基于SIFT特征的无人机航拍图像拼接

求精每幅图像对应的旋转矩阵和摄像机焦距来实现拼接的方法，这种经典的理论体系仍被沿用至今。当前基于空间域的算法中，基于图像特征的拼接算法已成为研究的主流。2003年，M．Brown和D.G.Lowe[3]提出了一种基于SIFT不变量的图像拼接算法，这种算法适应性强，准确率高，而且算法完全自动完成且效果很好。2004年，赵向阳，杜立民[4]利用Harris算法提取角点并进行匹配，然后采用鲁棒变换估计待拼接图像的变换矩阵。这种算法在一定程度上提高了配准算法的稳健性，但是计算速度比较慢。2008年，李玲玲[5]提出了一种SIFT和Harris-Affine互补不变特征匹配的自动拼接算法，该算法去除了图像序列的尺度、旋转等几何变形与光照的影响，实现了大矢量图像的自动拼接。但由于Harris-Affine的迭代算法速度很慢，从而导致拼接算法速度变慢。

虽然近年来图像拼接技术不断涌现，但是，用这些方法对无人机获取的航拍图像进行拼接仍存在很多困难。首先，无人机获取的图像具体数据量大、重叠度高，为了快速的得到大视场图像就必须使用图像快速自动拼接系统来处理它的航拍图像图像；其次，无人机体积比较小,自稳定性和抗风能力差,虽然装有自动驾驶与增稳陀螺,但是在拍照的过程中不可避免地会出现倾斜、抖动,相机本身也存在镜头的几何畸变,因此无人机拍摄的图像相对于真实场景都有大的仿射变形。

本文针对无人机航拍图像的特点，选择能适应大的平移、旋转及尺度不变性的sift特征作为图像的拼接特征，对不同拍摄条件下获取的无人机航拍图像进行了拼接。试验结果表明，这种方法速度快，准确性好，为无人机的航拍图像处理提供了一种可行的方法。

1无人机航拍图像拼接流程

根据无人机航拍图像的特点，图像拼接由四部分组成：图像几何校正、图像配准、变换矩阵计算、图像融合。几何校正是对成像过程中所产生的一系列畸变进行校正，产生一幅符合某种地图投影或图形表达要求的新图像，并且将变形的图像纠正，统一到建立的坐标系中，建立测量地物的坐标信息[6]。图像配准是指对图像间的匹配信息进行提取，在提取出的信息中寻找最佳的匹配，完成图像间的对齐。图像配准是图像拼接最关键的步骤。图像融合是指在配准以后对图像进行缝合并平滑边界，让图像过渡自然。图像拼接的流程如图1所示。其中，图像配准与融合是流程中最主要的步骤。

图像校正图像配准求解变换矩阵图像融合

图1图像拼接流程

2无人机航拍图像的配准

无人机航拍图像的配准主要有两个步骤：特征提取和特征匹配。图像配准算法一般可以分为基于频率域和基于空间域两类方法。由于无人机图像有高重合度和大数据量的特点，所以选择基于特征的配准方法更为合适。

2.1SIFT特征提取

无人机在飞行时由于受到气流等方面的影响，传感器和目标的相对位置不断发生变化，导致图像上目标物的特征的尺度也随之改变，因此，对于提取的图像特征须具有尺度不变性，即当特征尺度变化时，特征点检测器仍然能够准确的检测出不变特征点的位置及其对应的尺度。

本文利用SIFT特征检测器在图像的尺度空间内进行特征检测，确定特征点在图像上的精确位置以及该特征点的尺度。首先，利用二维高斯核函数对图像进行尺度变换，得到图像多尺度空间的系列信息。二维高斯核函数

G（x,y,σ）1

2πσ2

e-(x2+y2)2σ2（1）图像的尺度空间L（x,y,σ）可表示为：

L（x,y,σ）=G（x,y,σ）*I(x,y)（2）式（1）、（2）中，σ为尺度参数，I(x,y)表示输入图像，*为在图像坐标(x,y)处的卷积运算。然后，对尺度空间L（x,y,σ）的第二层进行下采样，并继续进行上述高斯卷积，重复多次这样的计算后得到高斯金字塔。最后，为得到具有良好的独特性（Distinctiveness）和稳定性（Stability）的特征的，在图像二维平面空间和DoG(Difference-of-Gaussian)尺度空间中同时检测局部极值以作为特征点。DoG算子定义为两个不同尺度的高斯核的差分，是归一化LoG(Laplacian-of-Gaussian)算子的近似。DoG算子如式(3)所示：D（x,y,σ）=[(G（x,y,kσ）-G（x,y,σ）)]*I（x,y）

=L（x,y,kσ）=L（x,y,σ）（3）对于图像上的点，计算其在每一尺度下DoG算子的响应值，这些值组成了特征尺度轨迹曲线。特征尺度曲线的局部极值点即为该特征的尺度。尺度轨迹曲线上完全可能存在多个局部极值点，这时可认为该点有多个特征尺度。

2.2SIFT特征匹配

SIFT特征匹配算法包括两个阶段，第一阶段是SIFT特征向量的生成，即从多幅待匹配图像中提取出对旋转、尺度、亮度变化无关的特征向量；第二阶段是SIFT特征向量的匹配。

2.2.1SIFT特征向量的生成(图2）

1）通过拟和三维二次函数以精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点(因为DoG算子会产生较强的边缘响应)，以增强匹配稳定性、提高抗噪声能力。

2）利用特征点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性。m（x,y）=

[L(x+1,y)-L(x-1,y)]2+[L(x,y+1)-L(x,y-1)]2

姨（4）θ（x,y）=tan-1[(L(x,y+1)-L(x,y-1)]/

[L(x+1,y)-L(x-1,y)]（5）m（x,y）和θ（x,y）分别为特征点领域像素（x,y）处梯度的模值和方向公式。其中L所用的尺度为每个关键点各自所在的尺度。在实际计算时，在以关键点为中心的邻域窗口内采样，并将邻域像素的梯度方向用直方图统计。梯度直方图的范围是0～360度，其中每10度为一个柱，总共36个柱。直方图的峰值则代表了该关键点处邻域梯度的主方向，即作为该关键点的方向。

在梯度方向直方图中，当存在另一个相当于主峰值80%能量的峰值时，则将这个方向认为是该特征点的副方向。此时，一个特征点可能会存在多个方向（一个主方向，一个以上副方向），这样做可以增强匹配的鲁棒性。至此，每个关键点有三个信息：位置、尺度和方向。由此可以确定一个SIFT特征区域。

3）生成SIFT特征向量。为确保特征的旋转不变性，首先将图像坐标轴旋转为特征点的主方向，然后以特征点为中心取8×8的窗口。假定图2（a）的中心点为当前特征点的位置，每个小格代表特征点邻域所在尺度空间的一个像素，箭头长度代表梯度模值，箭头方向代表该像素的梯度方向，图中蓝色的圈代表高斯加权的范围（越靠近特征点的像素梯度方向信息贡献越大）。然后在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点，如图2（b）所示。此图中一个关键点由2×2共4个种子点组成，每个种子点有8个方向向量信息，特征向量共32维。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。实际计算过程中，为了增强匹配的稳健性，Lowe 建议对每个关键点使用4×4共16个种子点来描述，这样对于一个关键点就可以产生128个数据，即最终形成128维的SIFT特征向量。此时SIFT特征向量已经去除了尺度变化、旋转等几何变形因素的影响

，

（a）图像梯度信息（b）特征点描述

图2特征点邻域梯度信息生成SIFT特征向量

再继续将特征向量的长度归一化，则可以进一步去除光照变化的影响。

2.2.2生成SIFT特征初匹配集

当两幅图像的SIFT特征向量生成后，采用特征向量的欧式距离来作为两幅图像中特征点的相似性判定度量。取图像1中的某个特征点，并找出其与图像2中欧式距离最近的前两个特征点，在这两个特征点中，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。降低这个比例阈值，SIFT匹配点数目会减少，但更加稳定。

3变换矩阵计算

使用RANSAC算法能够对SIFT特征点初匹配结果进行精确筛选，并且找出一个图像之间的投影变换单应矩阵，进而达到拼接的目的。它的基本思想是进行参数估计时，不是不加区分地对待所有可用的输入数据,而是首先针对具体问题设计出一个目标函数，然后迭代地估计该函数的参考值，利用这些初始参数值把所有的数据分为所谓的“内点”(即满足估计参数的点)和“外点”(即不满足估计参数的点)。最后反过来用所有的“内点”重新计算和估计函数的参数。RANSAC方法和传统方法的区别在于传统的方法把全部的数据点作为内点和外点，而RANSAC最开始是利用一部分数据作为内点得到初始值,然后寻找数据集中所有别的内点。使用RANSAC估计方法,可以最大限度地减少噪声及外点的影响。

4图像融合

在完整的拼接图中要求拼合的过渡区域不能出现明显的痕迹。无人机航拍图像由于拍摄角度、时间不同，图像序列间会存在一定的视角变化和光照差异。另外，由于拍摄的高度不同，图像目标有时也会发生尺度变化，这些因素都会影响拼接的质量，比如在重叠区域内出现鬼影、模糊，或者在重叠边界处出现明显的拼缝。因此，当图像变换到同一坐标系下后，还需要进行融合处理，使拼接符合视觉效果。

图像的融合规则是图像融合的核心,图像融合规则的好坏直接影响融合图像的速度和质量。这其中有：基于像素选取的融合规则、考虑分解层内图像及分解层间相关性的像素选取融合规则等。

图像融合的算法有很多,简单的有光强平均融合、加权平均融合、中值滤波法、采样权重函数法，复杂的有图像Voronoi权重法、高斯样条插值法、基于欧氏距离的有效权重法等。但不同的图像之间都存在着程度不同的差异，如果简单的对图像的共同区域数据进行叠加，会出现图像模糊、灰度变化不连续等现象。同时，由于图像的复杂性和多样性，使得无法精确地计算出两幅图像间的变换参数，所以我们很难提出一种精确的融合算法从根本上消除拼接痕迹。

综合比较以上各种融合算法，光强平均融合法的速度最快，但效果欠佳;多分辨率样条方法的融合质量最高，但运算量过大;而加权平均法在速度和效果两者中取得较好的平衡，在运算量不大的情况下保证了较好的融合质量。因此，本文选择使用加权平均法完成图像融合。

5试验结果

为使算法得到客观评价，本文对大量真实场景的航拍图像进行拼接，选择用来做试验的图像序列包括大场景图像，大仿射变化与光照变化的图像等。试验中，最近邻域特征点距离与次领域特征点距离之比为0.6。

试验一：

图3是对一组存在光照、尺度与旋转变化的航拍图像的匹配与拼接结果。可以看出，在干扰因素较多的环境下，基于SIFT特征的图像拼接算法通过尺度不变特征的检测与特征向量的归一化处理，消除了光照影响与图像尺度变化的影响，因此能得到很准确的图像匹配特征（图3（c）），这对求解两图像间的变换矩阵是至关重要的。算法求解的变换矩阵为(0.980945，-0.204663，179.870102；0.207166，0.980328，77.799866；

0.000004，0.000005，1）。由于无人机飞行的抖动和传感器镜头扭曲等原因，图像的拼接结果（图3（d））出现了边缘畸变，但拼接结果同时也显示了这种方法的稳定性与鲁棒性。

试验二：

图4是对三幅图像的拼接结果。其中，图4（d）相对图4（a）和图4（c）存在着大的光照变化，三幅图都相互存在着旋转、尺度的变化，由于本文的算法采用的SIFT特征对大尺度的变换与光照变化保持不变

（c ）

图像匹配

（b ）待拼接图像2

（a ）待拼接图像

1（d ）图像拼接结果

图3图像匹配和拼接结果1

（a ）待拼接图像1（b ）待拼接图像2（c ）图像匹配

（d ）图像拼接结果

图4图像匹配和拼接结果2

乔文治，男，1980年4月出生，2002年毕业于武汉工程大学，2011年获北京航空航天大学工程硕士学位，工程师，现从事科技项目管理工作。

>>>作者简介

性，因此同样能得到很好的拼接结果。

6结论

本文针对无人机航拍图像的特点，将SIFT 特征作为图像拼接特征。在利用欧式距离对特征初匹配的基础上，采用RANSAC 算法，得到了更为精确的匹配集，并计算了图像序列的变换矩阵。由于SIFT 特征对图像的旋转、尺度和光照保持不变性，本文的算法得到了稳定的、鲁棒的拼接结果。

参考文献

[1]R.Szeliski.Video mosaics for virtual environments.IEEE Computer Graphics and Applications,1996,16(2),3:22-30

[2]R Szeliski,H Y Shum.Creating Full View Panoram -ic Image Mosaics and Environment Maps.In Proc.of ACM SIGGRAPH,1997,251-258.

[3]D.G.Lowe.Distinctive image features from scale -invariant keypoints

[J].International Journal of

Computer Vision,2004,60(2):91-110.

[4]赵向阳,利民.一种全自动稳健的图像拼接融合算

法.中国图形图像学报,2004,9(4):417-422.

[5]李玲玲，李翠华，曾晓明，李保.基于Harris-Affine

和SIFT 特征匹配的图像自动配准.华中科技大学学报（自然科学版），2008，36（8）：13-16.

[6]谢利理,李玉忍,齐蓉.航空照片数字地图的几何校

正.西北工业大学学报,2001,19(4):617-620.

(收稿日期2011-11-15)

【CN109934765A】高速相机全景图像拼接方法【专利】

(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 201910162807.8 (22)申请日 2019.03.05 (71)申请人 北京环境特性研究所 地址 100854 北京市海淀区永定路50号 (72)发明人 李海涛　闫鑫　石春雷　杨文佳　 崔述金　杨桦　李伯轩　王永艳　 (74)专利代理机构 北京格允知识产权代理有限 公司 11609 代理人 周娇娇　张沫 (51)Int.Cl. G06T 3/00(2006.01) G06T 3/40(2006.01) (54)发明名称 高速相机全景图像拼接方法 (57)摘要 本发明涉及一种高速相机全景图像拼接方 法，包括将高速相机设置在转台上，高速相机的 曝光间隔至多设置为转台转角位移等于相机横 向视场角时所经历的时间；使转台匀速旋转 360°，同时高速相机按照所述的曝光间隔对目标 成像；高速相机获取的每幅原始目标图像对应的 转台转角位移通过码盘的码盘值确定；将所有原 始目标图像依据对应的码盘值按成像的时间排 序，并采用非线性算法对相邻两幅原始目标图像 进行配准，去掉重叠区域，获得去重后的目标图 像；将所有去重后的目标图像按所述排序拼接在 一起，形成360°全景图。本发明利用码盘值对图 像进行排序，效率高，提高了图像的拼接效率，从 而能够快速获得全景图像。权利要求书2页 说明书6页 附图3页CN 109934765 A 2019.06.25 C N 109934765 A

1.一种高速相机全景图像拼接方法，其特征在于，包括将高速相机设置在转台上，高速相机的曝光间隔至多设置为转台转角位移等于相机横向视场角时所经历的时间； 使转台匀速旋转360°，同时高速相机按照所述的曝光间隔对目标成像；高速相机获取的每幅原始目标图像对应的转台转角位移通过码盘的码盘值确定； 将所有原始目标图像依据对应的码盘值按成像的时间排序，并采用非线性算法对相邻两幅原始目标图像进行配准，去掉重叠区域，获得去重后的目标图像；将所有去重后的目标图像按所述排序拼接在一起，形成360°全景图。 2.根据权利要求1所述的高速相机全景图像拼接方法，其特征在于，所述对相邻两幅原始目标图像进行配准包括，估算相邻两幅原始目标图像重叠区域的大小。 3.根据权利要求2所述的高速相机全景图像拼接方法，其特征在于，所述对相邻两幅原始目标图像进行配准还包括，根据估算的相邻两幅原始目标图像重叠区域的大小计算相邻两幅原始目标图像的20个非线性相关矩阵，所述20个非线性相关矩阵分别对应不同大小的疑似重叠区域； 对每个非线性相关矩阵的两个峰值求和得到一个Sum值，由20个非线性相关矩阵获得的20个Sum值组成一维向量，计算所述一维向量梯度变化最大的点，由所述梯度变化最大的点计算出相邻两幅原始目标图像的精确重叠区域。 4.根据权利要求3所述的高速相机全景图像拼接方法，其特征在于，在原始目标图像中去掉所述精确重叠区域，获得去重后的目标图像。 5.根据权利要求1至4中任一项所述的高速相机全景图像拼接方法，其特征在于，所述高速相机的曝光间隔t为： t≤c/v s ， 式中c为相机横向视场角，v s 为转台转速。 6.根据权利要求1至5中任一项所述的高速相机全景图像拼接方法，其特征在于，第n幅原始目标图像对应的码盘值αn 为： 式中α1为第一幅原始目标图像对应的码盘值，αmax 为码盘值的最大值， n为原始目标图像的顺序数。 7.根据权利要求1至6中任一项所述的高速相机全景图像拼接方法，其特征在于，估算相邻两幅原始目标图像重叠区域的大小包括： 计算相邻两幅原始目标图像重叠区域的像素数Δpix： 式中m为高速相机的横向像素数。 8.根据权利要求7所述的高速相机全景图像拼接方法，其特征在于，根据相邻两幅原始目标图像重叠区域的像素数Δpix在Δpix ± 10的像素范围内截取20个图像对为： 权　利　要　求　书1/2页2CN 109934765 A

无人机航空摄影正射影像及地形图制作项目技术方案设计

无人机大比例尺地形图航空摄影、正射影像制作项目技术方案

1、概述 根据项目需求对项目区进行彩色数码航空摄影，获取真彩数码航片，并制作正射影像及地形图。 1.1作业范围 呼伦贝尔市北部区域约400平方公里。如下图：

飞行区域（红色） 1.2作业内容 对甲方指定的范围进行1:2000航空摄影，获取高分辨率的彩色影像。 1.3行政隶属 任务区范围隶属于呼伦贝尔市。 1.4作业区自然地理概况和已有资料情况 1.5 作业区自然地理概况 （1）地理位置 呼伦贝尔市地处东经115°31′～126°04′、北纬47°05′～53°20′。东西630公里、南北700公里，总面积26.2万平方公里[2] ，占自治区面积的21.4%，相当于山东省与江苏省两省面积之和。南部与兴安盟相连，东部以嫩江为界与黑龙江省大兴安岭地区为邻，北和西北部以额尔古纳河为界与俄罗斯接壤，西和西南部同蒙古国交界。边境线总长1733.32公里，其中中俄边界1051.08公里，中蒙边界682.24公里。 （2）地形概况 呼伦贝尔市西部位于内蒙古高原东北部，北部与南部被大兴安岭南北直贯境内。东部为大兴安岭东麓，东北平原——松嫩平原边缘。地形总体特点为：西高东低。地势分布呈由西到东地势缓慢过渡。 （3）气候状况 呼伦贝尔地处温带北部，大陆性气候显著。以根河与额尔古纳河交汇处为北起点，向南大致沿120°E经线划界：以西为中温带大陆性草原气候；以东的大兴安岭山区为中温带季风性混交林气候，低山丘陵和平原地区为中温带季风性森林草原气候，“乌玛-奇乾-根河-图里河-新帐房-加格达奇-125°E蒙黑界”以北属于寒温带季风性针叶林气候。 1.6已有资料情况 甲方提供的航飞范围。 2、作业依据 （1）《全球定位系统（GPS）测量规范》GB/T 18314-2009； （2）全球定位系统实时动态测量（RTK）技术规范》CH/T2009-2010； （3）《低空数字航空摄影规范》CH/Z3005-2010； （4）《低空数字航空摄影测量外业规范》CH/Z3004-2010；

图像拼接原理及方法

第一章绪论 1.1 图像拼接技术的研究背景及研究意义 图像拼接(image mosaic)是一个日益流行的研究领域，他已经成为照相绘图学、计算机视觉、图像处理和计算机图形学研究中的热点。图像拼接解决的问题一般式，通过对齐一系列空间重叠的图像，构成一个无缝的、高清晰的图像，它具有比单个图像更高的分辨率和更大的视野。 早期的图像拼接研究一直用于照相绘图学，主要是对大量航拍或卫星的图像的整合。近年来随着图像拼接技术的研究和发展，它使基于图像的绘制（IBR）成为结合两个互补领域——计算机视觉和计算机图形学的坚决焦点，在计算机视觉领域中，图像拼接成为对可视化场景描述（Visual Scene Representaions）的主要研究方法：在计算机形学中，现实世界的图像过去一直用于环境贴图，即合成静态的背景和增加合成物体真实感的贴图，图像拼接可以使IBR从一系列真是图像中快速绘制具有真实感的新视图。 在军事领域网的夜视成像技术中，无论夜视微光还是红外成像设备都会由于摄像器材的限制而无法拍摄视野宽阔的图片，更不用说360 度的环形图片了。但是在实际应用中，很多时候需要将360 度所拍摄的很多张图片合成一张图片，从而可以使观察者可以观察到周围的全部情况。使用图像拼接技术，在根据拍摄设备和周围景物的情况进行分析后，就可以将通过转动的拍摄器材拍摄的涵盖周围360 度景物的多幅图像进行拼接，从而实时地得到超大视角甚至是360 度角的全景图像。这在红外预警中起到了很大的作用。 微小型履带式移动机器人项目中，单目视觉不能满足机器人的视觉导航需要，并且单目视觉机器人的视野范围明显小于双目视觉机器人的视野。利用图像拼接技术，拼接机器人双目采集的图像，可以增大机器人的视野，给机器人的视觉导航提供方便。在虚拟现实领域中，人们可以利用图像拼接技术来得到宽视角的图像或360 度全景图像，用来虚拟实际场景。这种基于全景图的虚拟现实系统，通过全景图的深度信息抽取，恢复场景的三维信息，进而建立三维模型。这个系统允许用户在虚拟环境中的一点作水平环视以及一定范围内的俯视和仰视，同时允许在环视的过程中动态地改变焦距。这样的全景图像相当于人站在原地环顾四周时看到的情形。在医学图像处理方面，显微镜或超声波的视野较小，医师无法通过一幅图像进行诊视，同时对于大目标图像的数据测量也需要把不完整的图像拼接为一个整体。所以把相邻的各幅图像拼接起来是实现远程数据测量和远程会诊的关键环节圆。在遥感技术领域中，利用图像拼接技术中的图像配准技术可以对来自同一区域的两幅或多幅图像进行比较，也可以利用图像拼接技术将遥感卫星拍摄到的有失真地面图像拼接成比较准确的完整图像，作为进一步研究的依据。 从以上方面可以看出，图像拼接技术的应用前景十分广阔，深入研究图像拼接技术有着很重要的意义 1.2图像拼接算法的分类 图像拼接作为这些年来图像研究方面的重点之一，国内外研究人员也提出了很多拼接算法。图像拼接的质量，主要依赖图像的配准程度，因此图像的配准是拼接算法的核心和关键。根据图像匹配方法的不同仁阔，一般可以将图像拼接算法分为以下两个类型：（1) 基于区域相关的拼接算法。 这是最为传统和最普遍的算法。基于区域的配准方法是从待拼接图像的灰度值出发，对

全景拼接算法简介

全景拼接算法简介 罗海风 2014.12.11 目录 1.概述 (1) 2.主要步骤 (2) 2.1. 图像获取 (2) 2.2鱼眼图像矫正 (2) 2.3图片匹配 (2) 2.4 图片拼接 (2) 2.5 图像融合 (2) 2.6全景图像投射 (2) 3.算法技术点介绍 (3) 3.1图像获取 (3) 3.2鱼眼图像矫正 (4) 3.3图片匹配 (4) 3.3.1与特征无关的匹配方式 (4) 3.3.2根据特征进行匹配的方式 (5) 3.4图片拼接 (5) 3.5图像融合 (6) 3.5.1 平均叠加法 (6) 3.5.2 线性法 (7) 3.5.3 加权函数法 (7) 3.5.4 多段融合法（多分辨率样条） (7) 3.6全景图像投射 (7) 3.6.1 柱面全景图 (7) 3.6.2 球面全景图 (7) 3.6.3 多面体全景图 (8) 4.开源图像算法库OPENCV拼接模块 (8) 4.1 STITCHING_DETAIL程序运行流程 (8) 4.2 STITCHING_DETAIL程序接口介绍 (9) 4.3测试效果 (10) 5.小结 (10) 参考资料 (10) 1.概述 全景视图是指在一个固定的观察点，能够提供水平方向上方位角360度，垂直方向上180度的自由浏览（简化的全景只能提供水平方向360度的浏览）。 目前市场中的全景摄像机主要分为两种：鱼眼全景摄像机和多镜头全景摄像机。鱼眼全景摄像机是由单传感器配套特殊的超广角鱼眼镜头，并依赖图像校正技术还原图像的鱼眼全景摄像机。鱼眼全景摄像机

最终生成的全景图像即使经过校正也依然存在一定程度的失真和不自然。多镜头全景摄像机可以避免鱼眼镜头图像失真的缺点，但是或多或少也会存在融合边缘效果不真实、角度有偏差或分割融合后有"附加"感的缺撼。 本文档中根据目前所查找到的资料，对多镜头全景视图拼接算法原理进行简要的介绍。 2.主要步骤 2.1. 图像获取 通过相机取得图像。通常需要根据失真较大的鱼眼镜头和失真较小的窄视角镜头决定算法处理方式。单镜头和多镜头相机在算法处理上也会有一定差别。 2.2鱼眼图像矫正 若相机镜头为鱼眼镜头，则图像需要进行特定的畸变展开处理。 2.3图片匹配 根据素材图片中相互重叠的部分估算图片间匹配关系。主要匹配方式分两种： A．与特征无关的匹配方式。最常见的即为相关性匹配。 B．根据特征进行匹配的方式。最常见的即为根据SIFT，SURF等素材图片中局部特征点，匹配相邻图片中的特征点，估算图像间投影变换矩阵。 2.4 图片拼接 根据步骤2.3所得图片相互关系，将相邻图片拼接至一起。 2.5 图像融合 对拼接得到的全景图进行融合处理。 2.6 全景图像投射 将合成后的全景图投射至球面、柱面或立方体上并建立合适的视点，实现全方位的视图浏览。

图像拼接算法及实现.doc

图像拼接算法及实现（一） 来源：中国论文下载中心 [ 09-06-03 16:36:00 ] 作者：陈挺编辑：studa090420 论文关键词：图像拼接图像配准图像融合全景图 论文摘要：图像拼接(image mosaic)技术是将一组相互间重叠部分的图像序列进行空间匹配对准,经重采样合成后形成一幅包含各图像序列信息的宽视角场景的、完整的、高清晰的新图像的技术。图像拼接在摄影测量学、计算机视觉、遥感图像处理、医学图像分析、计算机图形学等领域有着广泛的应用价值。一般来说,图像拼接的过程由图像获取,图像配准,图像合成三步骤组成,其中图像配准是整个图像拼接的基础。本文研究了两种图像配准算法:基于特征和基于变换域的图像配准算法。在基于特征的配准算法的基础上,提出一种稳健的基于特征点的配准算法。首先改进Harris角点检测算法,有效提高所提取特征点的速度和精度。然后利用相似测度NCC(normalized cross correlation——归一化互相关),通过用双向最大相关系数匹配的方法提取出初始特征点对,用随机采样法RANSAC(Random Sample Consensus)剔除伪特征点对,实现特征点对的精确匹配。最后用正确的特征点匹配对实现图像的配准。本文提出的算法适应性较强,在重复性纹理、旋转角度比较大等较难自动匹配场合下仍可以准确实现图像配准。 Abstract：Image mosaic is a technology that carries on the spatial matching to a series of image which are overlapped with each other, and finally builds a seamless and high quality image which has high resolution and big eyeshot. Image mosaic has widely applications in the fields of photogrammetry, computer vision, remote sensing image processing, medical image analysis, computer graphic and so on. 。In general, the process of image mosaic by the image acquisition, image registration, image synthesis of three steps, one of image registration are the basis of the entire image mosaic. In this paper, two image registration algorithm: Based on the characteristics and transform domain-based image registration algorithm. In feature-based registration algorithm based on a robust feature-based registration algorithm points. First of all, to improve the Harris corner detection algorithm, effectively improve the extraction of feature points of the speed and accuracy. And the use of a similar measure of NCC (normalized cross correlation - Normalized cross-correlation), through the largest correlation coefficient with two-way matching to extract the feature points out the initial right, using random sampling method RANSAC (Random Sample Consensus) excluding pseudo-feature points right, feature points on the implementation of the exact match. Finally with the correct feature point matching for image registration implementation. In this paper, the algorithm adapted, in the repetitive texture, such as relatively large rotation more difficult to automatically match occasions can still achieve an accurate image registration. Key words: image mosaic, image registration, image fusion, panorama 第一章绪论

360°全景拼接技术简介

本文为技术简介，详细算法可以参考后面的参考资料。 1.概述 全景图像(Panorama)通常是指大于双眼正常有效视角(大约水平90度，垂直70度)或双眼余光视角(大约水平180度，垂直90度)，在一个固定的观察点，能够提供水平方向上方位角360度，垂直方向上180度的自由浏览（简化的全景只能提供水平方向360度的浏览），乃至360度完整场景范围拍摄的照片。 生成全景图的方法，通常有三种：一是利用专用照相设备，例如全景相机，带鱼眼透镜的广角相机等。其优点是容易得到全景图像且不需要复杂的建模过程，但是由于这些专用设备价格昂贵，不宜普遍适用。二是计算机绘制方法，该方法利用计算机图形学技术建立场景模型，然后绘制虚拟环境的全景图。其优点是绘制全景图的过程不需要实时控制，而且可以绘制出复杂的场景和真实感较强的光照模型，但缺点是建模过程相当繁琐和费时。三是利用普通数码相机和固定三脚架拍摄一系列的相互重叠的照片，并利用一定的算法将这些照片拼接起来，从而生成全景图。 近年来随着图像处理技术的研究和发展，图像拼接技术已经成为计算机视觉和计算机图形学的研究焦点。目前出现的关于图像拼接的商业软件主要有Ptgui、Ulead Cool 360及ArcSoft Panorama Maker等，这些商业软件多是半自动过程，需要排列好图像顺序，或手动点取特征点。 2.全景图类型： 1)柱面全景图 柱面全景图技术较为简单，发展也较为成熟，成为大多数构建全景图虚拟场景的基础。这种方式是将全景图像投影到一个以相机视点为中心的圆柱体内表面，

视线的旋转运动即转化为柱面上的坐标平移运动。这种全景图可以实现水平方向360度连续旋转，而垂直方向的俯仰角度则由于圆柱体的限制要小于180度。柱面全景图有两个显著优点：一是圆柱面可以展开成一个矩形平面，所以可以把柱面全景图展开成一个矩形图像，而且直接利用其在计算机内的图像格式进行存取；二是数据的采集要比立方体和球体都简单。在大多数实际应用中，360度的环视环境即可较好地表达出空间信息，所以柱面全景图模型是较为理想的一种选择。 2)立方体全景图 立方体全景图由六个平面投影图像组成，即将全景图投影到一个立方体的内表面上。这种方式下图像的采集和相机的标定难度较大，需要使用特殊的拍摄装置，依次在水平、垂直方向每隔90度拍摄一张照片，获得六张可以无缝拼接于一个立方体的六个面上的照片。这种方法可以实现水平方向360度旋转、垂直方向180度俯仰的视线观察。 3)球面全景图 球面全景图是指将源图像拼接成一个球体的形状，以相机视点为球心，将图像投影到球体的内表面。与立方体全景图类似，球面全景图也可以实现水平方向360度旋转、垂直方向180度俯仰的视线观察。球面全景图的拼接过程及存储方式较柱面全景图大为复杂，这是因为生成球面全景图的过程中需要将平面图像投影成球面图像，而球面为不可展曲面。因此这是一个平面图像水平和垂直方向的非线性投影过程，同时也很难找到与球面对应且易于存取的数据结构来存放球面图像。目前国内外在这方面提出的研究算法较其他类型全景图少，而且在可靠性和效率方面也存在一些问题。 3.主要内容

无人机后期航片拼接软件PhotoScan详细使用教程

无人机后期航片拼接软件PhotoScan详细使用教程 摘要：本文主要介绍一款无人机航片后期处理软件——Agisoft Photoscan，手把手教你完成航片正射影像拼接、生成DEM。 PhotoScan是一款基于影像自动生成高质量三维模型的软件。使用时无需设置初始值，无需相机检校，利用最新的多视图影像三维重建技术，就可以对具有影像重叠的照片进行处理，也可以通过给予的控制点生成真实坐标的三维模型。无论是航拍影像还是高分辨率数码相机拍摄的影像都可以使用这个软件进行处理。整个工作流程无论是影像定向还是三维模型重建过程都是完全自动化的。PhotoScan可生成高分辨率真正射影像和带精细色彩纹理的DEM模型。使用控制点可达5cm精度。完全自动化的工作流程，即使非专业人员也可以在一台电脑上处理成百上千张航拍影像，生成专业级别的摄影测量数据。 航片拼接软件有很多，之前我们使用过Pix4D、Global mapper、EasyUAV、Photoscan，几款软件用下来，无论是操作流程，还是出图效果和速度，Photoscan的表现都要好于其他几款。

Photoscan是俄罗斯的东西，正版价格4万左右，但是提供30天全功能试用。对电脑硬件的依赖也比其他要低。很多人在用的Pix4DMapper是瑞士一家公司的产品，功能上和Photoscan大同小异，但是正版价格可以买2套Photoscan 了，而且使用下来，感觉对电脑的要求比Photoscan高不少，16G内存的电脑频频弹窗警告。 PhotoScan优势盘点： 支持倾斜影像、多源影像、多光谱影像的自动空三处理 支持多航高、多分辨率影像等各类影像的自动空三处理 具有影像掩模添加、畸变去除等功能 能够顺利处理非常规的航线数据或包含航摄漏洞的数据 支持多核、多线程CPU运算，支持CPU加速运算 支持数据分块拆分处理，高效快速地处理大数据 操作简单，容易掌握 处理速度快 不足： 缺少正射影像编辑修改功能 缺少点云环境下量测功能

图像匹配与拼接方法

图像匹配与拼接 分匹配和拼接两部分 一、匹配 当然匹配的方法，有sift，surf什么的，这里主要就介绍一下我自己的方法啦！ 特征点提取是必须的，不然搜索范围太大哇！并且可能不可靠，所以特征点提取是必须的。什么点适合做特征点呢？这方面的论文很多啦，主要还是看你用什么方法匹配了，如果是用互相关作为相似性准则的话，那自相关系数随各个方向变化大的点就适合作特征点了，当然还要考虑稳定性，即特征点应该不太受光照、噪声、缩放、旋转等的影响，这样的才是好的特征点。当然，如果确定了应用坏境，不一定要满足不受上四个因素影响的，比如平行的双目匹配、全景图的匹配等，具体问题具体分析吧！角点特征是个人比较喜欢的特征。这里我自己定义了一种局部特征，效果还行，匹配采用互相关为准则的匹配，大概效果如下： 目测这几个匹配点还是正确的哇！在一些应用中，可能需要的匹配点数相当多，这就需要较密集的匹配了。密集的匹配可以根据初始的匹配结果估计搜索范围，这可以加速搜索，同时也要提取更多的特征点呀！话不多说了，下面是密集的匹配：

虽然这样的密度对于三维重构来说还不够，但对于一般的图像拼接来说足够了。匹配完了，下面就要将第二步了。 二、矫正 匹配好两幅图像了，接下来干啥呢？把它们对准呗。可惜了，两幅图像之间不但存在平移，还存在旋转缩放什么的，更复杂的，可能还存在所谓的3D变换，那就复杂啦！不管怎么样，所谓的对准，也就是矫正，总是基于一定的模型的，即基于相机拍摄两幅图像的相对姿态。对于全景图拼接（个人觉得是最简单的且较实用的拼接），需要根据相机焦距或者视场角投影到柱面上，然后两幅图像间的位置就只有一维的平移关系了。但是这对拍摄的相机也是有要求的，就是要保证拍摄两幅图像时，物防焦点是重合的，这样才能根据稀疏的几个点确定所有重叠区域内点的相对位置呀！但实际中很难做到物方焦点重合，比如数码相机或者所谓的智能手机的全景图拍摄，一般人都是拿着相机或者手机绕人旋转，而非绕物方焦点旋转拍摄的，这样拼接起来是绝对有误差的呀！特别是拼接近景，误差就更大了，远景还好。怎么克服这个缺点呢？简单的改进方法就是绕着摄像头旋转吧，虽然这也不是严格绕物方焦距旋转，但起码误差小得多啦，拼接的效果当然也就好得多了，可以试一试哦！ 不扯了，第二种模型就是认为两幅图像间存在的变换关系是有2D旋转、缩放、平移的，可以通过一个旋转、缩放、平移矩阵来矫正，这个也不难，但是应用范围却相当有限，不详说了。 第三种模型就是不用模型，或者说认为两幅图像间的对应点存在的是一种线性变换关系，这样只要解一个线性方程组就可以了，似乎也挺简单的。但可惜的是，不是任给的两幅图像间都只存在线性变换呀！它可能是一个3D的线性变换，那就麻烦了，这个必须需要密匹配呀！不然就一定是有误差的，即不能通过稀疏的匹配点来矫正两幅图像的所有对应点的。 还有更多的模型，比如各方位的全景图，需要投影到球面上的哇！不过这个模型也不难。最难的当然是拍摄两幅图像时，相机不同，相机姿态也不同了，这个是很有挑战的，我也很惧怕这个。下面展示三种矫正结果： 1、2D线性模型： 2D矫正，认为匹配点之间存在线性变换，X=ax+by+c，Y=dx+ey+e这样的模型，业内称之放射变换，其中x，y是第一幅点的坐标，X,Y是对应的第二幅图像中的点坐标，使用最小二乘法计算a、b、c、d、e、f，第二幅图相对于第一幅图矫正的结果就是这样的了

高清图像全景拼接

高清图像全景拼接 Company Document number：WTUT-WT88Y-W8BBGB-BWYTT-19998

全景拼接白皮书

目录

1 方案概述 1.1 市场需求 全景拼接系统，是以画面拼接技术为基础，将周围相邻的若干个摄像机画面拼接成一幅画面。传统视频监控系统，用户如果要实时监控一片连续的大范围区域，最常见的做法是，安装多个摄像机，每个负责一小片区域，该方案的主要缺陷是，用户没有画面整体感，很难连续追踪整个区域内的某个目标。全景拼接系统，能很好的解决上述问题。 传统意义上的全景拼接系统，虽然解决了“看的广”、“看的画面连续”的问题，但并没有解决“看的清”的问题。因此宇视的全景拼接系统中，增加了球机联动功能，以解决“看的清”的问题，一台10倍以上光学放大的球机可以看清100米甚至更远的目标。球机联动功能，是以枪球映射技术为基础，将全景画面坐标系和球机画面坐标系关联映射起来，用户只要在全景画面中拉框，球机就自动转动和变倍到指定位置，对用户来说这是一个设备，而不是孤立的两个设备。 全景拼接系统，主要应用于大范围监控，如广场、公园、景区、机场停机坪、机场大厅、物流仓库、大型生产车间、交通枢纽等。 1.2 方案特点 ●画面拼接：支持3个高清相机（最高1080P）的拼接。 ●画面拼接：拼接后最高分辨率可以达到5760×1080。 ●球机联动：支持1个球机（最高1080P）的联动。 ●球机联动：支持在全景画面中拉框放大，自动联动球机转动和变倍到指定位置。 2 组网模型 2.1 全景拼接 2.1.1 逻辑框图（或拓扑图） 2.1.2 原理描述 拼接原理： 拼接前提：用于拼接的摄像机，在图像内容上，两两相交。

无人机后期航片拼接软件PhotoScan详细使用教程(精编文档).doc

【最新整理，下载后即可编辑】 无人机后期航片拼接软件PhotoScan详细使用教程 摘要：本文主要介绍一款无人机航片后期处理软件——Agisoft Photoscan，手把手教你完成航片正射影像拼接、生成DEM。 PhotoScan是一款基于影像自动生成高质量三维模型的软件。使用时无需设置初始值，无需相机检校，利用最新的多视图影像三维重建技术，就可以对具有影像重叠的照片进行处理，也可以通过给予的控制点生成真实坐标的三维模型。 无论是航拍影像还是高分辨率数码相机拍摄的影像都可以使用这个软件进行处理。整个工作流程无论是影像定向还是三维模型重建过程都是完全自动化的。 PhotoScan可生成高分辨率真正射影像和带精细色彩纹理的DEM模型。使用控制点可达5cm精度。完全自动化的工作流程，即使非专业人员也可以在一台电脑上处理成百上千张航拍影像，生成专业级别的摄影测量数据。

航片拼接软件有很多，之前我们使用过Pix4D、Global mapper、EasyUAV、Photoscan，几款软件用下来，无论是操作流程，还是出图效果和速度，Photoscan的表现都要好于其他几款。 Photoscan是俄罗斯的东西，正版价格4万左右，但是提供30天全功能试用。对电脑硬件的依赖也比其他要低。很多人在用的Pix4DMapper是瑞士一家公司的产品，功能上和Photoscan大同小异，但是正版价格可以买2套Photoscan了，而且使用下来，感觉对电脑的要求比Photoscan高不少，16G内存的电脑频频弹窗警告。 PhotoScan优势盘点： 支持倾斜影像、多源影像、多光谱影像的自动空三处理 支持多航高、多分辨率影像等各类影像的自动空三处理 具有影像掩模添加、畸变去除等功能 能够顺利处理非常规的航线数据或包含航摄漏洞的数据 支持多核、多线程CPU运算，支持CPU加速运算 支持数据分块拆分处理，高效快速地处理大数据 操作简单，容易掌握 处理速度快 不足： 缺少正射影像编辑修改功能 缺少点云环境下量测功能

图像拼接算法及实现(一).

图像拼接算法及实现（一） 论文关键词：图像拼接图像配准图像融合全景图 论文摘要：图像拼接(image mosaic)技术是将一组相互间重叠部分的图像序列进行空间匹配对准,经重采样合成后形成一幅包含各图像序列信息的宽视角场景的、完整的、高清晰的新图像的技术。图像拼接在摄影测量学、计算机视觉、遥感图像处理、医学图像分析、计算机图形学等领域有着广泛的应用价值。一般来说,图像拼接的过程由图像获取,图像配准,图像合成三步骤组成,其中图像配准是整个图像拼接的基础。本文研究了两种图像配准算法:基于特征和基于变换域的图像配准算法。在基于特征的配准算法的基础上,提出一种稳健的基于特征点的配准算法。首先改进Harris角点检测算法,有效提高所提取特征点的速度和精度。然后利用相似测度NCC(normalized cross correlation——归一化互相关),通过用双向最大相关系数匹配的方法提取出初始特征点对,用随机采样法RANSAC(Random Sample Consensus)剔除伪特征点对,实现特征点对的精确匹配。最后用正确的特征点匹配对实现图像的配准。本文提出的算法适应性较强,在重复性纹理、旋转角度比较大等较难自动匹配场合下仍可以准确实现图像配准。 Abstract：Image mosaic is a technology that carries on the spatial matching to a series of image which are overlapped with each other, and finally builds a seamless and high quality image which has high resolution and big eyeshot. Image mosaic has widely applications in the fields of photogrammetry, computer vision, remote sensing image processing, medical image analysis, computer graphic and so on. 。In general, the process of image mosaic by the image acquisition, image registration, image synthesis of three steps, one of image registration are the basis of the entire image mosaic. In this paper, two image registration algorithm: Based on the characteristics and transform domain-based image registration algorithm. In feature-based registration algorithm based on a robust feature-based registration algorithm points. First of all, to improve the Harris corner detection algorithm, effectively improve the extraction of feature points of the speed and accuracy. And the use of a similar measure of NCC (normalized cross correlation - Normalized cross-correlation), through the largest correlation coefficient with two-way matching to extract the feature points out the initial right, using random sampling method RANSAC (Random Sample Consensus) excluding pseudo-feature points right, feature points on the implementation of the exact match. Finally with the correct feature point matching for image registration implementation. In this

无人机遥感图像自动拼接方法的研究

目录 摘要 ................................................................................................................................................................................................ I Abstract......................................................................................................................................................................................... I I 目录......................................................................................................................................................................................... IV 第1章绪论 . (1) 1.1 研究的背景和意义 (1) 1.2 国内外研究现状 (2) 1.3 本文的研究工作 (3) 1.4 本文的组织结构 (4) 第2章图像拼接的基础理论和相关技术 (5) 2.1图像拼接的特点 (5) 2.1.1 图像拼接的针对性 (5) 2.1.2 图像拼接的多样性 (5) 2.1.3 图像拼接的复杂性 (6) 2.2图像拼接的常用方法 (6) 2.3图像拼接的一般流程 (7) 2.4 图像配准 (7) 2.4.1 图像配准的分类 (7) 2.4.2 图像配准的常用方法 (9) 2.5 OpenCV技术简介 (10) 2.5.1 OpenCV模块 (10) 2.5.2 OpenCV的功能 (11) 2.6本章小结 (11) 第3章特征点检测算法 (12) 3.1 SIFT算法 (12) 3.1.1 尺度空间和极值检测 (12) 3.1.2 精确确定特征点 (14) 3.1.3 确定特征点的主方向 (16) 3.1.4 特征向量的生成 (16) 3.2 SURF 算法 (18) 3.2.1构建尺度空间 (19)

图像拼接原理及方法资料

第一章绪论 1.1图像拼接技术的研究背景及研究意义 图像拼接(image mosaic)是一个日益流行的研究领域，他已经成为照相绘图学、计算机视觉、图像处理和计算机图形学研究中的热点。图像拼接解决的问题一般式，通过对齐一系 列空间重叠的图像，构成一个无缝的、高清晰的图像，它具有比单个图像更高的分辨率和更大的视野。 早期的图像拼接研究一直用于照相绘图学，主要是对大量航拍或卫星的图像的整合。近年来随着图像拼接技术的研究和发展，它使基于图像的绘制( IBR )成为结合两个互补领域 ――计算机视觉和计算机图形学的坚决焦点，在计算机视觉领域中，图像拼接成为对可视化 场景描述(Visual Seene Representaions)的主要研究方法：在计算机形学中，现实世界的图像过去一直用于环境贴图，即合成静态的背景和增加合成物体真实感的贴图，图像拼接可以 使IBR从一系列真是图像中快速绘制具有真实感的新视图。 在军事领域网的夜视成像技术中，无论夜视微光还是红外成像设备都会由于摄像器材的限制而无法拍摄视野宽阔的图片，更不用说360度的环形图片了。但是在实际应用中，很 多时候需要将360度所拍摄的很多张图片合成一张图片，从而可以使观察者可以观察到周围的全部情况。使用图像拼接技术，在根据拍摄设备和周围景物的情况进行分析后，就可以将通过转动的拍摄器材拍摄的涵盖周围360度景物的多幅图像进行拼接，从而实时地得到 超大视角甚至是360度角的全景图像。这在红外预警中起到了很大的作用。 微小型履带式移动机器人项目中，单目视觉不能满足机器人的视觉导航需要，并且单目视觉机器人的视野范围明显小于双目视觉机器人的视野。利用图像拼接技术，拼接机器人双 目采集的图像，可以增大机器人的视野，给机器人的视觉导航提供方便。在虚拟现实领域中，人们可以利用图像拼接技术来得到宽视角的图像或360度全景图像，用来虚拟实际场景。 这种基于全景图的虚拟现实系统，通过全景图的深度信息抽取，恢复场景的三维信息，进而建立三维模型。这个系统允许用户在虚拟环境中的一点作水平环视以及一定范围内的俯视和仰视，同时允许在环视的过程中动态地改变焦距。这样的全景图像相当于人站在原地环顾四 周时看到的情形。在医学图像处理方面，显微镜或超声波的视野较小，医师无法通过一幅图 像进行诊视，同时对于大目标图像的数据测量也需要把不完整的图像拼接为一个整体。所以把相邻的各幅图像拼接起来是实现远程数据测量和远程会诊的关键环节圆。在遥感技术领域中，利用图像拼接技术中的图像配准技术可以对来自同一区域的两幅或多幅图像进行比较，也可以利用图像拼接技术将遥感卫星拍摄到的有失真地面图像拼接成比较准确的完整图像，作为进一步研究的依据。 从以上方面可以看出，图像拼接技术的应用前景十分广阔，深入研究图像拼接技术有着很重 要的意义 1.2图像拼接算法的分类 图像拼接作为这些年来图像研究方面的重点之一，国内外研究人员也提出了很多拼接算 法。图像拼接的质量，主要依赖图像的配准程度，因此图像的配准是拼接算法的核心和关键。根据图像匹配方法的不同仁阔，一般可以将图像拼接算法分为以下两个类型： (1) 基于区域相关的拼接算法。 这是最为传统和最普遍的算法。基于区域的配准方法是从待拼接图像的灰度值出发，对

无人机航空摄影 正射影像及地形图制作项目技术方案

无人机大比例尺地形图航空摄影、正射影 像制作项目技术方案 1、概述 根据项目需求对项目区进行彩色数码航空摄影，获取真彩数码航片，并制作正射影像及地形图。 1.1作业范围 呼伦贝尔市北部区域约400平方公里。如下图：

飞行区域（红色） 1.2作业内容 对甲方指定的范围进行1:2000航空摄影，获取高分辨率的彩色影像。 1.3行政隶属 任务区范围隶属于呼伦贝尔市。 1.4作业区自然地理概况和已有资料情况 1.5 作业区自然地理概况 （1）地理位置 呼伦贝尔市地处东经115°31′～126°04′、北纬47°05′～53°20′。东西630公里、南北700公里，总面积26.2万平方公里?[2]??，占自治区面积的21.4%，相当于山东省与江苏省两省面积之和。南部与兴安盟相连，东部以嫩江为界与黑龙江省大兴安岭地区为邻，北和西北部以额尔古纳河为界与俄罗斯接壤，西和西南部同蒙古国交界。边境线总长1733.32公里，其中中俄边界1051.08公里，中蒙边界682.24公里。 （2）地形概况 呼伦贝尔市西部位于内蒙古高原东北部，北部与南部被大兴安岭南北直贯境内。东部为大兴安岭东麓，东北平原——松嫩平原边缘。地形总体特点为：西高东低。地势分布呈由西到东地势缓慢过渡。

（3）气候状况 呼伦贝尔地处温带北部，大陆性气候显着。以根河与额尔古纳河交汇处为北起点，向南大致沿120°E经线划界：以西为中温带大陆性草原气候；以东的大兴安岭山区为中温带季风性混交林气候，低山丘陵和平原地区为中温带季风性森林草原气候，“乌玛-奇乾-根河-图里河-新帐房-加格达奇-125°E蒙黑界”以北属于寒温带季风性针叶林气候。 1.6已有资料情况 甲方提供的航飞范围。 2、作业依据 （1）《全球定位系统（GPS）测量规范》GB/T 18314-2009； （2）全球定位系统实时动态测量（RTK）技术规范》CH/T2009-2010； （3）《低空数字航空摄影规范》CH/Z3005-2010； （4）《低空数字航空摄影测量外业规范》CH/Z3004-2010； （5）《航空摄影技术设计规范》GB/T 19294-2003； （6）《摄影测量航空摄影仪技术要求》MH/T 1005-1996； （7）《航空摄影仪检测规范》MH/T 1006-1996； （8）《航空摄影产品的注记与包装》GB/T 16176-1996；