本發(fā)明涉及數據處理，具體為用于垂直起降無人機的圖像采集與數據處理系統。

背景技術：

1、無人機圖像采集技術是將航測相機搭載在無人機上，實現對特定區(qū)域的高精度、高分辨率的影像采集，將采集到的數張有重疊部分的圖像拼成一幅無縫的全景圖或高分辨率圖像，這樣可以擴展視野范圍，實現全景圖像的獲取，在申請?zhí)枮閏n202311629194.7發(fā)明專利中公開了“一種基于ai+無人機的圖像識別系統及圖像識別方法，其包括：網絡接口層，其用于接收圖像識別請求和待識別的場景圖像；動態(tài)庫層，其連接所述網絡接口層，用于存儲若干不同的圖像識別模型；以及芯片，其用于搭載所述網絡接口層、動態(tài)庫層；所述圖像識別請求、待識別的場景圖像通過所述網絡接口層發(fā)送至所述動態(tài)庫層，所述動態(tài)庫層接收所述網絡接口層發(fā)送的圖像識別請求，并根據所述圖像識別請求加載對應的圖像識別模型，并通過該圖像識別模型對待識別的場景圖像進行識別檢測，并生成圖像檢測結果。本技術將獨立的網絡接口層、動態(tài)庫層、解碼器均搭載在高算力芯片上，可在無人機機體上實時完成圖像的高效檢測，同時可實現ai框架及圖像識別模型的擴展能力?！?；

2、上述現有技術解決了無法對于場景中圖像信息進行識別以及檢測等問題，但是在系統運行時，并且對拍攝區(qū)域進行劃分，無人機在采集過程中可能會出現區(qū)域拍攝遺漏的情況發(fā)生，并且對于采集到的圖像信息也沒有進行畸變校正，導致圖像信息中的部分像素點位置發(fā)生了偏移，在后續(xù)多張圖像信息的分析過程中將會造成較大的誤差，同時該系統不能夠對圖像信息進行拼接，使得操作人員無法獲取更加全面的圖像信息。

技術實現思路

1、本發(fā)明的目的在于提供用于垂直起降無人機的圖像采集與數據處理系統，以解決上述背景技術中提出的問題。

2、為實現上述目的，本發(fā)明提供如下技術方案：用于垂直起降無人機的圖像采集與數據處理系統，包括圖像幾何變換單元；

3、區(qū)域劃分單元，所述區(qū)域劃分單元將拍攝的區(qū)域劃分成多個子區(qū)域，對每個子區(qū)域逐個進行編號后，根據編號構建對應的數據集；

4、圖像采集單元，所述圖像采集單元利用無人機中搭載的hy-t5航測相機對于每個子區(qū)域分別進行拍攝，所述hy-t5航測相機的分辨率為6252×4168像素，設定無人機的拍攝高度后，對于每個子區(qū)域各采集200張圖像信息，將這些圖像信息作為初始圖像信息存儲至對應的數據集中；

5、圖像預處理單元，所述圖像預處理單元提取各個子區(qū)域對應數據集中的初始圖像信息后，利用圖像畸變校正模型計算得到圖像信息中各個像素點的理論成像坐標后，對圖像信息中像素點位置進行調整，從而得到畸變校正后的圖像信息，根據灰度級分布概率密度函數對當前圖像的灰度級對應像素數目進行設定，通過像素分析算法對圖像信息進行計算，得到每個圖像信息對應的峰值信噪比后，通過均值濾波法對圖像信息包含的噪點進行刪除，利用像素分析算法根據處理后的圖像信息對應像素值計算出當前圖像信息的像素均值，確定當前圖像信息對應的峰值信噪比，將原圖像信息對應的峰值信噪比數值和當前圖像信息對應的峰值信噪比數值進行比對操作；

6、圖像特征匹配單元，所述圖像特征匹配單元利用高斯濾波構建圖像尺度空間，將相鄰圖像的像素點進行相減從而確定出局部極值點及其具體位置，根據圖像局部梯度構建出每個圖像對應的特征點以及特征向量，利用遺傳算法以及ransac算法對于相鄰圖像的特征點中產生的匹配點進行調整，刪除誤匹配點。

7、優(yōu)選的，所述圖像預處理單元包括畸變校正模塊和灰度級分析模塊，所述畸變校正模塊提取各個子區(qū)域對應數據集中的初始圖像信息后，利用圖像畸變校正模型根據徑向畸變系數和每個像素點與圖像中心之間的像素距離計算得到圖像信息中各個像素點的理論成像坐標后，利用理論成像坐標對圖像信息中像素點位置進行調整，從而得到畸變校正后的圖像信息，將其存儲至相應的數據集中，并刪除相應的初始圖像信息，所述灰度級分析模塊將圖像信息中的灰度級通過變換函數進行處理后，得到校正后的圖像灰度信息，利用概率密度分析算法根據校正后的圖像灰度信息進行計算，得到當前圖像對應的灰度級分布概率密度函數，根據灰度級分布概率密度函數對當前圖像的灰度級對應的像素數目進行設定，得到新的圖像信息，將其存儲至相應的數據集中，并刪除原先的圖像信息，所述圖像畸變校正模型具體為：

8、

9、其中，xcorrected,ycorrected表示平面坐標系中像點(x,y)的理論成像點，r表示像點(x,y)與圖像中心(x0,y0)的像素距離，kn表示徑向畸變系數。

10、優(yōu)選的，所述圖像預處理單元還包括噪點刪除模塊和信噪比確定模塊，所述噪點刪除模塊通過像素分析算法對圖像信息進行計算，得到每個圖像信息對應的峰值信噪比后，確定圖像信息中存在的噪點數量，通過均值濾波法對圖像信息包含的噪點進行刪除，所述信噪比確定模塊確定當前圖像信息中每一個像素點對應的像素值后，利用像素分析算法根據這些像素值計算出當前圖像信息的像素均值，從而得到當前圖像信息對應的峰值信噪比，所述像素分析算法具體為：

11、

12、

13、其中，(x,y)表示像素點坐標，m表示鄰域s內的像素數量，m表示圖像像素的行數量，n表示圖像像素的列數量，pmax表示圖像中最大的像素值，rp表示峰值信噪比，f(x,y)表示任意一點(x,y)的像素值，g(x,y)表示像素均值。

14、優(yōu)選的，所述圖像預處理單元還包括信噪比分析模塊，所述信噪比分析模塊將原圖像信息對應的峰值信噪比數值和當前圖像信息對應的峰值信噪比數值進行比對，若當前圖像信息對應的峰值信噪比數值大于原圖像信息對應的峰值信噪比數值且差值大于閾值時，則將當前圖像信息存儲至數據集中，并刪除對應的原圖像信息，反之則將當前圖像信息通過均值濾波法再次進行處理。

15、優(yōu)選的，所述圖像特征匹配單元包括圖像梯度分析模塊和特征向量生成模塊，所述圖像梯度分析模塊利用高斯濾波構建圖像尺度空間后，遍歷圖像尺度空間中的所有圖像，將相鄰圖像的像素點進行相減后，在相減后的圖像中確定局部極值點以及具體位置，將局部極值點作為關鍵點，并分析關鍵點周圍的圖像梯度，確定每個關鍵點的主方向和輔助方向，所述特征向量生成模塊選定尺度和方向后，測量每個關鍵點周圍領域內圖像局部梯度，根據圖像局部梯度構建出每個圖像對應的特征點以及特征向量。

16、優(yōu)選的，所述圖像特征匹配單元還包括匹配優(yōu)化模塊，所述匹配優(yōu)化模塊通過flann算法對于相鄰圖像的特征點進行粗匹配后，再利用遺傳算法以及ransac算法對于粗匹配中產生的匹配點進行調整，刪除其中包含的誤匹配點，所述flann算法是一種特征匹配和識別的算法，所述遺傳算法是一種通過模擬自然進化過程搜索最優(yōu)解的方法，所述ransac算法是一種基于隨機采樣的迭代算法。

17、優(yōu)選的，所述圖像幾何變換單元包括坐標平移模塊和變換矩陣分析模塊，所述坐標平移模塊將每個特征匹配點的坐標進行平移，使其質心點移動至原點，對這些點按照設定比例進行縮放，使得所有點到達原點的平均距離等于預先設定值，所述變換矩陣分析模塊利用dlt算法根據特征匹配點坐標進行計算得到對應的投影變換矩陣，將圖像重疊的部分進行對齊后，分析出重疊的部分上特征匹配點對應的偏移量，并對這些點的坐標進行平移，從而得到新的投影變換矩陣，所述dlt算法是一種直接線性變換算法。

18、優(yōu)選的，所述圖像幾何變換單元還包括圖像拼接生成模塊，所述圖像拼接生成模塊利用特征細化模型刪除圖像信息中的離群點后，通過平滑約束算法對于圖像未重疊的部分對應投影變換矩陣進行調整，根據優(yōu)化后的投影變換矩陣得到最終的圖像拼接結果，并將其通過可視化界面進行輸出。

19、與現有技術相比，本發(fā)明的有益效果是：

20、本發(fā)明通過區(qū)域劃分單元將拍攝區(qū)域劃分成多個子區(qū)域，并對每個子區(qū)域逐個進行編號，防止無人機在采集過程中出現區(qū)域拍攝遺漏的情況發(fā)生，并且這樣做也使得后續(xù)圖像拼接時能夠更加順利，同時圖像預處理單元則會對于采集到的圖像信息進行畸變校正，使得圖像信息中偏移位置的像素點能夠調整至實際位置，減少圖像信息存在的誤差，并且將圖像灰度級對應的像素點數目進行設定，降低相鄰圖像之間色彩的差異性，使得圖像拼接的結果能夠更加顯著，利用像素分析算法對于原圖像信息以及處理后的圖像信息對應峰值信噪比數值進行計算，確保圖像中的噪點能夠更加全面的被刪除，進一步提高了圖像信息的質量，通過圖像特征匹配單元以及圖像幾何變換單元使得相鄰圖像信息順利完成拼接操作，并且在圖像特征匹配單元中利用遺傳算法以及ransac算法對于現有的特征匹配點進行調整，使得誤匹配點能夠被及時發(fā)現以及刪除。