【技术实现步骤摘要】
一种多/高光谱图像与LiDAR点云空间配准及性能评估方法
[0001]本专利技术属于数字图像处理领域,涉及多/高光谱图像与LiDAR点云空间配准,具体的说是一种优化多/高光谱图像与LiDAR点云配准效果的方法。
技术介绍
[0002]图像配准(Image Registration)是指在不同时段,对同一场景从不同视角使用相同或不同的传感器拍摄的有重叠区域的图像进行几何或者空间对准的过程。图像配准技术近年来迅猛发展,广泛用于医学、遥感、计算机视觉等领域。其同时也是图像融合、拼接和镶嵌必不可少的步骤。
[0003]在遥感勘测领域中,常用到多光谱图像(Multispectral Images)或者高光谱图像(Hyperspectral Images)来进行数据的处理和分析。所谓的多/高光谱图像,就是在光谱维度上进行了较细致的分割。多/高光谱图像不仅包含图像信息,而且其在光谱域上进行展开。因而多/高光谱图像不仅可得到图像上每个点的光谱数据,而且还包含任意一个谱段的影像信息。
[0004]激光雷达(LiDAR,Light Detection And Ranging)是一种集激光、全球定位系统(GPS,Global Position System)和惯性测量单元(IMU,Inertial Measurement Unit)三种技术于一身的系统,其主要是发射单波段激光束,根据回波信息,生成精确的点云(Point Cloud)数据以及数字高程模型(DEM,Digital Elevation Model)等衍生数据。相 ...
【技术保护点】
【技术特征摘要】
1.一种多/高光谱图像与LiDAR点云空间配准及性能评估方法,其特征在于:所述方法具体过程为:步骤一:分别对多/高光谱图像和激光雷达数据进行预处理;步骤二:采用基于多波段联合优化的非参数图像配准方法对所有波段多/高光谱图像与点云栅格图像同时进行配准;步骤三、对步骤二获得的配准结果进行性能评估。2.根据权利要求1所述一种多/高光谱图像与LiDAR点云空间配准及性能评估方法,其特征在于:所述步骤一中分别对多/高光谱图像和激光雷达数据进行预处理;具体过程为:对多/高光谱图像进行辐射校正、正射校正,得到校正后的多/高光谱图像;对激光雷达数据进行滤波处理,以及栅格化得到点云强度栅格图像;将校正后的多/高光谱图像和点云强度栅格图像的强度值映射至0
‑
255;记校正后的多/高光谱图像分辨率为res1,点云强度栅格图像分辨率为res2,且有res1<res2;对校正后的多/高光谱图像进行插值处理使校正后的多/高光谱图像分辨率res1与点云强度栅格图像分辨率res2相等;设置2
‑
D网格Ω,网格长为a,宽为b,网格大小为a
×
b,网格中每一格代表一个像素,网格中每一格的分辨率为res2;以网格Ω对校正后的多/高光谱图像进行采样,并将采样结果记为模板图像T
n
(n=1,2,...,N);其中,N为校正后的多/高光谱图像总的波段数,n代表第n个波段;以网格Ω对点云强度栅格图像进行采样,并将采样结果记为参考图像R;因均以Ω进行采样,故R与T
n
尺寸相同;将R与T
n
上某一点x赋值为灰度值R(x)以及T
n
(x)。3.根据权利要求2所述一种多/高光谱图像与LiDAR点云空间配准及性能评估方法,其特征在于:所述插值处理采用两点样条插值,设(x,y)为待求像素坐标,离(x,y)最近的一点为(i,j);设在此坐标平面上,点(x,y)的灰度值为f(x,y);插值处理结果f(x,y)的求解过程为:定义插值函数S(a)如下:式中,a为插值函数的距离变量;设点(x,y)的灰度值f(x,y)由下式求得:式中,(i,j)是待插值图像中离(x,y)最近的一点的坐标,u为x
‑
i,即为x方向距离差,v为y
‑
j,即为y方向距离差;A为y方向插值系数矩阵,B为待插值图像中点(i,j)附近的像素值矩阵;C为x方向插值系数矩阵。
4.根据权利要求3所述一种多/高光谱图像与LiDAR点云空间配准及性能评估方法,其特征在于:所述特征在于:所述特征在于:所述式中,S(v)是将y方向距离v带入插值函数S(a)得到的插值权重;S(u)是将x方向距离u带入插值函数S(a)得到的插值权重;f(i,j)是待插值图像中点(i,j)的像素值。5.根据权利要求4所述一种多/高光谱图像与LiDAR点云空间配准及性能评估方法,其特征在于:所述步骤二中采用基于多波段联合优化的非参数图像配准方法对所有波段多/高光谱图像与点云栅格图像同时进行配准;具体过程为:步骤二一、建立多波段联合优化的非参数图像配准的目标函数,对所有波段多/高光谱图像与点云栅格图像R进行基于多波段联合优化的非参数图像配准,配准过程建模为优化如下目标函数:如下目标函数:α>0式中,为基于多波段联合优化的非参数图像配准目标函数;M为总波段数,T
m
为第m波段的多/高光谱模板图像;β
m
为第m个波段目标函数的加权系数;D
m
为第m个波段多/高光谱模板图像T
m
与点云强度栅格图像R的相似性度量;为正则项;α为惩罚参数;步骤二二、采用优化算法对目标函数进行优化得到全局极小值,记作将作用到所有波段的多/高光谱图像上,实现多/高光谱模板图...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。