繆盾 王銘浩 徐明玉

摘要：土壤的表面粗糙度是精準農(nóng)業(yè)所需的重要信息，通過序列圖像重建地表三維模型來自動測量任意位置和區(qū)域的土壤粗糙度。對試驗田土壤進行序列圖像采集，由Agisoft PhotoScan軟件對圖像進行處理并得到三維點云數(shù)據(jù)。在Matlab平臺對點云進行表面擬合和全域粗糙度求解。結(jié)果表明，該方法在任意選取的4個方向的二維粗糙度測量值與傳統(tǒng)方法測量值的相對誤差在6%以下。因此，基于序列圖像的土壤表面三維重建及粗糙度測量是一種可行、快速、自動化程度高而成本低的粗糙度測量方法。

關(guān)鍵詞：序列圖像;土壤表面;三維重建;粗糙度;地表三維模型

土壤的表面粗糙度是表征土壤水溫特性和影響土壤性質(zhì)的一個重要參數(shù)，是實現(xiàn)精準農(nóng)業(yè)所需的重要信息[1]。地表的粗糙度和地表徑流有重要關(guān)系，精細平整的土地能節(jié)約灌溉用水，提高肥料利用率，抑制雜草生產(chǎn)，便于進行科學的水肥管理[2]。常用的地表粗糙度測量方式主要有5種：紅外結(jié)構(gòu)光檢測法、激光測距儀法、立體攝影檢測法、探針法、鏈條法[3]。其中，前3種是非接觸測量法，需要人機配合，后期數(shù)據(jù)處理復雜;后2種是傳統(tǒng)的接觸測量法，以人工測量為主，簡單易行，但檢測效率低，同時會破壞土壤表面，只能檢測局部或線性的粗糙度，不能快速檢測全局的粗糙度。

1 土壤表面三維重建

數(shù)字圖像是真實世界的另一種表現(xiàn)手法，通過圖像能夠得到豐富的信息。隨著無人機平臺的快速發(fā)展和廣泛應(yīng)用，采集數(shù)字圖像已經(jīng)完全能夠?qū)崿F(xiàn)自動化。采集具有一定重疊度的序列圖像，通過構(gòu)建二維圖像逆推至原來三維信息的數(shù)學模型，從而進行基于圖像的三維重建，如圖1所示。

1.1 數(shù)學模型構(gòu)建

目標物體表面某點的三維幾何位置與其在圖像中對應(yīng)點之間的關(guān)系由成像的數(shù)學模型決定，數(shù)學模型即為世界坐標系、相機坐標系、圖像坐標系和像素坐標系之間的轉(zhuǎn)換關(guān)系[4-5]。如圖2所示，世界坐標系到相機坐標系經(jīng)過了旋轉(zhuǎn)和平移，形成的虛像落于圖像坐標系中，而相片采用的是像素坐標系，由圖像坐標系轉(zhuǎn)換到像素坐標系須經(jīng)過焦距和像素原點的定位。因此世界坐標系下的任一點成像后在相片的坐標可由公式（1）計算得到。

從公式（1）中可見，從圖像逆向求解點的三維位置時，是缺少深度信息的，這是由于單個普通相機圖像是不具有深度信息的，而通過2張具有50%以上重疊度的相片，根據(jù)對極幾何約束方程，恢復出點的深度信息。對相鄰的2張具有重疊度的相片進行特征點匹配，通過匹配的同名點計算出包含深度信息的基本矩陣[6]，計算公式如下：其中：F為基本矩陣;R為旋轉(zhuǎn)矩陣;Tx、Ty、Tz分別為x、y、z軸向平移量;Mr為右相片同名點的齊次坐標;Ml為左相片同名點的齊次坐標;pr為右片同名像點像素坐標;pl為左片同名像點像素坐標。以此方法能解算序列圖像中每2張相鄰相片的轉(zhuǎn)換參數(shù)，恢復重疊區(qū)域的三維位置。

1.2 Agisoft PhotoScan三維點云重建

Agisoft PhotoScan軟件是一款基于圖像的多視點三維重建軟件，能夠快速通過圖像生成目標區(qū)域的三維點云。通過“對齊照片”命令提取并匹配圖像的特征點，自動求解轉(zhuǎn)換參數(shù)，進行重疊區(qū)域的三維重建，通過內(nèi)插法進行稠密點云重建。然而在圖像采集過程中不可避免會受到空氣或土壤表面懸浮微塵或雜物的影響，在點云重建后產(chǎn)生噪聲點[7]，影響后續(xù)粗糙度量測?？紤]到土壤與噪聲的色值差異較大，在軟件中設(shè)定灰度閾值進行點云過濾。本次測量目標區(qū)域為20 m×20 m的試驗田，圖3為大疆精靈無人機采集的一組圖像在軟件中的重建點云效果。繼而將生成的點云數(shù)據(jù)導出為三維坐標格式（txt）。

2 粗糙度量測及精度分析

在Matlab 2018平臺上讀取并顯示三維點云，利用平臺自帶的surf算法功能將離散點云擬合為表面，在遍歷點云同時提取每個點的高度值計算平均值，得到平均高度面。通過公式（4）、公式（5）自動計算全域粗糙度[8]，并通過Matlab平臺進行三維可視化展示，如圖4所示。

為了評價該方法的可行性和可靠性，采用全站儀無反射觀測方法測量土壤表面線性分布均勻的離散點坐標。本試驗隨機選取了4個方向，并通過4個方向垂直切片獲得地表模型的切片圖，結(jié)果如圖5所示。

切平面與土壤表面的交線構(gòu)成了該位置的土壤表層斷面，將其與全站儀測量值進行對比。如圖6所示，通過圖像創(chuàng)建地表模型得到的斷面形態(tài)與全站儀測量的形態(tài)大致相似，而全站儀均勻測量時，可能會跳過制高點或最低點的測量，導致?lián)p失一些極值信息。而由序列圖像創(chuàng)建的地表基本保留了土壤表面的凸起和凹陷。以全站儀測量值為標準值，計算切面處粗糙度，如表1所示。

試驗結(jié)果（表1）表明，地表模型測量土壤表面粗糙度與全站儀測量的值較為接近，本試驗2種方法的相對誤差在6%以下，因此基于序列圖像三維重建及粗糙度測量是一種可視化的自動測量方法，利用無人機和Matlab處理平臺能夠?qū)崿F(xiàn)大面積遙控測量和數(shù)據(jù)分析自動化及可視化。

3 結(jié)論

基于相機成像原理，逆推圖像坐標系到世界坐標系的轉(zhuǎn)換數(shù)學模型，通過重疊圖像間特征點匹配求解轉(zhuǎn)換數(shù)學模型，從而將圖像重疊區(qū)域的同名點恢復到三維真實空間，得到目標物的三維點云數(shù)據(jù)。利用Matlab平臺將點云進行表面擬合并計算全域的土表粗糙度，通過4個任選方向切片試驗，驗證了該方法測量的二維粗糙度與全站儀測量值的相對誤差在6%以下。該方法相對于傳統(tǒng)方法的優(yōu)越性還體現(xiàn)在能進行自動化的大面積測量，獲得連續(xù)面域粗糙度，為農(nóng)業(yè)服務(wù)提供基礎(chǔ)數(shù)據(jù)。參考文獻：

[1]梁 勇，楊 磊，吳秋蘭，等. 地表粗糙度影響下的GNSS-R土壤濕度反演仿真分析[J]. 武漢大學學報（信息科學版），2018，43（10）：1546-1552.

[2]匿 名. 我國智慧農(nóng)業(yè)發(fā)展規(guī)模前景趨勢分析[J]. 新農(nóng)業(yè)，2019（4）：15.

[3]李曉潔，趙 凱，鄭興明. 基于激光三角法的地表粗糙度測試儀的研制[J]. 農(nóng)業(yè)工程學報，2012，28（8）：116-121.

[4]黃炯榮. 基于無人機序列圖像的多視圖幾何三維重建[D]. 南昌：東華理工大學，2018：18-22.

[5]高天寒，楊子藝. 圖像序列的增量式運動結(jié)構(gòu)恢復[J]. 中國圖象圖形學報，2019，24（11）：1952-1961.

[6]丁 波，石若明. 消費級無人機傾斜攝影測量三維模型精度評價[J]. 北京建筑大學學報，2019，35（4）：37-42.

[7]趙京東，楊鳳華，郭英新. 散亂點云去噪與簡化的統(tǒng)一算法[J]. 計算機應(yīng)用，2017，37（10）：2879-2883.

[8]Xu L，Zheng C L，Wang Z C，et al. A digital camera as an alternative tool for estimating soil salinity and soil surface roughness[J]. Geoderma，2019，341：68-75.韋玉翡，趙建貴，高安琪，等. 溫室環(huán)境參數(shù)模糊專家控制系統(tǒng)的設(shè)計[J]. 江蘇農(nóng)業(yè)科學，2021，49（6）：183-188.