賀一楠，耿 娟，秦 軍，劉 晨，楊 輝

(西南交通大學(xué)軌道交通工程遙感聯(lián)合研究中心，成都 610031)

0 引言

近年來，無人機(jī)(unmanned aerial vehicle，UAV)正成為航空遙感圖像獲取的重要手段，特別是在人跡罕至、環(huán)境比較惡劣的地區(qū)，UAV的優(yōu)越性更為明顯。但因受限于UAV自身配重較輕、抗風(fēng)能力弱、姿態(tài)不穩(wěn)定等因素影響，UAV圖像存在著復(fù)雜的幾何變形，導(dǎo)致其在圖像配準(zhǔn)過程中存在很大的難度。分析現(xiàn)有研究情況，UAV圖像的配準(zhǔn)、拼接和糾正處理可以分為2大類:①針對(duì)UAV圖像特點(diǎn)、參考傳統(tǒng)的攝影測(cè)量流程進(jìn)行處理。圖像拼接前需要按照嚴(yán)格定位模型生成正射圖像，研究主要集中在拼接縫消除方面，這樣處理的結(jié)果精度高;但同時(shí)需要有高精度的姿態(tài)參數(shù)和地面控制點(diǎn)，工作周期長(zhǎng)，難以滿足重大環(huán)境與自然災(zāi)害快速評(píng)估和應(yīng)急響應(yīng)的需求[1];②在不需要地面控制點(diǎn)的情況下，對(duì)已有圖像配準(zhǔn)后進(jìn)行拼接和糾正處理，主要包括基于頻率域和空間域的配準(zhǔn)與加權(quán)融合[2-3]?；陬l率域的圖像配準(zhǔn)算法(如Fourier-Mellin算法)可以很好地解決平移、旋轉(zhuǎn)和縮放的問題，但對(duì)圖像的尺度和重合度要求較高[4]?；诳臻g域的配準(zhǔn)算法如尺度不變特征轉(zhuǎn)換(scale-invariant feature transform，SIFT)算法，拼接后的圖像質(zhì)量很高，但在特征點(diǎn)搜索時(shí)采用固定核尺寸，耗時(shí)長(zhǎng)，效率不高[5];而結(jié)合Harris算子和局部相關(guān)系數(shù)(local area correlation coefficient，LACC)的利用金字塔多層匹配的多約束條件配準(zhǔn)算法，則復(fù)雜度高且效率低[6]。針對(duì)上述情況，本文提出一種基于Forstner算子與歸一化互相關(guān)(normalized cross correlation，NCC)約束的配準(zhǔn)方法實(shí)現(xiàn)UAV圖像的配準(zhǔn)，并通過實(shí)驗(yàn)證明該方法的有效性。

1 特征點(diǎn)提取與匹配

在UAV圖像配準(zhǔn)和拼接研究中需要重點(diǎn)關(guān)注的是拼接算法的效率，最大可能地在既有參數(shù)條件下實(shí)現(xiàn)準(zhǔn)確而且快速的圖像配準(zhǔn)，才能發(fā)揮UAV的靈活高效的優(yōu)點(diǎn)[7]。

本文采用基于UAV圖像特征信息的特征相關(guān)匹配方法，利用圖像中明顯的特征信息(如邊緣、角點(diǎn)、交叉點(diǎn)等)不變的局部屬性對(duì)特征點(diǎn)進(jìn)行提取，然后在特征點(diǎn)之間進(jìn)行匹配[8-9];繼而利用最小二乘法對(duì)已匹配的特征點(diǎn)進(jìn)行最優(yōu)化，從而實(shí)現(xiàn)UAV圖像的配準(zhǔn)和鑲嵌。其技術(shù)流程如圖1所示。

圖1 無人機(jī)圖像配準(zhǔn)技術(shù)流程Fig.1 Workflow of UAV image registration

UAV圖像配準(zhǔn)的主要工作由2部分組成:①特征點(diǎn)提取和圖像分塊;②基于NCC匹配算法的特征點(diǎn)匹配。在特征點(diǎn)匹配之前，需要進(jìn)行圖像重疊度的估算、重疊區(qū)的特征點(diǎn)提取以及基于信息熵的圖像分塊。

1.1 圖像重疊度估算

與傳統(tǒng)的航空遙感圖像相比，UAV圖像具有更高的重疊度，通常能夠達(dá)到航向重疊70% ～80%，旁向重疊50%以上。直接利用UAV的定位定向系統(tǒng)(position orientation system，POS)數(shù)據(jù)、基于傳統(tǒng)的攝影測(cè)量方法進(jìn)行空三測(cè)量時(shí)，為保證圖像配準(zhǔn)的效果，需要通過高精度的數(shù)字地面模型(digital surface model，DSM)生成正射圖像，而高精度的DSM則需要大量的地面控制點(diǎn)，處理工作量大且耗時(shí)費(fèi)力。因此，本文提出基于UAV的POS數(shù)據(jù)的圖像重疊度估算，以便于圖像特征點(diǎn)的搜尋。像對(duì)同名點(diǎn)處在大面積的重疊區(qū)域內(nèi)，同時(shí)在圖像重疊區(qū)內(nèi)尋找像對(duì)的同名點(diǎn)比遍歷整景圖像尋找同名點(diǎn)要節(jié)省時(shí)間;因此在進(jìn)行特征點(diǎn)匹配之前，估算圖像的重疊度非常有利于后續(xù)的運(yùn)算。假設(shè)依照POS數(shù)據(jù)中基準(zhǔn)圖像中心地理平面坐標(biāo)為(x1，y1)，待匹配圖像坐標(biāo)為(x2，y2)，根據(jù)已知的飛行航高H與鏡頭焦距f可以計(jì)算出2景圖像中心的坐標(biāo)偏移量S，即

因?yàn)?景圖像的像素大小a×b與圖像尺寸p保持一致，設(shè)基準(zhǔn)圖像的像片中心點(diǎn)為坐標(biāo)原點(diǎn)(0，0)，X方向?yàn)轱w行方向，Y方向?yàn)榇怪憋w行方向，在像平面坐標(biāo)下可以得到2景圖像的4個(gè)角點(diǎn)的坐標(biāo)，按照4個(gè)象限依次排列，即基準(zhǔn)圖像4個(gè)角點(diǎn)的坐標(biāo)分別為(a·p/2，b·p/2)，(-a·p/2，b·p/2)，(-a·p/2，-b·p/2)和(a·p/2，-b·p/2);待匹配圖像4 個(gè)角點(diǎn)的坐標(biāo)分別為(a·p/2+Sx，b·p/2+Sy)，(-a·p/2+Sx，b·p/2+Sy)，(-a·p/2+Sx，-b·p/2+Sy)和(a·p/2+Sx，-b·p/2+Sy)。

沿著UAV飛行方向，組成這2景圖像重疊區(qū)域的角點(diǎn)坐標(biāo)。按照4個(gè)象限依次排列，即基準(zhǔn)圖像4 個(gè)角點(diǎn)的坐標(biāo)分別為(a·p/2，b·p/2)，(-a·p/2+Sx，b·p/2)，(-a·p/2+Sx，-b·p/2)和(a·p/2，-b·p/2);待匹配圖像4個(gè)角點(diǎn)的坐標(biāo)分別為(a·p/2，b·p/2+Sy)，(-a·p/2+Sx，b·p/2+Sy)，(-a·p/2+Sx，-b·/2+Sy)和(a·p/2，-b·p/2+Sy)。

在實(shí)際處理中，為防止特征點(diǎn)提取時(shí)出現(xiàn)遺漏，同時(shí)提高特征點(diǎn)匹配的成功率，可以在保證飛行方向的重疊區(qū)域不變的情況下，適當(dāng)增加垂直飛行方向的重疊區(qū)域面積。

1.2 特征點(diǎn)提取

特征點(diǎn)是反映地物類型或區(qū)域地理分布特征的地物點(diǎn)，在地圖上具有準(zhǔn)確的地理位置和明確的地理屬性及含義。在圖像處理中，特征點(diǎn)大致可以分為狹義特征點(diǎn)和廣義特征點(diǎn)2種。廣義特征點(diǎn)可以認(rèn)為是一個(gè)抽象的特征區(qū)，而狹義特征點(diǎn)的位置本身則具有常規(guī)的屬性(例如角點(diǎn)、交叉點(diǎn)等)。

在已有的特征點(diǎn)提取方法中，基于模板的最小核值相似區(qū)(small univalue segment assimilating nucleus，SUSAN)算法極其耗時(shí)，不適用于大量特征點(diǎn)的提取，在大范圍空間尺度的數(shù)字?jǐn)z影測(cè)量中很少應(yīng)用;尺度不變特征轉(zhuǎn)換(SIFT)算法包含4個(gè)步驟(尺度空間極值點(diǎn)探測(cè)、極值點(diǎn)精確定位、方向參數(shù)指定和關(guān)鍵點(diǎn)描述符)，自身復(fù)雜度較高，尤其是采用固定的高斯探測(cè)核，導(dǎo)致該算法的效率也很低;基于圖像噪聲檢測(cè)的Harris算法對(duì)圖像尺度很敏感，只能適用于沒有旋轉(zhuǎn)、沒有仿射變換且尺度變化比較小的UAV圖像;而著名的點(diǎn)特征提取算子——Moravec算子提取特征點(diǎn)的速度是幾種算法中最快的，但精度最差，而且受空間尺度變異和噪聲的影響很大。

本文采用攝影測(cè)量中著名的點(diǎn)定位算子——Forstner算子。該算子在現(xiàn)有的特征提取方法中復(fù)雜度最低，而且效率和相對(duì)精度最高。該算子通過計(jì)算各像素的Robert梯度和以像素為中心的一個(gè)窗口的灰度協(xié)方差矩陣，在圖像中尋找盡可能小而接近圓的誤差橢圓的點(diǎn)作為特征點(diǎn)[10]。在利用Forstner算子提取特征點(diǎn)的過程中，需要確定2個(gè)閾值:①差分算子絕對(duì)值均值的閾值;②感興趣值的閾值。閾值的選取將對(duì)特征點(diǎn)的提取及后續(xù)的配準(zhǔn)精度產(chǎn)生很大的影響。閾值設(shè)置太小，將增加特征點(diǎn)選取及后續(xù)匹配過程的計(jì)算量;閾值太大，會(huì)增加特征點(diǎn)漏選、錯(cuò)選的幾率。

1.3 特征點(diǎn)匹配

1.3.1 基于信息熵的圖像分塊

完成像對(duì)重疊區(qū)的特征點(diǎn)提取后，在進(jìn)行特征點(diǎn)匹配之前，先針對(duì)這些特征點(diǎn)進(jìn)行重疊區(qū)圖像分塊，以提高特征點(diǎn)匹配的速度。本文采用基于信息熵的方法對(duì)重疊區(qū)圖像進(jìn)行分塊。

先將重疊區(qū)的圖像均勻地分為4塊，每塊圖像的大小為(m/2)×(n/2)，其中m為重疊區(qū)圖像的寬度，n為重疊區(qū)圖像的長(zhǎng)度;然后計(jì)算每塊圖像矩陣的信息熵H，其中最大值為Hmax，最小值為Hmin。若最大、最小信息熵的差值△H=(Hmax-Hmin)≥th(“th”為分塊閾值，用于描述分塊的精細(xì)程度)，則說明分割有效;再將分割所得的每塊圖像作為新的處理對(duì)象進(jìn)行均勻分割，直至每塊圖像矩陣的大小滿足 min(m/2a，n/2b)≥minsize，{a|a ＞1 且 a∈N}，{b|b＞1且b∈N}(“minsize”為每塊處理對(duì)象的熵的下限)，則停止分割。本文經(jīng)過反復(fù)試驗(yàn)，確定待處理對(duì)象的熵的下限minsize=3.47，分塊閾值th=0.51。

1.3.2 基于NCC的特征點(diǎn)匹配

進(jìn)行歸一化互相關(guān)(NCC)處理是為了解決圖像互相關(guān)中像素灰度隨位置變化導(dǎo)致匹配度降低、匹配系數(shù)依賴于模板大小等問題。NCC的相關(guān)系數(shù)[11]為

式中:δ(u，v)為匹配圖像和模板之間的NCC系數(shù);m 和 n 分別為匹配模板的長(zhǎng)和寬;gi+u，j+v和 g′i，j分別為參加匹配的2景圖像中在(i+u，j+v)和(i，j)處的灰度值。2景圖像越相似，其NCC越接近1。

NCC相關(guān)系數(shù)的分子實(shí)際上是代表灰度的2個(gè)矩陣中對(duì)應(yīng)點(diǎn)的值兩兩相乘再求和，在沒有旋轉(zhuǎn)的情況下，可以得到比較好的的結(jié)果[11]。但是UAV圖像存在一定角度的航偏旋轉(zhuǎn)，自帶的云臺(tái)所采集的旋轉(zhuǎn)角度的精度不高，該角度數(shù)據(jù)不能直接使用。由于在待匹配圖像中選取的特征點(diǎn)和探測(cè)窗口與在基準(zhǔn)圖像中的實(shí)時(shí)窗口已經(jīng)不同，加之窗口中像素的對(duì)應(yīng)關(guān)系已經(jīng)不存在，因此，NCC方法不能直接用于UAV圖像的特征點(diǎn)匹配。但如果將探測(cè)窗口按照一定的步長(zhǎng)進(jìn)行旋轉(zhuǎn)，則總會(huì)找到一種情況與實(shí)時(shí)窗口基本相同，并且在這種條件下NCC系數(shù)達(dá)到最大。探測(cè)窗口旋轉(zhuǎn)后，原來探測(cè)窗口中的點(diǎn)與旋轉(zhuǎn)后的點(diǎn)之間的對(duì)應(yīng)關(guān)系比較復(fù)雜，不能用統(tǒng)一的坐標(biāo)轉(zhuǎn)換公式來表示，本文方法根據(jù)UAV圖像的特點(diǎn)分2種情況:

1)0°＜θ≤90°

2)-90°＜θ≤0°

式(3)(4)中:(i，j)為原始探測(cè)窗口的坐標(biāo);(i′，j′)為旋轉(zhuǎn)后探測(cè)窗口的坐標(biāo);m1和n1分別為原始探測(cè)窗口的長(zhǎng)和寬;θ為探測(cè)窗口逆時(shí)針旋轉(zhuǎn)的角度。為確定旋轉(zhuǎn)后的每個(gè)像素點(diǎn)的灰度值，選擇雙向線性內(nèi)插法得到旋轉(zhuǎn)后像素點(diǎn)的灰度值。

為了精確地獲取與控制點(diǎn)對(duì)應(yīng)的匹配點(diǎn)，經(jīng)過多次試驗(yàn)，設(shè)定NCC的門限閾值為0.98。采用逐次逼近算法，首先讓滑窗在-90°≤θ≤90°內(nèi)以1°為步長(zhǎng)逆時(shí)針旋轉(zhuǎn)，同時(shí)計(jì)算NCC系數(shù);然后截取NCC取得最大值時(shí)旋轉(zhuǎn)角θ所在鄰域[θ-1°，θ+1°]作為新的旋轉(zhuǎn)域約束角，繼續(xù)讓滑窗在該區(qū)域內(nèi)改為以1′為步長(zhǎng)進(jìn)行逆時(shí)針旋轉(zhuǎn)，同時(shí)計(jì)算NCC系數(shù);依此類推，不斷地改變步長(zhǎng)，通過約束逼近求得使NCC的值滿足閾值時(shí)的同名匹配點(diǎn)。實(shí)現(xiàn)特征點(diǎn)匹配的技術(shù)流程如圖2所示。

圖2 特征點(diǎn)匹配流程Fig.2 Workflow of feature point matching

1.3.3 誤差點(diǎn)剔除

通過NCC系數(shù)匹配法匹配的特征點(diǎn)對(duì)中會(huì)存在一些錯(cuò)誤的匹配點(diǎn)對(duì)，必須將這些錯(cuò)誤的點(diǎn)對(duì)剔除，否則會(huì)導(dǎo)致解算出的轉(zhuǎn)換模型存在很大的誤差。在正常飛行條件下，由UAV拍攝的2景相鄰圖像的旋轉(zhuǎn)畸變和縮放畸變相對(duì)于飛行運(yùn)動(dòng)很小，所以連接每對(duì)同名點(diǎn)所構(gòu)成的向量之間距離的誤差也很小。如果2對(duì)匹配點(diǎn)是正確的匹配點(diǎn)，則它們構(gòu)成的向量之間距離的誤差應(yīng)該很小，反之則較大。因此可以利用該閾值進(jìn)行誤差點(diǎn)剔除，其計(jì)算步驟包括:①計(jì)算圖像中所有匹配點(diǎn)對(duì)所構(gòu)成的向量的距離，并求其均值E;②定義該均值E作為條件閾值;③剔除匹配點(diǎn)對(duì)中與該閾值E相差過大的匹配點(diǎn)對(duì)(圖3)。

圖3 誤差匹配點(diǎn)消除示意圖((A1，B1)，(A2，B2)，(A3，B3)及(A4，B4)為匹配點(diǎn)對(duì))Fig.3 Sketch map for elimination of false matching points

圖3 中匹配點(diǎn)對(duì)(A3，B3)所構(gòu)成的向量A3B3的距離與閾值E相差過大，故作為誤差點(diǎn)被剔除。

近年來,小兒肺炎發(fā)病率居高不下,嚴(yán)重影響患兒身體健康。臨床發(fā)現(xiàn),小兒肺炎發(fā)病的主要原因?yàn)椴≡w通常從呼吸道侵入,引發(fā)肺泡、小支氣管以及肺間質(zhì)炎癥,造成小支氣管管腔變得狹窄甚至阻塞,導(dǎo)致通氣障礙;而炎癥會(huì)造成呼吸膜厚度增加,造成很多炎癥滲出物存于肺泡腔內(nèi),導(dǎo)致?lián)Q氣障礙。通氣與換氣障礙會(huì)導(dǎo)致機(jī)體缺氧與二氧化碳潴留,從而引發(fā)一系列病理與生理性改變,嚴(yán)重者甚至?xí)霈F(xiàn)呼吸衰竭癥狀,威脅患兒生命安全[2]。因此,尋找一種安全有效的治療方案具有重要的臨床意義。

2 轉(zhuǎn)換模型

圖像配準(zhǔn)就是在2景UAV圖像之間建立映射關(guān)系，確定相應(yīng)的變換參數(shù)，并進(jìn)行仿射變換。基準(zhǔn)坐標(biāo)系(xr，yr)和校正坐標(biāo)系(xc，yc)存在一定的映射關(guān)系[12]，即

式中:β為旋轉(zhuǎn)角度;△x和△y分別為橫向位移和縱向位移;s為縮放因子，在固定飛行高度和固定相機(jī)焦距條件下，s=1。

采用最小二乘方法，通過式(6)可以求得各參數(shù)，即

式中:

計(jì)算步驟如下:①為了快速地進(jìn)行匹配和坐標(biāo)轉(zhuǎn)換計(jì)算，選擇多個(gè)探測(cè)窗口進(jìn)行匹配，把每個(gè)探測(cè)窗口左上角的點(diǎn)作為匹配點(diǎn)，利用全局搜索策略和NCC匹配算法在基準(zhǔn)圖像中尋找相匹配的同名點(diǎn);在搜索過程中，因不知道旋轉(zhuǎn)的角度，故探測(cè)窗口按照逐步逼近算法進(jìn)行旋轉(zhuǎn)，并計(jì)算NCC系數(shù)，取NCC系數(shù)滿足閾值位置的點(diǎn)作為這一控制點(diǎn)的匹配點(diǎn);②不斷重復(fù)步驟①，直到待匹配圖像中的特征點(diǎn)在基準(zhǔn)圖像中都找到對(duì)應(yīng)的匹配點(diǎn);③根據(jù)原始參考圖像和旋轉(zhuǎn)后參考圖像的位置關(guān)系，建立上述同名點(diǎn)在原始參考圖像中的位置轉(zhuǎn)換模型;④根據(jù)位置轉(zhuǎn)換模型，利用最小二乘法計(jì)算轉(zhuǎn)換關(guān)系參數(shù)(包括橫向位移、縱向位移和旋轉(zhuǎn)角)。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)與設(shè)備

本次實(shí)驗(yàn)采用拍攝于四川省阿壩藏族羌族自治州東南部的UAV圖像(圖4)和同步獲取的POS數(shù)據(jù)(表1)。

圖4 實(shí)驗(yàn)用UAV圖像像對(duì)Fig.4 Image pair of UAV images for experiment

表1 實(shí)驗(yàn)圖像的POS數(shù)據(jù)Tab.1 POS data of experimental images

仿真實(shí)驗(yàn)算法基于IDL語言;圖像處理工作站配置為CPU英特爾Xeon志強(qiáng)E3-1 230，3.30 Hz四核處理器，內(nèi)存單元為8 GB，GPU為英偉達(dá)Quadro K2000。

3.2 實(shí)驗(yàn)結(jié)果與分析

根據(jù)與UAV圖像同步獲取的POS數(shù)據(jù)，利用前文介紹的UAV圖像重疊度估算方法，結(jié)合式(1)及角點(diǎn)坐標(biāo)得到UAV圖像的重疊區(qū)域(圖5)。

圖5 圖像重疊度估算結(jié)果(綠色矩形框內(nèi)為圖像重疊區(qū))Fig.5 Estimation result of image overlap area

在利用Forstner算子提取特征點(diǎn)的過程中，經(jīng)過反復(fù)試驗(yàn)，設(shè)置初選差分閾值為45，計(jì)算感興趣值窗口為5像素×5像素，非最大抑制窗口為7像素×7像素，感興趣閾值為1.2。在圖像重疊區(qū)內(nèi)提取特征點(diǎn)的結(jié)果如圖6所示。

圖6 圖像重疊區(qū)內(nèi)特征點(diǎn)提取結(jié)果(綠色矩形框內(nèi)為圖像重疊區(qū))Fig.6 Extraction result of feature points in mage overlap area

利用UAV圖像在不同的探測(cè)矩陣尺寸下進(jìn)行大量實(shí)驗(yàn)，發(fā)現(xiàn)隨著探測(cè)矩陣尺寸的逐漸增大，運(yùn)算的耗時(shí)量在增加，匹配點(diǎn)對(duì)數(shù)量在減少;當(dāng)探測(cè)矩陣尺寸增大到一定程度時(shí)，在耗時(shí)量增加的同時(shí)，匹配點(diǎn)對(duì)數(shù)目趨于穩(wěn)定。因此，在耗時(shí)量和提取的匹配點(diǎn)對(duì)數(shù)量上必然有最優(yōu)的探測(cè)矩陣尺寸。為了找到最優(yōu)探測(cè)矩陣尺寸，本文選用多個(gè)航空攝影區(qū)域的UAV圖像進(jìn)行試驗(yàn)，比較在不同探測(cè)矩陣尺寸下基于NCC存在旋轉(zhuǎn)的特征點(diǎn)匹配的耗時(shí)以及提取的匹配點(diǎn)對(duì)數(shù)量。受篇幅所限，僅列舉部分實(shí)驗(yàn)數(shù)據(jù)(表2)進(jìn)行說明。其中，當(dāng)探測(cè)矩陣尺寸小于9像素×9像素時(shí)，不利于探測(cè)矩陣在旋轉(zhuǎn)過程中的坐標(biāo)轉(zhuǎn)換計(jì)算，因此只考慮探測(cè)矩陣尺寸大于或等于9像素×9像素的情況。

表2 不同探測(cè)矩陣尺寸實(shí)驗(yàn)結(jié)果Tab.2 Experimental result in different detection matrix size

由表2可以看出，在探測(cè)矩陣尺寸從9像素×9像素逐漸增到27像素×27像素的過程中，計(jì)算出的匹配點(diǎn)對(duì)的數(shù)量的臨界點(diǎn)在19像素×19像素，超過該臨界點(diǎn)后耗時(shí)增多，匹配點(diǎn)對(duì)數(shù)目趨于穩(wěn)定。因此，選擇尺寸為19像素×19像素的探測(cè)矩陣作為最優(yōu)尺寸探測(cè)矩陣。若尺寸選擇過小，雖然耗時(shí)較少，但會(huì)增加解算轉(zhuǎn)換模型的運(yùn)算量;若尺寸選擇過大，提取的匹配點(diǎn)對(duì)雖趨于穩(wěn)定，但耗時(shí)過多。

在采用基于NCC值進(jìn)行特征點(diǎn)匹配后，剔除像對(duì)中的誤差點(diǎn)對(duì)，得到匹配點(diǎn)分布圖(圖7)。

圖7 剔除誤差匹配點(diǎn)后的匹配點(diǎn)分布(綠色矩形框內(nèi)為圖像重疊區(qū))Fig.7 Distribution of matching points after removing false matching points

最終利用本文設(shè)計(jì)的方法得到大面積區(qū)域 UAV圖像配準(zhǔn)后的鑲嵌結(jié)果(圖8)。

圖8 無人機(jī)圖像配準(zhǔn)鑲嵌結(jié)果Fig.8 Mosaic result of UAV images after registration

4 結(jié)論

1)利用Forstner算子提取特征點(diǎn)的效果受初選差分閾值的影響很大，而且對(duì)某些銳度比較低、連續(xù)大面積相似地物的圖像而言，若閾值設(shè)置不合理，會(huì)導(dǎo)致提取出的特征點(diǎn)過少或過多，致使在隨后的特征點(diǎn)匹配中無法找到足夠的同名點(diǎn)對(duì)，并為特征點(diǎn)匹配帶來繁重的計(jì)算負(fù)擔(dān)。

2)采用基于信息熵的自適應(yīng)圖像分塊算法，并結(jié)合逐次逼近的互相關(guān)系數(shù)NCC的特征點(diǎn)匹配，很好地控制了特征點(diǎn)的均勻性問題，并減小了匹配點(diǎn)對(duì)的計(jì)算量。由于圖像分塊的閾值取決于圖像分塊過程中信息熵的大小，因此需要根據(jù)不同圖像進(jìn)行圖像分塊閾值的優(yōu)化設(shè)置。

3)通過實(shí)驗(yàn)證明，在UAV圖像特征點(diǎn)匹配的有效性、適應(yīng)性和抗噪性等方面，本文提出的結(jié)合Forstner與NCC約束的UAV圖像配準(zhǔn)方法是切實(shí)有效的，并保持了較好的魯棒性。

[1]張永軍.無人駕駛飛艇低空遙感影像的幾何處理[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版，2009，34(3):284-288.Zhang Y J.Geometric processing of low altitude remote sensing images captured by unmanned airship[J].Geometrics and Information Science of Wuhan University，2009，34(3):284-288.

[2]蘇俊英.SIFT特征匹配無人飛艇多光譜影像拼接[J].應(yīng)用科學(xué)學(xué)報(bào)，2010，28(6):616-620.Su J Y.Mosaicing of multiple spectrum images acquired from unmanned airship with SIFT feature matching[J].Journal of Applied Sciences-Electronics and Information Engineering，2010，28(6):616-620.

[3]狄穎辰，陳云坪，陳瑩瑩，等.無人機(jī)圖像拼接算法綜述[J].計(jì)算機(jī)應(yīng)用，2011，31(1):170-174.Di Y C，Chen Y P，Chen Y Y，et al.Survey on image mosaic algorithm of unmanned aerial vehicle[J].Journal of Computer Applications，2011，31(1):170-174.

[4]王 斌，王偉鋒.一種基于局部灰度匹配的無人機(jī)圖像拼接算法[J].中國石油大學(xué)學(xué)報(bào):自然科學(xué)版，2009，33(2):169-173.Wang B，Wang W F.Unmanned aerial vehicle image mosaic algorithm based on local gray fitting[J].Journal of China University of Petroleum:Edition of Natural Science，2009，33(2):169-173.

[5]白廷柱，侯喜報(bào).基于SIFT算子的圖像匹配算法研究[J].北京理工大學(xué)學(xué)報(bào)，2013，33(6):622-627.Bai T Z，Hou X B.An improved image matching algorithm based on SIFT[J].Transactions of Beijing Institute of Technology，2013，33(6):622-627.

[6]唐 敏，李永樹，魯 恒.無人機(jī)影像的同名點(diǎn)匹配[J].光電工程，2012，39(3):19-24.Tang M，Li Y S，Lu H.Correspondence points matching of UAV images[J].Opto-Electronic Engineering，2012，39(3):19-24.

[7]魯 恒，李永樹，何 敬，等.一種基于特征點(diǎn)的無人機(jī)影像自動(dòng)拼接方法[J].地理與地理信息科學(xué)，2010，26(5):16-19.Lu H，Li Y S，He J，et al.A automatic mosaic method in unmanned aerial vehicle images based on feature points[J].Geography and Geo-Information Science，2010，26(5):16-19.

[8]Zhang N，Wu X L.Lossless compression of color mosaic images[J].IEEE Transactions on Image Processing，2006，15(6):1379-1388.

[9]Lucchese L，Leorin S，Cortelazzo G M.Estimation of two-dimensional affine transformations through polar curve matching and its application to image mosaicking and remote-sensing data registration[J].IEEE Transactions on Image Processing，2006，15(10):3008-3019.

[10]林曉帆，林立文，鄧 濤.基于SURF描述子的遙感影像配準(zhǔn)[J].計(jì)算機(jī)工程，2010，36(12):216-218.Lin X F，Lin L W，Deng T.Remote sensing image registration based on SURF descriptor[J].Computer Engineering，2010，36(12):216-218.

[11]孫卜郊，周東華.基于NCC的存在旋轉(zhuǎn)的圖像匹配方法[J].傳感器與微系統(tǒng)，2008，27(5):43-45.Sun B J，Zhou D H.Rotated image registration method based on NCC[J].Transducer and Microsystem Technologies，2008，27(5):43-45.

[12]Li H，Manjunath B S，Mitra S K.A contour-based approach to multisensor image registration[J].IEEE Transactions on Image Processing，1995，4(3):320-334.