CN105761257A - 交叉航带上无人机影像匹配中粗差的剔除方法和装置 - Google Patents
交叉航带上无人机影像匹配中粗差的剔除方法和装置 Download PDFInfo
- Publication number
- CN105761257A CN105761257A CN201610082976.7A CN201610082976A CN105761257A CN 105761257 A CN105761257 A CN 105761257A CN 201610082976 A CN201610082976 A CN 201610082976A CN 105761257 A CN105761257 A CN 105761257A
- Authority
- CN
- China
- Prior art keywords
- elimination
- air strips
- point
- rough
- rough difference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了交叉航带上无人机影像匹配中粗差的剔除方法和装置,涉及航测领域。本发明实施例提供的交叉航带上无人机影像匹配中粗差的剔除方法,采用不同种类航带的复合粗差剔除方式,通过对同名点对顺序进行同航带内的粗差剔除、平行航带间的粗差剔除和交叉航带间的粗差剔除,使得最后剩余的同名点对的精度更高、连接状态更稳定,而且剔除效率更高。
Description
技术领域
本发明涉及航测领域,具体而言,涉及交叉航带上无人机影像匹配中粗差的剔除方法和装置。
背景技术
航空摄影(aerialphotography),又称航拍,是指在飞机或其他航空飞行器上利用航空摄影机摄取地面景物像片的技术。按像片倾斜角分类(像片倾斜角是航空摄影机主光轴与通过透镜中心的地面铅垂线(主垂线)间的夹角),可将摄影方式分为垂直摄影和倾斜摄影。
如图1所示,在进行航拍之后,会按照每个航带的飞行方向生成航摄影像(会出现相互垂直的两组航带)。利用航摄影像可以进行图像拼接(将多张航摄影像按照重叠区域的范围组合成一张大范围的航摄影像),也可以进行三维图像的构建(将多张航摄影像生成为立体图像)。在进行图像拼接和三维图像构建之前,首先需要确定同名点(同一个物点在不同图像中形成的图像点),依据找到的同名点才能将两张图像进行拼接。
但,在影像拍摄的时候,受到拍摄仪器的问题、拍摄者操作的问题的影响,会出现飞行姿态不稳定,从而造成匹配困难,形成粗差点。简单而言,有粗差的点就是偏差过大的点(测量数据),含有粗差的点是不能够使用的,会影响后续图像的处理。因此,在进行图像实际使用(如图像拼接)之前,需要将含有粗差的点进行剔除。
尤其是在使用无人机进行航空摄影的时候,航摄影像上的粗差会更多。无人机影像存在像幅较小、像片数量多、影像的倾角过大且倾斜方向没有规律、航向重叠度和旁向重叠度不规则等问题,这些都问题都会导致航摄影像上的匹配像点存在粗差,这给航摄影像的匹配和空中三角测量等内业处理都带来一些困难。同时随着倾斜摄影技术发展,无人机倾斜摄影实现,使得数据处理更加困难。特别对于三拼方式倾斜摄影,需要进行交叉飞行才能将四个方向纹理获取,因此需要进行交叉飞行数据联合处理,来消除粗差。
相关技术中,仝红菊等在《无人机航摄影像的RANSAC自动定向方法研究》,提出一种适用于无人机影像自动相对定向及模型连接的流程,即利用SURF算法对区域无人机影像进行特征提取后,连续相对定向及模型连接过程使用结合相对定向模型的RANSAC算法去除错匹配点,并针对RANSAC算法选取样本匹配点对容易陷入局部最优问题进行改进。
王琳等在《相对定向中错误匹配的剔除方法研究〉,介绍了全自动相对定向的流程,阐明误匹配剔除在全自动相对定向过程中所起的作用,根据最小中值平方法的思想原理,提出基于RANSAC的核线约束和仿射变换约束的误匹配剔除流程。
但,相关技术中的粗差剔除方法,难以保证剔除的精度,甚至并不适用于无人机拍摄得到的航摄影像的粗差剔除。
发明内容
本发明的目的在于提供交叉航带上无人机影像匹配中粗差的剔除方法,以提高无人机交叉航带影像粗差剔除的能力。
第一方面,本发明实施例提供了交叉航带上无人机影像匹配中粗差的剔除方法,包括:
获取目标照片组,所述目标照片组包括沿第一方向上不同航带飞行所拍摄得到的照片和沿第二方向上不同航带飞行所拍摄得到的照片,所述第一方向和所述第二方向相互交叉;
分别将所述目标照片组中的每张照片进行航带内粗差剔除;
分别将所述目标照片组中经过所述航带内粗差剔除的每张照片,进行平行航带间粗差剔除;
分别将所述目标照片组中经过所述平行航带间粗差剔除的每张照片,进行交叉航带间粗差剔除。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述分别将所述目标照片组中的每张照片进行航带内粗差剔除包括:
按照航带内粗差剔除的方式,分别对每个航带内照片上的航带内同名点进行粗差剔除。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述分别将所述目标照片组中经过所述航带内粗差剔除的每张照片,进行平行航带间粗差剔除包括:
选择经过所述航带内粗差剔除后剩余的航带内同名点,构建航带间旁向点;
按照平行航带间粗差剔除的方式,对所述航带间旁向点进行粗差剔除。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述按照平行航带间粗差剔除的方式,对所述航带间旁向点进行粗差剔除包括:
使用以下两种方式中的一种或两种对所述航带间旁向点进行粗差剔除,
第一种方式:
剔除所述旁向点中,残差大于第一阈值的点;
第二种方式:
剔除所述旁向点中,大于三倍第一中误差的点;
按照预设的收敛条件,剔除大于两倍第一中误差的点。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述按照平行航带间粗差剔除的方式,对所述航带间旁向点进行粗差剔除还包括:
先使用第二种方式对所述旁向点进行粗差剔除;
再使用第一种方式对所述旁向点进行粗差剔除。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,在步骤所述先使用第二种方式对所述旁向点进行粗差剔除后还包括:
根据使用第二种方式对所述旁向点进行粗差剔除后的结果,进行平差计算;
按照所述平差计算的结果重新执行步骤所述使用第二种方式对所述旁向点进行粗差剔除;
若剩余的旁向点的数量与前一次使用第二种方式对所述旁向点进行粗差剔除后所剩余的旁向点的数量小于预设的第三阈值,则执行步骤所述使用第一种方式对所述旁向点进行粗差剔除。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述若剩余的旁向点的数量与前一次使用第二种方式对所述旁向点进行粗差剔除后所剩余的旁向点的数量小于预设的第三阈值,则执行步骤所述使用第一种方式对所述旁向点进行粗差剔除包括:
若剩余的旁向点的数量与前一次使用第二种方式对所述旁向点进行粗差剔除后所剩余的旁向点的数量相同,则执行步骤所述使用第一种方式对所述旁向点进行粗差剔除。
结合第一方面,本发明实施例提供了第一方面的第七种可能的实施方式,其中,所述步骤分别将所述目标照片组中经过所述平行航带间粗差剔除的每张照片,进行交叉航带间粗差剔除包括:
使用第四种方式对所述旁向点进行粗差剔除,其中,所述第四种方式为:剔除所述旁向点中,大于三倍第二中误差的点;
当所述第二中误差大于预设阈值时,则剔除大于两倍第二中误差的点;所述第二中误差的数值小于所述第一中误差的数值;
使用第三种方式对所述旁向点进行粗差剔除,其中,所述第三种方式为:剔除所述旁向点中,残差大于第二阈值的点;所述第二阈值的数值小于所述第一阈值的数值。
结合第一方面,本发明实施例提供了第一方面的第八种可能的实施方式,其中,还包括:
判断所述第一中误差是否小于2个像素,若是,则执行步骤所述使用第一种方式对所述旁向点进行粗差剔除;
和/或,
分别判断每个所述旁向点的重叠度是否大于预设的第四阈值,若大于,则执行步骤使用第一种方式对所述旁向点进行粗差剔除,
若小于,则重新匹配旁向点。
第二方面,本发明实施例还提供了交叉航带上无人机影像匹配中粗差的剔除装置,包括:
获取模块,用于获取目标照片组,所述目标照片组包括沿第一方向上不同航带飞行所拍摄得到的照片和沿第二方向上不同航带飞行所拍摄得到的照片,所述第一方向和所述第二方向相互交叉;
第一剔除模块,用于分别将所述目标照片组中的每张照片进行航带内粗差剔除;
第二剔除模块,用于分别将所述目标照片组中经过所述航带内粗差剔除的每张照片,进行平行航带间粗差剔除;
第三剔除模块,用于分别将所述目标照片组中经过所述平行航带间粗差剔除的每张照片,进行交叉航带间粗差剔除。
本发明实施例提供的交叉航带上无人机影像匹配中粗差的剔除方法,采用不同种类航带的复合粗差剔除方式,与现有技术中采用独立种类的粗差剔除方式,导致粗差剔除的不彻底相比,其通过对同名点对顺序进行同航带内的粗差剔除、平行航带间的粗差剔除和交叉航带间的粗差剔除,使得最后剩余的同名点对的精度更高、连接状态更稳定,而且剔除效率更高。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的交叉航带上无人机影像匹配中粗差的剔除方法的交叉飞行模式航带示意图;
图2示出了本发明实施例所提供的交叉航带上无人机影像匹配中粗差的剔除方法的基本流程图;
图3示出了本发明实施例所提供的交叉航带上无人机影像匹配中粗差的剔除方法的旁向点重叠度照片示意图;
图4示出了本发明实施例所提供的交叉航带上无人机影像匹配中粗差的剔除方法的七参数变换法的具体流程图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
航空摄影的一个目的是提供范围更广、精度更高的地面照片。由于单次拍摄的照片的覆盖范围有限,因此,通常会采用将多张照片进行拼接的方式,来将覆盖范围小的照片拼接成一张大的、覆盖范围更广的照片。进行图像拼接的一个首要任务是在即将进行拼接的两张照片上查找同名点(同名点是同一个物点在两张影像上所呈的两个像点,如物点A在第一张影像所呈现的像点B,在第二张影像上所呈现的是像点C,那么像点B和C即为同名点,也可以称为同名点对,一般情况下,拼接前需要找到多个的同名点作为拼接的参考)。在查找到同名点之后,便可以依据同名点重合的方式来将两张影像进行拼接,拼接的时候可能根据找到的多组同名点的位置关系,将影像进行适当的拉伸、变形,以使同名点能够重合,并最终形成一个完整的大型影像。
在查找同名点的时候,为了保证查找的精度,先会在两张影像上选择出有特征的点,即特征点。通常特征点是指与周围像点有明显区别的点,如高亮度的点。在查找到特征点之后,会按照特征点的具体情况选择两张影像上,特征相似的特征点组成同名点,当然,在组成同名点的过程中还需要按照既定的约束条件(如距离、相似程度等)来重新选择、调整同名点和剔除一些不符合要求的同名点(即粗差剔除)。以保证最终使用的同名点的精度是足够的,进而提高影像拼接的精度。
通常,相关技术中进行粗差剔除是针对同一航带内的同名点所进行的。这种粗差剔除有一定的局限性,没有考虑到整个区域网的情况。有鉴于此,本申请提供了交叉航带上无人机影像匹配中粗差的剔除方法,如图2所示,包括如下步骤:
S101,获取目标照片组,目标照片组包括沿第一方向上不同航带飞行所拍摄得到的照片和沿第二方向上不同航带飞行所拍摄得到的照片,第一方向和第二方向相互交叉;
S102,分别将目标照片组中的每张照片进行航带内粗差剔除;
S103,分别将目标照片组中经过航带内粗差剔除的每张照片,进行平行航带间粗差剔除;
S104,分别将所述目标照片组中经过所述平行航带间粗差剔除的每张照片,进行交叉航带间粗差剔除。
首先需要说明的是,本申请提供的方法是针对指定的区域网的多条航带中的照片进行构网平差,而不是只针对某一条航带内的照片进行平差处理。相关技术中,存在的技术方案大多是针对某一条航带进行平差处理,而没有考虑到整个区域网的每张照片,因此,在使用相关技术中所提供的方案,对整个区域网的照片进行粗差剔除的时候,有一定的局限性,使得粗差剔除的精度不高。
步骤S101中,首先需要获取区域网中所有的照片,这些照片包括两部分,分别是沿第一方向飞行所拍摄到的照片和沿第二方向飞行所拍摄到的照片,其中,第一方向和第二方向相互交叉。实际操作中,第一方向和第二方向通常是呈现垂直的状态,如图1中所示,横向的航带所在的方向(第一方向)和竖向的航带所在的方向(第二方向)。并且,沿第一方向飞行的航带需要为多条,这也就是说沿第一方向飞行所形成的任一航带是有与之平行的航带存在的。相类似的,沿第二方向飞行的航带也为多条。
步骤S101的获取过程可以理解为从指定的存储装置中拿到该区域网所对应的全部照片。该存储装置中所存储的照片可以是直接从航摄相机中获取到的,也可以是由其他外部设备存储到其内部的。
在执行步骤S102之前,首先需要进行同名点的构建,关于同名点构建方案,相关技术中已经存在类似的技术。其核心是先确定每张图像的特征点,然后针对每个特征点在另一张图像的特征点中查找相似度最高的特征点,组成同名点。步骤S102之前,建立的同名点是分别针对每个航带内的照片建立的,并不涉及不同航带上的照片建立同名点。在每个航带内的照片均完成航带内同名点构建之后,步骤S102需要对每个航带内的照片进行航带内粗差剔除。如图1中所示,则需要对航带1-航带10的每个航带上的照片进行粗差剔除。
对于指定的一个航带的照片可以按照如下过程进行航带内粗差剔除:航带内粗差剔除一般经过两步,第一步先进行相邻两张影像点相对定向,利用同名点残差-上下视差进行粗差剔除;第二步,利用前两张影像相对定向结果与后两张影像相对定向结果进行模型连接,将连接差大的点删除。从航带的一端的照片作为开始,一直到航带另一端的照片作为结束,重复这个过程,一条航带的粗差就剔除完成了。
在完成了航带内粗差剔除之后,需要进行平行航带间照片的同名点构建。如图1所示,航带1上的照片需要与航带2上的照片进行同名点构建,航带2上的照片需要与航带3上的照片进行同名点构建,以此类推;航带6上的照片需要与航带7上的照片进行同名点构建,航带7上的照片需要与航带8上的照片进行同名点构建,以此类推。通常情况下,只有相邻的两条航带上的照片才会有重叠的情况发生(只有两张照片重叠的时候,才会同时在这两张照片上存在同一个物点,才能够构建同名点),间隔航带之间由于跨度过大,则无法建立同名点,当然,随着倾斜摄影的增加和航带间距的调整,可能间隔航带间的照片也可以构建同名点,本申请实施例中只对相邻航带的照片构建同名点进行说明,间隔航带也是类似处理。
平行航带间建立的同名点是在经过步骤S102航带内粗差剔除后剩余的同名点中建立的。如步骤S102之前的航带内的指定照片A建立的同名点为A1-A10这十个点,经过步骤S102剔除后,剩余A1-A3、A6和A8这5个点,那么平行航带间建立同名点也就是以A1-A3、A6和A8这5个点为准,去其他平行航带上剩余的点中构建同名点。
步骤S103中,对构建的平行航带间同名点进行粗差剔除。通常,对于平行航带间的同名点会采用七参数变换方法将两者(位于不同航带上的两张照片)进行平差计算,粗差剔除从粗到精,分为绝对法与相对法。绝对法是先设置一个阈值,凡是残差大于阈值的全删掉;相对法分两步,第一步将大于三倍中误差的点删掉,第二步根据收敛条件,删除大于两倍中误差的点。这两种方法结合使用,先用相对法剔除粗差大的点,再用绝对法最后剔除,并最终得到合格的点。其中,收敛条件分两个,第一要求中误差达到一定范围,第二点数无法改变,才算收敛。一些情况下,需要迭代执行相对法,直到执行结果不再变化为止。同时要求转换参数合理,航带间的照片连接才能说明成功。此处需要对中误差进行说明,中误差是衡量观测精度的一种数字标准,亦称“标准差”或“均方根差”。在相同观测条件下的一组真误差平方中数的平方根。因真误差不易求得,所以通常用最小二乘法求得的观测值改正数来代替真误差。它是观测值与真值偏差的平方和观测次数n比值的平方根。
平行航带间粗差剔除结束之后,需要再次建立交叉航带间的同名点。如照片A上的A1-A3、A6和A8这5个点经过步骤S103进行平行航带间的粗差剔除后,剩余A1、A3和A6这三个点,那么步骤S104在执行之前,交叉航带间建立同名点也就是以A1、A3和A6这三个点为准,去其他交叉航带上剩余的点中构建同名点。
最终,经过步骤S104交叉航带间的粗差剔除完成整体的粗差剔除流程。需要说明的是,步骤S104交叉航带间粗差剔除和步骤S103平行航带间粗差剔除的过程是相类似的,步骤S104也是采用七参数变换方法进行的。但,考虑到具体的使用场景(为了更好的拼接两张影像,不能使最终剩余的同名点过少),应当在具体执行的时候,将步骤S104中所使用的阈值和中误差的值适当降低,也就是降低剔除的要求,以保证最后得到的同名点数量足够。实际操作中,由于交叉航带上重叠影像较少(或者说影像重叠的概率较低),一般一个航带上只有6-10张影像与交叉航带上的影像重叠,比起同方向航带(平行航带)间2n(n为一条航带旁向重叠影像数,一般几十,多则上百)少的多,因此在交叉航带间粗差剔除阈值和中误差要求相对下降,数值上一般扩大两倍。连接状态指两张影像相对连接关系,当进行交叉航带间粗差剔除,所有参与交叉航带的影像全部参与平差计算,这样从一定程度上弥补了交叉航带间两两之间重叠影像少的弱点。
最后,需要说明的是,本申请所提供的方法需要经过三个剔除步骤依次执行,即顺序执行步骤S102-步骤S104,不能将这三个步骤颠倒顺序。同一航带粗差剔除的完成是后边两种的基础,同方向航带间粗差完成是交叉航带粗差剔除的基础。如果颠倒顺序,先作航带间的粗差剔除,再作航带内的粗差剔除,那么航带间旁向点有可能一些点因航带内粗差而剔除不掉;同样先作交叉航带间粗差剔除,再作同方向航带间的,也会出现一些点因同方向航带间粗差而剔除不掉。也就是在颠倒执行顺序之后,会影响整体剔除的精度和效率。步骤S102-步骤S104每个步骤执行之后,都可以增加一个步骤,即判断航带内粗差剔除、平行航带间粗差剔除或交叉航带间粗差剔除后剩余的同名点的数量是否大于限值,如果大于,则正常执行后续步骤,如果小于或等于限值,则需要重新构建同名点,或者采用人工选点的方式来补充同名点,以保证后续进行照片拼接的时候,同名点的基本数量。
本申请所提供的方法,在进行首次同名点构建(或者说同名点匹配、航带内同名点匹配)的时候,会形成大量的同名点,在进行航带内粗差剔除之后,所剩余的同名点再进行下一次的平行航带间同名点构建。完成平行航带间同名点构建之后,再按照七参数变换方法进行平行航带间粗差剔除,平行航带间粗差剔除所剩余的同名点,再进行下一次的交叉航带间同名点构建,最终通过交叉航带同名点剔除,来完成整体的构网平差。其中,航带间的同名点,可以称为旁向点,即,与旁边航带上的影像所形成的同名点。
下面对七参数变换法进行说明,首先,以航带间旁向点的粗差剔除为例进行说明。
该方法包括两种具体的方式,第一种方式:剔除所述旁向点中,残差大于第一阈值的点;第二种方式:剔除所述旁向点中,大于三倍第一中误差的点;按照预设的收敛条件,剔除大于两倍第一中误差的点。
在使用上述两种方式进行粗差剔除的时候,通常先使用第二种方式对所述旁向点进行粗差剔除,再使用第一种方式对所述旁向点进行粗差剔除。
通常,只使用第二种方式(即相对法)进行一次粗差剔除后的结果是不够准确的,因此需要反复的按照第二种方式进行粗差剔除,即迭代执行如下两个步骤“剔除所述旁向点中,大于三倍第一中误差的点;按照预设的收敛条件,剔除大于两倍第一中误差的点”。每次执行上述两个步骤之后都需要进行一次判断,来确定当前粗差剔除的结果是否准确,具体而言,该判断过程为:判断本次使用第二种方式对所述旁向点进行粗差剔除后所剩余的旁向点的数量与前一次使用第二种方式对所述旁向点进行粗差剔除后所剩余的旁向点的数量的差值是否小于预设的第三阈值,若小于,则说明当前粗差剔除的结果是准确的,也就可以使用第一种方式对所述旁向点进行粗差剔除;若判断的结果为大于或等于,则需要再次使用第二种方式对所述旁向点进行粗差剔除。一般来说,优选的情况下,应当要求第三阈值为1,或者说只有前后两次使用第二种方式进行粗差剔除后,所剩余的旁向点的数量没有变化的时候,才能证明剔除的结果足够准确,才能够执行使用第一种方式对所述旁向点进行粗差剔除。相类似的,除了根据判断前后两次使用第二种方式进行粗差剔除所剩余的旁向点数量是否相同的结果来确定本次使用相对法(第二种方式)进行粗差剔除所得到的结果是否准确,还可以根据中误差的数值是否满足要求(如判断第一中误差是否小于2个像素)来确定本次使用相对法(第二种方式)进行粗差剔除所得到的结果是否准确。优选方案中,只有当前后两次使用第二种方式进行粗差剔除所剩余的旁向点数量相同,且本次所使用的第一种误差小于两个像素的时候,才会执行步骤使用第一种方式对所述旁向点进行粗差剔除。
更进一步,步骤“按照预设的收敛条件,剔除大于两倍第一中误差的点”中,预设的收敛条件指的是,判断第一中误差是否大于预设的阈值,如果大于,则剔除大于两倍第一中误差的点;如果小于,则直接使用第一种方式对旁向点进行粗差剔除(即跳过步骤“执行步骤所述使用第一种方式对所述旁向点进行粗差剔除”)。
旁向点的重叠度,指的是旁向点(指定影像上的像点)所对应的物点在多少张影像上出现过,也可以理解为能与指定旁向点(指定影像上的像点)形成同名点的数量。旁向点(即同名点)是在进行影像拼接时所使用到的,旁向点的重叠度越高,其可以利用的次数也就越多,其价值也就越大,即,旁向点的重叠度表达了像点的可利用度。因此,在进行粗差剔除的时候,优选的,应当判断旁向点的重叠度,当旁向点的重叠度大于预设的第四阈值时,执行步骤使用第一种方式对所述旁向点进行粗差剔除;若小于,则重新匹配旁向点,以保证后续进行影像拼接时旁向点的重叠度足够高。如图3所示,示出了旁向点重叠度的释义图,即同一个物点在不同影像上所成的像点,图3中的X标记,即为同一个物点在不同影像上所呈的像。
如前文中的描述,在进行平行航带间粗差剔除,和进行交叉航带间粗差剔除均是采用了七参数变换方法,但这两次使用七参数变换方法的差别是在于:进行平行航带间粗差剔除时所使用的阈值和中误差的数值分别大于进行交叉航带间粗差剔除时所使用的阈值和中误差的数值。这是考虑到在进行交叉航带间粗差剔除时,所剩余的旁向点较少,为了保证影像连接的平稳性,需要降低阈值和中误差的数值。
如图4所示,提供了使用七参数变换方法进行粗差剔除的过程。平行航带间粗差剔除和交叉航带间粗差剔除均可以按照该种流程进行。这两次粗差剔除的差别在于后者的阈值和中误差分别小于前者的阈值和中误差。
下面只以平行航带间粗差剔除为例进行说明:
平行航带间旁向点进行粗差剔除流程为:
1,首先将大于三倍中误差的旁向点删除;
2,判断当前剩余的旁向点是否符合第一收敛条件(第一收敛条件:即当前剩余的旁向点的数量与前一次将大于三倍中误差的旁向点删除后剩余的旁向点数量相同);
3,若满足第一收敛条件,则判断当前剩余的旁向点是否满足第二收敛条件(第二收敛条件:当前中误差是否小于2个像素);
4,若不满足第一收敛条件,则再次执行步骤1和2;
5,若第二收敛条件判断为否,则重复执行步骤:将大于2倍中误差的点删除;
6,判断当前将大于2倍中误差的点删除后剩余的点与前一次将大于2倍中误差的点删除后剩余的点的数量是否相同;
7,若步骤3判断为是,或步骤6,则按照第一种方式对所述旁向点进行粗差剔除。在删点过程中,分别判断每个所述旁向点的重叠度是否大于5,若大于,则执行步骤先使用第一种方式对所述旁向点进行粗差剔除;若小于,则重新匹配旁向点。
上述步骤中,步骤1-6为第二种方式剔除不符合要求的旁向点,步骤7为按照第一种方式剔除不符合要求的旁向点。
下面以一个具体的实例来说明本申请所提供的交叉航带上无人机影像匹配中粗差的剔除方法,包括如下步骤:
1、航带内构建同名点
将每条航带内两两匹配的点,分别构建航带内同名点,包括常规的两度同名点与三度同名点、甚至四度或更高度同名点。
2、航带内粗差剔除
基于航带内同名点,利用模型连接粗差剔除方法进行航带内粗差匹配,可以按照相应规范要求剔除粗差点,使得所有航带内粗差全部剔除。同时通过模型连接,使得本航带内所有物方点在同一坐标系下,形成一条航带所有点的物方坐标。
3、航带间旁向点构建
利用第一步匹配的航带间同名点对经过第二步航带内粗差剔除留下的点,构建航带间旁向点。航带间匹配点本身受地物差异大就匹配困难,因此匹配点比起航带内要少很多,并且匹配不受其他约束可能粗差很多。旁向点必须达到5度重叠,即一条航带3度重叠(保证该点在此条航带是可靠的,经过航带内粗差检查的成功的),另一条至少2度重叠(保证在此条航带作过上下视差检验,且有物方点坐标才可以作航带连接),并且每张影像与另一条航带至少3个旁向点(2个点可以保证两个片子连接稳定),航带两头影像可以为2个点(航带两头重叠度小,因此旁向点要求少,靠其他片子共同控制连接),这样航带连接才比较稳定。当然也可能由于地物等原因造成旁向点少,但至少保证有一个点,否则重新匹配点或人工选点。
4、航带间连接粗差剔除
选择上步构建的相邻两条航带(如航带1与航带2)的旁向点的物方坐标,用七参数变换方法将两者进行平差计算,将两个坐标进行转换,统一到航带1坐标系;
每次航带间平差计算,都要进行粗差剔除。粗差剔除从粗到精,分为绝对法与相对法。绝对法是设置一个阈值,凡是残差大于阈值的全删掉;相对法分两步,第一步将大于三倍中误差的点删掉,第二步根据收敛条件需要删除大于两倍中误差的点。这两种方法结合使用,先用相对法剔除粗差大的点,再用绝对法最后剔除,得到合格的点。收敛条件分两个,第一要求中误差达到一定范围,第二点数无法改变,才算收敛。同时要求转换参数合理,航带连接才能说明成功。然后再选择航带2与航带3,进行七参数变换方法将两者进行平差计算,将两个坐标进行转换,统一到航带2坐标系,同时也就统一到航带1坐标系;依次进行航带3与航带4、航带4与航带5转换,这样就将水平方向航带全部统一到航带1坐标系。垂直方向依次也进行航带6与航带7、航带7与航带8转换、航带8与航带9、航带9与航带10转换,最后统一到到航带6坐标系。
5、交叉飞行航带间匹配
在传统航带内匹配、航带间匹配的基础上进行需要进行交叉飞行航带间匹配,即一个方向飞行的每一航带必须与另一方向与其重叠的所有航带进行航带间匹配,如图所示,航带1必须分别和航带6、航带7、航带8、航带9、航带10中的重叠影像进行匹配,同样其他横向航带中的每个影像也必须与这些纵向航带中的重叠影像进行匹配,生成所有航带间同名点对。不需要作通过纵向影像去找横向影像,一次匹配影像对解决了相互匹配问题。这样形成了交叉航带间两两匹配点,为下一步构建多度旁向点打下基础。
6、交叉航带航带间连接粗差剔除。
在进行完同方向航带连接后,形成了每个方向的统一坐标系的所有点,然后将一个方向的物方点利用其参数变换转换到另一方向(如水平航带1)坐标系下,在平差计算过程中进行粗差剔除。
与同方向航带连接粗差剔除类似,但交叉航带航带连接影像(重叠影像)较少,因此旁向点也少,因此绝对法中阈值要求低(10个像素),平差中误差要求也低(5个像素)。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.交叉航带上无人机影像匹配中粗差的剔除方法,其特征在于,包括:
获取目标照片组,所述目标照片组包括沿第一方向上不同航带飞行所拍摄得到的照片和沿第二方向上不同航带飞行所拍摄得到的照片,所述第一方向和所述第二方向相互交叉;
分别将所述目标照片组中的每张照片进行航带内粗差剔除;
分别将所述目标照片组中经过所述航带内粗差剔除的每张照片,进行平行航带间粗差剔除;
分别将所述目标照片组中经过所述平行航带间粗差剔除的每张照片,进行交叉航带间粗差剔除。
2.根据权利要求1所述的交叉航带上无人机影像匹配中粗差的剔除方法,其特征在于,所述分别将所述目标照片组中的每张照片进行航带内粗差剔除包括:
按照航带内粗差剔除的方式,分别对每个航带内照片上的航带内同名点进行粗差剔除。
3.根据权利要求2所述的交叉航带上无人机影像匹配中粗差的剔除方法,其特征在于,所述分别将所述目标照片组中经过所述航带内粗差剔除的每张照片,进行平行航带间粗差剔除包括:
选择经过所述航带内粗差剔除后剩余的航带内同名点,构建航带间旁向点;
按照平行航带间粗差剔除的方式,对所述航带间旁向点进行粗差剔除。
4.根据权利要求3所述的交叉航带上无人机影像匹配中粗差的剔除方法,其特征在于,所述按照平行航带间粗差剔除的方式,对所述航带间旁向点进行粗差剔除包括:
使用以下两种方式中的一种或两种对所述航带间旁向点进行粗差剔除,
第一种方式:
剔除所述旁向点中,残差大于第一阈值的点;
第二种方式:
剔除所述旁向点中,大于三倍第一中误差的点;
按照预设的收敛条件,剔除大于两倍第一中误差的点。
5.根据权利要求4所述的交叉航带上无人机影像匹配中粗差的剔除方法,其特征在于,所述按照平行航带间粗差剔除的方式,对所述航带间旁向点进行粗差剔除还包括:
先使用第二种方式对所述旁向点进行粗差剔除;
再使用第一种方式对所述旁向点进行粗差剔除。
6.根据权利要求5所述的交叉航带上无人机影像匹配中粗差的剔除方法,其特征在于,在步骤所述先使用第二种方式对所述旁向点进行粗差剔除后还包括:
根据使用第二种方式对所述旁向点进行粗差剔除后的结果,进行平差计算;
按照所述平差计算的结果重新执行步骤所述使用第二种方式对所述旁向点进行粗差剔除;
若剩余的旁向点的数量与前一次使用第二种方式对所述旁向点进行粗差剔除后所剩余的旁向点的数量小于预设的第三阈值,则执行步骤所述使用第一种方式对所述旁向点进行粗差剔除。
7.根据权利要求6所述的交叉航带上无人机影像匹配中粗差的剔除方法,其特征在于,所述若剩余的旁向点的数量与前一次使用第二种方式对所述旁向点进行粗差剔除后所剩余的旁向点的数量小于预设的第三阈值,则执行步骤所述使用第一种方式对所述旁向点进行粗差剔除包括:
若剩余的旁向点的数量与前一次使用第二种方式对所述旁向点进行粗差剔除后所剩余的旁向点的数量相同,则执行步骤所述使用第一种方式对所述旁向点进行粗差剔除。
8.根据权利要求6所述的交叉航带上无人机影像匹配中粗差的剔除方法,其特征在于,所述步骤分别将所述目标照片组中经过所述平行航带间粗差剔除的每张照片,进行交叉航带间粗差剔除包括:
使用第四种方式对所述旁向点进行粗差剔除,其中,所述第四种方式为:剔除所述旁向点中,大于三倍第二中误差的点;
当所述第二中误差大于预设阈值时,则剔除大于两倍第二中误差的点;所述第二中误差的数值小于所述第一中误差的数值;
使用第三种方式对所述旁向点进行粗差剔除,其中,所述第三种方式为:剔除所述旁向点中,残差大于第二阈值的点;所述第二阈值的数值小于所述第一阈值的数值。
9.根据权利要求6所述的交叉航带上无人机影像匹配中粗差的剔除方法,其特征在于,还包括:
判断所述第一中误差是否小于2个像素,若是,则执行步骤所述使用第一种方式对所述旁向点进行粗差剔除;
和/或,
分别判断每个所述旁向点的重叠度是否大于预设的第四阈值,若大于,则执行步骤使用第一种方式对所述旁向点进行粗差剔除,
若小于,则重新匹配旁向点。
10.交叉航带上无人机影像匹配中粗差的剔除装置,其特征在于,包括:
获取模块,用于获取目标照片组,所述目标照片组包括沿第一方向上不同航带飞行所拍摄得到的照片和沿第二方向上不同航带飞行所拍摄得到的照片,所述第一方向和所述第二方向相互交叉;
第一剔除模块,用于分别将所述目标照片组中的每张照片进行航带内粗差剔除;
第二剔除模块,用于分别将所述目标照片组中经过所述航带内粗差剔除的每张照片,进行平行航带间粗差剔除;
第三剔除模块,用于分别将所述目标照片组中经过所述平行航带间粗差剔除的每张照片,进行交叉航带间粗差剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610082976.7A CN105761257B (zh) | 2016-02-05 | 2016-02-05 | 交叉航带上无人机影像匹配中粗差的剔除方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610082976.7A CN105761257B (zh) | 2016-02-05 | 2016-02-05 | 交叉航带上无人机影像匹配中粗差的剔除方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105761257A true CN105761257A (zh) | 2016-07-13 |
CN105761257B CN105761257B (zh) | 2018-08-10 |
Family
ID=56330751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610082976.7A Active CN105761257B (zh) | 2016-02-05 | 2016-02-05 | 交叉航带上无人机影像匹配中粗差的剔除方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105761257B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778587A (zh) * | 2016-12-09 | 2017-05-31 | 国家测绘地理信息局四川测绘产品质量监督检验站 | 基于无人机影像的飞行状态检测方法及装置 |
CN108181088A (zh) * | 2017-11-28 | 2018-06-19 | 陈宣佑 | 一种船舶用螺旋桨推进器检测方法及装置 |
CN108731686A (zh) * | 2018-05-30 | 2018-11-02 | 淮阴工学院 | 一种基于大数据分析的无人机导航控制方法及系统 |
CN108759788A (zh) * | 2018-03-19 | 2018-11-06 | 深圳飞马机器人科技有限公司 | 无人机影像定位定姿方法及无人机 |
CN109238243A (zh) * | 2018-08-08 | 2019-01-18 | 湖南省地质测绘院 | 一种基于倾斜摄影的测量方法、系统、存储介质及设备 |
CN110097498A (zh) * | 2019-01-25 | 2019-08-06 | 电子科技大学 | 基于无人机航迹约束的多航带图像拼接与定位方法 |
CN113029108A (zh) * | 2021-03-03 | 2021-06-25 | 自然资源部第一海洋研究所 | 一种基于序列海面影像的自动化相对定向方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060239537A1 (en) * | 2003-03-23 | 2006-10-26 | Meir Shragai | Automatic processing of aerial images |
CN103033805A (zh) * | 2012-12-25 | 2013-04-10 | 西安煤航信息产业有限公司 | 一种机载激光雷达航带间冗余数据自动去除方法 |
CN103106339A (zh) * | 2013-01-21 | 2013-05-15 | 武汉大学 | 同步航空影像辅助的机载激光点云误差改正方法 |
CN103927731A (zh) * | 2014-05-05 | 2014-07-16 | 武汉大学 | 无需pos辅助的低空遥感影像快速自动拼接方法 |
-
2016
- 2016-02-05 CN CN201610082976.7A patent/CN105761257B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060239537A1 (en) * | 2003-03-23 | 2006-10-26 | Meir Shragai | Automatic processing of aerial images |
CN103033805A (zh) * | 2012-12-25 | 2013-04-10 | 西安煤航信息产业有限公司 | 一种机载激光雷达航带间冗余数据自动去除方法 |
CN103106339A (zh) * | 2013-01-21 | 2013-05-15 | 武汉大学 | 同步航空影像辅助的机载激光点云误差改正方法 |
CN103927731A (zh) * | 2014-05-05 | 2014-07-16 | 武汉大学 | 无需pos辅助的低空遥感影像快速自动拼接方法 |
Non-Patent Citations (1)
Title |
---|
张永军 等: "机载激光雷达点云与定位定姿系统数据辅助的航空影像自动匹配方法", 《测绘学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778587A (zh) * | 2016-12-09 | 2017-05-31 | 国家测绘地理信息局四川测绘产品质量监督检验站 | 基于无人机影像的飞行状态检测方法及装置 |
CN108181088A (zh) * | 2017-11-28 | 2018-06-19 | 陈宣佑 | 一种船舶用螺旋桨推进器检测方法及装置 |
CN108181088B (zh) * | 2017-11-28 | 2018-11-23 | 陈宣佑 | 一种船舶用螺旋桨推进器检测方法及装置 |
CN108759788A (zh) * | 2018-03-19 | 2018-11-06 | 深圳飞马机器人科技有限公司 | 无人机影像定位定姿方法及无人机 |
CN108731686A (zh) * | 2018-05-30 | 2018-11-02 | 淮阴工学院 | 一种基于大数据分析的无人机导航控制方法及系统 |
CN109238243A (zh) * | 2018-08-08 | 2019-01-18 | 湖南省地质测绘院 | 一种基于倾斜摄影的测量方法、系统、存储介质及设备 |
CN110097498A (zh) * | 2019-01-25 | 2019-08-06 | 电子科技大学 | 基于无人机航迹约束的多航带图像拼接与定位方法 |
CN113029108A (zh) * | 2021-03-03 | 2021-06-25 | 自然资源部第一海洋研究所 | 一种基于序列海面影像的自动化相对定向方法及系统 |
CN113029108B (zh) * | 2021-03-03 | 2022-08-26 | 自然资源部第一海洋研究所 | 一种基于序列海面影像的自动化相对定向方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105761257B (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105761257A (zh) | 交叉航带上无人机影像匹配中粗差的剔除方法和装置 | |
CN109509230B (zh) | 一种应用于多镜头组合式全景相机的slam方法 | |
CN104966281B (zh) | 多视影像的imu/gnss引导匹配方法 | |
CN103927731B (zh) | 无需pos辅助的低空遥感影像快速自动拼接方法 | |
CN111209915B (zh) | 一种基于深度学习的三维图像同步识别和分割方法 | |
CN102088569B (zh) | 低空无人飞行器序列图像拼接方法和系统 | |
CN107480727A (zh) | 一种sift和orb相结合的无人机影像快速匹配方法 | |
CN103134475B (zh) | 航空摄影图像拾取方法和航空摄影图像拾取设备 | |
CN107492069B (zh) | 基于多镜头传感器的图像融合方法 | |
Yang et al. | A novel approach of efficient 3D reconstruction for real scene using unmanned aerial vehicle oblique photogrammetry with five cameras | |
CN102426019A (zh) | 一种无人机景象匹配辅助导航方法及系统 | |
CN104794490B (zh) | 航空多视影像的倾斜影像同名点获取方法和装置 | |
CN109727278A (zh) | 一种机载LiDAR点云数据与航空影像的自动配准方法 | |
TW202214487A (zh) | 協同3d測繪及表面套合技術 | |
JP2012137933A (ja) | 被写地物の位置特定方法とそのプログラム、及び表示地図、並びに撮影位置取得方法とそのプログラム、及び撮影位置取得装置 | |
CN109931912A (zh) | 一种航空倾斜摄影方法及装置 | |
CN107742276A (zh) | 一种基于无人机遥感图像机载一体化快速处理系统和方法 | |
CN113340277A (zh) | 一种基于无人机倾斜摄影的高精度定位方法 | |
Moussa et al. | A fast approach for stitching of aerial images | |
CN117036300A (zh) | 基于点云-rgb异源图像多级配准映射的路面裂缝识别方法 | |
CN112419160B (zh) | 基于特征优化及最优拼接缝的航空遥感图像拼接方法 | |
CN106875449B (zh) | 一种基于飞行数据的无人机非量测型相机检校方法 | |
CN108195359A (zh) | 空间数据的采集方法及系统 | |
CN112799430A (zh) | 基于可编程无人机的路面图像智能采集方法 | |
CN108731686B (zh) | 一种基于大数据分析的无人机导航控制方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |