[发明专利]全景无人机图像拼接方法

说明书

本发明公开了一种全景无人机图像拼接方法，它包括图像输入、图像特征提取、图像特征匹配、图像匹配、图像拼接、拼接图像输出。其中图像输入为多台无人机同时拍摄的图像，图像特征提取利用改进的几何代数‑尺度不变特征转换算法，图像特征匹配采用自适应阈值算法，图像匹配采用随机抽样一致性进行稳健的单应性估计算法。本发明采用优化的几何代数尺度不变特征转换算法，实现快速的特征提取和特征匹配；运用自适应阈值方法通过较大的特征点提取和拼接工作，解决计算量大、拼接时间成本高的局限性问题；采用随机样本一致性方法来估计图像变换参数，并确定与数据一致性最好的解。图像拼接方法大大提高了图像的对齐速度，并产生了令人满意的图像拼接结果。

技术领域

本发明涉及图像拼接技术领域，具体涉及一种基于改进的几何代数-尺度不变特征转换和自适应阈值算法的全景无人机图像拼接方法。

技术背景

自动全景图像拼接在摄影测量、计算机视觉、图像处理和计算机图形学等领域有着广泛的研究文献和若干商业应用。随着客户对全景拼接功能的需求在各个领域的不断增加，图像拼接技术在现代智能航空图像拼接和无人机设备中的应用越来越受到关注。

目前，无人机在军事领域得到了广泛的应用，在现代农业监测和城市安全区域监测等领域也越来越受欢迎。无人机技术、材料科学和控制工程等方面的最新进展，使得全景无人机图像拼接技术在模式识别研究领域具有可行性和实用性。此外，一些无人机还可以支持其他传感器的重量，如可视和红外摄像机。

由于多个小型无人机的速度快、部署成本低，因此在灾害管理中应用多个小型无人机来支援第一反应者已变得越来越受欢迎。许多关于图像拼接的研究都集中在这种无人机上，通过融合从不同类型的航空相机拍摄的单个图像，对目标区域进行实时监控。这些方法对比例、旋转和照明变化具有明确的鲁棒性，还可以处理单个图像的有限重叠。配备摄像头的无人机可以提供原本无法进入的区域的鸟瞰图。这种无人机设备广泛应用于环境监测、监督执法、边境安全控制、农田作物监测、目标检测、施工现场评估和灾害应急管理等领域。最重要的是，此类场景通常涉及高度动态的目标区域，因此在单个图像上提供的信息通常是有限的。重要的是要缝合来自不同地点的无人机图像，以确定实时状态。

发明内容

本发明所要解决的技术问题是：克服现有技术的不足，提供一种基于改进的几何代数-尺度不变特征转换和自适应阈值算法的全景无人机图像拼接方法，能更准确地定位更多的特征点，并结果解决图像拼接过程中计算量大、拼接时间成本高的局限性问题。

本发明采用的技术方案是：全景无人机图像拼接方法，包括图像输入、图像特征提取、图像特征匹配、图像匹配、图像拼接、拼接图像输出。其中图像输入为多台无人机同时拍摄的图像，图像特征提取利用改进的几何代数-尺度不变特征转换算法，图像特征匹配采用自适应阈值算法，图像匹配采用随机抽样一致性进行稳健的单应性估计算法。

多台无人机拍摄的图片，依次经过图像输入、图像特征提取、图像特征匹配、图像匹配、图像拼接、拼接图像输出步骤，将多台无人机拍摄的多张图像拼接成一张图像。

其中改进的几何代数-尺度不变特征转换算法，包括以下步骤：

步骤1：多光谱图像表示。用n维空间向量的卷积定义表示几何代数算法中输入的多光谱图像。多光谱图像中的每个像素都由一个多向量表示。

步骤2：色度图像提取。去除图像的亮度部分，保留色度图像，减少亮度变化的影响。

步骤3：尺度空间确定。利用几何代数中的卷积和高斯滤波器，得到尺度空间的高斯映射和几何代数-不同的高斯色度图像。

步骤4：关键点检测和定位。使用度量函数找到几何代数-不同的高斯图像的局部最小值/最大值作为关键点。

步骤5：特征点描述。用几何代数算法描述特征点的大小和方向。

其中自适应阈值算法，包括以下步骤：