礦山地質環境監測中航空攝影測量數據的自動處理方法

唐 麗

（重慶建筑工程職業學院，重慶 400072）

近年來，航空攝影成為攝影測量領域的熱門發展方向，其獲取的測量數據也逐步增多，對我國遙感影像的應用起到了重要作用，更加有效地幫助我國研究開發遙感影像應用的其他領域[1]。目前，礦山地質所能容納的最大程度被礦山地質環境超越，由此會誘導大規模地質災害，突發性災害居多。在礦山地質中，由于地形復雜，過多測量數據不能精確；在礦山地勢較平穩時，存在數據冗余[2]。傳統測量數據處理方法，計算方法周期長、精度低、費時。根據礦山地質的性質傳統數據處理方法不能計算得面面俱到，為此，本文提出了構建環境測量數據自動處理K-D方法，以提高在礦山地質環境監測中航空攝影測量數據處理效率、精度、計算時長[3]。

1 礦山地質環境監測中航空攝影測量數據的自動處理方法

1.1 構建環境測量數據自動處理K-D樹

構建環境測量數據自動處理K-D樹屬于遞歸過程。我設計的數據自動處理K-D樹算法含有兩個部分， K-D樹的構建和K-D樹搜索。K-D樹的機制采用事件鏈為基礎，以事件鏈為機制的特點：當前窗口數據點過期，輸出相關字詞可以規避計算skyline，通過排列時間順序的節點構成的列表稱為事件。以K-D樹進行索引，空間的特定區域，K-D表示每個非葉節點；數據點用每個葉節點表示；LeftChild：存儲節點左子樹的地址、由位于該節點分割，包括超平面左子空間內所有數據點；RightChild ：存儲節點右子樹的地址、由位于該節點分割，包括超平面右子空間內所有數據點，左、右均為空。存儲節點區域中，列表中的數據點地址根據數據點，進行對應時間排序；當作為葉節點時，在只含一個數據點的情況下，列表中只有一個地址。

利用SWDC-5航空攝影技術獲取礦山地質開采正射影像、實景三維成果。礦山航空影像，結合礦山歷年開采信息，監測礦山地質環境，構建礦山地質數據[4]。其次建設航測系統，完成數據庫，達成設計目標。

由于 K-D樹算法在數據維度較低方面，凸顯出搜索性能優勢，為提高匹配搜索速度，按照“降維”的方式方法，綜合無人機遙感影像優勢，采用改進 K-D樹算法，研究出一種利用特征的匹配搜索模式。綜合實驗，此方法優點在于劃分數據精準，空間范圍用節點表示，在數據集過于密集時，對提高匹配搜索效率有很大幫助，數據集、向量維度、搜索速度均成正比[5]。

1.2 設計測量數據自動處理算法

通過測量數據自動處理K-D樹進行數據管理，利用 K-D樹進行索引校準，設計出測量數據自動處理算法。設數據集，其中，對應的微簇結構表示數據個數（本例就是n）；Mc表示中心點或均值，d代表最后一個非葉節點，即：

Ms表示平方和統計（為防止溢出被開方），即：

Md表示方差統計值，即：

通過以上可知，本文設計的K-D樹自動處理算法能夠滿足對數據緊湊性和可恢復性的要求，主要對龐大的測量數據完成自動處理[6]。

1.3 完成測量數據的自動處理

航空攝影測量數據的自動處理算法是基于距離的聚類算法。攝影測量數據的自動處理算法認為簇(cluster)是由相鄰近的對象組成，因此把簇作為目標。此算法抽象為：假定樣本為，其中要將樣本聚類成k個簇，算法過程如下：

數據初始化，隨機選取質心點(clustercentroids)，一般選取k個，u1,u2,...uk，其中

給定任意i(i∈ [ 1,m])根據Map任務計算：得出分類c(i)，設定為任意類別，

算法終止的依據：當質心點穩定，數據不再變化。

構建K-D樹算法在數據自動處理中是一種常見的算法。算法還包含很多種類，除上述外，K-D樹算法還可以解決：遞歸關系、神經網絡問題等。但個別結構框架并不支持K-D樹算法，引入了一些新的問題，例如：靜態數據如果無需在迭代任務傳遞，能夠使網絡寬帶小化；輸出中間數據的計算，需要判斷迭代收斂等。

搜索閾值選取：生成縮略影像的降采樣比為λ，那么范圍閾值應滿足關系：

實驗發現，取 n = 2 獲得的結果最佳。即像素外加兩個擴展像素對應的實際影像作為搜索半徑效果較好。同名像點均在同一搜索區域，有效避免了由于區域過大造成資源浪費。通常實際應用中，不同影像類型選擇合適閾值。如圖1所示，圓圈即代表像素。

圖1 降采樣比下影像生成合適閾值

上圖中，圓圈即代表像素，通過上述在降采樣比下影像生成合適閾值，完成測量數據K-D樹自動處理算法，可知航空攝影測量數據的自動處理算法是基于搜索半徑距離的聚類算法，以距離作為評價指標：距離越近，兩個數據相似度就越大。

2 實驗分析

2.1 實驗準備數據

為了驗證本文K-D樹測量數據自動處理算法的有效性，我通過公共數據集 KDD（CUP）99來構建對應的航空攝影數據的構建與測試。KDD99 公共數據集是來自于某實驗室收集的監測數據，后來被整理成規范的公共數據集。實驗系統配置為: Inter Core2 Duo P8600 2.4Gb 處理器、4 Gb 內存；編程環境為: Microsoft Vis-ual Studio 2012。SIFT 和 SURF 特征提取和描述通過 OpenCV 庫函數實現。在上述實驗環境中，K-D樹的快速搜索性能是否有優勢，對K-D樹自動處理算法和傳統窮盡搜索算法兩種算法進行了實驗，并對實驗結果進行對比分析為驗證。

2.2 對比數據處理點云離散度

本實驗采用模擬方法。數據生成方式為: 以維度為128維、規模為500 個點為例，建立500×128 大小的二維數組，生成數組元素，再生成一個等維度、規模為M的數據集，代表進行了M次不同的搜索。為減少對結果的影響，實驗中M 取10 000。對查詢和待匹配數據集進行匹配搜索，得到總匹配時間，再除以查詢數據集的規模M，計算出平均單次匹配搜索所用時長。在不同的維度、規模、流速下，獲取若干數據集，對兩種算法進行以下分析，如圖2所示。

圖2 兩種算法在不同數據集規模下搜索數據時長

在不同數據規模下兩種數據處理算法的搜索時間，K-D樹處理算法比傳統窮盡搜索算法存在較大的性能優勢。面對數據集較多匹配時，K-D樹對數據的處理速度較快。相同數據集數量下，K-D樹算法搜索數據時長較常規算法比較，是常規算法的3倍，并且K-D樹算法使對數據的處理更加精確。外界環境在測量中，存在很大影響，K-D樹的搜索時長對點云數據也存在相應影響，因此，會導致采集的點云數據有一定不足，表現在數據稍顯集中，大部分數據呈現集中性偏離，即主體：點云之外的點。分布的規律一般表現在：零散、不均勻地分布在點云周圍。經研究分析發現，用一個分布點做分布圖，根據其在空間區域的分布，計算出到相鄰最近一點的距離，得出高斯分布，根據高斯分布可知，曲線形狀被影響，分析可知其兩個影響因素：均值的大小、標準差的變動。由上述得出，離群點是平均距離大于標準范圍的點。研究發現濾波的統計，點云數據中任意一點，得到它相鄰區域內所有點距離平均值，滿足高斯分布的條件。統計分析離散點是否受航空維度影響，在半徑濾波后存在不明顯波動，數據波動較小；在數據下采樣以后，數據波動較大，數據量減少的較迅速。從計算上述算法的時長分析，K-D樹算法相對較快且準確，對點云數據的處理效率有很大幫助。

由上述實驗可知，我設計的K-D樹自動處理算法較傳統窮盡搜索算法比，在數據集密集中有著較好的性能表現，呈現出良好適應性和對數據的自動處理能力。

3 結語

本文對測量數據的自動處理算方法進行了研究，設計了構建環境測量數據自動處理K-D樹方法，有效的提高了航空攝影測量數據體量大，解決了在礦山地質環境中數據計算周期長、計算精度低等問題。但此測量數據的自動處理算法還存在不足之處，構建K-D樹時間相對較長，在礦山地質低維度環境下，搜索效率相對較低，因此，在未來的研究中，應加強該算法在地質低維度環境中構建K-D樹的時長，對數據集處理的搜索效率進行提升。