【摘要】：近年來,無人機技術(shù)的迅猛發(fā)展,同時促進了低空遙感相關(guān)技術(shù)的快速進步。無人機所具備的操作便捷、高效率、成本低等優(yōu)勢,使其被廣泛應(yīng)用于林業(yè)監(jiān)控、災(zāi)害應(yīng)急響應(yīng)等領(lǐng)域。由于無人機進行低空航拍所獲取的圖像視角較小、數(shù)據(jù)量大且分辨率較高,為了得到拍攝場景的完整的視野,需要通過拼接技術(shù)將大量的小視角圖像拼接成大場景圖像。對林地的生長狀況進行動態(tài)監(jiān)測還需要對植被進行分類提取,因此選取何種算法實現(xiàn)精確、高效的圖像拼接,使用何種方法實現(xiàn)植被的識別,是目前亟待解決的問題。圖像拼接技術(shù)部分,對航拍圖像的預(yù)處理、投影變換及圖像融合等圖像拼接技術(shù)的基本理論進行了系統(tǒng)的研究及總結(jié)。采用應(yīng)用廣泛的Kaze、Sift、Surf、Orb和Akaze五種算法進行特征提取實驗對比,使用穩(wěn)定性、速度、重復(fù)率、配準精度四個指標來評價算法的性能,最終選擇魯棒性強、精度高但速度較慢的SIFT算法。為了滿足實際應(yīng)用需求,需要通過一些改進來加快SIFT算法的速度,采用以下策略進行改進:在對圖像提取特征點之前先執(zhí)行降采樣操作以減小圖像的尺寸,之后在SIFT算法的極值點檢測過程中將檢測的范圍修改為5x5,以減少特征點的數(shù)量,使用基于網(wǎng)格的運動估計算法代替?zhèn)鹘y(tǒng)的RANSAC算法來篩除錯配點。實驗證明,改進后的SIFT算法進行兩張圖像匹配時間提高了1s左右,并且未影響最終的拼接效果。植被識別實質(zhì)上是對圖像進行語義分割后分別提取標識出不同類別植被的區(qū)域。深度學(xué)習(xí)應(yīng)用于語義分割能夠?qū)崿F(xiàn)像素級的自動精確分類,因此選擇深度學(xué)習(xí)框架實現(xiàn)植被識別。過程如下:使用標定工具labelme對航拍圖像進行人工標注,之后對標注后的圖像采用旋轉(zhuǎn)、添加噪聲以及隨機裁剪的方式進行數(shù)據(jù)集擴增,取數(shù)據(jù)集中的70%作為訓(xùn)練集,構(gòu)建好模型后輸入訓(xùn)練集進行訓(xùn)練,重復(fù)迭代訓(xùn)練得到最優(yōu)的模型,通過該模型進行預(yù)測就能實現(xiàn)圖像的語義分割。通過植被識別,可以達到監(jiān)測林地生長狀況的目的,方便林場的管理。根據(jù)實際的應(yīng)用,在Microsoft Visual Studio2010環(huán)境中使用C++語言編程實現(xiàn)了相關(guān)的算法模塊,設(shè)計并搭建了基于航拍拼接圖像的植被識別系統(tǒng)的界面,并將各個功能模塊整合到系統(tǒng)中,形成完整的識別系統(tǒng)。經(jīng)過實踐測試,表明該系統(tǒng)使用穩(wěn)定、操作便捷,能夠滿足項目需求。
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：Q94;TP391.41
【圖文】：

圖 2-1 系統(tǒng)總體架構(gòu)Fig 2-1 Basic flow of image mosaic因此，系統(tǒng)的主要架構(gòu)如圖 2-1 所示，本文所設(shè)計的植被識別系統(tǒng)的主對林場的生長狀況進行動態(tài)的監(jiān)測，將無人機搭載相機進行拍攝作為獲手段，主要涉及的技術(shù)為圖像預(yù)處理、圖像拼接以及植被識別，其中圖植被識別技術(shù)是植被識別系統(tǒng)的關(guān)鍵。航拍圖像預(yù)處理航拍圖像中包含著豐富的顏色信息，由于航拍圖像具有分辨率高，尺寸，為了能夠滿足實時拼接航拍圖像的需求，需要對原始高分辨率的航拍預(yù)處理，航拍圖像的預(yù)處理對圖像拼接的后續(xù)工作有著非常重要的影獲取圖像時，圖像會受到采集設(shè)備、光照以及天氣情況的干擾，因此原能直接用于后續(xù)的處理，必須對原始圖像進行預(yù)處理操作。航拍圖像的括圖像灰度化、圖像去噪以及圖像增強操作[35]。 圖像灰度化

第 2 章 航拍圖像拼接與植被識別相關(guān)技術(shù)信息表征能力�；跈�(quán)重的方法即R_new = R_original*0.3+G_original*0.59+B_original*0.11 (2G_new = R_original*0.3+G_original*0.59+B_original*0.11 (2B_new = R_original*0.3+G_original*0.59+B_original*0.11 (2利用以上兩種方式對圖像進行灰度化后的結(jié)果如下圖所示：

圖 2-3 圖像噪聲圖Fig 2-3 Image noise map聲將會造成特征點提取的誤差，為了能夠精確的對特征點純凈的圖像信號，當(dāng)前圖像去噪算法主要包括以下 5 種方 基于空間域的濾波方式，該種方式是在原始圖像上進行濾灰度值進行處理，基于空間域的濾波方式主要有鄰域平均通濾波法。 基于變換域的濾波方式，首先對圖像進行變換，將原始圖域，在變換域中對圖像的變換系數(shù)進行逆處理，當(dāng)對圖像理后得到的結(jié)果進行反變換從而去除圖像的噪聲。轉(zhuǎn)換方、沃爾什-哈達瑪變換、余弦變換、K-L 變換以及 Haar 小 基于偏微分方程的濾波方式，該種方式是近年來興起的圖處理上取得了很好的效果�；谄⒎址匠痰臑V波方式可時，最大限度的對圖像的邊緣進行保持�；谄⒎址匠袒膱D像以及提取圖像的邊緣。通過實驗證明，基于偏微

【參考文獻】

相關(guān)期刊論文 前6條

1 李丹;張蒙;孫海濤;童祖兵;;一種改進的KAZE特征檢測算法[J];四川大學(xué)學(xué)報(自然科學(xué)版);2015年03期

2 李鈺n

本文編號：2758140