航空影像多视匹配方法研究

《航空影像多视匹配方法研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

航空影像多视匹配方法研究1绪论1.1选题的意义在当今信息社会中信息技术正深刻的改变着社会的各个方面。对信息的获取、加工、处理和应用已成为现代信息社会最基本、最重要的任务之一。随着计算机软硬件技术的迅速发展特别是计算机在计算速度、传输速度、存储容量等方面的极大提高和在各行各业的迅速普及计算机图像处理技术也迅速发展并广泛应用在信息社会中起到越来越重要的作用。人类所获得的70%以上的外界信息是来自眼睛摄取的图像。图像是人类获取视觉信息的主要途径。所谓“图”就是物体透射或者反射光的分布,“像”是人的视觉系统接收图的信息而在大脑中形成的印象或认识。前者是客观存在的后者是人的感觉图像是两者的结合。在许多场合中没有其他形式比图像所表达的信息更丰富和更真切。将图像技术和计算机技术结合在一起形成了数字图像处理与分析技术。数字图像处理与分析技术在不同领域的应用产生了不同的应用学科。目前已发展了多门相关的应用学科计算机视觉、机器人视觉、模式识别与人工智能、数字光学测量和数字摄影测量学等。数字图像处理与分析技术已经和计算机一样成为科学研究中的一种基本、通用的工具。图像匹配技术是计算机视觉中的一个关键技术很多应用领域都离不开数字图像的匹配技术。计算机所处理的是数字图像匹配技术就是如何利用数字图像处理技术来求解对应性的问题。1.2国内外发展现状图像匹配国内外研究现状图像匹配在近几十年来一直是人们研究的热点和难点最早的研究是在70年代美国从事飞行器辅助导航系统等军事应用研究中提出来的。经历了10多年的发展从80年代以后其应用逐步从原来单纯的军事应用扩大到其它领域。国内外现阶段对图像匹配研究主要是以提高匹配的精度和速度为主同时对匹配方法的通用性及可靠性也有一定要求。已研究比较多的匹配方法主要分为基于图像灰度的匹配方法和基于图像特征的匹配方法。第19页共19页

1基于灰度相关的图像匹配方法主要处理不存在旋转的匹配对象且已经提出了各种各样针对灰度匹配的方法如Leese于1971年提出的MAD算法BarneaDI和Silverman于1972年提出了序贯相似性检测法—SSDA紧接着又提出了归一化积相关算法—NC这些方法在时间复杂度或匹配精度上均存在一定问题不适应于实际的匹配应用。对各种匹配快速算法的研究主要是从尽可能减少匹配运算量或搜索的位置数这两个角度入手。后分别对MAD、NCC和SSDA等经典模板匹配算法进行改进以提高匹配速度将多个算法进行融合以提高匹配速度和准确度又提出新的匹配方法即基于图像灰度值编码的匹配方法较传统匹配算法在速度上提高了一个数量级但其仅适应于矩形匹配对象且对局部光照变化非常敏感从而影响匹配准确度。但在实际应用当中一般以不规则匹配对象居多且环境的光照变化也是非常不稳定因素因此算法设计过程中必须考虑这几个因素。典型的还有在搜索策略上进行改进的一系列方法分层搜索技术、遗传算法、最小二乘、模拟退火、能量最小、削减搜索分支、多子区域相关匹配等。匹配速度主要从两个方面来分析一方面分析在同样硬件环境下同样匹配精度和要求下比较所研究方法和其它方法的实际运算时间。另一方面分析算法进行算法时间复杂度的比较。由于基于灰度相关的图像匹配方法不能解决匹配对象存在旋转情况下的匹配问题所以继续研究基于特征的图像匹配方法主要是针对匹配对象存在旋转情况下的匹配方法。最早对旋转图像的匹配研究是遍历的旋转搜索法每旋转一个角度计算相关性或先估计一个旋转角度在这个估计角度范围内进行遍历搜索很显然该方法速度非常慢。Farhan第19页共19页

2Ullah提出了方向码方法利用图像方向码的直方图进行相关性比较其前提条件是己知道匹配图像的大致旋转角度如果是任意角度就将模板在360内任意可能角度旋转以后再跟待搜索图匹配速度很慢。1992年Tsai提出了圆投影匹配方法用一个圆环内的象素平均值进行匹配可降低噪声的影响。同时不变矩方法在图像珏配中的应用也十分广泛但其计算量大匹配速度慢不满足匹配的实时性要求。对旋转图像的研究重点是如何更有效地在原图像和变换后的图像中提取旋转、缩放、尺度变换等不变特征以提高匹配精度和匹配速度。常使用的特征包括边缘、区域、曲率、面积、线交叉点、质心等其中以边缘和区域边界最常用它们可由边缘检测方法和图像分割方法得到。从上述分析可知一方面匹配问题是研究热点另一方面也说明匹配问题仍然有许多技术难题没有解决且急需解决。在上千种算法中匹配问题在准确性、可靠性两方面几乎找不到通用的、一劳永逸的算法。1.3论文的内容与技术路线本论文主要针对影像的多匹配方法进行了探讨与研究，主要采用基于概率松弛的影像匹配还有基于物方面的最小二乘法多视影像匹配，主要讨论了这两种多视的计算方式、应用条件及常用范围。松弛法整体影像匹配通过局部松弛来选出匹配点和传递匹配点信息，通过影像金字塔上的多级匹配来实现整体匹配可靠性。松弛法匹配基于地形局部平滑原理，即在局部范围内地起伏较小(即左右视差可认为是平滑变化的)。对于每个参与匹配特征点，利用相似性测度，如相关系数的峰值，找出右片上可能的同名点作为候选匹配点。根据地形的平滑性，同名点应能获得较大的邻域支持，而错误的候选点的邻域支持较小。在松弛迭代过程中，正确的候选点的概率值在迭代中得到增加，错误的候选的概率值在迭代中不断减小。迭代若干次数后，正确的候选点概率值收敛1，错误的候选点收敛到O。从而得到正确匹配。在影像金字塔的顶部，分辨率降低，局部的相容性相当于原始分辨率影像上大范围的相容，保证了匹配可靠性。通过上层匹配的信息为下层匹配提供准确、可靠的近似值，可以减小匹配候选点搜索范围，加快匹配速度。本章结合双片核线影像介绍松弛法整体影像匹配的原理。然后介绍多视影像对匹配的改进。最后介绍一种基于物方面元的最小二乘影像匹配新方法。松弛法影像匹配的关键点是:.匹配点候选的生成.松弛邻域的结构.概率更新.收敛条件2匹配的基本原理第19页共19页

3图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。图像匹配主要可分为以灰度为基础的匹配和以特征为基础的匹配。2.1灰度匹配灰度匹配的基本思想:以统计的观点将图像看成是二维信号，采用统计相关的方法寻找信号间的相关匹配。利用两个信号的相关函数，评价它们的相似性以确定同名点。灰度匹配通过利用某种相似性度量，如相关函数、协方差函数、差平方和、差绝对值和等测度极值，判定两幅图像中的对应关系。最经典的灰度匹配法是归一化的灰度匹配法，其基本原理是逐像素的把一个以一定大小的实时图像窗口的灰度矩阵，与参考图像的所有可能的窗口灰度阵列，按某种相似性度量方法进行搜索比较的匹配方法，从理论上说就是采用图像相关技术。利用灰度信息匹配方法的主要缺陷是计算量太大，因为使用场合一般都有一定的速度要求，所以这些方法很少被使用。现在已经提出了一些相关的快速算法，如幅度排序相关算法，FFT相关算法和分层搜索的序列判断算法等。2.2特征匹配特征匹配是指通过分别提取两个或多个图像的特征（点、线、面等特征），对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法。基于特征的匹配所处理的图像一般包含的特征有颜色特征、纹理特征、形状特征、空间位置特征等。特征匹配首先对图像进行预处理来提取其高层次的特征，然后建立两幅图像之间特征的匹配对应关系，通常使用的特征基元有点特征、边缘特征和区域特征。第19页共19页

4特征匹配需要用到许多诸如矩阵的运算、梯度的求解、还有傅立叶变换和泰勒展开等数学运算。常用的特征提取与匹配方法有：统计方法、几何法、模型法、信号处理法、边界特征法、傅氏形状描述法、几何参数法、形状不变矩法等。基于图象特征的匹配方法可以克服利用图象灰度信息进行匹配的缺点，由于图象的特征点比较象素点要少很多，大大减少了匹配过程的计算量；同时特征点的匹配度量值对位置的变化比较敏感，可以大大提高匹配的精确程度；而且特征点的提取过程可以减少噪声的影响，对灰度变化，图象形变以及遮挡等都有较好的适应能力。所以基于图象特征的匹配在实际中的应用越来越广泛。所使用的特征基元有点特征(明显点，角点，边缘点等)边缘线段等。2.3两者之间的比较特征匹配与灰度匹配的区别：灰度匹配是基于像素的，特征匹配则是基于区域的，特征匹配在考虑像素灰度的同时还应考虑诸如空间整体特征、空间关系等因素。特征是图象内容最抽象的描述，与基于灰度的匹配方法相比，特征相对于几何图象和辐射度影响来说更不易变化，但特征提取方法的计算代价通常较大，并且需要一些自由参数和事先按照经验选取的阀值，因而不便于实时应用。同时，在纹理较少的图象区域提取的特征的密度通常比较稀少，使局部特征的提取比较困难。另外，基于特征的匹配方法的相似性度量也比较复杂，往往要以特征属性、启发式方法及阀方法的结合来确定度量方法。3基于概率松弛的影像匹配3.1双视松弛法影像匹配原理双视影像匹配一般是在核线影像上进行。如图3.1，在左片核线影像式建立一个一定间隔的规则格网。对每个格网点()设对应的像素坐标为()，松弛法匹配的算法可以描述如下:(l)按给定的窗口大小按式(3-1)在右片同名核线上的搜索范围内进行相关计算，得到左片格网点为中心的影像窗口与搜索区域内的每个像元为中心的影像窗口的相关系数。对于左片以(i，j)为中心的目标窗口，-个左右视差山确定了在右片上相应的搜索窗口。相关系数的计算公式为:(3-1)这里，几为左影像目标窗口(i，j)力处的像素值，为目标窗口的灰度均值；为右影像搜索窗口(i，j+)处的像素值，搜索窗口的灰度均值。(2)对搜索范围内的每个点进行扫描，记下大于给定阂值的相关系数的峰值点，作为匹配候选点(或称匹配假设)。(3)假设格网点()有n个候选匹配点。为方便起见，把格网点()用i表示，候选匹配用k表示，候选匹配个数用第19页共19页

5表示；i点的8邻域点用j表示，候选匹配用l表示。则第i点的第k个候选的概率为(3-2)这里，k=0时表示零匹配，零匹配的虚拟相关系数设为:在每个格网点的匹配候选生成后，按8邻域进行松弛迭代，不断修改每个候选的匹配概率，直到迭代收敛。从匹配点的唯一性和视差变化的平滑性等条件出发，利用Byaes原理可以得到概率松弛公式如下:(3-3)(3-4)(3-5)式中，为第i点第k个候选点第r次迭代的匹配概率，为第i点的第k个候选点与第j点第l个候选点的之间的相容系数，为左右视差较的函数是为相容系数的调整参数为松弛系数为第i点的邻域。第19页共19页

6图3.1双片核线影像图匹配图3.2多视候选匹配的搜索与验证3.2多视松弛法影像匹配3.2.1多视匹配的处理多视影像的像方松弛匹配采取与双片松弛匹配相似思路进行。主要的改变是同名点的搜索在原始影像上沿着核线进行。而式（3-5)中的视差第19页共19页

7用高差代替。因为在多视影像中，对于一个影像上的一点，对其它片都有核线存在，视差不再是表示同名点的唯一参数。这时，可以用（x，y，Z)代替（x，y，P)。因为同名点在物方空间的交会是唯一的，所以Z也是唯一的。多视影像的像方松弛匹配的目的就是要确定每个格网点上的高程。如图3.2，影像l上的点P在影像2，3，4上都可能存在匹配候选，但只有一个是正确的。这些候选，有的在所有片上都出现，有的可能只出现在某一些片。为了找出正确的候选，必须把各片所有可能候选都找到，同时还要保证一个高程上只有一个候选，否则会影响候选概率的更新。多视候选匹配的搜索与验证如果一个直线段的方向平行(或近似平行)于核线，则该线段上的点在该核线对上的相关系数会几乎相等，峰值将很不稳定。为了避免在与直线平行的核线上搜索匹配点，我们先计算待匹配点的梯度方向，如果梯度方向与核线垂直，则不在该核线上在搜索匹配候选点。多视影像匹配的一个优势就在于可以选择条件较好的影像来进行匹配候选的搜索。综上所述，候选匹配搜索过程总结如下:(1)对于待匹配影像上的每一待匹配点，计算该点的梯度方向(2)根据给定的高程范围()计算该点在物方空间的光束直线段。(3)在每个影像上(除本影像外)a)计算直线段凡PH在该影像上的投影(即核线段)b)在核线段pLPn上计算每个像点的相关系数c）寻找相关系数的峰值点d)对每一峰值点，按空间前交公式计算出空间坐标(X，Y,Z),并投影到其它片进行验证，即计算相关系数，如果相关系数大于给定阐值那么认为在该片上得到验证。e)把峰值点加入候选匹配队列。在加入前，先检查该点是否已经在队列中。假如不存在则加入。在进行多视验证时，考虑到投影误差一般会在投影点一定的半径内，可以取投影点周围一定半径内相关系数最大的点来进行判断。因此可以看出，每个候选匹配点的空间坐标是由前两个匹配影像上的像点计算的，其它的影像只起到验证的作用。这样多个影像的信息没有被充分利用。为了利用所有影像的信息，需要按多片最小二乘影像匹配求得唯一的坐标值。3.2.2由多视相关系数计算初始概率假设目标影像有m个匹配影像点。设目标影像点i在像片j上有第19页共19页

8个相关系数峰值点。假设按高程对不同视的候选同名点进行合并后，像点i总共有n个候选点，每个候选对应的高程则为，k=l，2，…，，n在像片j上的相关系数为，k=1,2，…，n。为了进行松弛优化计算，需要估计每个匹配假设的初始概率。可以考虑两种估算方法。一种是直接把每个候选点的多视相关系数加起来，除以所有候选点的相关系数的和，作为初始概率。(3-6)式中为影像j上零匹配的虚拟相关系数。另一种方法可以先独立考虑每个候选点在相应影像上的初始概率，然后通过概率公式，计算出多视候选的联合概率。首先独立考虑目标像片与匹配像片j(j=1，2，…，m)。按式（3-7），候选k的初始概率为:(3-7)零匹配的虚拟相关系数为:(3-8)联合考虑一个候选点在不同的影像上出现的情况，待匹配点i的初始联合概率可以从匹配事件发生的可能组合来计算。因为待匹配点i的高程不为及的条件是，在所有m个影像的候选匹配都是假的。因此，待匹配点P的高程为i的概率P()为:(3-9)待匹配点i零匹配的初始概率定为:(3-10)按式(3-9)、(3-10)计算出每个候选高程上的联合概率后，还需要进行规一化处理得到最后的初始概率。举例说明如下:设影像O上点P与影像1，2，3的候选匹配的相关系数和方法1第19页共19页

9估算的结果列于表3.1。按按式(3-9)、(3-10)计算得到联合概率列于表3.2。表3.1中没有清除很小的相关系数。从表中可以看出，两种方法计算的初始概率基本是一致的。表3.1第一种算法侯选点1234零匹配和影像10.600.310.800.890.102.70影像20.690.900.510.300.102.50影像30.600.400.190.210.401.80相关系数和1.891.611.51.40.67初始概率0.270.230.210.200.0091.00表3.2第二种算法点侯选1234零匹配和影像10.220.110.300.330.0371.0影像20.280.360.200.120.051.0影像30.330.220.110.110.221.0联合概率0.630.560.500.480.372.53规一化0.250.220.200.190.151.0下面把小于0.5的相关系数清除，按两种方法重新计算i的初始概率。结果列于表3.3和.3.4。可以看出，清除小于0.5的相关系数后，候选点1在3个影像上都会有相关系数，而点2、3、4的相关系数虽然很大，但只在一个影像上出现。计算结果显示，多片匹配的点概率与单个影像匹配的点的初始概率优势得到了充分体现。比较两种方法计算的结果，零匹配概率和点2的概率有明显差异外。在表3.3中，相同相关系数的点2和点4在不同的影像上，按先独立估计再联合计算的方法，点2和点4的初始概率不同，而按直接相加的方法，点2和点4没有区别。在实际匹配中，采用两种估算方法进行了实验，匹配结果看不出特别明显的差别。表3.3除去小于0.5相关系数后第一种算法第19页共19页

10候选点1234零匹配和影像10.590.810.900.102.4影像20.710.890.101.7影像30.600.401.0相关系数和1.90.890.810.900.605.1初始概率0.370.180.160.180.121.0表3.4除去小于0.5相关系数后第二种算法候选点1234零匹配和影像10.250.330.380.041.0影像20.410.530.061.0影像30.600000.401.0联合概率0.820.530.330.380.182.24规一化0.370.240.150.170.081.03.3粗差点的剔除经过松弛法匹配后，并不能完全保证匹配收敛的结果都是完全正确的，需要进一步进行验证。本文的策略是，把每个格网点的匹配结果与8邻域格网点的匹配结果进行比较，统计高差在给定值范围内的点数，称为一致匹配的点数。如果一致匹配的点数小于2，则认为该点是粗差点。3.4金字塔影像匹配结果的传递第19页共19页

11松弛法整体影像匹配的整体性是通过多分辨率匹配来实现的。因为基于8邻域的格网松弛法匹配，而其邻域是局部有限的。虽然松弛过程中可以有匹配结果的传递，但要达到全局松弛还是很难的。因此多级匹配是松弛法整体影像匹配的重要组成部分。多级匹配的实现很简单，只需要在进行高一级分辨率匹配时，利用低分辨率的匹配结果确定匹配候选的搜索范围。处理方法如下:利用所有匹配成功的点构成一个三角网，当进行高分辨率影像匹配时，把待匹配点的点位坐标换算到低分辨率的影像上，然后在三维网内确定该点所在的三角形，通过该三角形的3个顶点以及各边所对的相邻三角形的3个顶点共6个点的高程来确定点的高程范围，可以取6个顶点的最大、最小高程作为高程范围。如果待匹配点所在的地方，地形较平坦，那么匹配成功率较高，构网数据点较密，三角形较小。在高差变化较大的地方，匹配的成功率较低，构网数据点较稀，三角形较大，确定的高程范围也自动增大。因此，按上述方法进行高程范围估计可以自动根据三角形的大小，确定尽可能小的高程范围，避免增加不必要的搜索工作量。4基于物方面元的多视最小二乘匹配4.1共线方程约束的多片最小二乘匹配及不足以三个片为例，为待匹配点，，，为的同名点。最小二乘匹配假设，，为中心的窗口之间存在仿射变形和线性辐射畸变。设为以为中心的影像窗口内像素()的灰度，(i=1，2)为以p为中心的影像窗口内同名像素()的灰度，则有:(4-1)这里，为第O片点与第i片同名点之间存在的辐射畸变。(4-2)这里，伪i为第0片影像窗口的点与第i片同名点之间存在的仿射映射系数。MPGC算法认为，不是独立的，而是物方点的投影。因此，与满足共线方程。(4-3)第19页共19页

12这里，为第i片的投影中心，(，…，)为第i片旋转矩阵的元素。当i=10时，式(4-3)变为一个纯粹的约束条件，把物点约束在像点光束上。如果有m个影像，匹配窗口的像素个数为n。为了确定的物方坐标，未知数个数为怡2(m-1)+6(m-1)+3=8(m-1)+3个，误差方程个数为n(m-1)个，条件方程个数为2m个。4.2基于物方面元的最小二乘影像匹配图4.2.1，假设P点在三个影像上投影分别为，则以为中心的影像窗口是以P点为中心的某个物方面元均的投影。面元则可以是平面元、斜面元、二次曲面等。当面元为斜面元的时候，相当于最小二乘匹配采用的仿射映射模型。下面以斜面元为例来推导相应的平差模型。以第一个影像为准，把窗口中心点投影到斜面元f上，得到空间三维坐标(X，Y，Z)再反射到其它片得到相应的像点。则像点与像元的灰度同样满足式(4-4)。如图4.1，设过物点(Xc，Yc，Zc)的斜面元的法线为(a，b，c)。斜面元法线由法线方向角决定。图4.1多片最小二乘影响匹配第19页共19页

13图4.2物方面元与光束的交点斜面元的方程为：(4-4)法线向量与方向角的关系为：(4-5)过像点的光束方程为：（4-6）第19页共19页

14这里，为像点的像空间辅助坐标，R为投影系数。像空间辅助坐标(u，v，w)与像点(x，y)的关系为:(4-7)其中，R为像片的旋转矩阵。过像点的光束与斜面元的交点满足:(4-8)因此，(4-9)由于面元的中心也在光束上，有，(4-10)(4-11)带入(4-11)有:(4-12)物点(X，Y，Z)到像片i的投影满足共线方程(假设主点为坐标0)(4-13)第19页共19页

15联立方程(4-1)、(4-6)、(4-15)，可以列出误差方程。未知数为斜面中心的高程Zc，斜面法向量方向角，像片1，2到片0的辐射畸变系数。和MGPC算法相比，基于物方面元的方法消除了各片独立的仿射变换系数，未知数数目会大大减少。误差方程为，(4-13)其中,(4-15)(4-16)(4-17)(4-18)(4-19)(4-20)第19页共19页

16(4-21)(4-22)(4-23)(4-24)(4-25)(4-26)在用相关系数法求得匹配点，按空间后交求得物方点的初值后，假定初始面元为水平面元，即可按照上述公式平差解该点得精确三维坐标.5总结展望5.1总结第19页共19页

17本文在介绍松弛法匹配原理的基础上，针对多视影像的特殊性，讨论了多视影像候选匹配的生成、多视候匹配选初始概率估计、金字塔影像匹配结果的传递等问题。本文对多视最小二乘匹配进行了改进，基于物方面元的最小二乘影像匹配的算法，该算法不仅可以消除各片之间独立的变形系数，减少未知数，还可以得到空间面元的法向量。5.2展望总的来说，经过十几年的不懈努力，多视影像匹配的研究己经取得了一些进展。但是目前还没有能够对各种场景自主地进行3D重建的完整系统。特别是，对于含有各种建筑形状类型、房顶类型以及地形复杂的城区更是如此。这也是多源信息方法和半自动方法得到重视的原因。另一方面，应该看到自动三维重建的研究还没有走到绝路。以双视立体匹配为例，过去认为从立体对利用相关匹配的方法己经没有什么发展的可能，但是近来的一些研究表明，通过开发新的算法，可以建立可靠的、精确的、保持高度不连续性的密集DsM(codr，etal.，2002)，为公共服务的检测和提取提供服务。参考文献[1]吴晓良.匹配的松弛途径[M].武汉测绘科技大学，1989：15-20.[2]张力，张祖勋，张剑清.基于约束满足神经网络的整体影像匹配[J].武汉测绘科技大学学报，1993:20.[3]张力，沈未名，张祖勋.基于视差变强度空间连续性约束的神经网络影象匹配[J].武汉测绘科技大学学报，1999:5.[4]张祖勋，张剑清，吴晓良.整体松弛影像匹配[J].1989：7-10[5]仇彤.基于小波变换的松弛法影像匹配[J].武汉测绘科技大学学报，1993:66-67.[6]邵巨良.无需相似性量测的多片影像匹配[J].武汉测绘科技大学学报，1989：15-20.[7]张祖勋，张剑清，胡翔云.基于物方空间几何约束最小二乘匹配的建筑物半自动提取方法[J].武汉大学学报(信息版)，1997:93-95.[8]王之卓.摄影测量原理续编[J].测绘出版社，1990:77-79.[9]李德仁，郑肇葆.解析摄影测量学[J].测绘出版社，1998:87-89.AerialImageMulti-ViewMatchingMethodResearchAbstract:Asaerialimageryacquiredconveniencely,efficiencilyandhighinformationaccommodate,Photographymeasurementmethodfromtheimageobjectextractionofgeometricfeatures(orgeometricelements),iscurrentlytheprimarymeansofaccessto第19页共19页

18data,butduetotheartificialsurfacefeaturesthedataacquisitionistimeconsuming,costly,andhencethedevelopmentoftheautomaticmappingalgorithmisveryimportant.Thestudyofthisissueisnotonlyrelevant,butalsohasagoodscientificvalue.Thispaperforthecharacteristicsofaerialimagery,mostworkdeonthemulti-viewimagematching.Overallrelaxationofparallaxgrid-basedimagematchingalgorithmisextendedtomulti-viewimagematching.Introducedrelaxationmethodofimagematchingmethodbasedonthree-dimensionalpointoftheObjectSpace.Matchinmulti-viewthree-dimensionalpointestimates,thestudybasedonthephysicalaspectsofasinglemulti-chipleastsquaresalgorithm.Thismethodnotonlyreducestheneedtoestimatetheparameters,youcanalsogetthenormalvectorofthesurfaceelement.Keywords:multipleimages;matchingtwoimagesrelaxationmatching;methodmatching;withleastsquaresmatching第19页共19页