權(quán)利要求書： 1.風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法，其特征在于，包括以下步驟：S1、連續(xù)采集單面風(fēng)機(jī)葉片的圖像構(gòu)成待拼接的一組原始圖像；

S2、利用U?net算法對(duì)一組原始圖像的每個(gè)原始圖像進(jìn)行圖像前景分割，提取風(fēng)機(jī)葉片主體部分形成一組待配準(zhǔn)圖像；

S3、將每個(gè)待配準(zhǔn)圖像網(wǎng)格化，對(duì)每個(gè)待配準(zhǔn)圖像的網(wǎng)格頂點(diǎn)建立從1到m的索引，然后把網(wǎng)格頂點(diǎn)的x,y坐標(biāo)表示為一個(gè)2m維度的向量，＝[x1y1x2y2…xmym]，定義關(guān)于的全局能量函數(shù)，并對(duì)能量函數(shù)最小化得到網(wǎng)格頂點(diǎn)最優(yōu)解 為：其中，ψa()為對(duì)齊誤差項(xiàng)；ψl()為局部相似性項(xiàng)；ψg()為全局相似性正則項(xiàng)；ψline()為直線保持正則項(xiàng)；λl、λg、λline分別為局部相似項(xiàng)、全局相似性項(xiàng)、直線保持約束項(xiàng)的調(diào)節(jié)權(quán)重；

S4、根據(jù)網(wǎng)格頂點(diǎn)最優(yōu)解，進(jìn)行圖像映射和像素融合，完成圖像拼接；

一組待配準(zhǔn)圖像為N個(gè)，對(duì)一組待配準(zhǔn)圖像進(jìn)行編號(hào)為i，i＝1～N，利用SIFT算法提取每個(gè)待配準(zhǔn)圖像特征點(diǎn)并對(duì)重疊區(qū)的特征點(diǎn)進(jìn)行匹配，得粗匹配特征點(diǎn)對(duì)集合，利用隨機(jī)抽樣一致性算法剔除粗匹配特征點(diǎn)對(duì)集合中的誤匹配對(duì)，得有效匹配特征點(diǎn)對(duì)集合；

確定有效匹配特征點(diǎn)對(duì)集合內(nèi)的特征點(diǎn)所在四邊形網(wǎng)格，用該四邊形網(wǎng)格的頂點(diǎn)坐標(biāo)線性描述對(duì)應(yīng)特征點(diǎn)的位置，并確定網(wǎng)格頂點(diǎn)匹配對(duì)，得網(wǎng)格頂點(diǎn)匹配對(duì)集合；

對(duì)齊誤差項(xiàng)ψa()為：

其中，J為存在重疊區(qū)的圖像對(duì)集合； 為 所在四邊形的網(wǎng)格頂點(diǎn)ij

坐標(biāo)的線性加權(quán)；M 為網(wǎng)格頂點(diǎn)匹配對(duì)集合； 與 為一對(duì)有效匹配特征點(diǎn)對(duì)。

2.如權(quán)利要求1所述的風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法，其特征在于，局部相似性項(xiàng)ψl()為：其中， 為幾何變換前的網(wǎng)格頂點(diǎn)坐標(biāo)， 為幾何變換后的網(wǎng)格頂點(diǎn)坐標(biāo)，為幾何變換前的網(wǎng)格對(duì)角線向量， 為幾何投影變換后的網(wǎng)格對(duì)角線向量； 為 的變換矩陣，Ei表示全部網(wǎng)格的對(duì)角線向量集。

3.如權(quán)利要求2所述的風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法，其特征在于，全局相似性項(xiàng)ψg()為：其中， 為權(quán)重函數(shù)； 與 為對(duì)角線相似變換函數(shù)；si和θi為全局幾何變換參數(shù)。

4.如權(quán)利要求2所述的風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法，其特征在于，利用LSD算法對(duì)風(fēng)葉圖像中的直線l進(jìn)行提取，得直線集合L，在每條直線l上采集個(gè)n樣點(diǎn)，得每條直線的樣點(diǎn)集合直線保持約束項(xiàng)ψline()為：

其中，[al,bl]⊥為直線的單位法向量； 為樣點(diǎn) 所在網(wǎng)格的四個(gè)頂點(diǎn)坐標(biāo)線性加權(quán)。

5.如權(quán)利要求1所述的風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法，其特征在于，步驟S2具體包括以下步驟：S2a、采集至少80張風(fēng)機(jī)葉片的原始圖像，對(duì)原始圖像采用手工標(biāo)記風(fēng)機(jī)葉片主體部分的方法進(jìn)行人工分割得到標(biāo)定圖像；

S2b、搭建基于U?net的深度學(xué)習(xí)網(wǎng)絡(luò)，以原始圖像作為輸入圖像、標(biāo)定圖像作為輸出圖像載入至深度學(xué)習(xí)網(wǎng)絡(luò)，進(jìn)行訓(xùn)練，獲得風(fēng)機(jī)葉片模型；

S2c、以步驟S1的一組原始圖像中的每個(gè)原始圖像作為輸入圖像，利用風(fēng)機(jī)葉片分割模型進(jìn)行處理得到對(duì)應(yīng)的輸出圖像，即得待配準(zhǔn)圖像。

說明書： 風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法技術(shù)領(lǐng)域[0001] 本發(fā)明涉及圖像拼接領(lǐng)域。更具體地說，本發(fā)明涉及一種風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法。背景技術(shù)[0002] 風(fēng)機(jī)葉片是風(fēng)電機(jī)組的關(guān)鍵部件，由于長期暴露在外部自然環(huán)境中，風(fēng)機(jī)葉片的表面會(huì)出現(xiàn)砂眼、裂紋、剝皮等常見缺陷，進(jìn)而影響了風(fēng)力發(fā)電的效率與風(fēng)機(jī)的壽命。目前，風(fēng)機(jī)葉片的缺陷檢測(cè)主要依靠人工，存在工作效率低、危險(xiǎn)性與成本高的問題。隨著無人機(jī)技術(shù)的推廣應(yīng)用，利用無人機(jī)替代人工進(jìn)行巡檢作業(yè)，通過高清分辨率相機(jī)近距離觀察葉片，可對(duì)有缺陷的葉片提前發(fā)現(xiàn)、及時(shí)處理，保障系統(tǒng)設(shè)備安全運(yùn)行。根據(jù)不完全統(tǒng)計(jì)，該方式比傳統(tǒng)人工檢測(cè)至少快3倍，成本節(jié)約近50％，減少發(fā)電機(jī)2/3的停機(jī)時(shí)間。[0003] 無人機(jī)進(jìn)行風(fēng)機(jī)葉片巡檢作業(yè)時(shí)，為了滿足缺陷識(shí)別的分辨率要求，拍攝相機(jī)無法通過單次拍攝實(shí)現(xiàn)完整葉片的覆蓋，一般地，單個(gè)風(fēng)葉單面拍攝需要20?40張照片不等，加之葉片巡檢分迎風(fēng)面、背風(fēng)面、前緣與后緣之分，眾多零散的圖片不利于葉片巡檢作業(yè)的管理；通過圖片分析出葉片缺陷，也無法定位具體的缺陷位置，故而需要對(duì)拍攝的零散風(fēng)機(jī)葉片進(jìn)行拼接。風(fēng)機(jī)葉片拼接過程的問題存在兩點(diǎn)特殊性：1)風(fēng)機(jī)葉片主體相對(duì)背景而言特征單一，圖像中絕大多數(shù)特征點(diǎn)來源于背景，不利于拼接過程中葉片特征保持；2)在無人機(jī)獲取風(fēng)機(jī)葉片圖像時(shí)，視點(diǎn)位置發(fā)生了明顯的平移，會(huì)導(dǎo)致很大的視差，破壞了傳統(tǒng)圖像拼接方法的單點(diǎn)透視假設(shè)，屬于多視點(diǎn)圖像拼接問題，因此直接進(jìn)行圖像拼接會(huì)出現(xiàn)很大的配準(zhǔn)誤差，往往會(huì)產(chǎn)生嚴(yán)重的扭曲或者重影現(xiàn)象?；诖耍岢鲆环N基于無人機(jī)對(duì)風(fēng)機(jī)巡檢作業(yè)的圖像拼接算法，將無人機(jī)拍攝的離散風(fēng)機(jī)葉片無失真拼接成完整的大幅葉片圖像，為葉片故障標(biāo)識(shí)、定位以及巡檢照片管理提供技術(shù)手段是目前急需解決的問題。發(fā)明內(nèi)容[0004] 本發(fā)明的一個(gè)目的是解決至少上述問題，并提供至少后面將說明的優(yōu)點(diǎn)。[0005] 本發(fā)明還有一個(gè)目的是提供一種風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法，其使用深度學(xué)習(xí)U?net算法和直線保持約束的風(fēng)葉拼接方法，解決了目標(biāo)與背景景深過大導(dǎo)致目標(biāo)拼接失敗的問題；利用直線保持技術(shù)的網(wǎng)格化拼接技術(shù)，對(duì)風(fēng)機(jī)邊緣的直線特征進(jìn)行了有效保護(hù)，實(shí)現(xiàn)了多幅風(fēng)機(jī)葉片的自然拼接，拼接得到的圖像視覺效果畸變小、連續(xù)真實(shí)。[0006] 為了實(shí)現(xiàn)根據(jù)本發(fā)明的這些目的和其它優(yōu)點(diǎn)，提供了一種風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法，包括以下步驟：[0007] S1、連續(xù)采集單面風(fēng)機(jī)葉片的圖像構(gòu)成待拼接的一組原始圖像；[0008] S2、利用U?net算法對(duì)一組原始圖像的每個(gè)原始圖像進(jìn)行圖像前景分割，提取風(fēng)機(jī)葉片主體部分形成一組待配準(zhǔn)圖像；[0009] S3、將每個(gè)待配準(zhǔn)圖像網(wǎng)格化，對(duì)每個(gè)待配準(zhǔn)圖像的網(wǎng)格頂點(diǎn)建立從1到m的索引，然后把網(wǎng)格頂點(diǎn)的x,y坐標(biāo)表示為一個(gè)2m維度的向量，＝[x1y1x2y2…xmym]，定義關(guān)于的全局能量函數(shù)，并對(duì)能量函數(shù)最小化得到網(wǎng)格頂點(diǎn)最優(yōu)解 為：[0010][0011] 其中，ψa()為對(duì)齊誤差項(xiàng)；ψl()為局部相似性項(xiàng)；ψg()為全局相似性正則項(xiàng)；ψline()為直線保持正則項(xiàng)；λl、λg、λline分別為局部相似項(xiàng)、全局相似性項(xiàng)、直線保持約束項(xiàng)的調(diào)節(jié)權(quán)重；

[0012] S4、根據(jù)網(wǎng)格頂點(diǎn)最優(yōu)解，進(jìn)行圖像映射和像素融合，完成圖像拼接。[0013] 優(yōu)選的是，一組待配準(zhǔn)圖像為N個(gè)，對(duì)一組待配準(zhǔn)圖像進(jìn)行編號(hào)為i，i＝1～N，利用SIFT算法提取每個(gè)待配準(zhǔn)圖像特征點(diǎn)并對(duì)重疊區(qū)的特征點(diǎn)進(jìn)行匹配，得粗匹配特征點(diǎn)對(duì)集合，利用隨機(jī)抽樣一致性算法剔除粗匹配特征點(diǎn)對(duì)集合中的誤匹配對(duì)，得有效匹配特征點(diǎn)對(duì)集合；[0014] 確定有效匹配特征點(diǎn)對(duì)集合內(nèi)的特征點(diǎn)所在四邊形網(wǎng)格，用該四邊形網(wǎng)格的頂點(diǎn)坐標(biāo)線性描述對(duì)應(yīng)特征點(diǎn)的位置，并確定網(wǎng)格頂點(diǎn)匹配對(duì)，得網(wǎng)格頂點(diǎn)匹配對(duì)集合；[0015] 對(duì)齊誤差項(xiàng)ψa()為：[0016][0017] 其中，J為存在重疊區(qū)的圖像對(duì)集合； 為 所在四邊形的網(wǎng)格ij

頂點(diǎn)坐標(biāo)的線性加權(quán)；M 為網(wǎng)格頂點(diǎn)匹配對(duì)集合； 與 為一對(duì)有效匹配特征點(diǎn)對(duì)。

[0018] 優(yōu)選的是，局部相似性項(xiàng)ψl()為：[0019][0020] 其中， 為幾何變換前的網(wǎng)格頂點(diǎn)坐標(biāo)， 為幾何變換后的網(wǎng)格頂點(diǎn)坐標(biāo)，為幾何變換前的網(wǎng)格對(duì)角線向量， 為幾何投影變換后的網(wǎng)格對(duì)角線向量； 為 的變換矩陣，Ei表示全部網(wǎng)格的對(duì)角線向量集。

[0021] 優(yōu)選的是，全局相似性項(xiàng)ψg()為：[0022][0023] 其中， 為權(quán)重函數(shù)； 與 為對(duì)角線相似變換函數(shù)；si和θi為全局幾何變換參數(shù)。

[0024] 優(yōu)選的是，利用LSD算法對(duì)風(fēng)葉圖像中的直線l進(jìn)行提取，得直線集合L，在每條直線l上采集個(gè)n樣點(diǎn)，得每條直線的樣點(diǎn)集合[0025] 直線保持約束項(xiàng)ψline()為：[0026][0027] 其中，[al,bl]⊥為直線的單位法向量； 為樣點(diǎn) 所在網(wǎng)格的四個(gè)頂點(diǎn)坐標(biāo)線性加權(quán)。

[0028] 優(yōu)選的是，步驟S2具體包括以下步驟：[0029] S2a、采集至少80張風(fēng)機(jī)葉片的原始圖像，對(duì)原始圖像采用手工標(biāo)記風(fēng)機(jī)葉片主體部分的方法進(jìn)行人工分割得到標(biāo)定圖像；[0030] S2b、搭建基于U?net的深度學(xué)習(xí)網(wǎng)絡(luò)，以原始圖像作為輸入圖像、標(biāo)定圖像作為輸出圖像載入至深度學(xué)習(xí)網(wǎng)絡(luò)，進(jìn)行訓(xùn)練，獲得風(fēng)機(jī)葉片模型；[0031] S2c、以步驟S1的一組原始圖像中的每個(gè)原始圖像作為輸入圖像，利用風(fēng)機(jī)葉片分割模型進(jìn)行處理得到對(duì)應(yīng)的輸出圖像，即得待配準(zhǔn)圖像。[0032] 本發(fā)明至少包括以下有益效果：[0033] 第一、由于無人機(jī)對(duì)風(fēng)機(jī)葉片的巡檢拍攝為多視點(diǎn)拍攝，拍攝點(diǎn)之間有很大的平移，會(huì)導(dǎo)致很大的視差，且存在明顯的背景和前景景深，干擾拼接，本申請(qǐng)使用深度學(xué)習(xí)U?net算法和直線保持約束的風(fēng)葉拼接方法，解決了目標(biāo)與背景景深過大導(dǎo)致目標(biāo)拼接失敗的問題；[0034] 第二、利用直線保持技術(shù)的網(wǎng)格化拼接技術(shù)，同時(shí)優(yōu)化直線判據(jù)，對(duì)風(fēng)機(jī)邊緣的直線特征進(jìn)行了有效保護(hù)，以使在網(wǎng)格優(yōu)化階段只需一次優(yōu)化求解，實(shí)現(xiàn)了多幅風(fēng)機(jī)葉片的自然拼接，拼接得到的圖像視覺效果畸變小、連續(xù)真實(shí)，且計(jì)算方式直接、適用范圍廣，可靠性更高。[0035] 本發(fā)明的其它優(yōu)點(diǎn)、目標(biāo)和特征將部分通過下面的說明體現(xiàn)，部分還將通過對(duì)本發(fā)明的研究和實(shí)踐而為本領(lǐng)域的技術(shù)人員所理解。附圖說明[0036] 圖1為本發(fā)明的風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法的流程示意圖；[0037] 圖2為本發(fā)明的其中一實(shí)施例中的兩張?jiān)紙D像；[0038] 圖3為本發(fā)明的其中一實(shí)施例中的兩張待配準(zhǔn)圖像；[0039] 圖4為本發(fā)明的其中一實(shí)施例中的兩張具有重疊區(qū)的兩張待配準(zhǔn)圖片的特征點(diǎn)粗匹配結(jié)果示意圖；[0040] 圖5為本發(fā)明的其中一實(shí)施例中的其中兩張具有重疊區(qū)的兩張待配準(zhǔn)圖片的特征點(diǎn)剔除誤匹配對(duì)后的結(jié)果示意圖；[0041] 圖6為本發(fā)明的其中一實(shí)施例中的完成圖像拼接的圖像示意圖。具體實(shí)施方式[0042] 下面結(jié)合實(shí)施例對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說明，以令本領(lǐng)域技術(shù)人員參照說明書文字能夠據(jù)以實(shí)施。[0043] 如圖1所示，本發(fā)明提供一種風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法，包括以下步驟：[0044] S1、無人機(jī)連續(xù)采集單面風(fēng)機(jī)葉片的圖像構(gòu)成待拼接的一組原始圖像；[0045] S2、利用U?net算法對(duì)一組原始圖像的每個(gè)原始圖像進(jìn)行圖像前景分割，提取風(fēng)機(jī)葉片主體部分形成一組待配準(zhǔn)圖像；[0046] S3、對(duì)每個(gè)待配準(zhǔn)圖像建立均勻四邊形網(wǎng)格，即將每個(gè)待配準(zhǔn)圖像網(wǎng)格化，對(duì)每個(gè)待配準(zhǔn)圖像的網(wǎng)格頂點(diǎn)建立從1到m的索引，然后把網(wǎng)格頂點(diǎn)的x,y坐標(biāo)表示為一個(gè)2m維度的向量，＝[x1y1x2y2…xmym]，定義關(guān)于的全局能量函數(shù)，并對(duì)能量函數(shù)最小化得到網(wǎng)格頂點(diǎn)最優(yōu)解[0047] 關(guān)于的全局能量函數(shù)為：＝ψa()+λlψl()+λgψg()+λlineψline()[0048] 為：[0049] 其中，ψa()為對(duì)齊誤差項(xiàng)；ψl()為局部相似性項(xiàng)；ψg()為全局相似性正則項(xiàng)；ψline()為直線保持正則項(xiàng)；λl、λg、λline分別為局部相似項(xiàng)、全局相似性項(xiàng)、直線保持約束項(xiàng)的調(diào)節(jié)權(quán)重；

[0050] S4、根據(jù)網(wǎng)格頂點(diǎn)最優(yōu)解，進(jìn)行圖像映射和像素融合，完成圖像拼接。[0051] 在上述技術(shù)方案中，無人機(jī)對(duì)單面風(fēng)機(jī)葉片連續(xù)采集，連續(xù)采集過程中，無人機(jī)與葉片的距離基本保持不變，且采集的任意相鄰兩張?jiān)紙D像間存在重疊區(qū)，局部相似項(xiàng)、全局相似性項(xiàng)、直線保持約束項(xiàng)的調(diào)節(jié)權(quán)重取決于圖像中細(xì)節(jié)與結(jié)構(gòu)問題特征，對(duì)于一類圖像而言，調(diào)節(jié)權(quán)重不變，步驟S3中，ψa()為對(duì)齊誤差項(xiàng)，其用于調(diào)控使待配準(zhǔn)圖像的重疊區(qū)能夠更好的對(duì)齊，ψl()為局部相似性項(xiàng)，其在于確保每個(gè)網(wǎng)格盡量經(jīng)歷相似幾何變換的情況下，將重疊區(qū)網(wǎng)格的幾何變換傳播到整張網(wǎng)格之上，保證網(wǎng)格幾何變換的連續(xù)性；ψg()為全局相似性正則項(xiàng)，其在于控制非重疊區(qū)的網(wǎng)格以全局相似變換為主，而重疊區(qū)的網(wǎng)格以對(duì)齊為主，保證重疊區(qū)能夠充分對(duì)齊，而非重疊區(qū)能夠盡力保證經(jīng)歷一個(gè)相似變換，而減少投影失真；ψline()為直線保持正則項(xiàng)，其在于保持葉片自身線性結(jié)構(gòu)特征；步驟S4具體為：根據(jù)獲得的網(wǎng)格頂點(diǎn)(坐標(biāo))最優(yōu)解，將所有圖像映射到一個(gè)統(tǒng)一的坐標(biāo)系下，使得不同待配準(zhǔn)圖像的匹配點(diǎn)處于同一位置下，并求加權(quán)平均進(jìn)行像元融合，完成圖像拼接；由于無人機(jī)對(duì)風(fēng)機(jī)葉片的巡檢拍攝為多視點(diǎn)拍攝，拍攝點(diǎn)之間有很大的平移，會(huì)導(dǎo)致很大的視差，且存在明顯的背景和前景景深，干擾拼接，采用這種技術(shù)方案，使用深度學(xué)習(xí)U?net算法和直線保持約束的風(fēng)葉拼接方法，解決了目標(biāo)與背景景深過大導(dǎo)致目標(biāo)拼接失敗的問題；利用直線保持技術(shù)的網(wǎng)格化拼接技術(shù)，對(duì)風(fēng)機(jī)邊緣的直線特征進(jìn)行了有效保護(hù)，實(shí)現(xiàn)多幅風(fēng)機(jī)葉片的自然拼接，拼接得到的圖像視覺效果畸變小、連續(xù)真實(shí)，且計(jì)算方式直接、適用范圍廣，可靠性更高。[0052] 在另一種技術(shù)方案中，一組待配準(zhǔn)圖像為N個(gè)，對(duì)一組待配準(zhǔn)圖像進(jìn)行編號(hào)為i，i＝1～N，利用SIFT算法提取每個(gè)待配準(zhǔn)圖像特征點(diǎn)并對(duì)重疊區(qū)的特征點(diǎn)進(jìn)行匹配，得粗匹配特征點(diǎn)對(duì)集合，粗匹配特征點(diǎn)對(duì)集合中存在的誤匹配對(duì)會(huì)引起圖像幾何校正的誤差，利用隨機(jī)抽樣一致性算法剔除粗匹配特征點(diǎn)對(duì)集合中的誤匹配對(duì)，得有效匹配特征點(diǎn)對(duì)集合；[0053] 確定有效匹配特征點(diǎn)對(duì)集合內(nèi)的特征點(diǎn)所在四邊形網(wǎng)格，用該四邊形網(wǎng)格的頂點(diǎn)坐標(biāo)線性描述對(duì)應(yīng)特征點(diǎn)的位置，并確定網(wǎng)格頂點(diǎn)匹配對(duì)，得網(wǎng)格頂點(diǎn)匹配對(duì)集合；[0054] 則對(duì)齊誤差項(xiàng)ψa()為：[0055][0056] 其中，J為存在重疊區(qū)的圖像對(duì)集合，對(duì)于由連續(xù)拍攝的原始圖像進(jìn)行前景分割獲得的待配準(zhǔn)圖像而言，任意相鄰兩張待配準(zhǔn)圖像為一對(duì)存在重疊區(qū)的圖相對(duì)；[0057] 為 所在四邊形的網(wǎng)格頂點(diǎn)坐標(biāo)的線性加權(quán)；Mij為網(wǎng)格頂點(diǎn)匹配對(duì)集合； 與 為一對(duì)有效匹配特征點(diǎn)對(duì)。在上述技術(shù)方案中，得粗匹配特征點(diǎn)對(duì)集合具體包括以下步驟：

[0058] 步驟一、由待配準(zhǔn)圖像與高斯核函數(shù)卷積生成每個(gè)待配準(zhǔn)圖像在不同尺度下的尺度空間L(x,y,σ)：L(x,y,σ)＝G(x,y,σ)*I(x,y)，其中， 為高斯核函數(shù)；σ為高斯正態(tài)分布的方差，也稱為尺度空間因子；(x,y)為待配準(zhǔn)圖像當(dāng)前像素點(diǎn)的索引；I(x,y)表示待配準(zhǔn)圖像；*表示卷積運(yùn)算；

[0059] 對(duì)尺度空間進(jìn)行離散化采樣，生成的一系列高斯圖像，構(gòu)成高斯金字塔，將高斯金字塔中相鄰兩層的尺度空間函數(shù)進(jìn)行相減得到高斯差分金字塔D(x,y,σ)，進(jìn)而構(gòu)建差分高斯尺度空間，其中，D(x,y,σ)＝(G(x,y,kσ)?G(x,y,σ))*I(x,y)＝L(x,y,kσ)?L(x,y,σ)；[0060] 步驟二、檢測(cè)尺度空間的極值點(diǎn)，并精確定位極值點(diǎn)：將差分高斯尺度空間里的每個(gè)像素點(diǎn)與同層的8個(gè)像素點(diǎn)、上層的9個(gè)像素點(diǎn)和下層的9個(gè)像素點(diǎn)供26個(gè)像素點(diǎn)比較大小，如果當(dāng)前像素點(diǎn)為極大值或極小值，則把當(dāng)前像素點(diǎn)定位關(guān)鍵點(diǎn)；[0061] 由于邊緣和噪聲對(duì)差分高斯尺度空間的影響較大，對(duì)關(guān)鍵點(diǎn)進(jìn)行進(jìn)一步的篩選，精確定位具有尺度不變性的特征點(diǎn)，并且需要濾除低對(duì)比度點(diǎn)和邊緣響應(yīng)點(diǎn)，以精確定位極值點(diǎn)，得特征點(diǎn)；[0062] 步驟三、確定高斯金字塔特征點(diǎn)(x,y)處的梯度大小m(x,y)和方向θ(x,y)，利用特征點(diǎn)處的梯度大小和方向來計(jì)算特征點(diǎn)的主方向，以保證特征點(diǎn)的旋轉(zhuǎn)不變性，其中，[0063][0064] L(x,y)為特征點(diǎn)(x,y)的尺度；[0065] 以特征點(diǎn)為中心的鄰域窗口內(nèi)采樣，并用直方圖統(tǒng)計(jì)鄰域像素的梯度方向，梯度直方圖的方位是0～360度，其中每10度一個(gè)柱，直方圖的主峰值代表了特征點(diǎn)處鄰域梯度的主方向，即特征點(diǎn)的主方向；[0066] 步驟四、確定特征點(diǎn)主方向之后，以特征點(diǎn)為中心取8×8的窗口，進(jìn)而計(jì)算每個(gè)4×4的小塊上計(jì)算8個(gè)方向的梯度方向直方圖，繪制每個(gè)梯度方向的累加值，最終形成128維的SIFT特征描述向量，即生成特征描述子；[0067] 步驟五、用最近鄰距離和次近鄰距離比(NNDR)準(zhǔn)則實(shí)現(xiàn)對(duì)空間鄰接的兩個(gè)待配準(zhǔn)圖像的特征點(diǎn)進(jìn)行匹配，匹配完成后鄰接的兩個(gè)待配準(zhǔn)圖像中匹配中的點(diǎn)集構(gòu)成粗匹配特征點(diǎn)對(duì)集合；采用這種方案，將獲得的有效匹配特征點(diǎn)對(duì)的有效匹配特征點(diǎn)的位置用其所在四邊形網(wǎng)格頂點(diǎn)的坐標(biāo)線性描述，獲得網(wǎng)格頂點(diǎn)匹配對(duì)集合，使得網(wǎng)格的頂點(diǎn)參與對(duì)齊誤差項(xiàng)的計(jì)算，以使待配準(zhǔn)圖片在重疊區(qū)能夠更好的對(duì)齊，進(jìn)一步提升圖像間的配準(zhǔn)效果。[0068] 在另一種技術(shù)方案中，局部相似性項(xiàng)ψl()為：[0069][0070] 其中， 為幾何變換前的網(wǎng)格頂點(diǎn)坐標(biāo)， 為幾何變換后的網(wǎng)格頂點(diǎn)坐標(biāo)，為幾何變換前的網(wǎng)格對(duì)角線向量， 為幾何投影變換后的網(wǎng)格對(duì)角線向量； 為 的變換矩陣，Ei表示全部網(wǎng)格的對(duì)角線向量集。采用這種方案，確保每個(gè)網(wǎng)格盡量經(jīng)歷相似幾何變換的情況下，將重疊區(qū)網(wǎng)格的幾何變換傳播到整張網(wǎng)格之上，保證網(wǎng)格幾何變換的連續(xù)性。

[0071] 在另一種技術(shù)方案中，全局相似性項(xiàng)ψg()為：[0072][0073] 其中， 為權(quán)重函數(shù)，其與網(wǎng)格邊距離重疊區(qū)的距離正相關(guān)，對(duì)遠(yuǎn)離重疊區(qū)的網(wǎng)格對(duì)角線賦予更高的權(quán)重值，對(duì)重疊區(qū)對(duì)齊項(xiàng)約束起主導(dǎo)作用； 與 為對(duì)角線相似變換函數(shù)；si和θi為全局幾何變換參數(shù)，具體為旋轉(zhuǎn)參數(shù)和尺度參數(shù)。采用這種方案，控制非重疊區(qū)的網(wǎng)格以全局相似變換為主，而重疊區(qū)的網(wǎng)格以對(duì)齊為主，保證重疊區(qū)能夠充分對(duì)齊，而非重疊區(qū)能夠盡力保證經(jīng)歷一個(gè)相似變換，而減少投影失真。

[0074] 在另一種技術(shù)方案中，利用LSD算法對(duì)風(fēng)葉圖像中的直線l進(jìn)行提取，得直線集合L，在每條直線l上采集個(gè)n樣點(diǎn)，得每條直線的樣點(diǎn)集合[0075] 直線保持約束項(xiàng)ψline()為：[0076][0077] 其中，[al,bl]⊥為直線的單位法向量； 為樣點(diǎn) 所在網(wǎng)格的四個(gè)頂點(diǎn)坐標(biāo)線性加權(quán)。采用這種方案，優(yōu)化直線判據(jù)，以使在網(wǎng)格優(yōu)化階段只需一次優(yōu)化求解，且利用直線保持技術(shù)的網(wǎng)格化拼接技術(shù)，對(duì)風(fēng)機(jī)邊緣的直線特征進(jìn)行了有效保護(hù)，實(shí)現(xiàn)多幅風(fēng)機(jī)葉片的自然拼接，拼接得到的圖像視覺效果畸變小、連續(xù)真實(shí)。

[0078] 在另一種技術(shù)方案中，步驟S2具體包括以下步驟：[0079] S2a、采集至少80張風(fēng)機(jī)葉片的原始圖像，對(duì)原始圖像采用手工標(biāo)記風(fēng)機(jī)葉片主體部分的方法進(jìn)行人工分割得到標(biāo)定圖像；[0080] S2b、搭建基于U?net的深度學(xué)習(xí)網(wǎng)絡(luò)，以原始圖像作為輸入圖像、標(biāo)定圖像作為輸出圖像載入至深度學(xué)習(xí)網(wǎng)絡(luò)，進(jìn)行訓(xùn)練，獲得風(fēng)機(jī)葉片模型；[0081] S2c、以步驟S1的一組原始圖像中的每個(gè)原始圖像作為輸入圖像，利用風(fēng)機(jī)葉片分割模型進(jìn)行處理得到對(duì)應(yīng)的輸出圖像，即得待配準(zhǔn)圖像。采用這種方案，使用深度學(xué)習(xí)U?net算法，解決原始圖像背景景深過大的問題。[0082] 實(shí)施例1[0083] 如圖2?6所示，一種風(fēng)機(jī)葉片圖像分割與網(wǎng)格優(yōu)化拼接方法，包括以下步驟：[0084] S1、無人機(jī)連續(xù)采集單面風(fēng)機(jī)葉片的23張圖像構(gòu)成待拼接的一組原始圖像，部分原始圖像(做灰度處理后)如圖2所示；[0085] S2、利用U?net算法對(duì)一組原始圖像的每個(gè)原始圖像進(jìn)行圖像前景分割，提取風(fēng)機(jī)葉片主體部分形成一組待配準(zhǔn)圖像，圖2所示的原始圖像對(duì)應(yīng)的待配準(zhǔn)圖像(做灰度處理后)如圖3所示；[0086] 利用SIFT算法提取每個(gè)待配準(zhǔn)圖像特征點(diǎn)并對(duì)重疊區(qū)的特征點(diǎn)進(jìn)行匹配，得粗匹配特征點(diǎn)對(duì)集合，其中兩張具有重疊區(qū)的兩張待配準(zhǔn)圖片的特征點(diǎn)粗匹配結(jié)果如圖4所示；利用隨機(jī)抽樣一致性算法剔除粗匹配特征點(diǎn)對(duì)集合中的誤匹配對(duì)，得有效匹配特征點(diǎn)對(duì)集合，其中兩張具有重疊區(qū)的兩張待配準(zhǔn)圖片的特征點(diǎn)剔除誤匹配對(duì)后的結(jié)果如圖5所示[0087] S3、以像素為單位對(duì)每個(gè)待配準(zhǔn)圖像建立均勻四邊形網(wǎng)格，大小為40×40像素，降采樣圖片分辨率為800×600像素，權(quán)重系數(shù)取值λl＝0.25、λg＝0.75、λline＝1.1，經(jīng)過CGLS迭代，有效解決大規(guī)模稀疏矩陣的優(yōu)化求解問題，根據(jù)統(tǒng)計(jì)，23張圖像在網(wǎng)格優(yōu)化求解時(shí)，共72934個(gè)稀疏項(xiàng)，16928頂點(diǎn)參與優(yōu)化，迭代時(shí)間為2.6秒，全部處理時(shí)間為69.5秒；

[0088] S4、根據(jù)網(wǎng)格頂點(diǎn)最優(yōu)解，進(jìn)行圖像映射和像素融合，完成圖像拼接，具體如圖6所示。[0089] 盡管本發(fā)明的實(shí)施方案已公開如上，但其并不僅僅限于說明書和實(shí)施方式中所列運(yùn)用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對(duì)于熟悉本領(lǐng)域的人員而言，可容易地實(shí)現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于特定的細(xì)節(jié)和這里示出與描述的圖例。