[发明专利]一种基于无人机POS信息与图像SURF特征结合的图像拼接方法

说明书

技术领域

本发明涉及一种基于无人机POS(Position and Orientation System)信息与图像SURF特征相结合的拼接方法，属于数字图像处理领域、GIS领域以及测绘领域等相关领域。

背景技术

UAV(Unmanned Aerial Vehicle无人机)具有运行简单、反应迅速、飞行灵活、成本低等特点，已被广泛应用于抗灾救灾、军事侦察、海上检测、环境保护和土地动态监测等区域。而由于无人机航拍序列图片拍摄的视角有限，受到无人机飞行的高度及相机的参数的限制。为了对拍摄的区域进行全局的把握与分析，得到更多的目标区域信息，图像的快速拼接显得十分迫切与需要。

目前无人机的航拍图像拼接方法主要有两种：一种是基于图像特征的拼接方法，另一种是基于无人机POS信息的拼接方法。

基于特征的图像拼接主要包括两个主要的步骤，分别为图像配准，图像融合。其中图像配准为核心步骤，在基于特征检测的图像配准算法中，1988年CHris Harris提出了Harris 角点检测算子，SIFT特征匹配算法(scale invariant feature transform)是一种经典的算法，它通过在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，并且提出来的特征比较稳定，但是缺点为提取出的特征点数量较多，计算量大，耗时长。Bay于2006年提出了SURF算法，意为加速鲁棒性特征，是对SIFT算法进行的一种改进，SURF算法利用 Hessian矩阵确定候选点然后进行非极大抑制，降低了计算复杂度，一般来说，标准的SURF 算子比SIFT算子快好几倍，并且在多副图片下具有更好的鲁棒性，但是基于特征的图像拼接方法误差容易积累，并且在针对海域等区域等特征不容易提取的情况下，传统特征拼接方法并不适用。

基于POS的信息拼接方法主要是利用航拍图像的地理坐标关系来进行配准，无人机的航行速度，航行高度，当前曝光点的飞机经纬度信息，都可以通过无人机携带的POS系统获取到。这些信息记录了飞机飞行时在每个曝光时刻飞行时的姿态，但是由于无人机在进行航拍的时候，姿态并不固定，因此需要相邻曝光点的两组POS数据来进行空三计算，从而计算出图像像素点的经纬度，随着建立模型的不同，误差也有所不同。

本方法将特征提取算法与图像的地理坐标相结合，在拼接效率及视觉效果上比传统的特征提取拼接算法均有较大的提高，且拼接后的图像有地理信息，具有一定的实用价值。

发明内容

针对以上两种方法的缺点，为了提高拼接精度以及对增加对各种航拍图像的适应性，提出了一种基于无人机POS信息与传统特征拼接相结合的方法，首先对图像进行几何校正，然后计算出图像四角点的地理坐标，以第一张图像地理坐标为基础，通过提取相邻图像重叠区域的SURF特征去得到同名匹配目标点的位置关系，从而依次修正后面图像的地理坐标，最后采用自适应渐入渐出的融合算法，得到了一副视觉效果良好的全景图像，完成图像的良好拼接。

本发明采用的技术方案为一种基于无人机POS信息与图像SURF特征结合的图像拼接方法，该方法包括如下步骤：

S1：航拍图像预处理：

无人机在执行航拍任务中，由于受到飞行器的姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标实际位置发生挤压、扭曲、拉伸和偏移等，因此对航拍的图像进行几何矫正，以得到基于同一基准投影面的遥感图像。

S2：航拍图像重叠区域计算：

根据POS信息计算相邻图像的重叠区域，根据POS信息得到序列图像曝光点的时间以及飞行的实际距离，根据飞机当前飞行的角度将速度进行正方向上的分解，通过计算相邻拍摄图像的重叠区域以减少拼接的计算量，并且随着特征点的寻找面积越小，可能出现的误匹配概率就越小，提高检测效率。

S3:图像的地理坐标计算：

将图像进行几何矫正后，根据当前飞机飞行的姿态角度计算出图像中心点的经纬度坐标，根据相机内外方位元素计算图像地面分辨率，由此计算出图像四点的经纬度坐标，再将地理坐标转换到空间直角坐标系下，从而按照空间直角坐标系进行投影，得到图像之间的相对位置关系。

S4：提取图像的SURF特征：

SURF特征的提取包括：构建Hessian矩阵，生成所有兴趣点、构建尺度空间、对特征点进行定位、特征点主方向分配、生成特征点描述子、特征点匹配等步骤，通过这些步骤计算得到相邻图像的SURF特征匹配点对。

S5：利用提取到的图像SURF特征点对修正地理坐标：