[发明专利]一种基于三角结构一致的无人机线阵与面阵影像匹配方法

说明书

本发明提供一种基于三角结构一致的无人机线阵与面阵影像匹配方法，包括对无人机所采集原始的面阵影像和线阵影像进行预处理；设左影像为面阵影像，设右影像为线阵影像，获得初始匹配点对，进行误匹配剔除；对特征点进行聚类，并根据聚类中心对左右影像进行Voronoi图划分；将左影像上任一个特征点作为待匹配点，选择距离最近的两个聚类中心构成三角结构；然后根据三角结构的一致性，在右影像上基于相应聚类中心估算待匹配点的同名点所在区域，得到最终的同名点对；将获取的同名点对反算得到匹配结果。本发明利用预处理影像后同名特征点之间几何结构的一致性，精确估算待匹配点所在区域，极大地提高了影像匹配的效率和正确率。

技术领域

本发明属于遥感影像处理技术领域，涉及一种基于三角结构一致的无人机线阵与面阵影像匹配方法。

背景技术

影像匹配是摄影测量与遥感领域中的研究热点和重点，其结果可用于影像配准、影像拼接以及三维重建等。随着遥感技术的极大发展，用于获取影像的传感器已经从传统胶片航摄仪发展到数字航摄仪。数字航摄仪的成像方式主要分为框幅式(面阵)和推扫式(线阵)两种。面阵CCD相机为中心投影，像片具有分辨率高、几何保真度好等特点，但相幅相对较小，而线阵CCD相机是多中心投影，具有更大扫描宽度和更高的测图生产效率，但是数据量大且处理难度高。为了更好地利用线阵影像和面阵影像的优点，研究如何解决面阵影像与线阵影像之间的高效自动匹配对后续的空中三角测量和空间数据产品生产有重大意义。

线阵影像每一行都具有一个投影中心，使得线阵影像在匹配时因为无法确定具体投影参数而加大匹配难度，同时，由于成像环境的不同，影像间往往存在着尺度差异大，旋转角度等问题，使得匹配难以获得稳定可靠的匹配点，也难以满足匹配的时效性。目前，影像匹配算法很多，但是这些方法都是大多是针对单一来源的传感器影像进行匹配，且很少能将匹配的精度、速度及可信度三大制约因素很好地结合起来，形成高效实用技术的方法。因此，如何针对对于无人机线阵影像和面阵影像的匹配能力仍有待提高。

发明内容

针对现有技术的不足，本发明提供一种三角结构一致的无人机线阵与面阵影像匹配方法，充分利用POS数据辅助影像匹配，有效地克服无人机面阵影像与线阵影像之间存在的尺度、旋转等几何差异，并利用预处理影像后同名特征点之间几何结构的一致性，精确估算待匹配点所在区域，极大地提高了影像匹配的效率和正确率。

为实现上述目的，本发明的技术方案为一种基于三角结构一致的无人机线阵与面阵影像匹配方法，包括以下步骤，

步骤1，对无人机所采集原始的面阵影像和线阵影像进行预处理；

步骤2，设左影像为面阵影像，设右影像为线阵影像，在左影像上提取均匀分布的特征点，并根据像点与地平面的仿射变换关系，在右影像上搜索同名点，获得初始匹配点对；

步骤3，对初始匹配点对进行误匹配剔除，获得正确的匹配点对；

步骤4，根据步骤3所得结果，对特征点进行聚类，并根据聚类中心对左右影像进行Voronoi图划分；

步骤5，将左影像上任一个特征点作为待匹配点，选择距离最近的两个聚类中心构成三角结构；然后根据三角结构的一致性，在右影像上基于相应聚类中心估算待匹配点的同名点所在区域，并在此区域内搜索和匹配，得到最终的同名点对；

步骤6，将步骤5获取的同名点对反算至原始的面阵影像和线阵影像，得到匹配结果。

而且，步骤1中，根据粗略条件对无人机所采集原始的面阵影像和线阵影像进行预处理，消除影像之间存在的几何差异。

而且，步骤2中，将左影像按照M*M个像素进行网格划分，并在每个网格内提取Harris特征点，并保留兴趣值最大的Harris点作为当前格网内的特征点，M*M为预设的网格尺寸。

而且，步骤3中，采用基于单应性矩阵的RANSAC方法进行误匹配剔除处理。