基于改进的DISK 算法的农林航拍图配准研究

摘 要：针对无人机的农林航拍图像配准算法存在特征点识别较少、特征点匹配不精准等问题，提出了一种改进的离散关键点（Discrete Key point，DISK）算法。该算法首先采用梯度策略DISK算法对特征点进行有效描述;其次采用基于深度学习局部特征的匹配方法进行预匹配;最后利用RANSAC算法去除离群点，筛选匹配结果。为验证算法的有效性，选取了几组农业航拍图像的数据集进行实验比较。实验结果显示，与经典的SIFT、Dark feat算法及原始的DISK算法相比，改进的DISK算法显著提高了匹配精度，匹配精度由41.7%提升至98.9%，充分满足农林航拍图的匹配需求。

关键词：农林航拍图;梯度策率;局部特征;图像配准;DISK算法

中图分类号：TP306 文献标志码：A

0 引言（Introduction）

航空摄影技术已日益成为监测和管理农林资源不可或缺的手段。然而，与城市建筑航拍影像相比，农林航拍影像具有图案不规则、植被复杂等特点。为了有效支持后续的图像拼接工作，需要获得更多的特征点数据集和更准确的特征匹配。鉴于农林航空影像的这些独特特性，传统的人工影像匹配已经无法满足高精度要求。因此，开发一种高效、精准的自动图像匹配技术成为破解该难题的关键[1]。

为了满足无人机拍摄的农林图像配准对特征点精确定位与正确匹配的高要求，并兼顾实时性能，本文在DISK算法的基础上进行了拓展，不仅延续了DISK算法端到端的局部特征点提取方法的优势，还融合了基于深度学习的匹配方法对特征点进行高效精准的正误匹配。本文提出的改进算法具有自适应特性，可根据图像的难易程度灵活调整匹配策略。为了进一步提升匹配结果的准确性，在随机抽样一致性（RandomSample Consensus， RANSAC）算法的基础上对匹配结果进行过滤[2]。本文采用相同的数据集进行不同算法的匹配对比试验，验证改进算法在图像自动匹配方面的正确性与优越性，以及是否在一定程度上改善了匹配表现。

1 相关工作（Related work）

提取局部特征的过程通常涉及找到关键点、估计其方向以及计算描述向量3个步骤。LOWE[3]提出了SIFT算法，它的设计目的是在不同尺度和旋转条件下保持特征的不变性。SIFT算法主要用于图像配准、目标识别和三维重建等计算机视觉任务，但是计算速度相对较慢，需要大量的存储空间，不适用于实时应用。为了加速并提高SIFT算法的性能，BAY等[4]提出了SURF算法，即一种用于图像处理和计算机视觉任务的特征提取算法，能在保证尺度、旋转和光照不变的同时，通过一系列优化步骤提高计算速度，但精度较低。OAD等[5]提出了ORB 算法，它结合了FAST （Features from AcceleratedSegment Test）关键点检测和BRIEF描述符，旨在提供高效的特征提取和匹配，特别适用于对实时性要求高的应用。JIANG 等[6]提出了AKAZE算法，旨在提供对图像变化具有高鲁棒性的特征点，它的不足之处是计算速度较慢，对噪声敏感。ROTHSTEIN等[7]提出了Super Point算法，它的设计旨在实现在实时性要求较高的计算机视觉应用中执行特征点提取的任务。Super Point利用深度学习技术，以端到端的方式学习特征点的位置和描述符。TILLENIUS[8]提出了Super Glue算法，Super Glue的目标是处理图像匹配中的关键点匹配，并有效建模这些关键点之间的对应关系。