肖望昊

摘要：中國自然災(zāi)害頻率較高，利用無人機低空航測影像的圖幅小、數(shù)量多、高分辨率等特點，在此基礎(chǔ)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點的同時，對無人機遙感影像進行基于特征的快速拼接，在防災(zāi)應(yīng)急出圖時具有實際意義。

關(guān)鍵詞：無人機? 特征提取? 圖像拼接

1 概述

災(zāi)害發(fā)生，受災(zāi)區(qū)的地圖信息將發(fā)生巨變，因此快速獲取目標(biāo)區(qū)域高精度遙感影像是防災(zāi)應(yīng)急的基礎(chǔ)。此外，災(zāi)害的發(fā)生意味著缺少地面控制點支持。無人機航測技術(shù)是獲取一定范圍內(nèi)高精度影像最及時、最有效的手段之一，而無人機影像快速拼接技術(shù)由于其無需地面控制點、單片精度高等特點，為防汛應(yīng)急出圖和其他應(yīng)急場景的快速出圖提供了保障。影像配準(zhǔn)作為影像拼接的關(guān)鍵，既要求配準(zhǔn)算法精度要高，又要保證算法計算量在適宜區(qū)間。本文主要對Harris+SIFT特征點檢測算法進行研究，提供一個具有實用價值的特征點檢測算法進而對無人機遙感影像進行快速拼接。

2 特征點檢測算法

圖像中的特征點主要是指角點以及原點等明顯點，基于特征點的不同監(jiān)檢測準(zhǔn)則，可以將特征點檢測算法進行具體的劃分，即基于影像邊緣、影像模型以及像灰度的特征點檢測算法。隨著相關(guān)技術(shù)的發(fā)展，相關(guān)研究的不斷深入，逐漸出現(xiàn)了更多的方法，但是根本上來講各算法還較為集中在對Harris算法、SIFT算法等經(jīng)典特征點檢測算法的進一步改進。

2.1 Harris算法

對應(yīng)點的尺度。其中特征點對應(yīng)Harris角點周圍的SIFT特征點，同時將其他的不滿足要求的點進行刪除，此時對于選擇的特征點而言，不但具備了SIFT算法的不變性，同時包括了Harris算法的穩(wěn)定性。

4 算法分析實驗

結(jié)合上文結(jié)果，需進行實驗分析以驗證Harris+SIFT算法的性能優(yōu)勢。實驗平臺為Intel（R） Core（TM） i5-8600K CPU 3.60GHz， 16GB內(nèi)存，運行平臺為Matlab R2018b。

4.1時間效率分析

特征點提取耗時單位為時間、特征點單位為個。本次實驗選用關(guān)聯(lián)性較強的Harris、SIFT以及本文所用Harris+SIFT三種算法進行對比試驗。不同算法特征提取時間效率如表1：

從表1中分析得出，特征點檢測數(shù)量的多少，一定程度代表影像拼接時能創(chuàng)建的特征向量的數(shù)量，因而從側(cè)面影響影像拼接精度。SIFT算法由于需要先建立相關(guān)影像空間尺度金字塔，計算過程較為復(fù)雜，耗時較長。Harris+SIFT算法的特殊機理，使其在保證了精度質(zhì)量的前提下，降低了過程復(fù)雜度，因此耗時較SIFT算法短。

4.2 匹配精度分析

上文實驗結(jié)果得出了三種算法的時間效率分析結(jié)果，在此選擇研究區(qū)的2張無人機影像，用于對比Harris+SIFT算法與Harris以及SIFT算法的特征點匹配精度。

特征點檢測匹配精度比較結(jié)果如表2所示。

匹配率可以很好地反映影響拼接的精度，匹配率越低則影響拼接結(jié)果越差，邊界越會出現(xiàn)明顯“鬼影”，反之則邊界越吻合。Harris算法1.6%的特征點匹配率較低，會極大影響影像拼接精度，較為明顯的“鬼影”將不符合成圖需求。Harris+SIFT算法匹配率較SIFT算法有細微優(yōu)勢。

4.3 穩(wěn)定性分析

通過上文得知Harris算法匹配精度不適用于防汛應(yīng)急場景，且Harris+SIFT算法匹配率高于SIFT算法，但匹配率僅高出0.02%并未有顯著優(yōu)勢。因此將進一步對兩種算法的穩(wěn)定性進行分析。為了更好的檢測兩種算法的穩(wěn)定性，將影像分別進行旋轉(zhuǎn)、添加噪聲的處理，結(jié)果如表3所示。

通過穩(wěn)定性對比試驗，發(fā)現(xiàn)一是SIFT算法的變化更大，而本文Harris+SIFT算法變化率相對較小，更加穩(wěn)定;二是兩種算法對噪聲的處理效果都比較好。

綜上，本文Harris+SIFT算法既可實現(xiàn)高速影像拼接，同時能發(fā)揮SIFT算法的優(yōu)勢，滿足影像拼接質(zhì)量要求。

5 快速拼接實驗

通過時間效率、匹配精度和穩(wěn)定性三個方面驗證了Harris+SIFT算法的優(yōu)勢后，在此使用本文算法進行雙片快速拼接實驗，以驗證算法實用性。

5.1 特征點提取

在特征向量生成之前，要先為特征點確定一個主方向。特征點的主方向是根據(jù)特征點周圍像點的梯度方向進行確定。具體計算公式如公式11和公式12：

一般以特征點為中心，在特定區(qū)域范圍內(nèi)統(tǒng)計各像點的梯度方向。像點的梯度方向會在360°內(nèi)變化，以45°為間隔對像點的梯度方向進行分類，可以形成8個區(qū)間，選擇區(qū)間內(nèi)像點數(shù)最多的方向作為該特征點的主方向。在確定特征點的主方向過程中，可能有幾個與主方向接近的區(qū)間方向。為更準(zhǔn)確地反映特征點的方向信息，把這些區(qū)間方向作為特征點的輔方向以確認特征點的方向信息。

對主方向進行確定之后，就可以得到對應(yīng)的特征向量。對有16個像素點構(gòu)成的區(qū)域進行劃分，具體分為4個個小單元，然后基于累加像素點的模值的大小以及向量的梯度方向，然后產(chǎn)生對應(yīng)的種子節(jié)點，由此可以得到這個種子節(jié)點所含的方向數(shù)量有8個，和特征點的挨得越近，即對應(yīng)著其和特征點之間的相似應(yīng)就顯得越高。因此，16個種子節(jié)點便可生成128維特征向量。采用主成分分析（PCA）算法對特征向量進行了降維處理，降至32維。使用該方法是通過正交線性變換將數(shù)據(jù)轉(zhuǎn)換為多個主成分進行分析的多元統(tǒng)計分析方法。使用PCA的目的旨在將高維數(shù)據(jù)投影至低維空間，從而減少獲得源數(shù)據(jù)的主要特征。

5.2特征匹配

在整個特征匹配算法中，對于特征點的近鄰的尋找就作為整個算法的核心，其中包括了最近鄰、次鄰近。對于本文而言，采用的排序法為BBF，這種算法是在K-d樹的基礎(chǔ)上發(fā)展得到的，這種加權(quán)的K-d樹在匹配的時候可以將匹配到的比較相近的一些對象根據(jù)加權(quán)進行排序，從而較快找到最匹配的對象。選擇BBF正是因為其具有以上優(yōu)勢，從而可以進一步達到提高效率的目的。

本文具體使用PROSAC算法進行特征提取，該方法是RANSAC算法的進化，是將初始集匹配的結(jié)果作為排序的依據(jù)，使得在采樣時根據(jù)匹配結(jié)果由高到低進行排序，則最有可能得到最佳參數(shù)的樣本會較早的出現(xiàn)，可以使本文的影像拼接進一步提高效率。

圖1為顯示了基于Harris+SIFT算法的無人機影響拼接結(jié)果，總耗時35秒。

6 結(jié)語

本章主要詳細介紹了典型的特征點檢測算法以及本文采用的Harris+SIFT算法，并通過實驗的比較分析，對SIFT、Harris和Harris+SIFT算法進行了充分的比較?？紤]到研究背景，為了盡可能的提升拼接算法性能，本文選擇Harris+SIFT特征點檢測算法進行研究，憑借該算法檢測Harris角點周圍的SIFT特征點，同時將其他的不滿足要求的點進行刪除的特性，對于選擇的特征點而言，不但具備了SIFT算法的不變性，同時包括了Harris算法的穩(wěn)定性，是最為符合防汛工作應(yīng)用場景的算法。

參考文獻

[1] 楊靜學(xué)，陳亮雄，李偉添，高旖姍.遙感技術(shù)在水庫水政監(jiān)察中的應(yīng)用——以鶴地水庫為例[J].廣東水利水電，2018（11）：72-79.

[2] 田婕妤.基于并行計算的醫(yī)學(xué)圖像配準(zhǔn)融合技術(shù)研究[D].天津科技大學(xué)，2010.

[3] 鄧濤.結(jié)合SIFT和Harris算法的小型無人機影像拼接方法[J].信息工程大學(xué)學(xué)報.2015.4：322-323.