摘 要：為解決當(dāng)前低空影像匹配準(zhǔn)確率低，影響圖像資源利用價(jià)值的問題，本文基于圖像分割研究低空影像匹配。在匹配前，須預(yù)處理低空拍攝的影像。在此基礎(chǔ)上，提取影像特征點(diǎn)與特征面，描述并匹配低空影像，提出一種新的低空影像匹配方法。試驗(yàn)結(jié)果說明，圖像分割后，新的匹配方法準(zhǔn)確率明顯提高，有效提升低空影響資源利用價(jià)值。

關(guān)鍵詞：圖像；分割；低空；影像；匹配

中圖分類號：TP 391" " " " " " " " " " " " " " " " " 文獻(xiàn)標(biāo)志碼：A

與其他影像采集方法相比，本研究提出的低空影像測量方法具有拍攝高度低等特點(diǎn)，因此，影像受到大氣環(huán)境中云霧遮擋影響的概率更低，可以作為一種有效的補(bǔ)充，完善航空和衛(wèi)星攝影測量[1]。須在正式使用前預(yù)處理低空拍攝的影像，包括處理圖像中的重疊內(nèi)容等[2]，該步驟對提高低空攝影測量的精度和效率具有重要意義。

1 低空影像預(yù)處理

在低空飛行過程中，相機(jī)受到幾何運(yùn)動、振動、遮擋、氣象和風(fēng)力等多種因素影響，相鄰或相同波段的圖像在亮度、色度和特定尺度等方面存在差異，造成圖像質(zhì)量差異，因此，必須對其進(jìn)行預(yù)處理。

1.1 幾何畸變差糾正

幾何畸變差的糾正方式如下，根據(jù)2組平行關(guān)系進(jìn)行仿射校正，再根據(jù)2組垂直關(guān)系進(jìn)行度量校正。仿射校正恢復(fù)平行關(guān)系，度量校正恢復(fù)垂直關(guān)系，使圖像與真實(shí)尺寸之間為相似關(guān)系[3]。為保證低空影像幾何畸變差糾正達(dá)到預(yù)期效果，應(yīng)建立糾正模型，如公式（1）、公式（2）所示。

（1）

（2）

式中：u、v為已經(jīng)完成幾何畸變糾正的低空影像相關(guān)坐標(biāo)；n為相關(guān)多項(xiàng)式；i、j為放射系數(shù)；xi、yj為放射系數(shù)為i和j的未完成幾何畸變糾正的低空影像相關(guān)坐標(biāo)（原始坐標(biāo)）；aij為放射系數(shù)為i和j的橫坐標(biāo)待測定參數(shù)；bij為仿射系數(shù)為i和j的縱坐標(biāo)待測定參數(shù)。

1.2 圖像平滑處理

圖像平滑處理的目的是保證圖像整體亮度變化呈現(xiàn)一種較為平緩的趨勢，提高影像的綜合質(zhì)量[4]。

平滑處理的基本原理是通過改變圖像中每個(gè)像素點(diǎn)的灰度值，減少噪聲的視覺效果。當(dāng)進(jìn)行平滑處理時(shí)，注意不要過度平滑，以免圖像細(xì)節(jié)和邊緣信息丟失[5]。平滑處理過程如公式（3）所示。

（3）

式中：g（x，y）為平滑處理后的影像；m為色彩深度，也稱位深度；f（m，n）為窗口像素值（未平滑處理的影像）；s為像素點(diǎn)個(gè)數(shù)。以某低空影像為例，按照上述方式對其進(jìn)行平滑處理，處理前、處理后如圖1所示。

對完成平滑處理后的圖像進(jìn)行空間域增強(qiáng)處理。與其他預(yù)處理相比，增強(qiáng)處理的目的性較強(qiáng)，按照規(guī)范預(yù)處理圖像，可以細(xì)化影像中線狀結(jié)構(gòu)物體的細(xì)部特征[6]。處理過程如公式（4）所示。

（4）

式中：d（x，y）為圖像的空間域增強(qiáng)處理；w（s，t）為圖像空間域轉(zhuǎn)換模板函數(shù)；f（x+s，y+t）為經(jīng)過圖像空間域轉(zhuǎn)換模板函數(shù)w（s，t）轉(zhuǎn)換后的圖像空間域。經(jīng)過上述步驟，完成圖像的預(yù)處理。

2 基于圖像分割的低空影像匹配

2.1 基于圖像分割的影像特征面與特征點(diǎn)提取

當(dāng)提取影像特征面時(shí)，需要從影像背景中分割對匹配有利的地物類圖像，并形成一個(gè)或多個(gè)獨(dú)立的區(qū)域，便于后續(xù)進(jìn)行匹配[7]。提取影像特征面后，結(jié)合FCM分割圖像，F(xiàn)CM是一種非監(jiān)督類型的分類方法。利用該方法分割圖像，優(yōu)化目標(biāo)函數(shù)，計(jì)算每個(gè)樣本點(diǎn)所對應(yīng)的所有類中心的隸屬度，進(jìn)而確定樣本點(diǎn)的類屬，完成數(shù)據(jù)分類。圖像分割的基本思路如下：將N個(gè)向量XI分成C組，對非相似性的指標(biāo)價(jià)值函數(shù)來說，需要在其達(dá)到最小值的前提條件下求解每組聚類中心[8]。圖像分割的價(jià)值函數(shù)如公式（5）所示。

（5）

式中：C為向量總和；JI為某一點(diǎn)I上的數(shù)據(jù)；I、J為節(jié)點(diǎn)；UM IJ為第I個(gè)聚類中心與第J個(gè)數(shù)據(jù)點(diǎn)之間加權(quán)指數(shù)為M的隸屬度；J（U，C1，…，CC）為圖像分割的價(jià)值函數(shù)，C1，…，CC為模糊組的聚類中心；DIJ為第I個(gè)聚類中心與第J個(gè)數(shù)據(jù)點(diǎn)之間的距離；M為加權(quán)指數(shù)，在公式（5）中，M取值為2。當(dāng)計(jì)算結(jié)果為最小值時(shí)，須滿足下述條件，如公式（6）所示。

（6）

式中：CI為模糊組中的第I個(gè)聚類中心；XJ為模糊組中的第J個(gè)向量。除此之外，還應(yīng)當(dāng)滿足下述條件，如公式（7）所示。

（7）

式中：UIJ 為數(shù)據(jù)點(diǎn)對模糊組的隸屬度，數(shù)值為 0 ～1 ；DKJ為第K個(gè)聚類中心與第J個(gè)數(shù)據(jù)點(diǎn)之間的距離。

初始化的隸屬度矩陣U，其取值在0～1，為1個(gè)隨機(jī)值，矩陣中所有的隸屬度相加和為1。按照價(jià)值函數(shù)進(jìn)行計(jì)算，當(dāng)價(jià)值函數(shù)取值小于設(shè)定的閾值時(shí)，或當(dāng)價(jià)值函數(shù)取值與上一次價(jià)值函數(shù)取值的差小于設(shè)定的閾值時(shí)，此時(shí)停止運(yùn)算。利用圖像分割技術(shù)，按照影像的像素光譜信息聚類圖像。

2.2 特征面與特征點(diǎn)描述與匹配

在提取影像特征面與特征點(diǎn)后，描述特征面以及特征點(diǎn)，計(jì)算過程如公式（8）所示。

Y=4πA/L （8）

式中：A為連通域或圓形的面積；L為周長；Y為連通域、圓形等結(jié)構(gòu)的相似程度，Y越大，圓形的相似度越高；Y越小，圖形形狀越狹長。利用長寬比R描述特征面，計(jì)算過程如公式（9）所示。

R=B/E （9）

式中：B為一個(gè)連通域的最小矩形寬度；E為一個(gè)連通域的最小矩形長度。當(dāng)匹配2幅低空影像時(shí)，需要計(jì)算2幅影像各連通域的Y值和R值，結(jié)合事先設(shè)定的閾值，確定唯一匹配面。特征面與特征點(diǎn)之間的關(guān)聯(lián)如圖2所示。

從圖2可以看出，當(dāng)圖像中存在2對匹配平面時(shí)，匹配平面上的角點(diǎn)只需與相應(yīng)平面上的角點(diǎn)進(jìn)行對比，不需要重新查找所有的角點(diǎn)?？梢越Y(jié)合鄰域信息描述符匹配特征點(diǎn)。角點(diǎn)鄰域關(guān)聯(lián)如圖3所示。

在圖3中，角點(diǎn)與其鄰域中相應(yīng)的其他角點(diǎn)之間的坐標(biāo)方位角α應(yīng)該一致。用角點(diǎn)、距離和坐標(biāo)方位角來刻畫角點(diǎn)特征，并進(jìn)行匹配，存在多對匹配的可能性。這時(shí)，只保留特征面D和方位角α之差較小的點(diǎn)對作為匹配點(diǎn)對并存儲。

3 匹配效果分析

在上述內(nèi)容的基礎(chǔ)上，利用本文方法預(yù)處理低空影像，分析影像匹配效果，效果對比如圖4所示。

從圖4中可以看出，預(yù)處理前，圖像清晰度較差，紋理細(xì)節(jié)不清晰且亮度集中，圖像整體均衡性較差。處理后，圖像清晰度顯著提升，紋理細(xì)節(jié)十分清晰。從對比結(jié)果可以看出，圖像整體均衡性良好，說明本文方法在低空影像預(yù)處理中的應(yīng)用效果較好。

在此基礎(chǔ)上，選擇某低空影像數(shù)據(jù)庫作為測試樣本，使用不同方法匹配低空影像。正確匹配率見表1。從表1中可以看出，與其他方法相比，本文方法不僅可以提取低空影像中更多的特征點(diǎn)信息，還可以精準(zhǔn)匹配影像中的特征點(diǎn)，細(xì)化影像中的紋理與特征信息。

4 結(jié)語

隨著低空影像技術(shù)不斷發(fā)展，基于圖像分割的低空影像匹配將會得到更廣泛的應(yīng)用。未來的研究主要包括以下2個(gè)方面。1）改進(jìn)圖像分割算法。開發(fā)更快速、準(zhǔn)確和自適應(yīng)的圖像分割算法，以滿足在實(shí)際應(yīng)用中大規(guī)模的高分辨率低空影像的處理需求。2）優(yōu)化匹配策略。研究更穩(wěn)健、高效和智能的匹配策略，以提高匹配的精度和穩(wěn)定性，降低傳播誤差。

綜上所述，基于圖像分割的低空影像匹配技術(shù)作為低空攝影測量和地理信息系統(tǒng)的重要支撐，將在未來發(fā)揮越來越重要的作用。

參考文獻(xiàn)

[1] 潘明，譚海，鐘旭輝. 結(jié)合風(fēng)格遷移與邊緣特征的SAR與光學(xué)影像匹配[J].北京測繪，2023，37（7）：938-943.

[2]董海濤.基于多級格網(wǎng)技術(shù)的多層影像匹配算法的并行改進(jìn)[J].黑龍江科學(xué)，2023，14（10）：82-84.

[3]呂欣陽，樊冬麗，張廣運(yùn)，等.無人機(jī)影像匹配點(diǎn)云的露天礦臺階高度計(jì)算方法[J]. 測繪通報(bào)，2023（5）：135-139.

[4]喻鵬飛，李浩，何秀鳳，等.利用詞袋模型估計(jì)尺度差異的異源影像匹配方法[J].計(jì)算機(jī)與現(xiàn)代化，2023（4）：56-61，72.

[5]范佳鑫，王春，代文，等.基于多尺度高程變異系數(shù)的影像匹配點(diǎn)云濾波方法[J].地理與地理信息科學(xué)，2023，39（2）：25-31.

[6]鮑秀武，梁文彪，劉也.基于傾斜攝影測量點(diǎn)云與影像匹配的像控點(diǎn)坐標(biāo)自動提取方法研究[J].城市勘測，2023（1）：105-109.

[7]方云霞，徐大展，張暢，等.基于多種影像匹配點(diǎn)云的DSM生產(chǎn)方法研究——以桐鄉(xiāng)市為例[J].測繪與空間地理信息，2022，45（7）：52-54.

[8]高莎，袁希平，甘淑，等.集成SIFT算法與檢測模型優(yōu)化的UAV影像匹配方法[J].光譜學(xué)與光譜分析，2022，42（5）：1497-1503.