王 剛

（1.廣東省國土資源測繪院，廣東 廣州 510500）

將場景約束條件納入光束法平差是攝影測量中常用的自檢校手段，引入合適的約束條件往往能夠優(yōu)化平差結(jié)果[1]。鑒于影像中，尤其是建筑物區(qū)域包含有大量明確、具有實際意義的直線特征，通過這些直線特征對空三平差過程進(jìn)行約束，可以提升光束法平差的整體效果。

傳統(tǒng)的基于直線特征約束的自檢校方法中，一般通過人工提取或是Hough變換等算法提取直線后，再人工選定線段[2-3]。這些方法需要大量的人工操作，尤其是在傾斜攝影測量中，由于朝向多、重疊度高、航片數(shù)量巨大，難以全部通過人工、半人工手段采集線段特征，達(dá)不到自動空三的目的。如果為了效率只通過人工選取少量明顯的線段，則無法利用其他約束特征，不能保證獲取穩(wěn)定的結(jié)果。因此，本文提出一種基于全自動、準(zhǔn)確、高效率的線段檢測算法，快速提取影像中的海量線段特征作為場景約束條件的方法，從而提高平差精度、減少控制點的使用，提高傾斜攝影測量作業(yè)效率。

1 原 理

1.1 cannylines線段檢測

常用的直線（線段）檢測算法有Hough變換、LSD、Edlines等方法。其中Hough變換最簡單也最普及，但是需要運算量大，并且會將非連續(xù)的線段組合在一起，從而產(chǎn)生大量錯誤檢測等缺陷。LSD算法能夠自適應(yīng)控制誤檢的數(shù)量，具有較高的精度；EDlines精度與LSD算法大體相當(dāng)，但是運算效率更高。本文采用的Cannylines線段檢測算法是一種改進(jìn)的Edlines方法，無需指定提取參數(shù)，能夠有效提取人工場景中的線段[4]，同時具有較高的運算效率。

CannyLines算法通過以下4個步驟檢測線段：

1）邊緣圖提?。菏褂靡环N名為CannyPF的無參數(shù)邊緣檢測器，用于從輸入圖像中提取圖像邊緣，它可以根據(jù)輸入圖像的梯度大小自適應(yīng)地調(diào)整Canny算子的低閾值和高閾值，并且可以確保圖像結(jié)構(gòu)信息的完整性。相較于傳統(tǒng)的Canny算子邊緣檢測，不需要人工輸入?yún)?shù)，更適應(yīng)全自動流程。

2）邊緣鏈接和分割。從具有最大梯度幅度的邊緣像素開始，通過圖像邊緣方向計算逐漸鏈接像素，并通過梯度閾值進(jìn)行分割，以獲取較短但是準(zhǔn)確的初始線段。

3）線段延伸和合并。將初始線段在首位2個方向上延伸以收集更多的邊緣像素，并與周圍的其他共線線段合并。

4）線段驗證。通過基于Helmholtz原理的線驗證方法[5]對合并后的線段進(jìn)行驗證，剔除錯誤線段。該方法結(jié)合了梯度方向和幅度信息，以驗證每個線段的正確性。

為保證作為約束條件的線段準(zhǔn)確性，需要對提取出來的線段進(jìn)行迭代優(yōu)化，盡可能的剔除錯誤線段。鑒于建筑物的直線特征主要體現(xiàn)為水平、垂直和豎直3個方向，同時會有一些如屋檐、雨棚等其他朝向的結(jié)構(gòu)，因此同一幅影像中大多數(shù)有意義的線段可以通過聚類算法納入若干個朝向相近的線段組，然后剔除其他聚類，能夠有效保障線段準(zhǔn)確性。聚類結(jié)果中保留組數(shù)的取決于測區(qū)復(fù)雜程度，一般不少于3組。本文采用IOSDATA算法，基于線段朝向進(jìn)行聚類，并保留聚類結(jié)果中數(shù)量最多的10組作為約束條件。

1.2 同名線段匹配

在提取出航片中的線段后，需要對像對之間的同名線段進(jìn)行匹配，生成線對以供空三使用。本文采用基于LBD描述符的方法進(jìn)行線段匹配[6]（如圖1～3所示）。主要步驟如下：

圖1 原始無人機(jī)影像

1）生成候選匹配對：計算待匹配線段對的LBD描述子，通過檢查描述子的一元幾何屬性和局部外觀，生成一組候選匹配對。

2）最大一致性搜索：對于每一組候選匹配對進(jìn)行一致性計算，滿足一致性分?jǐn)?shù)最大的匹配對被認(rèn)為是最終匹配結(jié)果。

圖2 線段提取結(jié)果

圖3 線段聚類結(jié)果

1.3 引入直線約束的空三平差

由共線方程可知[6]，在沒有誤差的情況下物方直線在像平面上的成像仍然是直線。因此從視點中心到沿該線的任何中間圖像點的矢量都位于該圖像的視點中心和兩個定義對象空間中直線的點所定義的平面上。如圖4所示，有ν1（將視點中心連接到沿著對象空間線的第一點的向量），ν2（將視點中心沿物體空間線連接到第二點的向量），以及ν3（將視點中心連接到沿圖像線的任何中間點的向量）3個矢量共面。即：(ν1×ν2)·ν3=0，考慮到誤差的影響，則為 (ν1×ν2)·ν3=min。

圖4 同名線段匹配結(jié)果

參考圖5，上式代入內(nèi)外方位元素、像點坐標(biāo)和物方坐標(biāo)[7]，可以改寫為：

圖5 直線共面關(guān)系圖

由此可以針對像對中提取出的同名線對上的任意點進(jìn)行解算，同時該約束不會引入任何新參數(shù)。

2 實驗結(jié)果

本項目采用DJI P4RTK無人機(jī)，對湛江市坡頭區(qū)山朱沃村進(jìn)行了五向航測。飛行高度100 m，航向重疊度80%，旁向重疊度70%，總計獲取有效影像1 091張。為了檢查成果精度，在測區(qū)內(nèi)均勻布設(shè)了18個檢查點。

航飛后進(jìn)行了兩次解算，其中一次沒有引入約束條件直接進(jìn)行三維重建，另一次采用本文方法進(jìn)行了有約束的解算，通過CannyLines算法自動提取了580 412條線段，聚類后保留325 196條線段，匹配線對903 054對，總計耗時320 s，相比于布設(shè)和解算像控點，耗時極短且過程全自動。

通過表1檢查點精度對比可知，加入約束后檢查點的中誤差有所降低，平面和高程精度都有所提升。由圖6、7可見，加入約束后空三殘差分布更為均勻；但是在局部區(qū)域殘差比約束之前有所增大，推測原因為線段提取和匹配過程引入的誤差所造成?？傮w來說，加入約束后成果精度有明顯提升。

表1 檢查點精度對比/m

圖6 檢查點布設(shè)圖

圖7 空三解算殘差分布（左：無約束，右：有約束）

3 結(jié) 語

本文提出了一種全自動、無需人工干預(yù)的通過直線特征進(jìn)行自檢校的方法，通過Cannylines算法快速、準(zhǔn)確的提取建筑物中的直線特征，然后進(jìn)行像對間的同名線段匹配，最后將同名線對上的點引入光束法平差，實現(xiàn)了自檢校過程。由實驗結(jié)果可見，通過自動提取的直線特征約束后空三整體精度有明顯提升，同時殘差分布更加均勻。然而由于部分線段提取、匹配不準(zhǔn)確，也給空三解算引入了新的誤差，使得結(jié)果出現(xiàn)局部精度受影響的情況。有鑒于此，需要對線段提取、篩選和匹配算法進(jìn)行進(jìn)一步優(yōu)化和改進(jìn)，有效過濾錯誤線段和錯誤匹配結(jié)果。同時，需要進(jìn)一步考慮諸如垂直、平行、共面等其他約束條件，進(jìn)一步優(yōu)化約束模型。