CN113487580A - 基于多边形分析的无人机影像重叠度计算方法及系统 - Google Patents

基于多边形分析的无人机影像重叠度计算方法及系统 Download PDF

Info

Publication number
CN113487580A
CN113487580A CN202110805579.9A CN202110805579A CN113487580A CN 113487580 A CN113487580 A CN 113487580A CN 202110805579 A CN202110805579 A CN 202110805579A CN 113487580 A CN113487580 A CN 113487580A
Authority
CN
China
Prior art keywords
image
polygon
calculating
aerial vehicle
unmanned aerial
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
Application number
CN202110805579.9A
Other languages
English (en)
Other versions
CN113487580B (zh
Inventor
李健
李建兵
吴�琳
余优生
李靖
杨曙秀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xingtiandi Information Technology Co Ltd
Original Assignee
Beijing Xingtiandi Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Xingtiandi Information Technology Co Ltd filed Critical Beijing Xingtiandi Information Technology Co Ltd
Priority to CN202110805579.9A priority Critical patent/CN113487580B/zh
Publication of CN113487580A publication Critical patent/CN113487580A/zh
Application granted granted Critical
Publication of CN113487580B publication Critical patent/CN113487580B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多边形分析的无人机影像重叠度计算方法及系统，方法包括：获取无人机拍摄区内的多帧图像，并建立金字塔影像，对金字塔影像进行匹配并计算仿射变换矩阵。对获取的图像进行角点特征提取，在仿射变换模型的约束下进行快速相关系数匹配、粗差剔除，利用最小二乘方法精确匹配，计算影像单应矩阵，建立相邻影像间的二维几何对应关系并获取影像重叠多边形，使用多边形形状分析法计算影像重叠度计算。通过本发明提出的基于多边形分析的无人机影像重叠度计算方法，提高了重叠度的计算精度、计算效率及计算的实时性。

Description

基于多边形分析的无人机影像重叠度计算方法及系统
技术领域
本发明涉及无人机航摄重叠度检测领域，具体涉及一种基于多边形分析的无人机影像重叠度计算方法及系统。
背景技术
无人机航拍影像具有实时、便捷、高效等优点，已广泛应用于环境保护、矿产资源勘探、海洋环境监测、土地利用调查、水资源开发、城市规划、公共安全、国防事业、数字地球等领域。与此同时，也存在像幅小、数量多、姿态稳定性差等缺点，直接导致了影像旋片角大、重叠度和比例尺不一致等问题出现，因而影像质量检查是无人机数据获取阶段重要的环节。影像重叠度是衡量无人机飞行质量的关键指标，计算方法有多种多样。
目前影像重叠度计算分为三类：手工方法、影像匹配方法、基于位置姿态数据的计算方法。人工方法是将两幅影像用图像软件同时打开并按照重叠部分重叠放置，量取重叠部分像素数，像素数与影像宽度之比即为影像重叠度，此类方法优点是较为准确，缺点是效率低、速度慢。影像匹配方法利用采用影像匹配的方法获取影像同名点，利用同名点进一步获取重叠度，此类方法计算速度快，自动化程度高，但在影像旋偏角较大时计算精度低。基于位置姿态数据的计算方法是充分利用飞行时的位置姿态数据结合现有DEM数据自动计算每张影像的实际覆盖范围，根据覆盖范围的重叠部分计算重叠度，此方法的优点计算速度快、与影像数据无关，缺点时必需有DEM支持、对位置姿态数据的质量依赖性强。存在影像旋片角较大时，精度低、实用性差、效率低的问题。
发明内容
因此，本发明提供的一种基于多边形分析的无人机影像重叠度计算方法及系统，克服了现有技术中影像旋片角较大时，精度低、实用性差、效率低的缺陷。
为达到上述目的，本发明提供如下技术方案：
第一方面，本发明实施例提供一种基于多边形分析的无人机影像重叠度计算方法，包括：
S101：获取无人机拍摄区内的多帧图像，从多帧图像中选择第一图像及第二图像，分别对其进行预处理，构建影像金字塔；
S102：采用SIFT法对影像金字塔进行匹配，生成初始匹配点对，并用RANSAC算法进行粗差剔除，获取影像间的仿射变换矩阵；
S103：分别提取第一图像及第二图像的Harris特征角点，以仿射变换矩阵为约束条件，逐点计算相关系数；
S104：采用最小二乘法，对相关系数大于预设数值的角点进行高精度匹配，生成子像元级的匹配结果；
S105：基于单应矩阵模型，将S104中得到的匹配结果用AC-RANSAC算法，去除粗差点并得到单应矩阵；
S106：基于单应矩阵、子像元级的匹配结果，获取第一图像和第二图像重叠部分多边形；
S107：基于预设算法分析多边形的形状，计算影像重叠度。
可选地，所述获取第一图像和第二图像重叠部分多边形的步骤，包括：
以第一图像为基准，通过单应矩阵将第二图像的四个角点坐标，计算出在第一图像上的坐标，得到第一、第二两个四边形，将两个四边形求交集，生成重叠部分多边形。
可选地，基于预设算法分析多边形的形状，计算影像重叠度的步骤，包括：
S1071：基于预设算法分析多边形的形状，计算最小重叠长度；
S1072：通过最小重叠长度及影像宽度，计算影像重叠度。
可选地，所述基于预设算法分析多边形的形状，计算最小重叠长度的步骤，包括：
S10711：分别计算多边形中的各个边与竖直方向的夹角，保留小于预设角度阈值的边；
S10712：对步骤S10711保留的边进行长度排序，选取第一边及第二边，其中，第一边长度最长，第二边次之；
S10713：将第一边及第二边的各个端点分别进行连线，生成端点距离集，选取距离集中最小的距离元素为最小重叠长度，其中，端点距离集包括：各个端点连线的距离。
可选地，对第一图像及第二图像分别进行预处理包括：
对第一图像及第二图像分别进行wallis滤波增强，并将第一图像及第二图像的尺寸均缩小预设倍数。
可选地，通过以下公式逐点计算相关系数：
Figure BDA0003166391100000031
其中，g,g′分别为左右影像灰度值，
Figure BDA0003166391100000041
Figure BDA0003166391100000042
gi,j为影像灰度值，m、n均为搜索窗口的尺寸，r、c为目标窗口中心坐标。
第二方面，本发明实施例提供一种基于多边形分析的无人机影像重叠度计算系统，包括：
影像金字塔构建模块，用于获取无人机拍摄区内的多帧图像，从多帧图像中选择第一图像及第二图像，分别对其进行预处理，构建影像金字塔；
仿射变换矩阵获取模块，用于采用SIFT法对影像金字塔进行匹配，生成初始匹配点对，并用RANSAC算法进行粗差剔除，获取影像间的仿射变换矩阵；
相关系数计算模块，用于分别提取第一图像及第二图像的Harris特征角点，以仿射变换矩阵为约束条件，逐点计算相关系数；
精匹配模块，用于采用最小二乘法，对相关系数大于预设数值的角点进行高精度匹配，生成子像元级的匹配结果；
单应矩阵计算模块，用于基于单应矩阵模型，将精匹配模块中得到的匹配结果用AC-RANSAC算法，去除粗差点并得到单应矩阵；
重叠多边形生成模块，用于基于单应矩阵、子像元级的匹配结果，获取第一图像和第二图像重叠部分多边形；
影像重叠度计算模块，用于基于预设算法分析多边形的形状，计算影像重叠度。
第三方面，本发明实施例提供一种终端，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例第一方面所述的基于多边形分析的无人机影像重叠度计算方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的基于多边形分析的无人机影像重叠度计算方法。
本发明技术方案，具有如下优点：
本发明提供的基于多边形分析的无人机影像重叠度计算方法及系统，通过对多边形形状进行分析，对角度及长度进行过滤，计算影像重叠度。通过本发明实施例提供的方法提高了计算的精度、计算效率及计算的实时性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1为本发明实施例提供的一种基于多边形分析的无人机影像重叠度计算方法的一个具体示例的流程图；
图2(a)、图2(b)分别为本发明实施例提供的旋偏角小和旋偏角大时重叠多边形的图像；
图3为本发明实施例提供的基于预设算法分析多边形的形状，计算影像重叠度的一个具体示例的流程图；
图4为本发明实施例提供的基于预设算法分析多边形的形状，计算最小重叠长度的一个具体示例的流程图；
图5为本发明实施例提供的一种基于多边形分析的无人机影像重叠度计算方法的角度过滤的一个具体示例的流程图；
图6为本发明实施例提供的一种基于多边形分析的无人机影像重叠度计算方法的边长过滤的一个具体示例的流程图；
图7为本发明实施例提供的影像重叠度统计对比图；
图8为本发明实施例提供的一种基于多边形分析的无人机影像重叠度计算系统的模块组成图；
图9为本发明实施例提供的一种基于多边形分析的无人机影像重叠度计算终端一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供的一种基于多边形分析的无人机影像重叠度计算方法，如图1所示，包括如下步骤：
步骤S101：获取无人机拍摄区内的多帧图像，从多帧图像中选择第一图像及第二图像，分别对其进行预处理，构建影像金字塔。
在本发明实施例中，无人机在拍摄区内拍摄多帧图像，从多帧图像中选择两帧图像，作为第一图像及第二图像。其中，第一图像和第二图像间隔预设时间，预设时间在此不作限制，在实际应用中根据实际情况进行相应设置，从而选取相应的第一图像及第二图像。
在本发明实施例中，对第一图像及第二图像分别进行预处理包括：对第一图像及第二图像分别进行wallis滤波增强，并将第一图像及第二图像的尺寸均缩小预设倍数。以提高计算的效率。预设倍数在此不作限制，在实际应用中根据实际情况进行缩小。例如：可以将尺寸缩小四倍。
步骤S102：采用SIFT法对影像金字塔进行匹配，生成初始匹配点对，并用RANSAC算法进行粗差剔除，获取影像间的仿射变换矩阵。
步骤S103：分别提取第一图像及第二图像的Harris特征角点，以仿射变换矩阵为约束条件，逐点计算相关系数。
在本发明实施例中，通过以下公式逐点计算相关系数：
Figure BDA0003166391100000081
其中，g,g′分别为左右影像灰度值，
Figure BDA0003166391100000082
Figure BDA0003166391100000083
gi,j为影像灰度值，m、n均为搜索窗口的尺寸，r、c为目标窗口中心坐标。
步骤S104：采用最小二乘法，对相关系数大于预设数值的角点进行高精度匹配，生成子像元级的匹配结果。
在本发明实施例中，预设数值在此不作限制，在实际应用中，根据实际需求选择相应的数值。例如：保留相关系数大于0.8的角点，对满足条件的角点采用最小二乘法进行高精度匹配，获取子像元级别的匹配结果。
步骤S105：基于单应矩阵模型，将S104中得到的匹配结果用AC-RANSAC算法，去除粗差点并得到单应矩阵。
在本发明实施例中，基于单应矩阵模型，将S104中得到的匹配结果用AC-RANSAC算法，去除粗差点并得到单应矩阵，建立第一图像和第二图像的二维几何对应关系。
AC-RANSAC算法通过控制虚警数量(Number of False Alarms，NFA)找到阈值和内点数量之间的适当平衡，通过以下公式计算NFA：
Figure BDA0003166391100000091
其中n为总点数，k为内点数，w，h分别为影像的宽及高，ek为几何残差。
计算步骤如下：
(1)随机从匹配个数为n的数据集中随机抽出4个样本数据(此4个样本之间不能共线)，计算出单应矩阵H，记为模型M；
(2)计算数据集中所有数据与模型M的投影误差，并将其按照升序进行排列；
(3)依次按照NFA的计算公式计算[5,n]的NFA，排除残差大于给定阈值(例如：2个像素)的点，保留NFA最小的模型；
步骤S106：基于单应矩阵、子像元级的匹配结果，获取第一图像和第二图像重叠部分多边形。
在本发明实施例中，如图2所示，图2(a)、图2(b)分别为旋偏角小和旋偏角大时重叠多边形的图像。长虚线表示第一图像多边形，短虚线表示第二图像多边形，实线为重叠多边形。获取第一图像和第二图像重叠部分多边形的步骤，包括：以第一图像为基准，通过单应矩阵将第二图像的四个角点坐标，计算出在第一图像上的坐标，得到第一、第二两个四边形，将两个四边形求交集，生成重叠部分多边形。
步骤S107：基于预设算法分析多边形的形状，计算影像重叠度。
在本发明实施例中，如图3所示，基于预设算法分析多边形的形状，计算影像重叠度的步骤，包括：
S1071：基于预设算法分析多边形的形状，计算最小重叠长度。
在本发明实施例中，如图4所示，基于预设算法分析多边形的形状，计算最小重叠长度的步骤，包括：
S10711：分别计算多边形中的各个边与竖直方向的夹角，保留小于预设角度阈值的边。
在一具体实施例中，如图5所示，对角度进行过滤，计算重叠多边形各个边长与竖直方向的夹角，并保留小于预设角度阈值的边。预设角度阈值的选取在此不作限制，根据实际情况进行相应选取。例如：保留夹角小于25度的边，即保留标号为1、2、5、6的实线线段。
S10712：对步骤S10711保留的边进行长度排序，选取第一边及第二边，其中，第一边长度最长，第二边次之。
在一具体实施例中，对保留标号为1、2、5、6的实线线段，进行长度排序，将最长的两条线段分别作为第一边、第二边。在本实施例中，编号6为第一边，编号1为第二边。
S10713：将第一边及第二边的各个端点分别进行连线，生成端点距离集，选取距离集中最小的距离元素为最小重叠长度，其中，端点距离集包括：各个端点连线的距离。
在一具体实施例中，如图6所示，对边长进行过滤，将第一边(编号6)及第二边(编号1)的各个端点分别进行连线，生成端点距离集{L1,L2,L3,L4}，选取最小距离L1作为最小重叠长度。
S1072：通过最小重叠长度及影像宽度，计算影像重叠度。
在本发明实施例中，将最小重叠长度除以影像宽度就是最终的影像重叠度。在本实施例中，如图7所示，本发明提供的方法的计算结果与手工方法统计结果误差在3个百分点以内，而同类型的面积统计算法误差高达15个百分点。本发明提出的影像重叠度算法具有精度高、稳定性好的特点，不仅适用于较大旋偏角的无人机影像同时也可应用于传统航空数码相机影像的自动重叠度计算，能够大大提高航空摄影影像的质量检查速度、效率和精度。
本发明实施例中提供的基于多边形分析的无人机影像重叠度计算方法，其中，通过获取无人机拍摄区内的多帧图像，并建立金字塔影像，对金字塔影像进行匹配并计算仿射变换矩阵。对获取的图像进行角点特征提取，在仿射变换模型的约束下进行快速相关系数匹配、粗差剔除，利用最小二乘方法精确匹配，计算影像单应矩阵，建立相邻影像间的二维几何对应关系并获取影像重叠多边形，使用多边形形状分析法计算影像重叠度计算。通过本发明实施例的基于多边形分析的无人机影像重叠度计算方法，提高了计算的精度、计算效率及计算的实时性。
实施例2
本发明实施例提供一种基于多边形分析的无人机影像重叠度计算系统，如图8所示，包括：
影像金字塔构建模块1，用于获取无人机拍摄区内的多帧图像，从多帧图像中选择第一图像及第二图像，分别对其进行预处理，构建影像金字塔；此模块执行实施例1中的步骤S1所描述的方法，在此不再赘述。
仿射变换矩阵获取模块2，用于采用SIFT法对影像金字塔进行匹配，生成初始匹配点对，并用RANSAC算法进行粗差剔除，获取影像间的仿射变换矩阵；此模块执行实施例1中的步骤S2所描述的方法，在此不再赘述。
相关系数计算模块3，用于分别提取第一图像及第二图像的Harris特征角点，以仿射变换矩阵为约束条件，逐点计算相关系数；此模块执行实施例1中的步骤S3所描述的方法，在此不再赘述。
精匹配模块4，用于采用最小二乘法，对相关系数大于预设数值的角点进行高精度匹配，生成子像元级的匹配结果；此模块执行实施例1中的步骤S4所描述的方法，在此不再赘述。
单应矩阵计算模块5，用于基于单应矩阵模型，将精匹配模块中得到的匹配结果用AC-RANSAC算法，去除粗差点并得到单应矩阵；此模块执行实施例1中的步骤S5所描述的方法，在此不再赘述。
重叠多边形生成模块6，用于基于单应矩阵、子像元级的匹配结果，获取第一图像和第二图像重叠部分多边形；此模块执行实施例1中的步骤S6所描述的方法，在此不再赘述。
影像重叠度计算模块7，用于基于预设算法分析多边形的形状，计算影像重叠度；此模块执行实施例1中的步骤S7所描述的方法，在此不再赘述。
本发明实施例提供一种基于多边形分析的无人机影像重叠度计算系统，通过影像金字塔构建模块获取无人机拍摄区内的多帧图像，从多帧图像中选择第一图像及第二图像，分别对其进行预处理，构建影像金字塔。采用SIFT法对影像金字塔进行匹配，生成初始匹配点对，并用RANSAC算法进行粗差剔除，获取影像间的仿射变换矩阵。利用相关系数计算模块分别提取第一图像及第二图像的Harris特征角点，以仿射变换矩阵为约束条件，逐点计算相关系数。采用最小二乘法，对相关系数大于预设数值的角点进行高精度匹配，生成子像元级的匹配结果。单应矩阵计算模块基于单应矩阵模型，将精匹配模块中得到的匹配结果用AC-RANSAC算法，去除粗差点并得到单应矩阵。基于单应矩阵、子像元级的匹配结果，获取第一图像和第二图像重叠部分多边形。基于预设算法分析多边形的形状，计算影像重叠度。提高了计算的精度、计算效率及计算的实时性。
实施例3
本发明实施例提供一种终端，如图9所示，包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1中的基于多边形分析的无人机影像重叠度计算方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1中的基于多边形分析的无人机影像重叠度计算方法。其中，通信总线402可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extendedindustry standard architecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：harddisk drive，缩写：HDD)或固降硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。其中，处理器401可以是中央处理器(英文：centralprocessing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。
其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本申请执行实施例1中的基于多边形分析的无人机影像重叠度计算方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行实施例1中的基于多边形分析的无人机影像重叠度计算方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种基于多边形分析的无人机影像重叠度计算方法，其特征在于，包括：
S101：获取无人机拍摄区内的多帧图像，从多帧图像中选择第一图像及第二图像，分别对其进行预处理，构建影像金字塔；
S102：采用SIFT法对影像金字塔进行匹配，生成初始匹配点对，并用RANSAC算法进行粗差剔除，获取影像间的仿射变换矩阵；
S103：分别提取第一图像及第二图像的Harris特征角点，以仿射变换矩阵为约束条件，逐点计算相关系数；
S104：采用最小二乘法，对相关系数大于预设数值的角点进行高精度匹配，生成子像元级的匹配结果；
S105：基于单应矩阵模型，将S104中得到的匹配结果用AC-RANSAC算法，去除粗差点并得到单应矩阵；
S106：基于单应矩阵、子像元级的匹配结果，获取第一图像和第二图像重叠部分多边形；
S107：基于预设算法分析多边形的形状，计算影像重叠度。
2.根据权利要求1所述的基于多边形分析的无人机影像重叠度计算方法，其特征在于，所述获取第一图像和第二图像重叠部分多边形的步骤，包括：
以第一图像为基准，通过单应矩阵将第二图像的四个角点坐标，计算出在第一图像上的坐标，得到第一、第二两个四边形，将两个四边形求交集，生成重叠部分多边形。
3.根据权利要求1所述的基于多边形分析的无人机影像重叠度计算方法，其特征在于，基于预设算法分析多边形的形状，计算影像重叠度的步骤，包括：
S1071：基于预设算法分析多边形的形状，计算最小重叠长度；
S1072：通过最小重叠长度及影像宽度，计算影像重叠度。
4.根据权利要求3所述的基于多边形分析的无人机影像重叠度计算方法，所述基于预设算法分析多边形的形状，计算最小重叠长度的步骤，包括：
S10711：分别计算多边形中的各个边与竖直方向的夹角，保留小于预设角度阈值的边；
S10712：对步骤S10711保留的边进行长度排序，选取第一边及第二边，其中，第一边长度最长，第二边次之；
S10713：将第一边及第二边的各个端点分别进行连线，生成端点距离集，选取距离集中最小的距离元素为最小重叠长度，其中，端点距离集包括：各个端点连线的距离。
5.根据权利要求1所述的基于多边形分析的无人机影像重叠度计算方法，其特征在于，对第一图像及第二图像分别进行预处理包括：
对第一图像及第二图像分别进行wallis滤波增强，并将第一图像及第二图像的尺寸均缩小预设倍数。
6.根据权利要求1所述的基于多边形分析的无人机影像重叠度计算方法，其特征在于，通过以下公式逐点计算相关系数：
Figure FDA0003166391090000031
其中，g,g′分别为左右影像灰度值，
Figure FDA0003166391090000032
Figure FDA0003166391090000033
gi,j为影像灰度值，m、n均为搜索窗口的尺寸，r、c为目标窗口中心坐标。
7.一种基于多边形分析的无人机影像重叠度计算系统，其特征在于，包括：
影像金字塔构建模块，用于获取无人机拍摄区内的多帧图像，从多帧图像中选择第一图像及第二图像，分别对其进行预处理，构建影像金字塔；
仿射变换矩阵获取模块，用于采用SIFT法对影像金字塔进行匹配，生成初始匹配点对，并用RANSAC算法进行粗差剔除，获取影像间的仿射变换矩阵；
相关系数计算模块，用于分别提取第一图像及第二图像的Harris特征角点，以仿射变换矩阵为约束条件，逐点计算相关系数；
精匹配模块，用于采用最小二乘法，对相关系数大于预设数值的角点进行高精度匹配，生成子像元级的匹配结果；
单应矩阵计算模块，用于基于单应矩阵模型，将精匹配模块中得到的匹配结果用AC-RANSAC算法，去除粗差点并得到单应矩阵；
重叠多边形生成模块，用于基于单应矩阵、子像元级的匹配结果，获取第一图像和第二图像重叠部分多边形；
影像重叠度计算模块，用于基于预设算法分析多边形的形状，计算影像重叠度。
8.一种终端，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-6任一所述的基于多边形分析的无人机影像重叠度计算方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-6任一所述的基于多边形分析的无人机影像重叠度计算方法。
CN202110805579.9A 2021-07-16 2021-07-16 基于多边形分析的无人机影像重叠度计算方法及系统 Active CN113487580B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110805579.9A CN113487580B (zh) 2021-07-16 2021-07-16 基于多边形分析的无人机影像重叠度计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110805579.9A CN113487580B (zh) 2021-07-16 2021-07-16 基于多边形分析的无人机影像重叠度计算方法及系统

Publications (2)

Publication Number Publication Date
CN113487580A true CN113487580A (zh) 2021-10-08
CN113487580B CN113487580B (zh) 2022-02-15

Family

ID=77939806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110805579.9A Active CN113487580B (zh) 2021-07-16 2021-07-16 基于多边形分析的无人机影像重叠度计算方法及系统

Country Status (1)

Country Link
CN (1) CN113487580B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750537A (zh) * 2012-05-08 2012-10-24 中国矿业大学 一种高精度图像自动配准方法
US20120274739A1 (en) * 2009-12-21 2012-11-01 Huawei Device Co.,Ud. Image splicing method and apparatus
US20150161775A1 (en) * 2013-12-09 2015-06-11 Cj Cgv Co., Ltd. Method of correcting image overlap area, recording medium, and execution apparatus
US20150363084A1 (en) * 2013-02-08 2015-12-17 Nokia Technologies Oy An Apparatus and Associated Methods
CN108846861A (zh) * 2018-06-12 2018-11-20 广州视源电子科技股份有限公司 图像单应矩阵计算方法、装置、移动终端及存储介质
CN109961078A (zh) * 2017-12-22 2019-07-02 展讯通信（上海）有限公司 图像匹配及拼接方法、装置、系统、可读介质
CN111126418A (zh) * 2018-10-30 2020-05-08 国家海洋局第一海洋研究所 一种基于平面透视投影的倾斜影像匹配方法
CN111754556A (zh) * 2020-06-23 2020-10-09 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) 一种递增式无人机航摄重叠度检测方法及系统
CN113077552A (zh) * 2021-06-02 2021-07-06 北京道达天际科技有限公司 基于无人机影像的dsm生成方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120274739A1 (en) * 2009-12-21 2012-11-01 Huawei Device Co.,Ud. Image splicing method and apparatus
CN102750537A (zh) * 2012-05-08 2012-10-24 中国矿业大学 一种高精度图像自动配准方法
US20150363084A1 (en) * 2013-02-08 2015-12-17 Nokia Technologies Oy An Apparatus and Associated Methods
US20150161775A1 (en) * 2013-12-09 2015-06-11 Cj Cgv Co., Ltd. Method of correcting image overlap area, recording medium, and execution apparatus
CN109961078A (zh) * 2017-12-22 2019-07-02 展讯通信（上海）有限公司 图像匹配及拼接方法、装置、系统、可读介质
CN108846861A (zh) * 2018-06-12 2018-11-20 广州视源电子科技股份有限公司 图像单应矩阵计算方法、装置、移动终端及存储介质
CN111126418A (zh) * 2018-10-30 2020-05-08 国家海洋局第一海洋研究所 一种基于平面透视投影的倾斜影像匹配方法
CN111754556A (zh) * 2020-06-23 2020-10-09 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) 一种递增式无人机航摄重叠度检测方法及系统
CN113077552A (zh) * 2021-06-02 2021-07-06 北京道达天际科技有限公司 基于无人机影像的dsm生成方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘望明 等: ""无人机影像重叠度统计方法的研究"", 《河南科学》 *
滕春江 等: ""基于SIFT算法的影像航向重叠度统计方法研究"", 《勘察科学技术》 *

Also Published As

Publication number Publication date
CN113487580B (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN109615611B (zh) 一种基于巡检影像的绝缘子自爆缺陷检测方法
CN108416784B (zh) 城市建成区边界快速提取方法、装置及终端设备
CN110163213B (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN112348921A (zh) 一种基于视觉语义点云的建图方法及系统
CN111524063A (zh) 一种遥感图像融合方法及装置
CN108195736B (zh) 一种三维激光点云提取植被冠层间隙率的方法
CN113362331A (zh) 图像分割方法、装置、电子设备及计算机存储介质
CN112348902A (zh) 路端相机的安装偏差角标定方法、装置及系统
CN110634137A (zh) 一种基于视觉感知的桥梁变形的监测方法、装置及设备
CN112529827A (zh) 遥感图像融合模型的训练方法及装置
CN111339989A (zh) 一种水体提取方法、装置、设备及存储介质
AU2019349986A1 (en) Apparatus and method for three-dimensional object recognition
CN112613107A (zh) 杆塔工程确定施工进度的方法、装置、存储介质及设备
CN113657282A (zh) 自车道的提取方法、装置和电子设备
CN115327524A (zh) 基于毫米波雷达与视觉融合的路侧端目标检测方法及装置
CN114445615A (zh) 基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法
CN113487580B (zh) 基于多边形分析的无人机影像重叠度计算方法及系统
CN110533713A (zh) 桥梁裂缝宽度高精度测量方法及测量装置
CN110826364A (zh) 一种库位识别方法及装置
CN116091709B (zh) 建筑物的三维重建方法、装置、电子设备和存储介质
CN115965712B (zh) 一种建筑物二维矢量图构建方法、系统、设备及存储介质
CN111815594A (zh) 钢筋检测方法以及相关设备、装置
CN115861443A (zh) 一种多相机内参标定方法、装置、电子设备及存储介质
CN115409903A (zh) 相机标定方法、设备及计算机存储介质
CN110827243B (zh) 网格梁覆盖区域异常检测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant