Feature-Point Matching for Aerial and Ground Images by Exploiting Line Segment-Based Local-Region Constraints

人工智能 计算机视觉 匹配(统计) 航空影像 特征(语言学) 计算机科学 线段 基本事实 点(几何) 尺度不变特征变换 点集注册 直线(几何图形) 模式识别(心理学) 渲染(计算机图形) 失真(音乐) 地理 图像(数学) 数学 几何学 放大器 语言学 哲学 带宽(计算) 计算机网络 统计
作者
Min Chen,Tong Fang,Qing Zhu,Xuming Ge,Zhanhao Zhang,Xin Zhang
出处
期刊:Photogrammetric Engineering and Remote Sensing [American Society for Photogrammetry and Remote Sensing]
卷期号:87 (10): 767-780 被引量:4
标识
DOI:10.14358/pers.21-00022r2
摘要

In this study, we propose a feature-point matching method that is robust to viewpoint, scale, and illumination changes between aerial and ground images, to improve matching performance. First, a 3D rendering strategy is adopted to synthesize ground-view images from the 3D mesh model reconstructed from aerial images and overcome the global geometric distortion between aerial and ground images. We do not directly match feature points between the synthesized and ground images, but extract line-segment correspondences by designing a line-segment matching method that can adapt to the local geometric deformation, holes, and blurred textures on the synthesized image. Then, on the basis of the line-segment matches, local-region correspondences are constructed, and local regions on the synthesized image are propagated back to the original aerial images. Lastly, feature-point matching is performed between the aerial and ground images with the constraints of the local-region correspondences. Experimental results demonstrate that the proposed method can obtain more correct matches and higher matching precision than state-of-the-art methods. Specifically, the proposed method increases the average number of correct matches and average matching precision of the second-best method by more than five times and 40%, respectively.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
zhoushaoyun2000完成签到,获得积分10
刚刚
Majoe完成签到,获得积分10
2秒前
tomf完成签到,获得积分10
2秒前
majianzzu完成签到,获得积分10
3秒前
SQL完成签到 ,获得积分10
4秒前
曲聋五完成签到 ,获得积分10
4秒前
阿科完成签到 ,获得积分10
4秒前
4秒前
Watson发布了新的文献求助10
4秒前
ppppp完成签到,获得积分10
4秒前
稳重镜子完成签到,获得积分10
5秒前
5秒前
WWXWWX应助Ren采纳,获得10
5秒前
lalune完成签到,获得积分10
5秒前
清水涧完成签到,获得积分10
6秒前
科研通AI2S应助默默的巧荷采纳,获得20
6秒前
从容的盼晴完成签到,获得积分10
6秒前
6秒前
斯文败类应助taotao采纳,获得10
7秒前
知性的雅彤完成签到,获得积分10
7秒前
明理听云完成签到 ,获得积分10
8秒前
狂野的驳发布了新的文献求助10
8秒前
9秒前
城南完成签到,获得积分10
9秒前
guoguosky完成签到 ,获得积分10
9秒前
宓不尤发布了新的文献求助10
9秒前
WonderC完成签到 ,获得积分10
9秒前
舒心的水卉完成签到,获得积分10
10秒前
忘的澜完成签到,获得积分10
11秒前
李存发布了新的文献求助20
12秒前
Stewie发布了新的文献求助10
13秒前
ss完成签到,获得积分10
13秒前
虚心元绿发布了新的文献求助10
14秒前
奋进中的科研小菜鸟完成签到,获得积分20
14秒前
S.S.N完成签到 ,获得积分10
14秒前
无限的山水完成签到,获得积分10
14秒前
哟哟哟完成签到,获得积分10
15秒前
yulian完成签到,获得积分10
15秒前
Nara2021完成签到,获得积分10
15秒前
开朗安露完成签到,获得积分10
15秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 850
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3248973
求助须知:如何正确求助?哪些是违规求助? 2892360
关于积分的说明 8270969
捐赠科研通 2560642
什么是DOI,文献DOI怎么找? 1389143
科研通“疑难数据库(出版商)”最低求助积分说明 651004
邀请新用户注册赠送积分活动 627869