無人機傾斜攝影中密集匹配點云的處理與應用研究

摘要：本文針對密集匹配點云處理精度過低的問題，進行了無人機傾斜攝影中密集匹配點云的處理與應用研究。本文提出的新的處理方案包括無人機航測飛行平臺搭載相機標定、無人機傾斜攝影影像特征點提取與匹配、三角測量與多視影像密集匹配。將新的處理方案應用于真實研究區域內，可以對密集匹配點云進行高精度處理，降低各控制點平面誤差與高程誤差，提升無人機傾斜攝影應用廣泛性。

關鍵詞：無人機；傾斜；影像；密集；匹配；點云

中圖分類號：P23""""""""" 文獻標志碼：A

隨著無人機技術不斷發展，無人機傾斜影像技術已經廣泛應用于各個領域。在無人機傾斜影像處理過程中，密集匹配點云的處理是非常重要的環節。無人機傾斜影像密集匹配點云是使用無人機傾斜攝影獲取影像數據，采用立體匹配算法計算每個像素點的三維坐標信息[1]。其基本原理是利用多視角圖像之間的信息，利用幾何變換和映射關系將不同視角的圖像轉換至同一個坐標系中，根據像素之間的顏色和空間信息計算每個像素點的深度信息，得到密集的點云數據。

無人機傾斜影像密集匹配點云的應用領域非常廣泛，主要包括以下5個方面。1）城市規劃。對城市建筑物的點云數據進行分析并處理，可以獲取建筑物的三維信息，為城市規劃提供參考。2）土地資源調查。利用無人機傾斜影像密集匹配點云技術，可以快速獲取大范圍土地資源的三維信息，為土地資源調查提供數據支持。3）林業調查。使用無人機傾斜影像密集匹配點云技術獲取森林資源的三維信息，為林業調查提供數據支持。4）水利水電工程。利用無人機傾斜影像密集匹配點云技術獲取水電站大壩等建筑物的高精度三維信息，為水電站工程提供數據支持。5）災害監測與評估。無人機傾斜影像密集匹配點云技術獲取災區的三維信息，為災害監測與評估提供數據支持[2]。無人機傾斜影像密集匹配點云技術是一種非常實用的技術，應用前景廣泛。

1無人機航測飛行平臺搭載相機標定

普通無人機航攝平臺使用的高分辨率光學攝像機是非量測攝像機，具有光學畸變大、內方位信息不明確等特征?；儗е氯我?個透鏡在像面上不是直線，而是形成1條彎曲的曲線，因此小孔成像模型誤差很大[3]。變形量影響模型的準確性，為了還原真實的場景，須將內部參數和外部參數全部還原。在進行3D場景復原的過程中，須對攝像機進行校正來消除失真。結合幾何光學原理計算徑向畸變的值，如公式（1）、公式（2）所示。

式中：ydistored為畸變后的縱坐標；xdistored為畸變后的橫坐標；y為歸一化平面點縱坐標；x為歸一化平面點橫坐標；k1、k2和k3為畸變系數；r為徑向距離。平移以及旋轉相機坐標系與世界坐標系來轉換坐標，其中，具有3×3的相對轉動關系的矩陣R和3×3的矢量t，因此，在世界坐標系統和攝像機坐標系中，P點的關系如公式（3）所示。

（3）

式中：Xc、Yc和Zc分別為P點相機坐標系中的橫坐標、縱坐標和空間坐標；XW、YW和ZW分別為P點在世界坐標系中的橫坐標、縱坐標和空間坐標；T為轉換系數。采用相機標定的方式獲得內部參數，將各個坐標系聯系在一起。

2無人機傾斜攝影影像特征點提取與匹配

在攝影測量和機器視覺中，特征點的提取和匹配是一項基本的數據處理步驟，也是數字化測量自動化的重要手段。該方法要求多幀圖像中的同名點準確、可靠，利用多個同名圖像的點經多視角幾何關系計算基本矩陣，由陣列獲取圖像的姿態關系以及特征點坐標，對圖像進行稀疏重構[4]。因此，獲取更穩健、精確的同物點是提高稀疏重構效果的重要前提。在圖像處理過程中，圖像中最顯著的對象為圖像特征，它是圖像分析與匹配的根據，直接影響圖像質量。

SIFT特征提取算法主要有3個步驟。第一，尺度空間極值檢測。在該步驟中，算法會在不同尺度空間中尋找潛在的關鍵點[5]。這些潛在的關鍵點就是那些在尺度空間中表現極值特性的像素點。第二，關鍵點定位。一旦找到了潛在的關鍵點，算法就會比較潛在關鍵點在其鄰域內的像素強度，進一步精確定位這些關鍵點在尺度空間中的位置[6]。第三，關鍵點主方向和關鍵點的描述符。算法會計算每個關鍵點的一個主方向。這個主方向是分析關鍵點周圍像素的梯度方向分布來確定的。算法會生成一個描述符，其作用為描述關鍵點周圍的局部圖像紋理，對后續的圖像匹配等操作非常重要。

以上這些步驟的作用都是從影像中提取穩定、獨特的特征，將其用于后續的圖像處理任務，例如三維重建、目標識別和圖像拼接等[7]。算法采用高斯卷積構造具有多尺度特征的空間。高斯卷積核是目前已知僅有的1個可進行標度轉換的高斯核，其特征如公式（4）所示。

式中：G為高斯核特征值；σ為高斯正態分布方差。

SIFT特征提取原理如圖1所示。由圖1可知，SIFT算法構建圖像的尺度空間，即使用不同尺度的高斯濾波器對原始圖像進行平滑處理，形成高斯結構。比較相鄰尺度的高斯圖像的差分，在尺度空間中檢測局部極值點，這些極值點即為關鍵點或特征點。采用擬合二次曲線等方法對初步檢測的關鍵點進行亞像素級別的精確定位，提高關鍵點的準確性。為了使特征旋轉不變，SIFT算法計算每個關鍵點鄰域內的梯度方向直方圖，并確定一個主方向。在確定了關鍵點的位置和方向后，SIFT算法為每個關鍵點生成1個描述符，描述關鍵點周圍的局部圖像結構。利用高斯函數對圖像進行濾波，對整個圖像進行加權平均，利用高斯差分函數對各個尺度上的圖像進行權重運算，確定這些特征的比例和方向不變。用高斯卷積核可以得到一幅二維圖像的縮放率空間，如公式（5）所示。

L=G·I（5）

式中：L為縮放率空間；I為權重。σ與圖像平滑、尺度空間呈正比例關系。根據以上表達式，可以得知影像特性以及比例空間的關系。確定各特征點的位置、尺度和方向后，本文對其進行定義，將其與已有的特征矢量相結合，對其進行描述[8]。為避免受光照、視角等因素影響，特征描述符不僅包括關鍵詞，而且包括其鄰近區域的信息。以檢測的關鍵點為核心，選取16×16的鄰域，將該鄰域再分為4×4的子區，將該子區分為8個區段，獲得4×4×8=128個維度的特征矢量，矢量單元尺寸為各梯度方向區間權重。在獲得特征矢量后，須對其進行規范化處理，其規范化方向是將其按主方向轉動，使其具備旋轉不變性。

3三角測量

在相機內參數一定的情況下，初始像對中只有5對匹配點，用于求解R值。匹配點三角化示意如圖2所示。

為優化重投影誤差，建立以下優化目標函數，如公式

（6）所示。

式中：P*為優化后的像素點匹配目標；Mi為M矩陣中的第i張圖的映射；pi為觀測點坐標。

4多視影像密集匹配

運動結構恢復（Structure From Motion，SFM）是一種利用運動恢復結構的方法，它分析多視角圖像中的像素點之間的對應關系，推斷每個像素點的深度信息，生成點云數據。SFM生成點云的方法為匹配圖像中的特征點并估計它們的深度信息，其不可能直接生成密集點云，因此在一些沒有明顯特征或者深度變化不大的區域中，使用SFM無法準確地生成密集的點云數據。SFM流程如圖3所示。

多視圖立體視覺（Multi-View Stereo，MVS）是一種利用多視角圖像生成三維場景的方法。采用MVS對每一幅圖像中的每個像素點進行匹配，使其在三維空間上的位置近似于真實圖像。MVS的原理是基于多視角影像之間、同一個3D區域內具有極線幾何限制的圖像。

在2幅圖像中，有1條射線經過圖像中這個點，再經過相機中央，最終到達1個3D點，這個3D點被投射至另外1幅圖像中。這是一個很正常的過程，就像是1臺普通的攝像機。這2幅圖像的約束關系可以用于匹配圖像中的對應點并估計其深度信息。

在MVS中，通常采用聚簇分類的方法對影像進行預處理，減少在匹配過程中的計算量。聚簇分類是將影像中的像素點按照其顏色、紋理等特征進行分類，將屬于同一類別的像素點聚簇在一起。對每個聚簇分別進行密集匹配，可以提高匹配的準確性和效率。在密集匹配的過程中，通常采用PMVS方法進行過濾和匹配。在匹配步驟中，PMVS方法對每個聚簇中的像素點進行特征提取和匹配，尋找它們之間的對應關系。在膨脹步驟中，PMVS方法將每個匹配點周圍一定范圍的點加入匹配對中，增加匹配點的數量，提高密集程度。在過濾步驟中，PMVS方法會根據一定的規則和約束條件對匹配點進行篩選和過濾，去除錯誤的匹配點和噪聲點。

5應用研究

應用上述方法對研究區域內的密集匹配點進行處理。研究區域以及控制點分布如圖4所示。

在完成匹配后，檢驗點云精度，分別計算各個點的平面誤差和高程誤差，結果見表1。

由表1可以看出，在利用上述處理方法進行數據處理后，各個控制點平面誤差和高程誤差均不超過14.0mm。說明該處理方法精度極高，能夠有效地提取控制點的三維坐標信息。對這些數據進行分析，得到該處理方法在實踐中具備可行性的結論。成功應用這種處理方法能夠為后續測量和建模工作提供更加準確的數據支持。

6結論

本文詳細介紹了無人機傾斜攝影中密集匹配點云的處理與應用。研究發現該技術在獲取高質量點云數據方面作用重要，在各個領域中應用前景廣泛。無人機傾斜攝影中密集匹配點云的處理與應用研究意義重大，理論價值很高。深入研究該技術，分析應用案例，進一步優化算法，提高數據處理效率，使應用更加廣泛。未來將繼續深入研究無人機傾斜攝影中密集匹配點云技術的理論和方法，探索其在更多領域中的應用，不斷提高該技術的實用性和可靠性。

參考文獻

[1]任娜，張玉，王洪江，等. 基于二維正態分布的無人機激光雷達點云匹配研究[J]. 激光雜志，2024，45（4）：265-270.

[2]戴志勝，王鵬飛，周光建. 基于攝影測量匹配點云估算建筑表面太陽輻照度[J]. 測繪通報，2023（9）：93-99.

[3]呂欣陽，樊冬麗，張廣運，等. 無人機影像匹配點云的露天礦臺階高度計算方法[J]. 測繪通報，2023（5）：135-139.

[4]成樞，孫昂，程旭明. 基于改進的不規則三角網的密集匹配點云濾波與應用[J]. 城市勘測，2023（2）：85-89.

[5]全昌文，李正洪，龐百寧，等. 無人機影像密集匹配點云在違法占地和違法建筑監測中的應用[J]. 測繪通報，2023（4）：111-114，134.

[6]范佳鑫，王春，代文，等. 基于多尺度高程變異系數的影像匹配點云濾波方法[J]. 地理與地理信息科學，2023，39（2）：25-31.

[7]鮑秀武，梁文彪，劉也. 基于傾斜攝影測量點云與影像匹配的像控點坐標自動提取方法研究[J]. 城市勘測，2023（1）：105-109.

[8]王果，王成，王宏濤，等. 基于無人機密集匹配點云的黃河流域礦區植被提取[J]. 中國礦業，2023，32（6）：65-71.