基于UAV 攝影測量技術的森林資源清查方法研究

潘凱能

（江西省地質局地理信息工程大隊，江西南昌 330001）

0 引言

森林資源是地球上最重要的自然資源之一，對維持生態平衡和保護人類福祉至關重要［1］。自然資源統一確權登記是落實國家關于生態文明建設的重大決策與部署，是踐行習近平生態文明思想的有效舉措。然而傳統的森林資源確權方法往往存在著信息不對稱、操作復雜和易受干擾等問題，使得確權過程缺乏透明性和有效性［2］。隨著無人機（Unmanned Aerial Vehicle，UAV）技術的不斷發展和普及，UAV 攝影測量技術為森林資源管理和確權提供了新的機遇和可能性［3-4］。該技術通過獲取高分辨率遙感圖像，能夠全面、精確地捕捉森林資源的空間分布和特征信息，同時結合地面控制點和圖像處理技術，可以提高數據的準確性和精度［5］。運用無人機傾斜攝影測量方法，通過建立測區的高精度、高分辨率三維模型，可實現在內業對地理要素的數據采集，彌補了傳統測量方式的不足，具有效率高、精度高、成本低等特點。為了對彭澤縣試點地區開展森林自然資源資產的清查試點工作，研究基于UAV 攝影測量技術探究一種森林資源清查方法。結合圖像處理、特征提取以及數據處理技術，來提高森林資源管理的信息化水平、透明度和效率。通過研究方法的分析與驗證，期望為森林資源的管理和確權提供一種創新的解決方案，并為相關研究與實踐提供有價值的借鑒。

1 特征數據提取與匹配方法

1.1 UAV攝影測量數據獲取

UVA 攝影測量是一種以無人飛行器為載體，通過機載攝像機采集圖像，并通過專用軟件對其進行處理，形成相應結果的一種軟、硬件系統［6］。UVA航拍系統是一種集無人機、傳感器、遙感、通信和圖像信息處理為一體的新型航空攝影系統［7］。在常規測繪中，UVA 攝影測量的基本程序如圖1 所示。

圖1 UVA 航攝系統工作的數據獲取流程圖

由圖1 可知，數據采集流程的首要任務是勘察測區現場，在制定航路之前，要對測區進行實地勘察，對測區的坡度、坡向、地形等進行核查，確定測區上方無障礙。工作結束后需將航攝圖像與地面終端數據分別導出，檢查每一張影像片的清晰度、重疊度、控制區、航位角、航高差，以及在對應影像片上設置的控制點是否可見。若數據合格，則將所得數據導出；若不合格，需要安排重新測量。

1.2 基于特征提取的UAV攝影測量圖像匹配研究

常規的UVA 測繪系統的圖像匹配流程為：先引入實地獲取的高分辨率、高重疊度的航拍照片、POS、控制點的坐標等結果，再通過專用的后處理軟件對其進行處理。UVA 航拍獲得的影像處理流程如圖2 所示。

圖2 UVA 航攝影像處理流程

由圖2 可知：首先對獲得的數據進行影像匹配，以高重疊度圖像為研究對象，基于其中的多重交疊，獲取海量圖像特征點，并通過特征點查找、特征點匹配及剔除錯誤匹配等方法，實現圖像之間的精準查找。3D 重構包含影像匹配等，常用算法有加速分段試驗（Features from Accelerated Segment Test，FAST）算法、加快穩健功能（Speed-Up Robust Features，SURF）算法、尺度不變特征轉換（Scaleinvariant feature transform，FIST）算法、KAZE 4 種，FAST 算法是一種快速特征提取算法，其根據待檢測圖像中某像素點與周圍領域內足夠多的像素點處于不同狀態來判斷該像素點是否為特征點。SURF 算法采用Hessian 矩陣行列式近似值圖像來代替SIFT 算法的DoG 圖像，通過計算不同尺度上的積分圖像上的Harr 小波近似值，提高了尺度空間的特征檢測效率。SIFT 算法具有很好的穩定性和魯棒性，對亮度、尺度、旋轉等變換保持不變。KAZE 算法可以減少圖像邊緣在尺度變化過程中的信息損失，同時避免圖像細節信息的丟失。加速KAZE（Accelerated-KAZE，A-KAZE）是對KZAE 的加速改進，研究基于可見光波段差異植被指數（Difference Vegetation Index in Visible light band，VDVI）對A-KAZE 算法進行改進，保留了A-KAZE中原有的圖像處理方法，將圖像的灰度轉換為VDVI 數據，從本質上解決了森林航空攝影圖像中存在的匹配錯誤問題。目前，基于UVA 航拍影像的森林資源清查工作中，由于低空UVA 航拍圖像幅面較大，數據降采樣時需將原始圖像分割成幾十個量級，嚴重影響匹配速度。因此研究提出基于定位定向系統（Positioning and Orientation System，POS）約束的UVA 森林資源攝影測量分區匹配策略。圖像匹配的技術路線如圖3 所示。

圖3 圖像匹配的技術路線

由圖3 可知：將無人機中得到的POS 數據1 和POS 數據2 進行轉換，采用單應矩陣進行約束，隨后對應子區搜索匹配優化。無人駕駛飛行測量系統可以根據用戶需求進行飛行路徑規劃，獲取的圖像分辨率更高。

2 UAV 攝影測量技術數據處理及其在森林資源清查中的應用

2.1 UAV攝影測量技術在特征提取與匹配中的對比分析

為了對比不同特征提取算法對特征點的提取效果，研究在彭澤縣，應用FAST、SURF、FIST、KAZE 4 種不同的特征提取技術，對無人機拍攝的同一地區針葉林與闊葉林進行航空攝影圖像的比較分析，實驗結果如圖4 所示。

圖4 不同特征提取算法的提取數對比圖

由圖4 可知：在非線性尺度空間中，KAZE 特征提取的圖像具有較高的匹配率，約為9%。在各種特征提取方法中，闊葉林在提取特征數目和匹配度上優于針葉林，這是由于闊葉林圖像紋理更為豐富。在特征匹配速度方面，FAST 的特征提取算法是最快的，但是它的配合度很低。綜上所述，在選擇相同特征算法時，在闊葉林中的特征點提取數大于針葉林。特征抽取算法中，特征抽取的數目越多，對應的匹配率就越高。4 種特征匹配算法中，匹配率最高的為KAZE 算法，研究選擇利用VDVI 對KAZE 算法進行改進，將改進后的特征提取算法VDVI-A-KAZE、A-KAZE 和Color-A-KAZE 進行匹配準確率對比，Color-A-KAZE 使用顏色濾波器來擴展KES 濾波器，從而在顏色空間中檢測和提取特征，可以更準確地匹配具有相似強度但不同顏色的特征。實驗結果如圖5 所示。

圖5 改進前后的特征提取算法匹配準確率對比

由圖5 可知：VDVI-KAZE、A-KAZE、Color-AKAZE 3 種算法在匹配耗時、平均準確率和平均召回率的對比中，VDVI-A-KAZE 特征匹配方法在匹配時間上耗時較久，但是在平均召回率和平均正確率中的優越性較為顯著，表明VDVI-A-KAZE 特征匹配算法在UAV 森林資源調查航攝影像中，無論是在特征提取上還是在特征描述上，都優于AKAZE、Color-A-KAZE 算法。在針葉林中，VDVIA-KAZE 特征匹配算法的平均匹配耗時最短，其平均準確率也最高，表明其是一種高精度和高效率的特征提取算法，在實際應用中將會具有較好的應用效果。

2.2 無人機森林資源攝影測量技術在影像分區中的實驗分析

江西省九江市彭澤縣全民所有森林資源中總面積為5938.910 8 hm2，蓄積合計為99.8481 hm2。其中林地為5700.3689 hm2、喬木林地5268.0125 hm2、竹林地432.3564 hm2、灌木林地421.7389 hm2、其他林地249.1593 hm2。為了對江西省九江市彭澤縣試點地區開展森林自然資源資產的清查試點工作，并根據UVA 低空航拍圖像對闊葉林與針葉林的匹配效果進行了全面研究，需要收集彭澤縣試點地區的森林資源數據，包括森林分布、樹種類型、面積等信息，旨在通過對該地區的森林資源進行產權界定，確定其權利主體及其職責，從而使自然資源的合理利用與保護得到更好的保障。研究以彭澤縣中喬木區域的闊葉林和針葉林為例，使用同樣的飛行參數與設備，分別航拍獲得1368 張影像照片，采用同樣的處理器與6 種常用的特征算法，進行普通策略和研究提出的策略的對比。分別是ORB、FAST、SURF、SIFT、KAZE、AKAZE 6 種特征算法。其中將每個圖像對的平均時間倒數歸一化，得到匹配速度；匹配率是每個圖像對中的平均匹配成功率與特征抽取的平均值之比；在符合點數小于8 的情況下，該子區發生概率=SUM（8 個不同的子區頻率）/（像素對數×5）。

圖6 （a）中，在兩種策略下，KAZE 與A-KAZE兩種操作方式均比SURF 及SIFT 操作更為有效。綜合圖6（a）、（b）、（c）三圖比較看出，ORB 和FAST雖然具有很好的匹配速度，但是在特征抽取數量和匹配率兩個指標上卻很不理想。從圖6（b）可以看出，FAST 特征提取的特征點數目在兩種策略中都是最多的，但圖6（c）可以看出其匹配率卻是最低的。與通常的方法相比，研究提出的方法在6 個特性操作符上都能得到較好的效果，而且每個特征點的抽取數量都會降低，而匹配率都有了很大的改善，有效地提高了圖像的匹配準確率。圖6（c）中，在特征匹配率上，A-KAZE 和針葉策略的匹配率都是最高的。實驗結果如表1 所示。

圖6 不同特征算法的匹配速度、提取數與匹配率的對比分析

表1 中，與常規算法相比，該算法所設計的6個特征算子，在匹配速度、匹配效率、匹配精度上分別提高了15.21%、0.89%和3.63%。

3 結語

測繪UVA 處理森林確權問題存在數據處理不夠快速、精確的問題，為此，研究結合圖像處理、特征提取以及數據處理技術，來提高森林資源管理的透明度和效率。采用VDVI 對A-KAZE 算法進行改進，在特征提取方面，保留了A-KAZE 中原有的圖像處理方法，不同之處在于將圖像的灰度轉換為VDVI 數據。通過對圖像進行特征點提取，來消除陰影等影響。實驗表明：在收集彭澤縣試點地區的森林資源數據與進行特征匹配時，與常規算法相比，使用分割匹配算法得到的6 個特征算子的匹配速度提升了15.21%、匹配效率提升了0.89%，平均位置分布質量及匹配精度提升了3.63%。但研究中仍存在不足之處，例如與森林資源相關的軟件業務較少，在未來應進行更多的研究。