石大娟

(安徽省淮北市地質(zhì)礦產(chǎn)勘查局325地質(zhì)隊,安徽 淮北 235000)

0 引言

礦礦山生產(chǎn)管理過程中要定期對礦坑進行觀測并采集數(shù)據(jù),由于無人機低空攝影測量有著效率高、成本低、分辨率高以及較為靈活等優(yōu)點,當前已廣泛應用在露天煤礦的數(shù)據(jù)采集中[1-3]。處理無人機攝影測量成果的過程中,地面控制點十分關鍵,但當前主要通過人工的方式來獲取外業(yè)控制點數(shù)據(jù),整個測量將過程中控制點數(shù)據(jù)的采集是個重復性工作,不僅降低了工作效率,提高了工作量,還有可能造成測量誤差[4-5]。除此之外,在無人機影像數(shù)據(jù)處理過程中,影像匹配算法的不同,數(shù)據(jù)的處理效果,處理速度和精度都有所差異,所以需要根據(jù)煤礦具體特點來選擇合適的匹配算法。吳含前等[6]對A-KAZE算法進行了改進,用ILDB描述子替代了LDB描述子來實施圖像特征匹配,大大增加了匹配正確率。陳蘇婷等[7]將KAZE算法和顏色特征進行結合,用顏色量化矩陣來建立特征描述向量,在KAZE算法中添加了顏色信息。

基于此,此次研究使用三種經(jīng)典影像匹配算法對所選礦區(qū)開展了影像匹配實驗,對比分析了各算法評價指標的差異,分析了三種算法的優(yōu)劣,為礦區(qū)影像匹配時算法的選擇提供了指導和借鑒。

1 研究區(qū)概況

研究區(qū)域東西寬近7 653 m,南北長近6 443 m,28.653 km2為其總面積。露天開采為礦區(qū)的主要開采方式,另外有露天聯(lián)采與井工開采作為輔助,露天采區(qū)主要分為A、B、C三個區(qū)域。煤礦所在地屬于黃土丘陵緩坡區(qū),土壤類型主要為黃土,土地較為干旱,水土流失比較嚴重,地勢表現(xiàn)為西南低,東北高,兩邊低,中部高的趨勢,1 255～1 360 m為其海拔。

2 影像匹配算法與實驗方案

2.1 影像匹配算法

影像匹配中的經(jīng)典算法包括KAZE算法、SURF算法以及SIFT算法,均有著較好的尺度不變、光照以及旋轉(zhuǎn)性。后兩種算法根據(jù)高斯濾波構建線性尺度空間,這會導致圖像細節(jié)丟失和邊緣模糊,而第一種算法并不會出現(xiàn)上述問題。上述算法里,SIFT算法穩(wěn)定,有較強的環(huán)境適用性;SURF算法對SIFT算法進行了優(yōu)化,有著更快的計算速度。而KAZE算法可以很好的保留圖像邊緣信息,在最大程度上得到更多的特征點。

2.2 試驗方案

本此次研究影像匹配相似性測度選擇歐式距離,通過最鄰近比值法對低于設定閾值的匹配點進行保留,將其視作粗匹配點對。通過隨機采樣一致性算法來剔除誤匹配點對,并對影像間的單應性矩陣進行計算。

為了比較露天煤礦無人機影像中上述三種算法的匹配效果,選擇5個區(qū)域無人機影像作為實驗數(shù)據(jù),分別為運輸通道、剝離區(qū)、排土場、開采工作面和邊端幫區(qū),以此開展匹配實驗。為了加快匹配速度,在匹配和特征提取開始之前對原始影像作降采樣處理,處理后的數(shù)據(jù)共有5組,編號為1、2、3、4、5。

第1組影像來自于剝離區(qū),屬于開采區(qū)的外圍,大部分區(qū)域為灰色和土黃色,位于地表上層巖土剝離部位,整體邊緣呈現(xiàn)為鋸齒狀,離采煤區(qū)距離越近顏色越深。

第2組影像來自處在煤礦坑最下部的采煤區(qū),大部分區(qū)域為灰色和黑色,工作面表現(xiàn)為規(guī)則條帶形,整個區(qū)域地勢平坦,高差沒有較大變化。

第3組影像來自于土場區(qū),大部分區(qū)域為亮白色和土黃色,整體呈現(xiàn)出扇狀的曲面,場地內(nèi)高差變化明顯。

第4組影像來自于邊端幫區(qū),開挖露天開采基巖后形成的高陡邊坡為邊端幫,分布在采場四周,整體表現(xiàn)為臺階狀,地勢高差起伏較大,大部分區(qū)域為灰色和黑色,邊坡側(cè)面略微粗糙。

第5組影像來自于礦坑內(nèi)的運輸?shù)缆?與排土場距離較近的道路表現(xiàn)為土黃色或亮白色,與采煤區(qū)距離較近的道路表現(xiàn)為黑色,運輸?shù)缆犯浇畔⑤^為明顯。

2.3 評價指標

此次研究根據(jù)重復率、匹配精度、正確匹配點數(shù)、匹配正確率等指標來評價匹配算法的精度和效果。

3 結果分析

通過KAZE、SURF、SIFT算法來對所得影像開展影像匹配實驗,如表1所示為實驗具體結果,表中對匹配正確率、精匹配點數(shù)量、特征點數(shù)量、重復率等指標進行了統(tǒng)計。對表1中數(shù)據(jù)進行分析能夠看出,提取特征點數(shù)量最低的是SURF,SIFT算法略高之,數(shù)量最多的是KAZE算法,匹配點對數(shù)量也表現(xiàn)出同樣的規(guī)律。并且研究區(qū)影像含有較多的邊緣信息,在提取特征點時KAZE算法能夠?qū)吘壭畔⒏玫谋Ａ?故與SURF、SIFT算法相比,KAZE算法在提取特征點數(shù)量上較好。

表1 影像匹配實驗結果

3.1 重復率與匹配正確率的分析

上述三種算法的重復率比較圖見圖1。從圖1中能夠得出,有3組SIFT算法的重復率大于SURF算法和KAZE算法,這表示提取特征點方面SIFT算法效果較好,但其重復率在影像不同時變化較大;有2組KAZE算法的重復率小于SIFT算法,另外3組結果基本一致,其其他3組結果相近,其重復率在影像不同時變化幅度較小,這表示此算法的重復率比較穩(wěn)定。有3組SURF算法的重復率小于KAZE算法和SIFT算法,這表示此算法在提取特征上效果欠佳。

圖1 三種算法的重復率比較圖 圖2 三種算法的匹配正確率比較圖

KAZE、SURF和SIFT算法的匹配正確率比較圖見圖2。從圖2中能夠得出,SURF算法在2、4、5組實驗數(shù)據(jù)中匹配正確率最高,但提取的特征點數(shù)量較少。在5組實驗數(shù)據(jù)里KAZE和SIFT算法匹配正確率相差較小,其中SIFT算法有兩組大于KAZE算法,有3組小于SIFT算法,并且KAZE算法大于SIFT算法的三組數(shù)據(jù)里(1、4、5)相應的影像邊緣特征較為豐富,比較符合KAZE算法的特點,即可以對邊緣信息更好的保留。

3.2 分析匹配精度

此次研究根據(jù)匹配點準確位置和矩陣變換后的預測位置間的RMSE(均方根誤差)來對匹配精度進行評價,匹配精度越高,均方根誤差值就越低,各實驗組不同算法均方根誤差比較圖見圖3。在圖3中能夠得出,有4組SURF算法精度最高,但其正確匹配點數(shù)量較少。SIFT算法在匹配精度上有2組數(shù)據(jù)高于KAZE算法,有3組實驗差于KAZE算法,但兩種算法的匹配精度從整體來看基本相同,同樣在匹配精度比較好的3組數(shù)據(jù)里,影像邊緣信息比較豐富,也恰恰表明KAZE算法對邊緣信息保留效果較好的特點。除此之外,三種算法的匹配精度變化規(guī)律和匹配正確率大致相同。

圖3 不同算法均方根誤差比較圖 圖4 不同算法正確匹配點數(shù)量比較圖

3.3 分析正確匹配點數(shù)量

各實驗組不同算法正確匹配點數(shù)量比較圖見圖4。通過分析能夠看出,對于正確匹配點數(shù)量,KAZE算法最多,SURF算法的數(shù)量最少,且KAZE算法所提取的數(shù)量大概是SIFT算法的兩倍。因為露天煤礦的組成主要包括臺階狀的功能區(qū)和運輸通道,而運輸通道在影像上比較平滑,能夠提取的有效特征點較少,所以由臺階邊緣點提供了主要的特征點。而KAZE算法是通過非線性濾波建立尺度空間來提取特征點,可以在平滑區(qū)和功能區(qū)最大程度上保留邊緣信息,所以可以獲取較多的有效的邊緣特征點,故在3中算法里KAZE算法得到的正確匹配點數(shù)量最多。

對各組實驗結果中正確匹配點數(shù)量進行比較,能夠發(fā)現(xiàn)數(shù)量最多的是2組開采區(qū),最少的是4組邊端幫區(qū)。對此現(xiàn)象進行分析,認為主要原因是由于2組區(qū)域地勢平坦,整個區(qū)域高差沒有較大變化,影像變形較小;第4組邊端幫地勢高低不一,影像存在明顯變形。第4組在影像精匹配過程中篩除了部分誤匹配點,所以4組和2組相比正確匹配點數(shù)量較少。

(a)匹配總耗時 (b)單點匹配時間圖5 不同算法匹配所耗時間

3.4 分析匹配所耗時間

如圖5所示為三種算法在各實驗組內(nèi)的所耗時間,對于匹配所耗總時間,SURF算法因其提取的特征點數(shù)量太低,所以匹配所耗總時長最小,不過其單點匹配所需時間最長,這表示SURF算法匹配效率很低。在5組實驗數(shù)據(jù)中,和SIFT算法相比,KAZE算法的單點匹配時長與總匹配時長都較小,這表示在露天無人機影像匹配中KAZE算法的匹配效率高于SIFT算法和SURF算法,匹配效率更高。

4 結語

此次研究使用三種經(jīng)典影像匹配算法對所選礦區(qū)開展了影像匹配實驗,對比分析了各算法評價指標的差異,分析了三種算法的優(yōu)劣,主要得出以下結論:

(1)提取特征點數(shù)量最低的是SURF,SIFT算法略高之,數(shù)量最多的是KAZE算法,匹配點對數(shù)量也表現(xiàn)出同樣的規(guī)律;提取特征點方面SIFT算法效果較好,但其重復率在影像不同時變化較大;KAZE算法的重復率比較穩(wěn)定;雖然SURF算法匹配正確率較高,但其提取的特征點數(shù)量較少,KAZE算法的影像邊緣特征較為豐富,可以對邊緣信息更好的保留。

(2)KAZE算法正確匹配點數(shù)量,SURF算法的數(shù)量最少,SURF算法匹配所耗總時長最小,但其單點匹配所需時間最長,這表示SURF算法匹配效率較低;和SIFT算法相比,KAZE算法的單點匹配時長與總匹配時長都較小,這表示在露天無人機影像匹配中KAZE算法的匹配效率高于SIFT算法和SURF算法,匹配效率更高。