无人机影像拼接的几点思考

■覃文柱

（四川省核工业地质调查院　四川　成都　610000）

无人机影像拼接的几点思考

■覃文柱

（四川省核工业地质调查院四川成都610000）

无人机具有尺寸小、机动灵活及反应迅速等特点，在很大程度上弥补了航天遥感和航空遥感采集信息方面的不足。近年来，无人机遥感在应急救灾、数字城市建设、电力巡线等方面有着广泛的应用。但是，无人机遥感影像数据处理的发展还相对滞后，数据处理耗时较长、匹配精度不高、自动化水平不高及序列影像拼接误差较大等，这在一定程度上影响了无人机遥感的应用。因此，无人机影像的数据处理变得十分需要。

岩无人机航拍影像重叠影像匹配影像拼接

无人机，即Unmanned Aerial Vehicle（UAV），是一种有动力、可控制、能携带多种任务设备、执行多种任务，并能够重复使用的无人驾驶航空器[1]。将无人机与遥感技术相结合，即无人机遥感，它是利用先进的无人驾驶技术、遥感传感器技术、通讯技术、GPS定位技术和遥感应用技术进行作业，获取国土、资源、环境等空间信息，并进行遥感数据处理、建模和分析的应用技术。其具有高度自动化、高度智能化、实时性强、针对性强等优点，在军事领域和民事领域中都有着广泛的应用。

1　无人机航拍影像重叠

为了满足无人机航拍数据处理的需要，在实际的无人机航拍过程中，航向和旁向重叠度以及数码相机的曝光间隔等一般都高于规范要求，因此，不可避免地会出现数据冗余，后续计算量较大，耗时较长。

在无人机数据中，除了影像数据本身外，还包含了飞行速率、飞行航高以及覆盖地表范围等。通过这些参数信息，可以概略计算相邻影像间的重叠度，根据实际要求，间隔选取其中的一些相片进行后续匹配及拼接处理，可在很大程度上节约处理时间。

2　无人机航拍影像匹配

无人机影像匹配主要分为基于灰度的匹配和基于特征的匹配两大类，本文主要介绍基于特征的匹配方法。

特征匹配，即配准某些特征点、线和面的匹配方法。有时，特征匹配又可细分为“低级特征匹配”和“高级特征匹配”。总的来说，特征匹配的过程可分为三个阶段：特征提取；特征描述；特征匹配。

（1）特征提取。采用一定的特征提取算法对遥感影像提取一定数量的特征点、线或面。在提取过程中，针对实验不同目的，特征点的提取过程应有所差异。另外，针对遥感影像对应实地的地形地物情况，提取特征的分布也有所不同。

（2）特征描述。在获得了影像的特征（包括特征点、线和面）之后，需要用一定的参数对特征进行描述。例如，在提取特征点时，点的位置、方向等可作为特征的描述参数。在提取特征区域（特征面）时，区域的周长、面积等参数都可作为特征的描述。

（3）特征匹配。特征匹配总的原则也是建立影像对之间的空间变换模型，利用变换参数对待配准影像进行坐标变换及灰度重采样。

总的来说，利用影像金字塔对特征进行匹配是一种较佳的方式。对于每一特征，在金字塔顶层的搜索范围根据先验视差得出。在以后其它层内，只需在小范围进行匹配搜索，直至到金字塔底层搜索完成，这在很大程度上提高了匹配的速度，在数据量较大的情况下十分实用。

3　SIFT算法影像匹配原理

3.1SIFT算法介绍

SIFT算子是计算机视觉领域十分著名的特征算子，它可用于模式识别和影像匹配。SIFT算子最早被Lowe于1999年提出（David G.Lowe，1999），Lowe在2004年对此算子做了全面的总结（David G.Lowe，2004），并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述的算子（SIFT:Scale Invariant Feature Transform）。SIFT算子主要由以下几个特点[1]：

（1）独特性好，信息量丰富，特别适用于海量特征数据库中的快速准确匹配；

（2）多量性，经优化的SIFT匹配算法可以产生大量SIFT特征向量；

（3）高速性，经优化的SIFT匹配算法可以达到实时的要求；

（4）可扩展性，可以很方便地与其它特征向量进行联合。

3.2基于SIFT算法的无人机影像匹配思路

SIFT特征匹配的主要步骤如下六步：

（1）尺度空间的极值探测，在影像不同的尺度空间内探测极值点（非关键点）。

（2）关键点的精确定位，对于尺度空间的极值点，需对其进行去噪和去边缘影响，并对关键点进行准确定位。

（3）计算关键点的主方向，利用梯度大小和梯度方向计算关键点的主方向和辅方向。

（4）关键点的准确描述，对关键点的位置信息、尺度信息方向信息进行准确描述，获得关键点的描述向量。

（5）特征匹配，利用关键点描述向量，选取一定的相似性测度对特征进行匹配，建立空间变换模型。

（6）根据变换模型参数，对待配准影像进行坐标变换及灰度重采样，完成拼接工作。

4　SIFT算法影像拼接实验

4.1同名像点的提取

本实验是利用Matlab R2008a软件编写程序进行，实验数据采用我单位在某项目区所用的无人机影像数据Image1和Image2。同名像点的提取，参见图1和图2。

图1　同名像点点位图（Image1）

图2　同名像点点位图（Image2）

4.2影像的拼接

此步中除了包含上述Image1和Image2外，还多加了一张Image3。其中，Image2与Image3采用相同的同名像点提取方法获得同名点对并拟合变换系数，最终Image1、Image1和Image3的拼接图如图3所示。

图3　影像拼接图

4.3实验说明

影像Image1与Image2共提取同名像点14对，影像Image2与Image3共提取同名像点11对。从图1及2可以看出，利用SIFT算法提取出的同名像点正确率较高（实验通过加入了RANSAC算子消除了错误匹配点），最终拼接效果较好，验证了SIFT算法拼接无人机遥感影像的有效性。

5　结论

综上所述，简要介绍了基于特征的无人机影像匹配原理；详细介绍了利用SIFT算法对无人机遥感影像进行拼接处理过程。通过相应的实验发现，利用SIFT算法对无人机遥感影像进行匹配效果较好（加入了RANSAC算子剔除错误匹配点），提取出的同名像点正确性较高，数量也满足构建变换模型的要求，最终的拼接效果较好，验证了此方法的可行性及有效性。

[1]鲁恒,李永树,何敬,任志明.无人机低空遥感影像数据的获取与处理 [J].测绘工程. 2011（01）

P5[文献码]B

1000-405X（2016）-9-130-2