王刊生，鄭　亮

(中交第二公路勘察設計研究院有限公司，湖北 武漢 430056)

無人機遙感具有分辨率高、機動靈活、實時性強等特點，廣泛應用于工程勘察領域。由于飛行姿態(tài)不穩(wěn)定、影像旋偏角大、航向及旁向重疊度不規(guī)則等因素，無人機影像容易產生復雜的幾何變形和灰度差異。影像匹配既是無人機影像空三加密的必要步驟，也是獲取測區(qū)全景正射影像圖的基礎性和關鍵性問題。目前無人機影像匹配主要采用基于計算機視覺的特征點檢測算法，如SIFT和SURF算法，這類算法對圖像的復雜變形和光照變化具有較強的適應性,但是由于無人機影像分辨率高，匹配的特征點過多，雖然可以調整算法閾值減少特征點個數，但是特征點的穩(wěn)定性也會同時下降，導致在紋理缺乏的區(qū)域，提取不到特征點。大量的匹配特征點一方面會降低區(qū)域網平差計算的效率，另一方面也會影響空三加密的精度。

為了提高大規(guī)模平差效率，Lourakis使用稀疏存儲與矩陣分解技術來求解法方程，Cornou等通過優(yōu)化減少位置變量個數來降低解算負擔，馮其強等提出了對三維點逐點解算的點松弛法快速計算方法。本文針對無人機影像匹配特征點過多、分布不均勻的問題，在區(qū)域網平差前對特征點進行預處理，通過全局抽稀和局部抽稀，控制特征點的數量和分布，達到優(yōu)化區(qū)域網平差的目的。全局抽稀是指對于整個影像集進行點位抽稀，而局部抽稀則是對影像集中部分空間位置相鄰影像的抽稀，需要人工定義抽稀的目標空間區(qū)域。局部抽稀是對全局抽稀的補充，主要是針對某些特殊情況，如全局抽稀后，某兩張影像之間徹底失去了點位聯系(即無法直接關聯，或通過其他影像間接關聯)。

1　基本需求

抽稀問題的需求，即解決以下描述的問題：如圖1所示，在一個影像集中，每一張影像上分布著大量的觀察點位，若干個觀察點位可能本質上是同一個觀察位置，即同名點(文中稱連接點)?，F需要減少每一張影像上的觀察點位，使最終每一張影像上點位數量急劇減少且均勻分布，數量標準為盡量使劃分的網格中僅保留一個點位。刪除某一個觀察點位時，必須刪除其他同名的觀察點位。此外還應滿足一定的約束條件，如優(yōu)先保留連接度高的點(連接度指連接點包含觀察點的數量)、距離網格中心近的點，以及其他約束條件。

圖1　空三加密點示意圖

2　模型構建和基本策略

2.1　抽稀的模型構建

抽稀過程的模型，即是算法中操作的基本單元，在代碼中表現為類設計。整個抽稀算法過程涉及的相關類有5個：①影像類：包含影像的名稱、編號，觀察點列表及相關的標記信息(如是否在圈定區(qū)域內，是否參與抽稀等)；②觀察點類：包含從屬影像的編號、從屬連接點編號、自編號、坐標信息；③連接點類：自編號、連接度、網格索引號列表、平均去心距離、觀察點列表，以及相關標記；④關聯度類：被關聯的兩張圖像的指針、關聯度及相關標記；⑤抽稀器類：與抽稀相關的設置參數(如影像寬高信息、數量信息、抽稀強度參數、網格劃分參數等)、中間統(tǒng)計信息、連接點容器，以及兼容的原始數據的各種接口和抽稀過程中的各種步驟方法函數等。這5個模型的協作關系如圖2所示。

圖2　抽稀模型間的關系

2.2　基本策略

抽稀的基本策略是選點，即獲取原始點位數據，將影像劃分為網格單元之后，將觀察點位歸并為連接點并根據約束條件進行排序。清空所有的原始點位，然后從已排序的連接點列表中，對第一名的連接點開始考察選入，并填充單元網格，直到單元網格滿足每格一點的要求時，即完成抽稀過程。

3　全局抽稀算法

3.1　讀入數據構建模型

原始的數據格式可能有兩種情況：以連接點為單位，每一條數據記錄了一個連接點及其包含的觀察點的信息，影像編號作為觀察點的屬性；以圖像為單位，每一條數據記錄了圖像及其包含的觀察點的信息，連接點編號作為觀察點的屬性。

根據算法的需要，以連接點為單位的格式是更為合適的，因此，在處理以圖像為單位的數據之前，還需要作一步額外的轉換，轉換為以連接點為單位的模型。

構建模型主要是構建連接點的數組，計算連接點的相關信息(連接度、平均去心距離、觀察點指針集等屬性)，以及計算各單元網格的屬性等。

3.2　網格劃分

所有的影像均采取統(tǒng)一的劃分方式。劃分方式決定抽稀強度，即抽稀后點密度是最關鍵的因素，最小可以按3×3劃分，也可以按其他行列數劃分，但行數或列數不應超過10，否則將導致后續(xù)解算過程中內存不夠或耗時過長。

3.3　獲取原始空格編號

獲取原始空格編號是構建算法過程結束的標志的必要一步。本算法中以所有網格均有點為結束標志，如果劃分的單元格中原本就沒有觀察點，那結束條件將永遠不能滿足，程序將陷入死循環(huán)，而實際上空間上排布在最外圍的影像的靠外圍的區(qū)域一般是缺少點或沒有點的，因為沒有與其他影像形成公共區(qū)域。獲取原始空格編號，即是讓原始空格不參與程序的運算。

3.4　連接點排序

將第一步中得到的連接點數組，按照一定的排序規(guī)則進行排序，為后續(xù)的選點抽稀作準備。排序的規(guī)則是根據實際需求決定的，規(guī)則的靈活性決定了抽稀的靈活性。排序規(guī)則可以定性也可以定量，如目前抽稀算法使用的規(guī)則是定性規(guī)則，規(guī)則指標有兩個：①連接點的連接度(連接點包含觀察點的個數)；②連接點的去心距離(觀察點距離各自單元格中心的距離的均值)。連接度作為第一指標，去心距離作為第二指標，即判斷兩個連接點的順序，當第一指標不同時，只考慮第一指標，相同則考慮第二指標，依次類推。如果使用定量規(guī)則，則應當對每一個指標賦予權值，通過加權的方式計算綜合評分，然后根據評分進行排序。

3.5　選點抽稀

如圖3所示，在得到排序后的連接點列表之后，清空原圖像中的所有點位，并從列表中第一個點開始判斷選入。選入一個連接點即選擇了該點包含的所有觀察點，因此觀察點對應的單元格所包含的觀察點個數開始增加，當選擇了一定量的連接點后，除原先無點的單元格以外的所有單元格都應有觀察點，此時抽稀結束。值得一提的是，選點過程并非是完全根據連接點的排名順序，因為有些點的排名很靠前，但是其觀察點所在的單元格已經有點存在，則這樣的連接點對于填充單元格沒有意義，因此不選擇，同理對于填充單元格意義較小的點也暫不選擇。對于填充單元格可以設定一個閾值，這個閾值代表了連接點的連接度重視程度，閾值越大，則更優(yōu)先保留連接度大的點，但此時保留的總點數也會相應增加。目前算法中初始閾值設定為0.5，即當連接點能夠貢獻的“新格”數量大于等于其觀察點數量的一半時被選擇，如果按照初始閾值，對點列表選擇一遍之后，如果仍不能填滿單元格，則將閾值降為一半，降低要求再次從頭選擇，第二遍僅對沒有被選入的點進行考察，即保留已經選入的連接點。依次類推，直到所有單元格填充完畢。

圖3　選點抽稀算法流程

3.6　模型轉數據

模型轉數據是第一步的逆操作，即將算法的模型結果轉換保存為讀入時的數據形式，交還給用戶。

4　局部抽稀算法

局部抽稀算法是全局抽稀算法的一個拓展，區(qū)別在于支持用戶自定義抽稀區(qū)域。算法步驟與全局抽稀基本相同，但是在第一步讀入數據構建模型之后，多出一個環(huán)節(jié)，即計算影像與影像之間的關聯度，關聯度用兩張影像之間公共的連接點數量來表示。關聯度的計算與顯示，主要是為用戶服務，是用戶圈定抽稀區(qū)域的主要依據，一般來說，用戶希望抽稀應該在關聯度過大的、空間相關的一批影像之間進行。當用戶根據影像的空間位置關系及影像的關聯程度圈定出抽稀區(qū)域之后，位于區(qū)域之內影像將被逐一判斷是否與外界影像有聯系，如果沒有則參與抽稀，反之則不參與抽稀，其目的在于防止抽稀的刪點斷開了內外影像間的聯系。

局部抽稀工具如圖4所示，圖中劃區(qū)僅示意，不代表任何實際需求，折線所包圍塊點表示實際參與抽稀的影像。

圖4　局部抽稀工具

5　試驗結果

由于局部抽稀實質上是劃定范圍的全局抽稀，因此本次試驗僅以全局抽稀為例，驗證算法的抽稀速度和抽稀后保留點的數量,并將抽稀前后的結果進行平差對比，驗證效率的提升和精度的不變性。

表1為湖北黃梅某測區(qū)無人機影像數據，不同網格劃分方案，原始數據中影像數量為568張，連接點數量為217 663個，觀察點總數量為1 028 363個。前3組劃分方式(3×3，4×4，5×5)為試驗劃分方案，最后一組為多次試驗之后實際工作中的采用方案。抽稀結果見表1。

表1　抽稀基本結果

被保留的連接點的連接度分布見表2。

由試驗結果可以看出，該抽稀算法具有良好的抽稀效率，靈活性強，能夠適應不同抽稀程度要求及不同約束條件，抽稀結果穩(wěn)定,對于平差效率提升很大，且基本不影響平差精度。試驗中抽稀后平差精度稍優(yōu)于抽稀前并不能說明抽稀能穩(wěn)定提升精度，稍優(yōu)是抽稀過程偶然去除了較多錯點導致的。

表2　連接度分布

參考文獻：

[1] 鄭亮,董衛(wèi)艷，原保成.無人機遙感在海外高速公路勘測中的應用[J].測繪通報,2017(7):81-84.

[2] 李德仁,李明.無人機遙感系統(tǒng)的研究進展與應用前景[J].武漢大學學報(信息科學版),2014,39(5):505-513.

[3] 劉玉軒,藍朝楨,李參海,等.無人機影像匹配中尺度不變特征應用改進[J].測繪科學,2016，41(7):37-40.

[4] 胡同喜,牛雪峰,譚洋,等.基于SURF算法的無人機遙感影像拼接技術[J].測繪通報,2015(1):55-58.

[5] 梁煥青,謝意,付四洲,等.顏色不變量與 AKAZE特征相結合的無人機影像匹配算法[J].測繪學報,2017，46(7):900-909.

[6] LOWE D G．Object Recognition from Local Scale-invariant Features[C]∥Proceedings of the Seventh IEEE International Conference on Computer Vision．Kerkyra：IEEE,1999:1150-1157．

[7] LI Qiaoliang,WANG Guoyou,LIU Jianguo,et al．Robust Scale-invariant Feature Matching for Remote Sensing Image Registration[J]．IEEE Geoscience and Remote Sensing Letters,2009,6(2):287-291.

[8] LOURAKIS M,ARGYROS A.The Design and Implementation of a Generic Sparse Bundle Adjustment Software Package Based on the Levenberg Marquardt Algorithm[R].[S.l.]：ICS，2004．

[9] CORNOU S，DHOME M，SAYD P，et al.Bundle Adjustment：A FastMethod with Weak Initialisation[J].BMVC，2002：223-232．DOI:10.5244/C.16.20.

[10]馮其強,李廣云,李宗春.基于點松弛法的自檢校光束法平差快速計算[J].測繪科學技術學報,2008,25(4):300-302．

[11]李鑫,孫偉,李林.基于改進SIFT算法的無人機影像匹配[J].測繪科學與工程,2017,37(3):39-43．

歡迎訂閱《測繪通報》

《測繪通報》創(chuàng)刊于1955年，是由國家測繪地理信息局主管、中國地圖出版社(測繪出版社)主辦的反映我國測繪地理信息科技發(fā)展現狀和指導全國測繪地理信息生產業(yè)務的綜合性、技術性刊物。現為《中文核心期刊要目總覽》收錄期刊、中國科技核心期刊(中國科技論文統(tǒng)計源期刊)、中國科學引文數據庫(CSCD)來源期刊、中國學術期刊網絡出版總庫(CAJD)全文收錄期刊、中國學術期刊綜合評價數據庫(CAJCED)核心統(tǒng)計源期刊、《中國學術期刊文摘》收錄期刊。曾被評為第二、三屆國家期刊獎百種重點期刊，多次榮獲全國優(yōu)秀測繪地理信息期刊獎。

《測繪通報》的主要內容包括大地測量、全球導航衛(wèi)星系統(tǒng)(GNSS)、攝影測量、遙感(RS)、地圖制圖、地理信息系統(tǒng)(GIS)、工程測量、礦山測量、地籍測繪、海洋測繪、測繪儀器、信息傳輸、圖形圖像處理等方面的新成果和新技術；行業(yè)管理、科研、教學、生產的先進經驗；計算機、通信等相關理論技術在測繪地理信息領域里的應用及測繪地理信息科技在國家經濟建設各個方面的應用；國內外測繪地理信息學術動態(tài)及有關測繪地理信息科技信息等。

《測繪通報》的主要欄目有學術研究、技術交流、測繪地理信息論壇、經驗介紹、測量員之窗、國外測繪地理信息、行業(yè)管理、行業(yè)研究、行業(yè)調查、知識窗、新書介紹、企業(yè)之窗、測繪地理信息教學等。

《測繪通報》為月刊，2018年定價：35.00元，郵發(fā)代號：2-223。

編輯部地址：北京市西城區(qū)三里河路50號，郵編：100045，訂閱電話：010-68531192(金老師)，68531317(傳真)。

網址：http:∥tb.sinomaps.com