matlab fk fv,圖像配准(Matlab)——高分1號寬幅數據GF1WFV為例

指南

本篇主要內容是如何用代碼實現GF1WFV遙感數據配准，同時也適用於其他類型的圖像校正，拼接。

本篇原理是surf自動特征提取，這個算法是SIFT的一種改進

配准效果用標准誤差RMSE進行定量化度量

展示如何批量配准圖像

完整代碼及部分GF1WFV數據下載見github

配准算法流程

1.計算SURF特征

2.提取特征描述子

3.匹配特征描述子

4.有效特征描述子在原圖中的對應位置

5.計算變換矩陣參數

6.配准

讀取圖像

data1=imread(file1);%參考圖像

data2=imread(file2);%待配准的圖像

1. 計算SURF特征

計算圖像的SURF特征，並返回SURF點對象

ptsOriginal = detectSURFFeatures(original,'MetricThreshold',MetricThreshold);

ptsDistorted = detectSURFFeatures(distorted,'MetricThreshold',MetricThreshold);

輸入參數：

- I–大小為MxN的灰度圖像矩陣

- ‘MetricThreshold’– 最強特征閾值默認值1000，減小閾值得到更多的斑點特征(blob feature)

‘NumOctaves’–層數(octaves)，默認值為3，要求至少大於等於1。層數增加，能夠發現更大的斑點。不同尺度圖像，適合的層數不同。例如50X50的圖像，層數不必過高小於等於2即可。

‘NumScaleLevels’–每一層需要計算的不同尺度數目。默認值4，此參數值越大，檢測斑點特征越多。

‘ROI’–感興趣的矩形區域，默認值[1,1,size(I,2),size(I,1)]。輸入是一個向量，表示從左上角的點(x,y)開始，大小為(width，height)的矩陣。

2. 提取特征描述子

提取參考圖像和待配准圖像的特征向量也被稱為描述(descriptors)，以及他們對應的坐標

[featuresOriginal, validPtsOriginal] = extractFeatures(original,ptsOriginal );

[featuresDistorted, validPtsDistorted] = extractFeatures(distorted,ptsDistorted );

輸出參數：

validPtsOriginal–輸出特征描述子featuresOriginal中，刪除一些在圖像區域外，太靠近邊界的匹配特征后剩余的有效特征。

3. 匹配特征描述子

返回兩個特征集中最類似特征的對應位置索引，返回矩陣大小Px2。P的大小和特征個數一致

indexPairs = matchFeatures(featuresOriginal, featuresDistorted);

4. 有效特征描述子在原圖中的對應位置

matchedOriginal = validPtsOriginal(indexPairs(:,1));

matchedDistorted = validPtsDistorted(indexPairs(:,2));

showMatchedFeatures(original(:,:,3:-1:1),distorted(:,:,3:-1:1),matchedOriginal,matchedDistorted);

title('Putatively matched points (including outliers)');

可以看到，此時得到的匹配特征描述子包含一些錯誤的點

5. 計算變換矩陣

[tform, inlierDistorted, inlierOriginal] = estimateGeometricTransform(matchedDistorted, matchedOriginal, 'affine');

輸入參數：

‘affine’是變換的類型，包括3種’similarity’,’affine’,’projective’

輸出參數：

tform是一個對象，tform.T是將待配准圖像和參考圖像配准的變換矩陣

inlierDistorted 是matchedDistorted中剔除了異常點后的匹配點。如下圖所示

6.配准

outputView = imref2d(size(original));

recovered = imwarp(ditorted,tform,'linear','OutputView',outputView);

輸入參數：

- ditorted 待配准的圖像

- tform 變換矩陣對象

- ‘linear’變換后的插值方法。包括’linear’,’nearest’,’cubic’

輸出參數：

-recovered 配准后的圖像

展示配准后的結果：

figure, imshowpair(original(:,:,1:3),recovered(:,:,1:3),'ColorChannels','red-cyan')

title([file2(1:8) ,' Adjusted in linear']);

6.批量配准圖像

file1='20160519cut.jp2';%參考圖像名稱

path='F:\多時相\高分1寬幅';

list=dir(fullfile([path '\*.jp2']));%文件下所有的圖像名稱

filenum=length(list);

j=1;

for i=1:filenum

file2=list(i).name;

[original,recovered]=register([path,'\',file1],[path,'\',file2]); figure, imshowpair(original(:,:,1:3),recovered(:,:,1:3),'ColorChannels','red-cyan') title([file2(1:8) ,' Adjusted in linear']); imwrite(recovered,[path,'\配准\',file2(1:8),'.png'],'bitdepth',16); end