基于单波段光谱特征增强的水域环境AAV多光谱图像拼接方法IBEWMS研究

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：IBEWMS: Individual Band Spectral Feature Enhancement-Based Waterfront Environment AAV Multispectral Image Stitching

本文推荐一种基于单波段光谱特征增强（IBSFE）的水域环境自主飞行器（AAV）多光谱（MS）图像拼接框架IBEWMS。针对复杂水域场景中多波段反射特性差异大、特征匹配困难的问题，研究团队提出分波段增强策略，结合无检测器特征匹配网络和负相关权重融合方法，在自建WHUWEMS数据集上验证了框架在特征匹配精度（AUC@10°提升至39.12%）和全景图质量方面的优势，为水域环境监测提供重要技术支持。

　　

随着自主飞行器（AAV）在水域环境监测中的广泛应用，将多幅AAV多光谱（MS）图像拼接成无缝全景图成为确保监测准确性的关键环节。然而，不同波长的反射特性差异给现有单波段MS图像拼接方法带来巨大挑战，尤其在包含水体、植被、建筑等复杂地物的水域场景中，特征匹配精度和全景图质量难以保证。

针对这一难题，武汉大学杨子轩等人在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》发表研究，提出基于单波段光谱特征增强（IBSFE）的水域环境AAV多光谱图像拼接框架IBEWMS。该框架创新性地针对蓝、绿、红、红边、近红外（NIR）五个波段的不同反射特性设计专属增强方案，结合无检测器特征匹配网络和负相关权重融合技术，显著提升了复杂水域场景下的拼接性能。

研究团队首先构建了包含12,315张高分辨率5波段MS图像的WHUWEMS数据集，涵盖东湖、梁子湖等典型水域场景。通过辐射校正、几何校正和波段配准等预处理后，提出IBEWMS框架的四大核心模块：

关键技术方法包括：（1）单波段光谱特征增强（IBSFE）模块，针对蓝波段采用二级Haar小波去噪，绿波段和NIR波段分别基于NDVI和NDWI指数结合Gabor滤波器增强植被/水体纹理，红波段使用直方图均衡化强化地物对比度，红边波段通过Sobel算子提取水陆边界；（2）基于LoFTR改进的无检测器特征点匹配网络，将增强后波段与原始图像加权融合后输入特征金字塔网络，通过自注意力与交叉注意力机制实现稠密匹配；（3）基于自适应束调整的全局图像对齐；（4）结合快速鲁棒接缝估计（FARSE）和改进Wallis算法的图像融合方法，通过距离负相关权重消除接缝并保持反射率一致性。

研究结果通过系统实验验证了方法的有效性：

特征点匹配性能方面：IBSFE模块的消融实验表明，五波段协同增强使姿态估计AUC@10°提升至39.12%，匹配精度和有效率分别提高2.84%和11.67%。与主流方法对比中，IBEWMS在五个子数据集上的平均RMSE（2.21）和R-Score（88.19%）均优于传统方法（SIFT/ORB/KAZE）和深度学习框架（SuperGlue/LoFTR等），在渡口、农田等典型场景中实现了更均匀分布的稠密匹配点对。

图像融合质量评估：视觉对比表明，直接加权、高斯融合等方法在建筑、植物场景中出现重影和错位，而IBEWMS在保留地物结构清晰度的同时有效消除接缝。定量分析显示，该方法在多数场景中取得最高方差（农田1.65、植物1.16）和边缘方向梯度值（渡口4.53、农田10.92），反射率分布曲线呈现更集中的水体特征峰，证明其在空间清晰度和光谱一致性方面的优势。

数据集建设贡献：提供的WHUWEMS数据集包含不同高度（80-400米）拍摄的5波段MS图像，涵盖农田、船舶、植被等多样地物，通过严格的辐射/几何校正和波段配准流程，为水域环境MS研究提供重要数据支持。

结论表明，IBEWMS框架通过光谱特征增强与深度学习技术的结合，有效解决了复杂水域场景下MS图像拼接的挑战。其创新性在于：1）充分利用各波段反射特性差异设计针对性增强策略；2）实现高精度稠密特征匹配的同时保持网络结构轻量化；3）提出的融合方法在消除接缝与保持光谱连续性方面取得平衡。该研究不仅为水域监测提供可靠技术方案，其分波段增强策略对其他复杂场景的MS图像处理也具有借鉴意义。未来可进一步拓展该框架在更广泛地物类型和成像条件下的适用性。