基于控制点配准算法的无人机遥感影像自动无缝拼接技术探讨

马娟

摘要：无人机技术不断升级的背景下，在诸多领域中得到了广泛应用，尤其是在地质、地形勘测等工作中，和遥感技术相结合，不仅保证了作业质量，也降低了作业成本，提高了作业效率。但在实际应用过程中，还需要对自动无缝拼接技术展开分析。基于此，本文从无人机遥感影像自动无缝拼接技术入手，结合控制点配准算法这一内容，对无人机遥感影像自动无缝拼接技术的应用进行探讨，以求让数据处理工作得到更好落实，最大限度满足实际发展需求。

关键词：控制点配准算法    无人机技术    遥感影像    自动无缝拼接技术

Discussion on the Automatic Seamless Splicing Technology of UAV Remote Sensing Images Based on the Control Point Registration Algorithm

MA Juan

（Guangzhou Electromechanical Technician College， Guangzhou， Guangdong Province， 510000 China）

Abstract： Under the background of the continuous upgrading of UAV technology， it has been widely used in many fields， especially in geological and topographic survey and other work， and the combination of it and remote sensing technology not only ensures operation quality， but also reduces operation costs and improve operation efficiency. However， in the practical application process， it is also necessary to analyze automatic seamless splicing technology. Based on this， starting from the automatic seamless splicing technology of UAV remote sensing images， combined with the control point registration algorithm， this paper discusses the application of the automatic seamless splicing technology of UAV remote sensing images， so as to better implement data processing work and meet the actual development needs to the greatest extent.

Key Words： Control point registration algorithm; UAV technology; Remote sensing image; Automatic seamless splicing technology

1 无人机遥感影像自动无缝拼接技术概述

随着无人机技术不断升级改造，无人机遥感影像拼接技术得到了迅速发展，并逐步向多个领域推广。图像拼接中出现了许多问题，针对这些问题，提出了归一化、相位相关配准和互信息等不同的图像拼接方法。相位相关配准建立在频率上，所以它可以很容易得到图像中移动参数，但是其他的参数却难以得到；其中，最大的问题是它的计算复杂度较高，并且对标度的改变也不灵敏。针对上述问题，利用特征点的特征匹配进行图像分割是一种非常适合的图像分割技术，并在近几年获得了很大的发展。图像预处理、图像配准、图像融合是当前遥感图像处理中的一项重要技术。但无人机遥感影像自动无缝拼接技术需要经过一系列的处理和运算，一般可以分为3个阶段：图像预处理、图像配准算法、光谱匹配算法。这一技术可确保整体的拼接效果，在面对大范围的勘测勘查中，通过上述处理可以让影像完整覆盖，为后续的调查研究奠定良好的基础。

对图像进行预处理的方法主要有去干、去晕、畸变修正和恢复等。条带噪声属于一种常见的噪声，这种噪声最大的危害就是遮挡了图像中的有效信息，對影像的解读会产生图像^[1]。在实际应用过程中，可以借助小波分析的优势，通过对多个数据序列的叠加，获取多条数据序列的叠加曲线，寻找该曲线内的奇异性，也就是噪声存在的地方，并通过对应的内插方法去除噪声^[2]。但在实际应用过程中可能会面临图像几何失真问题，使得两幅图像很难进行匹配，从而造成了图像配准的错误，在这样的情况下，可以采用将光学成像与透镜畸变修正策略结合起来的图像失真修正原理。以辐射转移过程为基础，引入了矩阵函数和泰勒级数模型，来对辐射响应函数进行描述，并利用多元回归分析，对矩阵的方程进行求解，最终得到辐射修正的系数。从能量分布和衍射的角度来对渐晕进行分析，得出渐晕能量的数学模型，利用辐射定标的方法来消除渐晕。在此基础上，利用维纳滤波器对图像去卷积，并在此基础上给出了一种优化的窗函数维纳滤波器^[3]，并将其应用到图像恢复中，对得到的影像进行了预处理，改善了影像的品质，使影像更符合影像的配准要求，为影像的配准奠定了良好的基础。

2 无人机遥感影像自动无缝拼接技术特征分析

2.1 影像学特征

由于无人机遥感影像自身的特性，使得其相对于普通的低光谱图像具有更为广阔的应用前景。无人机遥感影像具有较好的解析度。无人机遥感影像的分辨率有了很大的提升，可以实现对同一地物的多种类型的识别，这是常规低光谱图像所无法做到的。无人机遥感影像有更多的波段。由于无人机遥感影像的图像分辨率大大提高，使得无人机遥感影像在进行各种应用分析时所能选用的波段变得更为丰富，从而使图像所能辨识的目标对象变得更为丰富。无人机遥感影像具有较高的空间分辨能力。近年来，由于无人机遥感影像的空间分辨能力的不断提升，一些原本无法观测到的物体也可以被观测到。以往的卫星图像由于其空间分辨率不高，仅限于定性分析，而近年来发展起来的高光谱技术，使得定量研究成为可能。

2.2 形构造

图像的空间结构是图像中各像素在空间上的组合和排列，它是图像的最根本单位。在现有的遥感技术中，如何利用无人机遥感影像来直观地了解和分析地质构造是一个重要的科学问题。使用无人机遥感影像具有直接对地物的结构展开分析，不仅可以省时省力，方便快递，可以进行更大范围调查分析，而且还可以提供更为精确、详细的光谱特征，从而在进行地表分析时，波段的选择也更加多样化。无人机遥感影像的一个显著特征是具有较多频带，其中一个频带的频带是其一个频带的灰度图。

2.3 波谱特性

无人机遥感影像具有一个频谱图。地面上的各种物体对于各种频率的电磁波都会产生一定的反射性，而这些反射性可以用反射性来表达。在不变的波长范围下，物体反射系数愈高，其在图像上的表现也愈淡。反射系数随波长的改变而改变，反射系数随波长的改变而改变。对波谱的分析，在实践中有很好的表现。通过Hyperion高光谱卫星图像的波段，可以对草原在各个阶段的覆盖度进行定量分析。

2.4 频谱指标

在无人机遥感影像中选取合适的波段，建立相应的数学模型，并将其作为一种特定的数据处理手段，称为“光谱指标”。通过比较不同波段的反射系数与地面植被覆盖的关系，得出两个波段的比值可以表示地面的绿色植物数量，用归一化差异植被指数来作为作物生长情况监测的指标。

3 无人机遥感影像自动无缝拼接技术应用分析

3.1 处理分析

由于无人机航拍设备的性能，它在航空摄影时携带的照相机所拍摄的照片都会出现失真，要想消除失真并消除边界点，就需要从图像的边缘开始，将以像素为单位的图像区域除去，从而降低照片的边缘失真问题对后续图像拼接造成的影响。通过提取特征点区域约束来提升后续图像配准的准确度，从而提升工作效率^[3]。因此，若后期想要完全抽取出影像资料，首先要保证拍摄影像的影像有一定的交叠比例；如果重叠的比例太大，会降低对图像信息的承载效率，需把握好尺度，但这一比例并没有明确的定量标准，更多的是依赖于摄影师的专业知识，通常来说，如果将重叠的比例保持在10%左右，就可以确保不会对提取出的影像特点造成任何的干扰，还能最大限度地发挥出摄影资源的作用。图像重叠区由摄像机从不同的视角、不同的物体尺寸来确定，通常可划分为横向叠加和纵向叠加，其中纵向叠加为1，横向叠加为x（也就是剔除），其余横向叠加为1-2 x。

3.2 优化调整

在完成了对影像的初级拼接之后，还要对不同源的像素兼容性和色差问题进行调节，按照对控制点的调节标准，可以将其划分为两种类型：粗配准和精配准。由于受到天气和气流等因素的影响，在飞行过程中，由于观测数据的差异，使得最终的飞行轨迹与预期的飞行轨迹之间存在着较大的误差，从而造成了影像的形态差异，这就造成了很大的困难，需要采用粗糙的配准方法来实现，它的配对准则是预先识别重叠区，降低失配率，确保配对品质。另外，该方法还能有效地抑制由于未知因素引起的航迹模糊不清而引起的严重畸变。因此，在对海量的影像资料进行分析和甄别时尤為适用。与粗配准只是能够得到两张照片之间的控制点对应关系，但是它并不能够被用来记录影像细节。精配准能够选择稳定而明显的控制点，从而提高分辨能力，同时还能够照顾到像素间的曝光差异，从而能够遵循配准的均匀性，尤其是在减少缝合间隙时，通过寻找最佳缝合直线，再根据这条直线进行缝合。相同的功能模式下，由于不同的匹配提取对象，图像的清晰度差别是不一样的，若采用粗糙配准来调整，将无法在图像拼接时选取最佳的无缝隙连接线条，从而导致图像质量下降，无法达到预期的精确程度。要将图像的内容从图像的两个侧面提取出来，必须通过精确匹配调整出一条最好的拼接线，并在图像重叠的地方进行缓冲区，消除显著的空隙。最好的无缝拼接线就可以在图像之间顺畅地传递到图像之间。值得注意的是，在对两个图像像素进行均匀融合时，必须采用加权平均方法。

3.3 配准处理

尽管精配准具有很好的影像信息融合处理性能，但是它所需的影像信息处理速度很慢，并且耗费了很多的计算资源，因此并不适用于海量影像信息。由于粗细匹配各有利弊，因此可以按照影像资料的需要及需要处理的条形，选用这两种方法相结合的方法来实现。对ICP算法、CPD算法、Harris算法等几种常见的控制点配准算法进行了简单分析后发现，在这些算法的技术特征和应用场合的基础上，在与无人机航拍的特性相联系的基础上，还需要进一步对图像特征点进行配准处理，借助控制点配准算法实现无人机遥感图像的自动无缝拼接技术，可以应用软件为平台对OpenCV库后台程序逻辑规则进行了详细的剖析。

在此基础上，提出了一种基于光谱配准和空间配准的航拍无人机遥感影像的图像自动配准方法，拟采用Moravec特征点抽取算法，对特征点进行特征点抽取，对特征点粗匹配和精细匹配进行特征点的匹配，并对其进行基于最优邻居的特征点进行有效的融合。在频谱匹配中，通过分析不同点对在不同频谱交叠范围内的不同频谱特征，得到相应的频谱特征，从而得到相应的频谱特征。在已完成的无人机遥感影像中，选择3种不同颜色的RGB颜色图像，并将其与完整的无人机遥感影像进行像素级图像融合^[4]。

在无人机遥感影像的空域拼接时，选用Moravec运算法，增加抽取特征点的个数，为特征点的匹配奠定了良好的基础。与常规图像拼接方法比较，该方法对图像进行了粗细两步的对比，使图像的准确率有了较大的提升。为了克服该方法的不足，本文给出了两个新的方法：一是双线性内插，二是立方内插。实验结果表明，本文提出的方法取得了较为满意的结果：在对无人机遥感影像进行谱配时，首先对单个波段图像进行谱配，然后对各波段图像进行综合；在同一光谱图像中，如果同一光谱图像的重叠区中有多个重叠区，则可以发现这些重叠区中多个重叠点的光谱与其对应的光谱的对应关系，并根据此对应的光谱匹配结果来获得重叠区的光谱匹配曲线，而未重叠区则仍然使用原来的光谱匹配。在单频带图像的能谱匹配结束后，将全部48个频带的无人机遥感影像进行混合，选择RGB频带的颜色复合图像。在此基础上，对48波段的无人机遥感影像进行了进一步的像素化处理，最终获得了以颜色为主的无人机遥感影像^[5]。

3.4 实际应用

基于控制点配准算法的无人机遥感影像自动无缝拼接技术，可以降低匹配的复杂度。在所获取的控制点之中，可以有两个图像不相交叠的区域，也可以有一个仅位于一个图像上的控制点，因此要将其剔除。这种方法可以通过设定门限，排除符合度好的控制点，选出容易辨识、比较稳定的控制点。通过对相邻区域与相邻区域的比例进行分析，筛选出容易辨识的控制点，若比例低于给定的门限，则表示这个控制点有效，可保留下来，反之，这个控制点被排除。具体操作过程如下。

从两个图像中，最少选择4个控制点，在粗配图像中，随机抽取4对控制点，以确定3对存在同一条线。若存在，则抛弃这组匹配点，若不存在，则需要重新随机选取，直至没有3对匹配点匹配为止。对所选择的4个控制点进行包括图像坐标转换和比例变换的数据规范化过程。通过对数据进行规范化处理，不但可以提升结果的精度，还可以使其对任何坐标原点的改变都保持不变，可以完全排除坐标转换对影像的影响。在一个影像配准系统中，在包含平移和比例资料的影像配准系统中，将一个控制点W_i=（x_i，y_i，z_i）Q转换成一个新的控制点W_i，设定这个点集的坐标是（0，0，0）Q，设定它与原来的控制点的平均距离是L，从而获得的一个类似转换矩阵对本帧上的点类似转换的结果Q进行运算，将这一点W i （x_i、y_i、zi） Q转换成一个新的点集W_i。估计转换矩阵并获得转换参数。根据4个控制点对齐的结果，可以得到转换矩阵W_i=HW_i的结论。由于转换矩阵为一齐次向量，所以在三3维度上的向量方向是相同的，所以H为一个线性的解法。针对上述问题，基于控制点配准算法的无人机遥感影像自动无缝拼接技术在实际应用过程中，还需要进行粗度和细度的配准，重点研究重合区域的识别问题，重点解决重合区的识别问题。由于两张影像之间存在着一定的交叠范围，所以需要采用粗糙配准的方法来确定两张影像的交叠范围。

在实际应用过程中，为了简化冗长的运算，需要预先对交叠面积进行判定，以减少失配概率，确保配准的品质。利用以上的探测程序，可以迅速地判断出邻近的图像的对应关系。如果影像畸变严重，或者由于其他原因引起的航路模糊，就应该尽量避开人为的干扰，而采用手动的自动化算法。在进行多个图案的匹配时，需要满足特定的准确率，但又需要很长的时间。但由于粗糙匹配只能获得两个圖像间的控制点匹配，不能直接反映图像的具体特征。若在初步配准后，再进行拼接，会产生不对称的效果。经过初步的配准后，就可以进行比较精确配准。精确匹配需要选取一个稳定且有意义的控制点，以提高判别力，需要注意的是，为了便于对图像进行后期的拼接，选取的关键节点应便于对图像进行比对^[6]。

5 结语

综上所述，无人机遥感影像自动无缝拼接技术是当前机器视觉处理领域的热点问题，在实际生产中得到了广泛的应用。在实际应用过程中，采用了控制点配准算法，大量实验也证明了这种算法的优势。从实际应用效果看，基于控制点配准算法的无人机遥感影像自动无缝拼接技术具备可行性和实用性。通过各种不同的算法进行比较，可以发现控制点配准算法在影像的拼接性能和影像的特征点匹配程度上都要比目前所采用的算法更好。在今后的无人机影像处理中，可以把这种方式用作影像拼接处理的基本方式，为后续影像应用环节，提供比较完善的大场景影像。

参考文献

[1]石冬剑，李姗姗.基于控制点配准算法的无人机遥感影像自动无缝拼接技术[J].科学技术创新，2023（11）：94-97.

[2]王超，雷添杰，张保山，等.基于改进SIFT算法的无人机遥感影像快速拼接[J].华中师范大学学报（自然科学版），2023，57（2）：302-309.

[3]杨阳.基于改进水平集的无人机遥感影像建筑物轮廓提取研究[D].雅安：四川农业大学，2019.

[4]涂明，章李乐.农田水利流域无人机遥感影像拼接优化研究[J].江西科学，2022，40（5）：858-864.

[5]周杰，解琨，付超，等.结合SIFT特征点和泊松融合的无人机遥感影像拼接技术[J].测绘通报，2021（1）：94-98.

[6]唐甜甜，陈炳才，宁芊.基于控制点配准算法的无人机遥感影像自动无缝拼接技术[J].计算机测量与控制，2020，28（10）：181-185.