基于邊緣特征與點特征的航拍高壓電力塔架圖像拼接方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種基于邊緣特征與點特征的航拍高壓電力塔架圖像拼接方法。
【背景技術(shù)】
[0002] 電力設(shè)備由于長期暴露在外部環(huán)境中，不僅承受正常機械載荷和電力負(fù)荷的作 用，而且還經(jīng)常受污穢、雷擊、強風(fēng)、雨雪和鳥害等外力侵害，多重因素促使線路上各種元件 老化、疲勞、氧化和腐蝕，如不及時發(fā)現(xiàn)和消除，可能發(fā)展成為各種故障，對電力系統(tǒng)的安全 和穩(wěn)定構(gòu)成威脅，而輸電線路的主要部件都位于電力桿塔上，因而，桿塔的巡檢與維護是電 力設(shè)備巡檢的一項主要工作內(nèi)容。
[0003] 隨著航空遙感技術(shù)的快速發(fā)展，電力相關(guān)部口已將其廣泛用于電力巡視與維護， 但是，由于用于遙感監(jiān)測的攝像機受當(dāng)時技術(shù)的限制，只能對桿塔的局部區(qū)域進行拍攝， 影像高壓電力塔架的巡視效果，若要得到整個桿塔的全景圖，就需要借助圖像拼接技術(shù)， 將拍攝到的多張圖像通過配準(zhǔn)和融合，合成一幅完整的全景遙感圖像。
[0004] 目前，學(xué)者們已提出多種圖像拼接方法，大部分方法是基于點特征的圖像拼接，王 國東等提出一種適合航空圖像拼接的快速算法，利用ORB特征點作為匹配特征，W二進制 特征向量進行特征距離計算，使特征提取與特征匹配速度大為提高。在圖像配準(zhǔn)過程中， 采用次近鄰過濾算法、交叉驗證算法W及RANSAC估計算法，魯椿地計算出拼接圖像序列之 間的單應(yīng)矩陣。圖像配準(zhǔn)之后，相同像素位置不同的圖像仍然存在一定的顏色偏差，通過 對融合圖像位置加權(quán)，利用改進的a-混合算法，將圖像邊緣位置信息納入計算，使得圖 像能夠自然融合，解決了圖像拼接的邊緣縫隙問題。顧費勇通過利用Harris算子提取特 點，并利用特征點周圍區(qū)域像素的主梯度方向信息，更準(zhǔn)確地進行特征點匹配，消除偽匹 配點對，還對含有透視和縮放變換的圖像進行了分析，提出了一種基于仿射迭代的算法用 于對該類圖像特征點集合進行匹配，但該算法準(zhǔn)確度還不夠，有待進一步優(yōu)化和提高。
[0005] 針對航拍高壓電力塔架圖像的拼接方法發(fā)展起步較晚，缺乏針對性，中國專利申 請201210303832提出了一種基于ORB特征點的高壓桿塔高清圖像全景拼接方法，讀取超高 分辨率高壓桿塔圖像，尺寸為WXH，利用雙線性插值法將待拼接超高分辨率圖像進行采樣 縮小，得到wXh圖像，其中W，H，W，h為大于0的整數(shù)，k為大于0整數(shù)；利用ORB算法對所 有采樣后圖像進行特征提取；對所提取的ORB特征進行粗匹配；利用上步提取的匹配點對， 在原始超高分辨率圖像的匹配點對所在的圖像塊中再次提取ORB特征，進行精確匹配；通 過上面所求的匹配點對，計算相鄰圖像間的變換矩陣H;實現(xiàn)了超高分辨率圖像的無縫拼 接，減少了拼接所需時間，提高了拼接效率，特別是對高清圖像有很好的有益效果。
[0006] 上述技術(shù)方案的缺陷在于，傳統(tǒng)圖像拼接算法中，在基于特征點的圖像配準(zhǔn)過程 中通常在整幅圖像范圍內(nèi)直接進行特征點的提取與匹配，增加算法計算量，且易造成同名 點誤匹配，影響配準(zhǔn)效果；另外，現(xiàn)有高壓電力塔架圖像拼接方法未考慮圖像中高壓電力塔 架的線狀特征及整體性特性，只從傳統(tǒng)意義上對圖像進行特征點提取與匹配，通過同名點 計算變換參數(shù)實現(xiàn)圖像配準(zhǔn)及拼接。

【發(fā)明內(nèi)容】

[0007] 針對現(xiàn)有技術(shù)的缺點，本發(fā)明的目的是提供一種基于邊緣特征與點特征的航拍高 壓電力塔架圖像拼接方法。
[000引為了實現(xiàn)上述目的，本發(fā)明提供了一種基于邊緣特征與點特征的航拍高壓電力塔 架圖像拼接方法，該圖像拼接方法包括如下步驟：
[0009] A、輸入兩幅待拼接圖像，并去除兩幅待拼接圖像背景；基于高壓電力塔架與圖像 中大部分地物有較明顯的顏色差異（具體判斷依據(jù)）該一特點，通過設(shè)定顏色闊值對圖像 中除桿塔外的其他背景地物進行去除。
[0010] B、提取邊緣特征，抽取多尺度桿塔骨架；
[0011] C、對圖像進行粗匹配，得到待拼接圖像的大致對應(yīng)關(guān)系，在粗匹配后的影像基礎(chǔ) 上獲取兩幅影像的大致重疊區(qū)域；
[001引 D、在步驟C的重疊區(qū)域內(nèi)進行SU計特征點提取；
[0013] E、在步驟C所述大致對應(yīng)關(guān)系的約束下，進行sud特征點的匹配，實現(xiàn)同名點匹 配；
[0014] F、利用步驟E得到的SU計同名點，由最小二乘算法計算得到圖像仿射變換參數(shù)， 對影像進行精確配準(zhǔn)；
[0015]G、利用線性融合方法實現(xiàn)配準(zhǔn)后影像的無縫拼接，分別將圖像乘W相應(yīng)的權(quán)重函 數(shù)，使影像重合區(qū)域?qū)崿F(xiàn)平緩過渡，實現(xiàn)圖像融合；
[0016] H、生成拼接圖。
[0017] 本發(fā)明利用邊緣特征對待拼接圖像進行粗匹配，得到圖像的大致重疊區(qū)域及對應(yīng) 關(guān)系，后續(xù)特征點提取及匹配均在重疊區(qū)及其對應(yīng)關(guān)系約束下進行，可減少同名點誤匹配 情況。
[001引本發(fā)明考慮到圖像中高壓電力塔架的結(jié)構(gòu)特點，通過提取桿塔骨架圖像，保證桿 塔的連通性與拓?fù)潢P(guān)系完整性，將骨架抽取結(jié)果作為邊緣特征用于圖像匹配具有更好的魯 椿性。
[0019] 根據(jù)本發(fā)明另一【具體實施方式】，步驟B中，基于小波變換抽取多尺度桿塔骨架。
[0020] 根據(jù)本發(fā)明另一【具體實施方式】，步驟B包括如下步驟：
[0021] B1、小波變換，基于Harr小波函數(shù)對待拼接圖像分別進行3層小波分解；
[0022] B2、圖像分割，對待拼接原始影像和其相應(yīng)=層低頻近似子圖像分別進行otsu闊 值分割，得到包含桿塔的二值圖像；
[0023] B3、骨架抽取，對二值圖像進行基于數(shù)學(xué)形態(tài)的骨架抽取；
[0024] B4、多尺度骨架融合，對所提取骨架圖像進行多尺度融合，得到待拼接影像的完整 骨架圖像；
[002引 B5、直線檢測；
[0026] B6、得到桿塔骨架圖。
[0027] 具體而言，例如，為保證桿塔提取的連通性和拓?fù)潢P(guān)系的完整性，利用小波變換得 到多分辨率影像，對每個尺度的低頻圖像進行ostu圖像分割，得到桿塔二值圖像，并對二 值圖像進行基于數(shù)學(xué)形態(tài)學(xué)的骨架抽取，將多尺度骨架圖像進行融合，得到最終的桿塔骨 架圖像，尺度s+1上的3*3鄰域中的像素是尺度s上局部模極大值點（i，j)的關(guān)聯(lián)域，定義 為Fs,wa，j)，尺度S上局部模極大值點的集合為M，用C,,w(i，j)來表示S空間點（i，j)與 S+1空間的相關(guān)性，計算公式如下：
[002引
[0029]
[0030] 其中，A化J')和A+iO'J)為尺度S，S+1上極大值點（i，j)的梯度方向，a是為方向 差設(shè)定的闊值，若= 1，則說明尺度上極大值點（iJ)是與尺度S+1上極大值點 相關(guān)聯(lián)的，需進行邊緣傳遞，否則不需要。
[0031] 根據(jù)本發(fā)明另一【具體實施方式】，步驟C中，針對高壓電力塔架的直線特征，對步驟 B中所獲得的桿塔骨架圖像，利用LSD算法進行快速直線段檢測，剔除圖像中非直線部分， 得到桿塔部分作為邊緣特征。
[0032] 根據(jù)本發(fā)明另一【具體實施方式】，步驟D具體包括如下步驟：
[0033]D1、尺度空間構(gòu)建；
[0034] D2、極值點檢測；
[0035]D3、特征點描述子構(gòu)建。
[0036] 根據(jù)本發(fā)明另一【具體實施方式】，步驟E具體包括如下步驟：
[0037]E1、根據(jù)初匹配的變換參數(shù)及其中一幅待拼影像中特征點坐標(biāo)，計算特征點在另 一幅影像中的對應(yīng)位置；
[003引 E2、在該位置的一定鄰域范圍內(nèi)捜索該特征點的匹配同名點；
[0039]E3、利用Ransac算法剔除無匹配點，得到準(zhǔn)確的同名點對。
[0040] 與現(xiàn)有技術(shù)相比，本發(fā)明具備如下有益效果：
[0041] 現(xiàn)有技術(shù)基于點特征的圖像拼接方法多直接在整幅影像中進行特征點提取或利 用圖像已有地理坐標(biāo)信息確定圖像重疊區(qū)，本發(fā)明利用邊緣特征對圖像進行初步匹配，獲 取圖像重疊區(qū)及對應(yīng)關(guān)系，適用于無地理坐標(biāo)的圖像拼接，并提高圖像