基于Dense SIFT特征的无人机影像快速拼接方法

特征匹配是无人机影像拼接过程的关键步骤,针对传统的特征匹配方法在影像拼接过程中获取匹配点少、特征点分布不均匀、匹配耗时长等问题,本文提出一种基于Dense SIFT特征的无人机影像快速拼接算法。首先,利用影像POS信息构建连接矩阵以引导匹配过程;然后在降采样影像上进行影像分块,利用Dense SIFT算子获取初始匹配点,并采用两次NCC方法分别实现降采样影像和原始影像上匹配点的精化;最后,基于共线方程将影像投影至物方面上,完成影像的快速拼接。本文选取2组无人机影像进行拼接实验,将本文算法与SIFT和SURF匹配拼接方法进行对比,结果表明：在影像特征点匹配方面,本文方法获取匹配点数量是SIFT和SURF算法的5倍以上,且匹配点分布更加均匀;在影像拼接结果方面,本文方法不仅能够较快完成影像拼接,而且有效避免了拼接影像中的“重影”现象,保证了较好的拼接质量。     

基于GDAL的无人机影像快速拼接方法研究

在突发地震等自然灾害时,通常利用无人机进行应急航空遥感测绘获取受灾区域影像数据,由于无人机影像数据量较大,采用传统方法拼接速度慢,耗时长。本文提出一种通过影像坐标,快速进行无人机影像拼接方法,并结合实验,利用GDAL及OGR开源库,实现应急航空测绘中无人机正射影像的快速拼接。结果表明,该方法切实可行,有一定的实用价值。     

多特征结合的倾斜无人机影像匹配方法

针对无人机倾斜影像存在匹配困难问题,提出融合多种特征优势的无人机影像匹配算法。首先,提取MSER(Maximally Stable Extremal Regions)局部特征稳定区域,并用SIFT(Scale Invariant Feature Transform)描述子对特征进行描述;其次,利用K-D树的搜索策略进行特征点的快速检索,采用NND算法获取初始的粗匹配点对,根据结果计算影像间的仿射变换关系;最后,对SIFT特征点进行约束NCC匹配,利用RANSAC算法剔除外点,完成最终的影像匹配。实验结果表明,该算法对存在较大倾斜角度的无人机影像效果较好,在匹配正确率和仿射不变性两方面都优于SIFT算法。     

基于PCI-GXL的稀少控制卫星影像纠正生产试验

遥感、定位、计算机、网络等技术的发展,使得集群式影像处理成为当前的研究热点,也成为获取地理信息的重要手段。本文介绍了PCI-GXL集群系统的影像匹配算法,利用该系统进行了稀少控制条件下的高分辨率卫星影像区域网平差、DOM纠正等生产试验,探讨了该系统的生产效率和产品精度情况。     

改进的基于累加投影图匹配的点云配准算法

针对大规模点云数据配准拼接中存在的运算耗时长、结果精度低等问题,提出了一种改进的基于累加投影图匹配的点云自动配准算法,该算法首先将三维点云累加投影到二维平面,之后利用尺度不变特征变换算法匹配累加投影图得到匹配点对。在此基础上,根据匹配点对与三维点云数据之间的关系得到三维点云块,最后利用迭代最近点算法匹配三维点云块得到配准结果。实验表明,与Super4PCS算法和基于累加投影图线特征匹配算法相比,本文算法在车载和固定站点云数据配准中都能得到有效的结果,针对大规模点云的处理速度能够提高20倍以上,且能将配准精度提高到0.1 m以内。     

基于对偶四元数的不同地形无人机影像区域网平差解算方法

随着对地观测技术的发展,通过各种传感器获取的影像越来越多。无人机遥感技术以其方便、快捷、成本低、可云下飞行的优势正越来越多地运用到铁道沿线信息的获取中,为保证后续分类、信息提取、面积量算的精度,对无人机影像进行区域网平差具有重要意义。考虑到无人机影像具有像幅小、数量多、基线短、重叠度不规则等特点,将对偶四元数引入到无人机影像定向过程中,提出了一种利用对偶四元数进行无人机影像区域网平差解算的方法,并针对不同地形区域的无人机影像进行实验。实验结果表明:本文提出的算法应用到无人机影像区域网平差中,精度与常规光束法区域网平差相当,所需像控点数量及分布与常规光束法区域网平差相当,本文研究为提高无人机影像区域网平差的解算效率探索了一种新思路。     

面向无人机影像的改进FNEA分割方法

针对无人机影像光谱信息量不足导致的影像分割精度较低和同类地块过度分割问题,本文设计了一种面向无人机影像的改进FNEA分割方法。首先,利用特征提取方法,构建原始RGB影像的不同纹理和植被指数特征影像;然后,基于改进分离阈值法选择最佳植被指数和纹理特征;最后,将最佳特征与原始RGB数据融合,采用FNEA算法进行影像分割。将改进FNEA方法与多种分割方法对比,结果表明改进FNEA方法的分割精度更高,同一地块内过度分割可得到较好控制,适合无人机影像的分割。     

基于无人机倾斜摄影技术的三维地形辅助测量方法研究

针对现有三维地形辅助测量结果的平面坐标中误差、高程坐标中误差、高度中误差、长度中误差大,导致测量精度低的问题,引入无人机倾斜摄影技术,开展对三维地形辅助测量方法的设计研究。基于无人机倾斜摄影技术,结合测区大小及测量准确性需要,布设外业像控点,多角度获取测区影像数据,最后完成多视影像密集匹配。通过对比实验证明,该方法各项中误差明显降低,测量精度较高。     

基于可靠匹配点约束的遥感影像密集匹配

针对现有由稀到密的加密匹配算法中,初始匹配点可靠性低将导致迭代匹配拓展过程存在较多误匹配的问题,提出一种基于可靠匹配点约束的遥感影像密集匹配算法。首先,利用SIFT匹配点约束直线匹配获得的同名直线构建虚拟匹配点集,结合虚拟匹配点集和SIFT匹配点集建立初始匹配点集;然后,依次采用局部影像信息和局部几何约束对初始匹配点集进行检核剔除错误匹配,主要体现在利用指纹信息和梯度信息构建匹配点局部区域约束剔除较为明显的误匹配点,利用匹配三角网构建局部几何约束剔除由相似纹理产生的误匹配点,得到优化后的可靠匹配点;最后,基于可靠匹配点构建的Delaunay三角网,以三角形重心为加密匹配基元,结合核线约束和仿射变换对其进行迭代匹配拓展,得到最终匹配点集。选取4组资源三号卫星前视数据和后视数据进行实验,结果表明：利用局部纹理特征和局部几何双重约束模型可有效剔除误匹配点得到可靠匹配点,通过可靠匹配点进行迭代匹配拓展得到的密集匹配结果相较于对比算法具有更高匹配精度,在4组数据上其平均匹配精度为95%,具有较好的匹配稳定性。     

无人机遥感数据处理与滑坡信息提取

高分辨率的DEM和DOM数据是对地形地貌信息的准确描述,也是滑坡信息提取的重要数据源。首先,针对滑坡信息提取的要求,本文采用无人搭载微型单反相机的影像获取平台,结合野外测量的GPS数据,弥补了无人机POS信息精度低的劣势;针对无人机影像的特点,运用摄影测量基本原理与计算机视觉算法,获取高精度、高分辨率的DEM与DOM影像,保留了丰富的光谱与纹理信息。其次,借助ESP辅助工具获取了DOM影像的最佳分割尺度,并结合研究区地物特征构建了基于模糊分类与SVM算法相结合的决策树,运用面向对象的分类方法实现了对研究区内植被、道路、疑似滑坡区域的信息提取。最后,依照研究区地物分布的空间特征确定了高风险等级区域,并对该区域进行滑坡的形态与纹理分析以及精度评价,其中提取的疑似滑坡区域用户精度为91.44%、生产者精度为84.65%,结果表明无人机遥感在滑坡信息提取领域具有较高的应用价值。     

无人机倾斜影像自动检索及影像姿态恢复

无人机倾斜摄影测量颠覆了以往正射影像只能从垂直角度拍摄的局限,在三维建模中有广泛的前景。针对有些无人机倾斜影像数据无相机标定参数、无航带信息（无序）、无POS信息的现状,本文以计算机视觉中基于内容的影像检索方法与改进的渐进式SFM方法为基础,提出一种“三无”影像自动检索、空中三角测量及影像三维重建的方法。该方法首先通过提取的特征检索出相似影像并建立网络结构,然后将影像进行两两匹配增强对应关系并进行连接点的追踪,最后利用光束法平差方法对其进行平差,获取影像集的三维点云,提高大规模影像检索、影像匹配速度的同时,提高重建的精确性和鲁棒度。本文选取三组典型试验区大数据量倾斜影像数据进行试验,立体实测控制点中误差可以达到平面0.16m/高程0.18m,试验验证了方法的稳定性、可靠性和实用性。     

基于RCNN的无人机巡检图像电力小部件识别研究

随着无人机（UAV)在电力巡线作业中的应用推广,对无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机（SVM）、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对电力部件进行识别,难以充分利用无人机巡检图像的信息,并且难以达到较高的准确率。卷积神经网络（CNN）在目标识别中表现优异,在很多目标识别场景之中成为首选算法。基于区域的卷积神经网络（RCNN）通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标,但是计算复杂,难以满足识别海量电力巡检图片的需求。Fast R-CNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并在无人机电力线巡检图像部件检测中使用,然后分别对DPM、SPPnet和Faster R-CNN识别方法进行了对比分析,利用实际采集的电力小部件巡检数据构建的数据集对3种方法进行测试验证,并讨论了不同参数对识别结果的影响。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80 ms的识别速度和92.7%的准确率。     

高分辨率影像分割的分形网络演化改进方法

分形网络演化是针对高分辨遥感影像的高精度分割方法。它是以像元自下而上进行地物域合并,直至满足区域对象间异质性值大于预设阈值,停止区域合并得到最终分割结果。当对大数据量遥感影像进行分割时,形成初始区域对象的速度较慢,并且数量较多,导致分割时间长,有待在整体分割效率上进一步提高。一种有效的改进措施是采用某种分割方法,快速生成初始区域对象,然后再以初始分割结果区域对象进行区域合并。本文提出一种自动种子点的并行区域生长分割方法,用于快速生成初始区域对象;提出均匀数据划分的并行区域生长策略及消除数据划分线两侧的区域对象方法;采用OpenMP并行技术实现并行区域生长过程。分割效果对比和效率分析结果表明,本文提出的初始分割方法效率较高,并且分割结果可重现,从可信度、通用性角度来看,具有较高的实用价值。     

无人机模糊图像自动检测方法

图像模糊程度是图像评价的一个关键指标参数,它影响着图像的质量和信息。特别对于无人机拍摄的图像,如果利用模糊的图像参与计算,会造成很大的误差甚至出现颠覆性的结果。因此对于图像模糊的检测显得至关重要。传统的图像模糊检测方法大都基于人工检测、且有合格的参考图像参与评价过程,方法耗时、费力,无法用于大量无人机拍摄图像的分析。因此本文基于Sobel边缘检测原理,利用4个方向的Sobel算子,寻找图像中每个Sobel边缘点的模糊邻域,并构建模糊邻域宽度值的计算准则,由此来计算出整幅图像的平均模糊邻域宽度值,并将这个计算结果作为检测模糊的直接依据。同时考虑到无人机拍摄图像的特点,将其按照拍摄时间顺序排列,依次将相邻图像互为参考,通过对比互为参考图像的模糊邻域宽度值的变化情况,将宽度值突变的图像确定为模糊图像。据此对无人机拍摄的所有图像进行模糊检测。最终通过7组2322张 图像进行自动检测发现151张图像模糊,通过人工检测发现158张图像模糊,平均检测率95.57%。该检测方法具有较强的 适用性。     

倾斜影像区块化自动整理方法研究与实现

高精度倾斜摄影实景三维重建,基于区块化数据规范管理、像控制点选片、倾斜影像姿态信息整理等需求,在数据导入建模软件之前,需要对海量倾斜影像数据进行人工整理。传统倾斜摄影后续数据整理,涉及影像分类、按规范重命名、影像按航向旋转、倾斜影像信息表录入等繁杂的工序,通常需要人工进行操作,劳动强度大,特别是针对多视角海量数据,错误率较高。该文旨在研究一种基于消费级无人机的高精度倾斜摄影区块化倾斜影像快速自动整理方法,通过程序替代人工批量实现倾斜影像视角分类、多视角影像重命名、Exif-GPS信息提取、曝光点轨迹及区块化倾斜影像信息表制作等工作,并以山东省滕州市前杨岗村高精度实景三维重建为实例,验证该方法能够极大降低人工劳动强度、缩短数据整理周期、保障数据精度,对提高基于消费级无人机倾斜摄影的实景三维建模效率具有较大的借鉴及实用价值。     

一种运动恢复结构和航位推算结合的室内行人视觉定位方法

商业和工业领域中,室内行人、车辆、机器人的位置信息正逐渐成为人们关注的热点,并随之产生了大量的室内定位技术和方法,如使用无线信号、地磁、超宽带和超声波等方式进行室内定位。然而,目前的这些室内定位方法大多需要额外辅助设备的支撑,增加了定位成本和硬件开销。视觉定位作为一种目前较为流行的定位方式,具有实施成本低、不依赖任何外界辅助设备等优势。其中,构建带有位置标签的图像数据库是视觉定位方法的关键环节,而传统的构建图像数据库方法人力开销大、时耗长。因此,本文提出一种运动恢复结构（SFM）和航位推算结合的视觉定位方法,能够快速构建图像位置数据库、大大降低人力开销。该方法主要包括2个阶段：离线阶段和在线阶段。离线阶段主要实现图像序列位置的自动标注,通过采集行走路线上的手机内置传感器信息和视频信息,提出一种多约束图像匹配方法用于视频图像的连续匹配,将匹配结果用于SFM方法,可以得到相邻图像间的运动角度,使用行人航位推算（PDR）方法标注图像序列的轨迹坐标。在线阶段使用提出的图像匹配方法计算查询图像与数据库影像间的匹配点数量,将匹配点最多的K个数据库影像位置坐标加权平均作为查询图像的定位结果。最后,分别在2种典型的室内环境下进行实验,结果表明本文方法在离线阶段位置标注的平均误差为0.58 m,在线阶段图像匹配定位的误差范围在0.2~1.4 m。     

SIFT与粗差剔除算法相结合的机载SAR影像匹配研究

SAR影像匹配是SAR数据处理的重要环节,但是,SAR影像匹配成功率、正确率及精度较低。通过SAR影像匹配,建立SAR匹配像对,对雷达立体观察和立体测量有重要的意义。在机载SAR影像匹配中,应用SIFT 算法,获得较稳定的特征,并结合2D单应变换的RANSAC算法剔除误匹配点对;选取三组不同类别的机载SAR影像数据,利用SIFT 和粗差剔除相结合的算法,通过VC++和OpenCV编程,提取出特征稳定且均匀分布的同名点对,完成机载SAR影像匹配实验。结果表明,对于含有人工建筑物的机载SAR影像,SIFT 算法可有效地提取大量稳定的匹配点对,其正确率高;对于含有自然植被的机载SAR影像,SIFT 算法可有效地提取较多稳定的匹配点对,其正确率较高;由于SIFT 算法实质上是基于局部灰度匹配的算法,对于纹理信息缺乏的机载SAR影像,只可提取少量稳定的匹配点对,其正确率相对前两者较低。总体而言,在机载SAR影像中SIFT 算法能够提取到稳定的匹配点对,并结合基于2D单应变换的RANSAC算法,可有效剔除误匹配点对,提高匹配正确率及精度。