基于改进SPHP算法的无人机遥感影像智能拼接方法

2023-10-07国仲凯彭树鸿郑福海

技术与市场 2023年9期

国仲凯, 彭树鸿, 郑福海

1.内蒙古自治区测绘地理信息中心,内蒙古呼和浩特 010010 2.自然资源部第二地理信息制图院,黑龙江哈尔滨 150000

0 引言

目前,无人机遥感影像拼接技术的研究主要面临以下难点[1]:对于影响特征点的高精度提取、对提取特征点的高精度匹配、对拼接图像边缘的融合处理。因此,在保障无人机遥感影像特征点提取正确率的前提下,实现对特征点的精准匹配以及图像边缘的平滑过渡,成为影像智能拼接研究的主要目标。文献[2]提出了一种以Agisoft Metashape为基础的无人机图像拼接技术,并将其应用在环境热像监测中,在一定程度上反馈了环境热像的整体特征,但是由于拼接边缘处理效果不理想,导致其存在部分特征缺失的问题。文献[3]提出了一种以Landsat时序为基础的影像拼接方法,对于图像边缘的处理效果更加精准,在极大程度上避免了图像信息丢失的问题,但是该方法对于基础图像的质量要求较高,因此在具体的应用过程中存在一定的局限性。

在上述的研究基础上,本文提出一种基于改进SPHP算法的无人机遥感影像智能拼接方法,并通过对比测试验证了该方法的拼接效果。

1 无人机遥感影像智能拼接方法设计

1.1 无人机遥感影像特征提取

在对无人机遥感影像进行拼接之前,本文首先提取了待拼接无人机遥感影像的特征参数[4]。按照影像的尺度空间,确定目标图像的极值点[5],具体的实现方式如图1所示。

图1 目标图像极值点确定

按照图1所示的方式,确定目标图像的极值点后,采用SIFT(scale invariant fenture transform)作为特征参数,对于极值点特征的描述方式如图2所示。按照图2所示的方式,实现对无人机遥感影像特征的提取。

图2 极值点SIFT特征描述方式

1.2 基于改进SPHP算法的影像匹配

结合上述提取到的待拼接无人机遥感影像特征参数,对各特征点进行精准匹配就成为了保障最终拼接效果的关键。首先,对图像进行单应变换处理,其可以表示为:

x′=Hx

(1)

式中:x′表示单应变换处理后的无人机遥感影像参数,x表示原始的无人机遥感影像,H表示待拼接无人机遥感影像特征参数构成的矩阵。受投影偏差影响,会导致x′中存在一定程度的视差误差。本文利用薄板洋条函数(thin plate spline,TPS)中的径向基函数对图像进行变形处理,具体的处理方式可以表示为:

G(x′,y′)=(g(x,y),h(x,y))T

(2)

式中:G(x′,y′)表示径向基函数变形处理后的无人机图像;g(x,y)表示单应变换处理时,原始无人机遥感影像特征在x方向上的变形量;h(x,y)表示单应变换处理时,原始无人机遥感影像特征在y方向上的变形量。

在此基础上,对无人机遥感影像的拼接结果可以表示为:

J(X,Y)=∑G(x′,y′)-(g(x,y)×h(x,y))/λ

(3)

式中:J(X,Y)表示无人机遥感影像的拼接结果,λ表示加权参数,该参数的取值主要取决于待拼接无人机遥感影像特征参数构成矩阵的对齐项和平滑项[6]。

按照上述方式实现对无人机遥感影像智能拼接,保障拼接后影像的质量能够达到较高水平。

2 测试分析

2.1 测试环境

在对本文设计的拼接方法的实际应用效果进行分析的过程中设计了对照组,分别为Agisoft Metashape拼接方法及Landsat时序拼接方法。具体的测试影像资料如图3所示。

图3 待拼接无人机遥感影像

在对不同方法的拼接效果进行分析时,为了能够更加精准地进行比较,本文分别从图像信息熵和清晰度2个角度设置具体的评价指标。其中,信息熵主要反馈拼接后影像中包含的信息量[7]。具体的计算方式可以表示为:

H(x)=∑p(i)log2p(i)

(4)

式中:H(x)表示拼接后影像的信息熵,p(i)表示拼接后影像中灰度值为i的像素的出现频率。结合式(1)可以看出,H(x)的值越大,表示拼接后影像中的信息量越多,对应的影像拼接融合效果也就越好。

其次,针对拼接后影像清晰度评价指标的设置,本文将灰度方差乘积作为量化指标,具体的计算方式分别可以表示为:

D(x)=∑∑(f(a,b)-f(a+1,b))×(f(a,b)-f(a,b+1))

(5)

式中:D(x)表示拼接后影像的灰度方差乘积,f(a,b)表示(a,b)像素的灰度值,f(a+1,b)表示(a+1,b)像素的灰度值,f(a,b+1)表示(a,b+1)像素的灰度值。结合式(2)可以看出,清晰度主要是对拼接后影像的模糊度进行分析,利用其可以反映拼接后影像纹理上的细微差别,D(x)的值越大,表示拼接后影像中的纹理特征越明显,对应的影像拼接融合效果也就越好[8-10]。