第1章 引言
1.1 研究目的与意义
近年来，随着小型无人机（Small Unmanned Aerial Vehicle, SUAV）技术的发展，利用小型无人机来获取低空遥感图像已经成为了遥感发展的主要趋势之一。传统的卫星遥感在对地监测领域，有着诸多的受限，比如云层的遮挡、获取的图像分辨率较低，不能对同一地点进行持续的监测等。但小型无人机由于其轻便、容易操作、灵活性高的特点，使其能便捷地获取需监测区域的低空遥感图像，因此小型无人机在对地监测领域（如自然灾害评估、变化检测、环境监测等）有着越来越广泛的应用。图 1.1 展示了小型无人机正在进行对地垃圾监测工作。
图 1.1 小型无人机正在进行对地垃圾监测工作的图示
............................
1.2 相关研究现状
根据目前的研究现状，主流的图像配准方法可以大体分为两类：基于区域的方法（area-based）和基于特征的方法（feature-based）[4]。基于区域的图像配准方法使用每一个像素的强度来评估两幅图像的相似度，通过不断的优化能量方程，来降低两幅图像的差异度。基于特征的图像配准方法首先提取两幅图像中的某些显著特征（如: 轮廓、特征点、线），然后对这些特征进行对应关系的评估，最后依靠评估出的对应关系来得到图像变换的形变系数，通过该系数和对应的形变模型，将整张感知图像与参考图像转换到同一坐标系下。由于低空遥感图像具有空间分辨率高，重叠区域小，拍摄视角变化大的特点，基于区域的方法并不能获得良好的配准效果，并且会存在极高的计算量造成极大的时间开销。因此在本文当中，将重点关注于相关的基于特征的图像配准算法。
如图 1.3 所示，基于特征的图像配准方法主要包含有特征提取、对应关系评估、图像变换三个步骤：（1）特征提取：在此步骤当中，利用特征点探测方法如尺度不变特征（SIFT）[5]，尺度不变特征的变种[6][7][8]，哈里斯角点探测器(Harris)[9]等，从感知图像与参考图像中提取出具有代表性和显著性的特征点。（2）对应关系评估：利用上一步当中提取出的特征点，根据像素信息，描述子信息，几何结构信息，邻域信息等，将从感知图像与参考图像中提取的出来的特征点集合中的特征点建立对应关系。（3）图像变换：利用对应关系评估阶段构建的点集间的对应关系来构建一个图像变换函数，利用这个图像变换函数将感知图像对齐到参考图像上。
图 1.3 基于特征的图像配准方法的三个主要步骤图示
第2章 研究使用的关键技术
2.1 基于特征点的图像配准技术
基于特征点的图像配准技术，通过提取图像中的某些特征来评估对应关系，再依据评估出的对应关系来计算出形变模型，将感知图像对齐到参考图像之上。基于特征点的图像配准方法往往应用在具有较大形变且图像大小较大的图像配准工作上，可以有效的降低算法的时间复杂度，并且能得到一个较为稳定的图像配准结果。如图 2.1 所示，对于小型无人获取的低空遥感图像，其图像配准步骤可以分为三个步骤：1.特征的提取，2.对应关系的评估，3.图像形变。
在特征提取步骤往往会使用一些较为成熟的特征描述子，如尺度不变特征等来进行特征点的提取。大多数特征描述子往往还具有预匹配的能力，有的使用最简单的欧式距离来找出预匹配，还有的为了更为鲁棒的匹配结果使用最近邻距离比率（NNDR），只有在最近的距离与次近的距离大于一个比值时，才将该对匹配认为是一对正确匹配，这保证了该最近距离的显著性，并使其具有一定的鲁棒性。在有些简单的任务当中，仅仅利用特征描述子给出的预匹配，跳过对应关系评估步骤即可获得优良的图像配准结果。但面对小型无人机低空遥感图像这种存在复杂形变的情况，仍然需要进行对应关系评估来得到鲁棒的特征匹配结果，以进一步评估图像的形变系数。
在对应关系的评估步骤，有许多种方法致力于寻找出一个鲁棒的特征匹配结果。对于预匹配的进一步挖掘，是大多数此类方法都使用的策略。基于点集配准的方法可以不依赖于预匹配的结果，逐步的迭代，根据最后特征点之间的距离小于一个阈值来确定对应关系，但在此类方法的先验当中加入预匹配，可以极大的提高算法的收敛速度，并且避免陷入局部最优当中。基于邻域信息、重采样、图匹配、学习的方法，这 4 类方法都是在预匹配集合的基础之上，采用不同的策略，剔除掉错误的匹配，保留正确的匹配。为了在后续步骤当中获得一个较好的图像配准结果，对应关系评估步骤一定需要在保证正确匹配的评估正确率的情况下，尽可能召回所有的正确匹配，这样才能保证图像配准的结果不出现扭曲且在棋盘图上各方格之间表现得连续。
.........................
2.2 特征点提取
特征点的提取是基于特征的图像配准算法中的一个关键步骤，提取出数量丰富且具有代表性的特征点能够为后续的对应关系评估步骤以及图像配准步骤提供有力的支撑。特征点的提取主要有两种方式，第一种是将边缘检测的结果进行离散化后得到相应的特征描述子，第二种是利用角点/特征点描述子直接得到相应的特征描述子。
边缘检测[39]的目的是寻找出物体的边缘，即在图像中表现为灰度变化十分明显的区域。对于目标区域的边缘描述，一般从边缘的方向、边缘的法线方向、边缘的位置、边缘的强度这 4 点来进行。在边缘的方向上，所有的像素拥有类似的强度，灰度的分布均匀，能展现出目标的轮廓特征。在边缘的法线方向上，灰度的变化十分明显，比如前景到背景的过渡就是在边缘的法线方向上。边缘的位置记录所有灰度变换不明显的区域，根据边缘的方向即可确定边缘的位置。边缘的强度记录了边缘的像素强度，以及确定边缘的变化阈值。经典的边缘算子有Sobel 算子[40]、拉普拉斯算子[41]、Canny 算子[42]等。Sobel 算子[40]基于边缘附近像素的灰度加权值达到极值这一特征来识别出边缘。其优势在于通过平滑噪声对图像进行降噪处理以更好的定位方向信息，但是存在着不能准确识别边缘位置的缺点。拉普拉斯算子[41]根据二阶导数将在边缘处产生零交叉的原理来进行边缘检测，但拉普拉斯算子对于噪声比较敏感并且会产生很多虚假的响应，因此在应用该算子时往往会加入相应的图像降噪步骤，以得到更为鲁棒的边缘检测结果。Canny 算子[42]首先通过高斯滤波器来对图像进行处理，然后对得到的梯度图像进行抑制，最后通过判断连通性来确定目标的边缘。Canny 算子具有检测边缘错误率低，定位的边缘与真实边缘距离非常近的优点。
.............................
第 3 章 基于局部异常因子与旋转不变特征的小型无人机低空遥感图像配准 .......................... 19
3.1 方法主要流程 ...............................19
3.2 构造样本与计算样本距离 ..................................22
第 4 章 实验验证..................................... 36
4.1 运行时间分析 ...............................37
4.2 旋转不变特征的有效性验证 ........38
第 5 章 总结与展望..................... 47
5.1 总结 ...........................47
5.2 展望 ..............................48
第4章 实验验证
4.1 运行时间分析
由于本文的方法与对比使用的方法使用的编程实现语言不同，难以给出一个较为客观的运行时间比较，因此在这一节当中，本文将仅仅展示提出的方法的运行时间。实验的数据由 55 对图像中随机抽取一对图像产生。将该对图像产生的预匹配随机的增加或者减少以产生 30 组实验数据（以每组 100 对预匹配为间隔，最小的一组有 100 对预匹配，最大的一组有 3000 对预匹配） 。
如图 4.1 所示，在预匹配数量较少时，尤其是预匹配数量小于 500 对时，本文所提出的方法能非常快速的给出结果。然而，随着预匹配数量的增加，本文所提出的方法的运行时间呈现出以指数形式的增长，在 3000 对预匹配时，需要花费将近 7 秒的时间才能给出给出正确的匹配结果。这种呈指数级增长的较高时间复杂度将会是后续工作需要解决的问题。
图 4.1 所提出的方法在不同的预匹配数量下的运行时间的图示
第5章 总结与展望
5.1 总结
小型无人机获取低空遥感图像来进行对地监测已经慢慢地成为了一种趋势，但是由于自然因素、人为因素、设备因素的影响，小型无人机在同一场景获取图像时往往会产生旋转、尺度变化、非刚性形变等问题，从而严重地影响后续应用的准确性。为了解决这些问题，本文提出了一种基于局部异常因子与旋转不变特征的小型无人机低空遥感图像配准算法。该算法将特征点的空间位置、运动一致性、邻域几何结构信息、图像块局部信息相结合，进行鲁棒的对应关系评估。本文的主要贡献有如下 4 点：
1.设计了基于局部异常因子的特征匹配，将运动向量以及空间坐标结合来构建样本，以表达特征点的空间位置以及运动一致性。
2.为了挖掘出邻域信息，设计了旋转不变特征。该旋转不变特征对各种形变具有不变性，能稳定地描述各匹配的对应关系。
3.为了计算出更为鲁棒的样本间距离，使用设计的旋转不变特征来构建邻域结构不变描述子，并通过神经网络将描述子与提取的邻域图像信息之间互相融合，最后得到各个样本间距离的惩罚因子。
4.由于点集在初始位置时，对应点的空间坐标差异较大，因此本文使用了近似薄板样条插值来拉近源点集与目标点集之间的距离，以降低后续对应关系评估步骤的难度，提高算法的性能。
实验结果表明，该算法与 6 种算法的对比当中，取得了最优的特征匹配结果，并且具有最为平滑的图像配准结果。
在应用方面，本算法可以结合变化检测、神经网络技术应用于小型无人机对地垃圾监测领域，并且在其它小型无人机收集的图像事后处理领域也有一定的应用价值。如果想将其应用于小型无人机收集低空遥感图像的实时处理领域，还应该降低算法的时间复杂度，尤其是在旋转不变特征描述子的构建步骤，应设计出时间复杂度更低的特征描述子。
参考文献（略）