一种改进的无人机航摄影像快速拼接方法

作者:刘如飞;卢秀山;刘冰;田茂义 刊名:测绘通报 上传者:李冄

【摘要】为提高无人机航摄影像快速拼接的速度和精度,针对无人机影像处理特点,提出重叠区分块并行处理策略;通过对不同图像分辨率和尺度下的特征匹配情况进行分析,提出分块阈值自适应调节方法来改进尺度不变特征转换(SIFT)算法;利用匹配点距离中误差进行粗差去除,获取最优随机一致性检验(RANSAC)样本,得到更精确匹配点对。试验结果证明,改进策略既可保证拼接精度,又可提高拼接效率。

全文阅读

一、引言无人机摄影测量系统具有机动、高效、成本低等特点,相对于传统的以卫星、大飞机等为平台的航天航空摄影测量方法,它能有效地改善多云雾区或灾害应急区高分辨率遥感数据缺乏的现状[1]。近几年来,无人机在灾害应急中得到了广泛的应用,如何第一时间获得灾区的影像拼接图及了解灾区情况是目前应急应用的关键问题。由于无人机航摄影像具有相幅小、数量多和多航带等特点,影像的快速自动拼接技术成为解决问题的关键。目前针对无人机影像拼接的方法主要有:基于姿态定位定姿系统(positionandorientationsystem,POS)数据的拼接、基于特征的拼接[2]。方法一耗时较短,但由于无人机姿态参数变化复杂、无规律,拼接精度很难满足应用需求;方法二的核心在于影像的特征提取,因此耗时量有所增加,但拼接精度可大幅提高。尺度不变特征转换(scaleinvariantfeaturetrans-form,SIFT)算法是近几年来影像特征提取领域的研究热点。何孝莹等为使尺度不变特征转换算法更适合于无人机影像的匹配,通过减少尺度空间来缩短计算时间,并提出粗匹配加分块匹配的影像匹配策略提高特征提取速度[3]。鲁恒等通过试验获取了适应于无人机影像的最优高斯核尺寸来减少时间消耗,并应用LM方法求得精确的变换矩阵[4]。针对目前的研究现状,本文在分析原始SIFT算法和无人机影像自身特点的基础上,提出了适用于无人机航摄影像快速拼接的改进方法。二、问题分析SIFT是一种基于尺度空间的,对图像缩放、旋转及仿射变换保持不变性的特征匹配算法,有关算法的详细原理可参考文献[56]。SIFT算法基于图像特征尺度选择的思想,首先建立图像的多尺度空间,并在多尺度空间中进行特征检测,确定关键点的位置和所在尺度,实现尺度不变性;然后剔除一些对比度较低的点及边缘响应点;最后利用关键点邻域像素的梯度方向作为该点的方向特征,使算子具有旋转不变性[5]。在利用SIFT算法进行无人机影像特征提取时存在3个问题:构建无人机影像高斯金字塔需要花费大量时间;当金字塔阶数和层数设置较高时,提取的特征点数量巨大,错匹配较多;提取的匹配点分布不均匀,影响拼接效果。究其原因:图像分辨率高,多余搜索范围大,增加了匹配时间和错匹配的概率;算法以多尺度空间的极值点作为关键点,如果尺度过高则导致特征点数目非常大,生成特征描述的时间长;SIFT算法自身复杂度较高,若仅凭单一的经验值,而不根据影像的实际情况实时调整,算法适应性低,耗时量大。三、快速拼接方法改进1.重叠区分块并行处理无人机航拍影像分辨率高、重叠度大、影像纹理丰富但分布不均,在利用SIFT进行特征点提取时,由于整张影像搜索范围大,获取的特征点数量大,增加了特征匹配时间和错匹配的概率。若限制特征点的数量,由于影像纹理特征不均衡,使得大部分特征点都密集分布在纹理丰富区域,而影像平滑区域几乎没有匹配的点。如图1所示,黑色椭圆内特征点较少。图1特征点分布不均为解决以上问题,本文首先根据连续两张图像拍摄的即时速度和间隔时间,估算出图像重叠区域参数[4];然后依据计算机性能和原始图像大小对影像重叠区进行分块。采用多任务并发处理机制,同一任务的进程被开辟为不同的线程,运行在不同的CPU上,实现各分块特征提取任务的并行执行。重叠区分块并行处理流程如图2所示。图2影像分块多任务处理流程2.SIFT算法改进由于单张影像覆盖范围大,经过重叠区分块处理后,不同分块的纹理特征可能不一样,因此设置同一阈值不能适应所有分块;此外,在批处理过程中,应尽量减少人工干预,提高效率。本文应用分块阈值自适应调节方法解决

参考文献

引证文献

问答

我要提问