【CN109829853A】一种无人机航拍图像拼接方法【专利】
基于无人机的航拍影像快速拼接技术研究
龙源期刊网
基于无人机的航拍影像快速拼接技术研究
作者：金剑 武海彬 刘文华
来源：《中国管理信息化》2018年第21期
[摘; ; 要] 本文采用基于顾及重叠的面Voronoi图构建影像拼接网络，生成目标区域全部影像所对应的Voronoi多边形，依照影像顺序依次进行镶嵌处理，形成初步拼接成果图。应用基于Wallis滤波器的多片色彩均衡算法，进行影像匀光操作，实现拼接影像间的自然过渡。本文采用C++编程语言实现无人机影像特征提取、粗差消除、光束法平差、影像色彩一致性处理等环节，设计并开发出界面友好型无人机航拍影像自动拼接软件系统，能够快速进行影像拼接处理，获取良好的拼接效果。
[关键词] 无人机影像拼接;拼接线;色彩均衡
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 21. 071
[中图分类号] F270.7;TP391.41; ; [文献标识码]; A; ; ; [文章编号]; 1673 - 0194（2018）21-
0166- 05
1; ; ; 无人机影像镶嵌算法
影像镶嵌（image mosaic）是指对具有重叠区域的多幅影像按照一定规则进行坐标变换，将全部影像规范到统一的坐标框架下，初步拼接成一幅覆盖整个目标区域的大型影像的过程[1]。影像拼接线的自动生成是镶嵌任务中的关键环节，现有的拼接线生成方法多只关注于相邻的两幅影像间单条拼接线生成情况，这类方法在整个拼接区域能构建多条拼接线，各拼接线具有独立性，只能按照影像顺序依次拼接，不利于直接生成最终镶嵌成果图。由于拍摄环境的影响，航空影像内部及影像之间在亮度分布上存在不同程度的差异，对其进行色彩均衡处理可以提升影像清晰度，获取更佳拼接效果，影像匀光操作十分重要。本文介绍无人机影像拼接优化策略，采用基于顾及重叠的面Voronoi图的拼接线网络自动生成算法和基于Wallis滤波器的多片色彩均衡算法，实现无人机影像快速镶嵌与色彩一致性处理操作。
面向无人机水域影像的自动拼接方法
面向无人机水域影像的自动拼接方法
王雅萍;陈宜金;谢东海;吴俣
【期刊名称】《长江科学院院报》
【年(卷),期】2014(031)005
【摘 要】基于无人机航拍的水域影像,研究了该类影像的自动拼接方法.针对水域与陆地共存的影像(水域面积占比例较大,影像灰度值较小),利用SIFT和Harris算子共同提取特征点,再用RANSAC算法对错误匹配进行筛选,从而完成图像拼接.针对影像内容完全是水域的情况,利用无人机携带的POS定向数据辅助图像拼接.最后,以近海面油污监测的实例,阐述了本研究在无人机水资源监测和应急救灾中的实际应用价值.
【总页数】5页(P92-96)
【作 者】王雅萍;陈宜金;谢东海;吴俣
【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;中国矿业大学(北京)地球科学与测绘工程学院,北京100083;首都师范大学资源环境与旅游学院,北京100048;中国科学院遥感与数字地球研究所,北京100094
【正文语种】中 文
【中图分类】P23;TV211.1
【相关文献】
1.大旋角无人机影像全自动拼接方法研究 [J], 胡庆武;艾明耀;殷万玲;袁辉
2.无人机影像自动拼接方法 [J], 陈宏敏;杨朝辉 3.基于三维重建的大区域无人机影像全自动拼接方法 [J], 邹松;唐娉;胡昌苗;单小军
4.基于无人机影像的面向对象建筑物结构分级提取方法研究 [J], 杜浩国;张方浩;卢永坤;曹彦波;邓树荣;和仕芳;张原硕;徐俊祖
5.一种基于特征点的无人机影像自动拼接方法 [J], 鲁恒;李永树;何敬;陈强;任志明
因版权原因，仅展示原文概要，查看原文内容请购买
【CN109934128A】一种用于道路病害检测的航拍图像路面识别方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910146070.0(22)申请日 2019.02.27(71)申请人 长安大学地址 710064 陕西省西安市碑林区南二环路中段(72)发明人 夏晓华 冯志杨 杨人凤 崔露航 吴宇航 付育松 孙乙丁 陈建波 (74)专利代理机构 西安通大专利代理有限责任公司 61200代理人 徐文权(51)Int.Cl.G06K 9/00(2006.01)G06T 7/13(2017.01)G06T 7/136(2017.01) (54)发明名称一种用于道路病害检测的航拍图像路面识别方法(57)摘要一种用于道路病害检测的航拍图像路面识别方法，包括以下步骤：1)利用特征检测算子对航拍图像进行特征检测，得到特征图像；2)对特征图像进行二值化处理；3)通过对图像的Hough变换，将被检测的特征从像素坐标空间变换至参数坐标空间；4)在参数坐标空间中对特征进行筛选，剔除与路面区域无关的特征；5)在像素坐标空间选出与参数坐标空间对应的特征，据此确定航拍图像中的路面区域。本发明能够充分利用道路巡检无人机航拍图像中路面形状特点，提高路
面识别的准确度。
权利要求书1页 说明书3页 附图1页CN 109934128 A2019.06.25
CN 109934128
A1.一种用于道路病害检测的航拍图像路面识别方法，其特征在于，包括以下步骤：1)利用特征检测算子对航拍图像进行特征检测，得到特征图像；2)对特征图像进行二值化处理；3)通过对图像的Hough变换，将被检测的特征从像素坐标空间变换至参数坐标空间；4)在参数坐标空间中对特征进行筛选，剔除与路面区域无关的特征；5)在像素坐标空间选出与参数坐标空间对应的特征，据此确定航拍图像中的路面区域。2.根据权利要求1所述用于道路病害检测的航拍图像路面识别方法，其特征在于，步骤1)对航拍图像进行特征检测确定出图像边缘，具体包括：首先将原始图像转换为灰度图像，然后利用Sobel算子、Prewitt算子或Canny算子对灰度图像进行特征检测提取图像边缘。3.根据权利要求1所述用于道路病害检测的航拍图像路面识别方法，其特征在于，所述的步骤2)首先通过最大类间方差法找到特征图像的最佳阈值，然后以此阈值作为分界线，将特征图像中灰度值高于或等于此阈值的像素设定为255，灰度值低于此阈值的像素设定为0。4.根据权利要求1所述用于道路病害检测的航拍图像路面识别方法，其特征在于，所述的步骤3)至步骤5)利用Hough变换检测出图像中的直线或曲线。5.根据权利要求4所述用于道路病害检测的航拍图像路面识别方法，其特征在于，所述Hough变换的具体步骤包括：首先确定被检测直线或曲线的参数方程，根据参数个数建立参数坐标系，并将参数坐标系量化成网格或网块；然后利用参数方程将二值化图像中的特征点映射到参数坐标空间中，在参数坐标系中对映射的特征进行计数。6.根据权利要求1所述用于道路病害检测的航拍图像路面识别方法，其特征在于，步骤4)采用阈值法对图像的特征进行筛选，阈值范围为0.2H～2H，其中H为图像的高度值。7.根据权利要求1所述用于道路病害检测的航拍图像路面识别方法，其特征在于，所述的步骤5)中路面区域是指图像边界以及道路两侧边线所围成的区域；
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。
基于SURF特征的无人机航拍图像拼接方法
基于SURF特征的无人机航拍图像拼接方法
吴如梦;方挺;李文钦
【摘 要】设计了一种基于SURF特征的无人机航拍图像拼接方法.该方法首先对无人机航拍得到的图片进行预处理,利用几何校正和辐射校正方法对原始图像进行校正,为后续图像的拼接工作做准备;其次,根据无人机飞行高度、速度以及搭载相机参数信息,使用加速鲁棒性的SURF算法对预处理后的图像进行特征检测;再次,利用无人机飞行状态参数等信息对无人机航拍图像配准算法进行研究和改进,使后续图像拼接结果更加准确可靠;最后,采用一种改进的加权平均融合算法对图像进行拼接.此方法不但可以降低图像融合难度,而且可以消除在拼接过程出现的接缝,生成高清晰、平滑过渡的全景图像.
【期刊名称】《现代制造技术与装备》
【年(卷),期】2019(000)008
【总页数】3页(P34-36)
【关键词】图像处理;SURF特征;图像配准
【作 者】吴如梦;方挺;李文钦
【作者单位】安徽工业大学 电气与信息工程学院,马鞍山 243000;安徽工业大学 电气与信息工程学院,马鞍山 243000;安徽工业大学 电气与信息工程学院,马鞍山
243000
【正文语种】中 文
如何在无人机航空图像拼接系统中快速、准确地进行图像拼接，已成为图像处理与映射领域的一个研究热点。图像拼接技术目标是将几张无人机航拍图像图像拼接成一张全景图，其中最为关键的部分在于找到合适的算法来计算待拼接图的重叠区域。近年来，经过研究者们的努力以及科学技术发展，相关拼接算法在航拍图像领域推陈出新，使得拼接效果显著提高，拼接速度也得到了进一步提升。
早在1970年，P.E.Anuta就使用了一种基于频率域的Fourier-Mellin图像配准算法，该算法在很大程度上提高了图像配准速率，使加快整体图像拼接过程成为可能。Reddy和Chatterji在文献中提出了基于快速傅里叶变换算法，该算法可以实现变换后的图像配准，如图像平移、图像旋转以及图像缩放等。国内的田单等人于2009年将经验模态分解与互信息进行结合，进一步提高了图像配准算法稳定性；D.H.Kim等人在空间域基于灰度信息配准算法中，根据图像灰度分布特点，通过减少待匹配图像间灰度差异，求取了投影变换矩阵，完成图像配准。
无人机航拍图像拼接的研究与实现
龙源期刊网
无人机航拍图像拼接的研究与实现
作者：罗彬 汤博麟 刘克文
来源：《中国科技博览》2017年第08期
[摘 要]针对无人机航拍图像的特点，采用基于图像特征的拼接技术，实现了无人机航拍图像的无缝拼接。
[关键词]无人机；图像拼接
中图分类号：TP391.41 文献标识码：A 文章编号：1009-914X（2017）08-0182-02
1 图像拼接的原理与实现过程
1.1 特征点提取
1.1.1 常用的特征点提取算法比较
目前，应用比较广泛的特征点提取算法有Moravec、Harris、SUSAN、SURF、SIFT等算法。从图像拼接的应用中比较了Harris和SIFT算法。SIFT算法具有良好的尺度和旋转不变性，但是算法复杂运算速度慢；而Harris算法运算速度快且在旋转图像的拼接上效果更好。由于Harris算法计算简单、稳定性高、具有很好的鲁棒性，即使图像存在旋转、亮度变化和干扰噪声，也能精确检测出图像中的特征点，因此本文采用Harris算法提取待拼接图像的特征点。
1.1.2 Harris算法的原理
Harris特征点检测算法是C.Harris和M.Stephens在Moravec算法的基础上，提出的一种经典的基于信号的特征点提取算法。Harris算法的原理是在图像中的一个小的观察窗口内，在特征点处窗口沿任意方向移动微小的距离都会观察到图像灰度值的剧烈变化。定义窗口内灰度值的变化量：
（1）
式中w（x，y）为窗口函数。为了较好地抑制噪声，窗口函数选用高斯函数：
（2）
对式（1）用泰勒级数展开，取一阶近似可得：
（3） 龙源期刊网
式中，
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。 2.3 无人机遥感图像特点
一种改进的无人机影像拼接方法
Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用
一种改进的无人机影像拼接方法
王勃 ，龚志辉 ，靳克强 ～，张一平
ＷＡＮＧ Ｂｏ ，ＧＯＮＧ Ｚｈｉｈｕｉ ，ＪＩＮ Ｋｅｑｉａｎｇ ’‘，ＺＨＡＮＧ Ｙｉｐｉｎｇ
１．信息工程大学测绘学院，郑州４５００５２
２．中国人民解放军９６６３３部队
１．Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｕｒｖｅｙｉｎｇ ａｎｄ Ｍａｐｐｉｎｇ，Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ ４５００５２，Ｃｈｉｎａ
２．Ｔｒｏｏｐｓ ９６６３３．Ｔｈｅ Ｃｈｉｎｅｓｅ Ｐｅｏｐｌｅ’Ｓ Ｌｉｂｅｒａｔｉｏｎ Ａｒｍｙ
ＷＡＮＧ Ｂｏ，ＧＯＮＧ Ｚｈｉｈｕｉ，ＪＩＮ Ｋｅｑｉａｎｇ。ｅｔ ａ１．Ｉｍｐｒｏｖｅｄ ＵＡＶ ｉｍａｇｅ ｍｏｓａｉｃ ｍｅｔｈｏｄ．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａ—
ｆｉｏｎｓ，２０１１，４７（３５）：１８４．１８７．
Ａｂｓｔｒａｃｔ：ＳＩＦＴ ａｌｇｏｒｉｔｈｍ ｉｓ ｗｉｄｅｌｙ ｕｓｅｄ ｉｎ Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ（ＵＡＶ）ｉｍａｇｅ ｓｅｑｕｅｎｃｅ ｍｏｓａｉｃ．Ｓｉｎｃｅ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ
ＳＩＦＴ－ｂａｓｅｄ ｉｍａｇｅ ｍｏｓａｉｃ ｔａｋｅｓ ｈｉｇｈｌｙ ｃｏｍｐｕｔａｔｉｏｎａｌ ｃｏｓｔ，ｔｈｒｏｕｇｈ ａｎａｌｙｚｉｎｇ ｔｈｅ ｈｏｍｏｇｒａｐｈｙ ｒｅｌａｔｉｏｎｓ ｂｅｔｗｅｅｎ ｔｈｅ ｏｒｉｇｉｎａｌ
ｉｍａｇｅｓ ａｎｄ ｔｈｅ ｄｏｗｎ－ｓａｍｐｌｉｎｇ ｉｍａｇｅｓ，ａ ｍｅｔｈｏｄ ｆｏｒ ｉｍｐｒｏｖｉｎｇ ｍｏｓａｉｃ ｓｐｅｅｄ ｉｓ ｐｒｏｐｏｓｅｄ．Ｔｈｅ ｒｏｌｅ ｏｆ ｖａｒｉｏｕｓ ｐａｒａｍｅｔｅｒｓ ｏｆ
ＳＩＦＴ ｆｅａｔｕｒｅ ｄｅｔｅｃｔｏｒ ｉｓ ｄｅａｌｔ ｗｉｔｈ，ａｎｄ ａ ｍｅｃｈａｎｉｓｍ ｏｆ ｍｏｓａｉｃ ｐａｒａｍｅｔｅｒ ｓｅｌｅｃｔｉｏｎ ｉｓ ｄｅｒｉｖｅｄ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ
一种基于无人机位姿信息的航拍图像拼接方法-程争刚
第４５卷第６期２０１６年６月测绘学报ＡｃｔａＧｅｏｄａｅｔｉｃａｅｔＣａｒｔｏｇｒａｐｈｉｃａＳｉｎｉｃａＶｏＩ．４５，Ｎｏ．６Ｊｕｎｅ，２０１６
引文格式：程争刚，张利．一种基于无人机位姿信息的航拍图像拼接方法ＥＪ］．测绘学报，２０１６，４５（６）：６９８—７０５．ＤＯＩ：１０．１１９４７／ｊ．ＡＧＣＳ．２０１６．２０１５０５６７．ＣＨＥＮＧＺｈｅｎｇｇａｎｇ，ＺＨＡＮＧＬｉ．ＡｎＡｅｒｉａｌＩｍａｇｅＭｏｓａｉｃＭｅｔｈｏｄＢａｓｅｄｏｎｕＡＶＰｏｓｉｔｉｏｎａｎｄＡｔｔｉｔｕｄｅＩｎｆｏｒｍａｔｉｏｎＥＪ］．ＡｃｔａＧｅｏｄａｅｔｉｃａｅｔＣａｒｔｏｇｒａｐｈｉｃａＳｉｎｉｃａ，２０１６，４５（６）：６９８—７０５．ＤＯＩ：１０．１１９４７／ｊ．ＡＧＣＳ．２０１６．２０１５０５６７．
一种基于无人机位姿信息的航拍图像拼接方法
程争刚，张利
清华大学电子工程系，北京１０００８４
ＡｎＡｅｒｉａｌＩｍａｇｅＭｏｓａｉｃＭｅｔｈｏｄＢａｓｅｄｏｎＵＡｖＰｏｓｉｔｉｏｎａｎｄＡｔｔｉｔｕｄｅ
Ｉｎｆｏｒｍａｔｉｏｎ
ＣＨＥＮＧＺｈｅｎｇｇａｎｇ，ＺＨＡＮＧＬｉ
ＤｅｐｏｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００８４，Ｃｈｉｎｏ
Ａｂｓｔｒａｃｔ：Ａｓｔｈｅｅｘｉｓｔｉｎｇｍｅｔｈｏｄｓｆｏｒａｅｒｉａｌｉｍａｇｅｍｏｓａｉｃｔａｋｅｈｉｇｈｃｏｍｐｕｔａｔｉｏｎａｌ，ａｆａｓｔａｎｄｅｆｆｅｃｔｉｖｅ
ａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅｐｏｓｉｔｉｏｎａｎｄａｔｔｉｔｕｄｅｉｎｆｏｒｍａｔｉｏｎｏｆｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｓ（ＵＡＶ）ｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｃｏｏｒｄｉｎａｔｅｓａｎｄａｔｔｉｔｕｄｅａｎｇｌｅｓｏｆＵＡＶｃａｎｂｅｏｂｔａｉｎｅｄｂｙａｉｒｂｏｒｎｅＧＰＳａｎｄｉｎｅｒｔｉａｌ
ｍｅａｓｕｒｅｍｅｎｔｕｎｉｔ（ＩＭＵ），ａｎｄｅａｃｈａｅｒｉａｌｉｍａｇｅｈａｓａｃｏｒｒｅｓｐｏｎｄｉｎｇｐｏｓｉｔｉｏｎａｎｄａｔｔｉｔｕｄｅｉｎｆｏｒｍａｔｉｏｎ．Ｔｈｅ
【CN109886238A】基于语义分割的无人机航拍图像变化检测算法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910155274.0(22)申请日 2019.03.01(71)申请人 湖北无垠智探科技发展有限公司地址 430000 湖北省武汉市硚口区沿河大道建一路知音桥下方汉江湾公园内(72)发明人 余诗凡 (74)专利代理机构 武汉智汇为专利代理事务所(普通合伙) 42235代理人 李恭渝(51)Int.Cl.G06K 9/00(2006.01)G06K 9/62(2006.01)G06K 9/32(2006.01)G06K 9/34(2006.01) (54)发明名称基于语义分割的无人机航拍图像变化检测算法(57)摘要本发明的基于语义分割的无人机航拍图像变化检测算法，利用无人机在两个不同时间段对同一地点进行拍摄采集图像数据，获得原始图片，其特征在于包括如下步骤：S1、制作标签编码集；S2、制作训练集；S3、训练生成语义分割网络；S4、获得两张语义分割结果图；S5、获得变化检测结果。本发明的算法充分利用到了图像的语义级别的特征，由于构造了一些辅助训练集训练，使得训练出来的网络能学到一些广义的特征，最终的检测效果也比利用传统的手工特征精度要高；本发明的方法最终变化结果除了可以判断是否发生了变化外，还可以检测出变化的类别，目前可以识别出16种变化类别，更符合实际研究问题
中针对变化检测的一些需求。
权利要求书3页 说明书9页 附图5页CN 109886238 A2019.06.14
CN 109886238
A1.基于语义分割的无人机航拍图像变化检测算法，利用无人机在两个不同时间段对同一地点进行拍摄采集图像数据，获得原始图片，其特征在于包括如下步骤：S1、制作标签集：对原始图片进行标注获得带标签的图片；S2、制作训练集：对带标签的图片进行数据预处理，得到输入到语义分割网络中进行训练的训练集图片；S3、训练生成语义分割网络：将预处理好的的图片送入到设计的语义分割网络中进行语义分割操作，生成训练好的语义分割网络模型文件；S4、获得两张语义分割结果图：将待检测的两个时间段的图片分别输入到S3步骤训练好的语义分割网络模型中，得到两张语义分割结果图；该结果作为后续变化判断的基本条件；S5、获得变化检测结果：经过S4步骤的处理后，每个相时的图像都会得到一个语义级别的分割结果，即图像中每一个像素都会有对应的一个标签，对每个像素的标签进行对比，做分类后的变化检测，得到变化检测结果。2.根据权利要求1所述的无人机航拍图像变化检测算法，其特征在于，所述步骤S1中对原始图片进行标注获得带标签的图片的具体方法为：打开航拍图片，使用图片标注软件进行地物勾画分类，将原始图片上所有像素分成预先设定好的类别，并生成一张带有标注记号的新图片，将不同类别的像素以不同的数据进行保存。3.根据权利要求2所述的无人机航拍图像变化检测算法，其特征在于所述步骤S2中对带标签的图片进行数据预处理的具体方法包括如下步骤：步骤21：随机裁剪原图和带标签的图片，首先要先将图像进行随机裁剪，裁剪成合适数量的合适大小的图片，无法整处的剩余部分做补零处理继续生成1张合适大小图片；步骤S22：图片进行数据增强，为了增强语义分割网络的鲁棒性以及语义分割网络的训练精度，我们对裁剪好的图片进行数据增强，具体操作有随机Gamma变换、旋转、模糊、随机添加噪声中的一种或几种的组合；S23、获取验证集，对带标签的图片进行数据预处理后的图片构成的训练集中获取其中的设定合适比例数量的图片做为验证集，用来后续选择最佳的语义分割网络。4.根据权利要求1或3所述的无人机航拍图像变化检测算法，其特征在于所述步骤S3中生成训练好的语义分割网络模型文件的具体方法包括如下步骤：S31、对基于DenseASPP的网络模型进行改进，首先初始化网络的所有参数；S32、将训练集输入到设计好的网络中进行训练，其中网络包括一个基础卷积网络之后衔接一个多级扩张卷积层，其感受野采用3×3的核来作为扩张基准，其扩张率d<24；基础网络输入图片大小为合适的设定值，通过各级扩张卷积组合，特征图上的神经元再对多个尺度的语义信息做标签编码，其中不同的中级特征图对来自不同尺度的信息做标签编码，最终输出非常密集覆盖大范围语义信息的特征；其标签结果存放在与该图一样尺寸的全零辅助图片中；优化函数选择批次梯度下降法Batch Gradient Descent，Batch大小设置为合适的数值，网络迭代合适的次数进行训练；S33、每次训练用之前步骤S2获取的验证集来测试网络，