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。     

基于SURF算法的无人机遥感影像拼接技术

在影像匹配的研究上,SIFT算法在特征匹配方面的应用一直是国内外学者关注的热点之一。最近几年,有研究者提出了SURF算法,该算法是在SIFT算法基础上作了一些改进后得到的新算法。为了比较这两种算法在影像特征点提取上的优劣性,本文开发了相应的软件程序,并采用无人机遥感影像数据进行了算法的实例验证。发现相比于SIFT算法,SURF算法在影像特征点提取中无论是运算速度还是提取的特征点数量都有较大进步。基于此将SURF算法应用到无人机遥感影像拼接中,并通过高斯滤波对拼接影像进行平滑处理,获得了令人满意的拼接影像。     

结合SIFT特征点和泊松融合的无人机遥感影像拼接技术

针对无人机遥感影像拼接技术的研究,本文提出了一种结合尺度不变的SIFT特征点和重叠过渡泊松融合的无人机遥感影像无缝拼接方法。该方法首先采用SIFT算法对影像进行特征点提取,根据特征描述符间的欧氏距离对特征点进行粗匹配;然后使用随机采样一致性（RANSAC）算法剔除误匹配点对,为防止计算出的单适应矩阵线性结构不稳定,引入LM算法对单适应矩阵进行优化;最后采用重叠过渡泊松融合算法对影像进行拼接融合,以实现影像的无缝拼接。试验结果表明,该方法在无人机遥感影像拼接方面具有优势,能够获得良好的拼接影像。     

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。     

基于SURF算法和改进RANSAC算法的无人机影像匹配

影像匹配是诸多遥感影像处理和影像分析的一个关键环节,结合加速鲁棒性特征(SURF)算法和随机采样一致性(RANSAC)算法对影像进行处理,得到特征稳定、匹配点可靠的配准影像。首先提取影像的SURF特征,利用特征点的欧式距离比来完成影像之间的粗匹配;然后使用RANSAC算法对粗匹配点进行筛选;最后计算出图像间的变换矩阵,完成匹配。文中选择某城郊地区的无人机航拍影像,结合SURF算法,并改进RANSAC算法来对影像进行处理,实现影像的匹配,验证文中方法的可行性。     

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。     

基于BSIFT的无人机影像快速拼接算法

针对传统SIFT算法在无人机影像配准过程中速度较慢的问题,提出了一种改进的BSIFT影像拼接方法.针对SIFT特征点描述符计算复杂、占用存储空间过大、匹配耗时过长的缺点,使用BRIEF特征点描述符代替,利用改进方法(BSIFT)对影像进行特征点的提取与匹配,利用RANSAC算法剔除错配点并计算变换矩阵.实验结果表明:本文提出的方法提高了影像拼接速度,而且提高了拼接精度.     

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。     

FREAK和改进的RANSAC算法在影像匹配中的应用

针对倾斜摄影中包含多个视角的影像而使匹配速度较慢的问题,提出了一种Speeded up robust features(SURF)、Fast Retina Keypoint(FREAK)和改进的Random Sample Consensus(RANSAC)算法相结合的影像匹配算法。首先利用SURF算法提取出稳健的特征点,然后利用FREAK描述符对特征点进行描述,在影像匹配阶段首先进行预匹配,然后用改进的RANSAC算法剔除错误匹配点对。经实验比较分析后得出:该算法在效率和匹配精度上都有较好的鲁棒性。