基于空间约束的神经网络影像匹配

张力; 沈未名; 张祖勋; 张剑清

美国《工程索引》（EI）核心期刊
美国《剑桥科学文摘》（CSA）收录期刊
荷兰斯高帕斯数据库（Scopus）收录期刊
英国INSPEC数据库（SA）收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于空间约束的神经网络影像匹配

张力, 沈未名, 张祖勋, 张剑清

文章导航 > 武汉大学学报 ( 信息科学版) > 2000 > 25(1): 55-59

张力, 沈未名, 张祖勋, 张剑清. 基于空间约束的神经网络影像匹配[J]. 武汉大学学报 ( 信息科学版), 2000, 25(1): 55-59.

引用本文:

张力, 沈未名, 张祖勋, 张剑清. 基于空间约束的神经网络影像匹配[J]. 武汉大学学报 ( 信息科学版), 2000, 25(1): 55-59.

ZHANG Li, SHEN Weiming, ZHANG Zuxun, ZHANG Jianqing. Neural Network Image Matching Based on Variable Weight Smooth Constraint[J]. Geomatics and Information Science of Wuhan University, 2000, 25(1): 55-59.

Citation:

ZHANG Li, SHEN Weiming, ZHANG Zuxun, ZHANG Jianqing. Neural Network Image Matching Based on Variable Weight Smooth Constraint[J]. Geomatics and Information Science of Wuhan University, 2000, 25(1): 55-59.

基于空间约束的神经网络影像匹配

1.
武汉测绘科技大学测绘遥感信息工程国家重点实验室, 武汉市珞喻路129号, 430079;
2.
武汉测绘科技大学多媒体网络通信工程研究所, 武汉市珞喻路129号, 430079

基金项目: 国家自然科学基金,编号49501015。

详细信息

作者简介:
张力,男,29岁,博士生。现主要从事数字摄影测量、从干涉雷达影像(InSAR)中自动生成数字高程模型的研究。代表成果:航空影像数字化测图实用系统研究;从星载干涉雷达影像中提取高程信息的研究。E-mail:VirtuoZo@iris4.wtusm.edu.cn

中图分类号: P231.5;TP391

Neural Network Image Matching Based on Variable Weight Smooth Constraint

1.
National Laboratory for Information Engineering in Surveying, Mapping and Remote Sensing, WTUSM, 129 Luoyu Road, Wuhan, China, 430079;
2.
, Institute of Multimedia and Network Communication Engineering, WTUSM, 129 Luoyu Road, Wuhan, China, 430079

摘要: 提出了一种可充分利用影像灰度信息和特征信息的基于视差变权空间连续性约束的整体影像匹配方法,并将其映射到 Hopfield网络,利用神经网络所固有的大规模并行处理能力,可以高速、可靠、高精度地完成影像匹配,并大大提高了复杂地形条件下影像匹配的可靠性。实验证明该算法具有一定的实用性。
- 整体影像匹配 /
- Hopfield神经网络模型 /
- 连续性约束
Abstract: This paper proposes a global image-matching algorithm based on variable weight smooth constraint. The traditional image-matching algorithm can be divided into area-based, feature-based and relational image-matching algorithm. The area-based image-matching algorithm could obtain accurate and dense disparity surface, but this kind of algorithm depends on the texture information of the images, so it always obtains poor results in Poor-texture areas of images. However the feature-based image-matching algorithm can obtain good results. So we should integrate both algorithms in the practical image-matching works. In the algorithm we integrate the area-based and feature-based image-matching algorithms by use of a well-defined objection function, by minimizing this function we get global image-matching algorithm based on variable weight smooth constraint. The algorithm evaluates smooth constraint and the discontinuance on linear feature. In poor texture area or texture area of the image, the weight of smooth constraint can vary based on the contents of image. In poor-textured area of the image, we impose stronger smooth constraint,and get the smooth disparity surface. Near the texture area, the strength of smooth constraint varies on the strength and orientation of the linear features. So it can correctly use the gray and feature information of image. Later we also give a direct mapping method between global image matching and Hopfield neural network. By comparing the energy function of Hopfield network with the so-called global compatible objection function,we get the bias input and the weight between neurons. So the image matching process can be completed efficiently, accurately and robustly because of the parallel processing of the Hopfield neural network. At the last portion of this paper,we provide some experimental results obtained by processing the practical image data including the images of rough terrain areas and the large-scale urban areas. The results show that the algorithm is effective.
- global image matching /
- Hopfield neural network /
- smooth constraint

[1]	门计林, 刘越岩, 张斌, 周繁. 多结构卷积神经网络特征级联的高分影像土地利用分类 . 武汉大学学报 ( 信息科学版), 2019, 44(12): 1841-1848. doi: 10.13203/j.whugis20180137
[2]	邓非, 李朋龙, 阚酉浔, 康俊华, 万方. 数字建筑模型整体投影真正射影像制作中的遮蔽检测方法 . 武汉大学学报 ( 信息科学版), 2017, 42(1): 97-102. doi: 10.13203/j.whugis20140660
[3]	刘炎炎, 叶世榕, 江鹏, 黄志华, 陈昊, 杜仲进. IGS事后精密星历产品不连续性分析及处理方法 . 武汉大学学报 ( 信息科学版), 2014, 39(10): 1174-1178.
[4]	施蓓琦, 刘春, 姚连璧, 陈能. 视觉皮层振荡神经网络在遥感影像分割中的应用 . 武汉大学学报 ( 信息科学版), 2011, 36(12): 1442-1446.
[5]	吴小波, 杨辽, 沈金祥, 王杰. 利用空间连续性进行高分辨率遥感影像道路提取 . 武汉大学学报 ( 信息科学版), 2011, 36(11): 1298-1301.
[6]	孙德勇, 李云梅, 王桥, 乐成峰. 利用高光谱数据估算太湖水体CDOM浓度的神经网络模型 . 武汉大学学报 ( 信息科学版), 2009, 34(7): 851-855.
[7]	吴柯, 牛瑞卿, 李平湘, 张良培. 基于模糊ARTMAP神经网络模型的遥感影像亚像元定位 . 武汉大学学报 ( 信息科学版), 2009, 34(3): 297-300.
[8]	李利伟, 马建文, 温奇. 双模态脉冲耦合神经网络高分辨率光学卫星影像分割 . 武汉大学学报 ( 信息科学版), 2008, 33(3): 322-325.
[9]	汤皓, 陈国兴. 基于GIS和神经网络模型的场地地震液化势风险评价 . 武汉大学学报 ( 信息科学版), 2007, 32(8): 727-730.
[10]	王树根, 王军利, 王爱萍. 基于整体变分模型的影像阴影检测算法研究 . 武汉大学学报 ( 信息科学版), 2006, 31(8): 663-666.
[11]	吕恒, 李新国, 曹凯. 基于BP神经网络模型的太湖悬浮物浓度遥感定量提取研究 . 武汉大学学报 ( 信息科学版), 2006, 31(8): 683-686.
[12]	王志国, 陈立, 刘玉成, 张春燕. 遗传算子对径流预报神经网络模型的影响 . 武汉大学学报 ( 信息科学版), 2005, 30(11): 1020-1024.
[13]	王新洲, 邓兴升. 大坝变形预报的模糊神经网络模型 . 武汉大学学报 ( 信息科学版), 2005, 30(7): 588-591.
[14]	焦利民, 刘耀林. 土地适宜性评价的模糊神经网络模型 . 武汉大学学报 ( 信息科学版), 2004, 29(6): 513-516.
[15]	张祖勋, 张剑清, 张力. 一种利用影像匹配的城区三维景观图生成途径 . 武汉大学学报 ( 信息科学版), 1999, 24(4): 283-289.
[16]	张力, 沈未名, 张祖勋, 张剑清. 基于约束满足神经网络的整体影像匹配 . 武汉大学学报 ( 信息科学版), 1999, 24(3): 216-219.
[17]	樊红, 张祖勋, 杜道生, 张剑清. 基于神经网络模型求取注记配置最优解 . 武汉大学学报 ( 信息科学版), 1998, 23(1): 32-35.
[18]	沈未名, 仇彤, 曾勇, 张华. 基于神经网络的矢量量化与遥感影像有失真压缩编码 . 武汉大学学报 ( 信息科学版), 1996, 21(2): 124-127.
[19]	沈未名, 张祖勋, 张剑清. 基于神经网络的影像匹配概率松弛算法 . 武汉大学学报 ( 信息科学版), 1996, 21(3): 247-251.
[20]	江芸, 李同文, 程青, 沈焕锋. 利用时空神经网络模型的长江经济带气温反演 . 武汉大学学报 ( 信息科学版), 0, 0(0): 0-0. doi: 10.13203/j.whugis20210192

点击查看大图

计量

文章访问数: 486
HTML全文浏览量: 37
PDF下载量: 185
被引次数: 0

基于空间约束的神经网络影像匹配

1. 武汉测绘科技大学测绘遥感信息工程国家重点实验室, 武汉市珞喻路129号, 430079;

2. 武汉测绘科技大学多媒体网络通信工程研究所, 武汉市珞喻路129号, 430079

基金项目: 国家自然科学基金,编号49501015。

作者简介:
张力,男,29岁,博士生。现主要从事数字摄影测量、从干涉雷达影像(InSAR)中自动生成数字高程模型的研究。代表成果:航空影像数字化测图实用系统研究;从星载干涉雷达影像中提取高程信息的研究。E-mail:VirtuoZo@iris4.wtusm.edu.cn

收稿日期: 1999-01-14
刊出日期: 2000-01-05

中图分类号: P231.5;TP391

关键词:

整体影像匹配 /

Hopfield神经网络模型 /

连续性约束

摘要: 提出了一种可充分利用影像灰度信息和特征信息的基于视差变权空间连续性约束的整体影像匹配方法,并将其映射到 Hopfield网络,利用神经网络所固有的大规模并行处理能力,可以高速、可靠、高精度地完成影像匹配,并大大提高了复杂地形条件下影像匹配的可靠性。实验证明该算法具有一定的实用性。

English Abstract

Neural Network Image Matching Based on Variable Weight Smooth Constraint

1. National Laboratory for Information Engineering in Surveying, Mapping and Remote Sensing, WTUSM, 129 Luoyu Road, Wuhan, China, 430079;

2. , Institute of Multimedia and Network Communication Engineering, WTUSM, 129 Luoyu Road, Wuhan, China, 430079

Received Date: 1999-01-14
Publish Date: 2000-01-05

Keywords:

Abstract: This paper proposes a global image-matching algorithm based on variable weight smooth constraint. The traditional image-matching algorithm can be divided into area-based, feature-based and relational image-matching algorithm. The area-based image-matching algorithm could obtain accurate and dense disparity surface, but this kind of algorithm depends on the texture information of the images, so it always obtains poor results in Poor-texture areas of images. However the feature-based image-matching algorithm can obtain good results. So we should integrate both algorithms in the practical image-matching works. In the algorithm we integrate the area-based and feature-based image-matching algorithms by use of a well-defined objection function, by minimizing this function we get global image-matching algorithm based on variable weight smooth constraint. The algorithm evaluates smooth constraint and the discontinuance on linear feature. In poor texture area or texture area of the image, the weight of smooth constraint can vary based on the contents of image. In poor-textured area of the image, we impose stronger smooth constraint,and get the smooth disparity surface. Near the texture area, the strength of smooth constraint varies on the strength and orientation of the linear features. So it can correctly use the gray and feature information of image. Later we also give a direct mapping method between global image matching and Hopfield neural network. By comparing the energy function of Hopfield network with the so-called global compatible objection function,we get the bias input and the weight between neurons. So the image matching process can be completed efficiently, accurately and robustly because of the parallel processing of the Hopfield neural network. At the last portion of this paper,we provide some experimental results obtained by processing the practical image data including the images of rough terrain areas and the large-scale urban areas. The results show that the algorithm is effective.

张力, 沈未名, 张祖勋, 张剑清. 基于空间约束的神经网络影像匹配[J]. 武汉大学学报 ( 信息科学版), 2000, 25(1): 55-59.

引用本文:

张力, 沈未名, 张祖勋, 张剑清. 基于空间约束的神经网络影像匹配[J]. 武汉大学学报 ( 信息科学版), 2000, 25(1): 55-59.

Citation: