基于局部加權(quán)擬合算法的無人機(jī)遙感影像多尺度檢測技術(shù)

邱曉磊

(河南省地球物理空間信息研究院，鄭州 450000)

0 引言

目前無人機(jī)遙感技術(shù)廣泛地應(yīng)用于各個(gè)領(lǐng)域，無人機(jī)遙感的工作原理是通過對(duì)拍攝的環(huán)境影像進(jìn)行多尺度處理檢測分析，研究出環(huán)境的特征，然后下達(dá)飛行命令，維持無人機(jī)的正常飛行[1-2]。遙感圖像采集過程十分容易受到外界因素的干擾，這些干擾會(huì)在圖像中形成噪聲污染，降低無人機(jī)遙感影像的分辨率。

傳統(tǒng)的無人機(jī)遙感影像多尺度檢測技術(shù)對(duì)于遙感拍攝的影像分析不準(zhǔn)確，影響無人機(jī)安全飛行命令的準(zhǔn)確度，造成一定的安全隱患。對(duì)回歸預(yù)測模型而言，預(yù)測模型的精度主要取決于特征選取，屬性選擇不恰當(dāng)，往往導(dǎo)致預(yù)測結(jié)果大不相同。局部加權(quán)擬合算法較好地解決了局部加權(quán)線性回歸預(yù)測的問題，它的預(yù)測性能不太依賴選擇特征，而且可以很好地避免過擬合的風(fēng)險(xiǎn)。

為了促進(jìn)無人機(jī)遙感影像多尺度檢測技術(shù)的發(fā)展，本文以局部加權(quán)擬合算法為核心研究新型的無人機(jī)遙感影像多尺度檢測，分別分析無人機(jī)遙感影像數(shù)據(jù)的預(yù)處理和影像特征提取方法。研究無人機(jī)的遙感影像多尺度檢測技術(shù)，提高無人機(jī)的飛行安全性。

1 無人機(jī)遙感影像多尺度處理分析

1.1 無人機(jī)遙感影像預(yù)處理

無人機(jī)遙感影像多尺度檢測技術(shù)在對(duì)周圍環(huán)境進(jìn)行數(shù)據(jù)采集時(shí)，會(huì)將區(qū)域內(nèi)的所有信息進(jìn)行拍攝，其中會(huì)存在無效的影像，提高影像多尺度檢測的復(fù)雜度，因此本文通過對(duì)采集到的無人機(jī)遙感影像多尺度數(shù)據(jù)進(jìn)行預(yù)處理操作，為影像的特征提取提供研究基礎(chǔ)[3]。

本文設(shè)計(jì)的無人機(jī)遙感影像多尺度數(shù)據(jù)預(yù)處理操作的主要流程是對(duì)采集到的影像數(shù)據(jù)完成有效數(shù)據(jù)的拼接處理，將無效的影像數(shù)據(jù)信息進(jìn)行剔除。無人機(jī)行駛在彎線和曲線航線時(shí)，是數(shù)據(jù)采集混亂的關(guān)鍵區(qū)域，會(huì)出現(xiàn)無人機(jī)遙感影像重拍和漏拍的情況，導(dǎo)致無人機(jī)遙感技術(shù)對(duì)于覆蓋區(qū)域的圖像影像精度低，設(shè)備為了提高影像精度采用多次掃描的形式，又造成了大量數(shù)據(jù)冗余，所以預(yù)處理通過最小二乘法方法將冗余的影像數(shù)據(jù)刪除，進(jìn)行有效的數(shù)據(jù)拼接。最小二乘法在篩選的時(shí)候多次循環(huán)計(jì)算，計(jì)算結(jié)果具有可靠性和真實(shí)性[4-5]。最小二乘法篩選如圖1所示。

圖1 最小二乘法篩選

最小二乘法在對(duì)無人機(jī)遙感影像數(shù)據(jù)預(yù)處理時(shí)，當(dāng)航線彎度達(dá)到3%時(shí)，就將普通的拍攝過濾方式關(guān)閉，開啟新式的影像拍攝要求，具體要求為設(shè)置無人機(jī)航拍攝區(qū)域的重復(fù)率為90%，其周圍區(qū)域重復(fù)率設(shè)置為60%。此處設(shè)置的目的是通過重復(fù)率的設(shè)置將無人機(jī)航線的經(jīng)緯度偏差時(shí)間縮短為1 s，降低無人機(jī)遙感影像出現(xiàn)漏拍的情況，改善外界環(huán)境對(duì)影像數(shù)據(jù)的影響程度，在一定程度上彌補(bǔ)航線彎曲的數(shù)據(jù)可視化。無人機(jī)遙感影像預(yù)處理將拍攝到的有效數(shù)據(jù)按照“抽稀”規(guī)則完成數(shù)據(jù)的拼接，構(gòu)成一個(gè)全新的遙感影像數(shù)據(jù)[6-7]?！俺橄　碧幚砗蟮倪b感影像可以有效地減小拼接誤差、改善影像拼接視覺效果，同時(shí)在一定程度上提高了影像處理的精度，為無人機(jī)遙感影像特征提取提供數(shù)據(jù)基礎(chǔ)。抽稀前后數(shù)據(jù)處理結(jié)果如圖2所示。

圖2 抽稀前后數(shù)據(jù)處理結(jié)果

1.2 無人機(jī)遙感影像特征提取

遙感影像的特征點(diǎn)是進(jìn)行無人機(jī)遙感影像多尺度檢測技術(shù)的關(guān)鍵點(diǎn)，為了將遙感影像的各個(gè)特征點(diǎn)的實(shí)際意義發(fā)揮最大，本文采用高斯金字塔定理輔助無人機(jī)遙感影像的特征提取[8-9]。高斯金字塔的特征提取過程是首先將預(yù)處理的影像數(shù)據(jù)按照金字塔形狀進(jìn)行降采樣構(gòu)建，最終得到n階的影像序列，然后遍歷以上操作，構(gòu)建不同尺度下的高斯金字塔序列，最后通過序列對(duì)比，提取影像特征。得到的序列對(duì)比如圖3所示。

圖3 序列對(duì)比圖

高斯金字塔中原始圖像位于底層，其余上層圖像大小為相鄰下層圖像大小的1/4，則高斯金字塔的構(gòu)建公式如下所示：

G!=DOWN(Gi-1*G(x,y,z))

(1)

其中：Gi-1表示降采樣；x表示高斯核函數(shù)；y表示高斯模糊核的尺度空間因子，此值越大則該尺度下圖像越平滑。

在構(gòu)建不同尺度的高斯金字塔時(shí)，為了提高高斯金字塔的穩(wěn)定性和不變性，需要對(duì)無人機(jī)遙感影像進(jìn)行差分尺度空間劃分，劃分借助以下公式完成：

(2)

差分尺度劃分可以降低遙感影像局部數(shù)據(jù)的極值點(diǎn)，降低影像多尺度特征值的偏差度。在高斯金字塔差分尺度空間中，它的作用是提取有效圖像區(qū)域的極值點(diǎn)，通過極值點(diǎn)來判斷特征點(diǎn)，極值點(diǎn)的選擇有一個(gè)基本的選擇原則，最重要的是極值點(diǎn)必須與遙感圖像的上下尺度鄰域點(diǎn)相關(guān)聯(lián)[10-11]。根據(jù)高斯金字塔和差分尺度劃分完成遙感影像的特征提取，提取計(jì)算公式如下所示：

D(x,y,z)=(G(x,y,kz)-G(x,y,z)*I(G(x,y))

(3)

2 基于局部加權(quán)擬合算法的無人機(jī)遙感影像多尺度檢測

2.1 局部加權(quán)擬合算法

局部加權(quán)擬合算法是一種線性加權(quán)回歸算法，其工作原理是通過測量無人機(jī)遙感影像各個(gè)特征點(diǎn)之間的距離，將此距離作為多尺度分析的加權(quán)系數(shù)，平衡檢測區(qū)域其他關(guān)鍵點(diǎn)的加權(quán)性，計(jì)算出特征點(diǎn)中權(quán)重最低的點(diǎn)，完成影像的多尺度檢測。擬合的三種狀態(tài)如圖4所示。

圖4 擬合狀態(tài)

具體無人機(jī)遙感影像各個(gè)特征點(diǎn)距離的計(jì)算公式如下所示：

(4)

其中:特征點(diǎn)的權(quán)重公式如下所示：

(5)

因?yàn)樵趯?duì)無人遙感影像特征值進(jìn)行權(quán)重的同時(shí)，由于其他普通點(diǎn)的干擾和區(qū)域內(nèi)目標(biāo)的影響，結(jié)果會(huì)出現(xiàn)線性偏差，為了避免無人遙感影像多尺度檢測技術(shù)結(jié)果的偏差，本文對(duì)以上公式進(jìn)行偏差分權(quán)處理，分權(quán)公式如下所示：

(6)

其中:Axi和bi是通過最小二乘法計(jì)算出來的，因?yàn)榫植考訖?quán)擬合算法對(duì)聚集程度較高的特征點(diǎn)加權(quán)擬合過程容易出現(xiàn)遺漏，導(dǎo)致加權(quán)擬合的數(shù)據(jù)結(jié)果比正常的數(shù)據(jù)小，因此需要在影響密集特征點(diǎn)區(qū)域進(jìn)行二次權(quán)重，采用兩次權(quán)重的平均值，保證結(jié)果的準(zhǔn)確性

局部加權(quán)擬合算法在對(duì)無人機(jī)遙感影像進(jìn)行小格區(qū)域劃分時(shí)，默認(rèn)被劃分的小格都是相等大小的，但是影像的各個(gè)關(guān)鍵特征點(diǎn)之間的距離是不固定的，因此就出現(xiàn)了距離函數(shù)中心越近的特征點(diǎn)距離越大，因此本文引入log函數(shù)，log函數(shù)如公式(7)所示：

(7)

其中:x代表曲線中點(diǎn)，x0代表曲線的最大值；k代表曲線的陡度。

當(dāng)某一特征點(diǎn)的函數(shù)權(quán)重的計(jì)算結(jié)果趨近于1，并且不變時(shí)，代表不存在距離偏差。因此基于上述的權(quán)衡與分析，整合出最終的無人機(jī)遙感影像多尺度加權(quán)計(jì)算的計(jì)算公式如下所示：

(8)

2.2 無人機(jī)搖桿影像多尺度檢測

根據(jù)以上無人機(jī)遙感影像數(shù)據(jù)預(yù)處理和特征提取以及分析局部加權(quán)擬合算法，本文總結(jié)出基于局部加權(quán)擬合算法的無人機(jī)遙感影像多尺度檢測方法，具體分為構(gòu)建有效影像數(shù)據(jù)集、構(gòu)建影像網(wǎng)絡(luò)模型、合并并完成影像數(shù)據(jù)的檢測三部分[12-13]。

基于局部加權(quán)擬合算法的無人機(jī)遙感影像多尺度檢測技術(shù)工作流程如圖5所示。

根據(jù)圖5可知，構(gòu)建有效的影像數(shù)據(jù)集，首先根據(jù)高斯核函數(shù)對(duì)無人機(jī)搖桿影像區(qū)域的整體獲取，并且劃分出需要完成的檢測目標(biāo)區(qū)域，為了確保影像數(shù)據(jù)的完整性，區(qū)域獲取時(shí)會(huì)設(shè)計(jì)邊緣預(yù)留區(qū)域。有效區(qū)域劃分后，依據(jù)小波圖像變換方法對(duì)影像進(jìn)行目標(biāo)變換和影像多尺度格式的轉(zhuǎn)換，轉(zhuǎn)換的同時(shí)根據(jù)整體原則立即分割相同格式的影像特征。無人機(jī)遙感影像的分割操作為特征點(diǎn)的提取奠定基礎(chǔ)，最終將各個(gè)提取的特征點(diǎn)和原始影像進(jìn)行對(duì)照，作為網(wǎng)絡(luò)模型的構(gòu)建數(shù)據(jù)[14-15]。

構(gòu)建網(wǎng)絡(luò)模型主要包括對(duì)無人機(jī)遙感影像多尺度數(shù)據(jù)的分割網(wǎng)絡(luò)模型和測試網(wǎng)絡(luò)模型兩種，為了得到最醒目的影像模型，本文設(shè)定網(wǎng)絡(luò)模型的大小為300×400，將拍攝的無人機(jī)遙感影像都按照此格式進(jìn)行放大或者縮小處理。在此網(wǎng)絡(luò)模型的基礎(chǔ)上，增加若干個(gè)卷積層，方便影像檢測過程檢測目標(biāo)的分類和權(quán)重，卷積層的大小主要為 40×40、20×20、10×10、5×5。將影像多尺度的權(quán)重設(shè)置為0.000 5，忽略檢測過程中的動(dòng)量和不可預(yù)測天氣的干擾。測試網(wǎng)絡(luò)模型的工作是對(duì)影像特征目標(biāo)進(jìn)行測試，查看特征是否達(dá)到認(rèn)定要求，提供數(shù)據(jù)的可用性。

最后一步是完成無人機(jī)遙感影像多尺度檢結(jié)果檢測，基于局部加權(quán)擬合算法，對(duì)各個(gè)網(wǎng)絡(luò)模型中的特征點(diǎn)進(jìn)行檢測認(rèn)證，根據(jù)不同的特征點(diǎn)確定出影像內(nèi)事物的準(zhǔn)確狀態(tài)和外觀參數(shù)，完成影像多尺度檢測操作。

3 實(shí)驗(yàn)研究

為了檢測本文提出的基于局部加權(quán)擬合算法的無人機(jī)遙感影像多尺度檢測技術(shù)的有效性，與傳統(tǒng)基于改進(jìn)SPHP算法的無人機(jī)遙感影像多尺度檢測技術(shù)、基于改進(jìn)SURF算法的無人機(jī)遙感影像多尺度檢測技術(shù)進(jìn)行實(shí)驗(yàn)對(duì)比。

采集的8張遙感圖像如圖6所示。

圖6 采集標(biāo)定的多光譜圖像

在確定多光譜圖像后，擬合二維高斯曲面，使用遺傳算法分析高斯曲面模型中的各項(xiàng)參數(shù)，通過優(yōu)化處理，得到種群數(shù)目。為更好地進(jìn)行實(shí)驗(yàn)，本文從主觀評(píng)價(jià)和客觀評(píng)價(jià)兩方面對(duì)數(shù)據(jù)進(jìn)行比較。

主觀評(píng)價(jià)結(jié)果如圖7所示。

圖7 主觀評(píng)價(jià)結(jié)果

根據(jù)主觀評(píng)價(jià)結(jié)果可知，在圖7(a)、(c)的左框中，檢測的原始圖像漸暈現(xiàn)象十分明顯，中間的亮度高于四周。無人機(jī)在飛行過程中所處的環(huán)境光照十分穩(wěn)定，而且采集的對(duì)象十分單一，所以圖像中的亮度差異更加明顯。對(duì)比不同算法下的檢測結(jié)果可以知道，傳統(tǒng)的基于改進(jìn)SPHP算法的無人機(jī)遙感影像多尺度檢測技術(shù)與基于改進(jìn)SURF算法的無人機(jī)遙感影像多尺度檢測技術(shù)在物體邊緣信息和明暗區(qū)域變化方面的處理能力較差，得到的圖像亮度變化規(guī)律與實(shí)際狀況吻合度較低，而本文提出的基于局部加權(quán)擬合算法的無人機(jī)遙感影像多尺度檢測技術(shù)具有更強(qiáng)的處理能力，得到的全局亮度分量圖像不會(huì)受到物體邊緣信息的影響，其中明暗突變區(qū)域亮度相差較低，與實(shí)際的漸暈圖像亮度變化規(guī)律更加符合。

選用典型圖像進(jìn)行對(duì)比，得到的不同技術(shù)的灰度值如圖8所示。

圖8 灰度值實(shí)驗(yàn)結(jié)果

對(duì)比圖8的灰度值實(shí)驗(yàn)結(jié)果，可以發(fā)現(xiàn)，傳統(tǒng)基于改進(jìn)SPHP算法的無人機(jī)遙感影像多尺度檢測技術(shù)雖然能夠改進(jìn)漸暈現(xiàn)象，但是還是十分明顯。相比之下，傳統(tǒng)的基于改進(jìn)SURF算法的無人機(jī)遙感影像多尺度檢測技術(shù)與本文提出的基于局部加權(quán)擬合算法的無人機(jī)遙感影像多尺度檢測技術(shù)對(duì)漸暈現(xiàn)象的處理能力更好，得到的整體灰度水平基本一致。由于傳統(tǒng)圖像在明亮區(qū)域存在泛灰現(xiàn)象，所以檢測技術(shù)需要對(duì)亮度差異進(jìn)行調(diào)整，本文提出的基于局部加權(quán)擬合算法的無人機(jī)遙感影像多尺度檢測技術(shù)具有保留不同物體亮度差異的能力，而傳統(tǒng)技術(shù)得到的圖片亮度邊緣過高。

從X方向和Y方向兩個(gè)不同的方向評(píng)價(jià)灰度值，采集所有的像素點(diǎn)，對(duì)200張不同的遙感圖像進(jìn)行矯正，不同技術(shù)下得到的灰度值分布狀況如圖9所示。

圖9 灰度值分布情況實(shí)驗(yàn)結(jié)果

由于平均圖像之間的個(gè)性差異能夠消除，所以通過分析整體灰度值的矯正效果就能確定不同技術(shù)的檢測效果。根據(jù)上圖可知，原始圖像的中間區(qū)域亮度過高，而兩端區(qū)域的亮度又過低。針對(duì)這一問題，三種技術(shù)都能夠進(jìn)行改善，本文提出的局部加權(quán)擬合算法改善效果最好。本文提出的算法在X方向和Y方向的改善存在過渡區(qū)域，所以視覺效果更好，而傳統(tǒng)的技術(shù)均出現(xiàn)了亮度偏高的問題，檢測到的圖像存在光暈，不適合于實(shí)際應(yīng)用。

4 結(jié)束語

本文的局部加權(quán)擬合算法精確地區(qū)分無人機(jī)遙感影像檢測的目標(biāo)區(qū)域和其他區(qū)域，簡化了檢測的流程。本文首先分析如何處理無人機(jī)遙感影像獲取的數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理以及特征分析，最后確定準(zhǔn)確的無人機(jī)遙感影像多尺度檢測目標(biāo)，然后了解局部加權(quán)擬合算法的核心和計(jì)算原理，最后完成基于局部加權(quán)擬合算法的無人機(jī)遙感影像多尺度檢測方法的研究，達(dá)到本文研究的目的。