基于遥感图像配准的非结构化道路变化检测算法研究

发布时间：2020-04-18 11:59

【摘要】：非结构化道路(Unstructured roads)在城市和乡村道路之中占据重要的地位。检测它们的变化信息是自然灾害评估、地理数据更新、意外风险检测、道路灾害评估、城市规划和军事目标的动态监测等领域中不可缺少的内容。然而,非结构化道路通常不具有清晰的车道线和道路边界,并且易受诸如光照、阴影、天气变化等环境因素的影响。因此,检测它们的变化信息变得越来越困难。本文提出了一种利用小型无人机(Small unmanned aerial vehicle,SUAV)遥感图像配准方法进行多时相和多视角非结构化道路变化检测的新框架,该方法在将多时相和多视角图像转换为同一坐标系中起着重要作用并确定了非结构化道路变化检测的有效性。拟提出框架的主要贡献如下:(i)图像增强和图像聚类用于图像预处理,以减少外部因素(如:大气、太阳高度角、无人机飞行角等)的影响;(ii)生成使用来自预训练的视觉几何组(Visual geometry group,VGG)网络层的多尺度深度卷积特征描述符,并结合几何结构形状上下文特征以形成用于提取道路特征的互补特征,此外,VGG-16网络用于提取特征点以使提取的特征点均匀分布在图像中,从而减少冗余点对匹配精度的影响;(iii)采用动态调整内点数的策略以最大化利用图像潜在信息,从而提高点集配准过程的稳健性;(iv)引入全局和局部的几何结构双约束项以约束特征点集配准过程中的图像转换成本和特征点集的特征结构,并防止图像转换过程中所造成的不适定问题(ill-posed problem)产生的误匹配;(v)构造混合特征描述符的框架,可以任意调整两个特征之间的权重,以稳固道路特征描述。来自不同视角和不同时相的SUAV(DJI Phantom 4 Pro)图像的三步实验结果验证了所提出的框架的鲁棒性和准确性,证明了其在非结构化道路图像中的可实施性。本文还比较了五种最先进的图像配准方法和两种最先进的变化检测方法,其中本文提出的方法在大多数情况下表现出良好的性能。
【图文】：

路图,图像,多时相,变化检测

当我们所选择拍摄的两幅图像的时期比较接近时，，图像灰度的分布可能会由于光照强度的差异而发生改变[3,4]。有必要消除各种干扰因素引起的“伪变化”的影响，将感兴趣的变化（即：道路的变化）检测出来是本文的研究重点。本文考虑人是如何从多时相的图像中找出二者的变化，使用各种信息特别是人的知识和经验，如何将人的这些知识和经验量化应用到变化中就是本文需要研究的问题。所以，本文从特征方面综合分类算法去研究变化检测的问题。

图像配准,内点,冗余

如在 SIFT 和 SURF 中，获得可靠的内点对（即一个特征点集中的点在另一个特征点集中具有相应的点）。为了防止不稳定或不正确的内点匹配，这种方法中的阈值通常固定在相对较高的相似性测量值上。然而，这种设置要求丢失可用的潜在图像信息，即丢失了一部分潜在的内点对。换言之，失去了的潜在内点对将降低图像配准的精度，而恢复了的内点对如果被用作图像转换过程中的控制点则将提高转换精度，且控制点越多，转换越精细。同样也可以这样表达，配准算法的重点是恢复底层变换，同时剔除冗余点（即，点在任何集合中都没有对应项），并使用某些约束减少它们对转换的负面影响。然而，这些约束被设计成只保留特征点（如 CPD[27]中著名的运动一致性理论（Motioncoherence theory，MCT）），而不是图像本身。此外，由于特征点的“静态”提取（即具有固定阈值的特征点提取），将筛选出少量的内点同时获得大量的冗余点（而这些冗余点里将会有一部分点是有用的，在图像转换过程中充当控制点引导图像的转换）。图 1.2 展示两种控制阈值方法（静态和动态）的示例。
【学位授予单位】：云南师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;U495

【相似文献】