推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于优化SIFT算法的无人机遥感作物影像拼接

更新时间:2019-12-30 20:27:29 大小:2M 上传用户:zhiyao6查看TA发布的资源 标签:SIFT算法无人机 下载积分:1分 评价赚积分 (如何评价?) 收藏 评论(0) 举报

资料介绍

针对作物遥感影像因对比度低所导致的使用尺度不变特征变换算法(scale-invariant feature transform,SIFT)提取特征点数目少,拼接效果不理想的情况,提出了一种基于图像锐化的自适应修改采样步长的非极小值抑制拼接算法,该算法在图像预处理中引入锐化滤波器对平滑后的图像进行卷积,增强图像细节,增加特征点提取数目,同时通过基于尺度的自适应修改采样步长,使图像特征点分布更加均匀,根据低对比度作物遥感影像的成像特性,采用非极小值抑制,提高图像匹配效率。在查找匹配点的过程中,引入最优节点优先算法(best-bin-first,BBF)查找最近邻与次近邻,采用随机抽样一致算法(random sample consensus,RANSAC)优选特征点。通过试验验证,该文改进后的算法相比于标准SIFT算法,在处理低空作物遥感影像时,特征点提取数目平均增加77.5%,特征点匹配对数平均增加15对,对于标准SIFT算法无法匹配的低对比度作物遥感影像,提取到了8对以上的匹配点对,满足了拼接条件。该改进算法相对于标准SIFT算法更适于低对比度遥感影像的拼接。


部分文件列表

文件名 大小
基于优化SIFT算法的无人机遥感作物影像拼接.pdf 2M

部分页面预览

(完整内容请下载后查看)
33 10 期  
农 业 工 程 学 报  
Vol.33 No.10  
May 2017  
2017 年  
5 月  
Transactions of the Chinese Society of Agricultural Engineering  
123  
· 农业航空工程·  
基于优SIFT 算法的无人机遥感作物影像拼接  
贾银江,徐哲男,苏中滨,靳思雨,Arshad M.Rizwan  
(东北农业大学电气与信息学院,哈尔滨 150030)  
摘 要:针对作物遥感影像因对比度低所导致的使用尺度不变特征变换算法(scale-invariant feature transformSIFT)提  
取特征点数目少,拼接效果不理想的情况,提出了一种基于图像锐化的自适应修改采样步长的非极小值抑制拼接算法,  
该算法在图像预处理中引入锐化滤波器对平滑后的图像进行卷积,增强图像细节,增加特征点提取数目,同时通过基于  
尺度的自适应修改采样步长,使图像特征点分布更加均匀,根据低对比度作物遥感影像的成像特性,采用非极小值抑制,  
提高图像匹配效率。在查找匹配点的过程中,引入最优节点优先算法(best-bin-firstBBF)查找最近邻与次近邻,采用  
随机抽样一致算法(random sample consensusRANSAC)优选特征点。通过试验验证,该文改进后的算法相比于标准  
SIFT 算法,在处理低空作物遥感影像时,特征点提取数目平均增加 77.5%,特征点匹配对数平均增加 15 对,对于标准  
SIFT 算法无法匹配的低对比度作物遥感影像,提取到8 对以上的匹配点对,满足了拼接条件。该改进算法相对于标准  
SIFT 算法更适于低对比度遥感影像的拼接。  
关键词:作物;遥感;无人机;非极小抑制;图像拼接;特征检测;鲁棒性  
doi10.11975/j.issn.1002-6819.2017.10.016  
中图分类号:TP391  
贾银江,徐哲男,苏中滨,靳思雨,Arshad M. Rizwan. 基于优SIFT 算法的无人机遥感作物影像拼接[J]. 农业工程学  
报,2017,33(10):123-129. doi10.11975/j.issn.1002-
文献标志码:A  
文章编号:1002-6819(2017)-10-0123-07  
Jia Yinjiang, Xu Zhenan, Su Zhongbin, Jin Siyu, Arshad M.Rizwan. Mosaic of crop remote sensing images from UAV based on  
improved SIFT algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017,  
33(10): 123129. (in Chinese with English abstract)  
doi10.11975/j.issn.1002-6819.2017.10.016  
上述不足,研究人员提出了不同的改进方案,王万同等  
人提出了SIFT 算法Canny 算子结合以增加特征点的  
查找数目[18]该方法大大增加SIFT 算法计算量很  
难应用到实际工作中;Yan ke 等人提出利用主成分分析  
PCA-SIFT 算法来降低特征描述子维度,减少计算  
[19],但在没有任何先验知识的情况下,反而会使计算  
量增大Delponte等人提出了用奇异值分singular value  
decompositionSVD)方法进行特征匹配[20],但匹配过  
程仍然复杂。针对以上研究中存在的问题,本文利用锐  
化滤波器来增强图像细节,以此增加特征点提取数目。  
同时,使用基于图像尺度的自适应采样步长的极值点比  
较方法,使特征点分布更加均匀,进而提高算法效率。  
0 引 言  
图像拼接定义为将处于同一场景的多张图像之间建  
立对应关系,作为遥感数据分析的基础已广泛应用于精  
准农业[1-5]、农情信息分析[6-8]、病虫害预测[9]等农业生产  
中。目前,基于无人机获取的图像,拼接主要采用 2 种  
方法:一种是利用无人机 POS 数据对影像进行拼接,但  
由于无人机自身因素和气流的影响,可能无法得到较为  
精确的飞行姿态等数据,匹配精度难以保证;第二种方  
法是采用基于图像区域特征的匹配[10-12],该方法具有旋  
转,缩放和平移不变性。本文对基于图像特征的尺度不  
变特征变换[13-16]scale-invariant feature transform, SIFT)  
算法进行优化来实现低对比度作物遥感影像拼接。  
SIFT 算法1999 Lowe 提出,并于 2004 年进  
行完善[13-14]。该算法是在尺度空间上进行特征点的提取,  
具有良好的尺度不变性以及较强的光照及视角变化的鲁  
棒性[17]。然而在对作物遥感影像拼接时,该算法出现了  
特征点提取数目少且分布过于集中的情况。这将直接影  
响图像的拼接效果,甚至可能导致无法完成拼接。针对  
1 SIFT法  
SIFT 算法首先通过预处理对图像进行去噪以及修  
[21-22] ;然后利用高斯差分函数构造多尺度空间,在不  
同尺度空间影像上检测出具有方向信息的局部极值点;  
最后将极值点精确定位,去除不稳定的点,根据极值点  
临近像素,生128 SIFT 特征描述子,对特征描述  
子进行归一化处理,减小因图像旋转以及光照、尺度、  
噪声等变化而造成的错误匹配概率[13-14]  
收稿日期:2016-10-02  
修订日期:2017-04-05  
基金项目:国家重点研发计划专项(2016YFD0200701863 计划项目  
2013AA102303国家重点研发计划专项(2016YFD020060305)  
作者简介:贾银江,男,黑龙江集贤人,副教授,博士,主要从事农业遥感  
与信息技术研究。哈尔滨 东北农业大学电气与信息学院,150030。  
Email
1.1 尺度空间极值点检测  
SIFT 算法通过高斯核对图像进行尺度空间变换,高  
斯核是进行尺度变换的唯一线性核[23-24]。尺度变换的高  
斯函数定义为:  
农业工程学报()  
1)  
2017 年  
124  
2
2
2
1
2πσ2  
G(x, y,σ)  
e(x y )/ 2σ  
图像尺度空间函L(x,y,σ)定义为:  
L(x, y,) G(x, y,)*I(x, y)  
2)  
式中 I(x,y)为输入图像,G(x,y,σ)是一个可变尺度高斯算  
子,*是卷积操作,σ 为尺度因子,σ 值越大,图像越模  
糊,σ 值越小,图像越清晰[25]。同时,Lowe 在论文中指  
出,特征点检测是基于尺度不变的特性[13]Lindeberg  
证 明 尺 度 规 范 化 的 高 斯 拉 普 拉 斯 算 子  
laplacian-of-Gaussian, LOG有真正的尺度不变性[21]。  
为了在尺度空间检测到相对稳定的特征点,Lowe 提出了  
更为有效的 LoG 算子的近似算子,即高斯差分算子  
difference of GaussianDoG)。该算子是将高斯金字  
塔中上下两层图像进行相减得到。图 1 即为使用高斯差  
分算子构造差分高斯金字塔的构造过程。首先对初始图  
像采用不同的平滑因子进行高斯模糊得到第一层图像  
first octave),然后对该层下的最后一幅图像进行下采  
样,长和宽分别缩短一倍,图像缩小为原四分之一,这  
幅图像就是下一层的初始图像,在该层初始图像的基础  
上完成属于这个层的高斯模糊处理,以此类推完成整个  
算法所需要的所有层的构建。构建完高斯金字塔后,将  
同层内相邻两幅图像进行差值运算,得到对应层的差分  
高斯图像,由差分高斯图像构建成差分高斯金字塔。差  
分高斯图像计算公式为:  
图为差分高斯金字塔某层箭头指向度逐渐增大A 为实心圆,  
是极值点查找中的某次检查点,空心圆代表该次查找的比较点。  
Notes: The picture shows one octave of the Difference of Gaussian (DoG). The  
scale increases with the arrow direction. The solid circle “A” is one of the  
checkpoints in the extreme point detection. The hollow circles represent the  
comparison areas in this search.  
2 极值点查找  
Fig.2 Extreme points detection  
查找到极值点后,需对其进行 2 步筛选:第一步是  
利用尺度空间 D(x,y,σ)函数的泰勒二次展开式进行曲线  
拟合来去除低对比度的特征点;第二步是获得该点 2×2  
Hessian 矩阵,去除不稳定的边缘响应点。Taylor 展开  
式为:  
DT  
X  
1
X X T  
2
2D  
X 2  
D(X)= D   
X
4)  
T
D 为尺度空间,X 为偏移量,X (x, y,)T 为矩  
阵转置。  
Hessian 矩阵为:  
D(x, y,) (G(x, y,k) G(x, y,))*I(x, y)   
D
D
D
D
xy   
xx  
3)  
L(x, y,k) L(x, y,)  
H =  
5)  
yy   
xy  
k 是常数乘性因子取值与尺度空间每层图片S  
有关,k=21/S 。  
通过上述步骤,去除了一些低对比度的极值点和不  
稳定的边缘点,增强了算法匹配稳定性,提高了算法的  
抗噪能力。  
1.2 主方向生成  
通过计算关键点邻域像素的梯度直方图,为每个关  
键点分配一个基准方向,即方向直方图中的最大值。梯  
度模m(x,y)和方θ(x,y)公式为:  
m( x, y) (( L( x 1, y) L( x 1, y))2   
1
(L(x, y 1) L(x, y 1))2 )2  
6)  
L(x, y 1) L(x, y 1)  
L(x 1, y) L(x 1, y)  
(x, y) arctan  
7)  
注:箭头方向为图像降采样方向,即金字塔增长方向;octive 原指音乐上一  
个八度,该处指一层,层内有多张分辨率相同的图像。  
1.3 生成特征描述符  
Note: The arrow direction is the down-sampling direction, also the increase  
direction of the pyramid. ‘octave’ means an octave in music ordinarily, but here  
it refers to a layer including multipleimages with the same resolutions.  
通过以上步骤,特征点将具有位置、方向、尺度 3  
个基本信息。同时为了保证特征点的旋转不变性,将图  
像的坐标轴旋转到关键点所在的主方向,然后以关键点  
为中心,划4×4 个种子区域,每个区域设8 个方向,  
计算各子区域的梯度直方图,形成了一个 128 维特征向  
量。最后对特征描述符进行归一化处理,去除光照变化  
产生的影响。  
1 差分高斯金字塔构造图  
Fig.1 Formation of DoG (difference of Gaussian) pyramid  
2 所示为在差分高斯金字中进行极值点查找的原  
理图,将图中检查点 A 与其同一尺度上相邻的 8 个像素  
和上下 2 个相邻尺度上 9 个像素的灰度值进行比较,确  
定检查点是否为该 27 个像素灰度值中的极大值或极小  
值,若成立A 点为一个极值点。  
2 优SIFT法  
针对作物遥感影像特征点不鲜明,特征点提取不理  

全部评论(0)

暂无评论