广东省国土资源测绘院 广东广州 510000
摘要：无人机地理信息敏感度的强化对于其远程监控工作及正常飞行控制工作的开展具有非常重要的意义。现阶段无人机应用过程中，无人机的远程控制功能，不仅可以为地面操控人员了解无人机飞行效果提供有利的渠道，而且可以保证无人机飞行过程的顺利进行。本文根据在实际无人机影像地理信息分析的图像配准融合现状，对无人机影像地理信息强化措施进行了简单的分析。
关键词：无人机；影像地理信息；强化
前言：
无人机遥感在实际社会发展中得到了广泛的应用，其遥感技术具有时效性强、安全性高、空间分辨率高的优良特点，在一定程度上提高了影像地理处理效率。但是由于数码相机焦距、无人机飞行高度等因素的限制，无人机在具体单张影像地理信息处理过程中覆盖范围受到了一定的不利影响，而整体研究区域认知缺陷的存在，也极大了增加了无人机影像地理信息处理的难度。因此结合现阶段无人机遥感特征，对其影像地理信息强化措施进行适当分析非常必要。
一、无人机影像地理信息处理现状
1、特征控制点布设难度大
由于无人机影像像幅面积小，导致其单张影像覆盖区域较小。若仍然沿用以往的航空遥感控制点布设方式，即空中三角测量的方式进行无人机影像拼接，会导致整体工作负担极大，甚至出现控制点布设不足的问题。特别是在地质灾害高发区域，整体控制点布设工作难以顺利开展。
2、影像局部分析效率不高
相较于其他飞行设备而言，无人机飞行高度较低且空间分辨率较高，这种情况下其单张相片像幅就会小于常规值。而较小的单张相片像幅并不具备局部有效的区域研究价值，而多幅影像拼接的形式促使整体无人机影像分析效率极低，对整体无人机遥感技术的广泛应用造成了阻碍。
3、影像融合效率不佳
在收到灾情勘测、灾后应急响应任务之后，无人机一般需要在信号接收的第一时间进行灾区勘测工作。这种情况下无人机影像处理分析的及时、准确性就变得非常重要。但是以往空中三角测量的模式需要进行大量控制点的设置，同时需要结合转刺等措施才可以开始无人机影像处理工作，这种图像处理模式就难免会对无人机遥感测量的及时性造成一定的约束。
4、影像处理准确率不高
无人机在实际影像处理过程中所获取的数据准确率不高问题，导致其在获取图像之后并不能直接用于图像拼接或融合。这种情况主要是由于无人机在实际应用中并没有对拍摄相机进行相机检校，未经检校的航摄仪不仅导致无人机实际影像拍摄质量不高，而且会促使相机畸变系数不明确，最终影响影像处理精度。
二、无人机影像地理信息处理强化措施
1、地理信息视频流过频率增加
在无人机影像地理信息处理技术实施过程中，其地理信息检测主要由雷达系统控制。无人机地面操控人员通过对雷达系统运行命令的输入、输出，可以实现检测范围等检测数据的有效调控。在实际地理信息检测过程中，无人机内部数字化地图可以通过在无人机视频监控系统中的应用，对地理信息特征进行初步分析，从而确定相应无人机运行位置，为无人机地面操控人员数字化信息传输数据的分析提供有效的依据[1]。而为了保证无人机地面操控命令的准确性，在实际无人机影像地理信息处理特征优化过程中，就需要对其数字化地图进行适当控制。
期刊文章分类查询,尽在期刊图书馆数字化地图主要是无人机影像地理信息获取及处理的主要指导，通过数字化地图的指导可以为无人机地理位置的确定及地理信息的准确获取提供依据。因此为了最大程度的保障无人机影像地理信息的准确获取，可进行电子地图的安装。电子地图根据具体地形位置对无人机控制范围进行适当调控，从而保证地理信息视频流过频率的有效增加，为相应无人机影像地理信息处理效果的提升打下良好的基础。
2、特征点提取及影像局部配准流程增加
特征点提取可以为无人机影像之间关联度的增加提供有效的依据。在无人机图像拼接环节大多通过影像重叠进行信息匹配，而全部重叠区域的数据配准，无疑会导致整体数据配置工作量大大增加。而特征提取点主要是通过对图像灰度、噪声等特征的分析，确定相应图像配准依据。本文主要基于图像旋转、缩放、平移等过程，对影像尺度变换过程中的特征提取进行了着重分析。由于无人机在影像地理信息获取过程中主要为前进模式，而在这一模式运行过程中整体环境风向的变化会对无人机飞行过程中的姿态造成一定的影响。因此针对这一情况，可采用尺度一定特征变换的算法进行特征提取点计算。为了进一步提高特征提取点计算的效率，可以在以往图像处理器的基础所蕴含，进行CUDA架构的构建，为无人机影像特征点提取高度并行提供有效的依据。为了进一步提高无人机影像地理信息处理效率，在CUDA算法运行中需要对其进行适当优化编制，在实际运行中CUDA架构下的特征提取算法主要有主机端口串行代码、设备端口函数两个环节构成，其中主机端口串行模块主要负责主机端口初始化、程序逻辑控制、主机与设备端数据通信等工作；而设备端函数主要以并行代码的形式，实现整体CUDA程序的快速执行[2]。在具体运行中，CUDA架构将整体线路网络进行了层次化归类，主要有线程模块、局部线程、网格等几种形式，而统一并行代码可以将一个网格内的多个线程进行归类处理，从而提高整体设备运行效率。
在得到影像局部特征点之后，可依照相应特征点进行无人机影像的局部配准，主要为初步特征匹配、误匹配点剔除、外点除去等几个步骤。为了进一步提高影像局部特征匹配的效率，在实际应用过程中可利用斜率约束、极限约束的特征点匹配方式，实现无人机影像地理信息的有效匹配。
3、无人机拼接技术优化
通过对无人机影像地理特征点进行初步提取匹配，可建立基础的无人机地理图像整体变换模型。依据相应地理信息影像局部配准信息，可对地理影像数量与地理图像拼接之间的累及误差情况进行具体分析。而由于地理影像数量与地理图像拼接累积误差成正相关，为了避免地理信息图像过多对最终图像拼接精度的影响，在实际影像拼接过程中可以利用全局配准的形式进行矩阵优化。在全局影像拼接优化过程中，主要是以局部配准特征点为依据，进行相应地理影像图片序列特征模型。在这个基础上，利用L-M算法对全局矩阵进行整体优化误差方程的构建[3]。基于L-M算法的全距优化模式可以实现无人机地理影像的快速自动拼接，且可以摒除以往地理信息摄影大地控制点寻找的形式，有效提高整体无人机拼接效率及精确度。在具体的L-M算法全距优化模块主要利用影像投影中心对全部特征提取点进行全距坐标更新，以便进一步提高全距矩阵精度。需要注意的是，在获得精确匹配同名点之后，应对无人机地理影像序列间特征点对应联系进行适当分析。然后依据相应对应数据，结合最小二乘法原理，对相应地理影像初始数值与最终优化理论进行分析，从而保证无人机影像拼接过程的顺利进行。
总结：
综上所述，特征控制点布设难度大、局部分析效率不高、融合效率不佳等问题的出现，对无人机地理影像信息处理效率造成了不利的影响。因此为了保证无人机地理影像信息的有效应用，在实际无人机地理影像处理环节可采取一定的强化措施。依据无人机地理影像信息处理特征，可在地理信息视频流过频率增加的基础上，对其特征点提取形式、图像拼接模块进行适当优化提升，从而在保证无人机地理影像处理效率的同时，提高其图像处理精度。
参考文献
[1]林松，王小松，李志斌，等. 基于AE-GIS的无人机影像快速提取研究[J]. 测绘与空间地理信息，2017（6）：115-117.
[2]廖凯涛，宋月君，张金生，等. 无人机遥测技术在水土保持生态果园改造监测中的应用[J]. 中国水土保持科学，2017，15（5）：135-141.
[3]王健，李加群，郭立群. 浅析无人机影像工程化处理在测绘保障中的应用[J]. 测绘与空间地理信息，2017（12）：174-176.
论文作者:梁静桦
论文发表刊物:《建筑学研究前沿》2018年第16期
论文发表时间:2018/11/1
标签：无人机论文; 影像论文; 地理信息论文; 特征论文; 地理论文; 过程中论文; 图像论文; 《建筑学研究前沿》2018年第16期论文;