论文部分内容阅读
作为新兴的遥感获取平台,无人机由于其高分辨率、高时效性、低成本、低风险收到越来越广泛的重视和应用。在处理无人机序列图像时既要保证处理质量,又对处理的时效性提出了要求,这样才能体现出无人机遥感平台的优势所在。无人机数据配准作为无人机数据下发后的第一步也是关键的一步,其处理效率一直是处理的瓶颈。本文通过无人机图像成像特点入手,从目前无人机遥感平台的成像质量的影响因素分析无人机图像配准需要解决的问题。综合考虑采用彩色SIFT (Scale Invariant Feature Transform)算法解决无人机序列图像的自动配准问题,提升配准效果。改善传统算法只对灰度影像进行处理而产生的特征混淆、误匹配等问题。通过实验证实彩色SIFT算法比传统SIFT算法获取的特征点数多1.7倍以上。在影像有较大倾角或较多水体等情况,彩色SIFT的优势更加明显。并通过GPU(Graphic Processing Unit)在图形处理方面的优势,改进彩色SIFT算法,提高无人机图像自动配准效率,解决海量的无人机任务数据处理的瓶颈问题。在CPU-GPU并行运算系统中,将匹配过程中一些计算量比较大的算法模型通过GPU并行处理,减少了无人机影像配准时间,提升了数据处理效率。GPU的提升效率与图像尺寸成正比,图像越大越能发挥GPU运算优势,在对3648×2736大小的影像进行处理时,基于CPU-GPU算法处理速度达到单独CPU运算的61倍以上。CPU-GPU运算的优势结合彩色SIFT算法效果,整体上提升无人机数据自动配准效率,为无人机数据快速处理提供有效、可行的一条道路。本文主要内容包括:1.从无人机遥感平台特点以及无人机序列图像的成像特点出发,分析无人机CCD序列图像的自动匹配不仅需要考虑几何不变性又需要考虑彩色不变性。研究基于彩色SIFT的无人机图像配准算法,解决了图像特征提取的几何不变性以及彩色不变性的问题。并提出了基于分块策略的无人机影像配准的优化方法,减少了误差传递并提高了计算效率。2.根据CPU-GPU计算平台,对彩色SIFT算法进行设计与实现,分析如何在GPU上实现彩色不变算法、几何特征点检测算法、特征向量匹配等功能,最后基于CUDA平台分析如何对整个算法进行优化。3.搭建CPU-GPU运算的软硬件环境,设计实验流程。从无人机数据预处理到基于四叉树的航带影像分块拼接,构建完整的无人机序列影像快速配准拼接流程。对基于彩色SIFT无人机图像配准算法、基于CPU-GPU的彩色SIFT算法、无人机图像拼接算法进行实验和验证,并对结果进行分析。