旁向重疊

旁向重疊

旁向重疊又稱“橫向重疊”。旁向重疊像片重疊是指相鄰像片相同影像的重疊。其中,相鄰航線之間兩相鄰像片的重疊稱旁向重疊。

基本介紹

  • 中文名:旁向重疊
  • 外文名:Side overlap
  • 又名:橫向重疊
  • 解釋:相鄰像片上有同一地面影像部分
  • 比率:35~15%
概念,機載LiDAR旁向重疊區域冗餘數據的消除算法,原理和方法,實驗討論,研究結論,推掃式數碼航空影像旁向重疊度的自動檢查,研究背景,自動化檢查,研究結論,

概念

旁向重疊是指由於航線不同,重疊部分雖是同一地面,但影像不完全相同。旁向重疊部分的長度與像片長度之比,稱為“旁向重疊度”,以百分數表示。在面積航空攝影中,相鄰航線間的像片,旁向重疊為35~15%,最小不少於13%。
航向重疊示意圖航向重疊示意圖

機載LiDAR旁向重疊區域冗餘數據的消除算法

機載LiDAR(light detect and ranging)是一種集雷射測距、全球定位系統(GPS)和慣性導航系統(INS)為一體的系統。該系統採用主動探測的方式,獲取的是高精度、高密度的地球表面三維坐標信息,即點雲數據
圖1點雲條帶間的旁向重疊形成的數據冗餘圖1點雲條帶間的旁向重疊形成的數據冗餘
機載LiDAR在獲取數據時,由於掃描視場角和航高的限制,完成一個測區數據採集必須進行多條航線的飛行。這些航線之間需要設定一定的旁向重疊度,以保證數據採集能夠覆蓋整個測區。由於這些旁向重疊區域會被兩個條帶的點雲覆蓋,從而密度遠遠大於其他區域,這樣便形成了數據冗餘,如圖1所示。這些冗餘數據的數據量約等於點雲總數目乘以旁向重疊度的一半。例如,旁向重疊度為15%(一般設定為10%~20%),一個條帶的點雲總數為10000000,那么冗餘數據量則約等於750000。冗餘數據為數據的存儲,管理以及後期處理帶來了很多不便。同時,由於誤差的存在,LiDAR數據在條帶邊緣的點雲精度較差,因此,即使經過平差處理後,重疊區域的兩個航帶的點雲之間依然會出現微小的高程差,使生成的DEM不平滑,如圖3所示。綜上所述,去除冗餘數據是LiDAR數據後處理以及產品生成過程中的一個重要且必要的步驟。
圖 2 格網示意圖圖 2 格網示意圖
國內外對該問題的研究較少,現有成熟的LiDAR數據處理軟體中也包含了點雲消冗的模組,如TerraSolid的Cutoverlap,由於是商業軟體,其相關算法都是不對外公開的。根據TerraSolid的消冗操作我們可以判斷其消冗算法是依賴特定格式航跡檔案的算法,如果不添加航跡檔案則不能進行消冗操作,因此它不能適用於地面雷射雷達數據的消冗。本文提出了一種基於點雲格網化的去除冗餘數據的算法。該方法通過對散亂點雲格網化的方法確定重疊區域的點雲,不依賴航跡數據對重疊區的冗餘點雲進行消冗處理,也同樣適用於地面雷射雷達點雲的消冗。
圖 3 去冗前後點雲生成的DEM對比圖 3 去冗前後點雲生成的DEM對比

原理和方法

(1)算法原理
對於散亂的,無相互關係的點雲,確定冗餘區域的邊界及提取重疊區域的冗餘點雲是去除冗餘數據的關鍵步驟。本文運用格網化的思想,用規則的方格將待處理的點雲數據全部覆蓋,使點雲落在正方形小格線內,這樣就以若干個有序的規則方格表示了離散的點雲數據,如圖2所示。如果一個方格內有兩個條帶的點雲,則將該方格標記為重疊區格線,其範圍內的點雲則認為是重疊區點雲(如圖2中粗線表示的區域)。當格網的邊長在一個適當的範圍內時(略大於平均點間距),則可以較為精確的提取重疊區域。最後,將重疊區的點雲沿平行於條帶方向的中線劃分成兩部分,在位於平面上方的條帶中刪除縱坐標小於中線的點雲;同理,在位於平面下方的條帶中刪除縱坐標大於中線的點雲。這樣就刪除了每個條帶中精度較低的條帶邊緣附近的點雲,保留了靠近條帶中軸線精度較高的點雲,實現了點雲的消冗。
(2)基於格網去重的具體算法
一個格線內是否有兩個條帶的點雲存在,這是判斷格線是否為重疊區域的格線的依據。因此,要確定重疊區域的範圍,首先我們需要區分圖幅內各個條帶的點雲。但是,僅僅根據點雲的三維坐標屬性很難準確的判斷點雲位於哪個條帶,特別是條帶邊緣發生重疊的點雲。在這裡,我們根據獲取點雲的時刻來區別不同航帶的點雲。雷射掃瞄器掃描頻率已達到100 HZ,同一條帶相鄰兩點間的時間值是均勻且連續的。在實際作業時,飛機飛完一條航帶後需要飛出測區然後再進行下一條航帶的掃描以保證掃描覆蓋整個目標測區。在處理數據時,將成圖範圍內的點雲進行裁剪後獲得目標測區數據。因此,測區數據是由若干條平行且不連續的條帶組成的。根據這一特性,遍歷待處理點雲,給相鄰的兩點的GPS值做差,計算出時間不連續的兩點,這兩點即為圖幅內兩個條帶的分界點。這樣就可以獲得圖幅內條帶的數目以及每個條帶內點雲的時間的起止範圍。通過上述方法,對於圖幅內的每個點我們都可以準確的確定它是屬於那個條帶。

實驗討論

實驗表明,該方法能夠有效地去除機載LiDAR點雲中的冗餘數據。由於是使用規則的方格來表示散亂的點雲區域,所以,單位格網的邊長直接影響了算法的效率和處理數據的質量。如果邊長設定過大,就不能準確的確定重疊區域的邊界,設定太小又不能區分出重疊的區域的點雲,經試驗測試,一般設定為大於平均點密度而略小於平均點密度的二倍較為合理。同時,由於條帶間形成的重疊區域是形態多樣的不規則區域,該方法在對某些極為不規則重疊區域的處理具有局限性,還有待進一步的研究和改進。與現有的TerraSolid軟體的去重模組相比,該算法無需依賴航際檔案,因此,該方法同樣可適用於地面雷射掃描的數據消冗。

研究結論

本文基於格網化的方法提出了一種機載LiDAR旁向重疊區域消除冗餘數據的算法。該算法首先用若干個有序的規則格線表示離散的點雲數據,提取重疊區點雲的邊界,再將重疊區域中靠近條帶邊緣的點剔除,只保留靠近條帶中心的質量較高的數據點。通過設定合適的格網邊長的閾值,本算法能夠滿足實際作業中數據去除冗餘數據的需要。由於無需依賴航跡信息,該算法也適用於地面雷射雷射掃描數據的消冗。在點雲形成重疊及其複雜時,算法的處理效果會受到一些影響,我們將進一步研究和改進。

推掃式數碼航空影像旁向重疊度的自動檢查

研究背景

推掃式數碼航空攝影測量系統使用POS(GNSS/IMU)技術以CCD線陣推掃方式獲取地面的數字影像,其成果質量評定包括飛行質量、影像質量、數據質量、附屬檔案質量,而旁向重疊度是飛行質量的一項重要評定指標。旁向重疊度檢查工作包括:①航攝單位在數據獲取後快速開展,以便指導下一步航攝任務;②成果使用單位在成果接收時開展,複查成果質量是否滿足後期的測量工作。對推掃式數碼航空影像的旁向重疊度的自動化檢查,還沒有有效的手段對其進行評定。
旁向重疊度質量的客觀評定可採用匹配同名點的方式開展,這要求匹配的同名點均勻分布在相鄰兩條航帶的重疊部分。由於獲取的條帶影像的地面覆蓋範圍大,加之攝影條件的複雜性,拍攝的影像色彩差異較大,需要勻色處理。很多成熟的勻色算法一般用於製作正射影像,本文影像勻色是為了突出影像細部特徵,使得提取的特徵點分布均勻。本文利用Schowengerdt提出的LRM模型及均值-方差規定化的方法來對條帶影像勻色,並通過調整LRM視窗的尺寸增強影像細部特徵,對LRM模型參數計算採用具有重疊的方式統計,有效地兼顧了相鄰影像塊對參數統計的影響。旁向重疊度評定的首要工作是提取相鄰航帶間影像的同名點,本文採用SIFT算法來提取和匹配同名點。本文在L1級影像上開展重疊度檢查,L1級影像解析度基本保持一致,這樣SIFT特徵提取可在統一尺度上進行,特徵的描述也無需統計主方向(即不用考慮影像旋轉問題),直接使用零方向描述,SIFT特徵提取過程簡化,可提高提取速度。SIFT特徵匹配採用計算特徵點描述運算元的距離比來評估,對SIFT特徵的快速計算有很多方法,如CPU多核技術、GPU加速、FPGA硬體加速等。考慮降低旁向重疊度檢查工作對計算機設備的要求,本文採用OpenMP多核技術與距離計算查找表技術提高距離計算速度。
SIFT特徵匹配錯誤的剔除多採用RANSAC算法,RANSAC算法需要給定明確的算法模型,旁向重疊度檢查使用相鄰航帶底視的L1級影像,對匹配的特徵點錯誤剔除時並不能充分利用推掃式成像的嚴密模型來處理。因此本文使用相關係數、三角形相似性、匹配點順序的一致性、重疊度變化的連續性等來剔除錯誤,提高了匹配點準確率,使得旁向重疊度的自動化檢查具有高可靠性。旁向重疊度的檢查使用L1級影像,邊界存在明顯“鋸齒”狀,邊界的無效像素不能參與計算,必須對L1級影像統計每列的有效像素後才能計算旁向重疊度,本文給出了旁向重疊度的有效計算方法。

自動化檢查

(1)影像級別選擇
推掃式數碼航空影像攝影測量系統以線陣CCD推掃的方式獲取地面的全色、彩色、紅外數字影像,每個波段的影像獨立儲存,同時獲取地面前視、底視、後視影像。獲取的影像在後期的處理過程中有不同的表現形式和用途。推掃式數位相機獲取的原始影像稱為L0級影像,用於空三加密;使用平均高程處理後的影像稱為L1級影像,用於立體觀測;使用DEM(數字高程模型)糾正後的影像為L2級影像,用於製作正射影像
(2)影像預處理及特徵點提取
獲取的地麵條帶影像覆蓋範圍較大,加之外部攝影環境的複雜性,影像在色彩上存在不同程度的差異,需對影像進行勻光處理。航空影像勻光一般用於製作正射影像。本文為了突出影像細部特徵,使得提取出的特徵點分布均勻,將Wallis濾波用在影像匹配中,以提高影像匹配的可靠性。本文採用Schowengerdt提出的LRM(localrangemodification)模型處理影像色彩差異,其具體思想是將影像分塊處理,計算每塊內的影像參數;並採用均值-方差規定化的方法調整影像色調差異,其原理是使待處理影像經過線性變換後和目標影像在最小二乘意義上差異最小。
研究採用匹配的特徵點方式統計重疊度,使用SIFT算法提取特徵點。SIFT算法在不同尺度空間提取特徵點,使用顧及特徵主要方向的方式來描述特徵;並使用L1級影像,影像空間解析度基本一致(即尺度空間一致),因此特徵點提取在不同航帶間使用統一的尺度空間提取,同時將特徵的主方向統一為零度方向,SIFT特徵提取經過簡化可提高提取速度。圖4給出了原始影像和勻色後影像提取特性效果,原始影像由於色彩差異導致提取的特徵點分布不均勻,L1級影像經過勻色後提取的特徵點分布均勻。
圖4 特徵點提取效果對比圖4 特徵點提取效果對比

研究結論

研究在充分分析推掃式數碼航空影像成像特點的基礎上,在L1級影像上開展旁向重疊度的自動化檢查工作。通過改進的LMR模型和均值-方差規定化對影像色調進行處理,使得提取和匹配的特徵點均勻分布。利用L1級影像空間幾何特點,簡化了SIFT特徵點的提取和描述算法,提高了特徵點提取速度;利用L1級影像空間幾何特點,採用空間預測的方式和計算查找表的方法提高特徵匹配的速度;利用相關係數、三角形相似性、匹配點順序一致性、旁向重疊度變化連續性等方法剔除錯誤匹配點,提高了匹配點準確率,使得旁向重疊度的自動化檢查具有高可靠性;對L1級影像“鋸齒”邊界進行統計,採用其有效像素計算旁向重疊度。本文的方法已開發實現,並套用於推掃式數碼航攝成果的質量檢查實際工作中。

相關詞條

熱門詞條

聯絡我們