基于无人机倾斜摄影的流域地貌发育特征提取研究

袁启伦

(湖北省水利水电规划勘测设计院，湖北 武汉 430070)

在对每一个流域建立水文模型的过程中，只有掌握该地区地形地貌、河网水系等多种空间信息，水文模型才能够应用于该领域的研究中[4]。其中，流域地貌发育特征是最重要的信息之一，不仅会对流域的气温、降水产生影响，还会导致部分水文因素发生变化[5]。所以，如何准确提取流域地貌发育特征，成为当前急需解决的问题。当前方法都是以遥感图像为基础的方法，例如：文献[1]融合了谷歌卫星地图和现场踏勘图片，对需要提取特征信息的区域完成初步识别。根据实际观察，将上述获取的影像汇总统计，并提取出其中所需的特征点，明确区域地貌成因和未来发展方向。该方法在实际应用中虽说可以提升特征提取精度，但是需要耗费较长时间，难以保证信息的实时性。文献[2]依托于实际地形观测结果，将DEM数据作为核心设计流域特征提取方式，并且分析特征提取数据源与重要环节的差异所造成的影响，优化特征提取方法。这种方法在特征提取过程中，缺乏对提取特征误差的量化分析。文献[3]分析了在点云数据中直接提取特征信息所面临的问题，以数字化等高线数据为核心设计新的提取方法，融合数字地面模型降低特征提取误差。在应用过程中，分析目标区域的点云数据极大曲率，采用欧氏聚类的方式粗略提取出特征点，通过粗糙度分析获取精准信息。实验表明，这种特征提取方式可以保证特征提取的完整性，但是计算复杂度较高。

根据上述方法应用中的不足之处，文中应用了倾斜摄影技术获取流域地貌数据，并从多角度精确描述区域垂直和水平结构。利用无人机倾斜摄影得到的初始数据信息，经过数据处理、流域地貌轮廓的边缘检测，综合上述信息采用全局化边界概率与简单线性迭代聚类方法提取出流域地貌发育特征，为河流、气象等研究提供支持。

1 流域地貌发育特征提取方法设计

1.1 倾斜摄影数据获取

倾斜摄影是通过传统摄影测量技术发展而来的新技术，以无人机作为载体搭载多个传感器，从下方、前方、后方、左方、右方多个角度获取流域地貌信息，为了保证获取的图像信息具有更高完整性，可以采用多镜头同时操作[6]。当前应用的多摄像机和镜头技术，通常采用多种数量和类型的相机，依靠采集几何形状的变化在无人机航行途中拍摄流域地貌信息。本文应用Maltese十字结构，保证一台低空摄像机拍摄垂直方向，并在其周围放置四个倾斜相机。除此之外，通过3个摄像机可以完成Maltese的交叉覆盖，在原有相机的附近放置2个指向相反的摄像机，用以捕捉斜向的轨迹图像。

由于无人机倾斜摄影需要以航测系统为基础，将不同的无人机和传感器共同组成航测系统，在获得全面地表地物位置的基础上[7]，完成无人机的飞行控制与导航。无人机飞行的控制和管理需要多种部件同时工作，主要包括控制计算机、导航系统、传感器等。其中，最为重要的就是无人机导航系统，对于采集影像的精度和分辨率具有较大影响，其工作原理如图1所示。

图1 飞行控制与导航系统工作原理

通过图1的工作原理分析可知，由于无人机飞行控制的复杂性较高，使得部分飞行任务会受到制约，无人机倾斜摄影过程中飞行高度也需要保持在一定范围内。而负责拍摄的相机也需要根据实际情况选择，在研究多种航空摄影设备后发现，可以将其划分为专业性设备、非专业设备2种类型[8]。其中，前者具有较高的分辨率，但是成本过高。后者在应用中虽然获取的图像信息精度不高，但是适用于多种倾斜测量场景。因此，文中采用非专业设备完成流域地貌测量，并通过图像的预处理提升分辨率，在降低成本的同时保证流域地貌发育特征数据精度。

1.2 无人机影像处理

在无人机倾斜摄影过程中，文中使用普通相机在前期加工和后期装配时，都会引起较小的误差，导致无人机倾斜摄影采集的影像数据存在镜头畸变，从而导致后续特征提取误差较大[9]。镜头畸变属于非线性误差的种类之一，会对后期成图精度产生影响，文中需要采用一些方法将畸变纠正过来。首先在内部设置多个空间坐标点，生成一个控制场，然后针对高精度标志点进行拍摄，在拍摄影像中提取标志点[10]。通过共线方程的计算，依据物方坐标反向推理得出理想坐标，并将其代入到镜头畸变模型内，得出改正参数。镜头畸变模型表示为：

(1)

式中，主点坐标(x0，y0)和像点量测坐标(x，y)是镜头畸变模型建立基础。并结合像素的非正方形比例因子α，非正交镜头畸变系数β进行计算。其中，无人机倾斜摄影过程中的直径为r，径向畸变系数表示为k1、k2，切向畸变系数表示为p1、p2。

针对上述模型，采用共线方程式的方法得出畸变误差的改正参数，计算公式为：

(2)

(3)

式中，畸变差产生的相关参数计算，需要计算不同矩阵旋转系数(a1，a2，a3，b1，b2，b3，c1，c2，c3)条件下，使用相机的空间坐标(X，Y，Z)减去相机外方位元素的线元素(Xs，Ys，Zs)。再将计算结果结合后，得出最终计算结果。

在影像校正之后，为了增强图像反差效果并降低图像噪声，应用Walks滤波变换方法，将影像灰度值和方差进行映射，从而改变不同影像区域的反差，以此增强局部微小变化的信息。为了在增强影像过程中达到抑制噪声的目的，在计算过程中添加平滑算子，使得图像质量得以提升，Walks滤波变换的计算公式表示为：

(4)

变换后影像灰度值f(x，y)的计算，需要以原始影像灰度值g(x，y)为基础，计算过程如公式(4)所示。原始影像的局部灰度均值为mg，而影像均值和方差分别表示为mf和sf。并且在计算过程中需要保证影像亮度系数b和影像方差常数c的取值范围在0～1之间。由于图像噪声作为一种非正常的数据信息，会对后续的特征提取产生负面影响。滤波处理方法的应用，就是将部分特殊形式的噪声频率与有效频率进行隔离。采用傅里叶变换的方式，使得原始图像变化为频域图像F(u，v)，将频域图像与滤波器相乘，使得图像的频谱成分发生改变。在滤波处理图像时，利用离散傅里叶变换公式变换图像的公式表示为：

(5)

式中，M、N—2个频谱成分系数；(u，v)—图像的坐标；e—常数；H(u，v)—滤波器。逆向变换公式与此相同。利用上述方法，完成无人机倾斜摄影图像的预处理。

1.3 设计边缘检测模型

对于图像中显示的各种流域地貌，需要通过边缘检测模型，将特征点准确提取出来。文中采用gPb轮廓检测技术构建边缘检测模型。以计算机视觉为基础，在流域地貌图像中找到不同地貌之间的边界信息，与常用的边缘检测方法相比，gPb轮廓检测通过边缘检测和图像分层分割的结合，确保影像的局部信息得以准确显示出来，根据图像的颜色和亮度信息准确检测出不同地貌的边缘信息，gPb轮廓检测如图2所示。

图2 gPb轮廓检测

图2中，在轮廓检测过程中，图像亮度、颜色的定向梯度算子需要通过不同比例测量的差异来计算，并将计算结果保存在像素亲和度矩阵之内。2个像素之间的相似性越小，则不同流域地貌之间的边界显示得更加明显。将影像中不同地貌数据通过逻辑回归分类器进行处理，对图像像素边界进行初始预测，并获取每个像素的边缘强度。将该区域的局部信息与预测的边界信息相结合，分析图像信息在不同尺度下的变化情况，从而验证边界预测正确性，将其中包含的不相关边界剔除。由于局部图像和全局图像所传达的信息差异很大，局部图像可以将某一部分的所有边缘信息提取出来，全局图像则只能提取最为明显的边缘信息。将二者相结合就形成了gPb轮廓检测器。gPb轮廓检测器在流域地貌发育特征提取过程中，仅仅依靠纹理和线条亮度无法对地貌边界准确划分，因此，需要以此为基础，添加线提取SLIC超像素技术进一步处理。与gPb轮廓检测器相同，简单线性迭代聚类技术也是基于计算机视觉发展而来的新兴技术，其主要作用是可以将图像的像素划分为不同的原子区域。这种技术的应用，可以使得图像特征的计算主要采用超像素，而不需要对全部像素都计算，从而提升了后续特征提取的精度。利用超像素的边界，可以准确描述流域地貌的轮廓。

(6)

式中，dq—空间距离；θ—常数；do—光谱距离；λ—常数。由于恒定值通常会与空间接近度的权重值相关，这使得图像超像素信息更加紧密，准确分辨出不同流域地貌的边界。

1.4 实现地貌发育特征提取

依托于地貌边界信息可以一定程度上呈现出流域信息，但是更加详细的流域地貌发育特征提取，则需要使用DEM栅格数据方法。基于边缘检测结果，借助坡向分析识别出不同地貌特征点。并通过不同大小的窗口，得出该地貌发育特征所覆盖的特征点区域，并对每一个窗口中的断面极值进行判断。

在断面极值法的应用过程中，可以采用极值分析将断面方向表示为2个方向，分别是X和Y。比较2个断面方向距离中心栅格、邻域栅格的高程，从而得出地貌发育特征。由于对角线方向的断面特征点没有办法提取出来，会造成图像部分地貌发育特征点无法提取出来，在DEM栅格数据使用过程中添加对角线，从而解决特征点缺失的问题。

深入分析高分辨图像DEM数据后，可以发现应用断面极值法会造成较多困难。比较显著的是由于覆盖地形的范围较小，使得高程关系无法描述地貌发育特征。因此，本文针对高分辨率DEM数据处理，将流域地貌发育特征点提取出来，并标记特征窗口大小。标记出来的特征窗口为核心，采用基于梯度的断面极值法，使得水流方向为选取梯度方向的反方向，通过地形曲面函数的方向求解梯度方向。由于高程数据离散值较高，因此梯度方向内栅格所覆盖曲面与地貌坡度大致相同。

针对X与Y方向的相邻栅格块高程值，计算该处地貌坡度。通过上述计算方法，可以根据水流方向判断垂直断面方向。在流域地貌发育特征中，可以将特征点划分为凹陷点、平地点、山谷点等多个类型，使用单独的DEM栅格数据不能准确描述该流域地貌发育特征。并在水流方向、断面方向的基础上，提取特征点。在计算过程中，根据地形起伏程度设置高程差阈值，并获得不同方向的邻域高程均值差，计算公式为：

(7)

(8)

通过公式(7)可以得出水流方向和邻域高程均值的差值Δhi，应用中心栅格块高程值hi，j，减去水流方向两侧的高程值hi-1，j和hi+1，j，像素点表示为i、j。公式(8)表示断面方向和邻域高程均值的差值Δhj，需要采用中心栅格块高程值减去断面方向两侧的高程值hi，j-1和hi，j+1。之后，需要设置一个流量阈值，当栅格数据的计算结果比流量阈值高时，表示栅格汇水面积较大，也就是流域内的出水口位置。按照上述方法继续分析，对于流域地貌中的山顶点来说，会在2个断面方向中均获得极大高程值，而山谷特征点的分析，需要根据水流方向高程非极值和断面方向为极小值得出判断结果。同时计算结果得出最终的高程值，从而提取出不同流域地貌特征点。

2 实验

2.1 实验准备

针对文中设计的特征提取方法，需要通过实验验证特征提取结果。实验所需的样本来自无人机航拍，根据图像生成数量庞大的点云数据，并转换为分辨率DEM。由于无人机倾斜摄影具有高精度、大范围的特点，作为流域地貌特征提取的数据来源之一，选定某一流域区域通过无人机倾斜摄影获取实验所需数据，实验采用中海达四旋翼飞行器，并在无人机下方安装多个相机。按照智能飞行驾驶仪的控制，以及图3(a)所示的无人机航线规划线路，完成无人机倾斜摄影。在无人机飞行过程中，需要专业工作人员在便携式地面站对实时飞行状态进行监控，确保数据顺利采集。应用定点曝光方式，控制无人机正下方和前后左右侧方位5个镜头曝光，全方位得到流域地貌影像，如图3(b)所示。

图3 流域地貌信息采集

在本次实验数据采集过程中，由于天气状况较好，无人机倾斜摄影技术应用顺利，因此一共得到流域地貌图像7255张。由于中心投影透视的技术，将正下方相机获得像元的地面分辨率设置为0.81m，而拍摄倾斜影像的相机与正下方相机的像元的地面分辨率有所差异。通常情况下，根据镜头角度和成像原理分析，得出前景像素总是高于后景。在影像获取过程中，确保倾斜影像最小地面分辨率，低于下视影像地面分辨率3倍。

无人机倾斜影像的应用导致流域地貌信息获取数量庞大，并且影像信息的重叠度较高，会加大后续流域地貌发育特征提取困难[11]。文中指针对采集的实验数据，采用运动恢复结构算法处理和匹配影像，并通过稀疏光束法平差持续迭代操作，保证坐标观测值、投影值之间的误差不断减小，纠正相机的畸变参数，并去除影像中包含的冗余信息，根据二维平面影像建立三维模拟空间。结合多视角立体视觉匹配技术，将密集的粗糙点云数据在操作后形成精细点云数据。并将获取的数据应用于地貌发育特征提取方法测试过程中。

2.2 实验结果及分析

在流域地貌发育特征中，河流的分形是最重要的特征之一。水系的研究尺度会对河流的形态和分形特征分析产生较大影响。因此，在流域地貌发育研究过程中，将河流分形作为切入点。分别应用文中设计的特征提取方法，与文献[1]、文献[2]的特征提取方法进行对比，实验结果显示，3种方法的水系特征提取效果对比如图4所示。

图4 水系特征提取结果对比

分析采用不同特征提取方法得到的该流域水系特征提取结果，可以发现3种方法所提取出的水系分布情况一致性较高。但是与图4(a)显示的文中方法提取结果相比，文献[1]、文献[2]的方法丢失了部分水文细节，如图4(b)、图4(c)中圆圈标记位置。并且图中方框标记的位置，表明该处流域水系特征存在明显偏差。出现上述情况主要是因为文献[1]、文献[2]设计的特征提取方法，由于数据获取方式的差异，使得图像分辨率较低。造成流域内部分流域地貌发育特征被忽略，无法保证特征提取的精度。

之后，采用3种方法对流域中最为常见的洼地地貌进行特征提取，提取结果如图5所示。

图5 洼地特征提取结果对比

从洼地特征提取结果对比中可以发现，文献[1]方法与文中设计方法提取的特征点位置相近，但是部分特征点没有提取出来。文献[2]方法所提取的特征点与文中设计方法提取的特征点具有较大差异。综合考虑3种方法的流域地貌发育特征提取结果，并采用人工的方式获得该地区实际特征点数据，与3种方法所提取出的结果相对比。文中将特征提取方法的评价指标设置为均方根误差，其计算公式为：

(9)

式中，S—均方根误差；w—特征提取值；v—真实值；n—观测次数。利用上述公式，结合3种方法的特征提取结果，得出特征提取性能对比，如图6所示。

图6 3种方法的均方根误差值对比

根据图6可以发现，3种特征提取方法的应用中，随着特征提取数量的不断增长，文献[1]、文献[2]特征提取结果的均方根误差值不断增长。当提取特征数量为6000时，2种方法的均方根误差值分别达到了84和78。而文中设计的方法在流域地貌发育特征提取过程中，虽然均方根误差值也有所增长，但是总体增长幅度较小，保持在20以下。综上所述，文中设计的流域地貌发育特征提取方法在实践中，与文献[1]、文献[2]方法相比，均方根误差值降低了69%、67%。通过上述实验可以得出结论，文中所设计的特征提取方法在实际应用中可以发挥更好的性能。

3 结束语

文中依托无人机倾斜摄影技术获得全方面地表信息，并经过图像的处理和地貌特征边缘检测，精确提取出流域地貌发育特征，从而真实反映河流地貌发育阶段性特点。通过特征点的分析，可以明确地貌发育与地质地貌背景、基准面下降之间的关联性。利用无人机倾斜摄影技术测量流域地貌的发育特征具有较高的时效性、真实性与准确信，能够有效掌握实时地形信息，并且提供真实生动的场景图，通过建模能够真实反映河流地貌发育阶段性特点。但是工作环节并不完全是自适应性的，地形特征坡度分析环节是需要依据人为经验进行的，希望在接下来的工作中可以提高工作过程的自适应性。