高精度航测的鲁棒图像稀疏匹配方法、存储介质及无人机组成比例

本发明专利技术属于无人机技术领域，公开了一种高精度航测的鲁棒图像稀疏匹配方法、存储介质及无人机，采用高低频图像信息分离的方法弱化原始SIFT匹配算法中像素数量和梯度幅值两者之间的相互干扰，并分别增强对主方向的贡献，限制透视变换中的影响；利用图像结构信息增强描述子，并使用各向异性的测地距离加权方法对局部遮挡的图像进行处理；利用BBF(Best Bin First)算法和参数模型方法进行特征点匹配和误匹配剔除，并通过稀疏光束法平差获得最终的稀疏匹配点云。本发明专利技术不仅获得的正确匹配数量显著高于原始SIFT，分布密度均匀，通过增加特征匹配算子对局部仿射、透视变形的抵抗性能有效提高低空无人机大视角图像稀疏匹配效果。

【技术实现步骤摘要】
高精度航测的鲁棒图像稀疏匹配方法、存储介质及无人机
本专利技术属于无人机
，尤其涉及一种高精度航测的鲁棒图像稀疏匹配方法、存储介质及无人机。
技术介绍
目前，在低空无人机遥感高精度航测中，遥感图像稀疏匹配是一项核心技术，它的精度直接影响了低空无人机航测空中三角测量的精度，决定了后续的数字等高线模型(DEM)和数字正射影像(DOM)等产品的质量。遥感图像稀疏匹配是从具有相同重叠区的不同图像中提取同名匹配点的过程，这些无人机遥感图像可以是从不同角度、不同相机传感器、不同光照条件、不同时间和距离进行拍摄的。图像稀疏匹配也是计算机视觉应用中最基础的数据处理工作之一，是运动结构恢复技术SfM(structurefrommotion)、实时制图与定位技术(SLAM)、目标检测与识别等应用的基础。图像稀疏匹配一般分为三个步骤：首先，提取特征显著点；然后，对特征点进行描述；最后，进行同名特征匹配。从图像稀疏匹配的技术角度一般可以分为：(1)基于灰度的匹配，它利用待匹配窗口和匹配窗口内的像素值，通过合适的相关函数来实现模板匹配；(2)基于关系的匹配，它把图像中的点、线、面或其他特征抽象为一个控制点，对这些点进行匹配的前提是这些点中的对应点对是否满足已知的某个模型关系；(3)基于语义的匹配，它更接近自然语言描述，直接从图像中提取对象，用类似自然语言的方式对其进行描述，是一种高级匹配方式，多出现在机器学习的深度学习中，借助建立的神经网络模型对初级特征进行抽象，最终提取到鲁棒性更高的全局对象描述子，存在计算量大和泛化能力弱的问题；(4)基于特征的匹配,是目前无人机遥感高分辨率图像稀疏匹配中使用最多的算法。其中最出名、应用最为广泛的是LoweD.G.于2004年提出的SIFT(ScaleInvariantFeatureTransform)匹配算法，它是一种具有尺度不变性的局部特征描述子。具有代表性的图像稀疏匹配算法目前至少有数十种以上，其中还不包含各自的变种算法。但是它们仍然无法做到高效的仿射不变性，在实际使用中，经常存在误匹配或者无法匹配的现象，尤其应用于低空无人机遥感高精度空中三角测量中，已有图像稀疏匹配的特征提取算法还存在对仿射变换和透视变换抵抗性差的问题。这是由于低空无人机遥感高精度航测中，往往会通过增加拍摄图像的重叠度和图像间的交会角来获得更高的测图精度，它相比于一般小交会角图像具有局部透视变换大或局部平面仿射变形严重的特点，这将导致使用非透视不变的主方向探测函数在图像同名局部区域内偏离真实主方向，尤其在弱纹理、结构信息不显著的区域内。例如著名的SIFT及其众多改进算法使用方向梯度直方图统计计算二次曲线极值，寻找局部显著方向，它严重依赖其尺度影响范围内某一方向的像素数量和梯度大小。这种方式在较大交会角的物方平面或曲面情况下，梯度主导信息不一定显著。而且，当图像局部区域内某一方向梯度的像素数量因透视变换增加，也会干扰主方向的寻找。其次，在建立关键点的描述子时，几乎所有的SIFT及其变种算子都使用了高斯各向同性加权方式，它通过直接使用在某一尺度的相对距离为加权距离，然后把种子点的描述向量串联起来形成最终的描述子，只是一种平移、旋转和尺度变换的不变量，非仿射及其以上层次变换函数的不变量。因此，这类算子的主要问题是图像稀疏匹配中特征提取的主方向探测函数和描述子建立函数非抗高级变换的不变量，难以很好地解决这个问题对低空无人机城镇大比例尺测图的问题。通过上述分析，现有技术存在的问题及缺陷为：(1)现有技术无人机图像稀疏匹配算法存在对局部透视变化敏感的特点，对低空无人机城镇大比例尺测图中，局部遮挡的图像处理效果差。(2)现有技术无人机图像稀疏匹配算法存在提取特征点主方向易受某一方向像素的数量和该方向梯度幅值的影响，特征点的提取易受噪声干扰。(3)现有技术无人机图像稀疏匹配算法存在精度和效率的难题，难以满足很好地实现高精度高效率的匹配与空三解算。解决以上问题及缺陷的难度为：高精度的无人机空三往往因为使用非量测相机、分辨率高、地物纹理结构不一致、数据量大、重叠不规律、飞行姿态不稳定、地物成像尺度差异大、建筑遮挡、交会角变化大和影像像点位移大等问题，容易导致误匹配和不匹配现象。解决以上问题及缺陷的意义为：提高低空无人机图像的匹配精度，能显著提高无人机测图中的地面数字高程模型、正射影像和地球表面模型的精度，为航空大比例尺快速测绘制图等应用提供技术保障。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种高精度航测的鲁棒图像稀疏匹配方法、存储介质及无人机，具体涉及一种低空无人机高精度航测的鲁棒图像稀疏匹配方法。本专利技术的目的是为了解决现有的图像稀疏匹配方法在无人机遥感高精度航测中的特征提取算法中还存在抗仿射变换和透视变换抵抗力差的问题，提高无人机航测空中三角测量的精度，进而为城镇低空无人机大比例尺测图提供技术基础。本专利技术是这样实现的，一种低空无人机高精度航测的鲁棒图像稀疏匹配方法，包括：采用高低频图像信息分离的方法弱化原始SIFT匹配算法中像素数量和梯度幅值两者之间的相互干扰，并分别增强对主方向的贡献，限制透视变换中的影响；利用图像结构信息增强描述子，并使用各向异性的测地距离加权方法对局部遮挡的图像进行处理；利用BBF算法和参数模型结合的精匹配方法，与稀疏光束法进行空三解算。进一步，所述采用高低频图像信息分离的方法弱化原始SIFT匹配算法中像素数量和梯度幅值两者之间的相互干扰的方法包括：将待匹配图像转换为灰度图像，并使用灰度图像的ISODATA自动阈值分割法，把局部图像区域的高频信息作为目标信息，低频信息作为背景信息，从而把特征点局部图像变为高频通道、低频通道和原始通道三个通道；分别在每一个通道中使用SIFT的主方向探测函数，探测并合并主方向相同的情况。进一步，为识别多个主方向对应的描述子属于同一特征点的情况，对每一个特征点标记唯一编号ID，具有同一坐标、尺度的特征点记为同一个特征点；将同一图像中相同特征ID的集合称作特征点类。进一步，所述利用图像结构信息增强描述子，并使用各向异性的测地距离加权方法对局部遮挡的图像进行处理的方法包括：利用SIFT描述子本身对亮度变化和辐射畸变的抵抗性解决同名区域的辐射畸变问题，把普通图像空间变换到测地空间；使用测地距离代替空间欧氏距离，把SIFT中的各向同性加权算子变为各向异性加权算子，保留图像局部结构信息增强特征描述子的鲁棒性；使用ASIFT穷举策略把所有稳定信息都纳入到特征描述的描述空间内。进一步，对于距离的加权范围，直接使用SIFT描述子中与原始尺度相关的加权局部窗口。进一步，所述利用BBF算法和参数模型结合的匹配与误匹配消除，以及稀疏光束法平差的优化和空三解算方法包括：使用BBF算法进行同名特征匹配；利用参数模型PROSAC剔除大量的“外点”，即误匹配点，提升同名点可靠性；使用两两匹配一致性检测进行同名点跟踪，并利用稀本文档来自技高网...

【技术保护点】
1.一种低空无人机高精度航测的鲁棒图像稀疏匹配方法，其特征在于，所述低空无人机高精度航测的鲁棒图像稀疏匹配方法包括：/n采用高低频图像信息分离的方法弱化原始SIFT匹配算法中像素数量和梯度幅值两者之间的相互干扰，并分别增强对主方向的贡献，限制透视变换对其的影响；/n利用图像结构信息增强描述子，并使用各向异性的测地距离加权方法对局部遮挡的图像进行处理；/n利用BBF算法和参数模型结合的方法，进行特征匹配和误匹配消除，并利用两两匹配一致性检测和稀疏光束法，解算出相机方位元素和稀疏点云。/n

【技术特征摘要】
1.一种低空无人机高精度航测的鲁棒图像稀疏匹配方法，其特征在于，所述低空无人机高精度航测的鲁棒图像稀疏匹配方法包括：
采用高低频图像信息分离的方法弱化原始SIFT匹配算法中像素数量和梯度幅值两者之间的相互干扰，并分别增强对主方向的贡献，限制透视变换对其的影响；
利用图像结构信息增强描述子，并使用各向异性的测地距离加权方法对局部遮挡的图像进行处理；
利用BBF算法和参数模型结合的方法，进行特征匹配和误匹配消除，并利用两两匹配一致性检测和稀疏光束法，解算出相机方位元素和稀疏点云。


2.如权利要求1所述的低空无人机高精度航测的鲁棒图像稀疏匹配方法，其特征在于，所述采用高低频图像信息分离的方法弱化原始SIFT匹配算法中像素数量和梯度幅值两者之间的相互干扰的方法包括：
将待匹配图像转换为灰度图像，并使用灰度图像的ISODATA自动阈值分割法，把局部图像区域的高频信息作为目标信息，低频信息作为背景信息，从而把特征点局部图像变为高频通道、低频通道和原始通道三个通道；
分别在每一个通道中使用SIFT的主方向探测函数，检测并合并主方向相同的情况。


3.如权利要求2所述的低空无人机高精度航测的鲁棒图像稀疏匹配方法，其特征在于，为识别多个主方向对应的描述子属于同一特征点的情况，对每一个特征点标记唯一编号ID，具有同一坐标、尺度的特征点记为同一个特征点；将同一图像中相同特征ID的集合称作特征点类。


4.如权利要求1所述的低空无人机高精度航测的鲁棒图像稀疏匹配方法，其特征在于，所述利用图像结构信息增强描述子，并使用各向异性的测地距离加权方法对局部遮挡的图像进行处理的方法包括：
利用SIFT描述子本身对亮度变化和辐射畸变的抵抗性解决同名区域的辐射畸变问题，把普通图像空间变换到测地空间；
使用测地距离代替空间欧氏距离，把SIFT中的各向同性加权算子变为各向异性加权算子，保留图像局部结构信息增强特征描述子的鲁棒性；
使用ASIFT穷举策略把所有稳定信息都纳入到特征描述的描述空间内。


5.如权利要求4所述的低空无人机高精度航测的鲁棒图像稀疏匹配方法，其特征在于，对于距离的加权范...

【专利技术属性】
技术研发人员：李明，张卫龙，林好，陈丽凡，李寿年，王磊，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42