快速抽样一致性(Fast Sample Consensus,FSC)介绍
基于2015年西电发表在TGARS上的一篇文章《A Novel Point-Matching Algorithm Based on Fast Sample Consensus for Image Registration》
为了消除不正确的对应关系,几何约束和空间信息是两种常用的方法。
随机抽样一致性(RANSAC)[12]是一种著名的鲁棒估计器,它在每次迭代中从一致性集合中随机选择一个样本,并找到最大的一致性集合来计算最终模型参数。许多配准方法使用RANSAC来计算模型参数或找到正确的对应关系。当异常值为少数时,RANSAC表现良好且稳健。当异常值占多数时,使用RANSAC将非常耗时。大多数方法考虑如何去除异常值,但很少有方法旨在增加正确匹配。
快速抽样一致性的步骤
构建对应关系。
C={c1,…ci,…cn}为暂定的对应集合,ci={
p
p
pi,
p
^
\widehat{p}
p
i},
p
p
pi为参考图像的坐标为(xi,yi)的特征点。
我们希望找到没有离群值的正确对应。但由于遥感图像处理过程中对应关系的正确率低,很难去除所有的异常值。许多方法利用RANSAC来获得稳健的结果,RANSAC算法选择样本并在同一数据集中找到最大的一致性,但直接对集合C利用RANSAC将耗时且不稳定。
FSC从集合C中提取正确匹配率高的子集Ch,然后在子集Ch中采样,并在集合C中找到最大一致性集合,从而提高算法的可靠性和效率。提取子集Ch的过程如下。
距离比dratio表示最近邻的距离与第二最近邻的距离之比。如果关键点的距离比很小,这意味着最近的特征比第二个最近的特征更靠近它,所以这个关键点和它的最近的特征很可能是正确的对应关系。因此,我们通常会找到距离比低于某个值(dratio)的关键点来构建对应关系。dratio越小,构建对应关系的条件就越苛刻。较小的dratio将导致较高的正确率和少量的正确匹配。相反,大的dratio将导致低正确率和大量正确匹配。
FSC设置了两个dratio参数dh和dl,dh是相对较小的值,Ch中的对应关系通过比率dh匹配,dl是相对较大的值,C中的对应关系通过比率dl匹配。Ch表示我们从中采样的样本集,C表示我们在其中找到最大一致集合的一致集。最大一致集中的对应关系通过其变换误差来判断。
总结其做法实际上就是:
1,在n对匹配点对中随机选取符合模型变换要求的点对数(例如仿射变换模型就随机选取3对点对)
2,利用随机选择的点对拟合模型,得到本次变换模型H
3,利用该变换模型H计算n个ref_point在sensed上的坐标,例如calculate_sen = H * ref_points
4,计算坐标误差diff = sen_points-ref_points,统计其中不超限的点对数目m
5,重复1-4并指定次数如500次,得到最大的点对数目m和对应的变换模型H