A fast UAV image stitching method on GeoSOT
- 作者：Yang Zhe; Zhai Weixin; Chen Dong; Zhang Wei; Cheng Chengqi
- 机构：北京大学
- 年份：2015
- 期刊/会议：IEEE International Geoscience and Remote Sensing Symposium (IGARSS)
- 原文地址：A fast UAV image stitching method on GeoSOT
目前无人机摄影数据不稳定、混乱、不准确，这些缺陷给图像拼接带来了困难。本文提出了一种创新的基于全局细分GeoSOT网格框架的快速方法。并且该方法可以应用于无人机上不同时间某一区域的高速图像拼接。实验结果表明了新方法相对于传统方法的优势。
Ⅰ 介绍
针对无人机（UAV）摄影测量系统机动性高、成本低等优点，可以有效改善航空照片、地质调查、高压输电线路巡查、输油管道检查、公路管理、森林防火安全检查、天然气勘探、禁毒执法等。因此，用于普通数码相机的无人机遥感平台已成为科学研究和应用的最重要的焦点之一。但无人机飞行高度普遍较低，导致单幅图像覆盖范围较小。为了解决像场的范围和分辨率之间的矛盾，及时准确地反映整个区域，将小尺寸的图像拼接成一个完整的图形是很重要的。同时，由于无人机摄影测量飞行的条件不同，航拍图像也不同，尤其是几何定位精度在不同时间可能会有很大差异。当前，随着数据量的不断快速增长，信息的快速高效整合对地理信息系统的信息处理能力提出了更高的要求。本文提出了一种在GeoSOT上以更高的速度和精度实现图像拼接的新方法。主要思想是预先对已有图像进行网格剖分，并在即时无人机摄影测量图像匹配和定位上高速完成多幅图像的拼接。
Ⅱ 相关工作
以前的方法
无人机飞行高度低，单幅图像覆盖率低。为了解决图像可视范围和分辨率之间的矛盾，及时、准确地反映整个测试区域，需要获取现场图像实时快速拼接，形成区域图。因此，无人机遥感影像的快速拼接算法成为研究领域的重要内容之一。目前，无人机遥感影像拼接方法包括：1）基于结构参数的拼接。该方法耗时最少，但高度依赖参数数据；精度难以满足应用要求。2）基于拼接的特征。这种方法精度较差。
GeoSOT网格
GeoSOT全球细分模型由北京大学航天信息工程研究所程教授提出，是一套等效的经纬度全球细分网格。GeoSOT的全称是在2n树上用一维积分编码的地理坐标细分网格。网格分为 32 个级别以覆盖表面。最大的尺度是全局尺度，而最详细的尺度可以是厘米级。为了保证整数度、分、秒对应的网格，我们采用了三个地理空间扩展，当逐步进行四叉树细分时。分别地，0级网格从360°×180°延伸到512°×512°。9 级网格从 1° 延伸到 64'。15 级网格从 l' 扩展到 64 [6], [7]。GeoSOT细分网格图如图1所示。
GeoSOT 模型中的所有网格都分配有一个级别值，该值显示某个网格的比例。此外，级别值很容易获得，因为它等于 GeoSOT 四叉树代码的长度。高层网格表示准确的区域，对应的区域比较小；反之，低格表示范围广，对应的面积也比较大。
如Lu的研究所示，GeoSOT离散网格系统基于Z-sequencing技术识别细分网格。全局空间首先分为四个主要部分，分别用0、1、2、3来标识；此外，每个部分可以分为四个更高级别的瓷砖部分。这是一个递归过程，如图 2所示。
GeoSOT网格广泛应用于海洋、大气、气象的数据存储和管理领域。对于无人机遥感影像，GeoSOT网格的多层次、高速计算、标准化管理等优点有利于影像分割的便捷匹配和拼接。
Ⅲ 方法
SURF检测器和Ransac算法
本文以GeoSOT网格管理为基础，结合改进的SURF检测器和RANSAC算子完成图像拼接。SURF（Speed Up Robust Features）是基于图像特征、尺度和旋转不变性的拼接算法，其拼接效果优于之前的特征检测器。然而，SURF的缺点是缺乏稳定性，特征点的误检测，总会导致大量的冗余计算。因此，拼接效率和精度都比较低，不能满足高标准的要求。针对无人机遥感影像的特点，本文对SURF检测器进行了改进算法的修正：先采用粗略的SURF算法提取特征点，然后采用RANSAC（Random Sample Consensus）算法消除误差提取特征点。实验结果表明，改进后的算法不仅可以达到更好的拼接效果，而且大大提高了运算效率。基于SURF的主方向图像拼接算法高度依赖局部像素梯度方向，导致特征向量难以确定。并且特征向量的提取和匹配严重依赖主方向，因此算法稳定性较差。经常检测不稳定的特征点，产生大量冗余计算，拼接效率低。本文采用随机抽样的计算机视觉一致性RANSAC算法进行图像拼接的提取、粗略净化、误差消除和效率提升。RANSAC的详细基本思想如下：
- 考虑一个模型的最小样本集的势为
（
，设置样本数
，随机从
。
- 将互补集合
和
中误差小于阈值
的特定样本集组合起来，得到
。
- 如果
，得到合适的模型参数，使用集合
。随机选择一个新的
- 在完成一定次数的采样后，如果没有找到一致集，则算法失败。否则，选择最大的一致集进行内外点的判断。终止算法。
图像拼接的基本过程
- 对现有的原始图像进行 GeoSOT 网格管理后得到 GeoSOT 标准图像。
- 根据需求选择一个GeoSOT级别，将标准图像分割为
- 根据无人机的内外方位元素，粗略确定图像的空间位置。图像数为
。
- 分别匹配GeoSOT标准子图像的
- 可以根据GeoSOT代码拼接多张注册的无人机图像，形成全景图。
Ⅳ 实验
我们的实验于2014年9月15日在北京韩家村进行，现有原始图像来自“北京一号”微卫星图像。分辨率为32m，波段为（绿色）、
（红色）、
(NIR)，类似于 SPOT 卫星。GeoSOT 网格选择的层级为 18，网格大小约为
。
图像拼接实验分两组进行：第一组不经过GeoSOT校正，第二组经过GeoSOT校正。全景图由 2 张图像组成，分别测试 4 张图像，每个测试进行 10 次。平均耗时如表1所示。很明显，新方法可以提高拼接速度。
并且图像拼接结果也证明了新方法的优势。从图4、图5、图6、图7的两组结果可以看出。GeoSOT修正方法可以修正几何误差，使结果更好。图4中的道路不太匹配，但在图5中，效果更好。图 6和图 7 中显示的结果也是如此。
Ⅴ 结论
本文提出了一种在 GeoSOT 网格上进行图像拼接的新方法。无人机影像数据中的GeoSOT组织可以带来如下优势：
- GeoSOT统一数据组织的建立，完善了对不同遥感源的管理，方便了跨行业的用户检索、查询和共享操作。
- 新方法有利于本地无人机图像数据的提取。在空间数据逻辑细分的基础上，编码后的数据可以与全局数据保持一致。从而实现了不同来源数据的整合。
- 根据GeoSOT网格内部的空间位置属性，便于快速生成数据产品并进行数据操作。这种基于遥感数据统一组织的新方法是GeoSOT管理优势的一个例子。因此，基于GeoSOT网格和遥感影像数据的代码组织，可以有效提高跨部门数据集成的效率。
