无地面控制的无人机影像全自动快速拼接
无人机图像拼接算法的研究及实现
无人机图像拼接算法的研究及实现随着近年来无人机技术的飞速发展，无人机图像拼接技术也得到了广泛的应用。
该技术可以将无人机拍摄得到的相邻区域的图像进行拼接，生成高分辨率的全景图像，提供了一种高效的地图制作和空中监测的手段。
本文将从无人机图像拼接的原理入手，分析其算法的研究，介绍常见的图像拼接算法以及其应用场景，并在最后给出一个无人机图像拼接的实现实例。
一、无人机图像拼接原理无人机的航拍图像拼接是借助现代数字图像处理技术来实现的。
该技术需要处理大量的数据，并结合图像的特征进行定位，将相邻图像进行拼接，生成全景图像。
以下是无人机图像拼接的原理图：如图所示，相机通过对地面连续拍摄，得到多幅重叠区域较多的图像。
在无人机图像拼接中，首先需要对相机进行标定，得到相机的内外参数。
然后，根据每张拍摄的图像的特征，例如SIFT特征，计算出每幅图像的特征点。
接着，通过匹配不同图像之间的特征点，建立不同图像之间的关系。
最后，运用优化算法对关系进行优化，完成图像拼接，生成全景图像。
二、无人机图像拼接的算法研究目前，无人机图像拼接的算法主要有以下几种：1. 基于特征点匹配的无人机图像拼接算法这种算法主要的思路是在多副图像上提取一些稀有的、具有代表性的特征点。
然后根据特征点的相似程度进行匹配，得到匹配点对。
匹配点对的质量好坏非常重要，其正确率和准确度直接决定了拼接后的图像质量。
这种算法的核心是对特征点的提取和匹配两个部分的处理。
由于SIFT, SURF和ORB等算子在特征提取和匹配上有着良好的效果，因此应用广泛。
2. 基于区域分割的无人机图像拼接算法该算法主要是先将输入的拍摄图像进行区域分割，将该图像分为多个区域，然后根据区域之间的相似度，通过一系列的变换操作，将这些不同区域的图像配准后合并起来生成全景图像。
这种算法具有很好的兼容性和可扩展性，能够处理不同场景和不同光照下的图像拼接。
但是该算法也存在着一些缺陷，例如耗费计算时间比较长而导致对计算机处理性能的要求比较高。
无人机影像的快速拼接及其误差
无人机影像的快速拼接及其误差刘庆元;刘有;邹磊;易柳城【摘要】The geographic coordinates of each correspondence point on UAV's (Unmanned aerial vehicles) image pairs are determined by the photogrammetric models of stereo image pairs and data of the DGPS/IMU (Differential GPS/Inertial measurement unit) after the correspondence points are correctly matched. The mosaic image is re-sampled and demonstrated with geographic coordinates instead of pixel coordinates. The experiments results show that the process of mosaic image can be directly adopted without projection correction with the situation of flat area. In wavy terrain, a set of UAV's image is separated into several patches to mosaic UAV's images because the projection error is big and results in error propagation impacts on estimation of geographic coordinate of a mosaic image. The accuracy and precision of geo-location of a mosaic image can be achieved as same as the image with scale of 1:25 000.%利用经过差分的DGPS数据和IMU(Inertial measurement unit)获取的外方位元素,经过影像匹配产生的同名点,获得同名点地理坐标,使各个模型在此基础上连接起来.经过影像重采样用地理坐标代替像素坐标,使拼接后的影像具有拍摄时的地理坐标.实验结果表明:平坦地区投影差较小,可以不进行投影误差改正,直接利用左右影像同名像点进行影像拼接；丘陵山区因为投影误差的影响,影像拼接的误差累积较快,此时应采用分带拼接,避免误差积累.拼接后的影像坐标与拼接精度达到了1∶2.5万比例尺影像图的精度.【期刊名称】《中国有色金属学报》【年(卷),期】2012(022)003【总页数】6页(P889-894)【关键词】UAV影像拼接;坐标转换;影像拼接误差【作者】刘庆元;刘有;邹磊;易柳城【作者单位】中南大学有色金属成矿预测教育部重点实验室,长沙410083;中南大学地球科学与信息物理学院,长沙410083;中南大学有色金属成矿预测教育部重点实验室,长沙410083;中南大学地球科学与信息物理学院,长沙410083;中南大学有色金属成矿预测教育部重点实验室,长沙410083;中南大学地球科学与信息物理学院,长沙410083;中南大学有色金属成矿预测教育部重点实验室,长沙410083;中南大学地球科学与信息物理学院,长沙410083【正文语种】中文【中图分类】P623.2随着无人机的广泛应用，各种影像和视频影像的获取更加方便和及时，但影像的及时处理和初步定位显得越来越重要。
简析无人机技术航拍与图像拼接技术
简析无人机技术航拍与图像拼接技术1 概述随着社会不断发展和进步，无人机遥感技术在很多领域发挥着不可或缺的作用，譬如军事领域、农业领域、考古领域、环境监测领域、城市规划领域、灾害监测领域、地理测绘领域等。
无人机遥感技术之所以会有如此广泛的应用，是由于无人机遥感图像具有高灵活性、续航时间长，可以在特别危险地区探测，效率特别高，成本也低，还有无人机可在低海拔地区飞行，能够避免云层干扰等独特优势。
2 无人机遥感发展2.1 无人机发展概况因为计算机技术的不断发展，无人机遥感技术也获得了巨大进步，并且因为本身独特优势，受到愈来愈广泛的关注。
一般来说，无人机遥感技术提取和归纳人们所需信息，主要是利用精密成像仪器和图像分析技术，然后通过对这些时效性较高的图像进行特性分析等其他操作来达成。
无人机遥感技术发展如此之快，以至于图像拼接技术也受到越来越多关注，国内外很多研究人员正在对图像拼接技术进行更深研究。
目前，无人机图像拼接技术受到普遍关注，各个国家的学者都进行着与无人机图像拼接有关技术研究工作。
图像拼接技术通过数年研究，已经获取相当多研究成果，但是现在依然有很多问题有待解决，诸如相幅较小、数量多、影像倾斜度大、重叠不规则等一系列问题。
图像拼接效果和效率主要受图像配准精度和有效性所制约。
2.2 无人机航拍原理无人机，顾名思义是一种无人驾驶的或称作不载人的飞行器。
它主要是通过无线电遥控设备或机载计算机程序系统来进行控制。
无人机航拍是以无人机作为拍摄基准平台，随机载有高分辨率CCD数码相机、红外扫描仪、激光扫描仪等机载遥感设备获取地面图像或其他类型数据信息。
通过计算机对所获取的遥感图像信息按照一定精度要求进行解译识别处理，并制作成相关更重要、更全面信息的大幅全景图像。
无人机航拍技术是一种全新的高科技遥感应用技术，需要多种技术手段互相支撑构建成为一个平台系统。
全系统是集成遥感、遥测技术与计算机技术新型应用技术，在设计和最优化组合方面具有突出特点。
航空照相机的全景图像拼接技术
航空照相机的全景图像拼接技术随着无人机技术的快速发展，航空照相机作为无人机上的重要组成部分，越来越被广泛应用于航空摄影、地理测绘、农业科学等领域。
而其中一项关键技术——航空照相机的全景图像拼接技术，则成为了许多专业摄影师和测绘工作者所关注和探索的重点。
全景图像拼接技术是指将多幅局部重叠的照片通过计算机算法进行自动拼接，生成一幅无缝衔接的大尺寸全景图像的过程。
这项技术的发展，使得我们可以更好地捕捉和保存大范围的景观，更准确地记录和表达真实世界的细节和信息。
航空照相机的全景图像拼接技术的关键在于如何实现照片之间的准确定位和重叠区域的自动识别。
在航空摄影中，由于无人机在拍摄过程中会发生姿态变化和高度变化，这就造成了照片之间的尺度差异和视角变化，在进行图像拼接时增加了一定的难度。
为了解决这一问题，研究人员提出了多种算法和方法。
其中，图像特征点匹配是一种常用的方法。
该方法通过寻找图像中的关键点，并计算关键点的描述子，然后通过匹配关键点和描述子来找到对应的点，从而实现图像的对齐和融合。
此外，还可以利用传感器数据、GPS信息和惯性导航系统等，提高航空照相机姿态、位姿的估计精度，进一步优化图像拼接的结果。
除了关键点匹配，多图像融合算法也是实现航空照相机全景图像拼接的重要手段之一。
该算法通过对多幅图像进行颜色、亮度、对比度等方面的调整，使得图像在拼接后具有一致的外观。
同时，还可以采用多重融合方法，将不同的图像特征和信息进行优化和融合，从而得到更准确的全景图像。
除了技术点的研究，航空照相机全景图像拼接技术的发展还需要考虑到实际应用中的需求和使用场景。
例如，对于航空摄影来说，拼接后的全景图像对于地理测绘、城市规划、农业科学等领域的应用至关重要。
因此，算法的稳定性、拼接效果的准确性和高效性等方面都需要进行综合考虑。
此外，在航空照相机全景图像拼接技术的研究和应用过程中，还需要关注数据的存储和处理。
航空照片的体积通常很大，因此如何高效地存储、传输和处理这些数据，也是一个需要解决的问题。
测绘技术无人机影像配准要点
测绘技术无人机影像配准要点随着科技的迅猛发展，测绘技术也进入了一个全新的时代。
无人机作为一种高效、快速的测绘工具，在测绘领域得到了广泛应用。
然而，无人机测绘的关键环节之一就是影像配准，即将采集的图像与地理坐标系进行对应，以获得准确的地面位置信息。
下面本文将重点介绍无人机影像配准的要点。
一、准备工作在进行无人机测绘之前，首先需要进行一些准备工作，以确保影像配准的精度和效果。
在选用无人机和相机设备时，要根据不同的实际需求选择合适的型号和配置，例如像素大小、航拍速度等。
同时，还需要在地面上设置几个已知地理坐标的控制点，这些点可以用精准测量仪器进行测量，并进行后期处理和校正。
二、采集图像在飞行过程中，无人机会自动拍摄一系列航拍图像，这些图像将作为影像配准的基础数据。
为了获得更好的配准结果，需要注意以下几点：1. 飞行高度和航线间距：合理的飞行高度和航线间距可以保证图像中有足够的地物特征点，有利于配准算法的准确性。
一般来说，越复杂的地形和地貌，需要更加密集的数据采集密度。
2. 飞行速度：过高的飞行速度可能导致拍摄的影像模糊，影响配准的精度，而过低的飞行速度又会导致数据采集的效率低下。
因此，需要根据实际情况选择适当的飞行速度。
3. 光照条件：避免在强烈的光照条件下进行航拍，因为过大的光照差异会对影像配准产生不利影响。
三、影像预处理在进行影像配准之前，需要对采集到的图像进行一些预处理工作，以提高影像配准的精度和稳定性。
主要包括以下几个方面：1. 畸变校正：无人机相机中常常存在着各种畸变，如径向畸变、切向畸变等。
通过使用相机模型进行畸变校正，可以提高影像质量，并减小配准误差。
2. 去除重叠区域：由于航线的重叠，飞行过程中拍摄的图像存在一定的重叠区域，这些重叠区域对于影像配准是冗余和无效的。
因此，在配准之前需要将重叠区域进行去除。
3. 增强对比度：图像的对比度对于影像配准的精度有一定的影响。
通过适当地增强图像对比度，可以提高影像中地物特征点的识别率，从而提高配准的准确性。
无人机后期航片拼接软件PhotoScan详细使用教程
无人机后期航片拼接软件PhotoScan详细使用教程摘要：本文主要介绍一款无人机航片后期处理软件——Agisoft Photoscan，手把手教你完成航片正射影像拼接、生成DEM。
PhotoScan是一款基于影像自动生成高质量三维模型的软件。
使用时无需设置初始值，无需相机检校，利用最新的多视图影像三维重建技术，就可以对具有影像重叠的照片进行处理，也可以通过给予的控制点生成真实坐标的三维模型。
无论是航拍影像还是高分辨率数码相机拍摄的影像都可以使用这个软件进行处理。
整个工作流程无论是影像定向还是三维模型重建过程都是完全自动化的。
PhotoScan可生成高分辨率真正射影像和带精细色彩纹理的DEM模型。
使用控制点可达5cm精度。
完全自动化的工作流程，即使非专业人员也可以在一台电脑上处理成百上千张航拍影像，生成专业级别的摄影测量数据。
航片拼接软件有很多，之前我们使用过Pix4D、Global mapper、EasyUAV、Photoscan，几款软件用下来，无论是操作流程，还是出图效果和速度，Photoscan 的表现都要好于其他几款。
Photoscan是俄罗斯的东西，正版价格4万左右，但是提供30天全功能试用。
对电脑硬件的依赖也比其他要低。
很多人在用的Pix4DMapper是瑞士一家公司的产品，功能上和Photoscan大同小异，但是正版价格可以买2套Photoscan了，而且使用下来，感觉对电脑的要求比Photoscan高不少，16G内存的电脑频频弹窗警告。
PhotoScan优势盘点：支持倾斜影像、多源影像、多光谱影像的自动空三处理支持多航高、多分辨率影像等各类影像的自动空三处理具有影像掩模添加、畸变去除等功能能够顺利处理非常规的航线数据或包含航摄漏洞的数据支持多核、多线程CPU运算，支持CPU加速运算支持数据分块拆分处理，高效快速地处理大数据操作简单，容易掌握处理速度快不足：缺少正射影像编辑修改功能缺少点云环境下量测功能功能介绍：1.软件安装（安装大概15分钟）官网下载软件，安装。
无人机视频流倾斜影像快速拼接方法
无人机视频流倾斜影像快速拼接方法郑晖;黎晓东;渠永平【摘要】为了解决无人机视频流倾斜拍摄快速拼接误差较大的问题,提出一种局部最优的视频流拼接方法.该方法首先利用透视投影的方法将倾斜影像纠正为近似正射影像,消除大倾角影像的几何变形问题;然后利用CUDA技术加速ORB算法,快速得到帧间变换模型;在拼接时动态选取基准面,利用Levenberg-Marquardt算法优化各影像变换到基准面的绝对单应性矩阵完成视频流的序列拼接.实验结果表明:利用该方法获得的拼接影像减小了倾斜拍摄带来的误差,提高了拼接影像的质量.【期刊名称】《科学技术与工程》【年(卷),期】2016(016)032【总页数】7页(P263-268,282)【关键词】视频流拼接;倾斜影像纠正;CUDA;ORB;Levenberg-Marquardt【作者】郑晖;黎晓东;渠永平【作者单位】中国矿业大学(北京)地球科学与测绘工程学院,北京100083;北京大学遥感与地理信息系统研究所,北京100871;北京大学遥感与地理信息系统研究所,北京100871;中北大学,材料科学与工程学院,太原030051【正文语种】中文【中图分类】TP391.41利用无人机平台可以快速获取航拍视频，为了获得较大的视野，一般都是倾斜拍摄，但是由于帧幅较小，无法表达摄区的完整信息，为了快速获取摄区大范围的影像，满足灾害发生时的应急需求，对视频流进行拼接可以快速获取摄区的全貌，为抗震救灾、应急救援提供参考资料，由倾斜摄影获取的视频，其影像的地面分辨率和比例尺处处不同，同一地物在不同时刻呈现的形状差异很大，如果直接利用提取的视频帧进行拼接，不能保证匹配点对的有效性，计算得到的变换模型会有很大误差。
针对倾斜摄影具有较大旋角的特性，张振超等[1]通过ASIFT匹配实验，分析了影像倾斜度与影像匹配有效性的相互关系。
虽然ASFIT算法具有完全仿射不变性，但是计算过程需要处理多张模拟影像的特征点和特征描述子，计算复杂度高，不能用于实时处理。
大规模无人机图像并行拼接方法
大规模无人机图像并行拼接方法随着无人机技术的快速发展，大规模无人机图像的拍摄和处理成为了一个越来越重要的课题。
传统的图像拼接方法无法很好地应对大规模无人机图像的处理需求，因此，研究并开发高效准确的大规模无人机图像并行拼接方法具有重要的意义。
本文将介绍一种基于并行计算的大规模无人机图像拼接方法，以提高图像处理的效率和准确性。
一、概述大规模无人机图像包含大量高分辨率的图像，传统的串行计算方法处理这些图像需要耗费大量时间和计算资源。
因此，采用并行计算的方法可以有效提高图像处理的效率。
本文提出的大规模无人机图像并行拼接方法基于分块处理和GPU加速，并结合相关算法进行图像匹配和拼接，以实现高效准确的图像拼接。
二、方法描述1. 数据准备首先，需要将大规模无人机图像分块，将每个分块的图像单独加载到内存中进行处理。
通过分块加载，可以降低内存的使用量，并且方便后续的并行处理。
2. 并行计算本文采用图像处理中常用的GPU加速技术，将图像匹配和拼接的计算任务分配给多个GPU核心进行并行计算。
GPU的并行计算能力强大，可以同时处理多个图像块，大大提高图像处理的效率。
3. 图像匹配在图像匹配阶段，使用SIFT（Scale-Invariant Feature Transform）算法进行特征提取和匹配。
由于大规模无人机图像存在大量的特征点，可以通过并行计算加速特征点的提取和匹配过程。
通过匹配算法可以得到每个图像块的匹配点集合。
4. 图像拼接根据得到的匹配点集合，使用RANSAC（RANdom SAmple Consensus）算法进行图像拼接。
RANSAC算法能够排除错误匹配点，提高图像拼接的准确性。
同时，通过并行计算可以加速RANSAC算法的执行，从而缩短图像拼接的时间。
5. 图像优化在图像拼接完成后，可以进行一些图像优化操作，如色彩校正、边缘平滑等，以进一步提升图像质量和观感。
三、实验与结果本文采用具有多个GPU核心的计算机进行实验，使用大规模无人机图像数据集进行测试。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
无地面控制的无人机影像全自动快速拼接陈继溢;孙杰;张力;许彪;唐晓霏【摘要】为了满足地理国情监测、灾害应急保障需要快速响应和服务的应用需求，该文提出一种无地面控制的无人机影像全自动快速拼接方法。
该方法利用尺寸不变特征匹配和相关系数匹配获取分布均匀且高精度的像点观测，通过自由网光束法平差获取定向参数和加密点物方坐标，最后通过结合影像的色彩一致性处理和顾及重叠的面 Voronoi 图接缝线网络快速拼接获取测区影像图。
实验结果表明：所提出的方法可有效解决无人机影像的快速拼接问题，获取的影像图具有较高的拼接精度，同时色彩过渡自然。
%For the demand of geographical conditions monitoring and disaster emergency security,this paper presents an automatic and fast method for mosaicking UAV images without ground control data.First,high density match points are obtained by SIFT matching and correlation coefficient matching.Then it acquires the orientation parameters of each image and three-dimensional coordinates of the match points using bundle adjustment.After the color consistency processing,it quickly mosaick the ortho-image of the whole zone based on the seamline network automatically generated using area Voronoi diagrams with overlap.Experiments of two different kinds regions which are mountainous area and flat area show that the given method can efficiently solve the problem of fast mosaicking of UAV images with good precision and nice color consistency.【期刊名称】《遥感信息》【年(卷),期】2015(000)002【总页数】5页(P26-30)【关键词】无人机影像;SIFT 匹配;自由网光束法平差;影像色彩一致性处理;快速拼接;无地面控制【作者】陈继溢;孙杰;张力;许彪;唐晓霏【作者单位】中国测绘科学研究院，北京 100830;中国测绘科学研究院，北京100830;中国测绘科学研究院，北京 100830;中国测绘科学研究院，北京 100830;湖北省测绘工程院，武汉 430074【正文语种】中文【中图分类】TP751无人机低空航测遥感具有机动快速响应、任务执行灵活、高精度影像获取等特点，已被广泛应用到地理国情监测、灾害应急保障、地形图测绘、农业、林业、电力等领域。
随着硬件系统的不断发展与成熟，海量影像数据的快速获取已成为可能，但如何有效解决无人机低空影像重叠度不规则、像幅小、旋偏角大、畸变明显问题，快速获取满足业务部门各种应用需求的成果数据具有重要的现实意义，同时也是目前的研究热点。
针对无人机影像的快速拼接问题，目前大多数处理方法都是采用不同的优化算法在像方空间做尺度不变特征匹配（Scale－invariant feature transform，SIFT），然后根据匹配的同名点进行全景拼接。
刘民选［1］着重研究了无人机影像同名点匹配策略和基于GPU的加速方法；胡庆武等［2］采用基于SIFT特征的单应约束影像匹配算法，计算相邻影像的最优变换矩阵，采取多分辨率融合拼接全景影像；宫阿都等［3］首先进行数据分块，其次运用SIFT算子对分块影像进行自动拼接，最后基于辅助数据对分块拼接影像进行整体二次多项式纠正。
上述方法本质上都是基于像方空间的拼接，对同名点匹配精度和分布的依赖性较高，另外，如果测区地形起伏较大可能会出现明显的拼接错位；刘春等［4］提出基于光束法平差的无人机影像快速拼接方法，并推导了相应的数学模型，但仍然依赖于稀少控制信息。
本文针对地理国情监测、灾害应急保障等应用需求，提出一种无地面控制的无人机影像快速拼接方法。
该方法通过结合SIFT特征匹配、相关系数匹配、分级多层金字塔影像匹配等策略获取分布均匀且高精度的像点观测；利用自由网光束法平差获取影像的定向参数和加密点物方坐标；加密点三角构网并内插获取数字高程模型DEM，利用数字微分纠正获取单片正射影像；最后通过结合基于Wallis滤波器的整体匀色处理和顾及重叠的面Voronoi图接缝线网络［5］快速拼接获取测区影像图数据。
目前，无人机飞行作业时可获取航摄影像及概略的导航POS数据，两者和相机参数作为快速拼接的原始数据；其次，通过初始匹配和数据整理建立测区航带列表；然后进行自动空三处理获取影像的外方位元素和加密点的物方坐标；最后纠正拼接处理获取测区影像图数据。
本文方法的总体流程如图1所示。
2.1 初始匹配（1）SIFT特征匹配1999年，Lowe提出SIFT算法［6］，并于2004年进一步改进该算法，它是一种基于尺度空间的影像局部特征描述算子，对影像的旋转、尺度缩放、仿射变换等保持一定程度的稳定性，可作为较理想的无人机影像初始匹配方法。
利用SIFT进行影像匹配主要分为特征点探测、特征点描述、特征点匹配、误匹配点粗差剔除4个部分。
实际应用中为了提高匹配速度，SIFT特征匹配在金字塔影像上进行，同时利用导航POS数据结合全球航天飞机雷达地形测绘使命（ShuttleRadar Topography Mission，SRTM）数据计算目标影像的邻接关系以确定搜索影像。
误匹配点粗差剔除使用模型参数为透视变换的随机抽样一致性（Random Sample Consensus，RANSAC）方法［7］。
（2）相关系数匹配尽管SIFT特征匹配具有很多优势，但其特征点定位精度不高，特征分布存在不均匀的现象。
为了提高匹配精度同时保证匹配点的均匀分布，本文基于SIFT特征匹配的结果，利用在影像上按规则格网提取的Harris特征点进行更高精度的相关匹配以获取初始匹配像点观测。
无人机影像存在旋转、变形等问题，而在级别较高的金字塔影像上可认为其“视差”具有分段连续平滑的特点。
因此，相关匹配时可利用透视变换重采样搜索窗口的灰度数据，变换参数的计算基于目标点邻近匹配成功的SIFT特征点。
通过SIFT特征匹配和相关系数匹配，可获取点位分布和精度均较为理想的初始匹配点。
一方面可用于自由网光束法平差的像点观测数据，另一方面，可作为后续分级多层金字塔影像匹配的初值使用。
2.2 测区整理无人机机载飞行控制系统的POS数据记录了像片摄影时的概略外方位元素，测区整理时基于摄站的三维坐标（X，Y，Z），同时根据摄影曝光时间的先后顺序排列影像。
算法的基本原则为：航带内相邻像片的方向向量与航带方向的向量积为正，如图2（a）、图2（b）所示。
具体步骤如下：（1）依次计算相邻两张像片摄影中心的方向向量并单位化，记为：（2）设航带方向为→l，初始化为当前并将对应摄站点加入到当前航带；（3）对下一个摄站点，计算向量积s：（4）根据s判断摄站点的航带归属：s＞0，将该点加入到当前航带，同时更新航带方向向量其中，→lnew为更新后的航带方向向量，同时将其单位化，m为当前航带内的像片数量。
实质是将航带内所有相邻像片方向向量的加权值作为航带的方向向量，进而增强航带方向计算的稳健性和适用性；s≤0，当前航带创建完成，重复上述步骤（2）～步骤（4）创建下一航带直至判断完所有摄站点的航带归属。
航带创建完成后，根据其位置关系及初始匹配结果进一步判断像片的旋转方式以完整测区整理。
图3是某测区12条航带共计1963张影像的自动整理结果，为显示需要，图中为摄站点抽稀显示结果。
2.3 自动空三分布均匀、密集且高精度的像点观测对于快速拼接目的而言具有重要意义，主要表现在两方面：①提高自由网光束法平差的精度与可靠性，同时有利于像点观测粗差的自动定位与剔除；②自由网加密点坐标通过三角构网及内插可获取测区的DEM，其描述地形地貌的精细与否在一定程度上影响拼接影像图的精度。
因此，为了获取高密度、高精度的像点观测，本文采用分级多层的金字塔影像匹配策略。
（1）自由网光束法平差光束法平差是空中三角测量中最严密的一步解法，可同时获取影像的外方位元素和加密点的物方坐标。
光束法平差中影像坐标观测是未知数的非线性函数，因此，需反复迭代趋近直至收敛为止。
由于受到各种因素的影响（遮挡、重复纹理、阴影等），自动匹配获取的像点观测中不可避免的存在粗差，平差迭代计算过程中自动检测并剔除粗差是保证平差结果精度与可靠性的关键。
因此，本文选用从稳健估计法出发导出的丹麦法LD1权函数［8］，主要基于两方面的考虑：①无需计算多余观测分量，以节省计算时间；②大量密集且分布均匀的像点观测使得平差系统的平均多余观测分量很大（0.9以上）且分布均匀，从平差系统的可靠性理论来说，粗差能够得到很好地监控。
（2）分级多层金字塔影像匹配本文采用基于物方的铅垂线轨迹法（Vertical Line Locus，VLL）［9］实现从粗到精的金字塔影像匹配策略，如图4所示，其处理过程如下：①确定待匹配目标点最低高程Zmin、最大高程Zmax及高程搜索步距ΔZ。
最上级金字塔影像匹配时直接利用2.1节中的初始匹配结果，后续各级影像需重新提取均匀分布的Harris特征点；②根据目标点平面坐标（X，Y）与可能的高程Z依次重采样搜索影像并计算相关系数（ρ1，ρ2，…，ρn）；③取相关系数最大值ρk对应的高程ZK及像点作为正确的匹配。
另外，多层分级金字塔影像匹配时可根据实际需求设置指定的金字塔匹配级数，提高自动空三的处理效率，进而减少快速拼接的整体处理时间。
2.4 快速拼接快速拼接影像图主要分为三步：首先，三角构网并内插自由网光束法平差的加密点物方坐标可获取测区的DEM；其次，数字微分纠正获取单片纠正影像；最后，单片纠正结果经色彩一致性处理后拼接获取测区影像图数据。
对于植被、建筑物较为密集的城区来说，为了避免单片纠正影像中地物地貌的扭曲变形，需要对空三加密点进行滤波处理，本文选用稳健性、适用性均较为理想的渐进加密三角网滤波算法［10］。