基于無人機傾斜攝影的流域地貌發(fā)育特征提取研究

袁啟倫

(湖北省水利水電規(guī)劃勘測設計院，湖北 武漢 430070)

在對每一個流域建立水文模型的過程中，只有掌握該地區(qū)地形地貌、河網水系等多種空間信息，水文模型才能夠應用于該領域的研究中[4]。其中，流域地貌發(fā)育特征是最重要的信息之一，不僅會對流域的氣溫、降水產生影響，還會導致部分水文因素發(fā)生變化[5]。所以，如何準確提取流域地貌發(fā)育特征，成為當前急需解決的問題。當前方法都是以遙感圖像為基礎的方法，例如：文獻[1]融合了谷歌衛(wèi)星地圖和現(xiàn)場踏勘圖片，對需要提取特征信息的區(qū)域完成初步識別。根據實際觀察，將上述獲取的影像匯總統(tǒng)計，并提取出其中所需的特征點，明確區(qū)域地貌成因和未來發(fā)展方向。該方法在實際應用中雖說可以提升特征提取精度，但是需要耗費較長時間，難以保證信息的實時性。文獻[2]依托于實際地形觀測結果，將DEM數(shù)據作為核心設計流域特征提取方式，并且分析特征提取數(shù)據源與重要環(huán)節(jié)的差異所造成的影響，優(yōu)化特征提取方法。這種方法在特征提取過程中，缺乏對提取特征誤差的量化分析。文獻[3]分析了在點云數(shù)據中直接提取特征信息所面臨的問題，以數(shù)字化等高線數(shù)據為核心設計新的提取方法，融合數(shù)字地面模型降低特征提取誤差。在應用過程中，分析目標區(qū)域的點云數(shù)據極大曲率，采用歐氏聚類的方式粗略提取出特征點，通過粗糙度分析獲取精準信息。實驗表明，這種特征提取方式可以保證特征提取的完整性，但是計算復雜度較高。

根據上述方法應用中的不足之處，文中應用了傾斜攝影技術獲取流域地貌數(shù)據，并從多角度精確描述區(qū)域垂直和水平結構。利用無人機傾斜攝影得到的初始數(shù)據信息，經過數(shù)據處理、流域地貌輪廓的邊緣檢測，綜合上述信息采用全局化邊界概率與簡單線性迭代聚類方法提取出流域地貌發(fā)育特征，為河流、氣象等研究提供支持。

1 流域地貌發(fā)育特征提取方法設計

1.1 傾斜攝影數(shù)據獲取

傾斜攝影是通過傳統(tǒng)攝影測量技術發(fā)展而來的新技術，以無人機作為載體搭載多個傳感器，從下方、前方、后方、左方、右方多個角度獲取流域地貌信息，為了保證獲取的圖像信息具有更高完整性，可以采用多鏡頭同時操作[6]。當前應用的多攝像機和鏡頭技術，通常采用多種數(shù)量和類型的相機，依靠采集幾何形狀的變化在無人機航行途中拍攝流域地貌信息。本文應用Maltese十字結構，保證一臺低空攝像機拍攝垂直方向，并在其周圍放置四個傾斜相機。除此之外，通過3個攝像機可以完成Maltese的交叉覆蓋，在原有相機的附近放置2個指向相反的攝像機，用以捕捉斜向的軌跡圖像。

由于無人機傾斜攝影需要以航測系統(tǒng)為基礎，將不同的無人機和傳感器共同組成航測系統(tǒng)，在獲得全面地表地物位置的基礎上[7]，完成無人機的飛行控制與導航。無人機飛行的控制和管理需要多種部件同時工作，主要包括控制計算機、導航系統(tǒng)、傳感器等。其中，最為重要的就是無人機導航系統(tǒng)，對于采集影像的精度和分辨率具有較大影響，其工作原理如圖1所示。

圖1 飛行控制與導航系統(tǒng)工作原理

通過圖1的工作原理分析可知，由于無人機飛行控制的復雜性較高，使得部分飛行任務會受到制約，無人機傾斜攝影過程中飛行高度也需要保持在一定范圍內。而負責拍攝的相機也需要根據實際情況選擇，在研究多種航空攝影設備后發(fā)現(xiàn)，可以將其劃分為專業(yè)性設備、非專業(yè)設備2種類型[8]。其中，前者具有較高的分辨率，但是成本過高。后者在應用中雖然獲取的圖像信息精度不高，但是適用于多種傾斜測量場景。因此，文中采用非專業(yè)設備完成流域地貌測量，并通過圖像的預處理提升分辨率，在降低成本的同時保證流域地貌發(fā)育特征數(shù)據精度。

1.2 無人機影像處理

在無人機傾斜攝影過程中，文中使用普通相機在前期加工和后期裝配時，都會引起較小的誤差，導致無人機傾斜攝影采集的影像數(shù)據存在鏡頭畸變，從而導致后續(xù)特征提取誤差較大[9]。鏡頭畸變屬于非線性誤差的種類之一，會對后期成圖精度產生影響，文中需要采用一些方法將畸變糾正過來。首先在內部設置多個空間坐標點，生成一個控制場，然后針對高精度標志點進行拍攝，在拍攝影像中提取標志點[10]。通過共線方程的計算，依據物方坐標反向推理得出理想坐標，并將其代入到鏡頭畸變模型內，得出改正參數(shù)。鏡頭畸變模型表示為：

(1)

式中，主點坐標(x0，y0)和像點量測坐標(x，y)是鏡頭畸變模型建立基礎。并結合像素的非正方形比例因子α，非正交鏡頭畸變系數(shù)β進行計算。其中，無人機傾斜攝影過程中的直徑為r，徑向畸變系數(shù)表示為k1、k2，切向畸變系數(shù)表示為p1、p2。

針對上述模型，采用共線方程式的方法得出畸變誤差的改正參數(shù)，計算公式為：

(2)

(3)

式中，畸變差產生的相關參數(shù)計算，需要計算不同矩陣旋轉系數(shù)(a1，a2，a3，b1，b2，b3，c1，c2，c3)條件下，使用相機的空間坐標(X，Y，Z)減去相機外方位元素的線元素(Xs，Ys，Zs)。再將計算結果結合后，得出最終計算結果。

在影像校正之后，為了增強圖像反差效果并降低圖像噪聲，應用Walks濾波變換方法，將影像灰度值和方差進行映射，從而改變不同影像區(qū)域的反差，以此增強局部微小變化的信息。為了在增強影像過程中達到抑制噪聲的目的，在計算過程中添加平滑算子，使得圖像質量得以提升，Walks濾波變換的計算公式表示為：

(4)

變換后影像灰度值f(x，y)的計算，需要以原始影像灰度值g(x，y)為基礎，計算過程如公式(4)所示。原始影像的局部灰度均值為mg，而影像均值和方差分別表示為mf和sf。并且在計算過程中需要保證影像亮度系數(shù)b和影像方差常數(shù)c的取值范圍在0～1之間。由于圖像噪聲作為一種非正常的數(shù)據信息，會對后續(xù)的特征提取產生負面影響。濾波處理方法的應用，就是將部分特殊形式的噪聲頻率與有效頻率進行隔離。采用傅里葉變換的方式，使得原始圖像變化為頻域圖像F(u，v)，將頻域圖像與濾波器相乘，使得圖像的頻譜成分發(fā)生改變。在濾波處理圖像時，利用離散傅里葉變換公式變換圖像的公式表示為：

(5)

式中，M、N—2個頻譜成分系數(shù)；(u，v)—圖像的坐標；e—常數(shù)；H(u，v)—濾波器。逆向變換公式與此相同。利用上述方法，完成無人機傾斜攝影圖像的預處理。

1.3 設計邊緣檢測模型

對于圖像中顯示的各種流域地貌，需要通過邊緣檢測模型，將特征點準確提取出來。文中采用gPb輪廓檢測技術構建邊緣檢測模型。以計算機視覺為基礎，在流域地貌圖像中找到不同地貌之間的邊界信息，與常用的邊緣檢測方法相比，gPb輪廓檢測通過邊緣檢測和圖像分層分割的結合，確保影像的局部信息得以準確顯示出來，根據圖像的顏色和亮度信息準確檢測出不同地貌的邊緣信息，gPb輪廓檢測如圖2所示。

圖2 gPb輪廓檢測

圖2中，在輪廓檢測過程中，圖像亮度、顏色的定向梯度算子需要通過不同比例測量的差異來計算，并將計算結果保存在像素親和度矩陣之內。2個像素之間的相似性越小，則不同流域地貌之間的邊界顯示得更加明顯。將影像中不同地貌數(shù)據通過邏輯回歸分類器進行處理，對圖像像素邊界進行初始預測，并獲取每個像素的邊緣強度。將該區(qū)域的局部信息與預測的邊界信息相結合，分析圖像信息在不同尺度下的變化情況，從而驗證邊界預測正確性，將其中包含的不相關邊界剔除。由于局部圖像和全局圖像所傳達的信息差異很大，局部圖像可以將某一部分的所有邊緣信息提取出來，全局圖像則只能提取最為明顯的邊緣信息。將二者相結合就形成了gPb輪廓檢測器。gPb輪廓檢測器在流域地貌發(fā)育特征提取過程中，僅僅依靠紋理和線條亮度無法對地貌邊界準確劃分，因此，需要以此為基礎，添加線提取SLIC超像素技術進一步處理。與gPb輪廓檢測器相同，簡單線性迭代聚類技術也是基于計算機視覺發(fā)展而來的新興技術，其主要作用是可以將圖像的像素劃分為不同的原子區(qū)域。這種技術的應用，可以使得圖像特征的計算主要采用超像素，而不需要對全部像素都計算，從而提升了后續(xù)特征提取的精度。利用超像素的邊界，可以準確描述流域地貌的輪廓。

(6)

式中，dq—空間距離；θ—常數(shù)；do—光譜距離；λ—常數(shù)。由于恒定值通常會與空間接近度的權重值相關，這使得圖像超像素信息更加緊密，準確分辨出不同流域地貌的邊界。

1.4 實現(xiàn)地貌發(fā)育特征提取

依托于地貌邊界信息可以一定程度上呈現(xiàn)出流域信息，但是更加詳細的流域地貌發(fā)育特征提取，則需要使用DEM柵格數(shù)據方法?；谶吘墮z測結果，借助坡向分析識別出不同地貌特征點。并通過不同大小的窗口，得出該地貌發(fā)育特征所覆蓋的特征點區(qū)域，并對每一個窗口中的斷面極值進行判斷。

在斷面極值法的應用過程中，可以采用極值分析將斷面方向表示為2個方向，分別是X和Y。比較2個斷面方向距離中心柵格、鄰域柵格的高程，從而得出地貌發(fā)育特征。由于對角線方向的斷面特征點沒有辦法提取出來，會造成圖像部分地貌發(fā)育特征點無法提取出來，在DEM柵格數(shù)據使用過程中添加對角線，從而解決特征點缺失的問題。

深入分析高分辨圖像DEM數(shù)據后，可以發(fā)現(xiàn)應用斷面極值法會造成較多困難。比較顯著的是由于覆蓋地形的范圍較小，使得高程關系無法描述地貌發(fā)育特征。因此，本文針對高分辨率DEM數(shù)據處理，將流域地貌發(fā)育特征點提取出來，并標記特征窗口大小。標記出來的特征窗口為核心，采用基于梯度的斷面極值法，使得水流方向為選取梯度方向的反方向，通過地形曲面函數(shù)的方向求解梯度方向。由于高程數(shù)據離散值較高，因此梯度方向內柵格所覆蓋曲面與地貌坡度大致相同。

針對X與Y方向的相鄰柵格塊高程值，計算該處地貌坡度。通過上述計算方法，可以根據水流方向判斷垂直斷面方向。在流域地貌發(fā)育特征中，可以將特征點劃分為凹陷點、平地點、山谷點等多個類型，使用單獨的DEM柵格數(shù)據不能準確描述該流域地貌發(fā)育特征。并在水流方向、斷面方向的基礎上，提取特征點。在計算過程中，根據地形起伏程度設置高程差閾值，并獲得不同方向的鄰域高程均值差，計算公式為：

(7)

(8)

通過公式(7)可以得出水流方向和鄰域高程均值的差值Δhi，應用中心柵格塊高程值hi，j，減去水流方向兩側的高程值hi-1，j和hi+1，j，像素點表示為i、j。公式(8)表示斷面方向和鄰域高程均值的差值Δhj，需要采用中心柵格塊高程值減去斷面方向兩側的高程值hi，j-1和hi，j+1。之后，需要設置一個流量閾值，當柵格數(shù)據的計算結果比流量閾值高時，表示柵格匯水面積較大，也就是流域內的出水口位置。按照上述方法繼續(xù)分析，對于流域地貌中的山頂點來說，會在2個斷面方向中均獲得極大高程值，而山谷特征點的分析，需要根據水流方向高程非極值和斷面方向為極小值得出判斷結果。同時計算結果得出最終的高程值，從而提取出不同流域地貌特征點。

2 實驗

2.1 實驗準備

針對文中設計的特征提取方法，需要通過實驗驗證特征提取結果。實驗所需的樣本來自無人機航拍，根據圖像生成數(shù)量龐大的點云數(shù)據，并轉換為分辨率DEM。由于無人機傾斜攝影具有高精度、大范圍的特點，作為流域地貌特征提取的數(shù)據來源之一，選定某一流域區(qū)域通過無人機傾斜攝影獲取實驗所需數(shù)據，實驗采用中海達四旋翼飛行器，并在無人機下方安裝多個相機。按照智能飛行駕駛儀的控制，以及圖3(a)所示的無人機航線規(guī)劃線路，完成無人機傾斜攝影。在無人機飛行過程中，需要專業(yè)工作人員在便攜式地面站對實時飛行狀態(tài)進行監(jiān)控，確保數(shù)據順利采集。應用定點曝光方式，控制無人機正下方和前后左右側方位5個鏡頭曝光，全方位得到流域地貌影像，如圖3(b)所示。

圖3 流域地貌信息采集

在本次實驗數(shù)據采集過程中，由于天氣狀況較好，無人機傾斜攝影技術應用順利，因此一共得到流域地貌圖像7255張。由于中心投影透視的技術，將正下方相機獲得像元的地面分辨率設置為0.81m，而拍攝傾斜影像的相機與正下方相機的像元的地面分辨率有所差異。通常情況下，根據鏡頭角度和成像原理分析，得出前景像素總是高于后景。在影像獲取過程中，確保傾斜影像最小地面分辨率，低于下視影像地面分辨率3倍。

無人機傾斜影像的應用導致流域地貌信息獲取數(shù)量龐大，并且影像信息的重疊度較高，會加大后續(xù)流域地貌發(fā)育特征提取困難[11]。文中指針對采集的實驗數(shù)據，采用運動恢復結構算法處理和匹配影像，并通過稀疏光束法平差持續(xù)迭代操作，保證坐標觀測值、投影值之間的誤差不斷減小，糾正相機的畸變參數(shù)，并去除影像中包含的冗余信息，根據二維平面影像建立三維模擬空間。結合多視角立體視覺匹配技術，將密集的粗糙點云數(shù)據在操作后形成精細點云數(shù)據。并將獲取的數(shù)據應用于地貌發(fā)育特征提取方法測試過程中。

2.2 實驗結果及分析

在流域地貌發(fā)育特征中，河流的分形是最重要的特征之一。水系的研究尺度會對河流的形態(tài)和分形特征分析產生較大影響。因此，在流域地貌發(fā)育研究過程中，將河流分形作為切入點。分別應用文中設計的特征提取方法，與文獻[1]、文獻[2]的特征提取方法進行對比，實驗結果顯示，3種方法的水系特征提取效果對比如圖4所示。

圖4 水系特征提取結果對比

分析采用不同特征提取方法得到的該流域水系特征提取結果，可以發(fā)現(xiàn)3種方法所提取出的水系分布情況一致性較高。但是與圖4(a)顯示的文中方法提取結果相比，文獻[1]、文獻[2]的方法丟失了部分水文細節(jié)，如圖4(b)、圖4(c)中圓圈標記位置。并且圖中方框標記的位置，表明該處流域水系特征存在明顯偏差。出現(xiàn)上述情況主要是因為文獻[1]、文獻[2]設計的特征提取方法，由于數(shù)據獲取方式的差異，使得圖像分辨率較低。造成流域內部分流域地貌發(fā)育特征被忽略，無法保證特征提取的精度。

之后，采用3種方法對流域中最為常見的洼地地貌進行特征提取，提取結果如圖5所示。

圖5 洼地特征提取結果對比

從洼地特征提取結果對比中可以發(fā)現(xiàn)，文獻[1]方法與文中設計方法提取的特征點位置相近，但是部分特征點沒有提取出來。文獻[2]方法所提取的特征點與文中設計方法提取的特征點具有較大差異。綜合考慮3種方法的流域地貌發(fā)育特征提取結果，并采用人工的方式獲得該地區(qū)實際特征點數(shù)據，與3種方法所提取出的結果相對比。文中將特征提取方法的評價指標設置為均方根誤差，其計算公式為：

(9)

式中，S—均方根誤差；w—特征提取值；v—真實值；n—觀測次數(shù)。利用上述公式，結合3種方法的特征提取結果，得出特征提取性能對比，如圖6所示。

圖6 3種方法的均方根誤差值對比

根據圖6可以發(fā)現(xiàn)，3種特征提取方法的應用中，隨著特征提取數(shù)量的不斷增長，文獻[1]、文獻[2]特征提取結果的均方根誤差值不斷增長。當提取特征數(shù)量為6000時，2種方法的均方根誤差值分別達到了84和78。而文中設計的方法在流域地貌發(fā)育特征提取過程中，雖然均方根誤差值也有所增長，但是總體增長幅度較小，保持在20以下。綜上所述，文中設計的流域地貌發(fā)育特征提取方法在實踐中，與文獻[1]、文獻[2]方法相比，均方根誤差值降低了69%、67%。通過上述實驗可以得出結論，文中所設計的特征提取方法在實際應用中可以發(fā)揮更好的性能。

3 結束語

文中依托無人機傾斜攝影技術獲得全方面地表信息，并經過圖像的處理和地貌特征邊緣檢測，精確提取出流域地貌發(fā)育特征，從而真實反映河流地貌發(fā)育階段性特點。通過特征點的分析，可以明確地貌發(fā)育與地質地貌背景、基準面下降之間的關聯(lián)性。利用無人機傾斜攝影技術測量流域地貌的發(fā)育特征具有較高的時效性、真實性與準確信，能夠有效掌握實時地形信息，并且提供真實生動的場景圖，通過建模能夠真實反映河流地貌發(fā)育階段性特點。但是工作環(huán)節(jié)并不完全是自適應性的，地形特征坡度分析環(huán)節(jié)是需要依據人為經驗進行的，希望在接下來的工作中可以提高工作過程的自適應性。