王 辉， 王晓红， 周润民， 苏 靖

（贵州大学矿业学院， 贵阳 550025）

0 引 言

近年来，随着测绘装备的更新和发展，地理数据的获取方式越来越多样化。 由于无人机采集数据灵活、高效、安全且成本低，无人机影像成为地理数据获取的一种主要方式［1-2］。 影像中富含丰富的场景信息，对无人机影像中的目标区域进行边缘检测和提取，是无人机数据应用与信息挖掘中的一项重要工作［3］。 目前常用的边缘检测算法主要分为两类：差分法和深度学习法［4］。 差分法是通过计算梯度来检测边缘信息，常见的梯度算子包括一阶差分算子如Sobel、Prewitt 和Roberts 等，二阶差分算子如Laplace、LOG 以及Canny，这些算子原理简单、容易实现，但抗干扰性能差、提取边缘不够精确。 尽管如此，Canny 算子凭借其较好的信噪比和检测精度被广泛应用［5］。 基于深度学习的边缘检测算法利用神经网络的分层特征来提高检测精度，Hu 等［6］使用距离场卷积神经网路（DF-CNN）预测非边缘点到边缘点的欧式距离，实现了端到端的目标边缘检测；黄胜等［7］通过图像分割子网络将学习到的图像语义信息传递给边缘检测子网络，提出一种语义信息指导的精细化边缘检测方法。 但此类方法需要大量的训练样本，且模型复杂，对硬件设备要求高；而差分类算法无需训练，可在低成本的移动设备上实时运行。 为此，本文保留经典Canny 算法的高定位性能和单边缘响应准则的基础上，针对经典算法无法去除椒盐噪声和阈值设置不灵敏的缺陷，构建一种自适应的无人机影像地物边缘检测算法。……