面向防灾的无人机影像快速拼接算法分析

肖望昊

摘要：中国自然灾害频率较高，利用无人机低空航测影像的图幅小、数量多、高分辨率等特点，在此基础上本文采用特定的Harris+SIFT特征提取算法，可以做到在避免使用地面控制点的同时，对无人机遥感影像进行基于特征的快速拼接，在防灾应急出图时具有实际意义。

关键词：无人机  特征提取  图像拼接

1 概述

灾害发生，受灾区的地图信息将发生巨变，因此快速获取目标区域高精度遥感影像是防灾应急的基础。此外，灾害的发生意味着缺少地面控制点支持。无人机航测技术是获取一定范围内高精度影像最及时、最有效的手段之一，而无人机影像快速拼接技术由于其无需地面控制点、单片精度高等特点，为防汛应急出图和其他应急场景的快速出图提供了保障。影像配准作为影像拼接的关键，既要求配准算法精度要高，又要保证算法计算量在适宜区间。本文主要对Harris+SIFT特征点检测算法进行研究，提供一个具有实用价值的特征点检测算法进而对无人机遥感影像进行快速拼接。

2 特征点检测算法

图像中的特征点主要是指角点以及原点等明显点，基于特征点的不同监检测准则，可以将特征点检测算法进行具体的划分，即基于影像边缘、影像模型以及像灰度的特征点检测算法。随着相关技术的发展，相关研究的不断深入，逐渐出现了更多的方法，但是根本上来讲各算法还较为集中在对Harris算法、SIFT算法等经典特征点检测算法的进一步改进。

2.1 Harris算法

对应点的尺度。其中特征点对应Harris角点周围的SIFT特征点，同时将其他的不满足要求的点进行删除，此时对于选择的特征点而言，不但具备了SIFT算法的不变性，同时包括了Harris算法的稳定性。

4 算法分析实验

结合上文结果，需进行实验分析以验证Harris+SIFT算法的性能优势。实验平台为Intel（R） Core（TM） i5-8600K CPU 3.60GHz， 16GB内存，运行平台为Matlab R2018b。

4.1时间效率分析

特征点提取耗时单位为时间、特征点单位为个。本次实验选用关联性较强的Harris、SIFT以及本文所用Harris+SIFT三种算法进行对比试验。不同算法特征提取时间效率如表1：

从表1中分析得出，特征点检测数量的多少，一定程度代表影像拼接时能创建的特征向量的数量，因而从侧面影响影像拼接精度。SIFT算法由于需要先建立相关影像空间尺度金字塔，计算过程较为复杂，耗时较长。Harris+SIFT算法的特殊机理，使其在保证了精度质量的前提下，降低了过程复杂度，因此耗时较SIFT算法短。

4.2 匹配精度分析

上文实验结果得出了三种算法的时间效率分析结果，在此选择研究区的2张无人机影像，用于对比Harris+SIFT算法与Harris以及SIFT算法的特征点匹配精度。

特征点检测匹配精度比较结果如表2所示。

匹配率可以很好地反映影响拼接的精度，匹配率越低则影响拼接结果越差，边界越会出现明显“鬼影”，反之则边界越吻合。Harris算法1.6%的特征点匹配率较低，会极大影响影像拼接精度，较为明显的“鬼影”将不符合成图需求。Harris+SIFT算法匹配率较SIFT算法有细微优势。

4.3 稳定性分析

通过上文得知Harris算法匹配精度不适用于防汛应急场景，且Harris+SIFT算法匹配率高于SIFT算法，但匹配率仅高出0.02%并未有显著优势。因此将进一步对两种算法的稳定性进行分析。为了更好的检测两种算法的稳定性，将影像分别进行旋转、添加噪声的处理，结果如表3所示。

通过稳定性对比试验，发现一是SIFT算法的变化更大，而本文Harris+SIFT算法变化率相对较小，更加稳定;二是两种算法对噪声的处理效果都比较好。

综上，本文Harris+SIFT算法既可实现高速影像拼接，同时能发挥SIFT算法的优势，满足影像拼接质量要求。

5 快速拼接实验

通过时间效率、匹配精度和稳定性三个方面验证了Harris+SIFT算法的优势后，在此使用本文算法进行双片快速拼接实验，以验证算法实用性。

5.1 特征点提取

在特征向量生成之前，要先为特征点确定一个主方向。特征点的主方向是根据特征点周围像点的梯度方向进行确定。具体计算公式如公式11和公式12：

一般以特征点为中心，在特定区域范围内统计各像点的梯度方向。像点的梯度方向会在360°内变化，以45°为间隔对像点的梯度方向进行分类，可以形成8个区间，选择区间内像点数最多的方向作為该特征点的主方向。在确定特征点的主方向过程中，可能有几个与主方向接近的区间方向。为更准确地反映特征点的方向信息，把这些区间方向作为特征点的辅方向以确认特征点的方向信息。

对主方向进行确定之后，就可以得到对应的特征向量。对有16个像素点构成的区域进行划分，具体分为4个个小单元，然后基于累加像素点的模值的大小以及向量的梯度方向，然后产生对应的种子节点，由此可以得到这个种子节点所含的方向数量有8个，和特征点的挨得越近，即对应着其和特征点之间的相似应就显得越高。因此，16个种子节点便可生成128维特征向量。采用主成分分析（PCA）算法对特征向量进行了降维处理，降至32维。使用该方法是通过正交线性变换将数据转换为多个主成分进行分析的多元统计分析方法。使用PCA的目的旨在将高维数据投影至低维空间，从而减少获得源数据的主要特征。

5.2特征匹配

在整个特征匹配算法中，对于特征点的近邻的寻找就作为整个算法的核心，其中包括了最近邻、次邻近。对于本文而言，采用的排序法为BBF，这种算法是在K-d树的基础上发展得到的，这种加权的K-d树在匹配的时候可以将匹配到的比较相近的一些对象根据加权进行排序，从而较快找到最匹配的对象。选择BBF正是因为其具有以上优势，从而可以进一步达到提高效率的目的。

本文具体使用PROSAC算法进行特征提取，该方法是RANSAC算法的进化，是将初始集匹配的结果作为排序的依据，使得在采样时根据匹配结果由高到低进行排序，则最有可能得到最佳参数的样本会较早的出现，可以使本文的影像拼接进一步提高效率。

图1为显示了基于Harris+SIFT算法的无人机影响拼接结果，总耗时35秒。

6 结语

本章主要详细介绍了典型的特征点检测算法以及本文采用的Harris+SIFT算法，并通过实验的比较分析，对SIFT、Harris和Harris+SIFT算法进行了充分的比较。考虑到研究背景，为了尽可能的提升拼接算法性能，本文选择Harris+SIFT特征点检测算法进行研究，凭借该算法检测Harris角点周围的SIFT特征点，同时将其他的不满足要求的点进行删除的特性，对于选择的特征点而言，不但具备了SIFT算法的不变性，同时包括了Harris算法的稳定性，是最为符合防汛工作应用场景的算法。

参考文献

[1] 杨静学，陈亮雄，李伟添，高旖姗.遥感技术在水库水政监察中的应用——以鹤地水库为例[J].广东水利水电，2018（11）：72-79.

[2] 田婕妤.基于并行计算的医学图像配准融合技术研究[D].天津科技大学，2010.

[3] 邓涛.结合SIFT和Harris算法的小型无人机影像拼接方法[J].信息工程大学学报.2015.4：322-323.