基于无人机测绘的复杂地形图像特征提取方法

王亚妮，周银朋

（1.西安文理学院生物与环境工程学院，陕西 西安 721001；2.贵州省地矿局测绘院，贵州贵阳 550018）

为了更加形象地反映地表的形态特征，引入了地表特征点这一评价指标，地表特征点可实现复杂地形的多层次表达。随着图像处理技术的不断发展，复杂地形图像特征提取对地表的分析和研究意义较为重大[1-2]。基于无人机测绘的图像特征点可以很好地保持复杂地形拓扑的完整性，根据这些图像特征点，采用无人机测绘技术构建地形拓扑网络，从而对复杂地形的图像特征进行提取。但图像特征点的采集具有很强的不确定性，导致复杂地形图像特征无法准确提取，使图像特征灰度值和实际值吻合度较低[3]。

针对这一问题，国内外学者进行了相关的研究。其中，有学者提出一种基于高度差的地形图像特征提取方法，该方法从地形拓扑简化方面对地形图像特征进行提取，精确地反映了地形图像特征点的控制区域，并为复杂地形的图像特征提取提供数据源，降低了复杂地形图像特征点的偏差，但该方法提取的复杂地形图像特征数据精度不高，并且没有解决图像特征灰度值和实际值吻合度较低的问题[4-5]。

为了解决上述方法中存在的问题，该文提出了基于无人机测绘的复杂地形图像特征提取方法。该方法首先对复杂地形的图像特征进行了多阈值计算，然后基于多阈值计算结果对图像特征进行提取，最后通过实验研究，验证了该文所提方法的使用效果。

1 复杂地形图像特征多阈值计算

复杂地形图像特征点一般稳定性较差，且图像特征点的边界较为模糊。为了提升其稳定性并使图像特征点的边界变得清晰，采用随机森林算法和图像分类方式对复杂地形的图像特征设定多个阈值，根据阈值的变化范围和图像特征边界特点，对图像特征多阈值进行计算，将复杂地形图像特征的边界按照模糊程度建立图像特征灰度空间，在图像特征灰度空间内采集图像灰度数据，将图像灰度数据和设定的图像特征阈值代入高斯函数中，获得较为简单的图像特征阈值，即：

式中，xmm为复杂地形图像特征的灰度值，xT为图像特征阈值的变化区间，Qmn表示得到的特征阈值[6-7]。

根据复杂地形图像灰度数据变化范围定义地形图像特征的模糊矩阵，降低由于复杂地形图像灰度数据发生变化而产生的信息损失，获得变化范围较为清晰的地形图像灰度数据。由于复杂地形图像特征灰度等级较高，需要将地形图像阈值当作一个未知的阈值变量，并对其进行约束设定，从复杂地形图像的特征点中，选取多个不同地形图像模糊点，计算图像模糊点中图像像素的特征阈值函数，如式（2）所示：

式中，u1和u2分别为复杂地形图像阈值T在图像特征阈值变化区间的最大灰度值和最小灰度值；w1和w2分别为复杂地形图像灰度值与地形图像阈值的差值和平均值；v为整个复杂地形图像特征信息的灰度值总和。其特征值指数如图1 所示。

图1 特征值指数

根据高斯函数计算地形图像最优阈值，根据最优阈值设定图像特征波动阈值，对最优阈值和地形图像特征波动阈值进行最大类间方差求值，根据求值结果计算灰度数据变化范围内，图像特征中心点与临近点的几何中心值，如果几何中心值与复杂地形图像特征阈值相差较大，需要采用自适应平滑方法对复杂地形的图像进行平滑处理，获得地形图像收缩差；如果几何中心值与复杂地形图像特征阈值相差较小，则需要提取地形图像特征点的极大点，并对其进行有限离散，有限离散后产生的有限离散数据可作为地形图像特征的离散数据；如果几何中心值与复杂地形图像特征阈值相等，则选取地形图像特征点中任意两点的函数值将其代入二阶可微函数中进行求值，从而获取最优地形图像多阈值[8-9]。

2 复杂地形图像特征点的无人机提取

借助上述得到的复杂地形图像特征多阈值，提取图像特征点。首先，检测复杂地形图像的特征点边界，获得目标图像特征点的边界线，当地形图像像素点比较模糊时，闭合当前图像特征点的边界线，借助地形图像的像素点和最优的复杂地形图像多阈值，获取图像特征点偏差，将图像特征点偏差控制在标准范围内，提高复杂地形图像的清晰度以及图像特征灰度值和实际值的吻合度[10-12]。

采用无人机测绘技术对复杂地形的图像特征点进行表述时，表述的复杂地形图像特征点中具有较多精度较高的三维数据，由于复杂地形图像清晰程度无法保持稳定，所以，对图像特征点的提取消耗的时间较长。为了缩短图像特征点的提取时间，并提升复杂地形图像的清晰度，采用图像处理技术将三维地形图像处理成二维灰度图像，借助无人机测绘技术实现复杂地形的快速测量和绘制[13]。图像处理过程如图2 所示。

图2 图像处理过程

二维灰度图像将有限离散数据网格化后，地形图像灰度级别将有所变化，原始的地形图像灰度级别范围为0～125 级，网格化处理后，地形图像灰度级别范围将变成0～80 级，网格化后地形图像清晰度会有所提升，使地形变化凸显得愈加明显，当地形变化级别最高时，80 级的灰度地形图像能够很好地保证复杂地形的精度。为了获得最优复杂地形精度，将复杂地形图像的灰度值作为网格大小，即：

网格定义完成后获得复杂地形图像，提取图像中能够反映地物起伏的地形图像特征点。提取时，根据SIFT 算法判断所提取的图像特征点的多量性和仿射变换性，如果多量性较高，则需要根据噪声来源消除地形图像特征点中的边缘响应，再利用相邻图像特征点之间的角度差值建立模糊图像特征点空间，通过模糊图像特征点空间将复杂地形图像按照其独特性和图像尺度分成大小不同的地形图像，通过高斯金字塔将较大的地形图像拆分成高斯差分地形图像，提取高斯差分地形图像中的局部极值点，根据局部极值点的分布情况，将高斯差分地形图像与原始复杂地形图像进行结合，获得结合后的地形图像，结合后的地形图像中的特征点极值检测较为容易，在地形图像中的位置更容易被发现，且地形图像特征点的可靠性较高，分布较为均匀，完成了对复杂地形图像特征点的提取[14-16]。

3 实验研究

为了验证该文提出的基于无人机测绘的复杂地形图像特征提取方法的实际工作效果，将基于高度差的地形图像特征提取方法与该文提取方法进行实验对比。实验中，采用Windows 11 操作系统，开发环境为vc.net。为了更清晰地采集复杂地形的图像，采集图像的摄像头像素为200 dpi。

实验中选择250 帧的地形图像进行对比实验，利用粒子群算法对复杂地形图像特征进行阈值设定，获得华二阶可微函数，完成对复杂地形图像的多阈值优化，优化结束后完成对复杂地形图像特征点的提取，分析优化后的地形图像特征多阈值，获得地形图像灰度值，将地形图像灰度值与实际值进行对比，结果如图3 所示。

图3 地形图像灰度值实验结果

通过对比结果可知，采用该文提取方法对地形图像特征进行阈值优化，得到的灰度值与实际值吻合度较高，说明地形图像特征提取效果较好，而采用基于高度差的地形图像特征提取方法对地形图像特征进行阈值优化，得到的灰度值与实际值吻合度较低，说明提取效果较差。

为了更为精确地对比出不同提取方法的提取精度，在对复杂地形图像进行多阈值对比后，需要计算地形图像灰度值的网格大小。分别采用该文提取方法和基于高度差的地形图像特征提取方法进行灰度值网格误差率对比，选择150 帧的复杂地形图像样本10幅，进行8次对比实验，分别选取2、4、6、8次实验数据进行灰度值网格误差率对比，对比结果如图4所示。

图4 灰度值网格误差率实验结果

由对比结果可知，该文提取方法的灰度值网格误差率较低，基于高度差的地形图像特征提取方法的灰度值网格误差率远远高于该文方法的灰度值网格误差率，且灰度值网格误差率一直处于波动状态，验证了该文方法更具有可行性。

基于两种不同提取方法的灰度值网格误差率对比结果，进行提取精度对比实验，对比结果如图5所示。

图5 提取精度实验结果

由图5 对比结果可知，该文方法的提取精度较高，且随着灰度值网格误差率的增大没有出现任何的波动，处于较为稳定的状态，说明该文方法能够精确地提取复杂地形图像的特征，而基于高度差的地形图像特征提取方法的提取精度较低，即使灰度值网格误差率下降，提取精度没有得到提高，且一直呈下降趋势，不能精确地提取复杂地形图像的特征，验证了该文方法的有效性。

4 结束语

该文提出的基于无人机测绘的复杂地形图像特征提取方法优于基于高度差的地形图像特征提取方法，该文方法的灰度值与实际值吻合度较高，且提取精度更高，证明了该文方法的提取效果较好，且具有一定可行性。