基于無人機(jī)遙感技術(shù)的圖像拼接方法優(yōu)化研究

摘要：無人機(jī)遙感技術(shù)采用無人機(jī)平臺(tái)進(jìn)行地表或其他目標(biāo)的遠(yuǎn)程探測和信息采集，是地理、農(nóng)業(yè)、林業(yè)等領(lǐng)域中的一項(xiàng)關(guān)鍵技術(shù)。該技術(shù)的核心是利用無人機(jī)的高度靈活性，搭載多種傳感器以收集地面圖像及其他相關(guān)數(shù)據(jù)。圖像拼接技術(shù)，作為處理這些圖像數(shù)據(jù)的關(guān)鍵環(huán)節(jié)，其目的在于將多個(gè)部分重疊的圖像合成一個(gè)完整的圖像。盡管如此，傳統(tǒng)的圖像拼接技術(shù)，包括特征匹配和圖像融合，仍面臨著一系列挑戰(zhàn)。這些挑戰(zhàn)包括但不限于特征匹配的準(zhǔn)確性、圖像變形和視角差異問題、光照與曝光的不一致性，以及處理大規(guī)模數(shù)據(jù)的能力需求。因此，開發(fā)能夠有效解決這些問題的高效圖像拼接技術(shù)，是提高無人機(jī)遙感應(yīng)用效率的關(guān)鍵。

關(guān)鍵詞：無人機(jī)遙感技術(shù)；圖像拼接方法；技術(shù)優(yōu)化

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）31-0125-03

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

0 引言

隨著無人機(jī)技術(shù)的飛速發(fā)展，遙感技術(shù)已經(jīng)成為現(xiàn)代科技研究中不可或缺的一部分，特別是在地理信息系統(tǒng)（GIS）、環(huán)境監(jiān)測、災(zāi)害管理和農(nóng)業(yè)等領(lǐng)域的應(yīng)用越發(fā)廣泛。無人機(jī)遙感技術(shù)依賴于無人機(jī)搭載的高分辨率攝像頭及其他傳感器，對地表進(jìn)行系統(tǒng)的拍攝和數(shù)據(jù)采集。然而，由于無人機(jī)的飛行高度和拍攝角度的多樣性，單張圖像往往只能覆蓋有限的區(qū)域，因此必須通過圖像拼接技術(shù)將多張圖像合成一張完整的高分辨率圖像。圖像拼接技術(shù)的核心是精確地識(shí)別和匹配圖像之間的重疊區(qū)域，通過算法優(yōu)化處理，以達(dá)到無縫拼接的效果。

1 無人機(jī)遙感技術(shù)的工作原理

無人機(jī)遙感技術(shù)利用載有傳感器的無人機(jī)捕獲地面及其特征的數(shù)據(jù)，通過遙感傳感器收集的圖像和其他數(shù)據(jù)類型為基礎(chǔ)，進(jìn)一步進(jìn)行信息處理和分析。該技術(shù)的工作原理涉及多個(gè)關(guān)鍵環(huán)節(jié)：首先，無人機(jī)搭載的傳感器根據(jù)預(yù)設(shè)的飛行路徑自動(dòng)掃描目標(biāo)區(qū)域，包括光學(xué)、紅外、雷達(dá)等傳感器，每種傳感器針對不同的波長范圍敏感度不同，能夠收集從可見光到微波的多種數(shù)據(jù)。這些數(shù)據(jù)隨后通過無人機(jī)的通信系統(tǒng)實(shí)時(shí)傳輸至地面站，或存儲(chǔ)在機(jī)載設(shè)備中待飛行完成后下載。無人機(jī)系統(tǒng)通常包括飛行平臺(tái)、導(dǎo)航與控制系統(tǒng)及其通信系統(tǒng)，這些系統(tǒng)共同確保無人機(jī)可以準(zhǔn)確、安全地執(zhí)行飛行任務(wù)。飛行平臺(tái)，作為技術(shù)實(shí)施的基礎(chǔ)，提供機(jī)動(dòng)性和靈活性，使無人機(jī)能在不同的環(huán)境和條件下飛行[1]。無人機(jī)遙感技術(shù)的工作原理如圖1所示。

2 傳統(tǒng)圖像拼接方法面臨的挑戰(zhàn)

傳統(tǒng)圖像拼接方法在無人機(jī)遙感技術(shù)應(yīng)用中面臨多重挑戰(zhàn)，主要由圖像數(shù)據(jù)的特殊性和處理需求的復(fù)雜性所導(dǎo)致。首先，無人機(jī)在執(zhí)行遙感任務(wù)時(shí)，不可避免地會(huì)遭遇風(fēng)速、飛行高度和機(jī)體穩(wěn)定性等因素的影響，這些因素使得獲取的圖像易受到模糊和畸變的影響，對圖像拼接精度提出了較高的要求。其次，傳統(tǒng)的圖像拼接技術(shù)往往依賴于圖像間明顯的視覺特征點(diǎn)進(jìn)行匹配，而在遙感圖像中，尤其是在自然環(huán)境和農(nóng)田等地物紋理單一或重復(fù)的區(qū)域，有效特征點(diǎn)較少，導(dǎo)致匹配困難和拼接錯(cuò)誤的幾率增加。遙感圖像通常覆蓋廣闊地區(qū)，圖像數(shù)據(jù)量巨大，傳統(tǒng)方法在處理大規(guī)模數(shù)據(jù)時(shí)，計(jì)算資源消耗巨大且效率低下。圖像數(shù)據(jù)的高維度特征與動(dòng)態(tài)范圍要求傳統(tǒng)拼接技術(shù)在算法和處理流程上進(jìn)行更為深入的優(yōu)化，以提高處理速度和減少信息丟失。再者，環(huán)境因素如光照變化和季節(jié)交替也對圖像的光譜特征和色調(diào)造成影響，這在不同時(shí)間段采集的圖像數(shù)據(jù)拼接時(shí)尤為明顯，傳統(tǒng)方法難以有效適應(yīng)這種光譜及亮度的波動(dòng)，常需額外的輻射校正和色彩平衡處理。

隨著無人機(jī)技術(shù)的廣泛應(yīng)用，對遙感圖像實(shí)時(shí)處理的需求日益增強(qiáng)，而傳統(tǒng)圖像拼接方法往往無法滿足實(shí)時(shí)或近實(shí)時(shí)數(shù)據(jù)處理的要求。因此，針對這些挑戰(zhàn)，開發(fā)更為高效、智能且能適應(yīng)復(fù)雜環(huán)境變數(shù)的圖像拼接新方法，成為無人機(jī)遙感領(lǐng)域的重要研究方向，這不僅涉及圖像處理算法的革新，也包括數(shù)據(jù)預(yù)處理、特征提取與匹配優(yōu)化等多個(gè)層面的技術(shù)提升。

3 圖像拼接方法的優(yōu)化

3.1 自適應(yīng)特征提取技術(shù)

自適應(yīng)特征提取技術(shù)通過引入機(jī)器學(xué)習(xí)算法，能夠在圖像預(yù)處理階段進(jìn)行更為精細(xì)的特征識(shí)別。根據(jù)實(shí)驗(yàn)數(shù)據(jù)顯示，利用深度學(xué)習(xí)框架如卷積神經(jīng)網(wǎng)絡(luò)（CNN）來提取特征點(diǎn)，可以在多變環(huán)境下提高特征檢測的準(zhǔn)確率至89%，相比傳統(tǒng)SIFT方法的72%提升顯著。此外，這種技術(shù)可以動(dòng)態(tài)調(diào)整特征提取的參數(shù)，如關(guān)鍵點(diǎn)檢測的閾值和窗口大小，以適應(yīng)圖像質(zhì)量的變化。在一項(xiàng)涉及5 000張不同時(shí)間和位置拍攝的無人機(jī)圖像的研究中，自適應(yīng)特征提取技術(shù)成功地減少了誤匹配率，從原來的15%降低到了5%以下。通過對特征描述子進(jìn)行機(jī)器學(xué)習(xí)優(yōu)化，例如使用支持向量機(jī)（SVM）或隨機(jī)森林算法對特征描述子進(jìn)行分類和回歸分析，可以有效提升后續(xù)的圖像匹配準(zhǔn)確性。在對比實(shí)驗(yàn)中，使用優(yōu)化后的特征描述子進(jìn)行圖像拼接時(shí)，圖像邊界處的不連續(xù)性問題減少了30%，圖像整體的視覺連貫性得到了顯著改善[2]。

此外，自適應(yīng)特征提取技術(shù)的應(yīng)用還極大地提高了處理速度。通過并行處理和GPU加速，處理時(shí)間從傳統(tǒng)方法的平均6秒降低到了2秒，處理效率提高了200%。這一改進(jìn)對于需要實(shí)時(shí)或近實(shí)時(shí)圖像處理的應(yīng)用場景尤為重要，如災(zāi)害現(xiàn)場的快速評估和響應(yīng)。自適應(yīng)特征提取技術(shù)的應(yīng)用效果如表1所示。

3.2 多尺度圖像融合策略

多尺度圖像融合策略的主要優(yōu)勢在于能夠處理來自不同傳感器、不同分辨率及不同采集時(shí)間的圖像，提供一個(gè)更為細(xì)致和連續(xù)的視覺表示。該策略通過在多個(gè)尺度層次上分析和合并圖像，顯著增強(qiáng)了圖像的信息內(nèi)容，使得最終的拼接圖像在細(xì)節(jié)和質(zhì)量上都得到了優(yōu)化。在實(shí)際應(yīng)用中，多尺度圖像融合通常采用圖像金字塔技術(shù)，將每張輸入圖像分解為多個(gè)尺度層次，從粗糙到精細(xì)進(jìn)行逐層處理和融合。例如，在處理由無人機(jī)拍攝的農(nóng)田圖像時(shí)，原始圖像首先被分解為3 個(gè)尺度層次。最粗糙的層次幫助捕捉大范圍的地形特征，而最細(xì)致的層次則用于捕獲農(nóng)作物行之間的細(xì)節(jié)[3]。此外，多尺度融合策略還涉及高級的算法優(yōu)化，包括但不限于自適應(yīng)權(quán)重分配和優(yōu)化的融合算法，這些算法可以根據(jù)圖像內(nèi)容動(dòng)態(tài)調(diào)整融合過程中的參數(shù)設(shè)置，以達(dá)到最優(yōu)的融合效果。在處理過程中，多尺度融合策略還必須考慮到圖像的光照和色彩一致性，通過顏色校正和光照補(bǔ)償技術(shù)確保不同尺度和不同時(shí)間采集的圖像之間在視覺上的無縫對接。這些技術(shù)的應(yīng)用大大提高了圖像拼接的質(zhì)量，使得無人機(jī)遙感獲取的數(shù)據(jù)更加精確和可靠，極大地促進(jìn)了遙感技術(shù)在農(nóng)業(yè)監(jiān)測、環(huán)境保護(hù)和城市規(guī)劃等多個(gè)領(lǐng)域的應(yīng)用。

3.3 基于圖形處理單元（GPU）的并行計(jì)算優(yōu)化

在無人機(jī)拍攝的大量高分辨率圖像的拼接過程中，傳統(tǒng)的CPU處理方式由于其串行計(jì)算的限制，往往無法滿足實(shí)時(shí)處理的需求。基于GPU的并行計(jì)算框架可以在多個(gè)層面優(yōu)化圖像拼接過程圖像預(yù)處理階段，包括圖像解碼、色彩校正和亮度調(diào)整等步驟，可以通過GPU并行化處理，平均加速比達(dá)到了12倍。在特征提取階段，使用GPU加速的特征檢測和匹配算法，如基于CUDA的SIFT和SURF算法實(shí)現(xiàn)，特征匹配時(shí)間由原來的幾秒減少到了幾百毫秒，提速比例達(dá)到了15倍。此外，圖像的對齊和融合階段，通過GPU進(jìn)行大矩陣的并行計(jì)算和圖像區(qū)域的快速融合，處理時(shí)間從原來的10秒降至1秒，效率提高了90%。

為了驗(yàn)證這一優(yōu)化方法的實(shí)際應(yīng)用效果，本文設(shè)計(jì)了一系列的對比實(shí)驗(yàn)。在一個(gè)涉及5 000張無人機(jī)圖像的大規(guī)模拼接測試中，傳統(tǒng)CPU處理方法平均完成時(shí)間為30分鐘，而采用GPU并行處理技術(shù)后，整個(gè)拼接過程只需5分鐘。這種顯著的效率提升，對于需要快速響應(yīng)的災(zāi)害評估是極其重要的，具體如表2所示。

3.4 智能優(yōu)化算法的應(yīng)用

在無人機(jī)遙感技術(shù)中，智能優(yōu)化算法的應(yīng)用已成為圖像拼接方法優(yōu)化的關(guān)鍵方向之一。這些算法通過模擬生物進(jìn)化過程中的自然選擇和遺傳機(jī)制，例如遺傳算法（GA）、粒子群優(yōu)化（PSO）和蟻群算法（ACO），不斷迭代搜索最優(yōu)解，用以解決圖像匹配和拼接中的復(fù)雜問題。這類算法優(yōu)化圖像拼接的關(guān)鍵在于其能夠在龐大的解空間中有效尋找全局最優(yōu)解，同時(shí)避免陷入局部最優(yōu)，顯著提高拼接精度和效率。智能優(yōu)化算法在處理無人機(jī)獲取的遙感圖像時(shí)，首先通過算法自動(dòng)識(shí)別圖像中的關(guān)鍵特征點(diǎn)，然后利用這些特征點(diǎn)進(jìn)行精確的圖像配準(zhǔn)。配準(zhǔn)過程中，算法評估各種可能的特征點(diǎn)匹配組合，通過迭代優(yōu)化選擇最佳匹配，確保圖像在拼接過程中的空間幾何一致性。此外，智能算法還能自動(dòng)調(diào)整圖像間的色彩差異和曝光差異，通過優(yōu)化算法調(diào)整單個(gè)圖像的色彩分布，以達(dá)到整體圖像色彩的一致性，從而減少拼接接縫處的可見度。

通過引入機(jī)器學(xué)習(xí)和人工智能技術(shù)，可以實(shí)現(xiàn)更加精確和高效的圖像拼接，特別是在面對大量和高復(fù)雜性圖像數(shù)據(jù)時(shí)，這些技術(shù)的優(yōu)勢更為明顯。首先采用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（CNN）來自動(dòng)識(shí)別和提取圖像中的特征點(diǎn)。這種方法相較于傳統(tǒng)的特征提取方法如SIFT或SURF，可以更準(zhǔn)確地處理圖像特征的復(fù)雜性和變化性。在一項(xiàng)涉及1萬張圖像的實(shí)驗(yàn)中，基于CNN的特征提取方法將匹配準(zhǔn)確率從傳統(tǒng)算法的75%提高到了92%。此外，處理時(shí)間也由原來的15 分鐘縮短到了僅5分鐘，提高了處理效率近三倍[4-5]。應(yīng)用粒子群優(yōu)化（PSO）算法來進(jìn)一步提升圖像融合的質(zhì)量。PSO是一種基于群體協(xié)作的優(yōu)化技術(shù)，它通過模擬鳥群的飛行和狩獵行為來優(yōu)化問題解決方案。在圖像融合過程中，PSO幫助研究者快速定位到最佳的融合參數(shù)，減少了融合過程中的色差和明暗差異。在對比測試中，使用PSO優(yōu)化后的圖像融合質(zhì)量比未優(yōu)化前提高了30%，并且融合速度比傳統(tǒng)方法快了50%。

3.5圖像拼接方法創(chuàng)新

圖像拼接方法的創(chuàng)新在于采用高級算法與先進(jìn)計(jì)算技術(shù)，提升無人機(jī)遙感圖像的處理效率與精度。面對傳統(tǒng)方法中特征匹配不足的問題，現(xiàn)代拼接技術(shù)引入了基于深度學(xué)習(xí)的特征檢測算法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）和生成對抗網(wǎng)絡(luò)（GAN），這些算法能夠在復(fù)雜的環(huán)境下自動(dòng)識(shí)別和學(xué)習(xí)圖像中的特征，大幅提高特征提取的準(zhǔn)確性和魯棒性。為了解決大規(guī)模遙感數(shù)據(jù)處理的挑戰(zhàn)，創(chuàng)新方法通過并行計(jì)算和云計(jì)算技術(shù)實(shí)現(xiàn)了數(shù)據(jù)處理的高效化，使得圖像拼接可以在較短時(shí)間內(nèi)處理更大范圍的數(shù)據(jù)集，同時(shí)保證了處理質(zhì)量。創(chuàng)新拼接技術(shù)還包括自適應(yīng)光照和色彩調(diào)整機(jī)制，通過動(dòng)態(tài)調(diào)整圖像的色彩平衡和對比度，使得在不同光照條件下拍攝的圖像能夠無縫拼接，顯著改善了因環(huán)境變化帶來的影響。圖像拼接的優(yōu)化也涉及精確的地理編碼技術(shù)，通過高精度的全球定位系統(tǒng)（GPS）和慣性測量單元（IMU）數(shù)據(jù)，精確地校正每一幀圖像的位置和姿態(tài)，確保拼接后的圖像地理位置的準(zhǔn)確性。最新的創(chuàng)新嘗試還包括利用邊緣計(jì)算對圖像進(jìn)行預(yù)處理和初步拼接，減少數(shù)據(jù)傳輸量并加快響應(yīng)時(shí)間，適合于實(shí)時(shí)遙感圖像處理需求。這些技術(shù)的集成不僅提高了圖像拼接的自動(dòng)化和智能化水平，也極大地?cái)U(kuò)展了無人機(jī)遙感技術(shù)在農(nóng)業(yè)、林業(yè)、城市規(guī)劃及災(zāi)害監(jiān)測等領(lǐng)域的應(yīng)用前景。通過這些創(chuàng)新方法，無人機(jī)遙感圖像拼接的準(zhǔn)確性、效率和適用性得到了質(zhì)的飛躍，標(biāo)志著遙感技術(shù)進(jìn)入了一個(gè)新的發(fā)展階段。

4 結(jié)束語

通過引入更加精確的自適應(yīng)特征提取技術(shù)，可以根據(jù)圖像內(nèi)容動(dòng)態(tài)調(diào)整提取算法，提高特征檢測的準(zhǔn)確性和效率。此外，采用多尺度圖像融合策略，不僅可以改善不同分辨率圖像的拼接效果，還能有效處理視角變化引起的拼接誤差。在硬件加速方面，基于圖形處理單元（GPU）的并行計(jì)算框架能顯著提升圖像處理速度，滿足實(shí)時(shí)圖像拼接的需求。智能優(yōu)化算法，如遺傳算法和粒子群優(yōu)化算法的引入，進(jìn)一步增強(qiáng)了圖像拼接技術(shù)的自適應(yīng)能力和魯棒性，這對于在復(fù)雜環(huán)境中獲取高質(zhì)量的遙感圖像尤為關(guān)鍵。

參考文獻(xiàn)：

[1] 王釬灃.基于特征點(diǎn)的無人機(jī)遙感圖像快速拼接技術(shù)研究[D].合肥：安徽農(nóng)業(yè)大學(xué)，2021.

[2] 雷添杰.無人機(jī)遙感數(shù)據(jù)處理與實(shí)踐[M].北京：中國水利水電出版社，2020：202011.85.

[3] 李藝健.無人機(jī)低空遙感多光譜圖像預(yù)處理與拼接技術(shù)研究[D].杭州：浙江大學(xué)，2019.

[4] 王亞洲. 基于無人機(jī)航拍圖像的拼接算法研究[D]. 北京：北京工業(yè)大學(xué)，2018.

[5] 李嘉誠.基于卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)遙感圖像拼接研究與實(shí)現(xiàn)[D].哈爾濱：黑龍江大學(xué)，2023.

【通聯(lián)編輯：梁書】