文献《利用影像分割和匹配特征进行无人机影像变化检测》的阅读笔记

这篇文章的核心：基于匹配的特征点和分割的单元，以配准误差为缓冲半径进行相关运算，并提出了双向相关方法来抑制影像分割不一致对变化检测结果的影响。

影像配准与分割： （缺乏算法之间的实验对比）
影像配准：
影像配准：寻求两幅或多幅影像的像素点对应关系的过程。
配准的方法：1：基于影像灰度的配准方法；2：基于影像特征的配准方法。

基于影像灰度的配准方法（被淘汰）
定义：首先从参考图像中提取目标区作为配准的模板，然后用该模板在待配准图像中滑动，通过相似性度量(如相关系数法、差的平方和法、差的绝对值法、协方差法)来寻找最佳匹配点。
原因：由于无人机影像的倾角（上下）过大，会使得基于影像灰度的配准方法并不适用。

基于影像特征的配准方法：
定义：以图像中某些显著特征(点、线、区域)为配准基元，算法过程分为两步：特征提取和特征匹配。首先从两幅图像中提取灰度变化明显的点、线、区域等特征形成特征集。然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在对应关系的特征对选择出来。对于非特征像素点利用插值等方法作处理推算出对应匹配关系，从而实现两幅图像之间逐像素的配准。
方法分类：
1：Harris；
2：SIFT；
3：加速鲁棒性特征（SURF）算子；

SIFT特征：
定义：局部纹理信息的一种稳健的表达方式；
特点：在影像旋转、缩放、灰度变化时有较好的稳定性；

配准过程：
第一次配准：
Step1：提取SIFT特征；
Step2：初匹配（欧氏距离）；
Step3：去除误匹配点[随机抽样一致性（RANSAC）]；
Step4：利用正确的匹配点对，以第一幅影像为基准，对第二幅影像进行射影变换，并 重采样实现影像配准；
第二次配准：
重复第一次配准过程的前三步；

注：此次配准后的SIFT点在理论上，应该是一一对应的，依据此次匹配的同名点的点位残差，粗略估算影像配准的精度（目的：为配准的容差性提供依据）
点位残差：指实际观察值与估计值之间的差

影像分割：
定义：根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性
现状：变化检测的虚检多发生在边缘部分而影像分割能很好地将地物边缘信息提取出来形成一个对象
本文影像分割：
采取的分割方法：过分割；
途径：均值漂移算法
均值漂移算法的定义：一种基于非参数概率密度估计的统计迭代算法，它能将相同区域内所有点都快速收敛到聚类中心，从而完成影像分割。
注：均值漂移算法的带宽直接决定着分割区域所得到的最小区域。
带宽越大，越达不到分割效果；
带宽越小，越会产生很多细碎的分割区域，进而，越会增加后续变化检测的复杂度和计算量；