基于衛星影像的輸電桿塔坐標校準方法

馬御棠， 潘浩， 周仿榮， 黃然， 趙加能， 羅繼強，劉靖,3， 孫浩軒， 賈偉潔， 張濤

(1.云南電網有限責任公司電力科學研究院電力遙感技術聯合實驗室，昆明 650217； 2.北京空間飛行器總體設計部，北京 100094； 3.華南理工大學計算機學院，廣州 510006； 4.武漢大學遙感信息工程學院，武漢 430079； 5.中國自然資源航空物探遙感中心，北京 100083； 6.軍委裝備發展部裝備采購服務中心，北京 100009)

0 引言

電力工業是國民經濟與社會發展的重要支柱產業，電力輸電線路的安全直接關系到電力系統的穩定運行。然而，輸電線路一直受到內部壓力、外部侵害、交叉跨越危險等諸多因素威脅[1]。線路巡檢是保障輸電線路安全運行的重要手段。其中，獲取高精度的輸電線路桿塔坐標是線路巡檢的關鍵目的之一，其在無人機安全巡檢[2]、雷電定位系統保障[3]、凈空距離測算[4]等方面發揮著重要作用。

傳統的輸電線路桿塔坐標測量，往往采用人工巡檢方式，基于地理信息系統(geographic information system，GIS)及全球定位系統(global positioning system，GPS)技術，通過手持GPS直接得到桿塔坐標[5-6]。然而，人工巡視的頻次有限，無法做到設備缺陷的及時發現，且人工成本高，管理成本維持困難。近年來，結合遙感技術的桿塔坐標定位校準方法開始進入視野。遙感技術，通過高頻次、大范圍的信息測量，已經在提高巡檢效率上取得了成效[7-8]。研究精度更高、方法更便捷的遙感技術輔助坐標校準方法，將會有效減少人工巡檢頻次，使電力線路巡檢更加安全高效。

截至目前，基于遙感技術的輸電線路桿塔坐標測量方法主要有3類： 基于定位設備的傳統方法、基于激光雷達的方法和基于影像的方法。基于定位設備的傳統方法利用單點定位設備進行桿塔坐標測量，利用GPS[3-4,9]、北斗[10-11]等定位衛星進行點目標測量?；诩す饫走_的方法利用激光雷達對整個輸電走廊區域進行三維重建，利用地面激光雷達[12]或機載激光雷達[13-14]，通過點云重建桿塔及周邊地物的空間信息?；谶b感影像的方法利用地面相機進行多視重建[15-16]，或利用Google Earth的多源影像進行平面坐標校準[7-8,17-20]。

幾乎所有的現有方法在進行桿塔坐標測量時，都存在測量范圍小或重復測量周期長的問題。地面測量的桿塔定位方法，無論是基于定位衛星的點測量，還是激光雷達與光學相機實現的區域測量，其測量頻率和測量范圍都難以保證?；跈C載的激光雷達及光學影像測量方法，受成本限制，存在空間覆蓋范圍不足和重訪周期過大等問題，難以有效進行大范圍桿塔坐標校準。

近年來，高空間分辨率衛星數量及其對地觀測能力一直在不斷提升。衛星遙感影像的分辨率達到亞米級，已經能夠觀察到輸電桿塔的典型地物特征。與此同時，單景影像幾何糾正技術得到廣泛發展，在存在基準底圖情況下，對衛星影像進行幾何糾正可獲得較高的平面定位精度[21-23]。

綜合上述研究，本文提出一種完全不依賴航空影像的衛星影像輸電走廊桿塔坐標校準方法。首先對原始遙感影像進行幾何糾正； 然后結合桿塔舊臺賬坐標，從幾何糾正后的影像中辨識桿塔并獲取桿塔校準后的坐標。該方法旨在實現大面積區域的桿塔坐標校準，較之傳統方法，能夠快速獲取大范圍桿塔坐標，降低巡線員的工作量與巡線風險，提高巡線效率； 并及時發現輸電線路運行狀態的異常，以確保電網運行安全，提升電網智能化水平。隨著遙感影像的數據量級爆發式增長，空天地多源影像將不斷結合，基于衛星遙感影像的輸電線路桿塔定位技術將有更加廣闊的發展前景。

1 桿塔坐標校準方法

1.1 基于參考底圖的幾何糾正

參考底圖幾何糾正方法根據已有的地面控制資料，即基準參考底圖數字正射影像圖(digital orthophoto map，DOM)和數字高程模型(digital elevation model，DEM)，通過衛星影像和控制資料自動匹配提取地面控制點，對有理函數幾何成像模型的有理多項式系數(rational polynomial coefficients，RPC)進行精化處理，以達到提升影像幾何定位精度目的。流程圖如圖1所示。

圖1 參考底圖幾何糾正流程圖

其主要由6個步驟組成：

1)將待校準影像A中4個角點坐標通過RPC計算出與參考底圖B的相交范圍區域C。

2)設置影像的分塊大小，對相交范圍區域C進行網格分塊處理。

3)分別對影像A中與參考底圖B中每一塊區域進行尺度不變特征變換(scale-invariant feature transform，SIFT)匹配，得到地面控制點像平面坐標。

4)利用隨機抽樣一致性(random sample consensus，RANSAC)算法對SIFT匹配得到地面控制點中的粗差點進行剔除,得到篩選后的控制點。

5)基于控制點的平面坐標，參考DEM，利用插值的方式讀取每個控制點的高程，得到地面控制點物方三維坐標。

6)利用控制點的物方三維坐標和像方平面坐標，通過仿射變換模型進行系統誤差補償，實現待糾正影像的RPC模型精化和影像糾正。

方法的核心環節為： 光學影像的SIFT匹配、基于RANSAC算法的粗差剔除與RPC模型精化。

1.1.1 SIFT匹配

SIFT是用于影像局部特征點檢測與描述的一種算法，其生成特征保持了優良的不變性。SIFT匹配建立在SIFT算法的生成特征上，主要分為特征檢測、特征描述和匹配3部分。

SIFT算法首先對影像進行基于不同尺度高斯濾波器的模糊，隨后對相鄰尺度的模糊影像進行差分，構建得到尺度空間。在尺度空間中通過尋找極值來獲得潛在的具有尺度不變性的興趣點。同時在每個候選的位置上，通過擬合一個精細的模型來確定子像素位置和尺度。

對于已經確定位置與尺度的關鍵點，SIFT基于影像局部的梯度方向來獲得相等信息量的像素窗口和對特征進行描述。算法分配給每個關鍵點位置一個或多個方向，最終生成一個128維特征向量。在匹配階段，通過各關鍵點的SIFT特征向量，進行兩兩比較，找出相互匹配的若干對特征點，建立同名像點間的對應關系。本文采用歐氏距離進行匹配，即：

，

(1)

式中:Si和Rk為2幀影像S和R上分別生成的第i和第k個SIFT特征；j為其第j個特征。

1.1.2 RANSAC粗差剔除

RANSAC算法是一種粗差剔除算法。算法認為適宜目標模型的數據被稱為局內點； 而局外點是不能適應模型的數據，其出現往往由噪聲的極值、錯誤的測量方法、對數據的錯誤假設等產生，會對模型參數估計造成影響。RANSAC誤匹配剔除的目的是找出剔除掉誤匹配的同名點，通過迭代估計一個敏感模型參數的方式，不斷隨機抽取3個匹配點對進行仿射變換估計，統計該仿射變換下匹配點與原匹配點的差異，獲取到適配最多匹配點的最佳仿射變換模型，從而剔除不適宜的同名點對。

1.1.3 基于RPC模型的像方平差

高分辨率衛星影像通常采用嚴格的軌道模型來完成影像的高精度幾何定位[24-25]。由于星上測量參數保密等原因，嚴密模型參數難以獲取，取而代之的是采用一個比值多項式模型，稱之為RPC模型[26-28]。該模型能夠建立像方坐標點與對應物方坐標點之間的幾何關系，一般來說，影像初始狀態的RPC參數誤差比較大，通常采用的方法為建立一個像方誤差補償模型來對原始RPC模型進行系統誤差補償。

根據像點坐標以及對應地面控制點的經緯度和高程，基于單片空間后方交會方法，利用式(2)中的仿射變換模型對原始影像RPC參數進行精化，仿射變換中的參數通過式(3)中的誤差方程進行求解。

，

(2)

式中: (x,y)為控制點在影像上的量測坐標; (xRPC,yRPC)為基于RPC模型計算得到的像點坐標;e0,e1,e2,f0,f1,f2為待求解的6個仿射變換參數。對于每一個像點，可以列出如式(3)的誤差方程，迭代求解仿射變換參數改正值，公式為：

，

(3)

式中:vx，vy分別為像素列方向、行方向的坐標改正值；Fx0，Fy0分別為在當前仿射變換參數下的列方向、行方向像點坐標值與像點坐標觀測值之差； Δe0,Δe1,Δe2,Δf0,Δf1,Δf2為本次仿射變換參數迭代改正。每個控制點都可以建立式(3)的誤差方程，最終通過最小二乘法，迭代求解得到最佳仿射變換參數，最終獲得影像的精確RPC參數。

1.2 桿塔坐標校準

1.2.1 陰影檢測

本文基于Rufenacht等[29]的陰影識別算法提取影像的陰影圖。首先通過式(4)所示非線性映射f(x)將可見光和近紅外波段的低亮度區域映射為高值，同時通過式(5)所示的乘性結合來識別在可見光和近紅外波段綜合較暗的像素，構建陰影候選圖，即:

，

(4)

，

(5)

。

(6)

需要注意的是，Dij中暗區域同時包含可能的非陰影，因此將2個候選區域值的乘性結合，得到最終的陰影值Uij，公式為：

。

(7)

在原文中，作者基于陰影值Uij進行一系列后處理進行陰影區域提取[29]，本文并不確認區域，而是利用陰影值Uij為后續桿塔坐標校準提供幫助。

1.2.2 桿塔坐標校準

檢出的陰影圖中仍然混有其他陰影，混淆陰影通常為樹林等團狀陰影。由于輸電桿塔具有特殊的幾何結構，中間接近鏤空，其影像陰影具有明顯的邊緣線結構，易于團狀陰影區分。因此，通過radon變換[30]進行線識別，以定位桿塔邊緣線。隨后，對檢測出的邊緣線在極坐標域進行聚類，得到大致的桿塔位置。

然而，考慮到衛星影像上的大部分桿塔特征微弱，識別困難。對于識別得到的點，應當與舊的桿塔臺賬合并，進行逐點的人工目視判讀移點。則整個桿塔坐標提取流程為： 通過識別結果進行輔助，結合陰影檢測圖，目視判別桿塔位置，挪動桿塔到合適的新位置以得到新的校準桿塔坐標。

1.2.3 桿塔校準坐標誤差評價

電網各應用場景對桿塔的坐標需求不一，桿塔坐標精度主要影響自然災害、外力破壞等作用于桿塔及沿線的定位及判斷。例如，1 km精度的落雷定位系統、氣象系統等，若僅考慮桿塔對象，則1 km左右的桿塔定位精度即可滿足桿塔區段的氣象獲取。然而，一些基于衛星影像的巡檢任務，如洪澇災害監測、施工區域監測，往往需要更高的桿塔定位精度，否則無法判斷具體受影響位置。考慮到這類基于影像的識別與檢測任務(這類影像有時完全失去了桿塔特征，無法通過在同一景滿足受災區域與桿塔的相對誤差來達成目的)，其自身影像也存在幾何誤差，桿塔坐標往往需要盡量準確。按照經驗，5～6 m的定位精度應當足以符合電網的基本任務預期。

通過校準值與真值的評價x方向或y方向的誤差，公式為：

，

(9)

(10)

2 實驗數據

本次實驗選用高分二號(GF-2)和高景一號(SV-1)數據進行實驗。其中，GF-2衛星作為我國首個空間分辨率優于1 m的國產光學遙感衛星，具有輻射精度高、定位精度高、姿態機動能力快等特點[31]； 而SV-1是我國自主研發的高分辨率商用遙感衛星，其數據經過稀疏控制點區域網處理后的平面精度可以滿足1∶10 000比例尺測量的要求[32]。 二者詳細情況見表1。實驗輔助數據中參考底圖(DOM)分辨率為0.3 m，由R，G，B 3波段組成； 參考DEM數據分辨率為10 m。

實驗所用衛星影像數據與參考底圖的位置關系如圖2所示。

(a) 2018.11.14 SV-1多光譜影像(b) 2018.11.14 SV-1全色影像(c) 2018.01.16 SV-1多光譜影像(d) 2018.01.16 SV-1全色影像

(e) 2019.01.23 GF-2多光譜影像(f) 2019.01.23 GF-2全色影像(g) 2019.10.31 GF-2多光譜影像(h) 2019.10.31 GF-2全色影像

對比影像與參考底圖的接邊情況。結果發現，在未經過底圖校準時，SV-1及GF-2影像數據均與參考底圖影像有較大的偏差，如圖3所示。

(a) 2018.11.14 SV-1多光譜細節(b) 2018.11.14 SV-1全色細節(c) 2018.01.16 SV-1多光譜細節(d) 2018.01.16 SV-1全色細節

(e) 2019.01.23 GF-2多光譜細節(f) 2019.01.23 GF-2全色細節(g) 2019.10.31 GF-2多光譜細節(h) 2019.10.31 GF-2全色細節

從圖3的細節圖中可以看出： 卷簾接邊左右道路、水域等存在明顯的接邊誤差，根據統計，接邊的偏差距離平均為65 m?？紤]到誤差的傳遞性，桿塔校準坐標誤差將大于參考底圖誤差，此結果已大幅超出一些電網場景中需要滿足的桿塔坐標精度要求。因此，在利用衛星影像數據獲取桿塔準確坐標之前，需要基于參考底圖對原始影像進行校準。

3 實驗結果

3.1 影像坐標校準實例及效果分析

3.1.1 幾何糾正精度驗核

對SV-1影像和GF-2影像進行基于參考底圖幾何糾正實驗。其中，4景影像均與底圖匹配多個點，選取其中10個作為控制點，將其余點作為檢查點進行精度驗證。匯總實驗結果見表2。由表2分析可知，檢查點數量為10時，平面精度可達到2像元以內。校準后影像與參考底圖影像接邊情況如圖4所示。圖4中，(a)—(d)為SV-1接邊細節； (e)—(h)為GF-2接邊細節。由結果可見，幾何糾正后GF-2和SV-1的接邊誤差從糾正前的65 m左右提升到了2 m以內，影像與底圖的接邊誤差有了明顯改善。實驗表明，通過與參考底圖進行匹配并糾正的方式可以實現桿塔坐標的校準，能夠滿足桿塔坐標巡檢的需求，為下一步實現桿塔坐標校準提供有力支撐。

表2 實驗影像與參考底圖校準精度

(a) SV-1接邊細節1(b) SV-1接邊細節2(c) SV-1接邊細節3(d) SV-1接邊細節4

(e) GF-2接邊細節1(f) GF-2接邊細節2(g) GF-2接邊細節3(h) GF-2接邊細節4

3.1.2 陰影檢測與桿塔定位

在某段區域測試了共計72個桿塔的識別情況，檢出點在桿塔較近位置則判為檢出，部分桿塔識別示意圖見圖5。結果顯示，檢出桿塔個數僅為15個，識別率21%，盡管存在少數特征較清晰的桿塔，基于目前的衛星影像進行桿塔識別結果仍然較差，尚不能直接用于批量桿塔坐標提取。然而，通過舊桿塔臺賬矢量輔助，當內業處理人員預先知道此處存在桿塔，可以結合陰影檢測圖、邊緣識別圖，通過目視判別決策桿塔位置，將其挪動到合適的位置，得到新的校準桿塔坐標。這種識別輔助人工目視判讀的校點方案可以在內業實現2個實驗區的校點，避免繁雜的外業梭巡。

(a) 難識別弱特征桿塔(b) 清晰特征桿塔(c) 清晰特征桿塔的陰影檢測(d) 清晰特征桿塔的識別結果

圖5 桿塔識別輔助人工判讀示意圖

3.1.3 桿塔坐標校準結果

本文對云南省昆明市兩個區域的電力輸電線路桿塔校準情況進行實驗。區域1中心地理坐標為E102°35′，N24°35′，平均海拔為2 000 m左右，區域線路共有20級桿塔。區域2中心地理坐標為E103°15′，N24°52′，平均海拔為1 860 m左右，區域線路共14級桿塔。

實驗統計了桿塔校準的誤差情況，表3列出了校準前后桿塔坐標與實驗真值的誤差。其中，區域1桿塔坐標真值取自高精度底圖的目視提取結果。區域2桿塔坐標真值通過無人機航測三維激光測量獲得。由表3可知，校準后桿塔坐標偏差明顯低于校準前舊桿塔臺賬偏差，通過衛星影像的桿塔校準可以實現對原有桿塔臺賬平面坐標精度的提升。2個區域的校準點平面中誤差都在6 m內，按照電網相關經驗，通過參考底圖對衛星影像進行配準并糾正的方法可以實現桿塔坐標校準，已能夠滿足桿塔坐標巡檢的需求。

表3 桿塔校點精度

4 結論與討論

本文根據桿塔校準目前遇到的實際問題, 通過研究和實驗測試, 提出了一種基于衛星影像幾何糾正的輸電線路桿塔坐標校準的方法, 結論如下:

1)提出了一種根據參考底圖對待原始遙感影像進行幾何糾正, 并根據陰影檢測、邊緣識別等技術與目視判讀對桿塔坐標進行校準的方法。

2)以云南省昆明市為例，對該區域GF-2和SV-1影像進行幾何糾正實驗。結果表明，糾正前影像接邊點平均誤差65 m，糾正后平面中誤差分別為0.931 m和1.387 m，幾何糾正能有效提升幾何精度。

3)以云南省昆明市為例，對該區域2段輸電線路上的舊桿塔臺賬進行校準實驗。結果表明，線路平面中誤差從舊臺賬的13.811 m和8.256 m分別提升至5.970 m和5.104 m，滿足基本的電網需求。

4)本文方法可以實現桿塔坐標的校準，減小人工巡檢的工作量，提高巡線效率。

本文提出了一種基于衛星影像底圖幾何糾正的輸電線路桿塔坐標校準方法，分為基于參考底圖的影像幾何糾正與桿塔校準2部分，桿塔校準精度與幾何糾正的精度相關。通過實驗驗證了本文方法的基于參考底圖幾何糾正精度，然而，方法暫沒有考慮多景影像鑲嵌及多景區域網平差，獲得多景影像的桿塔校準仍然需要經后續工作進一步研究。

文章還探討了一個困難任務，即基于衛星影像的桿塔識別。研究并未采用基于學習的方法，其主要原因是獲得大量高分辨率影像的桿塔樣本需要極大成本，一景影像上的桿塔數量有限，且大多數桿塔特征的清晰程度有限難以作為訓練樣本。方案采用陰影檢測、邊緣檢測等經典技術，相較于因樣本不足而無法訓練的基于學習的檢測模型，可以提供一種基于單景4波段影像和手工特征的桿塔定位方法，數據門檻更低。應當注意的是，方法仍然很難做到提取精確桿塔坐標，實驗結果也顯示了其識別率仍然受影像分辨率制約，當前方案更適合作為人工目視判圖的參考。然而，當前衛星影像分辨率正在飛速提升，衛星影像上的桿塔清晰程度持續增加，基于衛星影像的電力系統監測有極大的發展空間，作為基于衛星影像的桿塔校準的良好嘗試，筆者希望本文的工作可為未來的衛星影像桿塔校準研究提供參考。