無(wú)人機(jī)航空遙感系統(tǒng)具有圖像分辨率高、圖像實(shí)時(shí)傳輸、適合高危地區(qū)作業(yè)、成本低、機(jī)動(dòng)靈活等優(yōu)點(diǎn)，適用于低空高分辨率遙感數(shù)據(jù)的實(shí)時(shí)獲取，在區(qū)域性、工程性、災(zāi)害性和軍事性的遙感監(jiān)測(cè)中發(fā)揮著大型遙感系統(tǒng)難以替代的作用。無(wú)人機(jī)執(zhí)行遙感監(jiān)測(cè)任務(wù)時(shí)，需要實(shí)時(shí)傳輸其所獲取的圖像以及狀態(tài)數(shù)據(jù)，這就要求無(wú)人機(jī)航空遙感系統(tǒng)具備自動(dòng)、高速地完成圖像的獲取、壓縮、傳輸、處理、顯示以及存儲(chǔ)等功能。其中，確保遙感圖像處理的精準(zhǔn)性、實(shí)時(shí)性與可視性是無(wú)人機(jī)得以有效利用的重要前提條件。由于現(xiàn)有成像設(shè)備的性能所限，目前的航空遙感成像系統(tǒng)無(wú)法獲得大面積、高分辨率的觀測(cè)圖像，因此需要將獲取的序列遙感圖像進(jìn)行在線動(dòng)態(tài)拼接，以提高遙感圖像的信息獲取能力。
　　結(jié)合無(wú)人機(jī)航空遙感具體的應(yīng)用需求，本書(shū)針對(duì)航空遙感圖像拼接技術(shù)進(jìn)行了以下研究工作。
　　(1)根據(jù)無(wú)人機(jī)遙感圖像成像的內(nèi)、外方位元素，采用直角空間變換及二次線性插補(bǔ)方法，實(shí)現(xiàn)了遙感圖像校正。根據(jù)獲取的無(wú)人機(jī)飛行狀態(tài)參數(shù)，實(shí)現(xiàn)了連續(xù)兩幅無(wú)人機(jī)航空遙感快視圖像之間重疊區(qū)域的圖像范圍計(jì)算。
　　(2)提出一種分布存儲(chǔ)環(huán)境下的并行幾何校正算法，每個(gè)處理器通過(guò)計(jì)算本地輸入子圖像在目標(biāo)圖像中的范圍，確定其需要進(jìn)行重采樣計(jì)算的區(qū)域，使計(jì)算過(guò)程中所需的數(shù)據(jù)均為本地?cái)?shù)據(jù)，很好地解決了數(shù)據(jù)局部性問(wèn)題。利用首尾相連的閉線段近似表示理想的輸出圖像塊邊界，詳細(xì)討論了局部輸出區(qū)域的計(jì)算方法，并采用一種新的存儲(chǔ)結(jié)構(gòu)用于保存校正后的輸出圖像塊信息。
　　(3)基于圖像數(shù)據(jù)總體分布的統(tǒng)計(jì)，分析了飛行試驗(yàn)圖像的成像質(zhì)量。基于人眼亮度視覺(jué)特性曲線，結(jié)合小波變換和Curvelet變換特點(diǎn)，提出一種新的圖像增強(qiáng)方法，實(shí)現(xiàn)了無(wú)人機(jī)遙感序列圖像的自適應(yīng)增強(qiáng)處理。
　　(4)提出結(jié)合小波變換和Canny算法的邊緣提取算法，該算法將Canny算法的非極大值抑制、雙閾值算法與小波變換多尺度分析思想相結(jié)合，利用Canny算法在高分辨率圖像的精確定位性與小波變換后的低分辨率圖像的抗噪聲能力相結(jié)合，從而消除噪聲的干擾，提取更加完整的邊緣。
　　(5)將圖像匹配分為粗匹配和精匹配兩個(gè)步驟。在粗匹配計(jì)算中，首先確定待拼接的兩幅圖像之間的大致重疊區(qū)域，然后利用小波變換與Canny算法提取圖像邊緣，最后采用區(qū)域匹配法求得兩幅圖像的匹配點(diǎn)。在精匹配計(jì)算中，首先確定更小的搜索區(qū)域，然后利用最小二乘法計(jì)算得到待拼接圖像之間的最佳相對(duì)位置關(guān)系，最后根據(jù)匹配結(jié)果，實(shí)現(xiàn)兩幅圖像的拼接。
　　(6)基于人眼的顏色視覺(jué)特性分析，本書(shū)提出了一種具有抗亮度干擾能力的彩色圖像色差度量方法。利用顏色相似性分析，并引入?yún)f(xié)方差矩陣計(jì)算，給出了彩色圖像特征模板的提取方法。利用最小二乘法，建立了兩幅彩色圖像之間的亮度變換函數(shù)曲線，實(shí)現(xiàn)了基于基準(zhǔn)圖像亮度分布的伽馬校正。
　　(7)目標(biāo)的特征描述是跟蹤算法中的重要步驟，直接影響最終的跟蹤效果，決定整個(gè)跟蹤系統(tǒng)的性能�；�于分類(lèi)學(xué)習(xí)的目標(biāo)跟蹤一般不選擇較直觀的整體特征，而偏向由基本特征進(jìn)行局部特征統(tǒng)計(jì)，使特征描述子更易于區(qū)分且計(jì)算量較小。選擇目前成功應(yīng)用于目標(biāo)檢測(cè)的HOG特征作為目標(biāo)特征。
　　(8)傳統(tǒng)的離線分類(lèi)器需要人為標(biāo)記大量的樣本訓(xùn)練分類(lèi)器，當(dāng)待測(cè)樣本與訓(xùn)練樣本具有較大差異時(shí)，無(wú)法及時(shí)適應(yīng)目標(biāo)的外觀變化，且難以推廣到其他目標(biāo)類(lèi)型，分類(lèi)器應(yīng)用具有局限性�；�于檢測(cè)的跟蹤算法，在跟蹤過(guò)程中，跟蹤器根據(jù)上一幀的跟蹤結(jié)果信息在線更新分類(lèi)器，然后再對(duì)當(dāng)前幀檢測(cè)，以獲取當(dāng)前運(yùn)動(dòng)目標(biāo)的準(zhǔn)確預(yù)測(cè)位置，有效抑制跟蹤漂移。首先構(gòu)造目標(biāo)的外觀模型。在初始幀中隨機(jī)選擇大量含目標(biāo)區(qū)域以及含背景區(qū)域等的大圖像塊，分別提取HOG特征，標(biāo)記為正負(fù)樣本，然后將這些樣本特征集合作為訓(xùn)練樣本輸入SVM分類(lèi)器，即可訓(xùn)練得到目標(biāo)準(zhǔn)確的參數(shù)化外觀模型。由于HOG特征具有幾何不變的特性，經(jīng)過(guò)SVM訓(xùn)練后得到的目標(biāo)外觀模型將更加準(zhǔn)確。對(duì)文中所提出的遙感圖像處理算法，實(shí)現(xiàn)了仿真程序設(shè)計(jì)，驗(yàn)證了算法的可行性，完成無(wú)人機(jī)航空遙感圖像動(dòng)態(tài)拼接軟件的設(shè)計(jì)工作。
　　全書(shū)共分10章，第1章對(duì)無(wú)人機(jī)及遙感系統(tǒng)做了簡(jiǎn)單的介紹，針對(duì)遙感技術(shù)中的圖像匹配和融合，給予綜述性的論述；第2章研究拼接處理前的畸變校正以及去噪增強(qiáng)等圖像預(yù)處理工作；第3章研究基于圖像大邊緣提取的圖像拼接技術(shù)；第4章研究顏色空間和顏色相似性的度量關(guān)系，為基于像素顏色的相似性匹配計(jì)算提供理論基礎(chǔ)；第5章討論彩色圖像拼接；第6章研究目標(biāo)檢測(cè)中一些常用的圖像特征，詳細(xì)描述了HOG特征的提取方法；第7章研究支持向量機(jī)(SVM)算法的原理，詳細(xì)描述了基于HOG和SVM的目標(biāo)外觀模型的構(gòu)建；第8章研究并提出了基于最小生成樹(shù)模型的目標(biāo)模型，詳細(xì)描述了跟蹤模型的構(gòu)建過(guò)程，并將這種跟蹤算法應(yīng)用到多目標(biāo)跟蹤視頻中；第9章研究一個(gè)在線的、結(jié)構(gòu)化的SVM(StructuredSVM)框架中學(xué)習(xí)外觀模型參數(shù)和目標(biāo)間的相互關(guān)系參數(shù)，實(shí)時(shí)更新所有目標(biāo)的外觀模型和這些目標(biāo)間的結(jié)構(gòu)約束，使跟蹤器能夠及時(shí)適應(yīng)目標(biāo)和環(huán)境的變化；第10章總結(jié)全文并展望下一步的研究?jī)?nèi)容。
　　本書(shū)第1章至第5章由程遠(yuǎn)航編寫(xiě)，第6章至第10章由武剛編寫(xiě)。全書(shū)由程遠(yuǎn)航統(tǒng)稿。
　　作者的能力水平和學(xué)識(shí)有限，本書(shū)內(nèi)容如有不足之處，懇請(qǐng)讀者批評(píng)指正。
　　作者
　　2016年3月