留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种无人机影像滤波分频拼接算法

李婉 赵双明 张卫龙 刘骁 喻国荣

李婉, 赵双明, 张卫龙, 刘骁, 喻国荣. 一种无人机影像滤波分频拼接算法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(6): 943-950. doi: 10.13203/j.whugis20160108
引用本文: 李婉, 赵双明, 张卫龙, 刘骁, 喻国荣. 一种无人机影像滤波分频拼接算法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(6): 943-950. doi: 10.13203/j.whugis20160108
LI Wan, ZHAO Shuangming, ZHANG Weilong, LIU Xiao, YU Guorong. A Mosaic Method for UAV Images Based on Filtering[J]. Geomatics and Information Science of Wuhan University, 2018, 43(6): 943-950. doi: 10.13203/j.whugis20160108
Citation: LI Wan, ZHAO Shuangming, ZHANG Weilong, LIU Xiao, YU Guorong. A Mosaic Method for UAV Images Based on Filtering[J]. Geomatics and Information Science of Wuhan University, 2018, 43(6): 943-950. doi: 10.13203/j.whugis20160108

一种无人机影像滤波分频拼接算法

doi: 10.13203/j.whugis20160108
详细信息

A Mosaic Method for UAV Images Based on Filtering

More Information
图(10)
计量
  • 文章访问数:  949
  • HTML全文浏览量:  107
  • PDF下载量:  231
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-08-11
  • 刊出日期:  2018-06-05

一种无人机影像滤波分频拼接算法

doi: 10.13203/j.whugis20160108
    作者简介:

    李婉, 硕士, 主要研究方向为遥感影像几何处理。liwan_S142@whu.edu.cn

    通讯作者: 赵双明, 博士, 教授。smzhao@whu.edu.cn
  • 中图分类号: P231

摘要: 针对无人机影像拼接处理中易产生鬼影、拼接缝等问题,提出一种基于滤波分频的无人机影像拼接算法。首先利用高斯低通滤波将已配准的无人机影像对分解成高频、低频影像;然后对低频影像采用加权平滑融合算法进行拼接,基于改进的动态规划算法搜索最优拼接线完成高频影像的拼接;最后将拼接好的高频、低频影像线性合成得到最终的拼接影像。实验表明,本文提出的算法可以较好地解决无人机影像拼接过程中出现的鬼影问题,最大化地避免拼接缝的出现,而且对亮度差异明显的无人机影像对也能取得良好的拼接效果。

English Abstract

李婉, 赵双明, 张卫龙, 刘骁, 喻国荣. 一种无人机影像滤波分频拼接算法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(6): 943-950. doi: 10.13203/j.whugis20160108
引用本文: 李婉, 赵双明, 张卫龙, 刘骁, 喻国荣. 一种无人机影像滤波分频拼接算法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(6): 943-950. doi: 10.13203/j.whugis20160108
LI Wan, ZHAO Shuangming, ZHANG Weilong, LIU Xiao, YU Guorong. A Mosaic Method for UAV Images Based on Filtering[J]. Geomatics and Information Science of Wuhan University, 2018, 43(6): 943-950. doi: 10.13203/j.whugis20160108
Citation: LI Wan, ZHAO Shuangming, ZHANG Weilong, LIU Xiao, YU Guorong. A Mosaic Method for UAV Images Based on Filtering[J]. Geomatics and Information Science of Wuhan University, 2018, 43(6): 943-950. doi: 10.13203/j.whugis20160108
  • 无人机遥感系统因具有灵活、实时、成本低以及快速获取高分辨率影像的优势,被广泛应用于军事、民用测绘领域中[1]。但受飞行高度、相机视角的限制,单幅无人机影像的覆盖范围有限,为了扩大视场范围,获得更多目标区域的信息,就需要对多幅无人机影像进行拼接。由于无人机质量较小,易受高空风力影响,飞行姿态不稳定,得到的影像重叠不规则、曝光不均匀,使得拼接影像易出现鬼影、拼接缝等问题。针对这些问题,国内外学者进行了大量研究,拼接算法总体上划分为加权平滑融合算法和基于拼接线算法两类。

    加权平滑融合算法主要是根据重叠区域内的像素点到边界的距离关系,采用加权平滑处理来消除拼接缝。文献[2-3]中对加权平滑融合算法进行改进,取得了较好的拼接效果。但当两幅影像重叠区域纹理结构丰富,或者存在配准误差时,易产生鬼影、模糊现象,减弱了影像纹理的细节特征[4-5]

    最优拼接线算法是指在原始影像对上寻找一条灰度、几何结构差异较小的最优路径。文献[6-8]采用Dijkstra最短路径算法搜索最优拼接线,解决了由于物体运动、配准误差等产生的拼接不一致问题,但算法中权值的确定方法复杂,搜索效率低。文献[9-10]模拟蚂蚁觅食行为提出蚁群算法,所获取的拼接线虽然能够避开影像上颜色反差较大的区域,但该算法对蚂蚁的数目敏感,使得拼接线的搜索易陷入局部最优。文献[11]提出一种基于重叠面Voronoi图的接缝线网络自动生成算法,提高了大范围遥感影像的拼接效率。此外还有基于Snake模型[12]、动态规划[13]和Graph-cut图像切割[14-15]的拼接算法等。虽然这些算法可以保证重叠区域中几何结构一致,避免出现鬼影现象,但并不能保证在克服鬼影的同时避免出现拼接缝。尤其当相邻影像存在明显亮度差异时,即使找到了最优拼接线也不能完全消除拼接缝[16]

    通过对两类算法的分析不难发现,当待拼接的影像对纹理结构丰富,或者存在配准误差、辐射亮度差异大的时候,依靠单一的拼接算法无法取得满意的效果。本文提出一种基于滤波分频的无人机影像拼接算法,旨在将两类算法进行有效结合,以达到在克服鬼影的同时能较好消除拼接缝的目的。

    • 图 1所示,滤波分频拼接算法主要包括如下关键技术:①利用高斯低通滤波将原始无人机影像对分解成高频、低频影像;②对两幅低频影像采用加权平滑融合算法进行拼接处理;③利用改进的动态规划算法搜索最优拼接线完成高频影像对的拼接;④将拼接好的低频、高频影像进行线性合成。其中②利用加权平滑融合算法可以很好地消除影像中的颜色拼接缝;而③基于最优拼接线则可避免拼接影像出现鬼影,最大程度地保证拼接线两侧纹理结构的一致性。

      图  1  本文拼接算法流程图

      Figure 1.  Framework of the Proposed Seamless Image Mosaic Method

    • 影像滤波是依靠滤波器对一定邻域范围内的像素执行预定义的操作。利用滤波算法可以实现原始影像的分解。王密等[17]利用低通滤波生成背景影像,实现了对数字航空影像的匀光处理。杨娇[18]基于小波变换技术对影像进行分解重构,完成了影像的多分辨率融合。余翀[19]在卫星分类中应用形态成分分析算法将影像分解成纹理层和底图层,取得了理想的实验效果。考虑到分解算法的计算代价及空间域、频率域的误差[17],本文选择高斯低通滤波器对影像进行滤波[20]

      $$ g\left( {x,y} \right) = \exp \left( { - \frac{{{x^2} + {y^2}}}{{2D_0^2}}} \right) $$ (1)

      式中,(x, y)是距频率矩形中心的位置;D0是阻止的频点与频域中心的距离。图 2是采用高斯低通滤波对无人机影像进行滤波的效果图。从图 2可以看出,影像的低频部分主要反映其色调、亮度信息,利用加权平滑融合算法可以很好地调整拼接影像的整体色调,消除颜色拼接缝,实现重叠区域的自然过渡。高频部分主要包含影像的轮廓、几何结构信息,直接利用加权平滑融合算法进行拼接容易出现鬼影、模糊现象,而通过动态规划算法搜索出一条最优拼接线,使其两侧色调、几何结构的差异最小,可以有效地减少鬼影、模糊现象的出现。

      图  2  高斯低通滤波分解结果

      Figure 2.  Result of the Gaussian Low-pass Filtering Based Image Decomposing

    • 对分解得到的低频影像对,本文采用加权平滑融合算法进行拼接[21]。如图 3所示,假设两幅低频影像的重叠区域为Φ0,不重叠区域分别为Φ1Φ2,令I1I2分别表示两幅低频影像的灰度,Ip表示拼接影像的灰度,则融合公式为:

      $$ \begin{array}{*{20}{c}} {{I_p}\left( {x,y} \right) = }\\ {\left\{ \begin{array}{l} {I_1}\left( {x,y} \right),\left( {x,y} \right) \in {\mathit{\Phi }_1}\\ \left( {1 - \lambda } \right) \times {I_1}\left( {x,y} \right) + \lambda \times {I_2}\left( {x,y} \right),\left( {x,y} \right) \in {\mathit{\Phi }_0}\\ {I_2}\left( {x,y} \right),\left( {x,y} \right) \in {\mathit{\Phi }_2} \end{array} \right.} \end{array} $$ (2)

      图  3  加权平滑融合规则

      Figure 3.  Weighted Blending Rule

      式中,(x, y)是像素点在拼接影像中的行列号;λ是权重因子,通过λ可以强调离重叠中心近的像素的贡献,减少图像边缘处像素的影响,以减小误差。

      假设WH分别表示重叠区域的宽度和高度(若重叠区域不规则,则利用其最小外接矩形进行计算),Δw、Δh是重叠区域中像素点到左下角点在水平、竖直方向上的距离。当两幅影像仅存在水平位移时,取λ=(Ww)/W;仅存在竖直位移时,取λ=(Hh)/H。当两幅影像存在双向位移时,需要考虑水平、竖直两个方向的影响,计算式为:

      $$ \left\{ \begin{array}{l} \lambda = {\mu _1}/\left( {{\mu _1} + {\mu _2}} \right)\\ {\mu _1} = \left( {H - \Delta h} \right)/H,{\mu _2} = \left( {W - \Delta w} \right)/W \end{array} \right. $$ (3)
    • 1951年Bellman为解决多阶段决策问题提出了最优化原理,把多阶段过程转化为一系列单阶段求解问题,创立了动态规划算法。Duplaquet提出了一种基于动态规划思想搜索影像拼接线的算法[22]。由于该算法提出的能量准则只考虑了水平和垂直方向的梯度,且在搜索过程中仅比较当前点下方的3个像素点,使得到的拼接线极有可能穿过水平边缘。本文在Duplaquet算法的基础上,重新定义了拼接线的能量准则,并增加了拼接线的搜索方向,提出了新的最优拼接线选取准则,选取最优拼接线完成高频影像对的拼接。

      Duplaquet定义的能量准则为[22]

      $$ C\left( {x,y} \right) = {C_{{\rm{dif}}}}\left( {x,y} \right) - \lambda {C_{{\rm{edge}}}}\left( {x,y} \right) $$ (4)

      式中,Cdif(x, y)为两幅影像重叠区域的像素点在邻域V中灰度差值的均值;Cedge(x, y)是影像对重叠区域像素点的梯度最小值;λ是权重因子,用来调整灰度差值和结构差异在能量函数中的比重。

      一般采用Sobel算子来计算像素点的近似梯度值[20],经典的Sobel算子在计算的过程中利用水平和垂直两个模板:

      $$ \left\{ \begin{array}{l} {S_x} = \left[ {\begin{array}{*{20}{c}} { - 1}&0&1\\ { - 2}&0&2\\ { - 1}&0&1 \end{array}} \right]\\ {S_y} = \left[ {\begin{array}{*{20}{c}} { - 1}&{ - 2}&{ - 1}\\ 0&0&0\\ 1&2&1 \end{array}} \right] \end{array} \right. $$ (5)

      但是这两个模板并没有考虑对角线方向上的信息,不能保证找到的拼接线最优。在考虑到像素点8邻域的信息以及周围结构相似性的基础上,对原计算模板进行改进,得到一组新的模板[23]:

      $$ \left\{ \begin{array}{l} {S_{{0^ \circ }}} = \left[ {\begin{array}{*{20}{c}} 1&2&1\\ 0&0&0\\ { - 1}&{ - 2}&{ - 1} \end{array}} \right],{S_{{{45}^ \circ }}} = \left[ {\begin{array}{*{20}{c}} 2&1&0\\ 1&0&{ - 1}\\ 0&{ - 1}&{ - 2} \end{array}} \right]\\ {S_{{{90}^ \circ }}} = \left[ {\begin{array}{*{20}{c}} 1&0&{ - 1}\\ 2&0&{ - 2}\\ 1&0&{ - 1} \end{array}} \right],{S_{{{135}^ \circ }}} = \left[ {\begin{array}{*{20}{c}} 0&{ - 1}&{ - 2}\\ 1&0&{ - 1}\\ 2&1&0 \end{array}} \right]\\ {S_{{{180}^ \circ }}} = \left[ {\begin{array}{*{20}{c}} { - 1}&{ - 2}&{ - 1}\\ 0&0&0\\ 1&2&1 \end{array}} \right],{S_{{{225}^ \circ }}} = \left[ {\begin{array}{*{20}{c}} { - 2}&{ - 1}&0\\ { - 1}&0&1\\ 0&1&2 \end{array}} \right]\\ {S_{{{270}^ \circ }}} = \left[ {\begin{array}{*{20}{c}} { - 1}&0&1\\ { - 2}&0&2\\ { - 1}&0&1 \end{array}} \right],{S_{{{315}^ \circ }}} = \left[ {\begin{array}{*{20}{c}} 0&1&2\\ { - 1}&0&1\\ { - 2}&{ - 1}&0 \end{array}} \right] \end{array} \right. $$ (6)

      本文定义拼接线的能量函数为:

      $$ C\left( {x,y} \right) = {C_{{\rm{dif}}}}\left( {x,y} \right) + {C_{{\rm{edge}}}}\left( {x,y} \right) $$ (7)
      $$ {C_{{\rm{dif}}}}\left( {x,y} \right) = \max \left( {\frac{1}{{7 \times 7}}\sum\limits_{i = - 3}^3 {\sum\limits_{j = - 3}^3 {\left| {{d_m}\left( {x + i,y + j} \right)} \right|} } } \right),m \in \left[ {1,3} \right] $$ (8)
      $$ {C_{{\rm{edge}}}}\left( {x,y} \right) = \max \left( {\frac{1}{{7 \times 7}}\sum\limits_{i = - 3}^3 {\sum\limits_{j = - 3}^3 {{G_m}\left( {x + i,y + j} \right)} } } \right),m \in \left[ {1,3} \right] $$ (9)
      $$ {G_m}\left( {x,y} \right) = \max \left( {\left| {{d_m}\left( {x,y} \right)} \right| * {S_n}} \right),n \in \left[ {1,8} \right] $$ (10)

      式中,dm(x, y)表示像素点(x, y)在差值影像中各通道的灰度值;Cdif(x, y)是差值影像中像素点(x, y)周围7×7邻域内灰度均值的三通道最大值;Gm(x, y)是差值影像中像素点(x, y)8方向梯度值的最大值;Cedge(x, y)取像素点(x, y)周围7×7邻域内Gm(x, y)均值的三通道最大值;Sn表示8方向的Sobel算子模板。在式(9)中加入邻域结构的变化信息,可提前预测是否靠近结构变化大的区域,为拼接线的下一步搜索提供转变的空间,提前避免拼接线穿过建筑物。

      Duplaquet提出的算法仅检测当前点下方的3个相邻方向,当重叠区域有高大建筑物时,由于房顶像点的变形与地面点的变形不一致,拼接线极有可能会穿过房屋,出现结构错位现象。为避免出现这种情况,本文提出一种双通道搜索拼接线的方法,检测当前像素块邻域包含水平方向在内的8个像素块。如图 4所示,设点P为当前点,重新定义的8个比较方向为1、2、3、4、11、22、33、66。

      图  4  改进的搜索方向示意图

      Figure 4.  Schematic Diagram of Improved Search Direction

      Duplaquet提出的拼接算法可以保证得到的备选拼接线长度均相等,并选取能量值最小的拼接线为最优拼接线。徐亚明等[24]改进了Duplaquet的搜索算法,并认为能量值与拼接线长度的比值,即平均强度值最小者最优。本文认为刻意地追求拼接线的能量值最小,或者平均强度值最小并不能作为最优拼接线的选取准则。因为二者在寻线的过程中都会限制拼接线的长度,当遇到的建筑物面积较大或者分布密集的时候,不可避免会穿越而过。并且拼接线的搜索就是一个能量最小值聚合的过程,每一条线都是由邻域中能量值最小的像素点组合而成。因此,本文选择最长线为最优拼接线。此外,拼接线的走向要适应重叠区域的形状,尽量靠近重叠区域的中心线。

      假设重叠区域差值影像大小为m×n(若重叠区域不规则,可利用其最小外接矩形将其扩展为规则区域),能量矩阵为C,能量累积矩阵为R1R2,方向矩阵为D1D2,线长矩阵为L1L2,4类矩阵的大小均等于重叠区域。能量矩阵C可由式(7)计算得到,方向矩阵和能量累积矩阵通过计算比较像素点的能量值与其搜索方向上像素点能量值得到,方向矩阵与搜索方向相对应,其元素取值共有8个数值(1、2、3、4、11、22、33、66),D1R1L1D2R2L2分别为从左向右和从右向左进行搜索时的方向矩阵、能量累积矩阵和线长矩阵,算法流程如下。

      1) 对于第1行的像素点,令其能量累积矩阵值均等于其能量值,方向矩阵值为0,线长矩阵值为1。即

      $$ \left\{ \begin{array}{l} {\mathit{\boldsymbol{R}}_1}\left( {1,y} \right) = {\mathit{\boldsymbol{R}}_2}\left( {1,y} \right) = \mathit{\boldsymbol{C}}\left( {1,y} \right)\\ {\mathit{\boldsymbol{D}}_1}\left( {1,y} \right) = {\mathit{\boldsymbol{D}}_2}\left( {1,y} \right) = 0\\ {\mathit{\boldsymbol{L}}_1}\left( {1,y} \right) = {\mathit{\boldsymbol{L}}_2}\left( {1,y} \right) = 1 \end{array} \right. $$

      2) 对于第1行以外的其他行依次进行处理,记当前处理的行号为x,假设当前像素点的坐标为(x, y),首先从左至右进行搜索,设M为像素点(x, y)搜索方向上像素点中能量累积值最小值,即

      $$ \begin{array}{*{20}{c}} {M = \min \left\{ {{\mathit{\boldsymbol{R}}_1}\left( {x - 1,y - 1} \right),{\mathit{\boldsymbol{R}}_1}\left( {x - 1,y} \right),} \right.}\\ {{\mathit{\boldsymbol{R}}_1}\left( {x - 1,y + 1} \right)\mathit{\boldsymbol{,}}{\mathit{\boldsymbol{R}}_1}\left( {x,y - 1} \right),{\mathit{\boldsymbol{R}}_2}\left( {x - 1,} \right.}\\ {\left. {\left. {y - 1} \right),{\mathit{\boldsymbol{R}}_2}\left( {x - 1,y} \right),{\mathit{\boldsymbol{R}}_2}\left( {x - 1,y + 1} \right)} \right\}} \end{array} $$ (11)

      l为能量累积矩阵值最小的像素点对应的拼接线长度,更新L1(x, y)的值为l+1。则能量累积矩阵值和线长矩阵值分别为:

      $$ \left\{ \begin{array}{l} {\mathit{\boldsymbol{R}}_1}\left( {x,y} \right) = \mathit{\boldsymbol{C}}\left( {x,y} \right) + M\\ {\mathit{\boldsymbol{L}}_1}\left( {x,y} \right) = l + 1 \end{array} \right. $$ (12)

      从左向右进行搜索时,只需比较R1(x, y)左侧1个像素点及正上方3个像素点(1、2、3、4)和对应的R2(x, y)正上方3个像素点(11、22、33)的能量累积矩阵值。选取值最小的点(M值对应的点)为连接点,修改D1(x, y)为该点的方向值,并更新R1(x, y)为当前计算得到的和值。特殊地,对位于左边界的点,只比较R1(x, y)正上方2个像素点(2、3)和对应的R2(x, y)正上方2个像素点(22、33)共4个方向像素点的能量累积矩阵值;而右边界上的点,需比较R2(x, y)正上方2个像素点(11、22)和对应的R1(x, y)正上方2个像素点、左侧1个像素点(1、2、4)共5个方向的像素点的能量累积矩阵值。

      从右至左进行扫描的过程与从左向右相似。需要比较R2(x, y)正上方3个像素点及右侧1个像素点(11、22、33、66)和对应的R1(x, y)正上方3个像素点(1、2、3)共7个方向的像素点的能量累积矩阵值,找到最小值对应的点后更新R2(x, y)、D2 (x, y)和L2(x, y)的值。当执行到最左侧的时候,该行结束,跳到下一行继续执行从左至右的扫描。

      3) 最后一行扫描结束,得到最终的能量累积矩阵、方向矩阵和线长矩阵。统计L1L2中最后一行长度值的大小,将长度最大值对应的点设置为终点。

      4) 根据方向矩阵由终点开始进行逆向寻找,并标识找到的点。当执行到第一行时寻找结束,最优拼接线即为所有被标识的点的连线。

    • 为了验证本文算法的有效性,从拼接线的搜索、不规则重叠区域影像对的拼接、明显亮度差异影像对的拼接以及多幅影像的拼接4个方面进行实验分析。本文算法利用Visual C++平台,基于OpenCV编程实现。实验数据为2013年1月河南某地区的无人机影像数据,地面分辨率为0.02 m。

    • 本文利用高斯低通滤波对原始影像进行分解时,截止频率D0的取值对影像对的拼接结果具有一定影响。D0越小,高频影像亮度差异越大,不利于最优拼接线的寻找;而D0越大,低频影像包含的纹理结构信息越丰富,利用加权平滑融合算法进行影像拼接越容易出现鬼影、模糊等现象。因此,D0的取值既不能过大也不能过小。本次实验从一个测区中任意选取两幅相邻的无人机影像,通过选取不同的D0,按本文提出的算法对该影像对进行拼接实验,根据拼接的结果确定D0的最佳取值范围。

      图 5(a)~5(f)可以看出,当D0=0.01时,找到的拼接线穿过了房屋,在红框、黄框中的房屋边缘处均出现了结构错位现象,且拼接影像重叠区域色调过渡不自然;D0=0.07时,搜索到的拼接线虽然避开了红框中的房屋,但依然穿过了黄框中的房屋,在其边缘处出现了错位现象;D0=0.15时,错位现象已消除,拼接影像整体色调一致;D0 =0.5时,重叠区域几何结构一致,色调过渡自然,拼接效果良好;当D0取0.9和1.2时,拼接影像红框和黄框中房屋的边缘变得模糊,且出现了鬼影现象。由实验结果可知,当D0∈[0.15, 0.5]时,该影像对可取得良好的拼接效果。对于同测区的其他影像对,采用同样的方法获得其D0的最佳取值范围,最后由统计结果选择D0=0.3。

      图  5  不同D0对应的拼接结果

      Figure 5.  Results with Different D0

    • 用本文改进的动态规划拼接线搜索算法对重叠区域不规则的两幅高频影像进行最优拼接线的搜索,并与文献[22]的拼接算法(λ=-0.15,V=7)和文献[24]的改进拼接线搜索算法进行比较。

      图 6是3种算法得到的拼接线,由局部放大图可以看出:Duplaquet提出的拼接线搜索算法受搜索方向的限制,容易穿过水平边缘,并且不定参数(λ, V)的存在增加了该拼接算法的复杂度。文献[24]在Duplaquet算法的基础上修改了能量函数,考虑了8方向的梯度结构,增加了水平搜索方向,使得到的拼接线能够在一定程度上避免穿过水平边缘,但采用比值最小准则限制了拼接线的长度,当建筑物面积较大或分布比较密集的时候,无法绕过建筑物只能穿其而过。本文改进的动态规划算法得到的拼接线沿道路方向行进,很好地避开了地面建筑物,大大降低了拼接时出现错位的概率。对比图 6中的结果可以看出,本文改进的动态规划拼接线搜索算法得到的拼接线最优。

      图  6  拼接线算法比较

      Figure 6.  The Stitching Line of Different Searching Methods

    • 为了验证本文算法的优越性,选用两组数据进行实验分析。如图 7所示,图 7(a)中无人机影像色调一致、纹理结构丰富但重叠区域不规则(红框内是两幅影像的重叠部分),用来验证重叠区域不规则时本文算法的有效性。图 7(b)中无人机影像存在明显亮度差异,用来比较3种算法对亮度差异大的影像对的拼接能力。图 8图 9是两种情况下3种算法的拼接结果。

      图  7  实验原图

      Figure 7.  Source Images

      图  8  不规则重叠区域的拼接结果

      Figure 8.  Results of the Irregular Overlaping Area

      图  9  亮度差异大时的拼接结果

      Figure 9.  Results of the Brightness Difference

      图 8(a)~8(c)是3种拼接算法对重叠区域不规则时得到的拼接结果。从图 8(a)的局部放大图中可以看到,红框、黄框中出现了鬼影现象。这是由于加权平滑融合算法是在影像的空间域直接对像素进行的操作,当重叠区域纹理结构比较复杂时,容易出现鬼影现象。当重叠区域形状不规则时,Duplaquet算法搜索得到的拼接线并不能保证都是从第一行开始,线的长度也不都等于重叠区域的高度(或宽度),按能量值最小原则找到的拼接线并不一定是最优的拼接线,且受搜索方向的限制,找到的拼接线穿过了房屋,在图 8(b)红框、黄框中均出现了错位现象。而本文算法不仅可以消除鬼影现象,解决搜索拼接线时出现的穿越问题,而且不受重叠区域形状的限制,能够最大程度地保留拼接线两侧的信息。

      图 9是3种算法在影像对存在明显亮度差异时的拼接结果。图 9(a)中,虽然加权平滑融合算法可以通过距离权重来调整拼接影像的色调,使其整体均匀,但在红框中出现了鬼影现象。而Duplaquet提出的拼接算法试图通过动态规划搜索到一条合理的拼接线,避免出现鬼影现象,但它无法调整影像间的亮度差异,在图 9(b)中重叠区域边界处出现了明显的拼接缝,拼接影像整体亮度不一致。相比之下,本文算法能够消除影像拼接中的曝光差异,使处理后的影像颜色达到全局自然,同时也能避免鬼影现象的出现。综上可知,本文算法在影像存在明显亮度差异时,取得的拼接效果最优。

    • 本组实验采用9张单航带序列影像进行拼接,图 10显示的是单航带序列影像的拼接结果。可以看出,本文提出的算法对多幅无人机影像的拼接也能取得良好的效果。

      图  10  单航带序列影像拼接结果

      Figure 10.  Result of a Single Flight Strip

    • 针对无人机影像拼接易出现鬼影、拼接缝等问题,综合考虑到加权平滑融合算法和基于拼接线算法的优缺点,本文提出一种将二者结合的滤波分频拼接算法。首先通过高斯低通滤波获取影像的高频、低频影像,然后对不同频率的影像对采用不同的算法进行拼接,最后将高频、低频的拼接结果进行线性合成得到平滑无缝的无人机拼接影像。实验表明,本文算法不仅可以有效去除拼接影像中的鬼影和拼接缝,而且对重叠区域不规则、亮度差异明显的无人机影像对也能取得很好的拼接效果。由于D0的取值直接影响到拼接的效果,而本文D0的选取通过实验得出,因此对于如何自适应地选择影像对的最佳D0值还需进一步研究。

参考文献 (24)

目录

    /

    返回文章
    返回