基于改進(jìn)的DISK 算法的農(nóng)林航拍圖配準(zhǔn)研究

摘 要：針對無人機(jī)的農(nóng)林航拍圖像配準(zhǔn)算法存在特征點(diǎn)識別較少、特征點(diǎn)匹配不精準(zhǔn)等問題，提出了一種改進(jìn)的離散關(guān)鍵點(diǎn)（Discrete Key point，DISK）算法。該算法首先采用梯度策略DISK算法對特征點(diǎn)進(jìn)行有效描述;其次采用基于深度學(xué)習(xí)局部特征的匹配方法進(jìn)行預(yù)匹配;最后利用RANSAC算法去除離群點(diǎn)，篩選匹配結(jié)果。為驗(yàn)證算法的有效性，選取了幾組農(nóng)業(yè)航拍圖像的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)比較。實(shí)驗(yàn)結(jié)果顯示，與經(jīng)典的SIFT、Dark feat算法及原始的DISK算法相比，改進(jìn)的DISK算法顯著提高了匹配精度，匹配精度由41.7%提升至98.9%，充分滿足農(nóng)林航拍圖的匹配需求。

關(guān)鍵詞：農(nóng)林航拍圖;梯度策率;局部特征;圖像配準(zhǔn);DISK算法

中圖分類號：TP306 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

航空攝影技術(shù)已日益成為監(jiān)測和管理農(nóng)林資源不可或缺的手段。然而，與城市建筑航拍影像相比，農(nóng)林航拍影像具有圖案不規(guī)則、植被復(fù)雜等特點(diǎn)。為了有效支持后續(xù)的圖像拼接工作，需要獲得更多的特征點(diǎn)數(shù)據(jù)集和更準(zhǔn)確的特征匹配。鑒于農(nóng)林航空影像的這些獨(dú)特特性，傳統(tǒng)的人工影像匹配已經(jīng)無法滿足高精度要求。因此，開發(fā)一種高效、精準(zhǔn)的自動(dòng)圖像匹配技術(shù)成為破解該難題的關(guān)鍵[1]。

為了滿足無人機(jī)拍攝的農(nóng)林圖像配準(zhǔn)對特征點(diǎn)精確定位與正確匹配的高要求，并兼顧實(shí)時(shí)性能，本文在DISK算法的基礎(chǔ)上進(jìn)行了拓展，不僅延續(xù)了DISK算法端到端的局部特征點(diǎn)提取方法的優(yōu)勢，還融合了基于深度學(xué)習(xí)的匹配方法對特征點(diǎn)進(jìn)行高效精準(zhǔn)的正誤匹配。本文提出的改進(jìn)算法具有自適應(yīng)特性，可根據(jù)圖像的難易程度靈活調(diào)整匹配策略。為了進(jìn)一步提升匹配結(jié)果的準(zhǔn)確性，在隨機(jī)抽樣一致性（RandomSample Consensus， RANSAC）算法的基礎(chǔ)上對匹配結(jié)果進(jìn)行過濾[2]。本文采用相同的數(shù)據(jù)集進(jìn)行不同算法的匹配對比試驗(yàn)，驗(yàn)證改進(jìn)算法在圖像自動(dòng)匹配方面的正確性與優(yōu)越性，以及是否在一定程度上改善了匹配表現(xiàn)。

1 相關(guān)工作（Related work）

提取局部特征的過程通常涉及找到關(guān)鍵點(diǎn)、估計(jì)其方向以及計(jì)算描述向量3個(gè)步驟。LOWE[3]提出了SIFT算法，它的設(shè)計(jì)目的是在不同尺度和旋轉(zhuǎn)條件下保持特征的不變性。SIFT算法主要用于圖像配準(zhǔn)、目標(biāo)識別和三維重建等計(jì)算機(jī)視覺任務(wù)，但是計(jì)算速度相對較慢，需要大量的存儲(chǔ)空間，不適用于實(shí)時(shí)應(yīng)用。為了加速并提高SIFT算法的性能，BAY等[4]提出了SURF算法，即一種用于圖像處理和計(jì)算機(jī)視覺任務(wù)的特征提取算法，能在保證尺度、旋轉(zhuǎn)和光照不變的同時(shí)，通過一系列優(yōu)化步驟提高計(jì)算速度，但精度較低。OAD等[5]提出了ORB 算法，它結(jié)合了FAST （Features from AcceleratedSegment Test）關(guān)鍵點(diǎn)檢測和BRIEF描述符，旨在提供高效的特征提取和匹配，特別適用于對實(shí)時(shí)性要求高的應(yīng)用。JIANG 等[6]提出了AKAZE算法，旨在提供對圖像變化具有高魯棒性的特征點(diǎn)，它的不足之處是計(jì)算速度較慢，對噪聲敏感。ROTHSTEIN等[7]提出了Super Point算法，它的設(shè)計(jì)旨在實(shí)現(xiàn)在實(shí)時(shí)性要求較高的計(jì)算機(jī)視覺應(yīng)用中執(zhí)行特征點(diǎn)提取的任務(wù)。Super Point利用深度學(xué)習(xí)技術(shù)，以端到端的方式學(xué)習(xí)特征點(diǎn)的位置和描述符。TILLENIUS[8]提出了Super Glue算法，Super Glue的目標(biāo)是處理圖像匹配中的關(guān)鍵點(diǎn)匹配，并有效建模這些關(guān)鍵點(diǎn)之間的對應(yīng)關(guān)系。