CN116993643B - 基于人工智能的无人机摄影测量图像校正方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及基于人工智能的无人机摄影测量图像校正方法。该方法包括：获取地形灰度图；获取地形灰度图的光照参数和梯度值；在地形灰度图中根据像素点的光照强度和梯度值获取像素点的像素参数值，并计算特征提取阈值；在地形灰度图中构建圆形滑窗获取特征点；根据特征提取阈值获取高斯核尺寸，根据高斯核尺寸以及高斯核内像素点的像素点参数获取高斯核内像素点的权值，基于高斯核的尺寸和像素点的权值获取平滑图像，对所有平滑图像进行特征点匹配；根据平滑图像的匹配结果完成对地形灰度图的矫正融合。本发明自适应选择高斯核大小和参数使得匹配效果更准确。

Description

基于人工智能的无人机摄影测量图像校正方法

技术领域

本发明涉及图像处理技术领域，具体涉及基于人工智能的无人机摄影测量图像校正方法。

背景技术

无人机摄像广泛应用于许多不同的场景和行业，例如可以用于地球测绘、地理信息系统（GIS）数据采集、地形建模、三维建模等测绘和测量应用。无人机可以快速、高效地获取地表的影像和数据，用于城市规划、土地管理、环境监测等。但是在地理测绘和遥感应用中，无人机经常用于获取大面积地区的图像。对于大面积地区的拍摄，使用单张影像无法准确地覆盖整个区域，因此通过飞行航线规划，拍摄多张图像，并利用图像拼接技术将它们合并成一张连续的图像，在进行图像拼接时需要找到合适的特征点来进行匹配从而使得生成更高的图像质量。而由于图像融合时会出现重复的像素点，因此要将重复部分的像素点剔除，而不同的图像受到的光照影响不同，固定高斯函数会使得不同的图像之间变化较大，导致匹配精确度较低。

发明内容

为了解决匹配精确度较低的技术问题，本发明提供基于人工智能的无人机摄影测量图像校正方法，所采用的技术方案具体如下：

本发明提出了基于人工智能的无人机摄影测量图像校正方法，该方法包括以下步骤：

获取地形灰度图；

获取地形灰度图上每个像素点光照强度，根据每个像素点的光照强度获取每个像素点的光照参数；获取地形灰度图每个像素点的梯度值；

在地形灰度图中根据每个像素点的光照强度和梯度值获取每个像素点的像素参数值，根据所有像素点的像素参数值获取地形灰度图的特征提取阈值；在地形灰度图中构建圆形滑窗，根据圆形滑窗获取地形灰度图的特征点；

根据特征提取阈值获取高斯核尺寸，根据高斯核尺寸以及高斯核内每个像素点的像素点参数获取高斯核内每个像素点的权值，基于高斯核的尺寸以及像素点的权值对地形灰度图平滑获取平滑图像，将平滑图像上与地形灰度图的特征点位置相同的像素点记为平滑图像的特征点，根据平滑图像的特征点进行特征点匹配；

根据平滑图像的匹配结果完成对地形灰度图的矫正融合。

优选的，所述根据每个像素点的光照强度获取每个像素点的光照参数的方法为：

对于地形灰度图的每个像素点，将每个像素点与同一行的像素点之间的光照强度差异记为第一差异，将每个像素点与同一列的像素点之间的光照强度差异记为第二差异，根据每个像素点的第一差异和第二差异获取像素点的光照参数。

优选的，所述根据每个像素点的第一差异和第二差异获取像素点的光照参数的方法为：

；

式中，表示第e个像素点的光照强度，/>表示第e个像素点同一行上的第i个像素点的光照强度，/>表示第e个像素点同一列上的第j个像素点的光照强度，m表示地形灰度图中每一行的像素点数量，n表示地形灰度图上每一列的像素点数量，/>表示第e个像素点的光照参数，/>表示第e个像素点与第e个像素点同一行上的第i个像素点的第一差异，/>表示第e个像素点与第e个像素点同一列上的第i个像素点的第二差异。

优选的，所述根据每个像素点的光照强度和梯度值获取每个像素点的像素参数值的方法为：

将每个像素点的光照参数的对数值与所述像素点的梯度值的乘积记为每个像素点像素参数值。

优选的，所述根据所有像素点的像素参数值获取地形灰度图的特征提取阈值的方法为：

计算地形灰度图中所有像素点的像素参数值的均值，将所述均值使用反三角函数计算后获取地形灰度图的特征提取阈值。

优选的，所述在地形灰度图中构建圆形滑窗的方法为：

在地形灰度图中，构建圆形滑窗，所述圆形滑窗以一个像素点为圆心点，直径为七个像素点。

优选的，所述根据圆形滑窗获取地形灰度图的特征点的方法为：

将圆形滑窗的周长经过的像素点记为周长像素点，获取圆形滑窗内每个周长像素点的像素点参数，将圆心点的像素点参数与第一预设值的乘积记为第一阈值，将圆心点的像素点参数与第二预设值的乘积记为第二阈值，所述第一阈值大于第二阈值，若圆形滑窗上周长像素点的像素点参数大于第一阈值，将此周长像素点记为标记像素点；若圆形滑窗上周长像素点的像素点参数小于第二阈值，将此周长像素点记为标记像素点，若一个圆形窗口上有8个以上的标记像素点，则将圆心点记为特征点。

优选的，所述根据特征提取阈值获取高斯核尺寸的方法为：

若特征提取阈值在第一预设范围内，高斯核大小为三，若特征提取阈值在第二预设范围内，高斯核大小为五，若特征提取阈值在第三预设范围内，高斯核大小为七,其中第一预设范围的最小值大于第二预设范围的最大值，第二预设范围的最小值大于第一预设范围的最大值。

优选的，所述根据高斯核尺寸以及高斯核内每个像素点的像素点参数获取高斯核内每个像素点的权值的方法为：

；

式中，表示以第e个像素点为中心的高斯核内的第d个像素点的像素点参数，表示以第e个像素点为中心的高斯核内所有像素点的像素点参数的均值，K表示高斯核的边长，/>表示第d个像素点的横坐标，/>表示第d个像素点的纵坐标，/>表示以自然常数为底的指数函数，/>表示以第e个像素点为中心的高斯核内横坐标为/>，纵坐标为/>的像素点的权值。

优选的，所述根据平滑图像的匹配结果完成对地形灰度图的矫正融合的方法为：

将平滑图像的每一行或每一列作为匹配区域，若每个匹配区域内有超过一半的像素点匹配，则匹配区域为重叠区域，使用PCA融合法对平滑图像进行融合，相同重叠区域只保留一个。

本发明具有如下有益效果：本发明相对现有传统的使用特征值提取方法不仅只考虑了灰度值的影响，而是基于光照强度和像素点的梯度值构建的指标选取特征点，更精确，而在特征描述算法时，同样基于光照强度和梯度值构建高斯函数，对于不同的图像进行自适应高斯函数构建，使得平滑结果针对每个图像效果更好，使得匹配结果更精确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例所提供的基于人工智能的无人机摄影测量图像校正方法流程图；

图2为圆形滑窗示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的无人机摄影测量图像校正方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

基于人工智能的无人机摄影测量图像校正方法实施例：

下面结合附图具体的说明本发明所提供的基于人工智能的无人机摄影测量图像校正方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的无人机摄影测量图像校正方法流程图，该方法包括以下步骤：

步骤S001，获取地形灰度图。

使用无人机俯视角采集地形图，使用高斯滤波对地形图进行去噪，对于去噪后的地形图使用加权平均法灰度化得到地形灰度图。

至此，获取了地形灰度图。

步骤S002，对于地形灰度图获取每个像素点光照强度，根据每个像素点的光照强度获取每个像素点的光照参数；获取地形灰度图每个像素点的梯度值。

在无人机的飞行拍摄过程中，即使规划路线进行拍摄后仍然不可避免的会出现相邻图像之间存在相同的部分，此时直接进行图像融合会产生重影等问题从而导致融合后的图像质量不佳，而重叠区域存在一定的区别，但因为取自同一区域，因此二者之间具有一定的相似度。

由于无人机俯视采集图像所采集的室外场景，因此光照对于图像的影响是不可避免的，因此收集到的图像灰度信息包含物体自身的颜色信息和它所受到的光照信息，因此可以利用Retinex算法来得到地形灰度图中各个像素点相关的光照强度。因为地形环境复杂，光照情况也会随着环境的变换而产生一定的变化，因此需要对环境中的光照因素进行详细的分析。

对于地形灰度图，将每个像素点与同一行其余像素点之间的光照强度的差异以及与同一列其余像素点之间的光照强度之间的差异获取像素点的光照参数：

；

式中，表示第e个像素点的光照强度，/>表示第e个像素点同一行上的第i个像素点的光照强度，/>表示第e个像素点同一列上的第j个像素点的光照强度，m表示地形灰度图中每一行的像素点数量，n表示地形灰度图上每一列的像素点数量，/>表示第e个像素点的光照参数。

除此之外，由于每张灰度图存在不同的边缘信息，而若是两张地形灰度图重叠，则会出现相同的边缘信息，因此将边缘信息作为分析的特征，对于地形灰度图使用sobel算子获取每个像素点的梯度值，其中sobel算子为公知技术，在此不多做赘述。

至此，获取了每个像素点的光照参数和梯度值。

步骤S003，在地形灰度图中根据每个像素点的光照强度和和梯度值获取每个像素点的像素参数值，根据所有像素点的像素参数值获取地形灰度图的特征提取阈值；在地形灰度图中构建圆形滑窗，根据圆形滑窗获取地形灰度图的特征点。

为了获取不同图像之间的重叠区域，需要通过两张地形灰度图的特征点对比找到重合部分。而在本实施例中，为了找到特征点，根据像素点的光照特征和梯度值进行分析。在常规提取特征点的算法，常使用FAST算法来提取特征点，而该算法中阈值的选取直接决定了特征点的选取精度，因此为了能够找到更加准确的阈值，需要利用像素点的光照参数和梯度值进行分析。

在地形灰度图中，获取一个圆形滑窗，该圆形滑窗以一个像素点为中心，直径为7个像素点，如图2所示，图2中像素点p为圆心点，标记有数字的像素点为圆形滑窗的周长像素点。

根据地形灰度图中所有像素点的光照参数和梯度值获取特征提取阈值，公式如下：

；

式中，表示地形灰度图中第e个像素点的光照参数，/>表示地形灰度图中第e个像素点的梯度值，m表示地形灰度图中每一行的像素点数量，n表示地形灰度图上每一列的像素点数量，/>为反三角函数，/>表示地形灰度图的特征提取阈值。

其中，像素点的梯度值和光照参数都会影响特征点的选取，而光照因素说影响较多，需要对其削弱，因此使用对数函数限制光照参数的影响，由此得到特征提取阈值，光照参数和梯度值的乘积越大，说明该像素点与周围像素点比较起来灰度变化越快，亮度差距越大，因此更具有代表性；获取所有像素点的乘积的均值，将均值作为全图特征的平均情况，而均值越大，所需要选取的特征点参数就越大，阈值也就越高。

将圆形滑窗内每个周长像素点计算其像素点参数，像素点的参数的计算为该像素点的梯度值与光照参数的对数的乘积，将圆心点的像素点参数与的乘积记为第一阈值，将圆心点的像素点参数与/>的乘积记为第二阈值，若圆形滑窗内周长像素点的像素点参数大于第一阈值，则将此周长像素点记为标记像素点；若圆形滑窗内周长像素点的像素点参数小于第二阈值，则将此周长像素点记为标记像素点，若一个圆形窗口内有周长像素点数量一半以上的标记像素点，则将圆心点记为特征点。

至此，获取了地形灰度图中的特征点。

步骤S004，根据特征提取阈值获取高斯核尺寸，根据高斯核尺寸以及高斯核内每个像素点的像素点参数获取高斯核内每个像素点的权值，基于高斯核的尺寸以及像素点的权值对地形灰度图平滑获取平滑图像，对所有平滑图像进行特征点匹配。

获取特征点后，使用rBRIEF算法进行特征描述，因此首先对地形灰度图使用高斯函数进行图像平滑，而高斯核的不同大小和权值的不同对于整体平滑效果有一定的影响，因此需要根据图像的特征来选取合适的高斯核尺寸，并来确定权值。

根据特征提取阈值得到高斯核的尺寸，具体如下：

；

式中，表示地形灰度图的特征提取阈值，/>表示高斯核的边长。特征提取阈值/>越小，表示图像之间的光照参数与梯度之间的差距越小，图像越平滑，因此卷积核可以取得更大一些，反之则取小一点的卷积核才会有更好的效果。

获取地形灰度图中所有像素点的像素点参数的均值，在一个高斯核内，将任意一个像素点的坐标记为(x,y)，获取高斯核内每个像素点的权值，其中权值通过每个像素点对应的像素点参数获取，公式如下：

；

式中，表示以第e个像素点为中心的高斯核内的第d个像素点的像素点参数，表示以第e个像素点为中心的高斯核内所有像素点的像素点参数的均值，K表示高斯核的边长，/>表示第d个像素点的横坐标，/>表示第d个像素点的纵坐标，/>表示以自然常数为底的指数函数，/>表示以第e个像素点为中心的高斯核内横坐标为/>，纵坐标为/>的像素点的权值。

之后根据获取的高斯核和每个像素点在高斯核中的权值对地形灰度图进行平滑，此处平滑为现有技术，在此不多做赘述，将地形灰度图平滑后记为平滑图像，将平滑图像上与地形灰度图的特征点位置相同的像素点记为平滑图像的特征点，之后利用rBRIEF算法对平滑图像进行特征点匹配。

至此完成了平滑图像的特征点匹配。

步骤S005，根据平滑图像的匹配结果完成对地形灰度图的矫正融合。

完成不同平滑图像之间的特征点匹配后，将每一行或每一列作为匹配区域，若每个匹配区域内有超过一半的像素点匹配，则认为该行或该列为重叠区域，将重叠区域进行标记，同一个重叠区域的标号相同，使用PCA融合将平滑图像进行融合，在使用图像融合时，标号相同的重叠区域只保留一个，由此对图像融合完成了测量图像的矫正。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (5)

1.基于人工智能的无人机摄影测量图像校正方法，其特征在于，所述方法包括以下步骤：

获取地形灰度图；

获取地形灰度图上每个像素点光照强度，根据每个像素点的光照强度获取每个像素点的光照参数；获取地形灰度图每个像素点的梯度值；

在地形灰度图中根据每个像素点的光照强度和梯度值获取每个像素点的像素参数值，根据所有像素点的像素参数值获取地形灰度图的特征提取阈值；在地形灰度图中构建圆形滑窗，根据圆形滑窗获取地形灰度图的特征点；

根据特征提取阈值获取高斯核尺寸，根据高斯核尺寸以及高斯核内每个像素点的像素点参数获取高斯核内每个像素点的权值，基于高斯核的尺寸以及像素点的权值对地形灰度图平滑获取平滑图像，将平滑图像上与地形灰度图的特征点位置相同的像素点记为平滑图像的特征点，根据平滑图像的特征点进行特征点匹配；

根据平滑图像的匹配结果完成对地形灰度图的矫正融合；

所述根据每个像素点的光照强度获取每个像素点的光照参数的方法为：对于地形灰度图的每个像素点，将每个像素点与同一行的像素点之间的光照强度差异记为第一差异，将每个像素点与同一列的像素点之间的光照强度差异记为第二差异，根据每个像素点的第一差异和第二差异获取像素点的光照参数；

所述根据每个像素点的第一差异和第二差异获取像素点的光照参数的方法为：

；

式中，表示第e个像素点的光照强度，/>表示第e个像素点同一行上的第i个像素点的光照强度，/>表示第e个像素点同一列上的第j个像素点的光照强度，m表示地形灰度图中每一行的像素点数量，n表示地形灰度图上每一列的像素点数量，/>表示第e个像素点的光照参数，/>表示第e个像素点与第e个像素点同一行上的第i个像素点的第一差异，/>表示第e个像素点与第e个像素点同一列上的第i个像素点的第二差异；

所述根据特征提取阈值获取高斯核尺寸的方法为：若特征提取阈值在第一预设范围内，高斯核大小为三，若特征提取阈值在第二预设范围内，高斯核大小为五，若特征提取阈值在第三预设范围内，高斯核大小为七,其中第一预设范围的最小值大于第二预设范围的最大值，第二预设范围的最小值大于第一预设范围的最大值；

所述根据高斯核尺寸以及高斯核内每个像素点的像素点参数获取高斯核内每个像素点的权值的方法为：

；

式中，表示以第e个像素点为中心的高斯核内的第d个像素点的像素点参数，/>表示以第e个像素点为中心的高斯核内所有像素点的像素点参数的均值，K表示高斯核的边长，/>表示第d个像素点的横坐标，/>表示第d个像素点的纵坐标，/>表示以自然常数为底的指数函数，/>表示以第e个像素点为中心的高斯核内横坐标为/>，纵坐标为/>的像素点的权值；

所述根据平滑图像的匹配结果完成对地形灰度图的矫正融合的方法为：将平滑图像的每一行或每一列作为匹配区域，若每个匹配区域内有超过一半的像素点匹配，则匹配区域为重叠区域，使用PCA融合法对平滑图像进行融合，相同重叠区域只保留一个。

2.如权利要求1所述的基于人工智能的无人机摄影测量图像校正方法，其特征在于，所述根据每个像素点的光照强度和梯度值获取每个像素点的像素参数值的方法为：

将每个像素点的光照参数的对数值与所述像素点的梯度值的乘积记为每个像素点的像素参数值。

3.如权利要求1所述的基于人工智能的无人机摄影测量图像校正方法，其特征在于，所述根据所有像素点的像素参数值获取地形灰度图的特征提取阈值的方法为：

计算地形灰度图中所有像素点的像素参数值的均值，将所述均值使用反三角函数计算后获取地形灰度图的特征提取阈值。

4.如权利要求1所述的基于人工智能的无人机摄影测量图像校正方法，其特征在于，所述在地形灰度图中构建圆形滑窗的方法为：

在地形灰度图中，构建圆形滑窗，所述圆形滑窗以一个像素点为圆心点，直径为七个像素点。

5.如权利要求1所述的基于人工智能的无人机摄影测量图像校正方法，其特征在于，所述根据圆形滑窗获取地形灰度图的特征点的方法为：

将圆形滑窗的周长经过的像素点记为周长像素点，获取圆形滑窗内每个周长像素点的像素点参数，将圆心点的像素点参数与第一预设值的乘积记为第一阈值，将圆心点的像素点参数与第二预设值的乘积记为第二阈值，所述第一阈值大于第二阈值，若圆形滑窗上周长像素点的像素点参数大于第一阈值，将此周长像素点记为标记像素点；若圆形滑窗上周长像素点的像素点参数小于第二阈值，将此周长像素点记为标记像素点，若一个圆形窗口上有8个以上的标记像素点，则将圆心点记为特征点。