CN114519671B

CN114519671B - 无人机遥感影像动态快速拼接方法

Info

Publication number: CN114519671B
Application number: CN202210141075.6A
Authority: CN
Inventors: 杨凯欣; 李伟; 张尧
Original assignee: Tianjin Cas Uav Application Research Institute
Current assignee: Tianjin Cas Uav Application Research Institute
Priority date: 2022-02-16
Filing date: 2022-02-16
Publication date: 2022-11-01
Anticipated expiration: 2042-02-16
Also published as: CN114519671A

Abstract

本发明提供了无人机遥感影像动态快速拼接方法。包括：通过无人机搭载多传感器组合导航系统对目标区域进行定位，获取POS数据和影像图像信息；根据所述POS数据和图像影像信息，获取影像图像之间的重叠度关系，根据所述重叠度关系，确定影像图像之间重叠度阈值；基于所述重叠度阈值，构建影像图像变换模型，通过所述影像图像变换模型，获取变换参数；根据所述影像图像变换模型和变换参数，通过回溯机制执行图像拼接操作，本发明通过多传感器组合导航系统获取高精度POS数据，并基于高精度POS数据进行影像动态拼接，可以提高一倍以上的影像拼接效率，有效提高了灾情信息的提取速度，为应急救援提供科学的数据支撑。

Description

无人机遥感影像动态快速拼接方法

技术领域

本发明涉及无人机遥感技术领域，特别涉及无人机遥感影像动态快速拼接方法。

背景技术

目前，利用无人机搭载各种传感器来获取环境信息的技术在灾害监测与救援中得到了广泛的应用。无人机遥感获取的灾区影像信息可以为灾情评估与救援工作提供基础数据，特别是无人机具有超低空飞行、强实时性、高机动性的优点，能够有效弥补遥感卫星困难以获取被云层遮挡的地物信息、且获取影像时效性低的缺陷。然而，无人机影像获取后需要进行拼接，非常耗时。一般区域超过一千张影像就需要20个小时以上。对于灾害救援往往延误应急响应和实施救援的最佳时效。

发明内容

本发明提供无人机遥感影像动态快速拼接方法，用以解决面向灾害应急救援，通过多传感器融合进行高精度POS数据获取，基于POS数据进行影像动态拼接，可以提高一倍以上的影像拼接效率，有效提高了灾情信息的提取速度，为应急救援提供科学的数据支撑。

无人机遥感影像动态快速拼接方法，包括：

通过无人机搭载多传感器组合导航系统对目标区域进行定位，获取POS数据和影像图像信息；

根据所述POS数据和图像影像信息，获取影像图像之间的重叠度关系，根据所述重叠度关系，确定影像图像之间重叠度阈值；

基于所述重叠度阈值，构建影像图像变换模型，通过所述影像图像变换模型，获取变换参数；

根据所述影像图像变换模型和变换参数，通过回溯机制执行图像拼接操作。

作为本发明的一种实施例：所述通过无人机搭载多传感器组合导航系统对目标区域进行定位，获取POS数据和影像图像信息包括：

通过无人机中数码相机获取影像图像，对所述影像图像进行图像分析，获取图像畸变数据；

根据所述图像形变数据，对所述影像图像进行几何校正预处理，获取影像图像信息；

其中，所述几何校正预处理为通过图像的内方向元素对图像形变进行校正，根据几何校正预处理获取相机检校参数；

无人机通过多传感器组合导航系统对图像影像区域进行图像定位，并接收位置信息与任务信号；

其中，所述多传感器组合导航系统的组成包括：陀螺仪、磁力计、激光雷达、加速度计、气压计、光流传感器、BDS和IMU；

根据位置信息和任务信号，通过滤波算法调控多传感器组合导航系统对无人机进行导航，获取POS数据；

其中，所述POS数据包括：获取目标区域位置、目标区域姿态信息和无人机动态更新飞行参数。

作为本发明的一种实施例：所述根据位置信息和任务信号，通过滤波算法调控多传感器自合导航系统对无人机进行导航，获取POS 数据，包括如下步骤：

步骤一：通过磁力计接收任务信号，并通过低通滤波器对所述任务信号进行降噪处理，获取低频任务信号；

步骤二：通过磁力计接收任务信号，并通过高通滤波器对所述任务信号进行降噪处理，获取高频任务信号；

步骤三：根据所述低频任务信号和高频任务信号，进行加权平均计算，获取滤波后的姿态角信息；

步骤四：通过多传感器组合导航系统接收位置信息，并对所述位置信息进行误差校验处理，获取位置参数；

步骤五：基于所述位置参数，通过卡尔曼滤波算法对为人机飞行参数进行不确定度估计，获取无人机动态更新飞行参数。

作为本发明的一种实施例：根据所述POS数据和图像影像信息，获取影像图像之间的重叠度关系，根据所述重叠度关系，确定影像图像之间重叠度阈值包括：

根据POS数据和图像影像信息，将获取的所有图像影像进行分组处理，规定图像影像沿无人机航线方向以五幅影像为一组进行分组，获取分组结果；

基于所述分组结果，通过POS数据对每组中的图像影像的中心坐标进行计算，获取影像的中心坐标数据；

根据POS数据、无人机航线任务规划数据，获取图像影像的相对航高数据，并根据相机检校参数，获取非量测相机主距；

根据所述相对航高数据和非量测相机主距，对图像影像比例尺进行计算，获取图像影像比例尺数据；

通过相机检校参数和图像影像比例尺数据，计算图像影像所覆盖的地面的长度和宽度；

根据所述长度、宽度和影像的中心坐标数据进行坐标几何计算，获取图像影像的角点坐标；

基于所述图像影像的角点坐标、影像的中心坐标数据、非量测相机主距和图像影像比例尺数据，通过计算获取图像影像重叠度关系；

根据所述重叠度关系，确定影像图像之间重叠度阈值。

作为本发明的一种实施例：所述根据所述重叠度关系，确定影像图像之间重叠度阈值包括：

根据所述重叠度关系和POS数据，通过特征点进行比对获取重叠度阈值；

其中，所述重叠度阈值的取值范围为：重叠度阈值≥45％；

基于所述重叠度阈值，对重叠度关系进行筛选，获取筛选结果；

其中，所述筛选结果为：Min_{重叠度关系}≥重叠度阈值。

作为本发明的一种实施例：基于所述重叠度阈值，构建影像图像变换模型，通过所述影像图像变换模型，获取变换参数包括：

基于所述重叠度阈值和图像影像信息，构建影像图像变换模型；

根据所述影像图像变换模型，确定相邻影像图像的运动关系，获取H矩阵；

通过特征提取算法对重叠区域的局部特征，并对所述局部特征进行匹配，获取影像图像对应的匹配点集；

对所述影像图像对应的匹配点集进行点对抽样处理，获取四对匹配特征点对；

根据所述四对匹配特征点对，对H矩阵参数进行计算，获取变换参数。

作为本发明的一种实施例：基于所述重叠度阈值和图像影像信息，构建影像图像变换模型包括：

所述影像图像变换模型为：投影变换模型；

所述投影变化模型的构建步骤为如下所示：

步骤一：基于所述重叠度阈值和图像影像信息，确定三维空间区域点，根据所述三维空间区域点，获取影像图像对应的二维空间投影点；

步骤二：基于所述三维空间区域点和影像图像对应的二维空间投影点，建立三维空间区域点和影像图像对应的二维空间投影点之间的坐标变换关系；

步骤三：根据所述坐标变换关系，进行坐标计算，获取变换参数。

作为本发明的一种实施例：根据所述影像图像变换模型和变换参数，通过回溯机制执行图像拼接操作包括：

根据所述影像图像变换模型、变换参数、重叠度关系和POS数据，通过回溯机制执行图像拼接操作；

所述通过回溯机制执行图像拼接操作的具体拼接步骤如下所示：

步骤S1：读取POS数据和影像图像重叠度关系，并根据影像图像的分组结果，选择待拼接影像图像；

步骤S2：基于所述待拼接影像图像，提取影像图像重叠区域的特征点信息；

步骤S3：根据所述特征点信息，将所述特征点信息与待配准的影像图像预设区域的点进行匹配，获取匹配结果，基于所述匹配结果进行提纯处理，获取处理结果；

基于所述处理结果进行计算，获取符合重叠度关系筛选结果的影像图像内点数和外点数；

步骤S4：基于步骤S3，进行匹配性判定，获取判定结果；

步骤S5：根据所述判定结果，当所述判定结果显示为否时，返回步骤S2，当所述判定结果显示为是时，通过建立的影像图像变换模型，执行影像图像配准与拼接。

作为本发明的一种实施例：所述步骤S4：基于步骤S3，进行匹配性判定，获取判定结果包括：

基于步骤S3，对匹配结果进行检测，确定相邻两幅影像图像的外点数和内点数；

基于根据所述外点数和内点数进行比值计算，获取比值结果；

根据所述比值结果，确定匹配结果的二值变量，并通过影像图像匹配性判定准则对匹配结果的二值变量进行判定，获取判定结果。

作为本发明的一种实施例：根据所述比值结果，确定匹配结果的二值变量，并通过影像图像匹配性判定准则对匹配结果的二值变量进行判定，获取判定结果包括：

根据所述判定结果进行结果分类，获取分类结果，其中，所述分类结果包括：判定匹配成功和判定匹配失败；

当所述匹配结果的二值变量结果为1时，判定匹配成功，所述匹配结果的二值变量结果为0时，判定匹配失败；

基于分类结果，进行影像图像拼接效果评估，获取评估效果；

其中，所述评估效果包括：影像图像拼接效果良好、影像图像拼接效果一般和影像图像拼接效果较差。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中无人机遥感影像动态快速拼接方法流程图；

图2为本发明实施例中无人机遥感影像动态快速拼接方法中多传感器组合导航系统的器件连接流程图；

图3为本发明实施例中无人机遥感影像动态快速拼接方法中基于POS数据的动态拼接流程图；

图4为本发明实施例中无人机遥感影像动态快速拼接方法中无人机搭载相机的运动方式示意图；

图5为本发明实施例中无人机遥感影像动态快速拼接方法中POS 数据动态拼接与全序列影像拼接示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

需说明的是，当部件被称为“固定于”或“设置于”另一个部件，它可以直接在另一个部件上或者间接在该另一个部件上。当一个部件被称为是“连接于”另一个部件，它可以是直接或者间接连接至该另一个部件上。

需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“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，需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，“多个”的含义是两个或两个以上，除非另有明确具体的限定。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

实施例1：

本发明实施例提供了无人机遥感影像动态快速拼接方法，包括：

根据所述影像图像变换模型和变换参数，通过回溯机制执行图像拼接操作；

在一个实际场景中：通过无人机遥感获得的灾情影像具有高分辨率、像幅小、数量多，影像重叠度变化较大的特点，一般无人机图像航向和旁向重叠量高达单个图像的65％至75％，如果采用常规的基于局部特征的影像拼接算法，对影像序列进行逐张拼接，直接在获取的灾情影像上进行全局搜索，将会耗费大量的时间，效率较低，难以满足应急指挥与救援的需求，在灾害应急的背景下，由于缺少地面控制点，是很难进行及时的救援工作；

本发明在进行实施的时候：如图1和图4所示，本技术通过无人机通过多传感器组合导航系统可以获取POS数据，然后根据得到的 POS数据可以估算影响重叠的大致区域，以此提高影像的拼接效率，重叠区域估算在影像拼接的过程中具有基础性工作的性质，在获得影像间重叠区域后，通过合理的选取影像序列中参与拼接的影像，从而提高影像拼接效率。

上述技术方案的有益效果为：无人机通过多传感器组合导航系统获取高精度POS数据，然后根据获取的POS数据进行影像动态拼接，通过本技术可以快速完成影像拼接，本技术的影像拼接效率比普通影像拼接效率提高一倍以上，从而有效提高了灾情信息的提取速度，为应急救援提供科学的数据支撑。

实施例2：

在一个实施例中，所述通过无人机搭载多传感器组合导航系统对目标区域进行定位，获取POS数据和影像图像信息包括：

其中，所述POS数据包括：获取目标区域位置、目标区域姿态信息和无人机动态更新飞行参数；

在一个实际场景中：通过无人机获取的影像图像，会因数码相机镜头引起影像图像的几何变形，这样得到的影像图像如果不经过图像校正处理，这样在进行图像拼接的时候是会存在很大的误差；

本发明在进行实施的时候：本技术对于通过数码相机得到的影像图像进行了校正处理，这样就可以保证图像信息的完整性和准确定，并且本技术中还采用通过无人机中的多传感器组合导航系统，来获取无人机所需的数据，其中，如图2所示，本技术采用的多传感器组合导航系统由陀螺仪、磁力计、激光雷达、加速度计、气压计、光流传感器、BDS和IMU组成，导航系统是无人机航飞系统感知的核心单元。惯性测量单元(IMU)包含了加速度计和陀螺仪，分别用于测量飞行中的加速度和和角速度。气压计可利用测量数据与初始海拔做插值来计算海拔高度，其测量值与压强温度有较大关系，因此测量中数据波动较大，需要对测量噪声进行针对性的调整以适应灾害复杂环境下的场景应用需求。磁力计测量磁场数据，根据磁场矢量辅助计算飞行器的姿态，避免受到灾后环境中异常磁场产生的影响。激光雷达主要用于飞行器避障，其抗干扰性能较强，测量距离较远，受影响小，可用于地图构建和导航。光流传感器用于测量速度和位置，在一定程度上补充北斗导航传感器的功能，在导航系统受到干扰时可以估计速度，位置等参数量，提高整个系统的鲁棒性；

上述技术方案的有益效果为：本技术通过对畸变的图像进行校正处理，就能够消除图像因畸变产生的误差，并且本技术采用的多传感器的组合导航系统，可以有效的解决因信号接收不稳定影响无人机所需的位置和姿态信息的准确度。

实施例3：

在一个实施例中，所述根据位置信息和任务信号，通过滤波算法调控多传感器自合导航系统对无人机进行导航，获取POS数据，包括如下步骤：

步骤五：基于所述位置参数，通过卡尔曼滤波算法对为人机飞行参数进行不确定度估计，获取无人机动态更新飞行参数；

在一个实际场景中：只是采用高通滤波器或低通滤波器对于信号的处理是不完整的，这样就可能造成信号的损失，从而通过信号来进行分析以及数据提取的时候，对于图像拼接所需的参数是存才误差的，因此进行图像拼接的时候拼接效果会不理想；

本发明在进行实施的时候：本技术通过将高通滤波器和低通滤波器结合起来然后根据得到的低频信号和高频信号通过平均加权计算处理，就可以达到优势互补的效果，并且本技术还通过卡尔曼滤波算法，利用线性系统状态方程，将输入信号中的系统误差和环境引起的误差降低，逼近最优估计，然后构建输入信号中已知参数和隐藏变量的关系函数，将获取的观测量组成观测方差，采用卡尔曼增益方程来估计北斗无人机导航系统的参数，其中，卡尔曼滤波增益是根据前一次测量的估计不确定度和当前测量的不确定度组成卡尔曼增益方程，动态更新飞行参数；

上述技术方案的有益效果为：本技术通过高通滤波器和低通滤波器，对含噪声信号进行了降噪处理，这样就能够保证获取的信号是无噪声干扰的，然后将得到的低频信号和高频信号通过平均加权计算处理，就可以达到优势互补的效果，并且结合磁力计和陀螺仪，通过互补滤波算法加权确定滤波后的姿态角，可以用于解算无人机飞行中的姿态和相对高度。

实施例4：

在一个实施例中，根据所述POS数据和图像影像信息，获取影像图像之间的重叠度关系，根据所述重叠度关系，确定影像图像之间重叠度阈值包括：

根据所述重叠度关系，确定影像图像之间重叠度阈值；

在一个实际场景中：无人机在同一高度上进行影像数据采集，所得相片的基本比例尺是一致的，但由于天气及其他相关因素的影响，摄影比例尺会因飞行平台的升降产生比例尺的变化，如果相邻影像的比例尺相差较大，对后续的影像匹配会产生较大影响；

本发明在进行实施的时候：本技术根据相机检校参数，获得非量测相机主距，然后由POS数据及航线任务规划数据获得影像的相对航高，可以获得摄影瞬间影像比例尺，然后通过图像影像的角点坐标、影像的中心坐标数据以及获取的影像比例尺，就可以对图像的重叠区域进行估算，并得到图像影像重叠度关系，从而可以在进行图像拼接的时候提高拼接准确率；

上述技术方案的有益效果为：通过获取的POS数据可以估算影像图像重叠的大致区域，这样就能够提高影像图像的拼接效率，并且通过计算图像影像的角点坐标、影像的中心坐标数据、非量测相机主距和图像影像比例尺数据，就能够得到图像的重叠度关系，然后根据重叠度关系确定最佳的重叠度阈值，通过合理的选取影像序列中参与拼接的影像，以提高影像拼接效率。

实施例5：

在一个实施例中，所述根据所述重叠度关系，确定影像图像之间重叠度阈值包括：

其中，所述重叠度阈值的取值范围为：重叠度阈值≥45％；

其中，所述筛选结果为：Min_{重叠度关系}≥重叠度阈值；

在一个实际场景中：确定影像图像的重叠度关系后，对于在进行图像影像拼接的时候就需要选取适合拼接的影像图像在，这是就需要对图像的重叠区域的范围进行筛选，确定最佳图像重叠度阈值，若不进行筛选的时候，因图像重叠度不符合要求而进行图像拼接就会导致图像拼接失败；

本发明在进行实施的时候：本技术根据得到的影像图像重叠度关系然后通过多次实验，确定出图像重叠度最佳阈值，当前所选影像未能够完成拼接时，按照POS数据估算出的当前影像与其后四张影像基于POS数据的影像拼接的重叠度关系，取得重叠关系中值最小且符合大于阈值的影像参与拼接向后在剩下的影像中寻找符合阈值条件的影像继续进行影像拼接，直至影像序列的拼接完成；

上述技术方案的有益效果为：重叠度阈值的确定是可以为后续进行影像图像拼接的时候选取合适的重叠度区域的影像作为范围参考，通过确定最佳重叠度阈值≥45％且Min_{重叠度关系}≥重叠度阈值的重叠度图像，就能够更准确实现无人机遥感影像的动态拼接。

实施例6：

在一个实施例中，基于所述重叠度阈值，构建影像图像变换模型，通过所述影像图像变换模型，获取变换参数包括：

根据所述四对匹配特征点对，对H矩阵参数进行计算，获取变换参数；

在一个实际场景中：进行图像拼接的时候需要提前确定图像拼接所需的数据参数，因此需要构建影像变换模型来确定获取的影像在不同运动状态下的运动状态变化参数；

本发明在进行实施的时候：本技术通过采用投影变换模型来对影像的运动关系参数进行计算，在构建投影变换模型时，需要通过齐次坐标变化关系中的H矩阵来表达相邻影像间的运动关系，然后根据特征提取算法对影像的局部特征进行提取匹配，根据提取的结果构成对应的匹配点集，从匹配点集中抽样取出四对匹配的特征点对H矩阵中全部的参数进行求解，从而获取变换参数；

上述技术方案的有益效果为：实际获取的影像是受到相机不同运动方式综合影响的结果，因此由于无人机搭载的相机随无人机运动情况会出现会影响影像图像的准确型，通过建立的影像图像变换模型，可以更准确的确定图像的复杂运动关系，然后根据构建的影像图像变换模型就通过计算得到变换参数，变换参数是进行图像拼接的重要数据。

实施例7：

在一个实施例中，基于所述重叠度阈值和图像影像信息，构建影像图像变换模型包括：

所述影像图像变换模型为：投影变换模型；

所述投影变化模型的构建步骤为如下所示：

步骤三：根据所述坐标变换关系，进行坐标计算，获取变换参数；

本发明在进行实施的时候：在进行坐标变换的时候，将其作用在齐次坐标上可以表示为

其中，

H矩阵为齐次任意的3*3矩阵，为投影变换模型的矩阵。由齐次坐标的属性可知，矩阵内部的元素比值才具有实际意义，因此常将其h₂₂设为常数1，获得8个自由度的独立变量，并将得到的齐次坐标规范化，获得非齐次

的结果为：

变换模型的矩阵是自由度为8的3*3矩阵，相邻影像间的运动关系由H 矩阵进行描述，如果能够获得单应矩阵的变换参数，便可以通过单应矩阵实现两幅影像之间的配准。由前述特征提取算法提取局部特征并匹配后，确定了影像间对应的匹配点集，则由匹配点集中的n个抽样点对计算H矩阵的8个参数，理论上只需要4对匹配的特征点就可以进行单应矩阵全部参数的求解。设相邻影像间I₁和I₂的匹配点集为

每一对相匹配的点由单应矩阵变换关系可以得到：

选择4对不共线的匹配点，可得如下方程：

通过矩阵变换关系与H矩阵进行带入求解，通过计算的到变换参数，就可以提高图像拼接效率；

实施例8：

在一个实施例中，根据所述影像图像变换模型和变换参数，通过回溯机制执行图像拼接操作包括：

步骤S4：基于步骤S3，进行匹配性判定，获取判定结果；

步骤S5：根据所述判定结果，当所述判定结果显示为否时，返回步骤S2，当所述判定结果显示为是时，通过建立的影像图像变换模型，执行影像图像配准与拼接；

在一个实际场景中：在进行影像图像拼接的过程中会因参数数据等问题造成图像拼接失败，当图像拼接失败后就会耽误时间，因此对通过无人机获取的影像会造成浪费的，对应的图像区域的具体灾情情况可能无法及时的掌握；

本发明在进行实施的时候：如图3所示，是基于POS数据的动态拼接流程图，由图3可以看出首先对获取的POS数据进行识别读取，并根据POS数据估算图像的重叠度，根据确定的最佳重叠度阈值选择出待拼接影像，对重叠区域内提取的特征进行匹配提纯，然后根据匹配结果进行匹配性判定，当判定结果显示为否时返回基于POS数据选择出待拼接影像，也就是本技术中步骤S2，当匹配结果显示为是时，根据建立的变换模型进行影像的配准与拼接，如图5所示，这样采用回溯机制可以保证影像拼接的顺利完成；

上述技术方案的有益效果为：在动态拼接的过程中，检测所选择影像图像是否能够完成拼接，对影像间的匹配关系进行判定，这样的判断就可以能够选择出选择适于拼接的影像，确保序列影像拼接的顺利进行，如果不能够拼接，就根据本技术采用的回溯机制进行重新匹配，这样就可以获取高效的拼接图像。

实施例9：

在一个实施例中，所述步骤S4：基于步骤S3，进行匹配性判定，获取判定结果包括：

根据所述比值结果，确定匹配结果的二值变量，并通过影像图像匹配性判定准则对匹配结果的二值变量进行判定，获取判定结果；

本发明在进行实施的时候：本技术结合已有的匹配关系判定模型，根据动态拼接算法的特点提出联合判定的匹配性准则，其中，匹配性准则是以伯努利概率模型作为影像拼接中影像匹配性的判定准则，通过利用匹配点提纯的过程中最后得出的内点与外点的比值来判定影像间是否匹配，这样的判定方法可以节省时间，提高图像拼接速度；

上述技术方案的有益效果为：通过根据外点数和内点数进行比值计算，然后确定匹配结果的二值变量，这样通过二值变量就可以直接给出匹配性的判定结果，上述技术可以节省判定时间，从而更快速的完成图像拼接。

实施例10：

在一个实施例中，根据所述比值结果，确定匹配结果的二值变量，并通过影像图像匹配性判定准则对匹配结果的二值变量进行判定，获取判定结果包括：

其中，所述评估效果包括：影像图像拼接效果良好、影像图像拼接效果一般和影像图像拼接效果较差；

在一个实际场景中：在对图像进行拼接后，得到的拼接图像会因为拼接过程中的数据误差等原因，造成拼接图像的效果不理想，因此对于不理想的拼接图像可能会对灾情区域的实际情况的判断产生影响，因此对于拼接影响的效果需要进行评估才能在进行灾情判断的时候给予参考；

本发明在进行实施的时候：本技术是通过根据判定结果为是的图像通过变换模型进行拼接，而对得到的拼接图片的拼接效果进行了评估，对于评估是根据拼接图片中的根据缝合线进行图像融合后产生的拼接线和“鬼影”现象的严重程度进行拼接图像效果评估，本技术将评估的结果分为影像图像拼接效果良好、影像图像拼接效果一般和影像图像拼接效果较差三种情况；

上述技术方案的有益效果为：在基于得到的判定结果后，对于图像拼接的效果进行评估可以将拼接后的图像的效果质量有明确的显示，这样就能够为操作人员提供参考，参与灾情救援的人员，也可以根据图像拼接效果作为参考去合理判断目标区域的具体情况。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.无人机遥感影像动态快速拼接方法，其特征在于，包括：

基于所述重叠度阈值，构建影像图像变换模型，通过所述影像图像变换模型，获取变换参数包括：

基于所述重叠度阈值和图像影像信息，构建影像图像变换模型包括：

所述影像图像变换模型为：投影变换模型；

所述投影变换模型的构建步骤为如下所示：

2.如权利要求1所述的无人机遥感影像动态快速拼接方法，其特征在于，所述通过无人机搭载多传感器组合导航系统对目标区域进行定位，获取POS数据和影像图像信息包括：

根据所述图像畸变数据，对所述影像图像进行几何校正预处理，获取影像图像信息；

其中，所述几何校正预处理为通过图像的内方向元素对图像畸变进行校正，根据几何校正预处理获取相机检校参数；

3.如权利要求2所述的无人机遥感影像动态快速拼接方法，其特征在于，所述根据位置信息和任务信号，通过滤波算法调控多传感器自合导航系统对无人机进行导航，获取POS数据，包括如下步骤：

4.如权利要求1所述的无人机遥感影像动态快速拼接方法，其特征在于，根据所述POS数据和图像影像信息，获取影像图像之间的重叠度关系，根据所述重叠度关系，确定影像图像之间重叠度阈值包括：

根据所述重叠度关系，确定影像图像之间重叠度阈值。

5.如权利要求4所述的无人机遥感影像动态快速拼接方法，其特征在于，所述根据所述重叠度关系，确定影像图像之间重叠度阈值包括：

其中，所述重叠度阈值的取值范围为：重叠度阈值

45%；

其中，所述筛选结果为：

重叠度阈值。

6.如权利要求1所述的无人机遥感影像动态快速拼接方法，其特征在于，根据所述影像图像变换模型和变换参数，通过回溯机制执行图像拼接操作包括：

步骤S4：基于步骤S3，进行匹配性判定，获取判定结果；

7.如权利要求6所述的无人机遥感影像动态快速拼接方法，其特征在于，所述步骤S4：基于步骤S3，进行匹配性判定，获取判定结果包括：

8.如权利要求7述的无人机遥感影像动态快速拼接方法，其特征在于，根据所述比值结果，确定匹配结果的二值变量，并通过影像图像匹配性判定准则对匹配结果的二值变量进行判定，获取判定结果包括：