本发明涉及航拍图像拼接处理领域,特别是指一种无人机林区航拍图像拼接方法和系统。
背景技术
无人机航拍作为一种近年新兴的低空遥感技术,具备时效性强、成本低、安全性高等优点,现已广泛应用于林业病虫害监测、森林火灾监测、林分分析监测等林业调查相关领域。
但是由于无人机遥感平台获取图像时,受到飞行高度、数码相机焦距、高空间分辨率等因素的限制,单张无人机图像的覆盖范围有限,仅依靠单张图像,难以形成对目标研究区域的整体认知,因此需要对无人机航拍图像进行拼接,为面向林业调查研究的遥感图像的解析和处理提供高分辨率、宽视野的林区航拍图像。
传统的航拍图像拼接算法在处理林区航拍图像时,存在着特征点提取过少、匹配方式复杂及配准精度较低等问题,为解决这一问题,本专利提出了一种ie-sift(imageenhancedscale-invariantfeaturetransform)图像拼接算法。该算法首先在图像预处理阶段引入全局直方图均衡化提高图像对比度,使得图像细节信息增强,增加特征点提取数目;随后通过优化的对比度阈值筛选法进行极值点检测和提取,减少不必要特征点的提取,提高检测效率,同时采用向量点积反余弦函数的角度比代替欧氏距离之比进行特征粗匹配,降低计算复杂度,提高匹配效率;接着在采用ransac算法去除误匹配点的基础上,引入l-m非线性迭代算法精炼图像间变换矩阵,进行精细匹配,提高图像配准精度;最后采用加权平均融合算法实现图像拼接。
技术实现要素:
有鉴于此,本发明的目的在于提出一种无人机林区航拍图像拼接方法和系统,实现无人机林区航拍图像的快速有效拼接。
基于上述目的本发明提供的无人机林区航拍图像拼接方法和系统,包括步骤:
通过无人机搭载可见光采集设备在目标区域上空拍摄林区图像;
用全局直方图均衡化算法来对所述航拍图像进行预处理,得到增强后的灰度航拍图像;
通过优化的对比度阈值筛选法对所述增强后的灰度航拍图像进行特征点检测和提取,减少不必要特征点的提取,并采用改进的特征点匹配方式对所述参考图像和待配准图像的特征点进行匹配,得到特征点匹配示意图;
使用ransac算法去除误匹配点并计算得到变换矩阵初值,使用l-m非线性迭代算法对计算得到的初始变换矩阵进行精炼,通过迭代计算的方式不断修正变换矩阵各参数的值,得到最终精确的变换矩阵,使用所述最终变换矩阵对待配准图像原图进行图像变换后得到待融合图像;
使用加权平均融合算法对所述参考图像的原图和所述待融合图像进行图像融合,得到最终融合图像。
作为一个实施例,所述拍摄图像的图像间重叠度为40%-60%。
作为一个实施例,所述全局直方图均衡化算法处理过程如下:将航拍图像gzh(x,y)的灰度级r归一化到区间[0,1],r=0时为黑色,r=1时为白色;gzh(x,y)灰度级范围为[0,l-1],像素的总数为n,则有灰度级为rk的像素个数为nk;其全局直方图均衡化对应的变换如式(1)所示;
pr(rj)为gzh(x,y)的概率分布函数,sk即为所述航拍图像gzh(x,y)的灰度级k从0取至(l-1)时,对图像gzh(x,y)概率分布函数pr(rj)求和,l为所述航拍图像灰度级总数,t(r)代表变换函数;使用所述变换公式改变所述航拍图像的灰度,得到增强后的灰度航拍图像。
作为一个实施例,所述优化的对比度阈值筛选法为:首先剔除图像中像素值低于对比度阈值的点,所述阈值选取的方法为:通过实验验证的方式获取阈值大小与特征点正确配准率的关系,并以此选取最优的对比度阈值。
作为一个实施例,所述改进的特征点匹配算法处理过程如下:将参考图像中的某个特征点与待拼接图像中的所有特征点做点积运算,然后将点积结果进行反余弦变换存储到指定数组中,接着从该数组中找到最小角度θ1和次小角度θ2,若两者之比小于指定的阈值m=0.6,则认为最小角度所对应的特征点el与参考图像中的特征点er相匹配;(el,er)则留下作为特征点匹配对,匹配公式如式(2)所示:
由此可对提取到的特征点进行初始匹配,得到初始匹配点对。
作为一个实施例,所述使用ransac算法去除误匹配点为使用式(3):
去除所述误匹配点,得到对应匹配点;式(3)中,h为变换矩阵,所述变换矩阵h为一个含有8个未知参数(m11~m32)的3×3矩阵;(xi,yi),(x′i,y′i)分别为所述参考图像和所述待拼接图像的对应匹配点al和ar。
作为一个实施例,所述使用l-m非线性迭代算法对计算得到的初始变换矩阵进行精炼,通过迭代计算的方式不断修正变换矩阵各参数的值,得到最终精确的变换矩阵,包括步骤:
s601,设n=0;μ=0.01;设立阈值τ;最大迭代次数为n;初始变换矩阵为m0;
s602,计算f(mn)的值;
s603,判断f(mn)是否大于τ,若是则转至s604,反之则结束流程;
s604,判断n!是否大于0,若是则转至s605,反之则转至s606;
s605,判断f(mn)是否小于f(mn-1),若是则转至s606,反之则设定mn=mn-1,μ=10×μ并转至s607;
s606,设定μ=μ/10并计算j(mn)的值,转至s607;
s607,判断n是否大于n,若是则结束流程,反之则根据公式:
mn+1=mn-[j(mn)τ+j(mn)μi]-1j(mn)τf(mn),式中j(m)为雅克比矩阵,设n=n+1,转至s602,即计算f(mn)的值;
使用f(mn)的值带入(4)-式(6)
式中(m11~m32)为变换矩阵h的各分量,式(6)中,f(m)为所有对应匹配的特征点之间距离的和;计算各分量的最优解,即可获得最终变换矩hb。
一种无人机林区航拍图像拼接方法和系统,包括:
图像输入模块,用于取得目标区域上空的林区航拍图像;
图像增强模块,用于使用全局直方图均衡化算法来对所述航拍图像进行预处理,得到增强后的灰度航拍图像;
提取特征点模块,用于使用优化的对比度阈值筛选法对所述增强后的灰度航拍图像进行尺度空间极值检测,精确定位特征点,确定特征点主方向,生成特征点描述符;使用所述特征点描述符确定特征点,得到提取出特征点的参考图像和待配准图像;
特征点匹配模块,用于使用单位矢量点积的反余弦函数之比对所述参考图像和待配准图像的特征点进行特征点匹配,得到特征点匹配示意图;
去除误匹配点模块,用于使ransac算法去除所述特征点匹配示意图中的误匹配点,得到去除误匹配点后的匹配结果示意图并计算得到最初变换矩阵;
精炼变换矩阵模块,用于使用l-m非线性迭代算法精炼所述最初变换矩阵,使得去除误匹配点后的匹配结果示意图中的所有对应匹配的特征点之间距离的和最小,得到最终变换矩阵;使用所述最终变换矩阵对待配准图像原图进行图像变换后得到待融合图像;
图像融合模块,用于使用加权平均融合算法对所述参考图像的原图和所述待融合图像进行图像融合,得到最终融合图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种无人机林区航拍图像拼接方法流程图;
图2a为本发明实施例原始航拍图像;
图2b为本发明实施例灰度航拍图像;
图2c为本发明实施例增强后的灰度航拍图像;
图3a为本发明实施例特征点提取结果示意图;
图3b为本发明实施例另一个特征点提取结果示意图;
图4为本发明实施例特征点匹配结果示意图;
图5为本发明实施例去除误匹配点后的匹配结果示意图;
图6位本发明实施例l-m算法精炼变换矩阵流程图;
图7a为本发明实施例待配准图像原图;
图7b为本发明实施例待融合图像;
图8为本发明实施例最终融合图像;
图9为本发明实施例一种无人机林区航拍图像拼接系统结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
如图1所示,为本发明实施例一种无人机林区航拍图像拼接方法流程图,具体实施步骤包括:
步骤101,取得图像,无人机将在目标区域上空飞行过程中拍摄林区航拍图像。
步骤102,直方图均衡化图像增强,由于有些区域的航拍图像色彩单一且变化不明显,导致所述航拍图像转化为灰度图像后对比度过低,图像细节模糊,难以有效地采用sift算法提取特征点。因此在所述图像处理终端接收到所述航拍图像后,用全局直方图均衡化算法来对所述航拍图像进行预处理,可以提高图像对比度,增加图像细节信息,从而增加提取特征点的数目。
具体处理过程如下:将所述航拍图像gzh(x,y)的灰度级r归一化到区间[0,1],r=0时为黑色,r=1时为白色。gzh(x,y)灰度级范围为
[0,l-1],像素的总数为n,则有灰度级为rk的像素个数为nk。所述全局直方图均衡化对应的变换如式(1)所示。
式(1)中pr(rj)为gzh(x,y)的概率分布函数,sk即为所述航拍图像gzh(x,y)的灰度级k从0取至(l-1)时,对图像gzh(x,y)概率分布函数pr(rj)求和,l为所述航拍图像灰度级总数,t(r)代表变换函数。使用所述变换公式改变所述航拍图像的灰度,得到增强后的灰度航拍图像。图像增强后的对比效果如图2a-2c所示,增强后的灰度航拍图像对比度明显提高,图像细节信息更加丰富。其中,图2a为本发明实施例原始航拍图像,图2b为本发明实施例灰度航拍图像,图2c为本发明实施例增强后的灰度航拍图像。
步骤103,采用sift算法提取特征点,无人机在拍摄目标区域的航拍图像时,由于受到光照变化及其它环境因素的干扰,可能造成输入的图像序列存在旋转,所述航拍图像的视角和尺度也有可能发生变化,为克服上述干扰,本发明实施例采用sift算法来进行图像配准。所述图像配准是图像拼接最为核心的步骤,配准的精度将直接影响图像拼接的最终效果。所述图像配准为计算参考图像和待配准图像间的空间变换参数,确定空间变换模型,实现两幅图像之间坐标系的转换。所述sift算法通过在尺度空间上进行对特征点的提取,具有良好的尺度不变性以及对视角变化的鲁棒性。
所述提取特征点包括:
尺度空间极值检测,一副二维图像的尺度空间l(x,y,σ)定义为尺度可变高斯函数g(x,y,σ)与原图像i(x,y)的卷积,如式(2)、(3)所示。
l(x,y,σ)=g(x,y,σ)*i(x,y)(3)
式(3)中,*是卷积操作,(x,y)为图像像素的位置,σ为尺度空间因子,σ值越大,图像越模糊,σ值越小,图像越清晰。为了有效地在尺度空间检测到相对稳定的特征点,用不同尺度的高斯差分核与图像卷积生成高斯差分尺度空间d(x,y,σ)。如式(4)所示。
d(x,y,σ)=(g(x,y,kσ)-g(x,y,σ))*i(x,y)=l(x,y,kσ)-l(x,y,σ)
(4)
式(4)中,k是常数乘性因子,其取值与尺度空间每层图片数s有关,即k=21/s。对所述增强后的灰度航拍图像进行检测,若其中某像素点灰度值在其四周及上下共26个邻域内达到极值,则记录此点所在的位置和尺度,作为候选特征点。本专利将对比度阈值筛选方法与林区图像存在的特征、特点相结合来进行极值点检测,减少图像中无效特征点的提取,从而提高算法对该类图像特征点检测和提取的效率。阈值选取的原则是:在尽量减少特征点提取的同时,保证林区图像中的正确配准。通过实验验证的方式获取阈值大小与特征点正确配准率的关系,从而选取最优的对比度阈值。该方法的主要根据为:林区图像中景物存在着大量的相似结构,且林木景物之间的像素值变化小,但图像中林木与非林木之间却存在比较明显的对比度和像素值变化,因此,可以通过增加对比度阈值的方法,实现对图像内容中主要景物的提取,从而提取出更有可能对图像配准有用的特征点,减少对配准无贡献特征点的检测。
精确定位特征点,通过拟和三维二次函数以精确确定特征点的位置和尺度,同时过滤低对比度的特征点和不稳定的边缘响应点,以增强匹配稳定性、提高抗噪声能力。
确定特征点主方向,为了使描述符具有旋转不变性,利用所述灰度航拍图像的局部特征给每一个特征点分配一个方向。利用特征点邻域像素的梯度及方向分布的特性,得到梯度的模值m(x,y)和方向θ(x,y),如式(5)、(6)所示。
生成特征点描述符,为确保特征向量旋转不变性,先将坐标轴旋转到特征点主方向上,采用高斯圆形窗口对梯度模值进行高斯加权,以特征点为中心16×16的窗口,将这个窗口分成4×4个子区域,每个区域通过梯度直方图统计8个方向,最终形成一个不受尺度、旋转和光照等影响的128维sift特征向量,即所述特征点描述符。
使用所述特征点描述符确定特征点。
如图3a、图3b所示,为特征点提取结果。图3a为本发明实施例特征点提取结果示意图,图3b为本发明实施例另一个特征点提取结果示意图。
步骤104,特征点匹配,为了简化匹配过程,提高特征点匹配速度,本发明实施例采用单位矢量点积的反余弦函数之比来代替传统方法的欧式距离之比进行匹配。将参考图像中的某个特征点与待配准图像中的所有特征点做点积运算,然后将点积结果进行反余弦变换存储到指定数组中,接着从该数组中找到最小角度θ1和次小角度θ2,若两者之比小于指定的阈值m,则认为最小角度所对应的特征点与参考图像中的特征点相匹配。所述参考图像为所述特征点提取结果示意图3a,所述待配准图像为另一个特征点提取结果示意图3b。作为一个实施例,m为0.6。如式(7)所示。
而所述传统方法是通过计算两个特征点描述符之间的欧氏距离得到的。欧氏距离计算公式如式(8)所示。
式(8)中desp和desq分别表示特征点p和q的特征描述符,d为p、q两特征点间的欧式距离。对于所述参考图像中的特征描述符el,在所述待配准图像中找到距离el最近以及次近的特征描述符er和eq。计算欧氏距离d(el,er)和d(el,eq)的比值n,如式(9)所示。
式(9)中el=(el1,el2,…,el128),er=(er1,er2,…,er128),eq=(eq1,eq2,…,eq128)。设定阈值m,所述阈值m的范围为0.4-0.6,若n<m,则保留(el,er)这对特征点作为匹配对,反之则舍弃。所述传统方法虽然可以找到合适的匹配对,但利用欧式距离之比进行计算时,需要多次进行平方以及开平方运算,计算复杂度较高,从而会增加匹配时间,影响匹配效率。而本发明实施例采取的使用单位矢量点积反余弦角度之比进行特征匹配的计算方法只需要进行向量相乘和求反余弦函数等基本运算,简化了计算公式,提高了特征点的匹配效率。
如图4所示,为本发明实施例特征点匹配结果示意图。
步骤5,去除误匹配点,为了提高图像配准精度,本发明实施例使用ransac算法来进一步提纯特征点。所述步骤104虽然实现了参考图像和带配准图像特征点的粗匹配,但其中依然存在误匹配。因此,本发明实施例采用ransac算法进行匹配点提纯。具体处理过程如下:从所获取的匹配点中随机选取4对,线性计算得到变换矩阵h,计算各个匹配点经h变换后到对应匹配点的距离d,确定距离阈值p,把满足d<p的点作为内点,并根据内点重新估计变换矩阵,如此迭代n次后,可以剔除误匹配点后并得到变换矩阵h的初值ha,所述变换矩阵h为一个含有8个参数的3×3矩阵,投影所述变换矩阵h如式(10)所示。
式(10)中(xi,yi),(x′i,y′i)分别为所述参考图像和所述待拼接图像的对应匹配点al和ar。
如图5所示,为本发明实施例去除误匹配点后的匹配结果示意图。
步骤6,精炼变换矩阵,本发明实施例采用l-m非线性迭代算法精炼变换矩阵h,通过迭代计算的方式不断修正变换矩阵各参数的值。以求得最终精确的变换矩阵。
l-m非线性迭算法精炼变换矩阵的流程图如图6所示,图6为l-m非线性迭算法精炼变换矩阵流程图,包括步骤:
s601,设n=0;μ=0.01;设立阈值τ;最大迭代次数为n;初始变换矩阵为m0。
s602,计算f(mn)的值。
s603,判断f(mn)是否大于τ,若是则转至s604,反之则结束流程。
s604,判断n!是否大于0,若是则转至s605,反正则转至s606。
s605,判断f(mn)是否小于f(mn-1),若是则转至s606,反之则设定mn=mn-1,μ=10×μ并转至s607。
s606,设定μ=μ/10并计算j(mn)的值,转至s607。
s607,判断n是否大于n,若是则结束流程,反之则根据公式:
mn+1=mn-[j(mn)τ+j(mn)μi]-1j(mn)τf(mn),式中j(m)为雅克比矩阵,设n=n+1,转至s602,即计算f(mn)的值。
经过上述步骤,使用f(mn)的值带入式(11)-式(13)
计算后得到最终变换矩hb。式中(m11~m32)为变换矩阵h的各分量,式(13)中,f(m)为所有对应匹配的特征点之间距离的和。l-m算法的目标是求解变换矩阵的m11~m32八个参数的最优解,使得所述去除误匹配点后的匹配结果示意图中的所有对应匹配的特征点之间距离的和最小,即f(m)取得最小值时,所对应的所述各分量m11~m32的各个解。根据所述各分量的最优解,即可获得最终变换矩hb。
使用所述最终变换矩阵hb对待配准图像原图进行图像变换后可得待融合图像。
如图7a所示,为本发明实施例待配准图像原图。将所述图7a本发明实施例待配准图像原图采用所述l-m非线性迭代算法精炼变换矩阵后,得到本发明实施例待融合图像,即图7b。
步骤7,图像融合,本发明实施例采用加权平均融合算法进行图像融合。所述加权融合算法为将所述参考图像的原图和所述待融合图像的对应像素点的像素值直接取相同的权值,然后进行加权平均,得到融合图像对应像素点的像素值。如图8所示,为本发明实施例最终拼接图像。
如图9所示,为本发明实施例一种无人机林区航拍图像拼接系统结构图,包括:
图像输入模块801,用于取得目标区域上空的林区航拍图像。
图像增强模块802,由于有些区域的航拍图像色彩单一且变化不明显,导致所述航拍图像转化为灰度图像后对比度过低,图像细节模糊,难以有效地采用sift算法提取特征点。因此所述图像增强模块802用于使用全局直方图均衡化算法对图像进行预处理,可以提高图像对比度,增加图像细节信息,从而增加提取特征点的数目。
具体处理过程如下:将图像gzh(x,y)的灰度级r归一化到区间[0,1],r=0时为黑色,r=1时为白色。gzh(x,y)灰度级范围为[0,l-1],像素的总数为n,则有灰度级为rk的像素个数为nk。所述全局直方图均衡化对应的变换如式(1)所示。
式(1)中pr(rj)为gzh(x,y)的概率分布函数,sk即为图像gzh(x,y)的灰度级k从0取至(l-1)时,对图像gzh(x,y)概率分布函数pr(rj)求和,l为图像灰度级总数,t(r)代表变换函数。使用所述变换公式改变所述航拍图像的灰度,得到图像增强后的对比效果如图2a-2c所示,增强后的灰度航拍图像对比度明显提高,图像细节信息更加丰富。其中,图2a为本发明实施例原始航拍图像,图2b为本发明实施例灰度航拍图像,图2c为本发明实施例增强后的灰度航拍图像。
提取特征点模块803,无人机在拍摄目标区域图像时,由于受到光照变化及其它环境因素的干扰,可能造成输入的图像序列存在旋转,图像的视角和尺度也有可能发生变化,为克服上述干扰,本发明实施例采用sift算法来进行图像配准。所述图像配准是图像拼接最为核心的步骤,配准的精度将直接影响图像拼接的最终效果。所述图像配准为计算参考图像和待配准图像间的空间变换参数,确定空间变换模型,并实现两幅图像之间坐标系的转换。所述提取特征点模块803用于使用所述sift算法通过在尺度空间上提取特征点,具有良好的尺度不变性以及对视角变化的鲁棒性。
所述提取特征点模块803的具体功能包括:
尺度空间极值检测,一副二维图像的尺度空间l(x,y,σ)定义为尺度可变高斯函数g(x,y,σ)与原图像i(x,y)的卷积,如式(2)、(3)所示。
l(x,y,σ)=g(x,y,σ)*i(x,y)(3)
式(3)中,*是卷积操作,(x,y)为图像像素的位置,σ为尺度空间因子,σ值越大,图像越模糊,σ值越小,图像越清晰。为了有效地在尺度空间检测到相对稳定的特征点,用不同尺度的高斯差分核与图像卷积生成高斯差分尺度空间d(x,y,σ)。如式(4)所示。
d(x,y,σ)=(g(x,y,kσ)-g(x,y,σ))*i(x,y)=l(x,y,kσ)-l(x,y,σ)
(4)
式(4)中,k是常数乘性因子,其取值与尺度空间每层图片数s有关,即k=21/s。对所述增强后的灰度航拍图像进行检测,若其中某像素点灰度值在其四周及上下共26个邻域内达到极值,则记录此点所在的位置和尺度,作为候选特征点。本专利将对比度阈值筛选方法与林区图像存在的特征、特点相结合来进行极值点检测,减少图像中无效特征点的提取,从而提高算法对该类图像特征点检测和提取的效率。阈值选取的原则是:在尽量减少特征点提取的同时,保证林区图像中的正确配准。通过实验验证的方式获取阈值大小与特征点正确配准率的关系,从而选取最优的对比度阈值。该方法的主要根据为:林区图像中景物存在着大量的相似结构,且林木景物之间的像素值变化小,但图像中林木与非林木之间却存在比较明显的对比度和像素值变化,因此,可以通过增加对比度阈值的方法,实现对图像内容中主要景物的提取,从而提取出更有可能对图像配准有用的特征点,减少对配准无贡献特征点的检测。
精确定位特征点,通过拟和三维二次函数以精确确定特征点的位置和尺度,同时过滤低对比度的特征点和不稳定的边缘响应点,以增强匹配稳定性、提高抗噪声能力。
确定特征点主方向,为了使描述符具有旋转不变性,利用所述灰度航拍图像图像的局部特征给每一个特征点分配一个方向。利用特征点邻域像素的梯度及方向分布的特性,得到梯度的模值m(x,y)和方向(x,y),如式(5)、(6)所示。
生成特征点描述符,为确保特征向量旋转不变性,先将坐标轴旋转到特征点主方向上,采用高斯圆形窗口对梯度模值进行高斯加权,以特征点为中心16×16的窗口,将这个窗口分成4×4个子区域,每个区域通过梯度直方图统计8个方向,最终形成一个不受尺度、旋转和光照等影响的128维sift特征向量。
使用所述特征点描述符确定特征点。
如图3a、图3b所示,为特征点提取结果。图3a为本发明实施例特征点提取结果示意图,图3b为本发明另一个实施例特征点提取结果示意图。
特征点匹配模块804,用于对特征点进行匹配,为了简化匹配过程,提高特征点匹配速度,所述特征点匹配模块804采用单位矢量点积的反余弦函数之比来代替传统方法的欧式距离之比进行匹配。将参考图像中的某个特征点与待配准图像中的所有特征点做点积运算,然后将点积结果进行反余弦变换存储到指定数组中,接着从该数组中找到最小角度θ1和次小角度θ2,若两者之比小于指定的阈值m,则认为最小角度所对应的特征点与参考图像中的特征点相匹配。所述参考图像为所述特征点提取结果示意图3a,所述待配准图像为另一个特征点提取结果示意图3b。作为一个实施例,m为0.6。如式(7)所示。
而所述传统方法是通过计算两个特征点描述符之间的欧氏距离得到的。欧氏距离计算公式如式(8)所示。
式(8)中desp和desq分别表示特征点p和q的特征描述符,d为p、q两特征点间的欧式距离。对于所述参考图像中的特征描述符el,在所述待配准图像中找到距离el最近以及次近的特征描述符er和eq。计算欧氏距离d(el,er)和d(el,eq)的比值n,如式(9)所示。
式(9)中el=(el1,el2,…,el128),er=(er1,er2,…,er128),eq=(eq1,eq2,…,eq128)。设定阈值m,所述阈值m的范围为0.4-0.6,若n<m,则保留(el,er)这对特征点作为匹配对,反之则舍弃。所述传统方法虽然可以找到合适的匹配对,但利用欧式距离之比进行计算时,需要多次进行平方以及开平方运算,计算复杂度较高,从而会增加匹配时间,影响匹配效率。所述特征点匹配模块804使用单位矢量点积反余弦角度之比进行特征匹配的计算方法只需要进行向量相乘和求反余弦函数等基本运算,简化了计算公式,提高了特征点的匹配效率。
如图4所示,为本发明实施例特征点匹配结果示意图。
去除误匹配点模块805,用于去除误匹配的特征点。为了提高图像配准精度,本发明实施例使用ransac算法来进一步提纯特征点。所述特征点匹配模块804虽然实现了前后图像特征点的粗匹配,但其中依然存在误匹配。因此,所述去除误匹配点模块805采用ransac(randomsampleconsensus,随机抽样一致性)算法进行匹配点提纯。具体处理过程如下:从所获取的匹配点中随机选取4对,线性计算得到变换矩阵h,计算各个匹配点经h变换后到对应匹配点的距离d,确定距离阈值p,把满足d<p的点作为内点,并根据内点重新估计变换矩阵,如此迭代n次后,可以得到变换矩阵h的初值ha,所述变换矩阵h为一个含有8个参数的3×3矩阵,投影所述变换矩阵h如式(10)所示。
式(10)中(xi,yi),(x′i,y′i)分别为参考图像和待拼接图像的对应匹配点al和ar。
如图5所示,为本发明实施例去除误匹配点后的匹配结果示意图。
精炼变换矩阵模块806,用于采用l-m非线性迭代算法精炼变换矩阵h。
l-m非线性迭算法精炼变换矩阵的流程图如图6所示,图6为l-m非线性迭算法精炼变换矩阵流程图,包括步骤:
s601,设n=0;μ=0.01;设立阈值τ;最大迭代次数为n;初始变换矩阵为m0。
s602,计算f(mn)的值。
s603,判断f(mn)是否大于τ,若是则转至s604,反之则结束流程。
s604,判断n!是否大于0,若是则转至s605,反正则转至s606。
s605,判断f(mn)是否小于f(mn-1),若是则转至s606,反之则设定mn=mn-1,μ=10×μ并转至s607。
s606,设定μ=μ/10并计算j(mn)的值,转至s607。
s607,判断n是否大于n,若是则结束流程,反之则根据公式:
mn+1=mn-[j(mn)τ+j(mn)μi]-1j(mn)τf(mn),式中j(m)为雅克比矩阵,设n=n+1,转至s602,即计算f(mn)的值。
经过上述步骤,使用f(mn)的值带入式(11)-式(13)
计算后得到最终变换矩hb。式中(m11~m32)为变换矩阵h的各分量,式(13)中,f(m)为所有对应匹配的特征点之间距离的和。l-m算法的目标是求解变换矩阵的m11~m32八个参数的最优解,使得所述去除误匹配点后的匹配结果示意图中的所有对应匹配的特征点之间距离的和最小,即f(m)取得最小值时,所对应的所述各分量m11~m32的各个解。根据所述各分量的最优解,即可获得最终变换矩hb。
使用所述最终变换矩阵hb对待配准图像进行图像变换后可得待融合图像。
如图7a所示,为本发明实施例待配准图像原图。将所述图7a本发明实施例待配准图像原图采用所述l-m非线性迭代算法精炼变换矩阵后,得到本发明实施例待融合图像,即图7b。
图像融合模块807,用于采用加权平均融合算法进行图像融合。所述加权融合算法为将所述参考图像的原图和所述待融合图像的对应像素点的像素值直接取相同的权值,然后进行加权平均,得到融合图像对应像素点的像素值。如图8所示,为本发明实施例最终融合图像。
综上所述,本发明提供的一种无人机林区航拍图像拼接方法和系统,先使用全局直方图均衡化算法来对图像进行预处理,之后采用sift特征图像拼接算法提取特征点。在去除误匹配特征点之后,精炼变换矩阵,最后进行图像融合,得到最终融合图像。所述一种无人机林区航拍图像拼接方法和系统具有速度快且准确率高的特点,可以实现将色彩单一、对比度低的航拍图像进行快速拼接,方便使用者进行对后续遥感图像的分析和处理。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。