劉洪江，曹玉香，李佳，梅鋒，方愛，季維虎

(1.杭州市勘測設計研究院，浙江 杭州 310012； 2.浙江工商大學公共管理學院，浙江 杭州 310018；3.杭州市錢投集團科技與數(shù)信部，浙江 杭州 310016)

1 引 言

隨著無人機技術(shù)的發(fā)展，無人機遙感已在眾多行業(yè)得到廣泛應用。在新型測繪與智慧城市建設領(lǐng)域，無人機航攝正發(fā)揮越來越重要的作用，尤其在防災減災、應急救援、自然資源監(jiān)測、三維城市重建等領(lǐng)域取得重要進展。目前實際應用中，航空正射影像的制作方式主要是借助攝影測量影像處理系統(tǒng)在數(shù)字高程模型的輔助下將航拍序列影像制作正射影像，或者利用多種軟件與地形圖輔助制作正射影像[1]，制作周期長，自動化程度低，無法滿足應急需要。

近年來，國內(nèi)外對無人機影像快速拼接技術(shù)的研究很多，但多數(shù)局限在算法本身的研究和優(yōu)化。業(yè)界也推出了很多優(yōu)秀的無人機傾斜攝影處理軟件，如Smart3D、PhotosSan、Pix4D等。這些軟件在三維建模方面性能優(yōu)異，能很好地實現(xiàn)無人機影像快速拼接?？焖儆跋裆a(chǎn)制作程序繁多、流程復雜，不夠便捷，而且價格昂貴。針對影像快速拼接單一任務需求的輕量化的軟件工具并不多見，所以在快速影像生產(chǎn)，尤其是應急測繪影像生產(chǎn)中瓶頸凸顯。

單幅影像通常無法覆蓋航攝測區(qū)范圍，因此大范圍影像生產(chǎn)需要對多幅影像進行鑲嵌、拼接[6]。通過研究影像快速拼接技術(shù)，可以獲得寬視域、高分辨率的圖像[2]，基于OpenCV圖像處理技術(shù)及其豐富的算法，可以高效率解決無人機影像快速拼接的問題。本文在OpenCV算法庫的基礎(chǔ)上，采用Python開發(fā)語言，圍繞無人機影像的特征檢測與匹配、單應性矩陣計算、圖像透視變換、重疊區(qū)域圖像融合等問題進行研究和試驗，實現(xiàn)了影像的快速、高效、自動化拼接。

2 OpenCV及SIFT算法

OpenCV是基于BSD許可(開源)發(fā)行的跨平臺計算機視覺庫，可以運行在Linux、Windows、Android和Mac OS操作系統(tǒng)上。它具備輕量且高效的特點——由一系列C函數(shù)和少量C++類構(gòu)成，同時提供了Python、Ruby、MATLAB等語言的接口，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法[3]。OpenCV采用C語言進行優(yōu)化，而且在多核計算機上面，其運行速度會更快。近年在圖像識別、圖像分割、圖像匹配、機器視覺等領(lǐng)域取得了廣泛的應用。

圖像拼接是將處于同一場景的多張圖像之間建立對應關(guān)系[4]，關(guān)鍵是圖像匹配。目前基于無人機獲取的圖像，拼接主要采用2種方法：一是利用無人機POS數(shù)據(jù)對影像進行拼接，由于無人機自身因素和氣流的影響，一般無法得到較為精確的飛行姿態(tài)；第二種方法是采用基于圖像區(qū)域特征的匹配[5]。SIFT算法是一種典型的基于特征的圖像匹配方法，應用領(lǐng)域很廣。SIFT算法首先通過預處理對圖像進行去噪以及修正，然后利用高斯差分函數(shù)構(gòu)造多尺度空間，在不同尺度空間影像上檢測具有方向信息的局部極值點，最后將極值點精確定位，去除不穩(wěn)定的點，根據(jù)極值點臨近像素，生成特征描述子，再進行歸一化處理[4]。由于SIFT算法能夠解決圖像平移、方向及角度改變、光照改變等問題，無人機在不同時間、不同角度拍攝兩幅或多幅含有重疊區(qū)域的圖像，依舊可以獲得較好的拼接效果[2]，所以在處理無人機影像匹配中應用較多。

OpenCV計算機視覺庫對SIFT算法有著很好的支持，尤其是到了3.0以后，OpenCV對SIFT特征提取進行了系統(tǒng)性的重構(gòu)，簡化了SIFT算法功能的調(diào)用，其代碼背后的理論和代碼實現(xiàn)的技術(shù)以及各種提升速度和效率的方法對圖像處理的應用具有很大的幫助。opencv-python3.4.2以后的版本，SIFT算法包申請了專利保護，不能正常使用，所以安裝opencv-python時要選擇3.4.2以前的版本。

3 影像拼接步驟

3.1 特征點提取

無人機影像拼接的第一步就是特征點提取。OpenCV視覺庫有很多特征點的定義，比如sift、surf、harris角點、ORB等，它們各有優(yōu)勢。采用SIFT特征來實現(xiàn)圖像拼接比較常用，盡管計算量大，但其穩(wěn)定性和精確度都很好。

OpenCV Python中SIFT特征點檢測，是通過建立SIFT生成器，檢測SIFT特征點并描述算子來實現(xiàn)。

descriptor=cv2.xfeatures2d.SIFT_create()

(kps，features)=descriptor.detectAndCompute(gray，None)

3.2 特征點匹配

獲得圖像的特征點向量集合以后，就需要對特征點進行匹配，即圖像A中的特征點，根據(jù)其歐式距離的相似度，尋找圖像B中對應的特征點。圖像的特征點數(shù)目很多，因此SIFT算法中采用了kd-tree的數(shù)據(jù)結(jié)構(gòu)，降低了時間復雜度，大大提高了特征點搜索的效率。

匹配完成后，還應根據(jù)一定的規(guī)則(如最近歐式距離與次近歐式距離的比值)進行篩選，以選取優(yōu)秀的匹配點。

matcher=cv2.BFMatcher()

rawMatches=matcher.knnMatch(featuresA，featuresB，2)

matches=[]

for m in rawMatches：

iflen(m) == 2 and m[0].distance < m[1].distance*ratio：

matches.append((m[0].trainIdx，m[0].queryIdx))

3.3 圖像配準

得到了兩幅待拼接圖的匹配點集后，接下來就要進行圖像的配準，即將兩張圖像轉(zhuǎn)換為同一坐標系下。這時需要使用OpenCV的findHomography函數(shù)來求單應性變換矩陣。需要注意的是，findHomography函數(shù)所要用到的點集是float32類型的，所以需要對得到的點集再作一次處理，將其轉(zhuǎn)換為float32類型的點集。

單應性變換矩陣的計算，需要繼續(xù)篩選可靠的匹配點，使得匹配點更為精確。當有效數(shù)據(jù)比無效數(shù)據(jù)要少的時候，最小二乘法就失效。因此本文采用RANSAC算法，即Random Sample Consensus (隨機一致性采樣)。RANSAC算法是隨機選擇幾個點，用一個函數(shù)去擬合這幾個點，給定一個σ，統(tǒng)計出在σ范圍之內(nèi)的點的個數(shù)，也就是統(tǒng)計這個擬合函數(shù)的誤差率，當誤差率小于一定值的時候停止迭代。

ptsA=np.float32([kpsA[i] for (_，i) in matches])

ptsB=np.float32([kpsB[i] for (i，_) in matches])

(H，status)=cv2.findHomography(ptsA，ptsB，cv2.RANSAC，reprojThresh)

最后是對采用單應性變換矩陣對右圖像進行透視變換，計算右圖像像素點在左圖像中的坐標，生成配準圖像。

result=cv2.warpPerspective(imageB，H，(imageA.shape[1] + imageB.shape[1]，imageA.shape[0]))

3.4 圖像融合

簡單的圖像拼接方法，是直接將左圖像拷貝到配準圖像。但是兩幅影像的拼接會不自然，原因在于拼接圖的交界處，兩幅圖像因為光照色澤、匹配精度的原因使得過渡很不均勻，所以需要進行特定的處理。本文采用的思路是加權(quán)融合，即在圖像的重疊區(qū)域?qū)⑾袼刂蛋匆欢ǖ臋?quán)值融合成新的圖像。

result[0：imageA.shape[0]，0：x]=imageA[：，：x]

rows，right_col=imageA.shape[：2]

forcol in range(x，right_col)：

forrow in range(rows)：

if result[row，col，0]==0 and result[row，col，0]==0 and result[row，col，0]==0：

alpha=1.0

else：

alpha=((right_col-x)-(col-x))/float(right_col-x)

result[row，col]=imageA[row，col]*alpha+result[row，col]*(1-alpha)

注：x，right_col是重疊區(qū)的左右邊界。

4 結(jié)果及分析

本文以無人機航拍的照片為例進行試驗分析。像幅為 5 472×3 648，焦距 8.8 cm，感應器尺寸 13.2 mm，如圖1所示。

圖1 無人機航拍圖像

特征點提取中，創(chuàng)建SIFT的SIFT_create函數(shù)有一個參數(shù)nfeatures，它是確定返回特征點的個數(shù)。因為無人機航拍影像分辨率非常高，特征點數(shù)量巨大，會大大影響后續(xù)的特征點匹配效率，甚至導致系統(tǒng)崩潰。所以需要對返回的特征點數(shù)進行限定，經(jīng)試驗比較，nfeatures=2 500時，不會影響圖像匹配的效果。特征點匹配情況如圖2所示。

圖2 特征點匹配

根據(jù)匹配點計算出兩張圖像重疊區(qū)域的單應性轉(zhuǎn)換矩陣，并由轉(zhuǎn)換矩陣對右圖像進行透視變換，計算出其在左圖像坐標系中的坐標，如圖3所示。

圖3 圖像配準

最后是圖像的融合。簡單的融合，把左圖像拷貝到配準圖像即可，但在接縫處會出現(xiàn)明顯的色差。而且因為匹配精度的原因，會出現(xiàn)紋理錯位的情況，如圖4所示。如果采用加權(quán)融合，就能很好地避免這個問題。需要指出的是，加權(quán)融合是在重疊區(qū)域內(nèi)逐個像素進行比較和計算，對圖像拼接處理的效率會有較大影響。采用加權(quán)融合后，航片拼接的結(jié)果如圖5、圖6所示。

圖4 圖像融合

圖5 圖像加權(quán)融合

圖6 圖像拼接結(jié)果

整體測區(qū)的圖像拼接結(jié)果如圖7所示。本文研究的方法基本能滿足小區(qū)域圖像快速拼接，并快速制作整體影像成果。其優(yōu)點是便捷、輕量，能根據(jù)需求量身定制，避免購買昂貴商業(yè)軟件，缺點是不能實現(xiàn)高效率、高精度正射影像的制作。

圖7 整體測區(qū)拼接結(jié)果

5 結(jié) 論

本文以OpenCV計算機視覺庫和SIFT算法為基礎(chǔ)，采用Python開發(fā)語言，對無人機航拍影像的拼接技術(shù)進行了研究和試驗，取得了較好的結(jié)果，在實際生產(chǎn)中得到了應用。但是本文沒有將這一拼接技術(shù)在不同測區(qū)進行試驗比較，所以在建筑物密集區(qū)域或大面積植被、水域分布的區(qū)域，拼接效果如何還需要進一步研究。另外，由于受無人機航拍時的穩(wěn)定性、飛行姿態(tài)的影響，航拍圖像會有較大的變形，而拼接影像沒有經(jīng)過地面控制和正射糾正處理，其精度怎樣也有待進一步評估。