基于线特征的无控制点航空影像几何纠正：方法、实践与精度提升

基于线特征的无控制点航空影像几何纠正：方法、实践与精度提升一、引言1.1研究背景与意义在当今的地理信息科学与遥感领域，航空影像作为获取地球表面信息的重要数据源，发挥着至关重要的作用。无论是在城市规划、土地利用监测、资源勘探，还是在灾害评估等方面，航空影像都提供了丰富且直观的信息。然而，由于航空摄影过程中受到多种因素的影响，如飞机姿态的不稳定、地形的起伏变化、镜头本身的畸变以及大气折射等，获取的航空影像往往存在几何畸变，这极大地影响了影像的定位精度和后续应用的准确性。传统的航空影像几何校正方法通常依赖于大量的地面控制点，通过在影像和实际地面之间建立精确的对应关系，来消除影像中的几何变形。但在实际应用中，获取足够数量且分布均匀的地面控制点并非易事，这不仅需要耗费大量的人力、物力和时间，而且在一些特殊地区，如偏远的山区、沙漠、海洋以及边境地区等，由于地形复杂、交通不便或受政治因素限制，地面控制点的获取甚至变得不可能。因此，研究无控制点的航空影像几何校正方法具有重要的现实意义，它能够有效解决传统方法在控制点获取困难地区的局限性，拓展航空影像的应用范围。线特征作为航空影像中一种重要的特征类型，具有独特的优势和价值。与点特征相比，线特征包含了更多的空间结构信息，能够更好地反映地物的轮廓和形状，并且在影像中具有更高的稳定性和可辨识度。例如，道路、河流、建筑物的边缘等线特征在不同的航空影像中往往具有相对稳定的几何形态和位置关系。利用线特征进行航空影像几何校正，可以充分挖掘影像本身所蕴含的几何信息，避免对地面控制点的依赖，同时提高校正的精度和可靠性。此外，线特征的提取和匹配算法相对成熟，为基于线特征的无控制点航空影像几何校正提供了坚实的技术基础。1.2国内外研究现状在无控制点航空影像几何校正方面，国内外学者进行了大量的研究工作，并取得了一系列的成果。早期的研究主要集中在基于卫星轨道参数和姿态信息的几何校正方法，通过建立严格的成像模型，利用卫星的轨道参数和姿态数据来推算影像中像点与地面点之间的几何关系。例如，一些学者针对线阵推扫式卫星影像，利用卫星高度、卫星俯仰角、卫星速度以及卫星速度分量等轨道参数作为约束条件，建立了基于轨道参数约束的纠正模型，在一定程度上提高了无控制点情况下的几何校正精度。随着计算机视觉和图像处理技术的发展，基于特征匹配的几何校正方法逐渐成为研究的热点。这类方法通过提取影像中的特征点或特征线，在不同影像之间进行特征匹配，从而建立影像之间的几何变换关系。在特征点匹配方面，尺度不变特征变换（SIFT）算法、加速稳健特征（SURF）算法以及定向FAST和旋转BRIEF（ORB）算法等被广泛应用。例如，有研究利用改进的SIFT算法对航空影像进行分块处理和特征匹配，结合随机抽样一致性（RANSAC）算法筛选出正确的匹配点对，实现了无控制点航空影像的几何校正。在基于线特征的几何校正研究中，学者们提出了多种利用线特征进行影像匹配和几何变换模型估计的方法。比如，将线特征与共线方程相结合，或者将线特征与仿射变换严格模型相结合，以提高影像的定位精度。还有一些研究利用深度学习技术，构建卷积神经网络（CNN）等模型，自动学习影像中的几何变换关系，实现无控制点航空影像的几何校正。然而，现有的研究方法仍然存在一些不足之处。一方面，基于特征匹配的方法在复杂场景下，特征提取和匹配的准确性和鲁棒性有待提高，容易受到影像噪声、遮挡、光照变化等因素的影响；另一方面，深度学习方法虽然具有较强的学习能力，但需要大量的训练数据，且模型的可解释性较差，在实际应用中存在一定的局限性。1.3研究目标与内容本研究的目标是提出一种高效、准确的基于线特征的无控制点航空影像几何校正方法，提高航空影像的几何精度，拓展其在控制点获取困难地区的应用。具体研究内容包括以下几个方面：线特征提取算法研究：对比分析现有的线特征提取算法，如Canny边缘检测算法、Hough变换算法等，结合航空影像的特点，对算法进行改进和优化，以提高线特征提取的准确性和完整性，能够更精准地提取出航空影像中道路、河流、建筑物边缘等具有代表性的线特征。线特征匹配算法研究：研究适合无控制点航空影像的线特征匹配算法，解决线特征匹配中的误匹配问题。通过引入几何约束条件和特征描述子的相似性度量，提高匹配的可靠性和精度，确保能够在不同航空影像间准确找到同名线特征。几何校正模型构建：基于提取和匹配的线特征，构建合适的几何校正模型。考虑航空影像的成像特点和几何畸变因素，选择合适的数学模型来描述影像的几何变换关系，如仿射变换模型、投影变换模型等，并利用线特征的匹配结果求解模型参数，实现航空影像的几何校正。实验验证与精度评估：选取不同地区、不同分辨率的航空影像数据进行实验，对提出的基于线特征的无控制点航空影像几何校正方法进行验证和精度评估。通过与传统的几何校正方法以及其他基于特征的校正方法进行对比分析，评估本方法在不同场景下的校正精度、稳定性和可靠性，分析方法的优势和不足，并提出改进措施。1.4研究方法与技术路线本研究采用理论分析、算法改进、实验验证相结合的研究方法。在理论分析方面，深入研究航空影像几何畸变的原理、线特征提取与匹配的相关理论以及几何校正模型的构建原理；在算法改进方面，根据航空影像的特点和实际需求，对现有的线特征提取和匹配算法进行优化和改进；在实验验证方面，利用实际的航空影像数据进行实验，对提出的方法进行验证和评估。技术路线如下：首先，对航空影像进行预处理，包括影像去噪、增强等操作，以提高影像的质量，为后续的线特征提取和匹配奠定基础。然后，采用改进的线特征提取算法从预处理后的航空影像中提取线特征，并通过线特征匹配算法在不同影像间进行同名线特征的匹配。接着，基于匹配的线特征构建几何校正模型，求解模型参数，对航空影像进行几何校正。最后，对校正后的影像进行精度评估，与其他方法进行对比分析，验证方法的有效性和优越性。如果精度不满足要求，则返回对算法和模型进行调整和优化，直到达到满意的校正精度。技术路线流程如图1-1所示：[此处插入技术路线图，展示从影像预处理、线特征提取与匹配、几何校正模型构建到精度评估与优化的完整流程]二、相关理论基础2.1航空影像几何畸变分析航空影像几何畸变是指在航空摄影获取影像的过程中，由于多种因素的影响，导致影像中地物的实际位置、形状和大小与真实情况之间存在差异的现象。这种畸变会严重影响航空影像在地理信息系统（GIS）、地图测绘、城市规划等领域的应用，因此，深入了解几何畸变的产生原因及其对影像的影响至关重要。2.1.1几何畸变产生原因飞机姿态变化：在航空摄影飞行过程中，飞机难以保持绝对平稳的飞行状态，其俯仰、偏航和翻滚等姿态变化不可避免。当飞机发生俯仰时，图像的垂直比例尺会发生改变。例如，飞机抬头时，图像中地面物体的垂直方向看起来会被拉长；飞机低头时，垂直方向则会被压缩。而飞机偏航时，会使图像的水平位置产生偏差，原本在水平方向上呈直线排列的地物，在影像中可能会出现弯曲或错位。飞机的翻滚同样会导致图像产生扭曲，使地物的形状和方向发生改变。这些姿态变化引起的几何畸变是航空影像中较为常见的一种畸变形式。地形起伏：当地形存在高低起伏时，对航空影像的影响显著。在山区等地形复杂的区域，地势的高低差异会导致地物在影像中的投影发生变化。高处的地物在影像中会向外扩张，而低处的地物则会向内收缩，从而造成地物位置和形状的扭曲。此外，地形的遮挡也会使得部分地物在影像中无法完整显示，进一步影响了影像的准确性。比如，山谷中的河流可能会因为两侧山体的遮挡，在影像中出现中断或不连续的情况。镜头畸变：航空摄影所使用的镜头本身存在一定的畸变特性，主要包括径向畸变和切向畸变。径向畸变表现为图像中心的物体相对于边缘的物体，会出现向外或向内的变形。例如，在拍摄圆形物体时，径向畸变可能会使圆形变成椭圆形，且越靠近图像边缘，变形越明显。切向畸变则会使图像产生水平或垂直方向的位移，导致图像中地物的相对位置发生改变，影响对物体位置和形状的准确判断。大气折射：大气的密度并非均匀一致，在不同高度存在差异。当光线穿过大气层时，会受到大气折射的影响，传播路径发生偏折。特别是在低空飞行或大气条件不稳定的情况下，大气折射对图像的影响更为显著。这种折射会使影像中地物的位置发生偏移，导致影像与实际地物位置不符，从而降低了影像的精度。2.1.2几何畸变对影像的影响位置精度降低：几何畸变会导致影像中地物的实际位置与真实地理位置产生偏差，使得基于影像进行的地理信息分析和测量结果出现误差。在进行地图测绘时，如果影像存在几何畸变，根据影像绘制的地图上的地物位置将不准确，这对于地图的使用价值和可靠性产生严重影响。在城市规划中，基于位置精度不准确的影像进行土地利用分析和规划决策，可能导致规划不合理，影响城市的可持续发展。形状表达失真：地形起伏和镜头畸变等因素使影像中地物的形状发生扭曲，无法真实反映地物的实际形状。这对于地物的识别和分类造成困难，降低了影像的解译精度。在识别建筑物时，由于几何畸变导致建筑物的边缘和轮廓变形，可能会误判建筑物的类型和结构。在对河流、道路等线性地物进行提取和分析时，形状失真会影响对其长度、走向等特征的准确获取，进而影响相关的地理分析和应用。信息提取困难：几何畸变严重时，会掩盖影像中的一些重要信息，增加信息提取的难度。在进行土地覆盖分类时，由于影像的几何畸变，不同地物类型之间的边界变得模糊不清，导致分类错误。此外，对于一些微小地物，几何畸变可能使其在影像中难以被识别，从而遗漏重要的地理信息，影响对整个区域地理环境的全面认识和分析。2.2线特征提取原理与方法线特征作为航空影像中重要的特征类型，包含了丰富的空间结构信息，能够有效反映地物的轮廓和形状。准确提取线特征对于航空影像的几何校正、目标识别、地物分类等后续处理和分析具有关键作用。目前，已经发展出多种线特征提取算法，每种算法都有其独特的原理和适用场景。2.2.1常见线特征提取算法Canny边缘检测算法：Canny边缘检测算法是一种经典的边缘检测算法，具有较好的检测性能和鲁棒性。其基本原理基于图像中边缘处灰度值的突变特性。首先，利用二维高斯函数的一阶方向导数作为噪声滤波器，对图像进行平滑处理，以去除图像中的噪声干扰，提高边缘检测的准确性。然后，通过计算滤波后图像梯度的幅值和方向，确定可能的边缘位置。在这一步中，使用梯度算子计算图像在x和y方向的偏导数，进而得到梯度幅值和方向角。接着，对梯度幅值应用非极大值抑制，这是Canny算法的关键步骤之一。其过程是找出图像梯度中的局部极大值点，把其他非局部极大值置零，以得到细化的边缘，避免边缘的过度响应和模糊。最后，采用双阈值算法检测和连接边缘。通过设置高低两个阈值，高阈值用于确定强边缘，低阈值用于连接与强边缘相连的弱边缘，从而得到连续的边缘线。Hough变换：Hough变换是一种常用的直线提取方法，其基本思想是利用点线的对偶性。在图像空间中，共线的点对应在参数空间里相交的线；反之，在参数空间中交与同一个点的所有直线在图像空间里都有贡献的点与之对应。对于直线检测，通常使用直线的极坐标方程\rho=x\cos\theta+y\sin\theta来描述。在具体计算过程中，将参数空间离散化为二维的累加数组，开始时将数组初始化为零。对于图像空间中的每个边缘点，让\theta取遍一定范围内所有可能的值，并根据极坐标方程算出对应的\rho值。然后，根据\theta和\rho的值对累加数组中的对应元素进行累加。累加结束后，通过检测数组中局部峰值点的位置来确定直线的参数\theta和\rho，从而实现直线的提取。Hough变换的主要优点是对直线中的间隙和噪声具有较强的容忍性，能够在存在噪声和不完整边缘的情况下有效地提取直线。2.2.2算法对比与选择不同的线特征提取算法在精度、效率、适应性等方面存在差异，因此在实际应用中需要根据具体需求和影像特点选择合适的算法。精度方面：Canny算法在边缘定位上相对较为准确，能够检测出较为连续和精确的边缘，对于一些对边缘精度要求较高的应用，如建筑物轮廓提取、道路边缘检测等，Canny算法具有优势。然而，在复杂的航空影像场景中，由于存在大量的噪声和纹理干扰，Canny算法可能会产生一些误检和漏检。Hough变换在检测直线时，对于直线的完整性和准确性有较好的保证，能够从复杂的背景中提取出直线特征，但对于曲线等非直线特征的提取能力较弱。效率方面：Canny算法的计算过程相对复杂，涉及到高斯滤波、梯度计算、非极大值抑制和双阈值处理等多个步骤，因此计算效率相对较低，在处理大规模航空影像数据时，可能会耗费较长的时间。Hough变换需要对参数空间进行离散化和累加计算，计算量也较大，特别是在参数空间范围较大时，计算效率会受到影响。但Hough变换可以通过一些优化策略，如自适应参数空间划分、提前终止条件等，来提高计算效率。适应性方面：Canny算法对噪声较为敏感，在噪声较大的航空影像中，其检测效果会受到明显影响，需要在预处理阶段进行有效的去噪处理。而Hough变换对噪声和边缘间断具有一定的鲁棒性，但对于复杂形状的地物特征，其适应性较差。在实际应用中，如果航空影像的噪声较小，且主要关注直线特征的提取，Hough变换可能是一个较好的选择；如果对边缘的细节和精度要求较高，且能够对影像进行有效的去噪处理，Canny算法更适合。此外，还可以将多种算法结合使用，充分发挥各自的优势，以提高线特征提取的效果。2.3几何纠正基本原理航空影像几何纠正是消除影像中几何畸变，使其能够准确反映地物实际位置和形状的关键过程。几何纠正的基本原理是通过建立合适的数学模型，描述影像中像点与地面真实点之间的几何关系，并根据已知的控制点或影像自身的特征，求解模型参数，从而实现对影像的几何变换和校正。2.3.1基于模型的几何纠正方法多项式纠正模型：多项式纠正模型是一种常用的几何纠正方法，其基本思想是回避成像的空间几何过程，直接对图像变形本身进行数字模拟。该模型认为遥感图像的整体变形可以看作是平移、缩放、旋转、仿射、偏扭、弯曲以及更高次的基本变形的综合作用结果，因而纠正前后图像相应点之间的坐标关系可用一个适当的多项式来表达。一般采用的多项式形式为：x=\sum_{i=0}^{n}\sum_{j=0}^{n-i}a_{ij}x_{0}^{i}y_{0}^{j}y=\sum_{i=0}^{n}\sum_{j=0}^{n-i}b_{ij}x_{0}^{i}y_{0}^{j}其中，(x,y)是纠正后图像中的坐标，(x_0,y_0)是原始图像中的坐标，a_{ij}和b_{ij}是多项式系数，n是多项式的次数。多项式纠正模型对各种类型传感器的影像纠正都具有普遍性，计算相对简单，特别是在地面相对平坦的情况下，能够达到较高的纠正精度，因此在实际工作中应用广泛。然而，高阶多项式可能会导致图像产生不必要的变形，在使用时需要根据实际情况选择合适的多项式次数。共线方程模型：共线方程模型建立在图像坐标与地面坐标严格变换关系的基础之上，是对成像空间几何形态的直接描述。该模型基于中心投影的原理，认为在摄影瞬间，像点、投影中心和地面点位于同一条直线上。共线方程的一般形式为：\begin{cases}x-x_0=-f\frac{a_1(X-X_S)+b_1(Y-Y_S)+c_1(Z-Z_S)}{a_3(X-X_S)+b_3(Y-Y_S)+c_3(Z-Z_S)}\\y-y_0=-f\frac{a_2(X-X_S)+b_2(Y-Y_S)+c_2(Z-Z_S)}{a_3(X-X_S)+b_3(Y-Y_S)+c_3(Z-Z_S)}\end{cases}其中，(x,y)是像点坐标，(x_0,y_0)是像主点坐标，f是相机焦距，(X,Y,Z)是地面点的空间直角坐标，(X_S,Y_S,Z_S)是投影中心的空间直角坐标，a_i、b_i、c_i是旋转矩阵的元素。共线方程模型在纠正过程中引入了地面高程的信息，因此在地形起伏较大的情况下，相比多项式纠正模型，能够更好地体现纠正精度上的优越性。但该模型需要已知相应地区的数字高程模型（DEM）数据，以及准确的相机参数和外方位元素，数据获取和处理的难度相对较大。2.3.2无控制点几何纠正的难点与挑战在无控制点的情况下进行航空影像几何纠正，面临着诸多难点和挑战。确定变换参数困难：传统的几何纠正方法通常依赖于地面控制点来求解变换模型的参数，而在无控制点时，无法直接利用地面控制点建立像点与地面点之间的对应关系，从而难以准确确定几何变换模型中的参数。这需要从影像本身的特征，如线特征、角点特征等出发，通过特征匹配和几何约束条件来间接估计变换参数，但这种方法的准确性和可靠性相对较低，容易受到特征提取和匹配误差的影响。保证精度的挑战：无控制点几何纠正缺乏精确的地面参考信息，难以对纠正结果进行有效的精度评估和控制。在利用影像自身特征进行纠正时，由于特征提取和匹配过程中存在误差，以及影像本身的噪声和几何畸变等因素的影响，很难保证纠正后的影像精度满足实际应用的要求。特别是在对位置精度要求较高的应用中，如地图测绘、地理信息系统更新等，如何在无控制点的情况下提高几何纠正的精度是一个亟待解决的问题。复杂场景适应性差：航空影像所覆盖的场景复杂多样，包括城市、山区、水域等不同地形和地物类型。在无控制点几何纠正中，对于复杂场景的适应性较差，不同场景下的地物特征和几何畸变规律存在差异，单一的纠正方法难以兼顾各种场景的特点，导致在某些复杂场景下的纠正效果不理想。例如，在山区，地形起伏较大，传统的基于平面假设的几何纠正方法无法准确处理地形引起的几何畸变，而在城市地区，建筑物密集，容易出现遮挡和特征相似性问题，增加了特征提取和匹配的难度，影响几何纠正的精度。三、基于线特征的无控制点航空影像几何纠正方法3.1线特征提取与匹配3.1.1线特征提取流程优化在航空影像线特征提取中，Canny边缘检测算法和Hough变换算法是常用的方法，但它们在实际应用中存在一定的局限性。以某城市区域的航空影像为例，原始的Canny算法在提取建筑物边缘和道路边缘时，由于影像中存在噪声以及复杂的地物纹理，导致提取的边缘出现较多的间断和误检。例如，在建筑物密集区域，一些细小的噪声边缘被误检测为有效边缘，而部分真实的建筑物边缘却因噪声干扰而出现断裂，影响了后续的线特征分析和几何校正。为了提高线特征提取的完整性和准确性，对提取流程进行了如下优化：在Canny算法的预处理阶段，采用自适应中值滤波代替传统的高斯滤波。自适应中值滤波能够根据图像局部区域的特征动态调整滤波窗口大小，更好地去除椒盐噪声等脉冲噪声，同时保留图像的边缘细节。对于噪声较为复杂的区域，通过分析图像的局部方差来确定滤波窗口的大小。在一个方差较大的区域，说明该区域的像素值变化较为剧烈，可能存在较多的边缘信息，此时适当增大滤波窗口，以在去除噪声的同时尽可能保留边缘；而在方差较小的平滑区域，则减小滤波窗口，避免对图像的过度平滑。在非极大值抑制步骤中，改进了梯度幅值的计算方法。传统的Canny算法使用一阶差分计算梯度幅值，在复杂的航空影像场景中，这种方法容易受到噪声和局部干扰的影响。采用二阶导数的高斯滤波器（LOG）来计算梯度幅值，该滤波器对边缘的响应更为准确，能够更好地区分真实边缘和噪声边缘。具体来说，LOG滤波器通过对高斯函数进行二阶求导得到，它在图像中能够检测到灰度值变化最为剧烈的位置，即真正的边缘位置。在计算梯度幅值时，利用LOG滤波器对图像进行卷积运算，得到的结果能够更准确地反映边缘的强度，从而在非极大值抑制过程中，能够更有效地保留真实的边缘像素，减少误检。在Hough变换阶段，针对传统Hough变换计算量大、效率低的问题，引入了概率Hough变换（PHT）。PHT通过随机选取图像中的边缘点来计算直线参数，而不是对所有的边缘点进行遍历计算，从而大大减少了计算量，提高了直线提取的效率。在处理一幅包含大量道路和建筑物边缘的航空影像时，传统Hough变换需要对数千个边缘点进行参数计算，耗时较长；而采用PHT后，随机选取部分边缘点进行计算，在保证提取精度的前提下，计算时间大幅缩短。此外，为了提高PHT对短直线的检测能力，对其参数进行了优化。通过调整累加器的分辨率和阈值，使得PHT能够更有效地检测到长度较短的直线特征，如建筑物的一些局部边缘线段。3.1.2线特征匹配策略线特征匹配是基于线特征的无控制点航空影像几何纠正中的关键环节，其匹配的准确性直接影响到后续几何校正的精度。为了减少误匹配，采用了基于特征描述子和几何约束相结合的匹配策略。基于特征描述子的匹配是通过对提取的线特征进行特征描述，然后根据特征描述子之间的相似性来寻找匹配的线特征。在本研究中，采用了方向梯度直方图（HOG）描述子来对线特征进行描述。HOG描述子通过计算图像局部区域内的梯度方向直方图来提取特征，能够较好地反映线特征的方向和形状信息。在计算HOG描述子时，将线特征所在的局部区域划分为多个小单元格，对每个单元格内的像素计算梯度方向，并统计梯度方向的直方图。这些直方图构成了HOG描述子，用于表征线特征的局部特征。在两幅航空影像的线特征匹配中，计算每个线特征的HOG描述子，然后使用欧氏距离作为相似性度量，寻找HOG描述子距离最小的线特征对作为潜在的匹配对。为了进一步提高匹配的准确性，引入了几何约束条件。常用的几何约束条件包括共线约束、平行约束和角度约束等。共线约束是指在两幅影像中，匹配的线特征应该大致在同一条直线上。在实际匹配过程中，对于每一对潜在的匹配线特征，通过计算它们在两幅影像中的投影方向和位置关系，判断它们是否满足共线约束。如果两条线特征在两幅影像中的投影方向相差较大，或者它们之间的距离超出了一定的阈值，则认为它们不满足共线约束，将其排除。平行约束是指在两幅影像中，具有平行关系的线特征应该在匹配后仍然保持平行。在城市区域的航空影像中，道路和建筑物的边缘往往存在大量的平行关系。利用这一特点，在匹配过程中，对于每一对潜在的匹配线特征，计算它们的方向向量，判断它们的方向是否接近平行。如果两条线特征的方向向量夹角小于一定的阈值，则认为它们满足平行约束，进一步验证它们是否为正确的匹配对。角度约束则是根据线特征之间的夹角关系来进行约束。在实际场景中，一些线特征之间的夹角具有一定的稳定性，如建筑物的墙角处，两条边缘线的夹角通常为直角或接近直角。在匹配过程中，对于一些具有明显夹角关系的线特征，计算它们在两幅影像中的夹角，并与已知的夹角范围进行比较。如果夹角在合理范围内，则认为它们满足角度约束，增加它们作为正确匹配对的可信度。通过综合运用这些几何约束条件，能够有效地去除误匹配，提高线特征匹配的准确性。3.2几何模型构建3.2.1构建适合线特征的几何模型在基于线特征的无控制点航空影像几何纠正中，选择合适的几何模型是实现准确校正的关键。考虑到线特征包含了丰富的空间结构信息，且航空影像的几何畸变主要表现为平移、旋转、缩放和仿射变换等，因此采用仿射变换模型来构建几何校正模型。仿射变换模型能够描述二维平面上的平移、旋转、缩放和剪切等线性变换，其数学表达式为：\begin{pmatrix}x'\\y'\end{pmatrix}=\begin{pmatrix}a_{11}&a_{12}&t_x\\a_{21}&a_{22}&t_y\end{pmatrix}\begin{pmatrix}x\\y\\1\end{pmatrix}其中，(x,y)是原始影像中的坐标，(x',y')是校正后影像中的坐标，a_{11},a_{12},a_{21},a_{22}是描述旋转、缩放和剪切的参数，t_x,t_y是描述平移的参数。该模型能够较好地适应航空影像中由于飞机姿态变化、地形起伏等因素引起的几何畸变。飞机的俯仰和翻滚会导致影像产生旋转和缩放变化，仿射变换模型中的旋转和缩放参数能够有效地描述这些变化；而地形起伏引起的局部变形可以通过仿射变换中的剪切参数来近似模拟。与其他简单的几何变换模型，如刚性变换模型（只包含平移和旋转）相比，仿射变换模型具有更强的表达能力，能够更准确地描述航空影像的几何畸变；与复杂的投影变换模型相比，仿射变换模型计算相对简单，在满足一定校正精度的前提下，能够提高计算效率，更适合在无控制点的情况下进行几何校正。为了充分利用线特征信息，将提取和匹配的线特征作为约束条件融入到仿射变换模型中。每一对匹配的线特征在原始影像和校正后影像中应该满足一定的几何关系，即它们的长度、方向和相对位置关系在变换前后应该保持一致。利用这些几何关系，可以建立关于仿射变换模型参数的方程组，通过求解方程组得到模型的参数，从而实现对航空影像的几何校正。3.2.2模型参数解算利用匹配的线特征解算仿射变换模型参数的过程如下：首先，根据匹配的线特征对，建立关于仿射变换模型参数的方程组。对于每一对匹配的线特征，设原始影像中的线特征由两个端点(x_1,y_1)和(x_2,y_2)确定，校正后影像中的对应线特征由端点(x_1',y_1')和(x_2',y_2')确定。根据仿射变换模型，有：\begin{cases}x_1'=a_{11}x_1+a_{12}y_1+t_x\\y_1'=a_{21}x_1+a_{22}y_1+t_y\\x_2'=a_{11}x_2+a_{12}y_2+t_x\\y_2'=a_{21}x_2+a_{22}y_2+t_y\end{cases}将上述方程进行整理，可以得到关于仿射变换模型参数a_{11},a_{12},a_{21},a_{22},t_x,t_y的线性方程组。由于每一对匹配的线特征都可以提供一组方程，因此当有足够数量的匹配线特征对时，可以通过最小二乘法求解这个超定方程组，得到模型参数的最优解。在实际计算中，为了提高求解的稳定性和精度，对匹配的线特征进行筛选和加权处理。筛选出长度较长、方向较为稳定的线特征对，因为这些线特征对包含的信息更丰富，对模型参数的约束更强。对于不同的线特征对，根据其可靠性和重要性赋予不同的权重。可靠性较高的线特征对，如位于平坦区域、特征明显且匹配精度高的线特征对，赋予较大的权重；而可靠性较低的线特征对，如位于复杂地形区域、存在噪声干扰或匹配不确定性较大的线特征对，赋予较小的权重。在最小二乘法求解过程中，考虑线特征对的权重，使模型参数的解更偏向于可靠性高的线特征对，从而提高解算结果的准确性。通过上述方法解算出仿射变换模型的参数后，将其应用于原始航空影像的每个像素点，即可实现对航空影像的几何校正。将原始影像中每个像素点的坐标(x,y)代入仿射变换模型，计算得到校正后影像中对应的像素点坐标(x',y')，从而完成航空影像的几何校正过程。3.3精度评估指标与方法3.3.1常用精度评估指标均方根误差（RMSE）：均方根误差是衡量预测值与真实值之间偏差程度的常用指标，在航空影像几何校正精度评估中，用于评估校正后影像中像点坐标与真实地面点坐标之间的误差。其计算公式为：RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(x_{i}^{true}-x_{i}^{pred})^2+(y_{i}^{true}-y_{i}^{pred})^2}其中，n为参与评估的像点数量，(x_{i}^{true},y_{i}^{true})是第i个像点的真实地面坐标，(x_{i}^{pred},y_{i}^{pred})是校正后影像中第i个像点的预测坐标。RMSE考虑了每个像点的误差平方和，对较大的误差更加敏感，能够全面反映校正后影像的整体精度水平。RMSE的值越小，说明校正后影像的像点坐标与真实地面点坐标越接近，几何校正的精度越高。在对某一地区的航空影像进行几何校正后，通过选取多个已知地面控制点的坐标作为真实值，计算得到RMSE为5个像素单位，表明该校正方法在该地区的整体精度较好，但仍存在一定的误差。平均绝对误差（MAE）：平均绝对误差是预测值与真实值之间绝对误差的平均值，其计算公式为：MAE=\frac{1}{n}\sum_{i=1}^{n}|x_{i}^{true}-x_{i}^{pred}|+|y_{i}^{true}-y_{i}^{pred}|MAE直接反映了预测误差的平均大小，与RMSE相比，MAE对异常值的敏感性较低，因为它没有对误差进行平方运算。在航空影像几何校正精度评估中，MAE能够直观地表示校正后影像中像点坐标与真实地面点坐标之间的平均偏差程度。MAE的值越小，说明校正后的影像精度越高。如果某校正方法得到的MAE为3个像素单位，意味着该校正方法在平均意义上，像点坐标与真实值的偏差较小。最大误差（MaxError）：最大误差是指校正后影像中像点坐标与真实地面点坐标之间的最大偏差值，它反映了校正结果中误差最大的情况。在评估几何校正精度时，最大误差能够揭示校正方法在某些特殊区域或像点上可能出现的较大偏差，对于一些对精度要求严格的应用场景，如高精度地图制作、建筑物精确测量等，最大误差是一个重要的参考指标。如果在某一区域的航空影像校正中，最大误差达到了10个像素单位，虽然整体的RMSE和MAE可能在可接受范围内，但这个较大的最大误差可能会对该区域的某些应用产生较大影响，需要进一步分析和改进校正方法。3.3.2精度验证方法利用已知地物验证：在航空影像覆盖的区域内，选取一些已知精确坐标的地物，如道路交叉点、建筑物角点等作为验证点。这些地物在影像中具有明显的特征，易于识别和定位。首先，在校正后的影像中准确识别出这些已知地物的位置，获取其像点坐标；然后，将这些像点坐标与已知的真实地面坐标进行对比，计算出RMSE、MAE和最大误差等精度评估指标，从而验证几何校正的精度。在城市区域的航空影像校正中，选取了多个道路交叉点作为验证点，通过实地测量或从高精度地图中获取其真实坐标，将校正后影像中对应道路交叉点的像点坐标与之对比，计算得到各项精度指标，以此来评估该校正方法在城市区域的精度表现。利用模拟数据验证：通过建立模拟的航空影像场景，生成具有已知几何变换关系的模拟影像数据。在模拟过程中，人为设定影像的几何畸变参数，如平移、旋转、缩放和仿射变换等参数，然后利用基于线特征的无控制点几何校正方法对模拟影像进行校正。将校正后的结果与预先设定的真实几何变换关系进行对比，计算精度评估指标，从而验证校正方法的准确性和可靠性。通过模拟不同地形、不同畸变程度的航空影像，能够全面测试校正方法在各种情况下的性能。可以模拟山区地形的航空影像，设置较大的地形起伏引起的几何畸变参数，观察校正方法对复杂地形影像的校正效果；也可以模拟不同飞行姿态下的航空影像，设置不同的平移、旋转参数，测试校正方法对不同飞行条件影像的适应性。四、实验与结果分析4.1实验数据与环境4.1.1实验数据选取本实验选取了两组具有代表性的航空影像数据，旨在全面验证基于线特征的无控制点航空影像几何纠正方法的有效性和适用性。第一组数据来源于某城市区域的航空摄影测量项目，该区域地形较为平坦，包含了丰富的城市地物，如建筑物、道路、公园等。影像分辨率为0.2米，拍摄时间为2023年5月，成像时天气晴朗，光照条件良好，影像质量较高，能够清晰地展现各种地物的细节特征。这些高分辨率影像对于城市规划、土地利用监测等应用具有重要价值，通过对其进行几何纠正，可以为后续的地理信息分析提供更准确的数据基础。第二组数据则来自山区的航空调查，该区域地形起伏较大，山峦重叠，峡谷幽深。影像分辨率为0.5米，拍摄时间为2023年8月。山区的复杂地形为几何纠正带来了更大的挑战，由于地形起伏导致的投影差，使得影像中的地物发生了明显的几何畸变。同时，山区的植被覆盖也较为茂密，部分地物可能被遮挡，这增加了线特征提取和匹配的难度。选择这组数据进行实验，能够检验本方法在复杂地形条件下的性能，评估其对不同地形地貌的适应性。两组数据的覆盖范围均达到了一定规模，确保了实验结果的可靠性和普遍性。在数据处理过程中，对原始影像进行了必要的预处理，包括辐射校正、大气校正等，以消除因传感器特性和大气传输等因素导致的影像质量问题，为后续的线特征提取和几何纠正提供高质量的数据。4.1.2实验环境搭建实验硬件平台选用了一台高性能工作站，其配备了IntelCorei9-13900K处理器，拥有24个核心和32个线程，能够提供强大的计算能力，确保在处理大规模航空影像数据时，线特征提取、匹配以及几何校正等复杂运算能够高效运行。工作站还搭载了NVIDIAGeForceRTX4090独立显卡，其具备24GBGDDR6X显存，在处理涉及大量图像数据的计算任务时，如基于深度学习的影像增强和线特征提取算法加速，能够显著提高运算速度，减少处理时间。此外，工作站配备了64GBDDR5内存，可快速读取和存储大量数据，避免因内存不足导致的数据处理中断或效率降低。同时，使用了1TB的M.2NVMeSSD固态硬盘作为系统盘，数据盘则为4TB的SATA3.0机械硬盘，这种存储配置既保证了系统的快速启动和软件的高效运行，又提供了充足的存储空间来存放实验所需的大量航空影像数据以及中间处理结果和最终实验成果。软件平台方面，操作系统采用了Windows11专业版，其稳定的性能和良好的兼容性为各类实验软件提供了可靠的运行环境。在开发环境中，选择了Python3.10作为主要的编程语言，Python拥有丰富的科学计算和图像处理库，如NumPy、SciPy、OpenCV和Scikit-Image等，这些库为实现线特征提取、匹配算法以及几何校正模型提供了便捷的工具和高效的算法实现。其中，OpenCV库在计算机视觉领域应用广泛，提供了大量成熟的图像处理和计算机视觉算法，包括经典的Canny边缘检测算法、Hough变换算法等，可用于线特征的提取和处理；Scikit-Image库则专注于图像的处理和分析，提供了丰富的图像滤波、形态学操作等函数，有助于提高影像的质量和特征提取的准确性。此外，还使用了PyTorch深度学习框架，为后续可能涉及的基于深度学习的影像处理和分析任务提供支持。在数据可视化方面，选用了Matplotlib和Seaborn库，它们能够将实验结果以直观的图表形式展示出来，方便对实验结果进行分析和比较。通过合理搭建这样的硬件和软件环境，为基于线特征的无控制点航空影像几何纠正实验提供了坚实的基础，确保实验能够顺利、高效地进行。4.2实验步骤与过程4.2.1线特征提取与匹配实验对于城市区域的航空影像，首先采用优化后的Canny边缘检测算法进行线特征提取。在预处理阶段，利用自适应中值滤波对影像进行去噪处理。通过计算影像局部区域的像素值变化情况，动态调整滤波窗口大小。在建筑物密集且纹理复杂的区域，将滤波窗口设置为7×7，有效去除了椒盐噪声等干扰，同时保留了建筑物边缘等重要细节信息。在计算梯度幅值时，使用二阶导数的高斯滤波器（LOG）代替传统的一阶差分。经过LOG滤波处理后，影像中边缘处的梯度幅值更加突出，在非极大值抑制步骤中，能够更准确地识别和保留真正的边缘像素。例如，在提取城市道路边缘时，传统Canny算法提取的边缘存在较多间断和毛刺，而优化后的算法提取的道路边缘更加连续和平滑，能够清晰地描绘出道路的走向和轮廓。在Hough变换阶段，采用概率Hough变换（PHT）来检测直线。通过随机选取部分边缘点进行直线参数计算，大大提高了计算效率。在处理一幅包含大量道路和建筑物边缘的城市航空影像时，传统Hough变换需要对数千个边缘点进行参数计算，耗时约2分钟；而采用PHT后，随机选取500个边缘点进行计算，在保证提取精度的前提下，计算时间缩短至30秒以内。通过调整累加器的分辨率和阈值，PHT能够更有效地检测到短直线特征，如建筑物的局部边缘线段。线特征匹配采用基于HOG描述子和几何约束相结合的策略。计算城市航空影像中提取的线特征的HOG描述子，将每个线特征所在的局部区域划分为8×8的小单元格，对每个单元格内的像素计算梯度方向，并统计9个方向的梯度直方图，构成HOG描述子。然后使用欧氏距离作为相似性度量，寻找HOG描述子距离最小的线特征对作为潜在的匹配对。在匹配过程中，引入共线约束、平行约束和角度约束等几何约束条件。对于共线约束，计算潜在匹配线特征在两幅影像中的投影方向和位置关系，判断它们是否大致在同一条直线上。对于平行约束，计算线特征的方向向量，判断其方向是否接近平行。在城市区域，许多建筑物的边缘和道路具有平行关系，利用这一约束条件能够有效去除误匹配。对于角度约束，在建筑物墙角等具有明显夹角关系的区域，计算线特征在两幅影像中的夹角，并与已知的夹角范围进行比较，进一步提高匹配的准确性。经过几何约束筛选后，匹配的准确率从基于HOG描述子匹配时的70%提高到了90%以上。对于山区航空影像，由于地形复杂和植被遮挡等因素，线特征提取和匹配面临更大挑战。在Canny边缘检测算法的预处理阶段，针对山区影像噪声类型复杂的特点，进一步优化自适应中值滤波的参数调整策略。根据影像的局部方差和梯度信息，动态调整滤波窗口大小和滤波强度。在植被茂密且噪声较大的区域，适当增大滤波窗口至9×9，并增强滤波强度，有效去除了噪声干扰，同时尽可能保留了微弱的地物边缘信息。在非极大值抑制步骤中，结合山区影像的特点，对梯度方向的判断进行了优化，采用更灵活的梯度方向量化方法，能够更好地适应山区复杂地形导致的边缘方向变化，提高了边缘提取的准确性。在Hough变换阶段，针对山区影像中直线特征受地形影响变形较大的问题，对PHT的参数进行了针对性调整。增大了累加器的分辨率，以更精确地捕捉直线参数的变化；同时降低了阈值，使得PHT能够检测到更多受地形影响而发生变形的直线特征。在处理山区航空影像时，通过这些参数调整，PHT能够有效提取出受地形起伏影响的道路、河流等线性地物的边缘特征，尽管这些特征可能存在一定程度的弯曲和变形。在山区影像的线特征匹配中，基于HOG描述子和几何约束相结合的策略同样发挥了重要作用。由于山区地物的复杂性，在计算HOG描述子时，对局部区域的划分进行了优化。根据山区地物的分布特点，采用了不规则的局部区域划分方法，对于形状复杂的地物，如蜿蜒的河流和曲折的山路，将局部区域划分为适应其形状的不规则形状，以更好地捕捉地物的特征信息。在几何约束条件的应用中，针对山区地形起伏导致的线特征空间位置变化较大的问题，对共线约束、平行约束和角度约束的判断阈值进行了适当放宽。同时，引入了地形起伏约束条件，根据山区的数字高程模型（DEM）数据，考虑线特征在不同高程面上的投影关系，进一步提高了匹配的准确性。经过这些优化和调整，在山区航空影像的线特征匹配中，虽然匹配难度较大，但仍能达到80%左右的准确率，为后续的几何校正提供了可靠的基础。4.2.2几何纠正实验利用在城市区域航空影像中提取和匹配的线特征，构建仿射变换模型进行几何纠正。根据匹配的线特征对，建立关于仿射变换模型参数的方程组。对于每一对匹配的线特征，设原始影像中的线特征由两个端点(x_1,y_1)和(x_2,y_2)确定，校正后影像中的对应线特征由端点(x_1',y_1')和(x_2',y_2')确定。根据仿射变换模型\begin{pmatrix}x'\\y'\end{pmatrix}=\begin{pmatrix}a_{11}&a_{12}&t_x\\a_{21}&a_{22}&t_y\end{pmatrix}\begin{pmatrix}x\\y\\1\end{pmatrix}，得到以下方程：\begin{cases}x_1'=a_{11}x_1+a_{12}y_1+t_x\\y_1'=a_{21}x_1+a_{22}y_1+t_y\\x_2'=a_{11}x_2+a_{12}y_2+t_x\\y_2'=a_{21}x_2+a_{22}y_2+t_y\end{cases}通过最小二乘法求解这个超定方程组，得到仿射变换模型的参数a_{11},a_{12},a_{21},a_{22},t_x,t_y。在求解过程中，对匹配的线特征进行筛选和加权处理。筛选出长度较长、方向较为稳定的线特征对，如城市中主要道路的边缘线和大型建筑物的轮廓线，因为这些线特征对包含的信息更丰富，对模型参数的约束更强。对于不同的线特征对，根据其可靠性和重要性赋予不同的权重。可靠性较高的线特征对，如位于平坦区域、特征明显且匹配精度高的线特征对，赋予较大的权重；而可靠性较低的线特征对，如位于复杂地形区域、存在噪声干扰或匹配不确定性较大的线特征对，赋予较小的权重。通过这种方式，使模型参数的解更偏向于可靠性高的线特征对，从而提高解算结果的准确性。将解算出的仿射变换模型参数应用于原始航空影像的每个像素点，实现对城市区域航空影像的几何校正。将原始影像中每个像素点的坐标(x,y)代入仿射变换模型，计算得到校正后影像中对应的像素点坐标(x',y')，从而完成城市区域航空影像的几何校正过程。校正后的影像中，建筑物的边缘更加规整，道路的走向更加准确，地物之间的相对位置关系得到了明显改善，能够更准确地反映城市的实际地理布局。对于山区航空影像的几何纠正，同样基于提取和匹配的线特征构建仿射变换模型。由于山区地形起伏较大，在建立方程组时，考虑了地形对影像的影响。根据山区的数字高程模型（DEM）数据，对每个线特征点的坐标进行了高程补偿，将其从二维平面坐标转换为三维空间坐标(x,y,z)。在仿射变换模型中，引入了高程参数z，建立了如下的三维仿射变换模型：\begin{pmatrix}x'\\y'\\z'\end{pmatrix}=\begin{pmatrix}a_{11}&a_{12}&a_{13}&t_x\\a_{21}&a_{22}&a_{23}&t_y\\a_{31}&a_{32}&a_{33}&t_z\end{pmatrix}\begin{pmatrix}x\\y\\z\\1\end{pmatrix}根据匹配的线特征对，建立关于三维仿射变换模型参数的方程组。对于每一对匹配的线特征，设原始影像中的线特征点坐标为(x_1,y_1,z_1)和(x_2,y_2,z_2)，校正后影像中的对应线特征点坐标为(x_1',y_1',z_1')和(x_2',y_2',z_2')，得到方程组：\begin{cases}x_1'=a_{11}x_1+a_{12}y_1+a_{13}z_1+t_x\\y_1'=a_{21}x_1+a_{22}y_1+a_{23}z_1+t_y\\z_1'=a_{31}x_1+a_{32}y_1+a_{33}z_1+t_z\\x_2'=a_{11}x_2+a_{12}y_2+a_{13}z_2+t_x\\y_2'=a_{21}x_2+a_{22}y_2+a_{23}z_2+t_y\\z_2'=a_{31}x_2+a_{32}y_2+a_{33}z_2+t_z\end{cases}同样通过最小二乘法求解这个超定方程组，得到三维仿射变换模型的参数。在求解过程中，除了对匹配的线特征进行筛选和加权处理外，还结合山区的地形特点，对参数的求解范围进行了限制。根据山区的地形起伏情况，预先估计出仿射变换模型中旋转、缩放和剪切参数的大致范围，在求解过程中，将参数的取值限制在合理范围内，避免出现不合理的参数解。通过这种方式，提高了模型参数解算的准确性和稳定性。将解算出的三维仿射变换模型参数应用于原始山区航空影像的每个像素点，实现对山区航空影像的几何校正。将原始影像中每个像素点的三维坐标(x,y,z)代入三维仿射变换模型，计算得到校正后影像中对应的像素点坐标(x',y',z')，再将三维坐标转换为二维平面坐标，完成山区航空影像的几何校正过程。校正后的山区影像中，地形起伏导致的地物变形得到了有效纠正，山脉、河流等地物的形状和位置更加准确，能够为山区的地形分析、资源调查等应用提供更可靠的数据支持。4.3结果分析与讨论4.3.1纠正结果展示经过基于线特征的无控制点航空影像几何纠正方法处理后，城市区域和山区的航空影像均取得了显著的校正效果。对于城市区域的航空影像，校正前，由于飞机姿态变化和镜头畸变等因素，建筑物的边缘出现明显的扭曲和倾斜，道路的形状也发生了变形，地物之间的相对位置关系出现偏差。在一幅城市商业区的航空影像中，高楼大厦的边缘呈现出不规则的弯曲，街道的走向也显得杂乱无章，这给城市规划和建筑物信息提取带来了极大的困难。校正后，建筑物的边缘变得笔直且规整，恢复了其真实的形状和位置，道路的走向清晰准确，能够清晰地分辨出主干道和支路的分布。在同一幅影像中，经过校正，高楼大厦排列整齐，街道笔直宽阔，城市的布局一目了然，为城市规划和管理提供了准确的影像数据支持。通过对比校正前后的影像（图4-1），可以直观地看到几何校正对城市区域航空影像的改善效果。[此处插入城市区域校正前后影像对比图，清晰展示校正前建筑物和道路的变形情况以及校正后的改善效果]对于山区航空影像，校正前，由于地形起伏的影响，影像中的山脉、河流等地物发生了严重的几何畸变。山脉的轮廓在影像中出现了拉伸和压缩的现象，河流的形状变得扭曲，部分河段甚至出现了错位。在一幅山区的航空影像中，山谷中的河流在影像中呈现出不规则的折线形状，与实际的河流走势相差甚远，这给山区的地形分析和水资源调查带来了很大的误差。校正后，山脉的轮廓恢复了自然的形态，河流的走向变得流畅且准确，能够真实地反映山区的地形地貌特征。在同一幅影像中，经过校正，河流蜿蜒曲折地流淌在山谷之间，山脉的起伏也得到了准确的呈现，为山区的地形分析、资源调查等应用提供了可靠的影像基础。对比校正前后的山区航空影像（图4-2），可以明显看出校正后的影像在地形表达上更加准确和清晰。[此处插入山区校正前后影像对比图，清晰展示校正前山脉和河流的畸变情况以及校正后的改善效果]4.3.2精度分析采用均方根误差（RMSE）、平均绝对误差（MAE）和最大误差（MaxError）等指标对校正结果进行精度评估。在城市区域的航空影像校正中，选取了50个已知精确坐标的地物点，如道路交叉点、建筑物角点等作为验证点。通过实地测量或从高精度地图中获取这些验证点的真实地面坐标，将校正后影像中对应五、应用案例分析5.1在城市规划中的应用5.1.1案例介绍某城市正处于快速发展阶段，城市规模不断扩大，土地利用类型日益复杂。为了实现城市的科学规划和可持续发展，当地规划部门开展了一项基于航空影像的城市规划分析项目。项目采用了本研究提出的基于线特征的无控制点航空影像几何纠正方法，对该城市不同区域的航空影像进行处理。这些航空影像覆盖了城市的商业区、住宅区、工业区以及公园绿地等多个功能区，影像分辨率较高，能够清晰显示建筑物、道路、绿地等城市地物的细节信息。然而，由于拍摄过程中受到飞机姿态变化、地形起伏以及镜头畸变等因素的影响，影像存在不同程度的几何畸变，无法直接用于城市规划分析。5.1.2应用效果与价值经过几何纠正后的航空影像，为城市规划提供了高精度的基础数据，在多个方面发挥了重要作用。在土地利用分析方面，通过对纠正后的影像进行解译和分类，能够准确识别不同类型的土地利用，如建设用地、农用地、水域等。在商业区，通过影像可以清晰分辨出商业建筑、停车场以及步行街等区域，为商业布局的优化提供了直观的依据。在住宅区，能够准确统计住宅建筑的分布、密度以及周边配套设施的情况，有助于评估居住环境的适宜性和规划新的住宅区。在工业区，可分析工厂的占地面积、布局合理性以及与交通设施的连接情况，为工业用地的调整和产业升级提供参考。通过对不同时期航空影像的对比分析，还能够监测土地利用的动态变化，及时发现城市扩张、土地用途变更等情况，为城市规划的动态调整提供数据支持。在交通规划方面，几何纠正后的航空影像能够清晰展示城市道路网络的布局和现状。可以准确测量道路的长度、宽度以及道路之间的连接