葛城峰 彭天祥 魏廷榮
(浙江省測繪科學技術研究院,浙江 杭州 311100)
當前,鄉(xiāng)村治理已成為鄉(xiāng)村振興戰(zhàn)略的重要組成部分。隨著云計算、物聯網、人工智能、5G、CIM等新技術的發(fā)展,如何利用新技術實現農村宅基地智能化管理是亟需探索的課題。實現該目標的首要環(huán)節(jié),是對農村房屋不動產進行測量并獲取數字化測量結果,從而為不動產智能化管理構建堅實的時空數字底座。目前諸多學者開始嘗試通過航空航天遙感檢測等測量手段,對農村房屋不動產進行高精度的可靠性測量,獲取房屋不動產影像數據;同時結合遙感圖像處理和智能分析技術,建立農村房屋不動產測量的數字圖像處理和數字分析模型,并對獲取的房屋不動產影像數據進行后處理和智能分析,從而獲取農村房屋不動產測量的成果數據。研究農村房屋不動產測量方法,對房屋不動產區(qū)域的測量過程和測量結果進行優(yōu)化,在國土空間規(guī)劃以及不動產管理中具有重要意義[1]。
當前,農村房屋不動產測量的方法主要有面向圖像分割的快速模糊C均值算法、基于邊緣輪廓檢測的不動產測量方法、基于SAR影像變化檢測的房屋測量方法等。文獻[2]中設計自適應距離和模糊拓撲優(yōu)化的模糊聚類SAR影像變化檢測方法,利用SAR影像全天時、全天候及穿透某些地物影響的優(yōu)勢,實現農村房屋不動產測量,但以該方法進行農村房屋不動產測量的不規(guī)則性檢測能力較差。文獻[3]中提出采用多視角監(jiān)控視頻中動態(tài)目標的時空信息提取方法進行地物目標建筑物檢測和測量,將觀測角度不同、尺度不同和空間分辨率的監(jiān)控圖像進行歸一化處理,實現圖像增強和建筑測量,但該方法存在精度較低問題。針對上述問題,本文提出基于無人機傾斜攝影技術的農村房屋不動產測量方法,首先引入模糊聚類方法,實現對農村房屋不動產攝影圖像的邊緣輪廓檢測和特征聚類分析;然后生成農村房屋不動產測量的變化檢測圖,通過檢測圖分布實現不動產的優(yōu)化測量;最后進行仿真測試,展示了本文方法在提高農村房屋不動產測量精度和抗不規(guī)則度方面的優(yōu)越性能。
基于無人機傾斜攝影技術進行農村房屋不動產測量,主要是在直升機、多旋翼、固定翼、垂起等類型無人機傾斜攝影作業(yè)平臺上搭載一個下視和多個側視鏡頭,以拍攝農村土地上的房屋不動產及其附屬物,獲取地物影像照片。其次,在測區(qū)內按照精度要求布設像控點用于空三加密。最后,利用經典的攝影測量算法對傾斜攝影測量數據進行軌跡解算、影像勻光、空三加密和光束法區(qū)域網平差[4]、像控刺點等處理,從而得到一系列測量數據,包括影像數據、外方位元素POS、數字正射影像、數字高程模型、數字線劃圖、數字表面模型、傾斜三維模型、點云數據等。
當前,國際上主流的無人機傾斜攝影作業(yè)平臺包括大疆系列平臺、Leica Aibot平臺、南方測繪智航等系列平臺,如,大疆精靈4 RTK、大疆經緯M 30、經緯M 300 RTK、南方SF 600、南方SF 700A等;主流的相機鏡頭有索尼、賽爾PSDK 102 S五鏡頭、賽爾發(fā)布PSDK 102S V3;主流的攝影測量軟件有??怂箍礒RDAS Photogrammetry、大疆智圖、街景工廠(STREET FACTROY)。在作業(yè)前,需根據作業(yè)區(qū)域大小、作業(yè)環(huán)境和目標成像分辨率要求,靈活選擇相應型號的無人機和相機鏡頭;需對現場進行踏勘,了解周邊地形高差起伏情況,以及周邊是否存在電磁干擾等情況;需提前掌握天氣情況,避免在惡劣氣象條件下開展野外作業(yè);需提前設計農村房屋不動產無人機傾斜攝影及圖像采集方案,包括航線設計、傾斜航高設計、飛行架次和照片量測算等內容,同時需分析輪廓和地理位置等時空信息,采用地理坐標系精準匹配的方法,建立農村房屋不動產無人機傾斜攝影的坐標系和空間地理位置信息分布集。開展無人機航飛作業(yè),獲取農村房屋不動產傾斜影像數據。在此過程中,采用協同的視頻監(jiān)控和地理空間數據互映射方法,進行圖像特征數據檢測和無人機傾斜攝影控制,并根據不同的角度、尺度和空間分辨率,調整無人機傾斜攝影過程中的角度和方位,提高農村房屋地理場景的時空理解力[5]。農村房屋不動產無人機傾斜攝影的圖像采集和測量的總體實現結構模型如圖1所示。
圖1%總體實現結構圖
采用自適應差分影像的統(tǒng)計特性分析的方法,通過內部像元隸屬度檢測,利用未變化和變化類數據的差異性,進行農村房屋不動產測量。充分考慮農村房屋不動產無人機傾斜攝影圖像不同類別之間的分布差異以及未變化和變化類數據的形狀信息,從而建立農村房屋不動產無人機傾斜攝影采集對象模型。同時,采用樣本特征分析和像元分析的方法,進行遙感影像土地和房屋建筑的特征分割。
采用局部方差法和地統(tǒng)計學法,利用知識鄰域模型下的GIS地理數據庫,進行線狀要素的平均統(tǒng)計分析,計算農村房屋不動產無人機傾斜攝影線平均長度L,如式(1)所示:
式(1)中,li為地理要素具有完全相同(或相似)的方向特征分量;n為多尺度分級;N為紋理主方向權值參數。針對單個GIS土地利用圖斑,得到平均分布方向的邊緣輪廓D,如式(2)所示:
式(2)中,θi為農村房屋不動產無人機傾斜角度。
采用變化特征的紋理可視化方法,引入模糊聚類方法,實現對農村房屋不動產攝影圖像的邊緣輪廓檢測和特征聚類分析。建立農村房屋不動產無人機傾斜攝影的動態(tài)分析模型,通過可視化與在線交互分析,精確界定特征區(qū)域,進行攝影測量。無人機傾斜攝影處理結構圖如圖2所示。
圖2無人機傾斜攝影處理結構圖
在農村房屋不動產攝影測量中,假設X1,X2為同一地區(qū)不同時刻采集的農村房屋不動產攝影圖像像素分量,采用模糊局部信息C均值聚類的方法,得到農村房屋不動產攝影的差分影像,同時獲得各類別的紋理增強系數,通過領域知識庫中的指標參數優(yōu)化控制,建立農村房屋不動產無人機傾斜攝影的直方圖,如式(3)所示:
式(3)中,m和n分別為農村房屋不動產無人機傾斜攝影編號;s為影像分辨率;k為建筑物利用類別總數;θijm為灰度共生矩陣特征量;θijn為多尺度窗口。通過大量深度學習模型計算,得到農村房屋不動產無人機傾斜的空間參數信息為S={1,2,...,N};利用大型自然場景進行三維信息增強,得到模糊度預測函數C(i),如式(4)所示:
式(4)中,pi(j)為訓練模型中全連接層權值因子;i和j分別為多尺度GLCM(灰度共生矩陣)分布集;ni為遙感影像的幾何形變參數;n為輪廓的顏色特征。采用多維輪廓特征檢測,在區(qū)域分辨范圍內得到農村房屋不動產有效測量范圍的邊緣輪廓特征量,通過邊緣輪廓檢測,結合多維基礎模型訓練,提高測量精度。
引入模糊聚類方法,實現對農村房屋不動產攝影圖像的邊緣輪廓檢測和特征聚類分析,采用自適應距離增強和模糊聚類方法,在中心像素的局部鄰域,得到農村房屋不動產攝影測量的遙感影像場景景深,從而實現農村房屋不動產測量。其中,輸入輸出模型如圖3所示。
圖3農村房屋不動產測量的輸入輸出模型
圖3中,f(x,y)為輸入的無人機攝像;h(x,y)為訓練模型函數,攝影測量輸出。
為驗證該方法在實現農村房屋不動產測量中的成果精度,采用真實的試驗數據進行測試。試驗中,以二維3×3卷積核采樣對試驗區(qū)中房屋不動產要素及其附屬物進行圖像場景分類采集,采集的房屋不動產的像素為600×600像素,包含25類場景,相關的采集測量參數如表1所示。
表1測量參數設定
根據表1所設定的測量參數,進行無人機傾斜攝影下的農村房屋遙感測量,得到傾斜攝影位置標定區(qū)域分布如圖4所示。
圖4無人機攝影的位置標定區(qū)域分布
根據圖4的位置標定,將閾值設置為12.3,攝像頭拍攝幀率為11.88幀/s,得到邊緣輪廓檢測結果如圖5所示。
圖5邊緣輪廓檢測結果
基于以上邊緣檢測結果,將本文方法與文獻[4]、文獻[5]進行對比得知,如表2所示。采用本文方法得到的農村房屋不動產測量結果精度等級值較大,表明總體精度較高。
表2農村房屋不動產測量精度等級對比
為優(yōu)化測量不動產分布變化區(qū)域的檢測結果及提高農村房屋不動產測量精度,本文提出基于無人機傾斜攝影技術的農村房屋不動產測量方法,采用地理坐標系精準匹配方法,建立農村房屋不動產無人機傾斜攝影的坐標系和空間地理位置信息分布集,獲得各類別的紋理增強系數,通過領域知識庫中的指標參數優(yōu)化控制,建立農村房屋不動產無人機傾斜攝影測量模型,實現算法改進。測試得出:本文方法對農村房屋不動產測量的精度較高,圖像增強效果較好。