多源图像特征匹配与风筝识别的创新方法

### 多源图像特征匹配与风筝识别的创新方法 在图像匹配和考古结构识别领域，不断有新的方法和技术涌现，以解决传统方法面临的挑战。本文将介绍两种不同但都具有创新性的方法，一种是用于多源图像特征对应细化的超图匹配框架，另一种是借助图匹配进行风筝识别的方法。 #### 多源图像特征对应细化的超图匹配框架 为了结合基于特征的匹配方法和基于结构的匹配方法的优点，提出了一种超图匹配框架。该框架的核心在于联合考虑特征相似性和空间特征布局，以提高多源图像特征匹配的准确性和效率。 ##### 特征提取与初始匹配 首先，使用共享的特征提取算法（如SIFT）从多源图像中提取特征点。然后，通过计算特征点对之间的点积的反余弦值来衡量它们的相似度，将反余弦值最小的特征对视为理想的对应关系，从而得到初始的基于特征的匹配结果。 ```mermaid graph LR A[多源图像] --> B[特征提取（SIFT）] B --> C[计算特征相似度] C --> D[初始特征匹配结果] ``` ##### 基于粗特征对应关系的超图匹配 根据初始匹配结果，分别在目标图像和参考图像中选取特征点，构建统一的超图HGt和HGr。超图的顶点代表特征点，超边的权重衡量顶点之间的空间关系。通过计算邻接张量A和B的元素值来表示超边的权重。 基于HGt和HGr，建立关联超图HG，其顶点代表多源图像之间可能的匹配对，超边的权重衡量潜在对应关系的相似度。邻接张量S的元素Si,j,k定义为： \[ S_{i,j,k} = \exp\left[-\frac{\|a_{i,j,k} - b_{i,j,k}\|_2^2}{\sigma}\right] \] 其中，\(\sigma\)是缩放参数。Si,j,k表征了HGt和HGr中对应超边的相似度以及两个超图之间的结构一致性。 ##### 特征匹配结果的结构细化 将基于特征的匹配结果进行结构细化的任务转化为从关联超图HG的邻接张量S所张成的子空间中的紧密簇中去除异常值（即错误匹配结果）。采用高阶主导聚类分析（HO - DCA）方法来去除异常值。 定义列向量x记录匹配得分，其第n个元素xn表示潜在匹配对{pn, qn}的结构一致性程度。通过求解约束优化问题： \[ \hat{x} = \arg\max_{x} \sum_{i=1}^{M} \sum_{j=1}^{M} \sum_{k=1}^{M} S_{i,j,k} \prod_{n=i,j,k} x_n \] 约束条件为\(\forall n, x_n \geq 0\)且\(\sum_{i=1}^{M} x_i = 1\)。 使用迭代公式： \[ x_i(t + 1) = x_i(t) \frac{\sum_{j=1}^{M} \sum_{k=1}^{M} S_{i,j,k} \prod_{n=j,k} x_n(t)}{\sum_{i=1}^{M} \sum_{j=1}^{M} \sum_{k=1}^{M} S_{i,j,k} \prod_{n=i,j,k} x_n(t)} \] 更新得分向量x，直到收敛。收敛时，得分向量x的非零元素对应正确的匹配。 ##### 计算复杂度分析 与现有超图匹配策略相比，该框架建立的关联超图顶点数量更少，超边数量也更少，计算复杂度为O(NK)，而现有策略通常需要O((NK)²)的计算复杂度。这是因为基于特征的匹配建立了HGt和HGr之间的粗对应关系，大大减少了可能匹配对的枚举。 ##### 实验验证 使用RGB图像和近红外（NIR）图像作为多源图像进行实验。将目标图像保持原始大小，将参考图像调整为原始大小的80%。超图匹配方法有两个参数\(\sigma\)和\(\theta\)，分别用于缩放潜在三点匹配对之间