基于降維CNN融合特征的無(wú)人機(jī)航拍圖像拼接

發(fā)布時(shí)間：2020-10-27 04:37

　　隨著無(wú)人機(jī)技術(shù)的發(fā)展及機(jī)載航拍設(shè)備的不斷更新,無(wú)人機(jī)航拍圖像被廣泛應(yīng)用于車流監(jiān)控、地圖重組、事故分析等不同領(lǐng)域。單張無(wú)人機(jī)航拍圖像視角局限,涵蓋信息少,在實(shí)際應(yīng)用中需要將多張無(wú)人機(jī)航拍圖像拼接成一幅更大視野的、分辨率更高的、無(wú)明顯拼接縫的圖像。針對(duì)無(wú)人機(jī)航拍圖像存在的噪聲和幾何畸變的問(wèn)題,本文結(jié)合當(dāng)下在圖像識(shí)別和分類領(lǐng)域表現(xiàn)出色的深度學(xué)習(xí)理論,深入研究了基于降維卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)的無(wú)人機(jī)航拍圖像拼接技術(shù),本文的主要研究?jī)?nèi)容包括以下幾個(gè)方面:(1)針對(duì)CNN高層網(wǎng)絡(luò)輸出維度過(guò)高帶來(lái)的結(jié)構(gòu)冗余和噪聲問(wèn)題,采用主成分分析法(principal component analysis,PCA)對(duì)其進(jìn)行降維。首先通過(guò)奇異值分解(Singular Value Decomposition,SVD)進(jìn)行矩陣分解,然后利用PCA將CNN全連接層的高維的數(shù)據(jù)信息映射到低維的空間中去表示,最后使用歐式距離(euclidean metric)驗(yàn)證降維前后圖像特征的相似度。實(shí)驗(yàn)結(jié)果表明,適當(dāng)降維后的CNN在圖像特征表達(dá)的精度上有一定的提高。(2)針對(duì)尺度不變特征變換(Scale-invariant feature transform,SIFT)算法,運(yùn)算時(shí)間長(zhǎng)、缺乏圖像色彩信息、誤匹配率過(guò)高的問(wèn)題,將顏色不變量加入SIFT算法組成彩色尺度不變特征變換算法(color scale-invariant feature transform,CSIFT)算法,并采用單應(yīng)性矩陣與隨機(jī)抽樣一致性(random sample consensus,RANSAC)對(duì)配準(zhǔn)結(jié)果進(jìn)行提純。通過(guò)實(shí)驗(yàn)證明改進(jìn)后的CSIFT算法匹配特征點(diǎn)對(duì)的正確率更高,配準(zhǔn)效果更好。(3)針對(duì)CSIFT算法只描述圖像的低層特征,缺乏對(duì)高層特征表達(dá)的問(wèn)題,提出一種將降維的CNN特征與CSIFT特征進(jìn)行融合的圖像配準(zhǔn)的方法。通過(guò)實(shí)驗(yàn)證明融合特征的圖像配準(zhǔn)方法特征點(diǎn)匹配的精度更高,且降維后的CNN在做圖像配準(zhǔn)時(shí),平均運(yùn)行時(shí)間較降維前也有所縮短。(4)針對(duì)無(wú)人機(jī)航拍圖像拼接時(shí)出現(xiàn)的錯(cuò)位、重影和拼接縫問(wèn)題,提出將泊松融合算法用于航拍圖像融合。通過(guò)兩組實(shí)驗(yàn)比較了加權(quán)平均算法和泊松算法的融合效果。實(shí)驗(yàn)結(jié)果證明泊松融合算法的性能更優(yōu)。
【學(xué)位單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP183;TP391.41;U495
【部分圖文】：