面向防災(zāi)的無人機(jī)影像快速拼接算法分析

肖望昊

摘要：中國自然災(zāi)害頻率較高，利用無人機(jī)低空航測影像的圖幅小、數(shù)量多、高分辨率等特點(diǎn)，在此基礎(chǔ)上本文采用特定的Harris+SIFT特征提取算法，可以做到在避免使用地面控制點(diǎn)的同時，對無人機(jī)遙感影像進(jìn)行基于特征的快速拼接，在防災(zāi)應(yīng)急出圖時具有實(shí)際意義。

關(guān)鍵詞：無人機(jī)? 特征提取? 圖像拼接

1 概述

災(zāi)害發(fā)生，受災(zāi)區(qū)的地圖信息將發(fā)生巨變，因此快速獲取目標(biāo)區(qū)域高精度遙感影像是防災(zāi)應(yīng)急的基礎(chǔ)。此外，災(zāi)害的發(fā)生意味著缺少地面控制點(diǎn)支持。無人機(jī)航測技術(shù)是獲取一定范圍內(nèi)高精度影像最及時、最有效的手段之一，而無人機(jī)影像快速拼接技術(shù)由于其無需地面控制點(diǎn)、單片精度高等特點(diǎn)，為防汛應(yīng)急出圖和其他應(yīng)急場景的快速出圖提供了保障。影像配準(zhǔn)作為影像拼接的關(guān)鍵，既要求配準(zhǔn)算法精度要高，又要保證算法計算量在適宜區(qū)間。本文主要對Harris+SIFT特征點(diǎn)檢測算法進(jìn)行研究，提供一個具有實(shí)用價值的特征點(diǎn)檢測算法進(jìn)而對無人機(jī)遙感影像進(jìn)行快速拼接。

2 特征點(diǎn)檢測算法

圖像中的特征點(diǎn)主要是指角點(diǎn)以及原點(diǎn)等明顯點(diǎn)，基于特征點(diǎn)的不同監(jiān)檢測準(zhǔn)則，可以將特征點(diǎn)檢測算法進(jìn)行具體的劃分，即基于影像邊緣、影像模型以及像灰度的特征點(diǎn)檢測算法。隨著相關(guān)技術(shù)的發(fā)展，相關(guān)研究的不斷深入，逐漸出現(xiàn)了更多的方法，但是根本上來講各算法還較為集中在對Harris算法、SIFT算法等經(jīng)典特征點(diǎn)檢測算法的進(jìn)一步改進(jìn)。

2.1 Harris算法

對應(yīng)點(diǎn)的尺度。其中特征點(diǎn)對應(yīng)Harris角點(diǎn)周圍的SIFT特征點(diǎn)，同時將其他的不滿足要求的點(diǎn)進(jìn)行刪除，此時對于選擇的特征點(diǎn)而言，不但具備了SIFT算法的不變性，同時包括了Harris算法的穩(wěn)定性。

4 算法分析實(shí)驗(yàn)

結(jié)合上文結(jié)果，需進(jìn)行實(shí)驗(yàn)分析以驗(yàn)證Harris+SIFT算法的性能優(yōu)勢。實(shí)驗(yàn)平臺為Intel（R） Core（TM） i5-8600K CPU 3.60GHz， 16GB內(nèi)存，運(yùn)行平臺為Matlab R2018b。

4.1時間效率分析

特征點(diǎn)提取耗時單位為時間、特征點(diǎn)單位為個。本次實(shí)驗(yàn)選用關(guān)聯(lián)性較強(qiáng)的Harris、SIFT以及本文所用Harris+SIFT三種算法進(jìn)行對比試驗(yàn)。不同算法特征提取時間效率如表1：

從表1中分析得出，特征點(diǎn)檢測數(shù)量的多少，一定程度代表影像拼接時能創(chuàng)建的特征向量的數(shù)量，因而從側(cè)面影響影像拼接精度。SIFT算法由于需要先建立相關(guān)影像空間尺度金字塔，計算過程較為復(fù)雜，耗時較長。Harris+SIFT算法的特殊機(jī)理，使其在保證了精度質(zhì)量的前提下，降低了過程復(fù)雜度，因此耗時較SIFT算法短。

4.2 匹配精度分析

上文實(shí)驗(yàn)結(jié)果得出了三種算法的時間效率分析結(jié)果，在此選擇研究區(qū)的2張無人機(jī)影像，用于對比Harris+SIFT算法與Harris以及SIFT算法的特征點(diǎn)匹配精度。

特征點(diǎn)檢測匹配精度比較結(jié)果如表2所示。

匹配率可以很好地反映影響拼接的精度，匹配率越低則影響拼接結(jié)果越差，邊界越會出現(xiàn)明顯“鬼影”，反之則邊界越吻合。Harris算法1.6%的特征點(diǎn)匹配率較低，會極大影響影像拼接精度，較為明顯的“鬼影”將不符合成圖需求。Harris+SIFT算法匹配率較SIFT算法有細(xì)微優(yōu)勢。

4.3 穩(wěn)定性分析

通過上文得知Harris算法匹配精度不適用于防汛應(yīng)急場景，且Harris+SIFT算法匹配率高于SIFT算法，但匹配率僅高出0.02%并未有顯著優(yōu)勢。因此將進(jìn)一步對兩種算法的穩(wěn)定性進(jìn)行分析。為了更好的檢測兩種算法的穩(wěn)定性，將影像分別進(jìn)行旋轉(zhuǎn)、添加噪聲的處理，結(jié)果如表3所示。

通過穩(wěn)定性對比試驗(yàn)，發(fā)現(xiàn)一是SIFT算法的變化更大，而本文Harris+SIFT算法變化率相對較小，更加穩(wěn)定;二是兩種算法對噪聲的處理效果都比較好。

綜上，本文Harris+SIFT算法既可實(shí)現(xiàn)高速影像拼接，同時能發(fā)揮SIFT算法的優(yōu)勢，滿足影像拼接質(zhì)量要求。

5 快速拼接實(shí)驗(yàn)

通過時間效率、匹配精度和穩(wěn)定性三個方面驗(yàn)證了Harris+SIFT算法的優(yōu)勢后，在此使用本文算法進(jìn)行雙片快速拼接實(shí)驗(yàn)，以驗(yàn)證算法實(shí)用性。

5.1 特征點(diǎn)提取

在特征向量生成之前，要先為特征點(diǎn)確定一個主方向。特征點(diǎn)的主方向是根據(jù)特征點(diǎn)周圍像點(diǎn)的梯度方向進(jìn)行確定。具體計算公式如公式11和公式12：

一般以特征點(diǎn)為中心，在特定區(qū)域范圍內(nèi)統(tǒng)計各像點(diǎn)的梯度方向。像點(diǎn)的梯度方向會在360°內(nèi)變化，以45°為間隔對像點(diǎn)的梯度方向進(jìn)行分類，可以形成8個區(qū)間，選擇區(qū)間內(nèi)像點(diǎn)數(shù)最多的方向作為該特征點(diǎn)的主方向。在確定特征點(diǎn)的主方向過程中，可能有幾個與主方向接近的區(qū)間方向。為更準(zhǔn)確地反映特征點(diǎn)的方向信息，把這些區(qū)間方向作為特征點(diǎn)的輔方向以確認(rèn)特征點(diǎn)的方向信息。

對主方向進(jìn)行確定之后，就可以得到對應(yīng)的特征向量。對有16個像素點(diǎn)構(gòu)成的區(qū)域進(jìn)行劃分，具體分為4個個小單元，然后基于累加像素點(diǎn)的模值的大小以及向量的梯度方向，然后產(chǎn)生對應(yīng)的種子節(jié)點(diǎn)，由此可以得到這個種子節(jié)點(diǎn)所含的方向數(shù)量有8個，和特征點(diǎn)的挨得越近，即對應(yīng)著其和特征點(diǎn)之間的相似應(yīng)就顯得越高。因此，16個種子節(jié)點(diǎn)便可生成128維特征向量。采用主成分分析（PCA）算法對特征向量進(jìn)行了降維處理，降至32維。使用該方法是通過正交線性變換將數(shù)據(jù)轉(zhuǎn)換為多個主成分進(jìn)行分析的多元統(tǒng)計分析方法。使用PCA的目的旨在將高維數(shù)據(jù)投影至低維空間，從而減少獲得源數(shù)據(jù)的主要特征。

5.2特征匹配

在整個特征匹配算法中，對于特征點(diǎn)的近鄰的尋找就作為整個算法的核心，其中包括了最近鄰、次鄰近。對于本文而言，采用的排序法為BBF，這種算法是在K-d樹的基礎(chǔ)上發(fā)展得到的，這種加權(quán)的K-d樹在匹配的時候可以將匹配到的比較相近的一些對象根據(jù)加權(quán)進(jìn)行排序，從而較快找到最匹配的對象。選擇BBF正是因?yàn)槠渚哂幸陨蟽?yōu)勢，從而可以進(jìn)一步達(dá)到提高效率的目的。

本文具體使用PROSAC算法進(jìn)行特征提取，該方法是RANSAC算法的進(jìn)化，是將初始集匹配的結(jié)果作為排序的依據(jù)，使得在采樣時根據(jù)匹配結(jié)果由高到低進(jìn)行排序，則最有可能得到最佳參數(shù)的樣本會較早的出現(xiàn)，可以使本文的影像拼接進(jìn)一步提高效率。

圖1為顯示了基于Harris+SIFT算法的無人機(jī)影響拼接結(jié)果，總耗時35秒。

6 結(jié)語

本章主要詳細(xì)介紹了典型的特征點(diǎn)檢測算法以及本文采用的Harris+SIFT算法，并通過實(shí)驗(yàn)的比較分析，對SIFT、Harris和Harris+SIFT算法進(jìn)行了充分的比較。考慮到研究背景，為了盡可能的提升拼接算法性能，本文選擇Harris+SIFT特征點(diǎn)檢測算法進(jìn)行研究，憑借該算法檢測Harris角點(diǎn)周圍的SIFT特征點(diǎn)，同時將其他的不滿足要求的點(diǎn)進(jìn)行刪除的特性，對于選擇的特征點(diǎn)而言，不但具備了SIFT算法的不變性，同時包括了Harris算法的穩(wěn)定性，是最為符合防汛工作應(yīng)用場景的算法。

參考文獻(xiàn)

[1] 楊靜學(xué)，陳亮雄，李偉添，高旖姍.遙感技術(shù)在水庫水政監(jiān)察中的應(yīng)用——以鶴地水庫為例[J].廣東水利水電，2018（11）：72-79.

[2] 田婕妤.基于并行計算的醫(yī)學(xué)圖像配準(zhǔn)融合技術(shù)研究[D].天津科技大學(xué)，2010.

[3] 鄧濤.結(jié)合SIFT和Harris算法的小型無人機(jī)影像拼接方法[J].信息工程大學(xué)學(xué)報.2015.4：322-323.