基于分块聚类特征匹配的无人机航拍三维场景重建
无人机航拍图像三维重建技术研究综述
2020.22科学技术创新无人机航拍图像三维重建技术研究综述吴长嵩廖一鸣胡汪洋肖道洲（南京森林警察学院治安学院，江苏南京210023）随着时代在进步，以无人机为主的各项行业正在兴起，无人机航拍应用于许多地方，对山水景物、建筑、森林等等。
人工的灵活性弱，成本较高，并且容易出现事故，相比之下，通过长期航拍过程中发现，无人机的应用前景和范围比人工大很多。
因此可以把无人机航拍图像与三维重建技术相结合，通过对无人机航路规划研究和三维重建技术可以用于林业之中，森林的地形复杂，情况多变，可以利用无人机进行调查，从航拍到的图像进行三维重建。
1无人机航拍路线规划研究目前，有许多研究提出了多种不同的路径规划算法，可以为无人机航行路线进行实时动态地规划。
这些算法主要分为两大类：一类是基于先验信息的传统算法，这类算法需要事先获得地图信息再进行路径规划，常见的算法有A*（A-Star ）算法、PRM 算法（Probabilistic Roadmaps ，称为随机路径图或概率路径图算法）、CD 算法（Cell Decomposition ，称为细胞分割或单元分解算法）、APF 算法（Artifical Potential Field ，人工势能场算法）等；另一类是不依赖于先验信息的智能反应算法，这类算法基于仿生学原理，通过对实时获取的地理空间信息进行相应计算，得到所处的相对空间位置信息，再进行路径的规划，常见的算法有GA 算法（Genetic Algorithm ，遗传算法）、PSO 算法（Particle Swarm Optimization ，粒子群优化算法）、ABC 算法（Artificial Bee Colony Algorithm ，人工蜂群算法）、CS 算法（Cuckoo Search ，布谷鸟搜索或杜鹃搜索算法）。
1.1A*算法A*算法用于静态地图网络最短路径求解，算法复杂度低，求解速度极快，运算效率高，但准确度较差，在复杂路径情况下会出现搜索失败的现象。
使用无人机进行建筑物三维重建的方法与实践
使用无人机进行建筑物三维重建的方法与实践随着科技的进步和无人机技术的日益成熟，越来越多的领域开始使用无人机进行数据采集和分析，其中包括建筑行业。
传统的建筑物三维重建方法需要大量的人力和时间投入，而无人机技术的出现为建筑物三维重建提供了更为高效和精确的解决方案。
本文将介绍一些使用无人机进行建筑物三维重建的方法与实践。
一、无人机摄影测量技术无人机摄影测量技术是指通过无人机搭载的摄影设备进行拍摄，然后通过图像处理软件提取建筑物的三维信息。
这种技术具有成本低、速度快、效果好等优点，越来越受到建筑行业的关注和应用。
在进行建筑物的三维重建之前，首先需要选取适当的无人机和摄影设备。
无人机的选择要考虑到其承载能力、飞行性能和稳定性等因素，同时摄影设备要具备较高的像素和分辨率，以保证在拍摄过程中细节的捕捉和准确性。
在实际操作中，无人机需要按照预定的航线进行飞行，通过调整无人机飞行高度和角度等参数，使得建筑物的各个部分都能被充分拍摄到。
同时，在拍摄过程中还需要注意光线的影响，避免出现阴影过大或过暗的情况。
拍摄完毕后，将所得到的图像传输到计算机上进行处理。
处理的第一步是进行图像匹配，即根据不同图像中的特征点进行匹配，以确定建筑物在不同图像中的位置和姿态。
然后，通过三角测量原理和数学模型，计算出建筑物各个点在三维坐标系中的位置，从而得到建筑物的三维模型。
二、无人机激光扫描技术除了摄影测量技术外，无人机激光扫描技术也是一种常用的建筑物三维重建方法。
这种方法通过搭载激光扫描仪的无人机进行扫描，获取建筑物表面的点云数据，然后通过建模软件将点云数据转化为三维模型。
激光扫描技术的优势在于其高精度和高密度的数据采集能力。
在扫描过程中，激光扫描仪会以极高的速度连续发射激光束，并记录下激光在建筑物表面反射后返回的时间和位置信息，从而计算出建筑物各个点的三维坐标。
这些点的集合就构成了点云数据。
将点云数据转化为三维模型需要使用建模软件。
首先，要对点云数据进行处理，包括去除噪点、补充缺失的数据等。
基于无人机序列图像的三维场景重建
基于无人机序列图像的三维场景重建林思;左小清;张建柱;李勇发;李海强【期刊名称】《河南科学》【年(卷),期】2016(034)009【摘要】This paper describes the method of 3D reconstruction based on sequence images of unmanned aerial vehicle,mainly relates to the image feature point extraction and matching,sparse point cloud reconstruction,dense point cloud reconstruction,3D point cloud gridding,texture mapping. Finally,an example is presented to demonstrate the process of 3D reconstruction and the final effect. It shows that this method can be used to reconstruct the 3D scene with high accuracy and high fidelity.%阐述了无人机拍摄的序列图像三维重建的方法，主要涉及图像之间特征点的提取与匹配、稀疏点云重建、密集点云重建、三维点云格网化、纹理映射，最后通过实例演示三维重建过程和最终效果，表明此方法可以重建出高精度、照片级逼真的三维场景。
【总页数】5页(P1531-1535)【作者】林思;左小清;张建柱;李勇发;李海强【作者单位】昆明理工大学，昆明 650000;昆明理工大学，昆明 650000;昆明理工大学，昆明 650000;昆明理工大学，昆明 650000;昆明理工大学，昆明 650000【正文语种】中文【中图分类】P235.2【相关文献】1.基于分块聚类特征匹配的无人机航拍三维场景重建 [J], 宋征玺;张明环2.无人机影像的三维场景重建与漫游研究 [J], 朱留果;何卫红;阮晓雨;陈天聪;杨可明3.一种基于无人机序列图像的地形地貌三维快速重建方法 [J], 陈亮;熊自明;邓涛;张鑫4.基于WorldWind与无人机影像的三维场景重建与漫游研究 [J], 朱留果;何卫红;阮晓雨;陈天聪;杨可明5.基于无人机序列图像的多视图几何三维重建研究 [J], 黄炯荣;鲁铁定因版权原因，仅展示原文概要，查看原文内容请购买。
无人机航拍图像的三维重建方法研究
机械设计与制造Machinery Design & Manufacture 47第5期2021 年 5 月无人机航拍图像的三维重建方法研究周祖鹏，张晓东，甘良棋（桂林电子科技大学机电工程学院，广西桂林541000）摘要:在无人机为载体的基础上进行对目标场景的三维重建,就是结合无人机和计算机视觉技术，利用无人机操作灵活性，视角可控制性等优点。
为实现更加完整的三维模型的重建，提出一种基于多图像拼接三维重建算法。
基本思路是在 无人机为载体的基础上，从不同方向获取目标物体的图像，通过自标定方法获取相机内参数，采用图像拼接融合技术对 多幅图像分析、合成，从而最大限度地对建筑物场景的各种特征信息的描述。
进一步对拼接融合后的图像进行特征点提取和点云匹配，从而获取全景图空间特征点三维点云，获得一个较为真实的重构对象的三维模型。
实验结果表明，改进后的重构方法的精度较高，适合在许多场景三维重建的应用。
关键词:无人机；自标定;图像拼接;匹配;三维重建中图分类号:TH16；TP391.9 文献标识码:A 文章编号：1001-3997(2021 )05-0047-04Research on 3D Reconstruction Method of Aerial Image of DroneZHOU Zu-peng , ZHANG Xiao-dong , GAN Liang-qi(College of Mechanical and Electrical Engineering , Guilin University of Electronic Technology , Guangxi Guilin 541000,China )Abstract ： On the basis of the UAV as the carrier , t he three-dime ns ional reconstruction of the target scene is combined with the UAV and computer vision technology , utilizing the operational flexibility ofthe UAV and the controllability ofthe viewing angle. In order to realize the reconstruction of a more complete 3D model , a multi-image mosaic 3D reconstruction algorithm is proposed. The basic idea is to obtain the image ofthe target object from different directions on the basis qfthe UAV as thecarrier , obtain the parameters ofthe camera by s e l f-c alib r ation method , and analyze and synthesize multiple images by imagemosaic fusion technology to maximize the construction of the camera. Description of various feature information of the scene. The feature points extraction and point cloud matching are further performed on the stitched and merged images , so as to obtain a three-dimensional point cloud of the panoramic feature points of the panoramic image , and obtain a realistic three -dimensional model of the reconstructed object. The experimental results show that the improved reconstruction method hashigher precision and is suitable for 3D reconstruction in many scenes.Key Words ：Drone ； Self-Calibration ； Image Stitching ； Matching ； Three-Dimensional Reconstruction1引言基于无人机的易控性，以无人机为载体从不同的方位对目标进行航拍获取图像。
高精度航拍图像处理与建筑三维重构技术研究
高精度航拍图像处理与建筑三维重构技术研究摘要：随着航空遥感技术与计算机视觉技术的蓬勃发展，高精度航拍图像处理与建筑三维重构技术逐渐成为研究热点。
本文通过分析目前的研究现状，重点讨论了航拍图像处理中的图像匹配与特征提取、建筑三维重建算法以及相关应用。
同时，针对这些领域当前存在的问题和挑战，提出了一些可能的解决方案和未来研究方向。
1. 引言航空遥感技术的快速发展为高精度航拍图像处理与建筑三维重构技术的研究提供了广阔的应用空间。
航拍图像处理旨在解决图像配准、去除噪声、图像特征提取等问题，而建筑三维重构则需要利用处理好的航拍图像进行建筑物的准确三维重建。
这两个研究领域相辅相成，互相促进，对于城市规划、工程测量、文化遗产保护等领域的发展具有重要意义。
2. 航拍图像处理航拍图像处理中的关键问题包括图像配准、去噪和特征提取。
图像配准是指将航拍图像与地面参考图像进行对应，以便进行后续处理。
传统的图像配准方法包括基于特征点的方法和基于特征区域的方法，但这些方法在复杂背景下容易出现错误匹配。
近年来，深度学习在图像配准中的应用逐渐增多，通过学习图像间的特征关系，可以提高配准的准确性和鲁棒性。
去噪是指在图像处理过程中，去除图像中的噪声以提高图像质量。
常用的图像去噪方法包括均值滤波、中值滤波、小波变换等。
然而，由于航拍图像中存在大量的细节和复杂背景，传统的去噪方法往往会导致图像模糊和细节丢失。
因此，需要研究更精细的去噪技术，以满足高精度航拍图像处理的需求。
特征提取是指从航拍图像中提取出具有代表性的特征点或特征区域，用于后续的建筑三维重建。
传统的特征提取方法包括SIFT、SURF等，但这些方法在复杂背景下容易丢失关键信息。
近年来，基于深度学习的特征提取方法取得了显著的进展，例如基于卷积神经网络的特征提取网络可以实现更高效、更准确的特征提取。
3. 建筑三维重构建筑三维重构是基于航拍图像进行的建筑物几何模型的重建。
目前主要采用的方法包括基于视觉几何的方法和基于点云的方法。
基于无人机图像序列的三维重建方法综述
图１无人机 三维重建方法及应 用示意 图
２ ． 数据获 取
无人 机 的 图像获 取主 要通 过 机载 云 台实 现 ，云 台 的安装 可 以在 最大 程度 上保 证 拍摄 数据 的稳定 性 ，减少 由于 飞行过 程 中机 身抖 动 而产 生 的噪 声 。其 中按 照获 取数 据类 型 主要 可 以分 为视 频数 据和 图 像数 据 ， 以大 疆 经 纬Ｍ １ ０ ０ 所 搭 载 的ｚ ３ 云 台为例 ，视 频数 据 最 大支 持４ Ｋ清 晰 度ｍｏ ｖ 格 式 视 频 的 拍摄 ，图 像清 晰 度 也 可达 Ｎ２ １ ６ ０ Ｐ 【 ３ 】 。 按照 获取 数据 方 式主 要可 以分为 程序 获取 和 手动 获取 ，程 序 获取 通 过终 端程 序按 照 飞行 区域 自动规 划航 迹 ，设 定满 足三 维 重建 的 最大 拍摄 间 隔 ，收集 需要 数 据 ，手动 获 取则 通过 人 眼观 测 ，实 时选 择要 拍摄 的 图片 ，或 直接 从 拍摄 的视 频 中截 取 需要 的 图片 ， 自动 获 取 的 优 点在 于效 率较 高 ，不 存在 信 息冗 余 ，手动 获取 则 难 以把握 需 要 的 数据 量 ，甚至 出现信 息无 法满 足三 维重 建 需要 的情 况 。
Ｅ Ｌ Ｅ Ｃ Ｔ Ｒ ＯＮ ｌ Ｃ Ｓ ＷＯ Ｒ Ｌ Ｄ・ ｊ ５ ｉ ｉ 。 与挈 粤 ｌ 寡
基于无人机 图像序列 的三维重建方法综述
武警工程大学信息工程 系 刘 睿
【 摘要 】无人机作为新兴的科技装备 ，在军用和民用领域均得到 了广泛的应 用。简要介绍了运用术 ，对 主要 实现 方法 进行 了综 述 。
【 关键词 】 无人机 ；图像序列；三维重建
图像 特 征 点 的 识 别 配 准 简单 来 说 就 是 通 过 特 定 的 图像 配 准算 法 ，对 选 定 图像序 列 中的 每一 张 图像进 行 特征 点 的识别 ，将 图像 中 具 有特 殊 意义 或特 殊参 数 的 点标记 出来 ，生成 唯一 描述 符 ，将 图像 序 列 中图像 进 行两 两 匹配 ，匹 配过 程为 对 两张 图像 上所 有 点描 述符 做 出判 定 ，找 出意 义相 同 的点 。 目前主 要 的图像 配准 算法 有 Ｓ Ｉ Ｆ Ｔ 、 Ｆ ＡＳ Ｔ 、Ｓ Ｕ Ｒ Ｆ 等 ， 由于无 人机 拍 摄 图像 涉及 到 旋转 、尺 度 、光 照等 系列 变化 ，这就 对算 法 的鲁 棒性 和不 变 性 （ 旋转 不变 性 、尺 度不 变 性 、光 照不 变性 ）提 出了较 高要 求 ，按 照使 用场 景 ，选 择合 适 的 图像处 理算 法 可 以极大 的提 高建模 速 度和 效果 。
无人机航拍重建三维场景技术研究
无人机航拍重建三维场景技术研究无人机技术的发展使得其在多个领域中得到了应用。
其中，无人机航拍技术在地理勘测、城市规划和灾难监测等领域中的应用越来越广泛。
借助于无人机航拍技术，可以便捷地获取大量的图像数据，并通过重建三维场景来实现精确测量和分析，从而实现更好的应用效果。
本文将从无人机航拍技术、三维场景重建、数据处理等方面展开介绍，分析无人机航拍重建三维场景技术的研究现状和趋势。
一、无人机航拍技术无人机航拍技术是依靠无人机设备在航空过程中捕捉地表和物体影像信息的方法。
其优点明显，相比传统地面测量手段，不但不受地形起伏、水域障碍等因素影响，同时还节省时间和人力成本，提高勘测效率。
随着无人机制造和导航技术在近年来的迅猛发展，无人机航拍技术被应用于诸多领域，如土地勘测、水利工程、建筑监理、城市规划等。
二、三维场景重建三维场景重建是依靠算法对无人机所获得的大量影像数据进行处理，从而得到真实物体的三维形态的技术。
即，从多角度的影像数据中建立三维场景，将三维视景中的物体准确地测量并显示。
这项技术的成熟与否，影响着无人机航拍数据的最终应用效果和精度。
随着无人机技术的不断提升，三维场景重建技术也在不断发展和完善。
目前，三维场景重建技术主要分为两类，即从大量图像中在计算机中自动重建和手工制作等传统技术。
三、数据处理在无人机航拍技术中，数据应采取严格的处理，以保证数据的可靠性。
首先要考虑影像数据的征集，确保采集到完整准确的图像数据，根据实际情况，选择不同的过滤器、滤波算法，从而清除噪声、纹理等影响因素。
接下来，数据应根据实际测绘要求，结合无人机定位系统，建立合适的三维坐标系。
最后，在数据后处理中，需要进行区域切片，并进行拼接处理等，获取完整的三维场景数据。
四、研究现状和趋势当前，无人机航拍技术和三维场景重建技术的应用正在不断推广。
例如，无人机航拍技术在路况监测和智慧交通中的应用已经展现出广阔的市场前景，而三维场景重建技术在土地测量和建筑监理中的应用也正在得到推广。
无人机航拍图像的建筑物模型重建
无人机航拍图像的建筑物模型重建无人机航拍图像在现代城市规划和建筑设计过程中扮演了不可或缺的角色。
通过无人机航拍图像可以获取高分辨率的建筑物影像，然后利用计算机视觉和图像处理算法，可以对建筑物进行三维模型重建。
本文将对无人机航拍图像的建筑物模型重建方法进行介绍和讨论。
首先，无人机航拍图像的建筑物模型重建需要获取高质量的原始图像。
无人机航拍图像的分辨率和清晰度直接影响到建筑物模型重建的精度。
因此，在进行航拍任务之前，需要选择适当的摄像设备，并使用高质量的图像传感器来捕捉建筑物的影像。
此外，飞行路径的规划也是重要的一步，要确保图像的重叠度足够，以便后续的图像匹配和重建处理。
其次，无人机航拍图像的建筑物重建可以通过图像处理和计算机视觉算法进行。
首先，需要进行图像匹配，将航拍图像中的不同角度和位置的图像匹配到一起。
图像匹配可以通过特征提取和特征匹配的方法来实现。
接下来，通过相机参数的标定和几何约束，可以将匹配后的图像进行三维坐标点云的生成。
然后，可以使用点云数据进行建筑物的表面重建，生成建筑物的三维模型。
最后，可以通过纹理贴图和颜色处理来增加建筑物模型的真实感。
在无人机航拍图像的建筑物模型重建中，还需要考虑一些挑战和难点。
首先，建筑物通常具有复杂的结构和几何形状，对于一些具有特殊形状和细节的建筑物，模型重建可能面临困难。
其次，无人机航拍图像的获取受到天气、光照和风力等因素的限制，这可能导致图像质量下降、光照不均匀等问题。
此外，无人机航拍图像的处理和计算量较大，需要使用高效的算法和计算资源来进行处理。
针对上述挑战和难点，研究人员提出了许多方法和技术来提高无人机航拍图像的建筑物模型重建效果。
例如，可以将传统的计算机视觉算法与深度学习方法相结合，利用深度神经网络来提取和匹配图像特征，从而提高模型重建的精度和鲁棒性。
此外，还可以通过利用多个传感器的数据融合，如激光雷达和相机的联合利用，来增加建筑物模型的准确性和完整性。
无人机航拍影像处理与三维重建技术研究
无人机航拍影像处理与三维重建技术研究无人机航拍影像处理与三维重建技术的发展日益成熟，为各个领域带来了广泛的应用，包括城市规划、测绘、农业、环境保护等。
本文将对无人机航拍影像处理和三维重建技术的研究进行探讨，并深入了解其现有的应用和未来的发展。
首先，无人机航拍影像处理是指利用无人机进行航拍，并通过对航拍影像进行处理来获取有用信息的过程。
这项技术利用了无人机的机动性和高空俯瞰的视角，可以获取高分辨率的影像数据，为后续的分析和处理提供了基础。
在无人机航拍影像处理中，图像配准是一个重要的环节。
图像配准是指将航拍的多个影像对齐在同一个坐标系下，以便后续的分析和测量。
常见的图像配准方法包括特征点匹配、地物特征提取和几何变换等。
这些方法能够准确地将不同位置和角度下的影像对齐，从而构建出完整的航拍影像。
除了图像配准外，无人机航拍影像处理还包括图像增强和目标提取等步骤。
图像增强旨在提高图像质量和视觉效果，常见的方法包括色彩增强、锐化和去噪等。
目标提取则是通过图像处理算法将航拍影像中的目标物体提取出来，以便后续的分类和分析。
而无人机航拍影像处理技术的另一个重要应用是三维重建。
三维重建通过将航拍影像转化为地理信息系统（GIS）中的三维模型，实现对地理空间的可视化。
三维重建技术一般分为两个步骤：点云生成和模型重建。
点云生成通过将航拍影像转化为稠密的三维点云数据，记录了地物的位置和形态信息。
模型重建则是在点云的基础上，利用三维建模算法将点云数据转化为更加真实的三维模型。
这些模型可以用于城市规划、建筑设计和文化遗产保护等领域。
无人机航拍影像处理与三维重建技术在各个领域都有广泛的应用。
在城市规划中，无人机航拍影像处理可以提供高分辨率的地物信息，帮助规划师更好地了解城市的发展情况，并进行合理的规划设计。
在测绘领域，无人机航拍影像处理可以提供大范围、高精度的地形数据，为地理信息系统的更新和建设提供了新的数据来源。
在农业方面，无人机航拍影像处理可以用于监测农田的生长状况和病虫害的发生，从而优化农业生产过程。
无人机拍摄图像的三维重构技术研究
无人机拍摄图像的三维重构技术研究随着科技的进步，无人机已经成为了许多领域的焦点。
在无人机应用中，无人机拍摄图像的三维重构技术研究已经引起了广泛的关注。
本文将探讨无人机拍摄图像的三维重构技术的研究现状和未来发展。
一、无人机拍摄图像的三维重构技术的研究背景无人机已经得到了广泛的应用，例如农业、测绘和建筑等领域。
这些应用需要高精度的地理信息和建筑信息，因此无人机拍摄图像的三维重构技术也越来越受到关注。
二、无人机拍摄图像的三维重构技术的原理首先，无人机会飞行并拍摄一系列的图像。
这些图像需要经过预处理，例如去畸变、匹配特征点和校正等。
然后，这些图像需要进行立体配准，计算相机的位置和方向。
最后，三维重构需要进行三维模型的生成和纹理映射。
三、无人机拍摄图像的三维重构技术的研究现状目前，无人机拍摄图像的三维重构技术已经取得了一些成果。
例如，利用三角测量技术进行测绘和定位。
同时，SfM（Structure from Motion）技术也被广泛地应用。
这项技术可以利用多视图图像来恢复场景的三维结构。
每个视角都会提供一些图像特征，这些图像特征可以用于重建三维场景。
四、无人机拍摄图像的三维重构技术的未来发展虽然目前无人机拍摄图像的三维重构技术已经取得了一定的进展，但是仍然存在许多挑战。
例如，如何解决大规模拍摄、自动化处理和精度控制等问题。
同时，如何利用更多的传感器来提高三维重构的精度也是一个重要的开发方向。
总之，无人机拍摄图像的三维重构技术将会在未来得到更广泛的应用。
未来的研究将专注于提高三维重构的精度、速度和自动化程度。
同时，更多的传感器也将被引入来提高三维重构的质量和精度。
无人机航拍图像处理与三维重建技术研究
无人机航拍图像处理与三维重建技术研究第一章引言随着无人机技术的快速发展，无人机航拍图像处理与三维重建技术正逐渐成为研究热点。
无人机航拍图像具有全方位、高分辨率等特点，可以广泛应用于土地测绘、建筑勘测、文物保护等领域。
本章将首先介绍研究的背景与意义，进而概述本文的结构。
第二章无人机航拍图像处理技术2.1 图像获取与处理流程无人机航拍图像处理的核心是图像获取与处理流程。
首先，无人机通过搭载相机等设备获取航拍图像。
随后，对航拍图像进行预处理，包括图像去噪、图像配准、图像去畸变等操作。
最后，通过图像分割、特征提取等算法提取感兴趣目标。
2.2 图像配准与拼接技术图像配准与拼接是无人机航拍图像处理的重要环节。
图像配准是将多个航拍图像通过寻找对应点进行位置对准的过程。
图像拼接则是将多个配准后的图像拼接成全景图，保持图像的连续性与一致性。
2.3 图像去畸变技术航拍图像在镜头成像过程中会产生畸变，影响图像的准确性与质量。
图像去畸变技术通过校正畸变参数，将畸变图像转变为几何上保真的图像。
第三章三维重建技术3.1 三维模型的生成方法三维重建技术旨在通过航拍图像生成精确的三维模型。
基于图像的三维重建方法主要有结构光、视觉几何和体元法等。
结合无人机航拍图像的特点，基于视觉几何的方法被广泛应用。
3.2 点云生成与处理技术点云是三维模型的基本表达形式，是大规模点的集合。
通过无人机航拍图像进行三维重建时，首先需要生成稠密点云，之后可以进行点云滤波、点云配准等处理操作。
3.3 三维模型的质量评估对于生成的三维模型，需要进行质量评估以保证模型的准确性与可靠性。
该评估主要包括模型拓扑结构、点云密度、模型精确度等指标。
第四章应用案例与展望4.1 土地测绘领域无人机航拍图像处理与三维重建技术在土地测绘领域具有巨大潜力。
通过无人机航拍可以高效获取大面积土地的准确图像信息，结合三维重建技术可以生成真实的三维地形模型。
4.2 建筑勘测领域无人机航拍图像处理与三维重建技术在建筑勘测领域可以实现快速、高效的建筑物信息采集与分析，有助于提高勘测精度与工作效率。
基于无人机的航拍影像处理与三维场景重建研究
基于无人机的航拍影像处理与三维场景重建研究随着无人机技术的不断发展，航拍影像处理和三维场景重建在各个领域中扮演着越来越重要的角色。
无人机航拍影像可以为地理测绘、城市规划、建筑设计、环境监测等提供高精度、高效率的数据支持。
因此，研究基于无人机的航拍影像处理与三维场景重建成为了当前的热点话题，本文就该主题进行深入研究。
一、介绍无人机航拍影像处理与三维场景重建是利用无人机拍摄得到的影像数据，通过一系列的图像处理技术和算法，实现对航拍影像的分析、建模和重建的过程。
通常，该过程可分为以下几个步骤：影像获取、图像预处理、特征提取、场景建模和重建等。
二、影像获取在无人机的航拍影像处理与三维场景重建中，首先需要获取高质量的航拍影像。
无人机一般配备了高清数码相机或传感器，能够拍摄出高分辨率的影像。
在影像获取过程中，需要考虑无人机的飞行路径、拍摄角度和时间等因素，以获得全面且准确的影像数据。
三、图像预处理在获取到航拍影像后，需要对影像进行预处理。
这一步骤主要包括图像去噪、去畸变、色彩校正和图像配准等操作。
去噪处理可以提高影像的质量，并去除在拍摄过程中产生的噪声；去畸变操作可以对镜头产生的畸变进行修正，提高影像的几何精度；色彩校正可以调整影像的颜色平衡，保证图像的色彩一致性；图像配准可以将多幅影像进行位置和方向的校正，使得影像之间可以进行对比和分析。
四、特征提取在预处理完影像后，需要对图像中的特征进行提取。
特征提取是无人机航拍影像处理的关键步骤之一，目的是识别和描述图像中的关键特征点，为后续的建模和重建提供基础。
常见的特征提取算法包括SIFT（尺度不变特征转换）、SURF（加速稳健特征）以及ORB（旋转不变特征）等。
通过对图像中的特征进行提取和描述，可以形成特征点集合，为三维场景重建提供数据支持。
五、场景建模和重建特征提取完成后，可以开始进行场景建模和重建。
场景建模是根据航拍影像中的特征点集合，构建三维场景模型的过程。
如何进行低空航拍和三维重建—技术原理解析
如何进行低空航拍和三维重建—技术原理解析随着航拍技术的不断发展，低空航拍和三维重建越来越受到追捧。
它们被广泛应用于建筑、地理测绘、文化遗产保护等领域，极大地提高了工作效率和质量。
那么，如何进行低空航拍和三维重建呢？下面就让我们一起来解析一下这些技术的原理。
首先，低空航拍的原理十分简单。
通过无人机等航拍设备搭载的高分辨率相机，将目标区域从不同角度进行拍摄，并将图片传输到地面上的控制终端。
然后，借助图像处理软件将这些照片进行拼接、校正，最终形成整张清晰、准确的地面影像。
在这一过程中，航拍设备的遥感技术发挥了关键作用，它可以通过红外线、激光等技术获取大气、地表、地下各种信息，提供给地面控制终端。
接下来，我们来看一下三维重建的原理。
三维重建是指通过低空航拍技术获取的图像，借助计算机视觉、图像处理等技术，将二维图像转化为三维模型。
这个过程可以分为四个步骤：影像预处理、特征提取、点云生成和模型重建。
首先，影像预处理是指对航拍图像进行去噪、纠正、校正等操作，以优化图像质量。
在这一步中，密集匹配算法可以用来提取相邻图片中相同地物的特征点，并进行校正，以消除影像的扭曲。
接下来，特征提取是指从航拍图像中提取地物的特征信息。
这可以通过图像分割、边缘检测等方法来实现。
特征提取的结果将作为后续步骤的输入数据。
然后，点云生成是指根据特征点的位置和相机的参数，使用三角测量等算法，将特征点云合成为三维点云。
点云的质量和密度对最后的模型质量有重要影响，因此在生成点云时需要注意设备的精准度和采样密度。
最后，通过对点云进行分割、拟合等算法，将点云转化为可视化的三维模型。
这个过程中需要考虑模型的精度和平滑度，以及对不同地物的识别和分类。
综上所述，低空航拍和三维重建的技术原理相对简单，但实际操作中存在许多挑战。
例如，航拍设备的稳定性和精准度对图像质量有很大影响；图像处理和计算机视觉算法的准确性和效率也是关键因素。
此外，数据存储和传输、隐私保护等问题也需要考虑。
无人机航拍影像处理中的三维重建算法研究
无人机航拍影像处理中的三维重建算法研究随着科技的快速发展，无人机技术在各行各业中得到越来越广泛的应用，其中之一便是无人机航拍影像处理。
由于无人机可以飞到人类难以到达的高空，可以拍摄出高清晰度的航拍照片和视频，因此无人机航拍影像处理成为了一种相对便捷、高效的数据获取方式。
然而，大量的影像数据需要进行处理和分析，其中三维重建算法就是其中之一。
三维重建即是通过多张照片或视频画面，将其分析后生成一张完整的三维环境模型，是无人机影像处理的重要应用之一。
首先，无人机航拍影像处理需要进行双目视觉像对几何校正，即处理两张不同视角的照片。
对于几何校正的方法，目前主要有两种，分别是基于特征点的方法和基于区域的方法。
基于特征点的方法是指通过对照片进行识别，提取照片中相同的特征点，通过计算这些点之间的距离和角度来完成几何校正。
而基于区域的方法则是利用不同区域之间的几何关系进行校正，可以提高校正算法的鲁棒性。
其次，无人机航拍影像处理需要进行影像匹配，即将多张照片中的同一物体进行匹配，并将其生成三维模型。
在影像匹配中，可以采用基于特征点的方法、基于卷积神经网络的方法和深度学习的方法等。
其中，基于特征点的方法是最常用的方法之一，在匹配时需要先对照片中的特征点进行提取和描述，之后通过计算特征点间的距离和角度进行匹配。
然而，由于无人机航拍影像数据量较大，传统的匹配算法需要大量的计算，因此其效率较低，且精度较难保证。
为此，人们开始研究和应用深度学习算法，采用神经网络训练获取匹配的特征，从而提高了三维重建的效率和精度。
最后，生成的三维模型需要进行质量评估，以减小因匹配误差、光线不足、影响深度信息等因素引起的模型质量不佳的问题。
目前，无人机航拍影像处理的三维重建模型质量评估方法较多，主要包括基于3D测量的方法、基于信噪比的方法、基于重叠度的方法和基于纹理的方法等。
其中，基于3D测量的方法是对生成的三维模型进行测量，利用真实数据和生成数据之间的差异进行评估。
基于分块聚类特征匹配的无人机航拍三维场景重建
西 北 工 业 大 学 学 报 Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｗｅｓｔｅｒｎ Ｐｏｌｙｔｅｃｈｎｉｅａｌ ＵｎｉｖｅＮｏ．４
基 于 分 块 聚 类 特 征 匹配 的无 人 机 航 拍 三 维 场 景 重建
关 键 词 ：图像 匹配 ；像 素 点 ；无人 机航 拍 视频 ；三 维 重建 ；聚 类 中 图分类 号 ：ＴＰ３９１．４ 文献标 志码 ：Ａ 文 章编 号 ：１０００—２７５８（２０１６）０４—０７３１一Ｏｒ７
随着计 算 机视 觉理 论 以及无 人 机平 台技 术 的迅 猛发展 ，无人机视觉研究将 重新定义未来人类感知 世 界 的能 力 与范 围 。无 人 机视 觉研 究 已经逐 步从 二 维 的图像 处理 、分 析发 展为 三维 场景 的重构 与解 析 。 复杂 大场 景 的三维 重建 是 当前 国 内外研 究 的热点 问 题 。无 人 机平 台在获 取三 维数 据方 面具 有视 角灵 活 性大 、飞行成本低 以及时效性强等优势 ，可得到同一 场景连续多视角、海量无标定图像序列 。ＳＦＭ重建 框架¨ 无需相机标定信息 ，仅 利用序列 图像特征 的 内在约束 ，通过捆绑调整迭代优化 可同时得到场景 的三维结构与相机的位姿信息 。因此 ，ＳＦＭ重建框 架 是 一种 重要 的无 人 机航 拍 图像序 列 的三维 重建 方 法 。为海量图像建立内在约束是该框架应用于无人 机 图像 序 列三 维 重建 最 为 基 础 且 耗 时 的步 骤 ，因此 快速实现大场景的三维结构分析的首要任务 即高效 率地建立 图像间特征匹配关联 。为 了最大限度获取 图像间的约束关联 ，该框架采 用序列 中当前 图像与 既往所有 的图像进行配 准 的策 略 Ｊ。但是航 拍 图 像 的分辨率较高、数量大 ，图像序列间隔较远的 ２帧 信息重叠率低 ，采用上述策略将造成不必要 的冗余 计算。在 目标识别领域 中，词汇树 是一种高效 的 海 量信 息 检索 机制 。本 文 拟利 用词 汇树 技术 对 图像 集合进行量化 ，将 图片相似度 的评估转化为 向量 的
基于特征点匹配的三维重构技术研究
基于特征点匹配的三维重构技术研究近年来，随着计算机技术不断进步，三维重构技术也逐渐成为了科技领域的热点话题。
三维重构技术可以通过利用数学和计算机视觉技术，将二维图像转化为三维模型，从而实现对物体形状、大小、纹理等方面的重建和描述。
而其中基于特征点匹配的三维重构技术，又是一种较为普遍和应用广泛的重构方法。
一、特征点匹配的原理在基于特征点匹配的三维重构技术中，特征点的定义是指对于同类物体之间的相似特点所对应的关键点。
比如，在两张图片中，如果同一物体的某些特征点在不同的图像上都能够被准确地检测到，那么就可以把这些特征点作为比较点进行匹配，从而获取到更多的三维信息。
在实际应用中，特征点匹配主要分为三个步骤：1. 特征点检测：首先，需要对两张或多张图像进行特征点的检测，以便提取出有意义的特征点，这一过程通常采用SIFT(Scale Invariant Feature Transform)或SURF (Speeded Up Robust Feature) 等特征点检测算法，提取出的特征点具有无关尺度，旋转和亮度变化的抗性。
2. 特征点描述：在完成特征点检测后，需要将检测出的特征点进行描述，以便进行匹配，这一过程中需要使用到特征描述符。
常用的特征描述符有ORB (Oriented FAST and Rotated BRIEF)、BRISK(Binary Robust Invariant Scalable Keypoints)、FREAK (Fast Retina Keypoint Descriptor)等。
3. 特征点匹配：最后一个步骤就是特征点匹配，旨在找到两个图像之间的相似特征点，以便确定物体的三维形状。
主要的匹配算法有SIFT匹配算法、基于相似性矩阵的特征点匹配算法、局部特征表达和比较算法等。
二、基于特征点匹配的三维重构技术的发展基于特征点匹配的三维重构技术经历了长期的发展，在不断的探索和实践中，逐渐发展出了许多重要的算法和技术。
一种基于无人机多视角的三维重建方法及装置[发明专利]
![一种基于无人机多视角的三维重建方法及装置[发明专利]](https://img.taocdn.com/s3/m/5c12170986c24028915f804d2b160b4e767f819a.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010393797.1(22)申请日 2020.05.11(71)申请人 北京航空航天大学地址 100191 北京市海淀区学院路37号(72)发明人 曹先彬 罗晓燕 杜文博 张旭东 (74)专利代理机构 北京永创新实专利事务所11121代理人 祗志洁(51)Int.Cl.G06T 17/00(2006.01)G06T 7/55(2017.01)G06T 5/50(2006.01)G06N 3/04(2006.01)(54)发明名称一种基于无人机多视角的三维重建方法及装置(57)摘要本发明公开了一种基于无人机多视角的三维重建方法及装置，属于计算机图像处理技术领域。
本发明方法包括：无人机航拍场景多视角的二维图像，输入三维重建模型处理，获取相应视角下优化后的深度图，将各视角下优化的深度图融合得到场景的三维点云；三维重建模型提取图像的特征图进行单应性变换和构建代价矩阵，生成深度概率分布图，回归为初始深度图，再与参考图融合，输入深度残差学习网络，优化深度图。
本发明装置包括处理器和存储器；存储器中存储实现所述三维重建方法的计算机程序；处理器执行所述计算机程序，进行场景三维重建。
本发明降低了三维场景重建时的耗时以及资源占用等问题，实现了速度更快、准确率更高的三维场景重建。
权利要求书2页 说明书6页 附图2页CN 111652966 A 2020.09.11C N 111652966A1.一种基于无人机多视角的三维重建方法，其特征在于，该方法包括如下步骤：步骤1，通过无人机航拍获得待三维重建场景下的多视角的二维图像，选取其中一张为参考图像；步骤2，对每个二维图像通过二维卷积神经网络提取二维特征图；步骤3，将提取的特征图进行单应性变换，变换为与参考图像平行的平面，利用单应性变换后的特征图构建代价矩阵；步骤4，将代价矩阵利用多尺度结构的三维卷积神经网络生成深度概率分布图；步骤5，将深度概率分布图利用熵操作回归为初始深度图；步骤6，将初始深度图与参考图像融合，再输入一个深度残差学习网络，输出优化的深度图；步骤7，对所述的二维卷积神经网络、三维卷积神经网络和深度残差学习网络进行训练，优化网络参数；其中，将初始深度图与优化的深度图分别与标定的真实深度图求一阶范数再求和，作为训练时的损失函数；每个训练样本为多视角的二维图像，标签为场景的真实深度图；在训练好网络后，依次将步骤1不同视角下的二维图像作为参考图像，执行步骤2～6，得到相应视角下的优化的深度图，最后，将各视角下的优化的深度图进行融合，得到最终的场景的三维点云。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２０１６ 年 ８ 月 第 ３４ 卷第 ４ 期
西北工业大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｗｅｓｔｅｒｎ Ｐｏｌｙｔｅｃｈｎｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ
Ａｕｇ． ２０１６ Ｖｏｌ．３４ Ｎｏ．４
基于分块聚类特征匹配的无人机航拍三维场景重建
宋征玺１， 张明环２
（１．西北工业大学 图书馆， 陕西 西安 ７１００７２；２．西北工业大学 航天学院， 陕西 西安 ７１００７２）
别标注为 ５ 种不同的灰度， 圆圈所示位置为聚类中 心的坐标：
式中， ｘ、ｙ 分别表示第 ｉ 个特征点的像素位置，并得 到第 ｋ 个聚类下图像块 ４ 个方向的边界，并映射到原 始图像的尺度下． 当前图像与待匹配图像分块聚类 结果如图 ３ 所示。
图 ２ 图像的特征聚类特性与分组示意图
图 ３ 聚类分块特征示意图
Ｌ
为 ｋ 类， 产 生 Ｋ⁃ｍｅａｎｓ 聚 类 中 心 数 为 ｔ ＝ ∑ｋｌ ＝
ｌ＝０
ｋＬ＋ ｋ
１
－
－ １
ｋ，即描述该场景的
ｔ
个词汇
Ｃ
＝
｛
ｃ
ｉ
｝
。
为提高
检索效率而采用其熵值将序列中的每帧图像特征集
量化到词汇中。 场景包含图像集合 Ｐ ＝ ｛ｐｊ｝，Ｎ 为图 像总数。 ｎｉ 表示包含有特征在词汇树中路经该聚类 中心 ｃｉ 的图像数，ｍｉ，ｊ 为聚类中心 ｃｉ 出现在图片 ｐｊ 中 频数。 一帧图像可通过以下公式量化
ｗｉ，ｊ
ቤተ መጻሕፍቲ ባይዱ
＝
ｍｉ，ｊ
×
ｌｇ
Ｎ ｎｉ
（１）
逐帧量化序列中所有图像特征，可以将图像集
合 Ｐ ＝ ｛ｐｊ｝ 的特征转化为由权值构成的 ｔ × Ｎ 矩阵。
æ ｗ１，１ ｗ２，１ … ｗｔ，１ ö
ç
÷
Ｈ
＝
ç ｗ１，２
ç çç è
︙ ｗ１，Ｎ
ｗ２，２ ︙ ｗ２，Ｎ
… … ︙
ｗｔ，２ ÷
︙ ｗｔ，Ｎ
÷ ÷÷ ø
该无人机航拍视频三维重建是一个离线处理系 统，但其中的图像特征获取与匹配，三维重建系统中 的参数优化与捆绑调整，以及多视角渲染中的基于 面片的匹配、膨胀、过滤操作均要面临海量计算的问 题，因此提高运算速度是系统设计所面临的首要问 题。 为了使系统处理效率提高，除了在采用前述算 法的改进以及优化，本系统选用高性能计算机作为 运行平台；此外，大量的使用共享内存作为大数据高 速通 信 的 手 段， 不 使 用 硬 盘 或 网 络， 以 减 少 计 算 延迟。
征匹配 Ｓｔｅｐ３．２ 对查询图像已匹配特征分别进行 Ｋ⁃ｍｅａｎｓ 聚类， 根据聚类对特征进行分组并利用（ ５） 式对当前图像
分块。 Ｓｔｅｐ３．３ 将图像分块映射回原始图像，构建 ＫＤ⁃ｔｒｅｅ 子树，计算特征匹配关联 Ｓｔｅｐ ４ 记录查询图像与待匹配图像集合的特征匹配关联，连接具有匹配关系的图像串生成特征迹。
１．２ 图像局部特征匹配约束
对每一帧缩略图像的特征子集合建立 ＫＤ⁃ｔｒｅｅ，
并利用 ＦＬＡＮＮ 最近邻算法将当前图像与待匹配集
合中所有图像计算匹配． 对已匹配特征分别进行 Ｋ⁃
ｍｅａｎｓ 聚类， 如图 ２ 所示，将图像特征聚为 ５ 类并分
·７３２·
西 北 工 业 大 学 学 报
第 ３４ 卷
无人机航拍图像的分辨率较大，为提高运算效 率本文对所有序列图像建立缩略图，并通过 ＳＩＦＴ 算 子提取所有图片的局部特征。 采用 Ｋ⁃ｍｅａｎｓ 聚类方 法对特征集合进行有层次的聚类，训练过程如图 １ 所示。
图 １ 基于 Ｋ⁃ｍｅａｎｓ 算法的场景特征训练学习
若对特征集合进行 Ｌ 层聚类，每一层的特征分
本文提出了基于分块聚类特征匹配的无人机航 拍三维场景重建方法，旨在提高 ＳＦＭ 重建框架在建 立图像间特征关联阶段的算法执行效率。 本文对航 拍数据库 ＰＡＭＶｉｅｗ［９］ 中多个不同场景进行三维重
收稿日期：２０１６⁃０３⁃１８
基金项目：航天支撑技术基金（ Ｎ２０１５ＫＣ０１２１） 资助
作者简介：宋征玺（１９９０—） ，女，西北工业大学硕士研究生，主要从事计算机视觉及应用的研究。
ï
ｘ
Ｆｉ（
ｘ，ｙ）
）
îï右界：ｍａｘ（ ｘ
Ｆ
ｉ（
ｘ，ｙ）
）
由于图像具有局部一致性假设［３］ ，即匹配的特 征附近分布大量的有价值匹配特征。 因此根据图像 之间的分块匹配信息，对在原始尺度下的图像块建 立 ＫＤ⁃ｔｒｅｅ 子树，计算局部特征匹配信息。 １．３ 算法流程
无人机航拍图像特征分块聚类匹配算法的执行 流程如表 １ 所示，该算法的输入是无人机航拍图像 序列， 输 出 是 特 征 匹 配 迹 （ ｔｒａｃｋ） 。 该 迹 可 以 用 于 ＳＦＭ 重建系统的捆绑调整迭代优化。
对比，得到待匹配图像集合。 ２ 帧图像的配准主要有基于树形索引结构
（ ｔｒｅｅ⁃ｂａｓｅｄ ｍｅｔｈｏｄ ） 与 基 于 邻 域 匹 配 查 询 （ ｐａｔｃｈ ｍａｔｃｈ） 这 ２ 类方法［３］ 。 自然场景中的特征常常呈现 簇状的聚类特性，因此通过设计有效的索引树结构 可以大大加快检索的速度。 从最为经典的 ＡＮＮ ＋ ＫＤ⁃ｔｒｅｅ 到 Ｋ⁃ｍｅａｎｓ ｔｒｅｅ［４］ 、 ｂｂｄ⁃ｔｒｅｅ、 ＴＳＶＱ［５］ 、 Ｖｐ⁃ ｔｒｅｅ［６］ 以及多种的随机化的 ＫＤ⁃ｔｒｅｅ［７］ 均有效提高了 特征整理的效率。 但是该类方法均孤立衡量特征的 匹配性。 基于邻域匹配的查询方法能够充分利用特 征关联性。 大量实验证明基于邻域匹配的方法比 ＫＤ⁃ｔｒｅｅ＋ＰＣＡ［８］ 的查询方法快近 ２０ ～ １００ 倍。 但是 该类方法不事先组织数据，因此随机采样得到的备 选数据有时难于正确匹配。 本文所提出的分块聚类 方法，在缩略图尺度下计算索引树结构特征匹配信 息，利用 Ｋ⁃ｍｅａｎｓ 聚类算法对匹配的特征进行聚类 得到特征分布密集的块影射到原始尺寸下，进行局 部图像块特征的匹配。 充分结合 ２ 种匹配思路的优 势，实现由粗到细的局部配准。
法将查询图像与序列中图像的相关性度量问题将转
化为向量 ｑ 与矩阵 Ｈ 的行向量相似度计算问题。 通
过逐个计算 ｑ 与训练集图像的 ｈｉ 的 ２ － 范数
ｓ（ｑ，ｈｉ） ＝
ｑ － ｈｉ ‖ｑ‖ ‖ｈｉ‖
（４）
得到序列中所有图像与查询图像的相关度评分，用
快速排序算法选择一定数量的图像构成待匹配图像
集合。
（２）
至此完成了对场景描述词汇的量化。 重新以序
列中每帧图像为查询图像，构建其缩略图的特征集
合。 对词汇树中的每一个聚类中心 ｃｉ，即描述场景 的每一个单词计算与查询图像的相关度权值向量，
公式如下
ｗｉ
＝
ｍｉ
×
ｌｇ
Ｎ ｎｉ
（３）
式中， ｍｉ 为查询图像特征在单词中出现的频数，生
成查询图像的权值向量：ｑ ＝ ［ｗ１，ｗ２，…，ｗｔ］。 该方
第４期
宋征玺，等：基于分块聚类特征匹配的无人机航拍三维场景重建
·７３１·
建实验，证明该算法能够提高图像匹配阶段的运算 速度，并优化整个重建系统的执行效率。 实验结果 证明优化后的系统对多类不同场景进行三维重建时 具有较高的可信性和有效性。
１ 无人机航拍图像分块聚类匹配算法
１．１ 待匹配图像集合构建 ＳＦＭ 重建框架是将图像序列中建立的特征匹
第４期
宋征玺，等：基于分块聚类特征匹配的无人机航拍三维场景重建
·７３３·
２ 三维重建系统设计
无人机航拍视频三维重建系统旨在对输入系统 中的无人机数据得到场景的三维重建结果。 ２．１ 系统需求
分析三维重建技术的应用领域，利用无人机平 台所采集到的数据离线进行三维场景的重建系统需 要满足以下需求：
无人机航拍视频的三维重建系统以无人机采集
到的场景多视点航拍视频图像为输入，通过离线处 理的方式计算出场景的三维结构以及相机位姿，并 在 ｍｅｓｈｌａｂ 环境中显示。 根据前述的无人机航拍视 频三维重建算法研究，本系统的功能模块主要有：特 征匹配模块、三维机构重建模块以及可视化渲染模 块等，系统的输入是离线得到的无人机视频，系统的 输出是格式为∗．ｐｌｙ 文件在 ｍｅｓｈｌａｂ 环境中显示。
类，聚类中心数为 ｔ Ｓｔｅｐ２．２ 利用（１） 式对每一帧图像特征集进行量化，并得到权值矩阵 Ｈ Ｓｔｅｐ２．３ 利用（３） 式构建当前图像权值向量 ｑ，并根据（４） 式与矩阵 Ｈ 计算相关度向量 Ｓｔｅｐ２．４ 对向量的元素使用快速排序算法得到相关度较高的 ２０ 张图像构成待匹配图像集合 Ｓｔｅｐ ３ 图像局部特征匹配约束 Ｓｔｅｐ３．１ 对查询图像的特征集合与待匹配图像集合中每张图像的特征集合构建 ＫＤ⁃ｔｒｅｅ， 并采用 ＦＬＡＮＮ 计算特
无人机航拍图像特征分块聚类匹配算法
表 １ 算法流程
目标： 对给定的无人机航拍图像序列，计算特征匹配关系并在序列中建立特征匹配迹。 算法： Ｓｔｅｐ １ 对航拍序列图像从水平与垂直 ２ 个方向进行降采样（ 间隔为 ４ 个像素） ，得到缩略图序列，并提取 ＳＩＦＴ 特征
集合 Ｓｔｅｐ ２ 待匹配图像集合构建 Ｓｔｅｐ２．１ 合并序列中所有图像 ＳＩＦＴ 特征集合 Ｆ ＝ ｛ ｆ｝ ，利用 Ｋ⁃ｍｅａｎｓ 聚类方法进行 Ｌ 层聚类， 每层的特征分为 ｋ