利用特征组合检测算法的无人机遥感影像匹配研究

影像匹配是无人机遥感影像拼接和三维建模的基础和关键步骤。结合不同算法的优势,本文提出一种基于特征组合与RANSAC算法的无人机遥感影像匹配方法。该匹配方法首先采用AKAZE算法检测影像的特征点,然后利用SIFT描述符描述特征向量并获取特征点的主方向,最后基于单映射变换矩阵的RANSAC算法进行精准匹配。本文对基于特征组合与RANSAC算法的匹配效果进行了试验对比分析,试验结果表明：与常用匹配方法的匹配效果相比,本文的匹配方法继承了AKAZE算法的快速匹配能力,匹配总耗时介于AKAZE算法和SIFT算法之间,约为BRISK算法匹配耗时的20%;同时,该匹配方法继承了SIFT算法的多匹配点对性能,从整体匹配效果来看,本文的匹配方法优于AKAZE、SIFT、BRISK算法。     

一种喀斯特地貌无人机遥感影像的快速匹配方法

针对喀斯特地貌地形起伏大、沟壑纵深、影像局部存在阴影,该地区无人机遥感影像匹配难度大,该文提出一种基于AKAZE特征和RANSAC算法的喀斯特地貌无人机遥感影像的快速匹配方法。该方法采用AKAZE特征检测算法提取喀斯特地貌无人机遥感影像的特征点,能够较为精简地描述出影像的特征,影像匹配时间缩短,匹配速度提高明显;由于预匹配存在错误点对,利用单应性矩阵的RANSAC算法进行精准匹配,剔除错误匹配点对,同时得到最优的单应性矩阵。实验结果表明,该方法的匹配耗时和匹配正确率较优于经典的SURF和BRISK算法,该匹配方法更适合于喀斯特地貌无人机遥感影像匹配。     

多匹配策略融合的无人机影像匹配方法

针对AKAZE算法在无人机影像匹配过程中存在的匹配精度低和稳定性较差问题,本文提出一种基于多匹配策略融合的改进影像匹配方法。该方法首先对影像降采样并利用AKAZE算法检测多尺度特征。然后采用一种稳定的RootSIFT描述符进行特征描述。其次,融合最近邻距离比值、双向匹配和余弦相似度约束匹配策略进行特征匹配以降低误匹配率。最后,采用随机抽样一致性(RANSAC)算法确定最终的特征对应关系,并求得几何变换模型。实验结果表明,该方法在获得更多正确匹配点对的同时具有较高的匹配正确率和精度,能够更好适用于无人机影像匹配。     

改进AKAZE算法的泥石流区无人机影像特征匹配

针对在泥石流区灾害应急中使用无人机高分辨率影像特征匹配时时效性较低的问题,本文提出了一种改进AKAZE无人机影像特征匹配的算法。该算法首先使用AKAZE特征点检测算法提取局部稳定不变特征,用二进制描述符BEBLID描述检测到的特征点,采用最近邻次近邻距离比(NNDR)完成初步匹配;然后采用核线几何约束计算变换矩阵,达到内点提纯、提高匹配质量的目的;最后选取5组同一无人机序列影像进行特征匹配试验,分别与经典SIFT算法、AKAZE算法、ORB算法进行比较。试验结果表明,该方法的匹配准确率与SIFT算法接近,略高于AKAZE算法,明显优于ORB算法,计算速度明显优于SIFT算法和AKAZE算法,基本达到ORB算法的计算效率。本文方法能较好地应用于对匹配精度和匹配时效均要求较高的泥石流场景无人机影像数据处理中。     

一种运用AKAZE特征的无人机遥感影像拼接方法

针对无人机遥感影像旋偏角大、地面覆盖范围小等特点,提出一种运用AKAZE特征匹配算法实现无人机遥感影像的快速拼接。该方法利用AKAZE算法提取影像特征点,采用比值法、RANSAC算法计算出拼接序列之间的单应矩阵,通过中心距离范数加权法进行融合。实验表明,其配准精度优于ORB算法,与SIFT算法相当,而运算效率高于SIFT算法,但不及ORB算法,是一种稳定高效的无人机影像拼接算法。     

BRISK-DAISY无人机影像匹配算法研究

影像匹配是无人机影像分析的关键步骤,通过对常用影像匹配算法的对比研究,提出一种基于BRISK特征点与DAISY描述子的影像匹配算法。该算法首先采用BRISK算法提取影像特征点,然后利用DAISY描述子进行特征描述,最后基于单映射变换矩阵的RANSAC算法进行影像精准匹配。文中对不同算法开展试验研究,对比分析影像匹配的特征提取数量、单个特征点提取时间、正确匹配对数和单次匹配平均时间、匹配正确率等5个指标。试验结果表明:与BRISK算法相比,单个特征点提取耗时约是BRISK算法的80%,单次匹配所需平均时间为BRISK算法的30%,甚至更短。与其它常规匹配算法相比,文中算法的匹配正确率与其他算法相当,但获得更多的正确匹配对数,并且文中算法在单次匹配平均时间、单个特征点提取时间与特征点提取数等方面更优。     

基于改进ASIFT算法倾斜影像匹配研究

传统ASIFT算法在匹配时效率低,根据影像匹配相关知识及倾斜影像的特点,本文提出一种对原始影像进行一次逆仿射变换,将倾斜影像恢复到近似的正摄影像的改进ASIFT算法,使影像匹配时精度和效率上得到了明显的提高。改进算法在试验中与传统ASIFT算法匹配效果在精度上更好,且匹配效率有大幅度提高。     

颜色不变量与AKAZE特征相结合的无人机影像匹配算法

基于特征的影像匹配方法是无人机影像匹配中较为实用的一类方法。针对传统特征匹配方法主要以灰度影像作为输入量,难以利用颜色特征高效区分同名点这一问题,本文结合颜色不变量,设计了一种运用AKAZE特征的匹配算法,克服了传统无人机影像匹配忽略彩色信息的缺点;然后通过灰度级变换,使特征点数目大量减少而又不失其可靠性。试验表明,该方法不仅能够准确识别同名点,而且还提高了运行效率。     

一种结合相位相关法和AKAZE算法的纹理缺乏地区影像匹配技术

由于纹理缺乏地区影像缺少鲜明特征,特征重复性严重,使得单纯的基于特征的匹配算法很难获得唯一性较强的特征描述符,导致同名点误匹配的比率大大增加。AKAZE算法以非线性尺度空间为基础,较好地顾及了影像的纹理结构及细节信息,对纹理缺乏地区的影像匹配具有一定的应用价值。基于频域的Fourier-Mellin相位相关技术,通过对影像的频域及对极数变换,计算互功率谱可获得影像间的旋转、尺度和平移参数。因此,本文通过Fourier-Mellin变换计算影像间的几何关系,对AKAZE算法检测出的特征点进行了匹配范围的约束,初步解决了纹理缺乏地区的影像匹配问题。试验结果表明,该方法可以提高匹配的正确率及同名点对数。     

一种改进的APAP影像匹配算法

针对无人机影像匹配时易出现影像重影、透视失真和耗时较长等问题,本文提出了一种改进的APAP算法。该算法首先利用SIFT算法选取特征点,通过改进RANSAC算法去除误匹配点;然后根据APAP算法对影像进行网格划分,求每个网格的单应性矩阵,并对单应性矩阵进行线性化;最后根据线性化的单应性矩阵进行影像匹配,单应性矩阵的线性化不仅对影像匹配时产生的重影现象有较好的削弱作用,而且能减少非重叠区域的透视失真。试验结果表明,本文方法在匹配效率和匹配效果方面效果显著。     

面向海洋应用的无人机遥感图像配准研究

在海洋应用中,大面积水体的同名点匹配相比陆地更加困难,制约了无人机遥感图像的配准精度和收敛速度。本文提出了一种改进算法适用于海洋无人机遥感应用,采用主成分分析（PCA）和水体阈值方法去除水体,获得图像中非水体区域的分块图像,然后利用仿射-尺度不变特征变换算法（ASIFT）进行图像的特征点提取和重叠图像非水体区域的同名点匹配。通过海岛、海岸线的无人机遥感试验结果表明,基于改进算法,在不增加时间开销的情况下,可以增加30%~50%的同名点数量,精度提高约5%~10%。文中方法适应用于海洋无人机遥感的序列图像配准,为海岛、海岸线的遥感监测提供了有效的技术支持。     

基于Harris与RANSAC算法的无人机影像拼接方法研究

针对Harris算法在进行无人机影像拼接时的特征点误匹配问题,利用RANSAC算法对误匹配的特征点进行剔除,进而实现无人机影像的无缝拼接。首先,基于Harris算法提取兴趣点,利用最短欧式距离进行特征匹配;然后,利用RANSAC算法实现对特征点的精确匹配;最后,利用RANSAC算法得到的单应性矩阵完成无人机影像拼接。实验结果表明:本文方法能够较好地剔除无人机影像拼接时误匹配的特征点,实现对无人机影像的拼接,拼接效果良好。     

一种无人机影像空三加密点抽稀算法

在无人机空三加密中,特征点匹配多采用基于计算机视觉的匹配算法进行处理,对稀少的空中三角测量控制点进行控制点位的补充。由于无人机影像分辨率高,细节丰富,使得匹配特征点数量庞大,给后续的区域网平差带来困难。本文提供的空三加密点抽稀算法,可大幅降低加密点的数量,优先保留优质点位,并保证被保留点位均匀分布。     

POS辅助和核线约束的倾斜影像匹配方法

针对无人机倾斜影像匹配时,由于冗余数据量大、影像几何变形大和重复纹理导致基于SIFT特征点的无人机倾斜影像匹配效率和可靠性低的问题,本文提出一种基于POS辅助和核线约束的倾斜影像匹配方法。在该方法中,首先利用机载GNSS/IMU设备获取的影像POS数据计算影像间在物方的重叠区域,接着将物方重叠区投影至像方,根据两幅影像的像方重叠率筛选高可靠像对;其次采用SIFT-GPU算法对影像提取特征点,并根据POS数据估计像对间的核线关系;然后在核线约束下,以描述子间的欧氏距离为相似性测度,实现特征点的高效稳健匹配;最后采用RANSAC算法剔除误匹配。通过对两组倾斜影像做匹配试验验证了本文方法的可行性。     

一种基于改进的SIFT特征点算法的无人机影像快速匹配研究

由于无人机在空中的姿态不稳定,拍摄的影像存在像幅小、数量多、基线短、倾角过大、曝光不均匀等问题,采用常规的影像匹配方法效果不是很理想,有时甚至无法进行匹配,而SIFT(Scal Invariant Featre Transform)算子因其良好的尺度、旋转、光照等不变特性而广泛应用于图像处理中。本文分析了SIFT算子的优点,介绍了用该算法对无人机影像进行特征点的提取,并采用最小二乘算法进行精匹配。经对同一地区无人机航空摄影影像的匹配试验,取得了较好的结果。实验证明,该方法具有稳定、可靠、快速等特点,应用前景十分广阔。     

图论算法的无人机影像匹配特征点粗差剔除

无人机影像匹配过程中,粗差是不可避免的,因此,获取稳健性较高的特征点进行无人机影像匹配至关重要。传统的方法是采用经典的RANSAC算法进行粗差剔除,该算法受抽样次数、误差阈值的影响,还会残存部分误匹配的特征点。利用图论原理,对SIFT算法提取的特征点进行预处理,通过构建特征点的能量函数剔除能量较低的特征点,可以提高匹配特征点的稳健性,减少特征点的粗差。本文提出了一种新的方法,将图论算法与经典的RANSAC算法相结合进行粗差剔除。该方法命名为GSIFT-RANSAC算法,利用该算法可以提高特征点的稳健性,获取高精度的单应矩阵。采用两组无人机影像进行验证,本文提出的算法与单独利用图论剔除特征点的算法相比,粗差剔除率分别提高了5.31%和14.29%,说明该方法效果较好。