基于圖像分割的低空影像預處理與匹配

摘 要：為解決當前低空影像匹配準確率低，影響圖像資源利用價值的問題，本文基于圖像分割研究低空影像匹配。在匹配前，須預處理低空拍攝的影像。在此基礎上，提取影像特征點與特征面，描述并匹配低空影像，提出一種新的低空影像匹配方法。試驗結果說明，圖像分割后，新的匹配方法準確率明顯提高，有效提升低空影響資源利用價值。

關鍵詞：圖像；分割；低空；影像；匹配

中圖分類號：TP 391" " " " " " " " " " " " " " " " " 文獻標志碼：A

與其他影像采集方法相比，本研究提出的低空影像測量方法具有拍攝高度低等特點，因此，影像受到大氣環(huán)境中云霧遮擋影響的概率更低，可以作為一種有效的補充，完善航空和衛(wèi)星攝影測量[1]。須在正式使用前預處理低空拍攝的影像，包括處理圖像中的重疊內(nèi)容等[2]，該步驟對提高低空攝影測量的精度和效率具有重要意義。

1 低空影像預處理

在低空飛行過程中，相機受到幾何運動、振動、遮擋、氣象和風力等多種因素影響，相鄰或相同波段的圖像在亮度、色度和特定尺度等方面存在差異，造成圖像質量差異，因此，必須對其進行預處理。

1.1 幾何畸變差糾正

幾何畸變差的糾正方式如下，根據(jù)2組平行關系進行仿射校正，再根據(jù)2組垂直關系進行度量校正。仿射校正恢復平行關系，度量校正恢復垂直關系，使圖像與真實尺寸之間為相似關系[3]。為保證低空影像幾何畸變差糾正達到預期效果，應建立糾正模型，如公式（1）、公式（2）所示。

（1）

（2）

式中：u、v為已經(jīng)完成幾何畸變糾正的低空影像相關坐標；n為相關多項式；i、j為放射系數(shù)；xi、yj為放射系數(shù)為i和j的未完成幾何畸變糾正的低空影像相關坐標（原始坐標）；aij為放射系數(shù)為i和j的橫坐標待測定參數(shù)；bij為仿射系數(shù)為i和j的縱坐標待測定參數(shù)。

1.2 圖像平滑處理

圖像平滑處理的目的是保證圖像整體亮度變化呈現(xiàn)一種較為平緩的趨勢，提高影像的綜合質量[4]。

平滑處理的基本原理是通過改變圖像中每個像素點的灰度值，減少噪聲的視覺效果。當進行平滑處理時，注意不要過度平滑，以免圖像細節(jié)和邊緣信息丟失[5]。平滑處理過程如公式（3）所示。

（3）

式中：g（x，y）為平滑處理后的影像；m為色彩深度，也稱位深度；f（m，n）為窗口像素值（未平滑處理的影像）；s為像素點個數(shù)。以某低空影像為例，按照上述方式對其進行平滑處理，處理前、處理后如圖1所示。

對完成平滑處理后的圖像進行空間域增強處理。與其他預處理相比，增強處理的目的性較強，按照規(guī)范預處理圖像，可以細化影像中線狀結構物體的細部特征[6]。處理過程如公式（4）所示。

（4）

式中：d（x，y）為圖像的空間域增強處理；w（s，t）為圖像空間域轉換模板函數(shù)；f（x+s，y+t）為經(jīng)過圖像空間域轉換模板函數(shù)w（s，t）轉換后的圖像空間域。經(jīng)過上述步驟，完成圖像的預處理。

2 基于圖像分割的低空影像匹配

2.1 基于圖像分割的影像特征面與特征點提取

當提取影像特征面時，需要從影像背景中分割對匹配有利的地物類圖像，并形成一個或多個獨立的區(qū)域，便于后續(xù)進行匹配[7]。提取影像特征面后，結合FCM分割圖像，F(xiàn)CM是一種非監(jiān)督類型的分類方法。利用該方法分割圖像，優(yōu)化目標函數(shù)，計算每個樣本點所對應的所有類中心的隸屬度，進而確定樣本點的類屬，完成數(shù)據(jù)分類。圖像分割的基本思路如下：將N個向量XI分成C組，對非相似性的指標價值函數(shù)來說，需要在其達到最小值的前提條件下求解每組聚類中心[8]。圖像分割的價值函數(shù)如公式（5）所示。

（5）

式中：C為向量總和；JI為某一點I上的數(shù)據(jù)；I、J為節(jié)點；UM IJ為第I個聚類中心與第J個數(shù)據(jù)點之間加權指數(shù)為M的隸屬度；J（U，C1，…，CC）為圖像分割的價值函數(shù)，C1，…，CC為模糊組的聚類中心；DIJ為第I個聚類中心與第J個數(shù)據(jù)點之間的距離；M為加權指數(shù)，在公式（5）中，M取值為2。當計算結果為最小值時，須滿足下述條件，如公式（6）所示。

（6）

式中：CI為模糊組中的第I個聚類中心；XJ為模糊組中的第J個向量。除此之外，還應當滿足下述條件，如公式（7）所示。

（7）

式中：UIJ 為數(shù)據(jù)點對模糊組的隸屬度，數(shù)值為 0 ～1 ；DKJ為第K個聚類中心與第J個數(shù)據(jù)點之間的距離。

初始化的隸屬度矩陣U，其取值在0～1，為1個隨機值，矩陣中所有的隸屬度相加和為1。按照價值函數(shù)進行計算，當價值函數(shù)取值小于設定的閾值時，或當價值函數(shù)取值與上一次價值函數(shù)取值的差小于設定的閾值時，此時停止運算。利用圖像分割技術，按照影像的像素光譜信息聚類圖像。

2.2 特征面與特征點描述與匹配

在提取影像特征面與特征點后，描述特征面以及特征點，計算過程如公式（8）所示。

Y=4πA/L （8）

式中：A為連通域或圓形的面積；L為周長；Y為連通域、圓形等結構的相似程度，Y越大，圓形的相似度越高；Y越小，圖形形狀越狹長。利用長寬比R描述特征面，計算過程如公式（9）所示。

R=B/E （9）

式中：B為一個連通域的最小矩形寬度；E為一個連通域的最小矩形長度。當匹配2幅低空影像時，需要計算2幅影像各連通域的Y值和R值，結合事先設定的閾值，確定唯一匹配面。特征面與特征點之間的關聯(lián)如圖2所示。

從圖2可以看出，當圖像中存在2對匹配平面時，匹配平面上的角點只需與相應平面上的角點進行對比，不需要重新查找所有的角點。可以結合鄰域信息描述符匹配特征點。角點鄰域關聯(lián)如圖3所示。

在圖3中，角點與其鄰域中相應的其他角點之間的坐標方位角α應該一致。用角點、距離和坐標方位角來刻畫角點特征，并進行匹配，存在多對匹配的可能性。這時，只保留特征面D和方位角α之差較小的點對作為匹配點對并存儲。

3 匹配效果分析

在上述內(nèi)容的基礎上，利用本文方法預處理低空影像，分析影像匹配效果，效果對比如圖4所示。

從圖4中可以看出，預處理前，圖像清晰度較差，紋理細節(jié)不清晰且亮度集中，圖像整體均衡性較差。處理后，圖像清晰度顯著提升，紋理細節(jié)十分清晰。從對比結果可以看出，圖像整體均衡性良好，說明本文方法在低空影像預處理中的應用效果較好。

在此基礎上，選擇某低空影像數(shù)據(jù)庫作為測試樣本，使用不同方法匹配低空影像。正確匹配率見表1。從表1中可以看出，與其他方法相比，本文方法不僅可以提取低空影像中更多的特征點信息，還可以精準匹配影像中的特征點，細化影像中的紋理與特征信息。

4 結語

隨著低空影像技術不斷發(fā)展，基于圖像分割的低空影像匹配將會得到更廣泛的應用。未來的研究主要包括以下2個方面。1）改進圖像分割算法。開發(fā)更快速、準確和自適應的圖像分割算法，以滿足在實際應用中大規(guī)模的高分辨率低空影像的處理需求。2）優(yōu)化匹配策略。研究更穩(wěn)健、高效和智能的匹配策略，以提高匹配的精度和穩(wěn)定性，降低傳播誤差。

綜上所述，基于圖像分割的低空影像匹配技術作為低空攝影測量和地理信息系統(tǒng)的重要支撐，將在未來發(fā)揮越來越重要的作用。

參考文獻

[1] 潘明，譚海，鐘旭輝. 結合風格遷移與邊緣特征的SAR與光學影像匹配[J].北京測繪，2023，37（7）：938-943.

[2]董海濤.基于多級格網(wǎng)技術的多層影像匹配算法的并行改進[J].黑龍江科學，2023，14（10）：82-84.

[3]呂欣陽，樊冬麗，張廣運，等.無人機影像匹配點云的露天礦臺階高度計算方法[J]. 測繪通報，2023（5）：135-139.

[4]喻鵬飛，李浩，何秀鳳，等.利用詞袋模型估計尺度差異的異源影像匹配方法[J].計算機與現(xiàn)代化，2023（4）：56-61，72.

[5]范佳鑫，王春，代文，等.基于多尺度高程變異系數(shù)的影像匹配點云濾波方法[J].地理與地理信息科學，2023，39（2）：25-31.

[6]鮑秀武，梁文彪，劉也.基于傾斜攝影測量點云與影像匹配的像控點坐標自動提取方法研究[J].城市勘測，2023（1）：105-109.

[7]方云霞，徐大展，張暢，等.基于多種影像匹配點云的DSM生產(chǎn)方法研究——以桐鄉(xiāng)市為例[J].測繪與空間地理信息，2022，45（7）：52-54.

[8]高莎，袁希平，甘淑，等.集成SIFT算法與檢測模型優(yōu)化的UAV影像匹配方法[J].光譜學與光譜分析，2022，42（5）：1497-1503.