一种可靠的高分辨率光学卫星遥感影像匹配方法

合集下载

使用影像匹配技术进行遥感图像配准的方法和工具

使用影像匹配技术进行遥感图像配准的方法和工具随着遥感技术的快速发展，遥感图像在地理信息系统、环境监测、农业生产等领域得到了广泛应用。

然而，由于受到各种因素的影响，遥感图像之间存在着位置、尺度、方向等差异，这就给图像分析和处理带来了一定的困难。

为了解决这个问题，人们研究出了遥感图像配准技术，其中影像匹配技术是其中一种常用的方法。

影像匹配是指将不同图像中相应位置的像素进行对齐和匹配，以实现图像间的准确对比和融合。

遥感图像的影像匹配技术通常分为两类：基于特征点的匹配和基于区域的匹配。

基于特征点的匹配方法是最常见和基础的一种匹配算法。

该方法通过提取图像中的特征点，比如角点、边缘等，然后计算特征点的描述子，再通过描述子的相似性进行匹配。

在匹配过程中，通常采用各种几何变换模型，如仿射变换、透视变换等，来描述图像间的差异。

该方法的优点是计算量较小、速度较快，能够对几乎所有类型的遥感图像进行匹配。

然而，由于特征点的提取和匹配过程中存在遮挡、光照变化等干扰因素，基于特征点的匹配方法往往存在一定的不准确性。

基于区域的匹配方法是一种相对于特征点匹配更为复杂的匹配方法。

该方法利用图像的颜色、纹理、形状等特征进行匹配，以提高匹配的准确性。

一种常用的基于区域的匹配算法是基于灰度共生矩阵（GLCM）的匹配算法。

GLCM是描述图像纹理特征的一种统计方法，通过计算图像灰度级邻域像素间的灰度共生矩阵，可以得到图像的纹理信息。

在匹配过程中，通过比较不同图像间的GLCM特征来确定最佳匹配区域。

虽然基于区域的匹配方法准确性较高，但其计算复杂度较高，处理时间较长，适用性也相对较差。

除了上述的匹配方法，还有一些专门用于影像匹配的工具和软件。

例如，ENVI、Erdas等商业软件都提供了图像配准的功能模块，可以方便地进行影像配准操作。

此外，还有一些开源软件，如OpenCV、SIFT等，也提供了图像配准的开发库和算法。

用户可以根据自己的需求选择合适的工具和软件来进行影像配准。

高分辨率光学卫星遥感影像高精度无地面控制精确处理的理论与方法

高分辨率光学卫星遥感影像高精度无地面控制精确处理的理论与方法龚健雅;王密;杨博【期刊名称】《测绘学报》【年(卷),期】2017(046)010【摘要】卫星影像全球无地面控制高精度几何定位是卫星摄影测量技术发展追求的主要目标,也是实现困难地区和境外地区测图的关键支撑技术.本文围绕我国国产遥感卫星的技术发展,详细论述了高分辨率光学卫星遥感影像高精度无地面控制几何定位的理论与方法,在天星地一体化全链路误差建模分析的基础上,提出了在轨几何定标理论与方法、稳态重成像几何处理模型与方法及大规模无地面控制区域网平差理论与方法.将本文方法应用于资源三号卫星影像的数据处理,试验结果满足1∶50 000测图精度,证明了理论和方法的正确性.【总页数】7页(P1255-1261)【作者】龚健雅;王密;杨博【作者单位】武汉大学遥感信息工程学院,湖北武汉430079;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;武汉大学计算机学院,湖北武汉430072;地球空间信息协同创新中心,湖北武汉430079【正文语种】中文【中图分类】P23【相关文献】1.基于四元数的高分辨率卫星遥感影像定位理论与方法研究 [J], 龚辉2.一种新的异源高分辨率光学卫星遥感影像自动匹配算法 [J], 戴激光;宋伟东;贾永红;张谦3.基于知识的中高分辨率光学卫星遥感影像桥梁目标识别研究 [J], 吴樊;王超;张红;张波;张维胜4.一种可靠的高分辨率光学卫星遥感影像匹配方法 [J], 戴激光;宋伟东;李建军5.基于深度学习的高分辨率光学卫星遥感影像建筑物变化检测方法 [J], 岳照溪;潘琛;郭功举因版权原因，仅展示原文概要，查看原文内容请购买。

2012年度国家科技奖励

１期
戴激光等：一种可靠的高分辨率光学卫星遥感影像匹配方法
如图５（ａ）、图６（ａ），其中红色点为初始匹配获取的同名点，绿色点为通过匹配传播获取的新的同名点对，从图中可以观察到通过匹配传播能够获取
贾永红，肖本林，等．利用线特征和ＳＩＦＴ点特征进行多源遥感影像配准［Ｊ］．武汉大学学报・信息科学版，［８３李芳芳，
２０１０，３５（２）：２３３－２３６．
李杏朝，吕江安．基于自适应尺度的遥感影像渐进配准口］．中国科学：信息科学，２０１１，４１（增刊）：５５ — ６５．［９］孙业超，
ｓｏｕｒｃｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ＆Ｇｅｏｓｃｉｅｎｃｅｓ，２００８（３４）：８３８ — ８４８．
［７］杨化超，张磊，姚国标，等．局部单应约束的高精度图像自动配准方法［Ｊ］．测绘学报，２０１２，４１（３）：４０１ — ４０８．
Ｌ，ＺＨＡＮＧＤＲ，Ｈ０ＬＤＥＮＥＪ．Ａｆａｓｔａｎｄｆｕｌｌｙａｕｔｏｍａｉｔｃｒｅｇｉｓｔｒａｉｔｏｎａｐｐｒｏａｃｈｂａｓｅｄｏｎｐｏｉｎｔｆｅａｔｕｒｅｓｆｏｒｍｕｌｔｉ－Ｅ６］ＹＵ

测绘技术中的卫星影像配准方法介绍

测绘技术中的卫星影像配准方法介绍随着卫星技术的迅猛发展，遥感影像在测绘领域发挥着重要的作用。

然而，由于卫星影像获取的时空特性，不同卫星获取的影像可能存在位置偏差，这给地理信息的提取和分析带来了困难。

因此，对卫星影像进行配准成为了重要的研究内容之一。

本文将介绍几种常见的卫星影像配准方法。

首先，最简单直接的配准方法是基于控制点的配准。

该方法通过选择并标记出图像中的一些地物特征点，并将这些特征点与地面真实坐标进行对应，从而计算出图像的位置偏差。

这种方法的优点是简单易行，但是需要准确且足够数量的控制点来确保配准精度。

此外，由于图像上地物特征点的选择和标记需要人工干预，所以该方法对操作人员的技术水平也有一定要求。

其次，基于区域匹配的配准方法被广泛应用于卫星影像配准。

该方法通过计算两幅影像中相似区域之间的相似度，从而自动找到位置偏差。

在实现过程中，可以利用直方图匹配、灰度共生矩阵等算法来度量影像间的相似度。

这种方法的优点是能够自动确定位置偏差，减轻了对操作人员的技术要求。

但是，该方法对影像中存在的噪声和图像变化较大的地区容易产生误匹配，因此在应用时需要进行后续处理，提高配准精度。

此外，基于特征点匹配的配准方法也是常见的一种方法。

该方法通过提取图像中的特征点，并通过计算特征点间的相似度来确定位置偏差。

常用的特征点包括角点、边缘点等。

在进行特征点提取时，可以利用SIFT（尺度不变特征变换）算法、SURF（加速稳健特征）算法等进行特征提取。

然后利用RANSAC（随机抽样一致）算法进行特征点匹配，并计算位置偏差。

特征点匹配方法具有较高的配准精度，而且对图像变化较大的区域也能较好地处理。

但是，该方法对图像中的纹理丰富和重复区域容易产生误匹配，并且算法的计算量较大。

最后，基于地形校正的配准方法也是一种常见的方法。

该方法通过引入数字高程模型（DEM），将三维地形信息与卫星影像进行配准。

在实现过程中，可以利用LPS（光学传感器定位系统）来获取影像的三维位置信息，然后将其与DEM进行相互匹配，从而得到位置偏差。

测绘技术中的遥感影像配准方法

测绘技术中的遥感影像配准方法引言遥感技术在测绘领域中扮演着重要的角色，它可以通过卫星、飞机等传感器获取地球表面的数据。

然而，由于不同传感器、不同时间获取的数据存在空间和时间上的差异，需要进行影像配准来融合和比较这些数据。

本文将介绍测绘技术中常用的遥感影像配准方法。

一、特征点匹配法特征点匹配法是一种常用的配准方法，也是最直观和简单的方法之一。

该方法基于图像中的特征点，通过将两幅影像中的对应特征点进行匹配，来实现影像的配准。

在这个过程中，可以采用特征描述子来提取特征点的信息，如SIFT（尺度不变特征变换）和SURF（加速稳健特征）等算法。

二、直接法直接法是一种比较常见的配准方法，它通过像素级的匹配来将两幅影像对齐。

这种方法的优点是简单直接，可以在不考虑图像特征的情况下完成配准，但由于像素匹配的计算量较大，所以在处理大尺寸影像时效率较低。

三、控制点法控制点法是一种基于地面控制点的配准方法。

它首先在待配准影像和参考影像中选择具有较好识别度的标志物作为控制点，然后通过测量这些控制点在两幅影像中的坐标，建立空间转换模型，进而实现影像的配准。

这种方法精度较高，适用于对地物变化较大的区域进行配准。

四、基于影像几何校正模型的配准方法利用影像几何校正模型进行配准是一种比较常见的方法，它主要根据空间变换模型进行配准。

常用的几何校正模型有平移、旋转、仿射和投影等。

通过对影像进行几何校正，可以将其与参考影像进行对比和融合，以获得更加准确和具有空间一致性的结果。

五、基于图像配准质量评估的方法在影像配准过程中，如何评估配准结果的质量是一个重要的问题。

一种常用的方法是计算影像配准后的残差误差，该误差越小，表示配准效果越好。

另外，可以利用图像质量评价指标，如峰值信噪比（PSNR）和结构相似性（SSIM）等指标来评估配准结果的质量。

六、配准精度与应用影像配准的精度对于后续的测绘应用具有重要影响。

在地图制图、城市规划、资源调查和环境监测等领域，高精度的影像配准可以提供准确的地理信息，为决策和规划提供支持。

遥感影像匹配算法的研究

遥感影像匹配算法的研究遥感技术是一种基于远距离、非接触地测量空间目标的科学和技术。

随着遥感技术的发展，遥感影像数据的获取变得更加方便快捷，然而图像匹配问题一直是遥感影像处理过程中的关键问题之一。

本文将对遥感影像匹配算法进行研究并提出一些优化方法。

一、遥感影像匹配算法概述图像匹配问题是指将两幅或多幅图像进行配准（校正）以使之尽可能地重叠，并且在不失真的情况下进行特征提取和目标识别等处理。

图像匹配技术是解决遥感影像处理中各种应用问题的关键所在。

传统遥感影像匹配算法主要包括特征提取、特征匹配和变换估算三个步骤。

其中，特征提取是指在影像中提取出遥感图片中有意义的信息，例如状态、位置、形状、颜色等。

特征匹配是指将两个或多个幅影像的特征点进行对应，以实现影像的配准。

变换估算则是根据配准后的特征点计算出影像间的平移、旋转、缩放、扭曲等变换参数，进而对影像进行矫正。

二、主流遥感影像匹配算法1. SIFT算法SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）算法由David Lowe在2004年提出，是一种常用的特征提取算法。

该算法可以在不受影像尺度和旋转角度影响的情况下检测出图片中的关键点，并抽取相应的特征描述子，然后通过对这些描述子的比较进行匹配并完成图像配准。

2. SURF算法SURF（Speeded-Up Robust Features，加速稳健特征）算法是SIFT算法的改进版本，由Herbert Bay等人在2006年提出。

该算法在降低计算复杂度和提高运算速度的同时，保持了SIFT算法的特征鲁棒性和不变性。

SURF算法主要是基于图像中的哈尔小波和高斯差分，提取出影像的关键点并构建亚像素精度的描述子，最终实现影像的配准。

3. ORB算法ORB（Oriented FAST and Rotated BRIEF，方向快速特征和旋转二值编码）算法是一种针对移动平台和嵌入式系统开发的高效特征提取算法，由Ethan Rublee等人于2011年提出。

卫星影像配准的技巧与算法选择

卫星影像配准的技巧与算法选择随着科技的发展，卫星影像在地理信息系统、环境监测、城市规划等领域中的应用越来越广泛。

然而，由于不同时间或不同卫星拍摄的影像间存在着位置误差，使得这些影像不能直接进行比较和分析。

因此，卫星影像配准就成为了一项必不可少的工作。

本文将介绍一些常用的卫星影像配准技巧，并探讨不同的算法选择。

一、影像预处理在进行卫星影像配准之前，首先需要对影像进行预处理。

预处理的目的是消除影像本身的噪声和减小影像的不稳定因素。

常见的预处理方法包括辐射校正、几何纠正和大气校正等。

1. 辐射校正辐射校正是指根据各种影像传感器的特性，对影像进行辐射定标，将原始数字值转换为辐射亮度值。

这样可以消除不同影像之间的亮度差异，为后续的配准工作提供准确的基础。

常用的辐射校正方法有直方图匹配法和多项式拟合法等。

2. 几何纠正几何纠正是指根据地面控制点的坐标信息，对影像进行几何定位，消除影像的几何畸变。

这样可以保证不同影像之间的几何关系一致，为后续的配准工作提供准确的基础。

常用的几何纠正方法有多项式函数拟合法和数字正射影像（DSM）校正等。

3. 大气校正大气校正是指消除大气对影像亮度的影响，以获得真实的地物反射率信息。

由于大气对影像像元的光的传播产生的散射和吸收会改变影像的亮度，因此需要进行大气校正。

常用的大气校正方法有大气点和重力中心法等。

二、配准方法在进行卫星影像配准时，常用的方法有特征点匹配法、图像匹配法和区域匹配法。

不同的方法适用于不同的影像类型和配准需求。

1. 特征点匹配法特征点匹配法是指通过找到图像中的一些具有唯一性和稳定性的特征点，计算其位置和描述符，以实现不同影像之间的匹配。

常用的特征点匹配方法有SIFT、SURF和ORB等。

由于特征点具有很强的鲁棒性和稳定性，在不同视角、不同光照条件和畸变情况下仍能保持匹配的准确性。

2. 图像匹配法图像匹配法是指通过对整个图像进行匹配，寻找最佳的相似变换参数，使得两幅影像在空间位置上最为一致。

高分辨率卫星遥感立体影像处理模型与算法

高分辨率卫星遥感立体影像处理模型与算法一、本文概述随着空间技术和遥感科学的迅猛发展，高分辨率卫星遥感已成为地球观测与资源管理的重要手段。

高分辨率卫星遥感立体影像，以其高空间分辨率、高光谱分辨率和高时间分辨率的优势，为地表特征提取、环境监测、城市规划等领域提供了丰富而准确的信息源。

如何高效、精确地处理这些立体影像，以充分发挥其应用潜力，是当前遥感领域面临的重要挑战。

本文旨在探讨高分辨率卫星遥感立体影像处理模型与算法。

本文将回顾高分辨率卫星遥感立体影像处理技术的发展历程，分析现有技术的优缺点。

接着，本文将重点介绍几种先进的处理模型与算法，包括基于深度学习的立体匹配算法、多源数据融合算法以及变化检测算法等。

这些算法不仅提高了影像处理的精度和效率，还拓宽了高分辨率卫星遥感的应用范围。

本文还将探讨高分辨率卫星遥感立体影像处理技术在实践中的应用案例，如城市规划、灾害监测、环境评估等，以展示这些技术的实际应用价值和潜力。

本文将对未来高分辨率卫星遥感立体影像处理技术的发展趋势进行展望，指出可能的研究方向和挑战，以期为相关领域的研究和实践提供参考。

本文将对高分辨率卫星遥感立体影像处理模型与算法进行全面而深入的探讨，旨在推动遥感科学技术的发展，为地球观测与资源管理提供更有效的技术支持。

二、高分辨率卫星遥感技术概述高分辨率卫星遥感技术是指利用卫星搭载的遥感设备获取地球表面的高清晰度图像和数据的技术。

这种技术在地理信息系统、城市规划、农业监测、环境保护、灾害评估和军事侦察等领域具有广泛的应用。

高分辨率卫星遥感技术的关键在于其搭载的传感器和数据处理算法。

传感器必须具备高空间分辨率、高光谱分辨率和高时间分辨率，以确保获取到的图像清晰、详细。

同时，数据处理算法需要能够从这些高分辨率图像中提取有用的信息，进行分类、识别和分析。

立体影像处理是高分辨率卫星遥感技术中的一个重要方面，它涉及到从不同角度获取的两幅或多幅图像中重建地面的三维模型。

遥感技术在测绘中的影像匹配方法

遥感技术在测绘中的影像匹配方法遥感技术是一种通过远距离获取和获取地球物体信息的技术手段。

在测绘领域，遥感技术被广泛应用于地图制作、地形分析和资源调查等方面。

其中，影像匹配是遥感技术中重要的一环，它通过对遥感影像进行准确的配准，使得不同时间或者不同源的影像能够互相重叠，因此具有重要的意义和应用价值。

影像匹配是指将两个或多个影像通过寻找各个影像之间的相同或相似的特征点，并利用这些特征点建立变换模型，将影像转换到同一坐标系下以实现重叠，从而完成准确的配准。

在影像匹配的过程中，有许多方法可以用于提取和匹配特征点，如几何特征匹配、密集光流法和SIFT等。

其中，SIFT（Scale-Invariant Feature Transform）是目前较为常用且常见的影像匹配方法之一。

SIFT是一种在计算机视觉领域常用的特征提取和描述算法。

它的基本思想是通过在影像中寻找并描述关键点，然后利用这些关键点在不同影像之间进行匹配。

SIFT算法有三个主要步骤：尺度空间极值检测、关键点定位和描述符的生成。

在尺度空间极值检测中，通过使用高斯差分函数来检测影像中不同尺度下的极值点。

接着，在关键点定位中，通过阈值筛选和边缘响应去除等方法来确定最稳定的关键点。

最后，在描述符的生成中，利用关键点周围的图像梯度来生成一个128维的向量表示，该向量能够保持关键点的尺度和旋转不变性。

此外，除了SIFT方法外，基于区域的匹配方法也是影像匹配中常用的一种方法。

该方法针对影像中大范围的区域进行匹配，以获取图像的全局特征。

基于区域的匹配方法主要基于相似性度量，通过计算不同区域的相似度来找到最佳匹配的位置。

这种方法特别适用于遥感影像中存在遮挡、相似和重复纹理结构的情况。

总的来说，影像匹配方法在测绘中有着重要的作用。

它能够解决不同时间或者不同源的影像在几何上的差异，从而实现不同时空条件下的影像对比和变化检测。

通过遥感影像匹配，我们能够更加准确和可靠地获取地表的信息，进一步提高地理信息系统（GIS）和遥感技术在测绘中的应用水平。

遥感影像配准方法探讨

科技信息2010年第7期SCIENCE&TECHNOLOGY INFORMATION遥感是目前为止能够提供全球范围的动态对地观测数据的惟一手段,其成像模式多种多样。

多源传感器影像的数据融合,可以产生出比单一信息源更精确、更完整、更可靠的影像信息。

在融合这些多源遥感影像数据时,必须先进行影像配准，经过适当配准的多传感器图像可以在像素级直接融合形成融合图像，然后在此基础上完成目标探测、特征提取和目标识别等处理。

图像配准广泛应用于航空航天技术、地理信息系统、图像镶嵌、图像融合、目标识别、虚拟现实等领域。

1图像配准的基本概念图像配准是指同一目标的两幅（或者两幅以上）图像在空间位置上的对准，图像配准的技术过程称为图像匹配。

影像匹配实质上是在两幅(或多幅)影像之间识别同名点,是计算机视觉及遥感数字图像制图的核心问题[1]。

对影像匹配可作如下数学描述[2]:若影像I1与I2中的像点O1与O2具有坐标P1=(x1,y1)、P2=(x2,y2)及特征属性f1与f2，即O1=(P1,f1)、O2=(P2,f2)。

其中f1与f2可以是P1与P2为中心的小影像窗口的灰度矩阵g1与g2,也可以是其他能够描述O1与O2的特征。

基于f1与f2定义某种测度m(f1,f2)。

所谓影像匹配就是建立一个映射函数M满足：P2=M(P1,T)、M(f1,f2)=max或min(O1∈I1,O2∈I2)。

其中T为描述映射M的参数矢量,测度m表示O1与O2的匹配程度,称为匹配测度。

基于不同的理论或不同的思想可以定义各种不同的匹配测度,因而形成了各种影像匹配方法及相应的实现算法。

2图像匹配的一般算法2.1基于图像灰度的匹配方法基于图像灰度的匹配方法的基本思想是：首先对待匹配图像做几何变换；然后根据灰度信息的统计特性定义一个目标函数，作为参考图像与变换图像之间的相似性度量，使得匹配参数在目标函数的极值处取得，并以此为匹配的判决准则和匹配参数最优化的目标函数，从而将匹配问题转化为多元函数的极值问题；最后通过一定的最优化方法求得正确的几何变换参数。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（ ① 辽宁工程技术大学测绘与地理科学学院，阜新１２３０００； ② 辽宁工程技术大学理学院，阜新１２３０００）
摘要：提出一种基于虚拟交点的高分辨率光学卫星遥感影像自动匹配方法。具体流程包括：（１）初始获取同名点，建立影像局部粗匹配模型；（２）利用同名点构建同名虚拟直线，通过同名虚拟直线形成同名虚拟交点集，并采用局部粗匹配模型进行约束；（３）对候选点集进行特征描述；（４）对特征点利用最小欧式距离准则提取初始同名
ＤＡＩＪｉ－ｇｕａｎｇ。，ＳＯＮＧＷｅｉ－ｄｏｎｇ０，ＬＩＪｉａｎ－ｊｕｎ０
（ ① ＳｃｈｏｏｌｏｆＧｅｏｍａｔｉｃｓ，ＬｉａｏｎｉｎｇＴｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｆｕｘｉｎ１２３０００ ② ＳｃｈｏｏｌｏｆＳｃｉｅｎｃｅ，ＬｉａｏｎｉｎｇＴｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｆｕｘｉｎ１２３０００）
Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｓａｍａｔｃｈｉｎｇｍｅｔｈｏｄｆｏｒｈｉｇｈｒｅｓｏｌｕｔｉｏｎｏｐｔｉｃａｌｓａｔｅｌｌｉｔｅｉｍａｇｅｓｂａｓｅｄｏｎｖｉｒｔｕａｌｃｏｒｎｅｒ．Ｆｉｒｓｔｌｙ，ｉｎｉｔｉａｌｍａｔｃｈｉｎｇａｒｅｐｒｏｐｏｓｅｄｔｏｅｘｔｒａｃｔｔｈｅｈｏｍｏｎｙｍｙｐｏｉｎｔｓｗｈｉｃｈｉｓｕｓｅｄｔｏｂｕｉｌｄｌｏｃａｌｉｍａｇｅｔｒａｎｓｆｏｒｍｍｏｄｅｌ；ｓｅｃｏｎｄｌｙ，ｖｉｒ —
第２８卷第１期
２０１３年２月
遥感信息
ＲｅｍｏｔｅＳｅｎｓｉｎｇＩｎｆｏｒｍａｔｉｏｎ
Ｖｏ１．２８，Ｎｏ．１Ｆｅｂ．。２Ｏ１３
一
种可靠的高分辨率光学卫星遥感影像匹配方法
戴激光①，宋伟东①，李建军②
中图分类号：ＴＰ７编号：１０００ —３１７７（２０１３）１２５ —０００３ —０５
ＡＲｅｌｉａｂｌｅＭａｔｃｈｉｎｇＡｐｐｒｏａｃｈｆｏｒＯｐｔｉｃａｌＨｉｇｌｌＲｅｓｏｌｕｔｉｏｎＳａｔｅｌｌｉｔｅＩｍａｇｅｓ
点；（５）采用ＲＡＮＳＡＣ算法和多项式拟合迭代法剔除误匹配点以获取最终的匹配结果。实验结果表明了本文通过虚拟交点提取同名点的算法，获取了更好的匹配效率和精度。
关键词：高分辨率光学卫星遥感影像；匹配；虚拟交点
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１Ｏ０Ｏ一３１７７．２０１３．０１．００１
ｔｕａｌｌｉｎｅｓａｒｅｂｕｉｌｔｂｙｔｈｅｈｏｍｏｎｙｍｙｐｏｉｎｔｓ，ｔｈｅｎｖｉｒｔｕａｌｃｏｒｎｅｒｓｄａｔａｓｅｔａｒｅｃｏｎｓｔｒｕｃｔｅｄｏｎｔｈｅｂａｓｉｓｏｆｖｉｒｔｕａｌｌｉｎｅｓｗｉｔｈｔｈｅｃｏｎｓｔｒａｉｎｔｏｆｌｏｃａｌｔｒａｎｓｆｏｒｍｍｏｄｅｌ；ｔｈｉｒｄｌｙ，ｆｅａｔｕｒｅｓｄｅｓｃｒｉｐｔｏｒｓａｒｅｐｅｒｆｏｒｍｅｄ；ｆｏｕｒｔｈｌｙ，ｔｈｅｍｉｎｉｍｕｍＥｕｃｌｉｄｅａｎｄｉｓｔａｎｃｅｃｒｉｔｅｒｉ — ｏｎｉｓｕｓｅｄｔｏｅｘｔｒａｃｔｔｈｅｉｎｉｔｉａｌｈｏｍｏｎｙｍｙｐｏｉｎｔｓ；ａｔｌａｓｔ，ＲＡＮＳＡＣａｎｄｉｔｅｒａｔｉｖｅｐｏｌｙｎｏｍｉａｌｅｒｒｏｒｃｈｅｃｋｅｒａｒｅｉｍｂｅｄｄｅｄｔｏｅｌｉｍｉ — ｎａｔｅｍｉｓｍａｔｃｈｉｎｇｐｏｉｎｔｓ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｖｅｒｉｆｙｔｈａｔｔｈｅｐｒｅｓｅｎｔｅｄａｌｇｏｒｉｔｈｍｗｉｔｈｖｉｒｔｕａｌｐｏｉｎｔｓｉｓｍｏｒｅｅｆｆｉｃｉｅｎｔｏｎｔｈｅ