无人机异源影像平差方法与流程

本发明涉及计算机视觉技术领域，特别是指一种无人机异源影像平差方法。

背景技术

异源匹配是对于不同类型成像传感器获得图像进行的匹配，主要解决照度变换、jpeg压缩变换、模糊变换、视点变换、尺度与旋转变换带来的问题。由于成像机理与时相等差异较大，异源匹配算法需要更强的鲁棒性。并且异源匹配应用广泛，它是视觉导航、目标识别、图像融合等技术的关键步骤，所以研究异源匹配具有重要的实际意义。

对于异源匹配，国内外学者做了大量研究：戴激光等提出了一种复杂环境异源高分辨率光学卫星影像匹配算法。该算法基于近似核线对和同名直线建立几何约束窗口，然后利用几何约束窗口限定同名点搜索范围，最后基于随机抽样一致性算法(randomsampleconsensus,ransac)剔除误匹配点。该算法提取了更多的同名点，实现异源高分辨率卫星遥感的自动匹配。但该算法尚未研讨多幅异源影像匹配的平差问题，而且鲁棒性与实时性有待增强。王力等提出一种复杂地物条件下基于线特征的异源景象匹配算法。该算法首先提取特征线段，然后利用线段间与拓扑关系进行匹配。该算法基本满足了异源景象匹配应用对算法实时性和准确性的要求。但该算法的线特征对于复杂地物条件适用性较好，对于草原、沙漠等线特征较少区域的准确性无法保证，所以算法适用范围有限。陈世伟等提出了基于椭圆对称方向矩的可见光与红外图像配准算法。该算法首先提取并选择同质区域特征，利用椭圆对称方向矩进行特征描述，然后通过互相关性指标进行特征匹配，最后利用匹配矫正策略减少误匹配。该算法实时性好、匹配正确率较高、抗干扰能力强。但是该算法提取的特征数量有待增多，旋转与尺度鲁棒性有待加强。张闻宇等提出了基于环绕中心极值特征censure-star的无人机景象匹配算法。首先提出censure-star进行特征检测，然后利用快速视网膜特征(fastretinakeypoint,freak)进行特征描述，最后基于ransac剔除误匹配点，实现图像匹配并获取定位点经纬坐标。该算法对各种变换具有较好的鲁棒性，运行效率较高，并能满足无人机视觉辅助导航的需求。但该算法中特征检测子与描述子的鲁棒性有待改善，ransac的执行效率有待提高。

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异源影像平差方法，能够加强无人机异源影像拼接的准确性。

基于上述目的，本发明提供的技术方案是：

一种无人机异源影像平差方法，用于在无人机航摄影像和卫星影像之间进行平差，包括以下步骤：

步骤一：利用特征匹配算法计算得到由v1变换至v2的单应性矩阵a1，利用特征匹配算法计算得到由v2变换至v3的单应性矩阵a2，按此法对v1,v2,…,vn并行处理，最后得到a1,a2,…,an-1；其中，v1,v2,…,vn分别为n张无人机航摄影像；

步骤二：利用特征匹配算法计算得到由v1变换至m的单应性矩阵h1，利用特征匹配算法计算得到由v2变换至m的单应性矩阵h2，按此法对v1,v2,…,vn与m并行处理，最后得到h1,h2,…,hn；其中；m为对应区域的卫星影像；

步骤三：利用(1)式，由a1,a2,…,an-1和h1,h2,…,hn计算得到h1,h2,…,hn；其中，h1,h2,…,hn为平差后的v1,v2,…,vn分别变换至m的单应性矩阵；

式中，σ为求和符号，π为求积符号；

步骤四：将v1,v2,…,vn分别按对应的h1,h2,…,hn进行透射变换，得到无人机航摄影像拼接图；

步骤五：将无人机航摄影像拼接图与m融合，得到异源影像匹配图；

完成无人机异源影像匹配的平差。

可选的，所述步骤一和步骤二并行处理。

本发明相比背景技术的优点在于：

本发明将全部无人机航摄影像进行相邻特征匹配，得到同源单应性矩阵组，然后将全部无人机航摄影像与对应区域的卫星影像进行特征匹配，得到异源单应性矩阵组，接着利用同源与异源单应性矩阵组计算得到平差后的异源单应性矩阵组，最后根据平差后的异源单应性矩阵组将全部无人机航摄影像与卫星影像融合，得到异源影像匹配图。

本方法能够加强无人机异源影像拼接的准确性，在异源影像存在较大差异的情况下具有精度高的优势，提高了图像变换模型的准确率，是对现有技术的重要改进。

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为本发明实施例的一个原理示意图。

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，对本发明做进一步的详细说明。

如图1所示，一种无人机异源影像平差方法，其用于在无人机航摄影像与卫星影像之间进行平差，该方法包括以下步骤：

步骤一：利用特征匹配算法计算得到由v1变换至v2的单应性矩阵a1，利用特征匹配算法计算得到由v2变换至v3的单应性矩阵a2，按此法对v1,v2,…,vn并行处理，最后得到a1,a2,…,an-1；其中，v1,v2,…,vn分别为n张无人机航摄影像；

步骤二：利用特征匹配算法计算得到由v1变换至m的单应性矩阵h1，利用特征匹配算法计算得到由v2变换至m的单应性矩阵h2，按此法对v1,v2,…,vn与m并行处理，最后得到h1,h2,…,hn；其中；m为对应区域的卫星影像；

其中，步骤一与步骤二可以并行处理；

步骤三：利用(1)式，由a1,a2,…,an-1和h1,h2,…,hn计算得到h1,h2,…,hn；其中，h1,h2,…,hn为平差后的v1,v2,…,vn分别变换至m的单应性矩阵；

式(1)的证明如下：

令ε1,ε2,…,εn分别为对应的单应性矩阵改正数，则

hp＝hp+εp,(1≤p≤0)(2)

对于本申请算法，同源特征匹配的精度高于异源匹配的精度，所以将a1,a2,…,an-1视为无误差值参与平差，得到v1变换至m单应性矩阵的n个独立观测值：h1,h2a1,…,hnan-1an-2…a1。设每个观测值改正数分别为e1,e2,…,en，则

平差的函数模型为

式中；e(r,c)为e的第r行c列的元素，1≤r≤3，1≤c≤3。

该模型函数求解方法如下：令

则

a·v+w＝o(6)

式中，o为0矩阵。按求条件极值的拉格朗日乘数法，定义矩阵k，组成函数φ，则

φ＝v^tv-2k^t(a·v+w)(7)

将φ对v求一阶导数，并令其为0，得

解得

联立式(2)(3)(9)，可证式(1)成立。

按照v2,3,…n变换至m的单应性矩阵观测值建立的模型函数，都可同理证得式(1)成立。

步骤四：将v1,v2,…,vn分别按对应的h1,h2,…,hn进行透射变换，得到无人机航摄影像拼接图；

步骤五：将无人机航摄影像拼接图将与m融合，得到异源影像匹配图；

至此，完成无人机异源影像匹配的平差。

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。凡在本发明的精神和原则之内，对以上实施例所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。