一种无人机图像自动配准方法及系统与流程

1.本技术涉及图像处理技术领域，特别涉及一种无人机图像自动配准方法及系统。


背景技术：

2.图像配准是指将来源于同一传感器不同航拍条件下或者不同传感器采集的同一区域的两幅或多幅图像进行匹配和对齐的过程。对无人机获取的图像进行图像配准是无人机图像应用的基础，图像配准的精度直接影响到无人机图像的应用效果。现有技术中，无人机图像配准常常针对整幅图像进行特征提取，受到地貌特征和图像噪声的影响，配准过程存在特征点提取的准确度不高，计算速度较慢等问题。
3.因此，需要提供一种针对上述现有技术不足的改进技术方案。


技术实现要素：

4.本技术的目的在于提供一种无人机图像自动配准方法及系统，以解决或缓解上述现有技术中存在的问题。
5.为了实现上述目的，本技术提供如下技术方案：本技术提供了一种无人机图像自动配准方法，包括：对待配准图像的多个分块图像和参考图像的多个分块图像分别进行降噪，对应得到多个第一降噪图像和多个第二降噪图像；其中，所述第一降噪图像和所述第二降噪图像一一对应；根据每个所述第一降噪图像中每个特征点与其对应的所述第二降噪图像中全部特征点之间的特征向量距离和地理位置向量距离，对每个所述第一降噪图像中的特征点进行筛选；基于随机抽样一致性算法，根据每个所述第一降噪图像中筛选后的特征点，确定所述待配准图像的最优投影变换模型，以对所述待配准图像进行配准。
6.优选地，所述对待配准图像的多个分块图像和参考图像的多个分块图像分别进行降噪，对应得到多个第一降噪图像和多个第二降噪图像，包括：对所述待配准图像和所述参考图像分别进行分块，对应得到所述待配准图像的多个分块图像和所述参考图像的多个分块图像；通过引导滤波器，分别对所述待配准图像的多个分块图像和所述参考图像的多个分块图像进行引导滤波，对应得到多个所述第一降噪图像和多个所述第二降噪图像。
7.优选地，所述根据每个所述第一降噪图像中每个特征点与其对应的所述第二降噪图像中全部特征点之间的特征向量距离和地理位置向量距离，对每个所述第一降噪图像中的特征点进行筛选，包括：建立每个所述第一降噪图像和每个所述第二降噪图像的最大索引图；根据每个所述第一降噪图像的最大索引图和每个所述第一降噪图像的特征点，得到每个所述第一降噪图像中每个特征点的特征描述子；以及，根据每个所述第二降噪图像
的最大索引图和每个所述第二降噪图像的特征点，得到每个所述第二降噪图像中每个特征点的特征描述子；根据每个所述第一降噪图像中每个特征点的特征描述子和与其对应的所述第二降噪图像中全部特征点的特征描述子，确定每个所述第一降噪图像中每个特征点与其对应的所述第二降噪图像中全部特征点之间的特征向量距离；根据每个所述第一降噪图像中每个特征点与其对应的所述第二降噪图像中全部特征点之间的特征向量距离，对每个所述第一降噪图像中的特征点进行初步筛选；根据每个所述第一降噪图像中每个特征点的地理坐标和与其对应的所述第二降噪图像中特征点的地理坐标，确定每个所述第一降噪图像中每个特征点与其对应的所述第二降噪图像中特征点的地理位置向量距离；根据每个所述第一降噪图像中初步筛选后的每个特征点，与其对应的所述第二降噪图像中的特征点的地理位置向量距离，对每个所述第一降噪图像中初步筛选后的特征点进行二次筛选。
8.优选地，所述建立每个所述第一降噪图像和每个所述第二降噪图像的最大索引图，包括：基于相位一致性方法，分别提取每个所述第一降噪图像和每个所述第二降噪图像的特征点；通过log-gabor滤波器，根据每个所述第一降噪图像和每个所述第二降噪图像的多方向的振幅信息，分别建立每个所述第一降噪图像和每个所述第二降噪图像的最大索引图。
9.优选地，所述根据每个所述第一降噪图像的最大索引图和每个所述第一降噪图像的特征点，得到每个所述第一降噪图像中每个特征点的特征描述子，包括：基于相位一致性方法，分别提取每个所述第一降噪图像和每个所述第二降噪图像的特征点；构建每个所述第一降噪图像的最大索引图中每个所述第一降噪图像的特征点的区域图像；将每个所述第一降噪图像的特征点的区域图像进行分块，得到多个区域分块图像；根据每个所述区域分块图像的分布直方图，确定每个所述第一降噪图像中每个特征点的特征描述子。
10.优选地，所述基于随机抽样一致性算法，根据每个所述第一降噪图像中筛选后的特征点，确定所述待配准图像的最优投影变换模型，以对所述待配准图像进行配准，包括：基于随机抽样一致性算法，根据每个所述第一降噪图像中筛选后的特征点，确定所述待配准图像的最优特征点集合；基于随机抽样一致性算法，根据所述待配准图像的最优特征点集合，确定所述待配准图像的最优投影变换模型，以对所述待配准图像进行配准。
11.优选地，所述基于随机抽样一致性算法，根据每个所述第一降噪图像中筛选后的特征点，确定所述待配准图像的最优特征点集合，包括：采取随机抽样方法，从每个所述第一降噪图像中筛选后的特征点中随机抽取组第一特征点集，并基于每组所述第一特征点集中特征点的行列坐标，确定每个所述第一降
噪图像的第一投影变换模型中组所述第一特征点集对应的个第一参数矩阵；其中，为正整数，每组所述第一特征点集包含至少四个特征点对；基于个所述第一参数矩阵对应的个所述第一投影变换模型，计算每个所述第一降噪图像中每个所述第一特征点集的第一代价函数；将每个所述第一降噪图像中，最小的所述第一代价函数对应的所述第一特征点集中的至少四个特征点进行合并，得到所述待配准图像的最优特征点集合。
12.优选地，所述基于随机抽样一致性算法，根据所述待配准图像的最优特征点集合，确定所述待配准图像的最优投影变换模型，以对所述待配准图像进行配准，包括：基于随机抽样一致性算法，从所述最优特征点集合中随机抽取s组第二特征点集，并基于每组所述第二特征点集中的特征点的行列坐标，确定所述待配准图像的第二投影变换模型中s组所述第二特征点集对应的s个第二参数矩阵；其中，s为正整数；每组所述第二特征点集包含至少四个特征点；基于s个所述第二参数矩阵对应的s个所述第二投影变换模型，分别计算所述待配准图像中每个所述第二特征点集的第二代价函数；确定最小的所述第二代价函数对应的所述第二投影变换模型为所述最优投影变换模型，以对所述待配准图像进行配准。
13.本技术实施例还提供一种无人机图像自动配准系统，包括：降噪单元，配置为对待配准图像的多个分块图像和参考图像的多个分块图像分别进行降噪，对应得到多个第一降噪图像和多个第二降噪图像；其中，所述第一降噪图像和所述第二降噪图像一一对应；点筛选单元，配置为根据每个所述第一降噪图像中每个特征点与其对应的所述第二降噪图像中全部特征点之间的特征向量距离和地理位置向量距离，对每个所述第一降噪图像中的特征点进行筛选；模型配准单元，配置为基于随机抽样一致性算法，根据每个所述第一降噪图像中筛选后的特征点，确定所述待配准图像的最优投影变换模型，以对所述待配准图像进行配准。
14.有益效果：本技术中，通过对待配准图像的多个分块图像和参考图像的多个分块图像分别进行降噪，对应得到多个第一降噪图像和多个第二降噪图像；其中，第一降噪图像和第二降噪图像一一对应；然后，根据每个所述第一降噪图像中每个特征点与其对应的所述第二降噪图像中全部特征点之间的特征向量距离和地理位置向量距离，对每个所述第一降噪图像中的特征点进行筛选；最后，基于随机抽样一致性算法，根据每个第一降噪图像中筛选后的特征点，确定待配准图像的最优投影变换模型，以对待配准图像进行配准。如此，提高了特征点提取、特征匹配的准确度，同时提高了无人机图像配准方法的精度和计算效率。
附图说明
15.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。其中：
图1为根据本技术的一些实施例提供的一种无人机图像自动配准方法的流程示意图；图2为根据本技术的一些实施例提供的一种无人机图像自动配准方法的技术流程图；图3为根据本技术的一些实施例提供的一种无人机图像自动配准系统的结构示意图。
具体实施方式
16.下面将参考附图并结合实施例来详细说明本技术。各个示例通过本技术的解释的方式提供而非限制本技术。实际上，本领域的技术人员将清楚，在不脱离本技术的范围或精神的情况下，可在本技术中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本技术包含归入所附权利要求及其等同物的范围内的此类修改和变型。
17.示例性方法图1为根据本技术的一些实施例提供的一种无人机图像自动配准方法的流程示意图，图2为根据本技术的一些实施例提供的一种无人机图像自动配准方法的技术流程图，如图1、图2所示，该无人机图像自动配准方法包括：步骤s101、对待配准图像的多个分块图像和参考图像的多个分块图像分别进行降噪，对应得到多个第一降噪图像和多个第二降噪图像；其中，所述第一降噪图像和所述第二降噪图像一一对应。
18.本技术实施例中，待配准图像为无人机航拍得到的图像，由于无人机体积小，重量轻，受气流影响较大，稳定性和抗风能力较差，即使装有自动驾驶仪和增稳陀螺设备，飞行姿态倾斜、抖动现象仍难以避免，这些都会对获取的图像产生直接的影响，导致无人机航拍得到的图像存在不同程度的变形，无法与同一个区域的其他图像数据叠加，限制了无人机航拍图像的应用范围。为了使无人机航拍得到的图像可以与已有的同一区域的其他数据叠加，需要进行图像配准。
19.图像配准是指将来源于同一传感器不同航拍条件下或者不同传感器采集的同一区域的两幅或多幅图像进行匹配和对齐的过程。对无人机获取的图像进行图像配准是无人机图像应用的基础，图像配准的精度直接影响到无人机图像的应用效果。
20.本技术实施例中，无人机图像来源于具有农业景观的真实地表，比如水稻种植区、小麦种植区、玉米种植区等。农业景观下的无人机图像的地貌特征单一、噪声多，单一的地貌特征和诸多的噪声对配准过程中特征点的提取造成干扰，导致配准精度低。
21.具体来说，图像配准是将待配准图像对齐到参考图像的过程。参考图像也称为底图，可以为不同航拍条件下同一传感器获取的图像，也可以来源于不同航拍条件下、不同传感器获取的图像，比如，参考图像可以是同一无人机、搭载同一传感器（比如同一相机型号）、在同一光照条件下航拍得到的图像，或者，是不同无人机、或者同一无人搭载不同传感器、在不同航拍条件下获取的图像，又或者，参考图像为高分辨率卫星图像。
22.传统的图像匹配方法中，通常将无人机图像作为一个整体，通过对整幅无人机图像进行特征提取，然后进行特征匹配，从而完成待配准图像与参考图像的配准。受到无人机
图像中地貌特征单一、噪声多的图像，对无人机图像整体进行特征提取，容易得到冗余的特征点，导致匹配错误，使得配准精度低，且耗时长。
23.与传统的图像匹配方法中将无人机图像作为一个整体不同，本技术实施例中，对待配准图像的多个分块图像和参考图像的多个分块图像分别进行降噪，对应得到多个第一降噪图像和多个第二降噪图像；其中，第一降噪图像和第二降噪图像一一对应。藉此，通过对待配准图像和参考图像分别进行分块，并构建待配准图像的多个分块图像与参考图像的多个分块图像之间的一一对应关系，提高了特征点提取的精度，同时提升了计算效率。
24.在一可选实施例中，对待配准图像的多个分块图像和参考图像的多个分块图像分别进行降噪，对应得到多个第一降噪图像和多个第二降噪图像，包括：对待配准图像和参考图像分别进行分块，对应得到待配准图像的多个分块图像和参考图像的多个分块图像；通过引导滤波器，分别对待配准图像的多个分块图像和参考图像的多个分块图像进行引导滤波，对应得到多个第一降噪图像和多个第二降噪图像。
25.在一具体例子中，对待配准图像和参考图像分别进行分块，对应得到待配准图像的多个分块图像和参考图像的多个分块图像，详细如下：（1）对待配准图像按照预设的大小进行分块，得到待配准图像的多个分块图像。比如，将待配准的每一幅无人机图像分割为m*n个子区域，取每一个子区域的左上边界点，得到该待配准图像对应的左上边界点集合，记为c1、c2、c3……
，并计算得到左上边界点集合中第i个左上边界点的行列坐标，表示为，i为正整数。然后，基于待配准图像中行列坐标与地理坐标的变换关系，计算得到左上边界点集合中每一个左上边界点对应的地理坐标。
26.（2）根据每一个左上边界点对应的地理坐标，基于参考图像中行列坐标与地理坐标的变换关系，反算得到参考图像的行列坐标，将参考图像的行列坐标对应的点作为该参考图像的左上边界点集合，记为c
’1、c
’2、c
’3……
。根据参考图像的左上边界点集合，对参考图像进行分块，得到参考图像的多个分块图像。其中，待配准图像的多个分块图像与参考图像的多个分块图像之间一一对应。
27.受到传感器偏移、电磁干扰、所在区域复杂地貌信息等因素影响，原始的待配准图像和参考图像中通常存在多余或者不必要的干扰信息，这种现象成为图像噪声。图像噪声对配准造成干扰，因此，在配准之前，需要对待配准图像和参考图像进行降噪处理。
28.在一些可选实施例中，通过引导滤波器，分别对待配准图像的多个分块图像和参考图像的多个分块图像进行引导滤波，对应得到多个第一降噪图像和多个第二降噪图像。
29.引导滤波器的原理为：将待配准图像的分块图像或者参考图像的分块图像作为输入图像p，则定义输出图像q为输入图像p减去噪声部分n，通过对输入图像与噪声部分进行差值运算，达到对输入图像平滑、去除噪声的效果。为了在去除噪声的同时，在输出图像q中得到符合引导图像i的边界信息，引导滤波器同时将输出图像q定义为引导图像i的线性组合，其中，引导图像i与输入图像p为同源图像。
30.引导滤波器的数学模型用公式（1）、公式（2）表示，公式（1）、公式（2）如下：
（1）（2）式中，qj为输出图像q中第j个像素的取值，pj为输入图像p中第j个像素的取值，nj为pj的噪声部分，ij为引导图像i的第j个像素的取值，a、b为衡量输入权重的参数。
31.根据公式（1）、公式（2）进行推导，得到噪声部分的表达式，用公式（3）表示，公式（3）如下：（3）为了求解参数a、b，在输入图像p中以第k个像素为中心点进行加窗处理，定义形式如公式（4）的代价方程式，基于代价方程的价值项最小化原则，取代价方程最小时对应的a、b的取值作为参数a、b的最优解，公式（4）如下：（4）上式中，表示代价方程的价值项，ωk表示输入图像p中以第k个像素为中心点的窗格，m表示ωk中像素的序号，im为窗格ωk对应的引导图像中第m个像素的取值，pm为窗格ωk对应的输入图像中第m个像素的取值，ak、bk分别为参数a、b对应窗格ωk求解结果，ε为ak取值过大时的惩罚参数。
32.从公式（4）可以看出，代价方程的价值项为输入图像p中每一个像素的噪声部分和参数a的总平方和，可以理解的，基于代价方程的价值项最小化原则为：找到参数a、b，使得输出图像p中的噪声部分最小的同时，引导图像i在输出图像q中的影响减小。
33.基于线性回归方法，对公式（4）进行求解，从而得到代价方程的价值项有最小解时，参数的ak、bk表达式：（5）（6）式中，pk表示输入图像p的第k个像素的取值，ω表示窗格ωk的窗口内像素的个数，μk表示窗格ωk的窗口内像素取值的方差。
34.农业景观下无人机航拍得到的图像噪声较多，对特征点的提取造成不可忽视的影响，传统的降噪方法在对农业景观下无人机图像进行降噪的同时将边界信息平滑，不利于后续针对边界信息进行特征提取。本技术实施例中，基于引导滤波器，对每一个待配准图像的分块图像分别进行引导滤波，得到多个第一降噪图像，以及，对每一个参考图像的分块图像分别进行引导滤波，得到多个第二降噪图像，一方面，既实现了对原始的待配准图像和参考图像降噪的效果，又保留了原始的待配准图像和参考图像中的边界信息，如此，能够显著提高特征点提取的精度，另一方面，由于引导滤波的数学模型以输入图像线性组合为基础，则输出图像与引导图像的梯度方向一致，从而避免了梯度反转的问题。
35.步骤s102、根据每个第一降噪图像中每个特征点与其对应的第二降噪图像中全部特征点之间的特征向量距离和地理位置向量距离，对每个第一降噪图像中的特征点进行筛选。
36.本技术实施例中，根据每个第一降噪图像中每个特征点与其对应的第二降噪图像中全部特征点之间的特征向量距离和地理位置向量距离，对每个第一降噪图像中的特征点进行筛选，包括：建立每个第一降噪图像和每个第二降噪图像的最大索引图；根据每个第一降噪图像的最大索引图和每个第一降噪图像的特征点，得到每个第一降噪图像中每个特征点的特征描述子；以及，根据每个第二降噪图像的最大索引图和每个第二降噪图像的特征点，得到每个第二降噪图像中每个特征点的特征描述子；根据每个第一降噪图像中每个特征点的特征描述子和与其对应的第二降噪图像中全部特征点的特征描述子，确定每个第一降噪图像中每个特征点与其对应的第二降噪图像中全部特征点之间的特征向量距离；根据每个第一降噪图像中每个特征点与其对应的第二降噪图像中全部特征点之间的特征向量距离，对每个第一降噪图像中的特征点进行初步筛选；根据每个第一降噪图像中每个特征点的地理坐标和与其对应的第二降噪图像中特征点的地理坐标，确定每个第一降噪图像中每个特征点与其对应的第二降噪图像中特征点的地理位置向量距离；根据每个第一降噪图像中初步筛选后的每个特征点，与其对应的第二降噪图像中的特征点的地理位置向量距离，对每个第一降噪图像中初步筛选后的特征点进行二次筛选。
37.在一些可选实施例中，建立每个第一降噪图像和每个第二降噪图像的最大索引图，包括：基于相位一致性方法，分别提取每个第一降噪图像和每个第二降噪图像的特征点；通过log-gabor滤波器，根据每个第一降噪图像和每个第二降噪图像的多方向的振幅信息，分别建立每个第一降噪图像和每个第二降噪图像的最大索引图。
38.本技术实施例中，基于相位一致性方法，分别提取每个第一降噪图像和每个第二降噪图像的特征点。具体来说，相位一致性方法的原理是指在图像（待匹配图像和参考图像）的频率域中，图像的边缘特征（边界信息）的频率分量处于同一相位，这一理念可以适用于不同波长的函数。例如，方波的傅里叶分解由正弦函数组成，其频率是基频的奇数倍，在方波的上升边缘，每个正弦分量都有一个上升相位，相位在图像的边界处具有最大的一致性，而这反映到图像中便是有明显变化的边缘。根据相位一致性方法的原理，可以准确提取出图像的边界信息。
39.这里，将每个第一降噪图像和每个第二降噪图像看作一维信号f（t），其傅里叶展开为：（7）式中，an为第n个正弦分量的振幅，为角频率，是第n个正弦分量的初始相位，t表示傅里叶变换的自变量。
40.相位一致性为判断图像的各个频率域成分（正弦分量）的相位相似性的一种度量方式，相位一致性由公式（8）表示，公式（8）如下：（8）式中，是一维信号f（t）傅里叶展开得到的第n个正弦分量的相位，表示相位的加权平均值，an为第n个正弦分量的振幅。
41.在这里，傅里叶展开可以简化为复数形式的能量公式（9），公式（9）如下：
（9）式中，代表傅里叶展开的实部分量，代表傅里叶展开的虚部分量。
42.结合公式（8）和公式（9），相位一致性的表达式可写作为：（10）基于相位一致性方法，分别提取每个第一降噪图像和每个第二降噪图像的边缘特征和特征点，该方法可以不受图像局部光线明暗变化的影响，并能保留第一降噪图像/第二降噪图像中的角、线、纹理等信息。
43.在一些可选实施例中，通过log-gabor滤波器，根据每个第一降噪图像和每个第二降噪图像的多方向的振幅信息，分别建立每个第一降噪图像和每个第二降噪图像的最大索引图。
44.具体来说，首先将每个第一降噪图像和每个第二降噪图像输入到log-gabor滤波器，根据预设的卷积通道数和方向数，建立每个第一降噪图像和每个第二降噪图像对应的卷积序列。然后，对log-gabor滤波器得到的卷积序列进行排列，构建每个第一降噪图像和每个第二降噪图像的多通道卷积映射，从而得到每个第一降噪图像和每个第二降噪图像在多通道卷积序列下多方向的振幅信息。最后，根据每个第一降噪图像和每个第二降噪图像的多方向的振幅信息，构造该图像的最大索引图（maxindexmap，简称mim）。
45.比如，每个第一降噪图像/每个第二降噪图像用表示，将通过log-gabor滤波器进行卷积，得到多通道的卷积序列；然后计算尺度（通道）s和方向o下的振幅；最后，将所有尺度下的振幅求和，用公式（11）表示，公式（11）如下：（11）式中，为所有尺度下振幅的求和，共ns个尺度，为正整数，，为尺度s和方向o下的振幅。
46.取所有尺度下的振幅求和后的最大值，作为最大索引图的取值，通过对每个第一降噪图像/每个第二降噪图像用进行log-gabor滤波，得到每个第一降噪图像/每个第二降噪图像对应的最大索引图。
47.在一具体的场景中，预设的卷积通道数可以取值为6，方向数可以取值为6，由此，得到每个第一降噪图像和每个第二降噪图像对应的6个通道的卷积序列，然后计算尺度和方向下的振幅，最后，将6个尺度下的振幅求和，取振幅求和后的最大值，得到最大索引图。
48.藉此，通过对每个第一降噪图像/每个第二降噪图像进行log-gabor滤波，得到多尺度下的振幅信息，并取所有尺度下的振幅求和后的最大值，作为最大索引图的取值，可以较好的抵抗待配准图像和参考图像之间的非线性辐射差异，不受待配准图像
和参考图像拍摄时不同亮度条件的影响，有效提高图像配准的效果。
49.在一些可选实施例中，根据每个第一降噪图像的最大索引图和每个第一降噪图像的特征点，得到每个第一降噪图像中每个特征点的特征描述子；以及，根据每个第二降噪图像的最大索引图和每个第二降噪图像的特征点，得到每个第二降噪图像中每个特征点的特征描述子。
50.具体地，根据每个第一降噪图像的最大索引图和每个第一降噪图像的特征点，得到每个第一降噪图像中每个特征点的特征描述子，包括：基于相位一致性方法，提取每个第一降噪图像的特征点；构建每个第一降噪图像的最大索引图中每个第一降噪图像的特征点的区域图像；将每个第一降噪图像的特征点的区域图像进行分块，得到多个区域分块图像；根据每个区域分块图像的分布直方图，确定每个第一降噪图像中每个特征点的特征描述子。用相同的步骤，根据每个第二降噪图像的最大索引图和每个第二降噪图像的特征点，得到每个第二降噪图像中每个特征点的特征描述子。
51.进一步地，基于相位一致性方法，提取每个第一降噪图像的特征点，包括：基于相位一致性方法，通过计算每个第一降噪图像的相位一致性，提取每个第一降噪图像的边缘特征，然后基于fast特征点检测算法，生成每个第一降噪图像的特征点，最后，根据每个第一降噪图像的特征点，得到每个第一降噪图像中每个特征点的特征描述子。采用相同的步骤，基于相位一致性方法，提取每个第二降噪图像的特征点。
52.藉此，基于相位一致性对特征点进行检测和提取，能够在原始图像的亮度跨度很大的条件下提取到正确的特征点，同时实现局部光照不变性，即对图像的特征点提取结果不受航拍时光照条件的影响，进一步提高特征点提取的精度。
53.在一应用场景中，根据每个第一降噪图像的最大索引图和每个第一降噪图像的特征点，得到每个第一降噪图像中每个特征点的特征描述子，可以包括如下步骤：每个第一降噪图像，对应有多个特征点，以每个特征点所在的位置为中心，在最大索引图上构建区域图像，所构建的区域图像的大小可以预先设置，比如大小为的正方形区域。然后，将每个第一降噪图像的特征点的区域图像进行分块，比如，将每个区域图像进一步细分为个区域分块图像，得到多个区域分块图像。最后，根据每个区域分块图像的分布直方图，确定每个第一降噪图像中每个特征点的特征描述子。这里，对每个区域分块图像建立分布直方图，并将每个区域分块图像的分布直方图的统计结果以向量形式表达，然后将多个区域分块图像对应的向量进行合并，得到每个特征点的特征描述子。
54.在一具体例子中，以每个特征点所在的位置为中心，在最大索引图上构建区域图像，该区域图像可以大小为像素的正方形区域，然后将其沿相邻两边分为6等份，得到个区域分块图像，对每个区域分块图像建立分布直方图，以向量形式表达直方图统计结果，最终，对于每个特征点得到共216维的特征向量，该特征向量即为每个特征点的特征描述子。
55.可以理解地，采用相同的处理，根据每个第二降噪图像的最大索引图和每个第二降噪图像的特征点，得到每个第二降噪图像中每个特征点的特征描述子。
56.在一可选实施例中，对每个第一降噪图像中的特征点进行筛选，包括：根据每个第
一降噪图像中每个特征点的特征描述子和与其对应的第二降噪图像中全部特征点的特征描述子，确定每个第一降噪图像中每个特征点与其对应的第二降噪图像中全部特征点之间的特征向量距离；根据每个第一降噪图像中每个特征点与其对应的第二降噪图像中全部特征点之间的特征向量距离，对每个第一降噪图像中的特征点进行初步筛选；根据每个第一降噪图像中每个特征点的地理坐标和与其对应的第二降噪图像中特征点的地理坐标，确定每个第一降噪图像中每个特征点与其对应的第二降噪图像中特征点的地理位置向量距离；根据每个第一降噪图像中初步筛选后的每个特征点，与其对应的第二降噪图像中的特征点的地理位置向量距离，对每个第一降噪图像中初步筛选后的特征点进行二次筛选。
57.实际应用时，对于每个第一降噪图像，均存在一个与其对应的第二降噪图像，每个降噪图像（第一降噪图像/第二降噪图像）提取到的特征点有多个，根据每个第一降噪图像中每个特征点的特征描述子和与其对应的第二降噪图像中全部特征点的特征描述子，确定每个第一降噪图像中每个特征点与其对应的第二降噪图像中全部特征点之间的特征向量距离。根据每个第一降噪图像中每个特征点与其对应的第二降噪图像中全部特征点之间的特征向量距离，取特征向量距离最小的点，作为特征点的初始匹配，形成特征点对。然后，取特征向量距离最小的两个点，即最近邻点和次近邻点，求最近邻点与次近邻点之间的比值，并将该比值与预设的第一阈值进行比对，当最近邻点与次近邻点之间的比值大于预设的第一阈值时，表示该特征点对匹配的误差过大，则将该特征点剔除，从而完成对每个第一降噪图像中的特征点进行初步筛选。这里，预设的第一阈值优选为0.5~0.6。
58.根据每个第一降噪图像中每个特征点的地理坐标和与其对应的第二降噪图像中特征点的地理坐标，确定每个第一降噪图像中每个特征点与其对应的第二降噪图像中特征点的地理位置向量距离，将该地理位置向量距离与预设的第二阈值进行比对，当该地理位置向量距离大于预设的第二阈值时，则剔除该特征点，从而实现对每个第一降噪图像中初步筛选后的特征点进行二次筛选。本技术实施例中，预设的第二阈值的取值与待配准图像的特征相关，比如，可以取30米，也就是说，如果第一降噪图像中一个特征点与对应的第二降噪图像中的一个特征点地理位置向量距离大于30米，则认为特征点匹配错误，应将其剔除。
59.在具体实施过程中，可以先根据每个第一降噪图像中每个特征点与其对应的第二降噪图像中特征点的特征向量距离对特征点进行初步筛选，然后根据每个第一降噪图像中每个特征点的地理坐标和与其对应的第二降噪图像中特征点的地理位置向量距离对初步筛选后的特征点进行二次筛选；也可以先根据地理位置向量距离对特征点进行初步筛选，然后根据特征向量距离对初步筛选后的特征点进行二次筛选，对此，本技术不进行限定。
60.通过特征向量距离对特征点进行初步筛选，然后根据地理位置向量距离对初步筛选后的特征点进行二次筛选，提高了待配准图像与参考图像之间的特征点匹配的准确度。
61.步骤s103、基于随机抽样一致性（ransac）算法，根据每个第一降噪图像中筛选后的特征点，确定待配准图像的最优投影变换模型，以对待配准图像进行配准。
62.在一些可选实施例中，基于随机抽样一致性算法，根据每个第一降噪图像中筛选后的特征点，确定待配准图像的最优投影变换模型，以对待配准图像进行配准，包括：基于随机抽样一致性算法，根据每个第一降噪图像中筛选后的特征点，确定待配准图像的最优特征点集合；基于随机抽样一致性算法，根据待配准图像的最优特征点集合，确定待配准图
像的最优投影变换模型，以对待配准图像进行配准。
63.本技术实施例中，基于随机抽样一致性算法，根据每个第一降噪图像中筛选后的特征点，确定待配准图像的最优特征点集合，包括：采取随机抽样方法，从每个第一降噪图像中筛选后的特征点中随机抽取k组第一特征点集，并基于每组第一特征点集中特征点的行列坐标，确定每个第一降噪图像的第一投影变换模型中k组第一特征点集对应的k个第一参数矩阵；其中，k为正整数，每组第一特征点集包含至少四个特征点；基于k个第一参数矩阵对应的k个第一投影变换模型，计算每个第一降噪图像中每个第一特征点集的第一代价函数；将每个第一降噪图像中，最小的第一代价函数对应的第一特征点集中的至少四个特征点进行合并，得到待配准图像的最优特征点集合。
64.随机抽样一致性算法的原理为，找到最优的坐标变换关系使得满足该坐标变换关系的特征点个数最多。本技术实施例中，基于随机抽样一致性算法配准的过程就是找到待配准图像到参考图像之间的坐标变换关系，使得满足该坐标变换关系的特征点个数最多。通常，坐标变换关系用下列变换模型表示：（12）式中，s表示尺度，表示第一降噪图像中像素点的坐标，表示第二降噪图像中像素点的坐标，表示坐标变换关系的变换参数矩阵，通常取以对变换参数矩阵进行归一化处理。
65.从公式（12）可以看出，坐标变换关系的变换参数矩阵有8个未知数，至少需要8个线性方程进行求解，一组特征点对可以列出两个线性方程，则至少需要4个特征点对，方可求解出变换参数矩阵。
66.本技术实施例中，基于随机抽样一致性算法，对每个第一降噪图像和与其对应的第二降噪图像进行局部质量约束，具体为：采取随机抽样方法，从每个第一降噪图像和与其对应的第二降噪图像的特征点对中，随机抽取k组第一特征点集，每组第一特征点集包含至少4个特征点对，且选取的每个特征点对之间不共线。基于每组第一特征点集中特征点的行列坐标，确定每个第一降噪图像的第一投影变换模型中k组第一特征点集对应的k个变换参数矩阵（第一参数矩阵），由变换参数矩阵确定该第一降噪图像和与其对应的第二降噪图像之间的k个坐标变换关系（第一投影变换模型）。将所有特征点对分别代入k个第一投影变换模型，根据预设的第三阈值，计算满足每一个第一投影变换模型的特征点对的个数和投影误差（第一代价函数），取第一代价函数最小对应的第一投影变换模型作为局部最优影变换模型，则局部最优影变换模型对应的至少4个特征点为当前第一降噪图像的局部最优特征点。将每个第一降噪图像中，最小的第一代价函数对应的第一特征点集中的至少4个特征点（即局部最优特征点）进行合并，得到待配准图像的最优特征点集合。
67.在一可选实施例中，基于随机抽样一致性算法，根据待配准图像的最优特征点集合，确定待配准图像的最优投影变换模型，以对待配准图像进行配准，包括：基于随机抽样
一致性算法，从最优特征点集合中随机抽取s组第二特征点集，并基于每组第二特征点集中的特征点的行列坐标，确定待配准图像的第二投影变换模型中s组第二特征点集对应的s个第二参数矩阵；其中，s为正整数；每组第二特征点集包含至少四个特征点；基于s个第二参数矩阵对应的s个第二投影变换模型，分别计算待配准图像中每个第二特征点集的第二代价函数；确定最小的第二代价函数对应的第二投影变换模型为最优投影变换模型，以对待配准图像进行配准。
68.本技术实施例中，待配准图像的最优特征点集合由每个第一降噪图像的局部最优特征点组成，基于随机抽样一致性算法，根据待配准图像的最优特征点集合，确定待配准图像的最优投影变换模型，具体为：对待配准图像的最优特征点集合进行随机抽样，得到s组第二特征点集，每个第二特征点集包含至少4个特征点，基于每组第二特征点集，确定待配准图像与参考图像之间的坐标变换关系（第二投影变换模型）对应的变换参数矩阵（第二参数矩阵）。将最优特征点集合中所有特征点代入每个第二投影变换模型，计算每个特征点的投影误差（第二代价函数），取第二代价函数最小对应的第二投影变换模型，为最优投影变换模型，满足最优投影变换模型的全部特征点，为待配准图像的全局最优特征点集，以该全局最优特征点集计算得到待配准图像与参考图像的全局变换矩阵，完成配准。
69.藉此，通过对每个第一降噪图像的特征点进行局部质量约束，得到每个第一降噪图像的最优特征点集合，然后将所有分块图像中符局部合质量约束的特征点集合进行合并，最后对合并后的最优特征点集合进行全局质量约束，进一步提高了特征点匹配的准确性。
70.综上所述，本技术中，通过对待配准图像的多个分块图像和参考图像的多个分块图像分别进行降噪，对应得到多个第一降噪图像和多个第二降噪图像；其中，第一降噪图像和第二降噪图像一一对应；根据每个第一降噪图像中每个特征点与其对应的第二降噪图像中全部特征点之间的特征向量距离和地理位置向量距离，对每个第一降噪图像中的特征点进行筛选；基于随机抽样一致性算法，根据每个第一降噪图像中筛选后的特征点，确定待配准图像的最优投影变换模型，以对待配准图像进行配准。藉此，提高了特征点提取、特征匹配的准确度，解决了传统无人机图像配准方法精度不足，计算效率低的问题。
71.示例性系统图3为根据本技术的一些实施例提供的一种无人机图像自动配准系统的结构示意图，如图3所示，该无人机图像自动配准系统包括：降噪单元201，配置为对待配准图像的多个分块图像和参考图像的多个分块图像分别进行降噪，对应得到多个第一降噪图像和多个第二降噪图像；其中，所述第一降噪图像和所述第二降噪图像一一对应；点筛选单元202，配置为根据每个所述第一降噪图像中每个特征点与其对应的所述第二降噪图像中全部特征点之间的特征向量距离和地理位置向量距离，对每个所述第一降噪图像中的特征点进行筛选；模型配准单元203，配置为基于随机抽样一致性算法，根据每个所述第一降噪图像中筛选后的特征点，确定所述待配准图像的最优投影变换模型，以对所述待配准图像进行配准。
72.以上所述仅为本技术的优选实施例，并不用于限制本技术，对于本领域的技术人
员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。