剔除无人机影像BRISK特征误匹配点对算法

针对BRISK特征检测算法在遥感影像中匹配时同名点对冗余度高和全局性差等特点,考虑BRISK特征检测算法能获取大量无人机遥感影像特征点,Delaunay三角网算法能够利用影像的BRISK特征点的粗匹配点对构建三角网,本文综合两种算法的优点,提出了一种结合BRISK特征检测算法和Delaunay三角网算法的剔除无人机遥感影像误匹配点对方法。该方法利用两张影像的BRISK粗匹配特征点构建Delaunay三角网,利用遍历两张影像三角网中的三角形相似度剔除错误匹配点对,并利用摄影不变量原理进一步剔除误匹配点对,提高了两张影像的精度;对比分析了Delaunay三角网的射影不变量算法,RANSAC算法分别剔除原始影像组、加入椒盐噪声影像组及旋转影像组的BRISK特征误匹配点对的效果。试验结果表明,3组影像分别利用结合BRISK特征和Delaunay三角网的射影不变量算法的无人机遥感影像匹配方法获得的正确特征匹配点对冗余度低、全局性优。     

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。     

一种利用矢量-角度法的模型点云压缩算法

针对点云数据过密、冗余信息较多的问题,提出了一种基于自适应切片与矢量-角度法的点云快速压缩算法,该算法利用包围盒将点云进行自适应分层形成切片点云,然后对每层点云使用矢量-角度法精简数据。利用该算法开展了试验研究,通过试验分别讨论分层数目、最短距离和角度参数对压缩结果的影响,并通过构建网格模型验证压缩效果。试验结果表明:该算法对目标特征复杂的部位有较好的压缩效果,在平坦部位不会因过度压缩出现失真现象;该算法能够自适应地保留反映目标特征和细节的点,实现点云的快速压缩。     

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。     

结合SURF算法和单应性矩阵的无人机影像匹配

针对无人机影像受拍摄条件影响或区域环境复杂造成的匹配效果不佳,局部区域甚至无法匹配的问题,基于SURF算法,利用多重约束条件改进算法对无人机影像进行了特征匹配。该匹配算法首先利用SURF算法检测影像特征点,利用FLANN快速搜索结合KNN算法筛选特征点,选出构造单应性矩阵的最优内点匹配对,然后利用基于单应性矩阵的RANSAC算法过滤掉错误匹配。试验结果表明:与基于SURF算法的单一约束条件的无人机影像匹配相比,多重约束条件的无人机影像匹配算法在匹配质量优化的同时能提高无人机影像匹配集数量,该算法在误匹配减少的前提下能获得更多准确的特征点。