會博;張偉奇;李波
• 申請（專利權(quán)）人: 中國測繪科學(xué)研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/46;G06K9/62
• 代理公司: 北京睿智保誠專利代理事務(wù)所(普通合伙) 11732
• 代理人: 龍濤

本發(fā)明公開了一種語義與結(jié)構(gòu)信息雙約束的傾斜影像特征點(diǎn)過濾方法，涉及圖像處理領(lǐng)域。本發(fā)明包含以下步驟：植被區(qū)域識別和線特征提取：以可見光波段差異植被指數(shù)提取傾斜影像中的植被信息，同時(shí)以改進(jìn)的線探測算法計(jì)影像內(nèi)的地物線特征；特征點(diǎn)二元組分類模型：以植被區(qū)域識別結(jié)果作為特征點(diǎn)過濾的語義約束，以線特征識別結(jié)果作為特征點(diǎn)過濾的結(jié)構(gòu)約束，建立特征點(diǎn)分類模型，將特征點(diǎn)分為四類；特征點(diǎn)漸進(jìn)式選取算法：構(gòu)建高斯金字塔，確定特征點(diǎn)數(shù)量閾值，并以此閾值作為逼近條件，逐層遍歷高斯金字塔進(jìn)行特征點(diǎn)選取，直至符合數(shù)量閾值要求。本發(fā)明有效提高了特征點(diǎn)過濾質(zhì)量。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，更具體的說是涉及一種語義與結(jié)構(gòu)信息雙約束的傾斜影像特征點(diǎn)過濾方法。

背景技術(shù)

近年來，利用計(jì)算機(jī)視覺領(lǐng)域興起的運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)(ISFM，IncrementalStructure From Motion)方法實(shí)現(xiàn)傾斜攝影三維場景重建的研究受到了國內(nèi)外學(xué)者的廣泛關(guān)注，并形成了以特征匹配、空三平差、稠密構(gòu)網(wǎng)三個(gè)步驟為核心的重建過程。其中，特征匹配是基礎(chǔ)，通常采用SIFT(Scale-invariant feature transform)、SURF(Speeded UpRobust Features)等算法提取特征點(diǎn)，進(jìn)而由同名特征進(jìn)行匹配。然而，在大范圍傾斜攝影三維重建過程中，經(jīng)由上述算法提取的特征點(diǎn)，(1)數(shù)量多，單張影像包括上萬個(gè)甚至十幾萬個(gè)特征點(diǎn)，直接影響圖像匹配的效率，且容易導(dǎo)致空三失??；(2)質(zhì)量雜，特征點(diǎn)的質(zhì)量參差不齊，質(zhì)量較差的特征點(diǎn)降低了特征點(diǎn)的匹配率和后續(xù)的空三精度。因此，如何在特征匹配階段合理的選擇魯棒性強(qiáng)、穩(wěn)定性高的特征點(diǎn)對，即特征點(diǎn)過濾，從而加快匹配速度、提高匹配質(zhì)量，一直是該領(lǐng)域的研究難點(diǎn)問題。現(xiàn)有特征點(diǎn)過濾方法可以分為兩類：一類為基于全域單尺度的過濾方法(Cao et al.，2010；Hartmann et al.，2014；Yi et al.，2018)，一類為基于全域多尺度的過濾方法。前者以全域單尺度的特征點(diǎn)為研究對象，利用機(jī)器學(xué)習(xí)(如詞袋模型、詞匯樹、神經(jīng)網(wǎng)絡(luò)等)對特征點(diǎn)進(jìn)行分類與過濾，然而這類方法特征點(diǎn)過濾效果的優(yōu)劣依賴于樣本庫的質(zhì)量，且針對不同的場景，需建立對應(yīng)的樣本庫，不易操作且較為耗時(shí)，因此，在實(shí)際應(yīng)用中，更多的學(xué)者選擇了后者進(jìn)行特征點(diǎn)自動(dòng)過濾，即建立差分高斯金字塔，在全域多尺度上進(jìn)行特征點(diǎn)過濾。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供了一種語義與結(jié)構(gòu)信息雙約束的傾斜影像特征點(diǎn)過濾方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種語義與結(jié)構(gòu)信息雙約束的傾斜影像特征點(diǎn)過濾方法，包括以下步驟：

構(gòu)建高斯金字塔；確定特征點(diǎn)數(shù)量以及特征點(diǎn)數(shù)量閾值；基于可見光波段差異植被指數(shù)，識別植被區(qū)域并生成植被掩模圖，以線探測算法提取所述植被掩模圖的線特征掩模圖；所述植被掩模圖作為語義約束，所述線特征掩模圖作為結(jié)構(gòu)約束；利用所述植被掩模圖與所述線特征掩模圖，依據(jù)二元組分類模型將所述高斯金字塔中每層特征點(diǎn)分為三類；

沿所述高斯金字塔根據(jù)所述特征點(diǎn)數(shù)量、所屬高斯金字塔層次、所述語義約束、所述結(jié)構(gòu)約束進(jìn)行多層次遍歷，直至滿足閾值要求，得到所需特征點(diǎn)。

優(yōu)選的，所述線探測算法為將原始的線探測算法獲取的較為零散且不連續(xù)的直線段轉(zhuǎn)換為矢量數(shù)據(jù)，并構(gòu)建點(diǎn)-線拓?fù)?，進(jìn)行線段連接。

優(yōu)選的，根據(jù)所述可見光波段差異植被指數(shù)將影像分為第一區(qū)域和第二區(qū)域，通過判斷分類閾值CT與任一像素的可見光波段差異植被指數(shù)對所述像素進(jìn)行分類。

優(yōu)選的，所述特征點(diǎn)的選取有以下規(guī)則：