本發(fā)明涉及無人機(jī)圖像處理
技術(shù)領(lǐng)域：
，特別是指一種無人機(jī)圖像拼接方法。
背景技術(shù)：
：無人機(jī)偵察技術(shù)屬于遙感技術(shù)的一種，相對衛(wèi)星偵察具有其自身優(yōu)點(diǎn)，如成本低、偵察地域控制靈活、不存在訪問時(shí)間和周期限制、地面目標(biāo)分辨率高等；相對有人偵察機(jī)來說，有晝夜可持續(xù)工作、不考慮飛行員疲勞和傷亡等方面的優(yōu)越性。近年來，無人機(jī)因其低空遙感數(shù)據(jù)具有高分辨率、高靈活性、高效率和低成本的優(yōu)勢而被廣泛應(yīng)用于自然災(zāi)害區(qū)域評估、戰(zhàn)場偵察、環(huán)境監(jiān)測等領(lǐng)域。無人機(jī)偵察技術(shù)雖然在自然災(zāi)害區(qū)域評估、戰(zhàn)場偵察等領(lǐng)域起到了重要的作用，但是由于無人機(jī)獲得的偵察圖像具有數(shù)據(jù)量大、重疊率高的特點(diǎn)，很難用一幀圖像將感興趣區(qū)域的信息全部展現(xiàn)出來，使得感興趣區(qū)域目標(biāo)的獲取和精確定位存在巨大困難，從而給地面站指揮人員帶來繁重的工作。為了從無人機(jī)局部區(qū)域偵察圖像中獲得更加有效、全面、精準(zhǔn)的信息，需要對偵察圖像進(jìn)行一系列合理的處理，實(shí)現(xiàn)無人機(jī)偵察圖像的重建工作。通過無人機(jī)偵察圖像的重建，能夠得到高分辨率、大視角、寬視野的全景圖像，從而為地面站指揮人員提供一種有效且完整的場景表示方法，使其能夠更好地統(tǒng)一處理、解譯、分析和研究圖像信息。目前，圖像拼接作為圖像重建的重要研究方向，已廣泛應(yīng)用于實(shí)際生活當(dāng)中。2004年，Lowe提出一種尺度不變特征提取SIFT(ScaleInvariantFeatureTransform)算法，是目前來說應(yīng)用最多的圖像配準(zhǔn)算法。該算法雖然給圖像配準(zhǔn)帶來良好的配準(zhǔn)效果，但是在提高圖像拼接速度方面并沒有太大改善，對于大數(shù)據(jù)量的無人機(jī)偵察圖像來說，想要采用改變SIFT算法參數(shù)的方法來達(dá)到圖像實(shí)時(shí)處理的效果難度更大，并且，無人機(jī)圖像拼接通常需要GPS/IMU等傳感器提供相機(jī)的姿態(tài)信息，或者利用基于圖像的三維重建方法(如structure-from-motion)恢復(fù)相機(jī)的姿態(tài)，計(jì)算效率比較低，拼接后的圖像效果不好。技術(shù)實(shí)現(xiàn)要素：有鑒于此，本發(fā)明的目的在于提出一種無人機(jī)圖像拼接方法，提出一種新的適用于無人機(jī)圖像拼接的目標(biāo)函數(shù)?；谏鲜瞿康谋景l(fā)明提供一種無人機(jī)圖像拼接方法，包括：獲取無人機(jī)拍攝的待匹配圖像的SIFT特征匹配對；隨機(jī)選取一幅待匹配圖像作為參考圖像，以此圖像所在的圖像平面作為最終拼接圖像的參考平面，此圖像的單應(yīng)矩陣為單位陣，以此圖像為基準(zhǔn)，通過兩兩配準(zhǔn)關(guān)系得到其它待匹配圖像的初始變換參數(shù)；假設(shè)圖像的變換參數(shù)設(shè)為Xi，Xi表示由單應(yīng)矩陣的8個(gè)獨(dú)立參數(shù)組成的列向量，Ti為由Xi表示的變換，令定義目標(biāo)函數(shù)E(X)＝Ecor(X)+ωErig(X)；其中，ω為常數(shù)權(quán)重；Ecor(X)為基于特征點(diǎn)對應(yīng)的能量項(xiàng)，Erig(X)為變換參數(shù)X的約束項(xiàng)；將所述SIFT特征匹配對的特征對應(yīng)代入所述目標(biāo)函數(shù)，并以待匹配圖像的初始變換參數(shù)作為初值，采用LM算法進(jìn)行優(yōu)化；對變換后的圖像進(jìn)行融合處理，消除拼接縫隙。根據(jù)本發(fā)明的實(shí)施例，進(jìn)一步的，所述獲取無人機(jī)拍攝的待匹配圖像的SIFT特征匹配對包括：從每張待匹配圖像中提取圖像SIFT特征點(diǎn)，采用FLANN算法進(jìn)行SIFT特征匹配，對SIFT特征匹配對采用RANSAC算法剔除誤匹配。根據(jù)本發(fā)明的實(shí)施例，進(jìn)一步的，采用基于特征的方法對待匹配圖像進(jìn)行配準(zhǔn)，用8自由度的單應(yīng)矩陣Hi表示第i幅待匹配的變換參數(shù)，Hi為：Hi=aibieicidifigihi1;]]>對于圖像上的某個(gè)點(diǎn)x來說，用單應(yīng)矩陣對其進(jìn)行變換，變換后的坐標(biāo)x′為：x′＝Hx。根據(jù)本發(fā)明的實(shí)施例，進(jìn)一步的，所述目標(biāo)函數(shù)中的Ecor(X)定義為：Ecor(X)=Σi=1NeiTei+Σi=1N~e~iTe~i;]]>其中，ei＝Tm(pi,m)-Tn(pi,n),1≤m,n≤M；(pi,m,pi,n)表示第i個(gè)SIFT匹配對；n_ref為參考圖像的標(biāo)號，為參考圖像中的匹配對數(shù)。根據(jù)本發(fā)明的實(shí)施例，進(jìn)一步的，所述Erig(X)的定義為：Erig(X)=Σi=1NpiErig(Xi);]]>其中：Erig(Xi)＝(aibi+cidi)2+(ai2+ci2-1)2+(bi2+di2-1)2；+(gi2+hi2)2其中，pi為第i幅圖像中的點(diǎn)對應(yīng)的個(gè)數(shù)。根據(jù)本發(fā)明的實(shí)施例，進(jìn)一步的，所述對SIFT特征匹配對采用RANSAC算法剔除誤匹配包括：步驟a：隨機(jī)抽取m對SIFT特征匹配對的特征，用SIFT特征匹配對的特征計(jì)算出一個(gè)8自由度的單應(yīng)變換HR；步驟b：計(jì)算其它SIFT匹配對的特征對HR的支持度；其中，對于某一對匹配對(xA,xB)，xA、xB為齊次坐標(biāo)，如果||xA-x′A||小于預(yù)先設(shè)定的閾值，則所述(xA,xB)支持變換參數(shù)HR；其中，x′A＝HRxB；重復(fù)步驟a和步驟b預(yù)設(shè)的次數(shù)，計(jì)算獲得最大支持度的HR，設(shè)為Hbest；用所有支持Hbest的匹配對重新計(jì)算一個(gè)變換參數(shù)，設(shè)為Hout；把所有支持Hout的匹配對作為正確的匹配對。根據(jù)本發(fā)明的實(shí)施例，進(jìn)一步的，所述待匹配的SIFT特征匹配對采用RANSAC算法剔除誤匹配后，如果正確的匹配對小于預(yù)先設(shè)定的閾值，則認(rèn)為待匹配圖像之間沒有重疊的公共區(qū)域。根據(jù)本發(fā)明的實(shí)施例，進(jìn)一步的，所述對變換后的圖像進(jìn)行融合處理包括：在某個(gè)像素點(diǎn)(x,y)處對來自多幅待匹配圖像的圖像灰度值進(jìn)行加權(quán)疊加，權(quán)重W(x,y)＝w(x)w(y)；其中，w(x)的取值范圍為[0,1]，在圖像中心處為1，越靠近圖像邊緣w(x)越??；線性加權(quán)用公式表示為：Ilinear(x,y)=Σi=1nWi(x,y)Ii(x,y)Σi=1nWi(x,y)]]>根據(jù)本發(fā)明的實(shí)施例，進(jìn)一步的，所述對變換后的圖像進(jìn)行融合處理方法采用多頻段圖像融合進(jìn)行圖像方法進(jìn)行融合：得到最終的拼接結(jié)果；其中，對于待融合的圖像，建立拉普拉斯圖像金字塔；在拉普拉斯圖像金字塔的每一層，采用線性加權(quán)融合方法進(jìn)行融合。根據(jù)本發(fā)明的實(shí)施例，進(jìn)一步的，權(quán)重的計(jì)算方法如下：先用所述線性加權(quán)用公式得到每幅圖像的權(quán)重Wi(x,y)；再計(jì)算Wimax(x,y)；Wimax(x,y)=1ifWi(x,y)=argjWj(x,y)0otherwise;]]>對于拉普拉斯圖像金字塔最底層的圖像，權(quán)重為Wiσ(x,y)為：Wiσ(x,y)＝Wimax(x,y)*gσ(x,y)；其中，gσ(x,y)為高斯函數(shù)；對于拉普拉斯圖像金字塔其他層，權(quán)重Wi(k+1)σ(x,y)為：Wi(k+1)σ(x,y)＝Wikσ*gσ′；其中，用線性融合后的拉普拉斯金字塔進(jìn)行重建，得到最終的融合圖像。從上面所述可以看出，本發(fā)明的無人機(jī)圖像拼接方法，可以使得各個(gè)變換參數(shù)盡量保持為剛性變換，使得拼接的結(jié)果不發(fā)生全局變形，使得每幅圖像試圖保持原來的形狀，使得輸出的拼接圖像的全局變形得到有效的控制，并且無需相機(jī)的參數(shù)和姿態(tài)信息，即可獲得很好的拼接效果。附圖說明圖1為本發(fā)明的無人機(jī)圖像拼接方法的一個(gè)實(shí)施例的流程圖；圖2為本發(fā)明的利用圖像匹配關(guān)系獲取圖像初始變換參數(shù)；圖3為本發(fā)明的無人機(jī)圖像拼接方法的另一個(gè)實(shí)施例的流程圖；圖4為本發(fā)明的無人機(jī)圖像拼接方法對一個(gè)數(shù)據(jù)集進(jìn)行處理的拼接結(jié)果示意圖；圖5為本發(fā)明的無人機(jī)圖像拼接方法對另一個(gè)數(shù)據(jù)集進(jìn)行處理的拼接結(jié)果示意圖。具體實(shí)施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對本發(fā)明進(jìn)一步詳細(xì)說明。圖1為本發(fā)明的無人機(jī)圖像拼接方法的一個(gè)實(shí)施例的流程圖，如圖1所示：步驟101，獲取無人機(jī)拍攝的待匹配圖像的SIFT特征匹配對。步驟102，隨機(jī)選取一幅待匹配圖像作為參考圖像，以此圖像所在的圖像平面作為最終拼接圖像的參考平面，此圖像的單應(yīng)矩陣為單位陣，以此圖像為基準(zhǔn)，通過兩兩配準(zhǔn)關(guān)系得到其它待匹配圖像的初始變換參數(shù)。假設(shè)圖像的變換參數(shù)設(shè)為Xi，Xi表示由單應(yīng)矩陣的8個(gè)獨(dú)立參數(shù)組成的列向量，Ti為由Xi表示的變換，令定義目標(biāo)函數(shù)E(X)＝Ecor(X)+ωErig(X)；其中，ω為常數(shù)權(quán)重；Ecor(X)為基于特征點(diǎn)對應(yīng)的能量項(xiàng)，Erig(X)為變換參數(shù)X的約束項(xiàng)。步驟103，將SIFT特征匹配對的特征對應(yīng)代入目標(biāo)函數(shù)，并以待匹配圖像的初始變換參數(shù)作為初值，采用LM算法進(jìn)行優(yōu)化。步驟104，對變換后的圖像進(jìn)行融合處理，消除拼接縫隙。本發(fā)明的無人機(jī)圖像拼接方法所做的假設(shè)為：(1)相機(jī)的鏡頭沒有明顯的畸變；(2)地面為平面或近似平面。發(fā)明的無人機(jī)圖像拼接方法，提出一種新的適用于無人機(jī)圖像拼接的目標(biāo)函數(shù)。該目標(biāo)函數(shù)由兩部分組成。其中，第一部分為基于點(diǎn)對應(yīng)的能量項(xiàng)，它的目標(biāo)是使得變換后的匹配的特征點(diǎn)之間的距離平方和最小化，實(shí)現(xiàn)圖像在幾何上的配準(zhǔn)；第二部分為圖像變換參數(shù)的約束項(xiàng)，它使得各個(gè)變換參數(shù)盡量保持為剛性變換，其目的是使得拼接的結(jié)果不發(fā)生全局變形。采用這個(gè)目標(biāo)函數(shù)，無需相機(jī)的參數(shù)和姿態(tài)信息，即可獲得很好的拼接效果。本發(fā)明的無人機(jī)圖像拼接方法，基于嵌入變形模型，在網(wǎng)格非剛性變形模型中加入局部的剛性變形約束，以保持網(wǎng)格的局部特征。本發(fā)明的無人機(jī)圖像拼接方法，使得每幅圖像試圖保持原來的形狀，從而使得輸出的拼接圖像的全局變形得到有效的控制。在一個(gè)實(shí)施例中，采用基于特征的方法對圖像進(jìn)行配準(zhǔn)，用8自由度的單應(yīng)矩陣Hi表示第i幅圖像的變換參數(shù)，Hi為：Hi=aibieicidifigihi1---(1)]]>對于圖像上的某個(gè)點(diǎn)x(齊次坐標(biāo))來說，用單應(yīng)矩陣對其進(jìn)行變換，變換后的坐標(biāo)x′為：x′＝Hx(2)假設(shè)在全部M幅圖像之間共找到N對特征點(diǎn)，圖像的變換參數(shù)設(shè)為Xi(Xi表示由單應(yīng)矩陣的8個(gè)獨(dú)立參數(shù)組成的列向量)，Ti為由Xi表示的變換。令為了獲得各幅圖像的變換參數(shù)，定義一個(gè)目標(biāo)函數(shù)E(X)：E(X)＝Ecor(X)+ωErig(X)(3)其中，ω為常數(shù)權(quán)重。Ecor(X)為基于特征點(diǎn)對應(yīng)的能量項(xiàng)，其目的是使得所有變換后的匹配點(diǎn)之間的距離的平方和最小化，其定義為：Ecor(X)=Σi=1NeiTei+Σi=1N~e~iTe~i---(4)]]>其中，ei＝Tm(pi,m)-Tn(pi,n),1≤m,n≤M；(pi,m,pi,n)表示第i個(gè)匹配對；n_ref為參考圖像的標(biāo)號，為參考圖像中的匹配對數(shù)。式(4)的第2項(xiàng)的目的是使得參考圖像盡可能保持為原來的形狀。Erig(X)為變換參數(shù)X的約束項(xiàng)，它使得各個(gè)Xi盡量保持為剛性變換，其目的是為了防止拼接結(jié)果發(fā)生全局變形。Erig(X)的定義為：Erig(X)=Σi=1NpiErig(Xi)---(5)]]>Erig(Xi)＝(aibi+cidi)2+(ai2+ci2-1)2+(bi2+di2-1)2(6)+(gi2+hi2)2其中，pi為第i幅圖像中的點(diǎn)對應(yīng)的個(gè)數(shù)。它的意義是：當(dāng)一幅圖像中的點(diǎn)對應(yīng)越多時(shí)，它在Ecor(X)中就具有越多的項(xiàng)，為了平衡，在Erig(X)中也應(yīng)賦予它更大的權(quán)重。在式(3)中，共有8M個(gè)未知數(shù)。式(3)表示的目標(biāo)函數(shù)是一個(gè)典型的非線性最小二乘問題，可采用Levenberg-Marquardt(LM)算法進(jìn)行求解。在一個(gè)實(shí)施例中，用LM算法求解式(3)時(shí)，它的雅克比矩陣的尺寸為2N+4M行8M列。當(dāng)M和N很大時(shí)，如圖5所示的實(shí)驗(yàn)，M＝591，N＝220977，此時(shí)雅克比矩陣的尺寸為444318行4728列，這是一個(gè)非常龐大的矩陣，使得LM算法在一般的計(jì)算機(jī)上無法執(zhí)行。為了節(jié)省內(nèi)存空間和加快計(jì)算速度，采用稀疏LM算法對式(3)進(jìn)行求解。圖3為本發(fā)明的無人機(jī)圖像拼接方法的另一個(gè)實(shí)施例的流程圖；如圖3所示：步驟202，特征提取和匹配?？紤]到無人機(jī)在飛行的過程中的姿態(tài)和高度的變化，從圖像中提取具有尺度不變性和對仿射變形具有一定魯棒性的SIFT特征，用FLANN(FastLibraryforApproximateNearestNeighbors)進(jìn)行匹配，并用隨機(jī)采樣一致性算法(RANSAC)剔除誤匹配對。例如：對于待匹配的圖像IA和IB，采用開源計(jì)算機(jī)視覺庫OpenCV中提供的SiftFeatureDetector類從每張圖像中均勻地提取最多1000個(gè)128維的SIFT特征；采用FlannBasedMatcher類進(jìn)行SIFT特征匹配。對其中的匹配誤差最小的400對匹配對，采用RANSAC算法剔除誤匹配。RANSAC算法剔除誤匹配的步驟為：a)隨機(jī)抽取4對匹配的特征，用這4對點(diǎn)計(jì)算出一個(gè)8自由度的單應(yīng)變換HR(HR的形式如公式(1)所示)。b)計(jì)算其他匹配對對HR的支持度。對于某一對匹配對(xA,xB)(xA、xB為齊次坐標(biāo))來說，如果有||xA-x′A||小于預(yù)先設(shè)定的閾值(2個(gè)像素)，則表示(xA,xB)支持變換參數(shù)HR。其中，x′A＝HRxB。c)重復(fù)步驟a和步驟bK次(本實(shí)施例K＝50)，并找出獲得最大支持度的HR，記為Hbest；用所有支持Hbest的匹配對重新計(jì)算一個(gè)變換參數(shù)，記為Hout。即，Hout為由剔除誤匹配后的特征對計(jì)算得到的變換參數(shù)。最后，把所有支持Hout的匹配對作為正確的匹配對。如果正確的匹配對數(shù)小于預(yù)先設(shè)定的閾值(10對)，則認(rèn)為圖像IA和IB之間沒有重疊的公共區(qū)域。步驟203，獲取初始變換參數(shù)。隨機(jī)選取一幅圖像作為參考圖像，以它所在的圖像平面作為最終拼接圖像的參考平面，該圖像的單應(yīng)矩陣為單位陣。以參考圖像為基準(zhǔn)，通過兩兩配準(zhǔn)關(guān)系得到其他圖像的初始變換參數(shù)。如圖2所示，6幅圖像之間的匹配關(guān)系用帶箭頭的虛線表示。在圖2中，8自由度的單應(yīng)矩陣Hij表示圖像Ii和圖像Ij之間的變換關(guān)系，由步驟1得到。圖像I5和圖像I1沒有直接的匹配關(guān)系，但通過其他的圖像，I5和作為基準(zhǔn)圖像的I1可以建立起聯(lián)系。Η51＝Η54Η43Η32Η21(7)以Η51作為圖像I5的初始變換參數(shù)。用同樣的方式，可以得到其他圖像的初始變換參數(shù)。步驟203，全局優(yōu)化。將步驟202中獲得的特征對應(yīng)代入由公式(3)表示的目標(biāo)函數(shù)，并以步驟203獲得的初始變換參數(shù)作為初值，用LM算法進(jìn)行優(yōu)化。優(yōu)化具有形式的目標(biāo)函數(shù)(fi(X)為非線性函數(shù)，X為n維的變量)是一個(gè)典型的非線性最小二乘問題，可用Levenberg-Marquardt算法迭代求解。在一個(gè)實(shí)施例中，給定X的初值X0，X的迭代求解公式如下：X(k+1)=X(k)-(AkTAk+αkI)-1AkTfk]]>其中，I為單位陣，αk為正實(shí)數(shù)，Ak雅克比矩陣：Ak=∂f1(X(k))∂x1∂f1(X(k))∂x2...∂f1(X(k))∂xn.........∂fm(X(k))∂x1∂fm(X(k))∂x2...∂fm(X(k))∂xn.]]>fk＝[f1(X(k))f2(X(k))…fm(X(k))]T。Levenberg-Marquardt算法完整步驟如下：a)給定初值X(0)＝X0，α＝α0(α0＞0)，增長因子β＞0，允許誤差ε＞0，k＝0，計(jì)算E(X(k))；b)令α＝a/β，計(jì)算fk、Ak；c)X(k+1)=X(k)-(AkTAk+αkI)-1AkTfk;]]>d)計(jì)算E(X(k+1))，若E(X(k+1))＜E(X(k))，則轉(zhuǎn)步驟f，否則轉(zhuǎn)步驟e；e)若||Akfk||≤ε，則停止計(jì)算，得到最終解X＝X(k)，否則，令α＝βa，轉(zhuǎn)步驟c；f)若||Akfk||≤ε，則停止計(jì)算，得到最終解X＝X(k+1)，否則，令k＝k+1，返回步驟b。在本實(shí)施例中，α0＝0.01，β＝10。步驟405，圖像融合。如果應(yīng)用步驟203得到的圖像變換參數(shù)對每幅圖像進(jìn)行變換，由于成像條件的差異、未建模的視差效應(yīng)、圖像配準(zhǔn)幾何誤差等因素，得到的拼接圖像會存在明顯的拼接縫隙。為了得到視覺上一致、無縫的拼接結(jié)果，還需要對變換后的圖像進(jìn)行融合處理，消除拼接縫隙。在一個(gè)實(shí)施例中，一種簡單的融合方法是在某個(gè)像素點(diǎn)(x,y)處對來自多幅圖像的圖像灰度值進(jìn)行加權(quán)疊加。權(quán)重W(x,y)為：W(x,y)＝w(x)w(y)(8)其中，w(x)、w(x)的取值范圍為[0,1]，在圖像中心處為1，越靠近圖像邊緣w(x)越小。線性加權(quán)用公式表示為：Ilinear(x,y)=Σi=1nWi(x,y)Ii(x,y)Σi=1nWi(x,y)---(9)]]>其中，Wi(x,y)為第i幅圖像(x,y)處的權(quán)重；Ii(x,y)為第i幅圖像在(x,y)處的灰度值。線性加權(quán)圖像融合方法具有原理簡單、計(jì)算速度快的優(yōu)點(diǎn)，但該方法會模糊圖像的細(xì)節(jié)信息。本實(shí)施例采用多頻段圖像融合(Multi-BandBlending)方法進(jìn)行圖像融合，得到最終的拼接結(jié)果。多頻段圖像融合方法能夠保持圖像的細(xì)節(jié)信息，它的步驟是：1)對于待融合的圖像，建立拉普拉斯圖像金字塔。2)在拉普拉斯圖像金字塔的每一層，采用線性加權(quán)融合方法進(jìn)行融合。權(quán)重的計(jì)算方法如下：a)先用公式(9)得到每幅圖像的權(quán)重Wi(x,y)；b)再計(jì)算Wimax(x,y)Wimax(x,y)=1ifWi(x,y)=argjWj(x,y)0otherwise---(10)]]>對于金字塔最底層(k＝0)圖像，權(quán)重為Wiσ(x,y)為：Wiσ(x,y)＝Wimax(x,y)*gσ(x,y)(11)其中，gσ(x,y)為高斯函數(shù)，σ為高斯平滑因子。式(11)的作用是用高斯函數(shù)對Wimax(x,y)進(jìn)行平滑處理。對于其他層(k≥1，在本實(shí)施例中，0≤k≤4)，權(quán)重為Wi(k+1)σ(x,y)為：Wi(k+1)σ(x,y)＝Wikσ*gσ′其中，σ′=(2k+1)σ.]]>3)用線性融合后的拉普拉斯金字塔進(jìn)行重建，得到最終的融合圖像。OpenCV已經(jīng)有了多頻段圖像融合算法的實(shí)現(xiàn)，本實(shí)施例采用OpenCV2.4.9中的MultiBandBlender類進(jìn)行圖像融合處理(拉普拉斯金字塔的層數(shù)設(shè)為5)。在一個(gè)實(shí)施例中，通過兩組數(shù)據(jù)集對本發(fā)明提出的圖像拼接目標(biāo)函數(shù)進(jìn)行了測試。第一組數(shù)據(jù)集是昆士蘭科技大學(xué)在網(wǎng)上公開的無人機(jī)圖像，使用其中的部分圖像進(jìn)行測試(cam0_image01821-cam0_image04555，這些圖像構(gòu)成一個(gè)閉合回路)。第二組數(shù)據(jù)集為Pixe4D公司在網(wǎng)上發(fā)布的圖像，用其中的591幅圖像進(jìn)行拼接實(shí)驗(yàn)。此外，該公司還提供了正射拼接影像圖，將利用這個(gè)正射影像圖對我們的拼接結(jié)果進(jìn)行定量的評估。圖4和圖5分別為本文算法對第一組和第二組數(shù)據(jù)集得到的拼接結(jié)果。從圖中可以看出，本發(fā)明的算法對這兩組數(shù)據(jù)集都獲得了視覺上令人滿意的拼接結(jié)果。數(shù)據(jù)集1中除了原始的圖像以外，還包含了一幅從這些圖像和GPS信息生成的正射影像圖，用這張正射影像圖作為標(biāo)準(zhǔn)評價(jià)本文算法的精度。以手動的方式分別從正射影像圖(分辨率為3613×2550)和本發(fā)明的算法得到的拼接圖中選取30個(gè)大致均勻分布控制點(diǎn)，采用4自由度的相似變換模型對控制點(diǎn)進(jìn)行配準(zhǔn)，誤差為19.6像素。由于目標(biāo)是在相機(jī)參數(shù)未知的情況下得到視覺上感覺良好的拼接圖像，這個(gè)誤差量級尚不足以讓人感覺到圖像發(fā)生了全局的變形。所有的拼接實(shí)驗(yàn)，都不使用任何相機(jī)位姿和內(nèi)參數(shù)據(jù)，其中，式(3)的ω設(shè)為4000。本發(fā)明的無人機(jī)圖像拼接方法，可以使得各個(gè)變換參數(shù)盡量保持為剛性變換，使得拼接的結(jié)果不發(fā)生全局變形，使得每幅圖像試圖保持原來的形狀，使得輸出的拼接圖像的全局變形得到有效的控制，并且無需相機(jī)的參數(shù)和姿態(tài)信息，即可獲得很好的拼接效果。所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：以上僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3