【摘要】：近年來(lái),無(wú)人機(jī)技術(shù)的迅猛發(fā)展,同時(shí)促進(jìn)了低空遙感相關(guān)技術(shù)的快速進(jìn)步。無(wú)人機(jī)所具備的操作便捷、高效率、成本低等優(yōu)勢(shì),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(wú)人機(jī)進(jìn)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(chǎng)景的完整的視野,需要通過(guò)拼接技術(shù)將大量的小視角圖像拼接成大場(chǎng)景圖像。對(duì)林地的生長(zhǎng)狀況進(jìn)行動(dòng)態(tài)監(jiān)測(cè)還需要對(duì)植被進(jìn)行分類提取,因此選取何種算法實(shí)現(xiàn)精確、高效的圖像拼接,使用何種方法實(shí)現(xiàn)植被的識(shí)別,是目前亟待解決的問(wèn)題。圖像拼接技術(shù)部分,對(duì)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(jìn)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(jìn)行特征提取實(shí)驗(yàn)對(duì)比,使用穩(wěn)定性、速度、重復(fù)率、配準(zhǔn)精度四個(gè)指標(biāo)來(lái)評(píng)價(jià)算法的性能,最終選擇魯棒性強(qiáng)、精度高但速度較慢的SIFT算法。為了滿足實(shí)際應(yīng)用需求,需要通過(guò)一些改進(jìn)來(lái)加快SIFT算法的速度,采用以下策略進(jìn)行改進(jìn):在對(duì)圖像提取特征點(diǎn)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(diǎn)檢測(cè)過(guò)程中將檢測(cè)的范圍修改為5x5,以減少特征點(diǎn)的數(shù)量,使用基于網(wǎng)格的運(yùn)動(dòng)估計(jì)算法代替?zhèn)鹘y(tǒng)的RANSAC算法來(lái)篩除錯(cuò)配點(diǎn)。實(shí)驗(yàn)證明,改進(jìn)后的SIFT算法進(jìn)行兩張圖像匹配時(shí)間提高了1s左右,并且未影響最終的拼接效果。植被識(shí)別實(shí)質(zhì)上是對(duì)圖像進(jìn)行語(yǔ)義分割后分別提取標(biāo)識(shí)出不同類別植被的區(qū)域。深度學(xué)習(xí)應(yīng)用于語(yǔ)義分割能夠?qū)崿F(xiàn)像素級(jí)的自動(dòng)精確分類,因此選擇深度學(xué)習(xí)框架實(shí)現(xiàn)植被識(shí)別。過(guò)程如下:使用標(biāo)定工具labelme對(duì)航拍圖像進(jìn)行人工標(biāo)注,之后對(duì)標(biāo)注后的圖像采用旋轉(zhuǎn)、添加噪聲以及隨機(jī)裁剪的方式進(jìn)行數(shù)據(jù)集擴(kuò)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(jìn)行訓(xùn)練,重復(fù)迭代訓(xùn)練得到最優(yōu)的模型,通過(guò)該模型進(jìn)行預(yù)測(cè)就能實(shí)現(xiàn)圖像的語(yǔ)義分割。通過(guò)植被識(shí)別,可以達(dá)到監(jiān)測(cè)林地生長(zhǎng)狀況的目的,方便林場(chǎng)的管理。根據(jù)實(shí)際的應(yīng)用,在Microsoft Visual Studio2010環(huán)境中使用C++語(yǔ)言編程實(shí)現(xiàn)了相關(guān)的算法模塊,設(shè)計(jì)并搭建了基于航拍拼接圖像的植被識(shí)別系統(tǒng)的界面,并將各個(gè)功能模塊整合到系統(tǒng)中,形成完整的識(shí)別系統(tǒng)。經(jīng)過(guò)實(shí)踐測(cè)試,表明該系統(tǒng)使用穩(wěn)定、操作便捷,能夠滿足項(xiàng)目需求。
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：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(jì)的植被識(shí)別系統(tǒng)的主對(duì)林場(chǎng)的生長(zhǎng)狀況進(jìn)行動(dòng)態(tài)的監(jiān)測(cè)，將無(wú)人機(jī)搭載相機(jī)進(jìn)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(shí)別，其中圖植被識(shí)別技術(shù)是植被識(shí)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(shí)時(shí)拼接航拍圖像的需求，需要對(duì)原始高分辨率的航拍預(yù)處理，航拍圖像的預(yù)處理對(duì)圖像拼接的后續(xù)工作有著非常重要的影獲取圖像時(shí)，圖像會(huì)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(duì)原始圖像進(jìn)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(qiáng)操作[35]。 圖像灰度化

第 2 章 航拍圖像拼接與植被識(shí)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(duì)圖像進(jìn)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(huì)造成特征點(diǎn)提取的誤差，為了能夠精確的對(duì)特征點(diǎn)純凈的圖像信號(hào)，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(jìn)行濾灰度值進(jìn)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(duì)圖像進(jìn)行變換，將原始圖域，在變換域中對(duì)圖像的變換系數(shù)進(jìn)行逆處理，當(dāng)對(duì)圖像理后得到的結(jié)果進(jìn)行反變換從而去除圖像的噪聲。轉(zhuǎn)換方、沃爾什-哈達(dá)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(lái)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(shí)，最大限度的對(duì)圖像的邊緣進(jìn)行保持�；谄⒎址匠袒膱D像以及提取圖像的邊緣。通過(guò)實(shí)驗(yàn)證明，基于偏微

【參考文獻(xiàn)】

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(jìn)的KAZE特征檢測(cè)算法[J];四川大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年03期

2 李鈺n

本文編號(hào)：2758140