【摘要】：無人機遙感在勘探救援、災(zāi)情評估、災(zāi)后重建等領(lǐng)域的重要性日漸凸顯,而無人機影像數(shù)據(jù)處理的2大關(guān)鍵技術(shù)即快速拼接和信息提取仍處于研究階段。針對SURF算法和SVM算法存在的問題,首先對SURF-64與SURF-36進行比較,并經(jīng)實驗證明采用64維向量描述特征點更適合于無人機影像數(shù)據(jù)處理,可達到高效、準確拼接的目的;然后采用2種改進SVM算法對拼接影像進行信息提取,并與傳統(tǒng)SVM算法進行比較。實驗表明,2種改進算法在信息提取精度、算法泛化能力方面均有不同程度的提高和增強。
【圖文】：

1基礎(chǔ)知識1．1SUＲF算法原理SUＲF(speed-uprobustfeatures)稱為快速魯棒性尺度不變特征提取，是一種采用積分圖像、Haar小波變換、近似的Hessian矩陣運算的局部特征點檢測算子［8，9］。SUＲF特征點的描述是指在一個矩形區(qū)域內(nèi)計算圖像的Haar小波響應(yīng)，描述向量的維數(shù)可采用128維、64維、36維。首先以某一特征點為中心，設(shè)定一個大小20s×20s的矩形區(qū)域，并把坐標軸旋轉(zhuǎn)到確定的主方向上，然后將該矩形區(qū)域劃分成若干子區(qū)域，36維描述子劃分為3×3共9個子區(qū)域，64維描述子劃分為4×4共16個子區(qū)域，圖1所示為SUＲF-64。計算每個子區(qū)域內(nèi)每個像素點的Haar小波分別在x，y方向的響應(yīng)，記為dx，dy，求和記為∑dx，∑dy，絕對值求和記為∑dx，，∑dy。最終每個子區(qū)域由一個4維向量V=∑dx，∑dy，∑dx，∑d()y表示，則可形成9個子區(qū)域的36維描述向量或16個子區(qū)域的64維描述向量。1．2SVM算法原理SVM(supportvectormachine)算法的原理是依托于結(jié)構(gòu)風(fēng)險最小和VC維理論的，它能夠在模型的復(fù)雜性和學(xué)習(xí)能力之間，僅通過有限的樣本信息而搜尋到最佳折衷［10－12］。2類判別問題是SVM最簡單的情況，假設(shè)訓(xùn)練集合A=(xi，yi{)1≤i≤N}包含N個樣本，來自2類{ω1，ω2}，其中yi∈{+1，－1}表示類別。首先由線性分類表示一個超平面，且該超平面可正確分類訓(xùn)練集合A中的N個訓(xùn)練樣本，即g(x)=ωTx+ω0=0，(1)然后根據(jù)置信范圍以及經(jīng)驗風(fēng)險得到?jīng)Q策函數(shù)，并使其期望風(fēng)險上界達到最校SVM算法的核心是定義合適的核函數(shù)，不同的核函數(shù)代表不同的算法［13］，最常用的核函數(shù)為基于徑向基函數(shù)ＲBF核函數(shù)———K(x，xi)=e－

2基于SUＲF-64特征匹配的無人機影像快速拼接為了選擇更適合無人機影像的快速拼接算法，針對SUＲF算法描述向量維數(shù)的選擇，基于Haar小波響應(yīng)的特征點描述，本文對匹配效率較高的SUＲF-64與SUＲF-36進行實驗對比分析。實驗數(shù)據(jù)選取Sky-01C中型無人機遙感系統(tǒng)2009年5月拍攝的我國西南某鎮(zhèn)的無人機影像。該系統(tǒng)配備為Canon5DMarkII，全畫幅CMOS，約2110萬有效像素。圖2為實驗數(shù)據(jù)中2幅待拼接影像，采用SUＲF-64，SUＲF-36分別提取數(shù)量相當(dāng)?shù)奶卣鼽c，描述后進行特征點配對。圖3、圖4分別為SUＲF-64，SUＲF-36算法特征點配對結(jié)果，圖5和圖6為基于SUＲF-36特征匹配結(jié)果的3D分析。表1對2種算法拼接過程中的提取特征點數(shù)、耗費時間等指標進行比較。結(jié)果證明:SUＲF-36算法匹配效率略高于SUＲF-64;SUＲF-36算法匹配點對數(shù)多于SUＲF-64，但由于較低的維數(shù)降低了描述子向量的獨特性，3D分析中可看出存在表12種算法特征點匹配數(shù)據(jù)比較Tab．1Comparisonofmatchingdatabyusingtwoalgo-rithms算法特征點數(shù)匹配系數(shù)匹配時間/msSUＲF-6413040．87-0．9920216．3SUＲF-3619140．79-0．8919783．7明顯誤匹配，而SUＲF-64算法則未出現(xiàn);SUＲF-64算法匹配系數(shù)在0.87～0.99，高于SUＲF-36算法。綜合來看，SUＲF算法采用64維描述向量更適合無人機影像的快速拼接。3基于Improved-SVM算法的無人機影像信息提取3．1基于AdaBoost改進SVM算法AdaBoost(adaptiveboosting)是一種通過若干次迭代調(diào)整弱學(xué)習(xí)算法錯誤率的特征分類算法［14，15］。為了自適應(yīng)地進行核參數(shù)調(diào)整，更高效地進行信息提取，本文利用AdaBoost算法對SVM進行改進，得到Improved-SVM1算法。Improved-SVM1算法采用選擇徑向基核函數(shù)的支持向量機(ＲBFSVM)作為?
【作者單位】： 河南理工大學(xué)測繪與國土信息工程學(xué)院;鄭州信息科技職業(yè)學(xué)院建筑工程學(xué)院;中國人民解放軍信息工程大學(xué)數(shù)學(xué)工程與先進計算國家重點實驗室;
【基金】：國家自然科學(xué)基金資助項目(61602512) 河南省基礎(chǔ)與前沿技術(shù)研究項目(152300410098) 河南省教育廳科學(xué)技術(shù)研究重點項目(16A420006)
【分類號】：TP751

【相似文獻】

相關(guān)碩士學(xué)位論文 前1條

1 陳晨;基于ELM和SVM的衛(wèi)星云圖分類研究[D];南昌航空大學(xué);2014年

本文編號：2548946