矿山地质环境监测中航空摄影测量数据的自动处理方法

唐 丽

（重庆建筑工程职业学院，重庆 400072）

近年来，航空摄影成为摄影测量领域的热门发展方向，其获取的测量数据也逐步增多，对我国遥感影像的应用起到了重要作用，更加有效地帮助我国研究开发遥感影像应用的其他领域[1]。目前，矿山地质所能容纳的最大程度被矿山地质环境超越，由此会诱导大规模地质灾害，突发性灾害居多。在矿山地质中，由于地形复杂，过多测量数据不能精确；在矿山地势较平稳时，存在数据冗余[2]。传统测量数据处理方法，计算方法周期长、精度低、费时。根据矿山地质的性质传统数据处理方法不能计算得面面俱到，为此，本文提出了构建环境测量数据自动处理K-D方法，以提高在矿山地质环境监测中航空摄影测量数据处理效率、精度、计算时长[3]。

1 矿山地质环境监测中航空摄影测量数据的自动处理方法

1.1 构建环境测量数据自动处理K-D树

构建环境测量数据自动处理K-D树属于递归过程。我设计的数据自动处理K-D树算法含有两个部分， K-D树的构建和K-D树搜索。K-D树的机制采用事件链为基础，以事件链为机制的特点：当前窗口数据点过期，输出相关字词可以规避计算skyline，通过排列时间顺序的节点构成的列表称为事件。以K-D树进行索引，空间的特定区域，K-D表示每个非叶节点；数据点用每个叶节点表示；LeftChild：存储节点左子树的地址、由位于该节点分割，包括超平面左子空间内所有数据点；RightChild ：存储节点右子树的地址、由位于该节点分割，包括超平面右子空间内所有数据点，左、右均为空。存储节点区域中，列表中的数据点地址根据数据点，进行对应时间排序；当作为叶节点时，在只含一个数据点的情况下，列表中只有一个地址。

利用SWDC-5航空摄影技术获取矿山地质开采正射影像、实景三维成果。矿山航空影像，结合矿山历年开采信息，监测矿山地质环境，构建矿山地质数据[4]。其次建设航测系统，完成数据库，达成设计目标。

由于 K-D树算法在数据维度较低方面，凸显出搜索性能优势，为提高匹配搜索速度，按照“降维”的方式方法，综合无人机遥感影像优势，采用改进 K-D树算法，研究出一种利用特征的匹配搜索模式。综合实验，此方法优点在于划分数据精准，空间范围用节点表示，在数据集过于密集时，对提高匹配搜索效率有很大帮助，数据集、向量维度、搜索速度均成正比[5]。

1.2 设计测量数据自动处理算法

通过测量数据自动处理K-D树进行数据管理，利用 K-D树进行索引校准，设计出测量数据自动处理算法。设数据集，其中，对应的微簇结构表示数据个数（本例就是n）；Mc表示中心点或均值，d代表最后一个非叶节点，即：

Ms表示平方和统计（为防止溢出被开方），即：

Md表示方差统计值，即：

通过以上可知，本文设计的K-D树自动处理算法能够满足对数据紧凑性和可恢复性的要求，主要对庞大的测量数据完成自动处理[6]。

1.3 完成测量数据的自动处理

航空摄影测量数据的自动处理算法是基于距离的聚类算法。摄影测量数据的自动处理算法认为簇(cluster)是由相邻近的对象组成，因此把簇作为目标。此算法抽象为：假定样本为，其中要将样本聚类成k个簇，算法过程如下：

数据初始化，随机选取质心点(clustercentroids)，一般选取k个，u1,u2,...uk，其中

给定任意i(i∈ [ 1,m])根据Map任务计算：得出分类c(i)，设定为任意类别，

算法终止的依据：当质心点稳定，数据不再变化。

构建K-D树算法在数据自动处理中是一种常见的算法。算法还包含很多种类，除上述外，K-D树算法还可以解决：递归关系、神经网络问题等。但个别结构框架并不支持K-D树算法，引入了一些新的问题，例如：静态数据如果无需在迭代任务传递，能够使网络宽带小化；输出中间数据的计算，需要判断迭代收敛等。

搜索阈值选取：生成缩略影像的降采样比为λ，那么范围阈值应满足关系：

实验发现，取 n = 2 获得的结果最佳。即像素外加两个扩展像素对应的实际影像作为搜索半径效果较好。同名像点均在同一搜索区域，有效避免了由于区域过大造成资源浪费。通常实际应用中，不同影像类型选择合适阈值。如图1所示，圆圈即代表像素。

图1 降采样比下影像生成合适阈值

上图中，圆圈即代表像素，通过上述在降采样比下影像生成合适阈值，完成测量数据K-D树自动处理算法，可知航空摄影测量数据的自动处理算法是基于搜索半径距离的聚类算法，以距离作为评价指标：距离越近，两个数据相似度就越大。

2 实验分析

2.1 实验准备数据

为了验证本文K-D树测量数据自动处理算法的有效性，我通过公共数据集 KDD（CUP）99来构建对应的航空摄影数据的构建与测试。KDD99 公共数据集是来自于某实验室收集的监测数据，后来被整理成规范的公共数据集。实验系统配置为: Inter Core2 Duo P8600 2.4Gb 处理器、4 Gb 内存；编程环境为: Microsoft Vis-ual Studio 2012。SIFT 和 SURF 特征提取和描述通过 OpenCV 库函数实现。在上述实验环境中，K-D树的快速搜索性能是否有优势，对K-D树自动处理算法和传统穷尽搜索算法两种算法进行了实验，并对实验结果进行对比分析为验证。

2.2 对比数据处理点云离散度

本实验采用模拟方法。数据生成方式为: 以维度为128维、规模为500 个点为例，建立500×128 大小的二维数组，生成数组元素，再生成一个等维度、规模为M的数据集，代表进行了M次不同的搜索。为减少对结果的影响，实验中M 取10 000。对查询和待匹配数据集进行匹配搜索，得到总匹配时间，再除以查询数据集的规模M，计算出平均单次匹配搜索所用时长。在不同的维度、规模、流速下，获取若干数据集，对两种算法进行以下分析，如图2所示。

图2 两种算法在不同数据集规模下搜索数据时长

在不同数据规模下两种数据处理算法的搜索时间，K-D树处理算法比传统穷尽搜索算法存在较大的性能优势。面对数据集较多匹配时，K-D树对数据的处理速度较快。相同数据集数量下，K-D树算法搜索数据时长较常规算法比较，是常规算法的3倍，并且K-D树算法使对数据的处理更加精确。外界环境在测量中，存在很大影响，K-D树的搜索时长对点云数据也存在相应影响，因此，会导致采集的点云数据有一定不足，表现在数据稍显集中，大部分数据呈现集中性偏离，即主体：点云之外的点。分布的规律一般表现在：零散、不均匀地分布在点云周围。经研究分析发现，用一个分布点做分布图，根据其在空间区域的分布，计算出到相邻最近一点的距离，得出高斯分布，根据高斯分布可知，曲线形状被影响，分析可知其两个影响因素：均值的大小、标准差的变动。由上述得出，离群点是平均距离大于标准范围的点。研究发现滤波的统计，点云数据中任意一点，得到它相邻区域内所有点距离平均值，满足高斯分布的条件。统计分析离散点是否受航空维度影响，在半径滤波后存在不明显波动，数据波动较小；在数据下采样以后，数据波动较大，数据量减少的较迅速。从计算上述算法的时长分析，K-D树算法相对较快且准确，对点云数据的处理效率有很大帮助。

由上述实验可知，我设计的K-D树自动处理算法较传统穷尽搜索算法比，在数据集密集中有着较好的性能表现，呈现出良好适应性和对数据的自动处理能力。

3 结语

本文对测量数据的自动处理算方法进行了研究，设计了构建环境测量数据自动处理K-D树方法，有效的提高了航空摄影测量数据体量大，解决了在矿山地质环境中数据计算周期长、计算精度低等问题。但此测量数据的自动处理算法还存在不足之处，构建K-D树时间相对较长，在矿山地质低维度环境下，搜索效率相对较低，因此，在未来的研究中，应加强该算法在地质低维度环境中构建K-D树的时长，对数据集处理的搜索效率进行提升。