图像配准技术在无人机领域的应用及展望

郭荣，李士心

天津职业技术师范大学

无人机采集数据图像后，及时有效地分析图像数据尤其重要。本文重点介绍图像配准技术的相关方法，分析基于不同类型的图像配准技术的差别和优势，同时阐述图像配准技术在无人机领域的应用。最后，分析无人机图像配准技术面临的挑战，并展望未来图像配准技术在无人机领域的应用前景。

无人机具有操控简单，可以替代人员完成复杂任务等多种优势，在不同领域的应用越来越广。无人机最初被应用于军事，并取得突出成效，目前在民用领域也拥有广阔前景。小型无人机体积小、重量轻，可以接近被检测的物体，从而获得很高分辨率的图像，对传输回来的图像或数据进行分析处理，能得到满意的图像成果。无人机在安防监控、输电线路巡检、智慧农业等领域不断拓展应用。

图像配准技术是对基准图像与待匹配图像进行图像映射，实现两幅图像在空间上的特征匹配，从而达到图像配准的目的。图像配准技术是目前图像处理相关技术研究的重点，是进行图像拼接、融合的基础。在不同图像之间，进行图像配准是常用的手段，旨在分析图像的基本信息和识别图像之间的关联，从而获取目标信息。图像配准技术的发展融合了诸多学科知识和理论研究成果，尤其是人工智能技术的发展，给图像配准技术带来了更加广阔的应用前景。

如何提高图像配准速度和准确率成为学者们研究的重点，特别是针对图像数量大、有阴影遮挡等情况的图像配准，需要开展诸多研究。在实际应用中，图像配准技术也涉及各个领域。例如，在医学图像配准方面，为分析患者的状况，常常需要采集患者的扫描影像，如通过X射线、MRI、CT和超声等影像来判断病情。通常情况是，独立影像中的信息不明显，需通过图像配准技术，采用单模或者多模的方法来获得额外的信息加以判断病情。

本文分析了图像配准的相关技术，并阐述无人机在相关领域的应用前景。最后，探讨图像配准技术在无人机领域的应用和展望。

图像配准技术

根据不同的图像信息处理方法，对图像配准技术进行分类，对信息的识别获取和分析来进行图像配准。本节简要介绍图像配准的方法。

基于图像灰度信息的配准方法

基于图像的灰度信息作为匹配依据，找到基准图像和待配准图像之间对应点及周边区域的相似度，在相似的基础上进行定义，通过度量函数及相互匹配进行查找，最终找到一组或近似最优的参数实现图像配准，这种配准方法也称直接配准法。典型方法有互相关法和相关信息度量的方法，此类方法计算相对简单，准确性依靠相似度量函数，运算量大，效率低，对基准图像和待配准图像的相似度要求较高。

基于图像变换域内信息的配准方法

图1 图像配准技术是目前图像处理相关技术研究的重点。

图2 人工智能技术给图像配准技术带来了广阔应用前景。

傅里叶变换的方法是图像变换域配准的主要方法，在傅里叶变换中主要依靠图像之中的相位变化，将图像映射到频率域中，再进行配准。该方法对于经过缩放、旋转、平移过的图像有较好的配准效果，而傅里叶变换法也是基于这些变换而实现。在实际应用中，此方法计算较为简单且比较成熟，相较灰度信息的配准方法有一定的优势。

基于图像特征信息的配准方法

基于图像特征的配准方法是目前较为常用的图像配准方法，该方法利用计算机视觉及相关技术，提取图像中的信息，然后判断提取的点是否为图像的特征点，再利用有效的特征点实现图像配准。在图像匹配中，可作为匹配特征的量有很多种，可以是点特征，区域特征或者线特征，对于有些图像还可以通过纹理特征进行分析配准，在实际应用中较为广泛，且准确率较高。

（1）基于特征点的匹配

特征点就是图像中重要的节点、角点或极值点等，通过筛选有效的特征点可以对图像中的信息进行充分的认识，从而进行图像特征匹配。通常，使用特征点匹配得到的结果配准效率较高，准确度也更好。在图像中较容易提取到特征点，但是所反映的相关信息量较少，所以在提取特征点时应寻找到可匹配的特征点。

（2）基于特征区域的匹配

基于特征区域的配准是以某像素点为中心，给定半径来选取相应明显的特征区域进行图像配准。在实际应用中大多采用形心点，通常对特征区域的提取精度有较高要求。

（3）基于特征边缘的匹配

两幅图像的边界像素点的集合称之为边缘，一般边缘的像素点存在较大梯度变化。边缘像素点形状各异，也可以将某些元素之间的交叉点看作边缘。基于特征边缘的匹配是将图像中梯度变化较大的边缘特征点提取出来，通过具体的算法描述因子对边缘像素点进行处理。基于特征边缘的匹配方法鲁棒性较好，但对边缘提取特征的要求较高，用数学方式表达和实际应用较为困难。

图像配准技术在无人机领域的应用

无人机遥感配准技术是无人机监测的重要手段，是众多应用的基础。使用无人机采集图像，然后利用图像配准技术对拍摄的相关图片及视频进行分析处理，从而得到有效信息。目前，无人机遥感配准技术在国内外均被广泛应用，发展迅速。

输电线路巡检应用

我国每年在电力行业投资巨大，而输电设备的比重也在增加。传统人工巡检工作效率低，影响受损线路快速修复和正常运行。目前，无人机在输电线路巡检领域发挥了重要作用，使用人机配合的模式来巡检输电线路的运行情况，能及时有效处理线路故障。

数据的应用是遥感的最终目的，无人机采集图像数据时，因为飞行高度较高且摄像头拍摄的图像数量较多，有些图像像幅较小、重叠度高，导致图像之间可能存在灰度、分辨率、位移和旋转角度不同等问题。为充分准确利用采集到的图像，可采用变化检测，信息融合等方法，完成图像在同一坐标系内对齐。因此，图像配准是处理遥感图像必不可少的技术。

当输电线路发生较为严重的灾情，通过无人机航拍采集图像，如复杂交错的输电网和在不规则地形处的电缆容易产生非刚性畸变等图像，容易造成技术人员对灾情现场情况的误判。为获得更为准确的大范围图像，对整个灾情有更加清楚的认识，使用无人机对灾区进行大量的拍照和摄像，并实时将数据信息回传给工作人员。通过相关软件对图像进行处理，利用图像配准技术对输电线路进行匹配分析，再进行图像融合，得到整个灾区的影像图。工作人员分析无人机回传的影像资料，利用图像配准技术及时发现和处理潜在隐患，可以有效保障电力线路的维修和正常运行。

测绘工程应用

随着经济发展，城市建设取得了巨大成就，人民生活水平逐渐提高，城市地表时刻在发生变化，加快城市建设的测绘工作势在必行。传统的测绘作业，测绘问题复杂，耗时久，精度低等问题，影响测绘工作开展，且资源浪费较多。随着遥感技术的发展，无人机测绘可以极大提高测量精度，不仅应用在城市建设的测绘，还在海岸地形、矿山、林业及灾后重建等领域发挥了十分重要的作用。

图3 传统图像配准技术的基本步骤实现图像匹配。

图4 图像配准技术对不同信息进行识别获取和分析。

无人机遥感技术是无人机搭载任务设备，到指定地点开展测绘作业，完成整个区域的数据采集和精准测量。利用无人机采集地面图像时，由于地理环境较为复杂，且受外界环境如风力的影响，采集的图像往往会出现噪声、旋转和尺度变化等现象。另外，无人机在不同时间点获取同一地点的图像时，其采集图像的路线很难保证与前一次完全相同，拍摄的图像会产生角度变化，且容易受光照强度的影响。因此，这类图像不能直接进行区域的识别和提取，必须先采用图像配准技术进行预处理，即进行同一坐标系的尺度变换。

在实际应用中，还可以对地表物体和空间进行实时监测，极大减少测绘工作人员的工作量。一般来说，无人机实时传回的影像资料，还需要运用图像特征表示、图像配准及图像融合等相关技术进行分析处理。无人机进行实地监测拍摄的图像具有极高的真实性和准确性，避免因环境复杂危险而造成测绘人员难以测量的问题。

农业遥感应用

我国是农业大国，传统的农田管理消耗较多的人力资源。从播种到收获，农作物实时监测、施肥和浇水等农业活动需要消耗大量的人力物力。无人机技术不断发展，其在农业领域的应用越来越广泛。无人机图像配准技术是图像处理的基础，涉及变化检测、图像融合和图像拼接等技术，在农业遥感领域发挥着巨大作用。

在农业监测领域，利用无人机对农作物长势、植被覆盖率、病虫害的发生和土壤温湿度等进行图像采集。无人机搭载摄像机和光谱成像仪等设备，可采集大范围图像信息。由于无人机在航拍过程中容受风力等环境变化的影响，导致获取的图像成像范围较小，为保证测绘区域的完整性，需回传的图像往往要达上千幅之多。要获取整个目标区域的信息就必须将多张遥感图像进行融合与拼接，合成一幅完整的全景图像。在进行图像融合与拼接时，必须对图像进行精确的图像配准，删除误匹配点。以航拍方式获得的农作物图像，能从一定程度上反映农作物的生长状况，进而做出后续的工作安排。同时，也能预估其产量。因此，无人机遥感技术对农作物种植信息的监测具有重要意义。

挑战与展望

虽然无人机图像配准技术的理论和方法比较成熟，但实际应用中仍存在较多问题与挑战。无人机拍摄图像和视频时，因为像素分辨率高且采集数据量大，对图像处理技术提出了更高的要求。目前，无人机遥感图像配准技术存在以下问题。

图5 无人机电力巡检红外热成像图及时发现故障。

图6 无人机测绘图像具有极高的真实性和准确性。

图7 无人机采集农作物长势、植被覆盖率、病虫害等图像。

图8 基于神经网络的图像配准回归网络可以有效减少匹配步骤。

首先，图像配准技术虽取得较快发展，但一种算法只对某种图像适用，不能对所有图像进行高效处理，且遥感图像的配准算法更加复杂。目前几乎所有的图像配准算法只能配准一种或者几种特定类型的图像对，还没有一种图像配准算法能够配准各种不同类型的图像对。较多图像匹配算法还需要人为干预进行参数设定，易受噪声及人工选择精度的影响。目前，国内外专家均通过改进现有算法来实现精度的提高，但实际应用中却任重而道远。

其次，利用小型无人机采集图像时，如精度不高、搭载设备多和容易造成抖动等问题，在复杂环境下容易受空间区域分布及航拍视角的影响。无人机应向重量更轻、多样化任务载荷和高度自动化的方向发展。

图9 基于强化学习的图像配准算法可以实现更加复杂的图像匹配。

目前，很多学者将深度学习与无人机遥感技术相结合，在遥感图像处理方面取得了突出成果。利用深度学习处理无人机目标识别数据的难点，对监测的样本数据进行学习和增强等，可以极大地改善数据量大和分析不准确的问题，使无人机做出更有效的判断，从而提高监测效率。无人机遥感技术融合深度学习是未来发展的趋势，深度学习可以使机器更加智能，从而更好地判断目标，获得更加可靠的信息。

图像配准技术的发展日新月异，无人机与图像配准技术的密切结合，使无人机在更多领域大放异彩，应用更加成熟。