结合Forstner与NCC约束的UAV图像配准研究

随着无人机(unmanned aerial vehicle,UAV)技术的飞快发展,UAV已成为航空遥感图像获取的重要手段。但与传统的大飞机航空摄影相比,UAV在平台的稳定性方面较差,采集图像时受自身配重、即时飞行环境等外界因素影响,使得最终获得的遥感图像存在复杂的几何变形,导致其图像配准过程存在很大的困难。针对此问题,首先基于UAV的POS数据进行图像重叠区域估算,利用Forstner算子提取图像中的特征点并结合信息熵对图像进行分块处理;然后通过基于旋转的归一化互相关(normalized cross-correlation,NCC)系数寻找相匹配的同名特征点,最终实现UAV图像的配准。实验结果证明该方法切实有效,并且保持了较好的鲁棒性。

二维经验模态分解算法遥感影像解模糊

相机成像过程中与地面的相对运动、遥感平台姿态变化、发动机振动、电磁波干扰等都会导致质退化而造成影像模糊,为此提出了一种基于二维经验模态分解算法的遥感影像去模糊方法。结合分解后的本征模函数IMF分量实现对影像的去噪和特征地物清晰边缘的提取,利用稀疏分解框架下的反卷积模型估计模糊核,通过带约束的最小二乘法进行影像解模糊。通过仿真实验验证了该方法的可行性。

基于CSIFT特性的无人机影像匹配

随着无人机(unmanned aerial vehicle,UAV)平台技术的发展,越来越多的应用行业和研究领域开始使用UAV影像数据。不同于现有的摄影测量结合像控点的UAV影像匹配方法,提出一种新的UAV影像匹配方法。该方法采用彩色尺度不变特征转换(color scale-invariant feature transform,CSIFT)算法,利用彩色信息的空间不变特性提取基准影像与待匹配影像的特征匹配点对;并采用单应性矩阵与随机抽样一致性(random sample consensus,RANSAC)算法对匹配结果进行提纯,得到最终匹配结果。仿真实验表明,该方法可在保证实验过程鲁棒性的同时,与传统的尺度不变特征转换(color scale-invariant feature transform,SIFT)方法相比,将匹配准确率从70%提高到了88%,而且大大减少了特征点对的数量,缩短了处理时间,提高了UAV影像匹配效率。

基于混合像元灰度分布的提高点位平面精度方法

随着卫星遥感技术的日趋发展与成熟,利用卫星影像进行测绘生产也越来越重要。由于卫星影像与传统航空影像不同,当运用现有的测图相关技术手段将数字影像放大到像元级别以寻找控制点位时,受传感器随机分割生成的像元以及周围地物的影响,无法在一系列混合像元中准确进行控制点的定位和量测,增加了航测绘图产品的误差。为此,设计了一种用于数字摄影测量且不同于现有航测规范中所涉及的地面标志,并提出了基于该种标志的点位偏移量解算方法。该算法解决了在数字影像上寻找点位困难问题的同时提高了单点的定位精度。最后,通过Geo Eye-1卫星立体像对的定位实验验证了该方法的实用性和准确性。