CN108961150A - 基于无人机影像的自动布控像控点方法 - Google Patents

Abstract

本发明公开了一种基于无人机影像的自动布控像控点的方法，其特征是通过影像预处理，在已有影像处理算法的基础上进行影像匹配，确定最佳像控区域，根据导航软件，选择出到达像控区域的最佳路径，在地图上获得最佳像控区域的像控点坐标，将实测坐标发送到地图中，查看像控点布设是否符合要求，同时将实测坐标传输到影像中，按照像控点规范在影像中自动进行刺点注记。本发明可以实现无纸化作业，像控点检核，同时减少人力干涉，提高布点精度、航测生产效率及像控点的周期管理，实现自动布控像控点。

Description

基于无人机影像的自动布控像控点方法

技术领域

本发明涉及航空影像外业像控点的布设方法。

背景技术

无人机航测作为一种新型的低空遥感影像获取技术，其机动灵活、可云下摄影、成本低廉等特点，已成为一种有效的快速测绘手段，在城市规划、应急救灾、地理国情监测、智慧城市建设等发挥越来越重要的作用。其中航空影像外业像控点的布设是进行立体测图和制作正射影像的重要环节，亦是后期数据处理的基础和前提，其布设效率直接影响了后续工作的进度，同时航线和网型更是影响最终的测图和数字正射影像图(DOM,DigitalOrthophoto Map)。

传统像控点布设需要将影像初始POS数据导入Google earth上作为参照，一名内业人员根据布点密度要求，按照不同比例尺、处理方法及测区的交通和地物、地貌等情况，将像控点布设在Google earth上，最终获得像控点的布控图。另外，由于Google earth影像不够清晰及更新不及时等，无法当做参考影像标注刺点位置，需要一名内业人员在影像上找到像控点的对应位置，并在影像上勾勒出刺点范围，外业人员可根据刺点范围和实际地物、地貌等情况选择目标清晰、大小适中的特征位置进行外业数据采集。目前测绘面临主要困难仍然是像控点停留在纸质工作方式，查看及管理不方便等；影像更新不及时，点位搜索困难；内外业没有实现一体化作业，加大测量的任务等。目前，航测外业数字化刺点对提高布点精度和减少人力干涉、实现路径最优等仍是此方法的难点。

发明内容

本发明的目的是一种基于无人机影像的自动布控像控点的方法，实现了无纸化作业，像控点检核，同时减少人力干涉，提高布点精度、航测生产效率及像控点的周期管理，实现自动布控像控点。

本发明的技术方案是：一种基于无人机影像的自动布控像控点的方法，其特征是通过影像预处理，在已有影像处理算法的基础上，确定最佳像控区域，根据导航软件，选择出到达像控区域的最佳路径，在地图上获得最佳像控区域的像控点坐标，将实测坐标发送到地图中，查看像控点布设是否符合要求，同时将实测坐标传输到影像中，按照像控点规范在影像中自动进行刺点注记。

本发明可以实现无纸化作业，像控点检核，同时减少人力干涉，提高布点精度、航测生产效率及像控点的周期管理，实现自动布控像控点。

附图说明

图1是自动布控像控点方法流程图。

图2是小波变换原理图。

图3是小波变换流程图。

图4是影像匹配流程图。

图5是最佳像控区域原理图。

具体实施方式

以下结合附图对本发明技术方案进行详细描述。

如图1所示，本发明自动布控像控点方法包括以下步骤：

1影像预处理

1.1影像检查

地面工作站通过接收无人机相片***传输回来的影像，检查影像是否满足分辨率大于小图像的分辨率(2448×1624)，航向重叠区域大于70％，旁向重叠区域大于40％，影像像素宽度和高度比为1.5，二度及以上重叠，影像是否漏拍等，以防后续工作无法进行。

1.2影像畸变差改正

由于无人机影像数据都存在影像畸变，其包括像主点偏移、对称和非对称畸变形，因此将相机校检作为校检参数(像主点坐标X₀，Y₀；对称畸变参数K1、K2、K3；非对称畸变参数P1、P2)，对原始影像进行畸变差改正。

1.3影像相对位置

利用初始POS数据建立航带影像缩略图，根据飞机航线对影像进行编号，直至搜索排列正确为止。

2影像匹配

2.1影像去噪

2.1.1如图5所示，自动提取出每张影像的分辨率。

2.1.2《低空数字航空摄影测量外业规范》、《低空数字航空摄影测量内业规范》要求像控点布设远离原始影像边缘150像素。因此，根据边缘150像素与原始影像像素比例关系，删除影像宽度边缘小于2％-4％的像素点，高度边缘为删除宽度边缘像素比例的70％的像素点，消除边缘布点带来的误差。

2.1.3在小波变换中，随着影像分辨率的降低，白噪声的小波变换值逐渐减小，信噪比提高，反之，分辨率提高，导致信噪比降低。如图2、图3所示，利用小波变换将影像进行三次小波分解，分为一系列不同频率的高频和低频影像(高频显示影像细节部分，低频显示影像轮廓)，划分为64个子块，其中LL3只占了1/64，但能量集中了90％以上，LH3同样占了1/64，H表示竖直方向高通分量，用小波系数表示，L代表水平方向低通分量，用近似系数表示。

2.1.4根据权重法增大高频分量细节系数，低频分量保持不变，增大信噪比，最后利用小波逆变换的方法重建影像，获得去噪后的影像。

2.2影像增强

将彩色影像转化为灰度影像，通过Wallis滤波对灰度图像进行滤波增强。将影像的灰度均值和方差映射到给定的灰度均值和方差，使得影像的灰度微小变化信息得到增强，同时引入平滑算子，抑制影像噪声，使模糊的纹理模式得到增强，原理如下:

式中，g(x，y)为原始影像中点(x，y)的灰度值；G(x，y)为点(x，y)经过Waliis滤波变换后的影像灰度值；m_g、s_g分别为影像中某一像素的一定领域的影像灰度均值和灰度方差；m_f、s_f分别为影像均值的目标值和影像方差的目标值；c为影像反差扩展常数，其取值一般为[0，1]；b为影像亮度系数，其取值也是[0,1]。

2.2.1把每张影像分为互不重叠的矩型区域[2M+1,2N+1],其中M为影像宽度的像素点，N为影像高度的像素点，较小的窗口(小于[10,10])和很大的窗口值(大于[(M+2)/2,(M+3)/3])都不可取，因为较小的窗口虽然会降低误差，但同时也会增加计算的时间，较大窗口会造成很大的误差。依据步骤1.1要求，设M/N＝1.5，M取值范围(10，[M/4])，N取值范围为[M/1.5]，影像均值的目标值取影像动态范围[0,255]的中值，即127，影像方差的目标值取87。([M/4]，[M/1.5]中的[]表示取整，取不超过它的最大整数)

2.2.2计算各矩形区域的灰度均值与方差。

2.2.3为保持原始影像的灰度值,统一选取c＝[0.75,1)，b＝[0.5,1)，使得影像的灰度微小变化信息得到增强。

2.2.4重新计算出区域新的灰度值。

2.3影像自动匹配

利用重叠影像灰度值匹配的优势(同一地物的灰度值相同)，再结合几何约束条件的像方空间一致性的特征点匹配方法，可以减少搜索范围及提高匹配效率。

2.3.1如图4所示，依据步骤1.3对影像的编号，将第一张影像作为基准影像，相邻影像作为配准影像，根据影像乘运算，使得每张影像在两张及两张以上的影像重叠区域效果显著。重叠区域乘以权重系数大于1，其他的区域乘以0，使得每张影像重叠区域明显。

2.3.2利用Forstner算法，在步骤2.2.1基准影像重叠的矩型区域[2M+1,2N+1]中，至少提取1个影像特征点，这样保证影像特征点在大于6个特征点的基础上，应尽可能分布均匀。

2.3.3将基准影像矩形重叠区域作为基准窗口，并映射到配准影像中，作为配准影像的搜索窗口，以基准窗口为准，利用相关系数法P_i＝|f₁(x，y)-f₂(x，y)|，f₁(x，y)和f₂(x，y)分别为基准窗口的影像特征点和搜索窗口的匹配点，计算相关系数，将相关系数最小的影像特征点作为搜索窗口的匹配点，剔除其他的误差点。

2.3.4将影像匹配的同名像点利用均方差，即其中P_i为步骤2.3.3中匹配特征点的相关系数，再次删选出小于均方差的特征点，提高匹配精度。

2.3.5利用仿射变换公式，将删选的影像特征点带入，获得6个仿射变换参数，建立影像几何关系。

其中(x，y)为基准影像的点坐标，(X，Y)为匹配影像的点坐标。

2.3.6利用计算的仿射变换6个参数，将匹配影像纠正到基准影像。

2.3.7循环2.3.1-2.3.6步骤，直至影像匹配结束。

3自动布设像控区域

根据高精度POS数据、无人机飞行航线及基线间隔参数、测图比例尺要求，自动生成像控区域。

3.1获取影像像控区域

3.1.1设置格网，沿着航线方向为x轴，垂直于航线方向为y轴，其中最重要的是结构窗口大小的选择，为了有效获取重叠信息，将影像重叠区域分成30×30的格网，可使精度达到1/10像素级。

3.1.2在左片影像重叠区域选择l×r(l/r>1，r>30)个影像格网，同时估计出它在右片的影像格网。

3.1.3两张影像同时形成30×30的搜索区，同时根据P＝∑[f₁(x，y)-f₂(x，y)]，f₁(x，y)和f₂(x，y)分别为左、右影像对应的灰度值，计算搜索区相关系数，当P小于阙值时，对应的灰度值适合布设像控区域，删除影像相关系数大于阙值的灰度值(阙值的确定用多数原则法来确定，影像最大的相关系数减去最小的相关系数乘以0.75，再加上最小的相关系数，这样保证删除的同时，不使图像失真)。

3.1.4获取自动布设的影像像控区域。

3.2提取最佳像控区域

3.2.1《低空数字航空摄影测量外业规范》要求像控点距离航线大于5cm，因此，选择大于影像航线3％-5％的影像像素点的位置布设像控区域。

3.2.2根据多项式最小二乘配置法∑vv＝min，其中v表示像控区域灰度匹配的差值，重采样步骤3.1的像控区域，获得相干系数，选择相关系数最小，确定其为第一个最佳像控区域。

3.2.3根据确定的最佳像控区域，利用与旁向平行(航向垂直)，确定像片第二个最佳像控区域。

3.2.4依次循环3.2.1-3.2.3，确定影像全部最佳像控区域。

4提取像控点

4.1坐标系转换

影像自身具有WGS-84坐标，同时可以调用Google earth地图、高德地图、百度地图、地方区域地图等多种地图服务。利用坐标系转换，将匹配后的影像映射到调用的地图中，实现影像与地图的结合，避免影像坐标数据在读取和传输时造成混乱。

4.2选择地图像控点

4.2.1将最佳像控区域投影到卫星地图上。

4.2.2利用软件最优路径，选择出测量员到达像控区域的最佳路线。

4.2.3通过地图的快速漫游、缩放及自适应显示功能，在卫星地图区域选择地图像控点，一般是近于直角而且又近于水平的线状地物的交点和地物拐角上，如道路交叉点、独立灌木、块状白板地、围墙或平台的拐角点等，且有利于测量员到达的像控点为最优。

4.2.4在卫星地图上刺点，并做标记，并将该刺点目标的WGS-84近似坐标保存。

4.3提取影像像控点

4.3.1将RTK在该点测得数据实时传输到影像中，通过公式δ＝|f₁(x，y)-f₂(x，y)|，其中f₁(x，y)为实测像控点坐标，f₂(x，y)为地图像控点近似坐标，与地图刺点数据进行坐标差计算，实时进行像控点坐标检核，使得地图像控点坐标与实测像控点坐标符合限差，其中卫星地图软件提供的目标影像坐标的精度能达到3-5m，完全满足选点位置的精度，使用该方法可以避免刺错位置的发生，造成实地选择的像控点目标与航摄影像目标的不对应。

4.3.2在影像上根据实测坐标自动标定像控点的位置，并设定相关的参数信息。

4.3.3将卫星地图标定的像控点及区域地图存档，以作为内业空三加密的检核及复查。

以上实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (13)

1.一种基于无人机影像的自动布控像控点的方法，其特征是通过影像预处理，在已有影像处理算法的基础上进行影像匹配，确定最佳像控区域，根据导航软件，选择出到达像控区域的最佳路径，在地图上获得最佳像控区域的像控点坐标，将实测坐标发送到地图中，查看像控点布设是否符合要求，同时将实测坐标传输到影像中，按照像控点规范在影像中自动进行刺点注记。

2.如权利要求1所述的基于无人机影像的自动布控像控点的方法，其特征是，影像预处理包括以下步骤：

1.1影像检查

地面工作站通过接收无人机相片***传输回来的影像，检查影像是否满足分辨率大于2448×1624的分辨率，航向重叠区域大于70％，旁向重叠区域大于40％，影像像素宽度和高度比为1.5，二度及以上重叠，影像是否漏拍，以防后续工作无法进行；

1.2影像畸变差改正

将相机校检作为校检参数对原始影像进行畸变差改正；

1.3影像相对位置

利用初始POS数据建立航带影像缩略图，根据飞机航线对影像进行编号，直至搜索排列正确为止。

3.如权利要求1所述的基于无人机影像的自动布控像控点的方法，其特征是，影像匹配包括以下步骤：

2.1影像去噪

2.2影像增强

将彩色影像转化为灰度影像，通过Wallis滤波对灰度图像进行滤波增强，将影像的灰度均值和方差映射到给定的灰度均值和方差，使得影像的灰度微小变化信息得到增强，同时引入平滑算子，抑制影像噪声，模糊的纹理模式得到增强；

2.3影像自动匹配

利用重叠影像灰度值匹配的优势，再结合几何约束条件的像方空间一致性的特征点匹配方法，可以减少搜索范围及提高匹配效率。

4.如权利要求1所述的基于无人机影像的自动布控像控点的方法，其特征是，自动布设像控区域包括以下步骤：

3.1获取影像像控区域

3.2提取最佳像控区域。

5.如权利要求1所述的基于无人机影像的自动布控像控点的方法，其特征是，在地图上获得最佳像控区域的像控点坐标包括以下步骤：

4.1坐标系转换

利用坐标系转换，将匹配后的影像映射到调用的地图中，实现影像与地图的结合，避免影像坐标数据在读取和传输时造成混乱；

4.2选择地图像控点

4.3提取影像像控点。

6.如权利要求3所述的基于无人机影像的自动布控像控点的方法，其特征是，步骤2.1影像去噪包括以下步骤：

2.1.1自动提取出每张影像的分辨率；

2.1.2根据边缘150像素与原始影像像素比例关系，删除影像宽度边缘小于2％-4％的像素点，高度边缘为删除宽度边缘像素比例的70％的像素点，消除边缘布点带来的误差；

2.1.3利用小波变换将影像进行三次小波分解，分为一系列不同频率的高频和低频影像，高频显示影像细节部分，低频显示影像轮廓，划分为64个子块，其中LL3只占了1/64，但能量集中了90％以上，LH3同样占了1/64，H表示竖直方向高通分量，用小波系数表示，L代表水平方向低通分量，用近似系数表示；

2.1.4根据权重法增大高频分量细节系数，低频分量保持不变，增大信噪比，最后利用小波逆变换的方法重建影像，获得去噪后的影像。

7.如权利要求3所述的基于无人机影像的自动布控像控点的方法，其特征是，步骤2.2影像增强包括以下步骤：

2.2.1把每张影像分为互不重叠的矩型区域[2M+1,2N+1],其中M为影像宽度的像素点，N为影像高度的像素点，小于[10,10]的窗口和大于[(M+2)/2,(M+3)/3]的窗口值都不可取，依据步骤1.1要求，设M/N＝1.5，M取值范围(10，[M/4])，N取值范围为[M/1.5]，影像均值的目标值取影像动态范围[0,255]的中值，即127，影像方差的目标值取87；

2.2.2计算各矩形区域的灰度均值与方差；

2.2.3为保持原始影像的灰度值,统一选取c＝[0.75,1)，b＝[0.5,1)，使得影像的灰度微小变化信息得到增强；

2.2.4重新计算出区域新的灰度值。

8.如权利要求3所述的基于无人机影像的自动布控像控点的方法，其特征是，步骤2.3影像自动匹配包括以下步骤：

2.3.1依据步骤1.3对影像的编号，将第一张影像作为基准影像，相邻影像作为配准影像，根据影像乘运算，使得每张影像在两张及两张以上的影像重叠区域效果显著，重叠区域乘以权重系数大于1，其他的区域乘以0，使得每张影像重叠区域明显；

2.3.2利用Forstner算法，在步骤2.2.1基准影像重叠的矩型区域[2M+1,2N+1]中，至少提取1个影像特征点，这样保证影像特征点在大于6个特征点的基础上，应尽可能分布均匀；

2.3.3将基准影像矩形重叠区域作为基准窗口，并映射到配准影像中，作为配准影像的搜索窗口，以基准窗口为准，利用相关系数法P_i＝|f₁(x，y)-f₂(x，y)|，f₁(x，y)和f₂(x，y)分别为基准窗口的影像特征点和搜索窗口的匹配点，计算相关系数，将相关系数最小的影像特征点作为搜索窗口的匹配点，剔除其他的误差点；

2.3.4将影像匹配的同名像点利用均方差，即其中P_i为步骤2.3.3中匹配特征点的相关系数，再次删选出小于均方差的特征点，提高匹配精度；

2.3.5利用仿射变换公式，将删选的影像特征点带入，获得6个仿射变换参数，建立影像几何关系；

其中(x，y)为基准影像的点坐标，(X，Y)为匹配影像的点坐标；

2.3.6利用计算的仿射变换6个参数，将匹配影像纠正到基准影像；

2.3.7循环2.3.1-2.3.6步骤，直至影像匹配结束。

9.如权利要求1所述的基于无人机影像的自动布控像控点的方法，其特征是，步骤3.1.3阙值的确定用多数原则法来确定，影像最大的相关系数减去最小的相关系数乘以0.75，再加上最小的相关系数，这样保证删除的同时，不使图像失真。

10.如权利要求4所述的基于无人机影像的自动布控像控点的方法，其特征是，步骤3.1获取影像像控区域包括以下步骤：

3.1.1设置格网，沿着航线方向为x轴，垂直于航线方向为y轴，将影像重叠区域分成30×30的格网，可使精度达到1/10像素级；

3.1.2在左片影像重叠区域选择l×r(l/r>1，r>30)个影像格网，同时估计出它在右片的影像格网；

3.1.3两张影像同时形成30×30的搜索区，同时根据P＝∑[f₁(x，y)-f₂(x，y)]，f₁(x，y)和f₂(x，y)分别为左、右影像对应的灰度值，计算搜索区相关系数，当P小于阙值时，对应的灰度值适合布设像控区域，删除影像相关系数大于阙值的灰度值；

3.1.4获取自动布设的影像像控区域。

11.如权利要求4所述的基于无人机影像的自动布控像控点的方法，其特征是，步骤3.2提取最佳像控区域包括以下步骤：

3.2.1选择大于影像航线3％-5％的影像像素点的位置布设像控区域；

3.2.2根据多项式最小二乘配置法∑vv＝min，其中v表示像控区域灰度匹配的差值，重采样步骤3.1的像控区域，获得相干系数，选择相关系数最小，确定其为第一个最佳像控区域；

3.2.3根据确定的最佳像控区域，利用与旁向平行或与航向垂直，确定像片第二个最佳像控区域；

3.2.4依次循环3.2.1-3.2.3，确定影像全部最佳像控区域。

12.如权利要求5所述的基于无人机影像的自动布控像控点的方法，其特征是，步骤4.2选择地图像控点包括以下步骤：

4.2.1将最佳像控区域投影到卫星地图上；

4.2.2利用软件最优路径，选择出测量员到达像控区域的最佳路线；

4.2.3通过地图的快速漫游、缩放及自适应显示功能，在卫星地图区域选择地图像控点，一般是近于直角而且又近于水平的线状地物的交点和地物拐角上，且有利于测量员到达的像控点为最优；

4.2.4在卫星地图上刺点，并做标记，并将该刺点目标的WGS-84近似坐标保存。

13.如权利要求5所述的基于无人机影像的自动布控像控点的方法，其特征是，步骤4.3提取影像像控点包括以下步骤：

4.3.1将RTK在该点测得数据实时传输到影像中，通过公式δ＝|f₁(x，y)-f₂(x，y)，其中f₁(x，y)为实测像控点坐标，f₂(x，y)为地图像控点近似坐标，与地图刺点数据进行坐标差计算，实时进行像控点坐标检核，使得地图像控点坐标与实测像控点坐标符合限差，其中卫星地图软件提供的目标影像坐标的精度能达到3-5m，完全满足选点位置的精度，使用该方法可以避免刺错位置的发生，造成实地选择的像控点目标与航摄影像目标的不对应；

4.3.2在影像上根据实测坐标自动标定像控点的位置，并设定相关的参数信息；

4.3.3将卫星地图标定的像控点及区域地图存档，以作为内业空三加密的检核及复查。