基于人工智能的無(wú)人機(jī)測(cè)繪遙感圖像信息提取方法

陳立娜，李 真，宋 輝

（國(guó)網(wǎng)河南省電力公司內(nèi)鄉(xiāng)縣供電公司，河南內(nèi)鄉(xiāng) 474350）

無(wú)人機(jī)測(cè)繪遙感是當(dāng)前遙感技術(shù)發(fā)展的一個(gè)重要方向，它在實(shí)時(shí)性、針對(duì)性和靈活性等方面具有很大的優(yōu)勢(shì)，是獲取遙感資料的一個(gè)重要方法。但是在實(shí)際應(yīng)用中，不能很好地提取出一些細(xì)節(jié)特征。因此，對(duì)無(wú)人機(jī)測(cè)繪遙感圖像信息進(jìn)行提取具有重要意義。

劉強(qiáng)[1]等提出卷積神經(jīng)網(wǎng)絡(luò)模型方法，采用基于分類的方法對(duì)各個(gè)像素進(jìn)行分類，在像素水平上的提取精確度可能會(huì)很高，但是也很容易忽視像素與像素之間的相互關(guān)系。由于實(shí)際場(chǎng)景的復(fù)雜性和多樣性，使用該方法常常會(huì)受到目標(biāo)對(duì)象大量變化、目標(biāo)遮擋和重疊、目標(biāo)缺乏高識(shí)別特性以及光照變化等原因，使得提取模型缺乏泛化能力。鄭蓉珍[2]等提出將無(wú)人機(jī)影像與數(shù)字地表模型相融合，利用最大似然法提高圖像識(shí)別準(zhǔn)確率。然而該方法已經(jīng)無(wú)法適應(yīng)高分辨率圖像的要求。為此，提出了基于人工智能的無(wú)人機(jī)測(cè)繪遙感圖像信息提取方法。

1 圖像信息提取模型構(gòu)建

利用無(wú)人機(jī)測(cè)繪與遙感技術(shù)對(duì)多幅無(wú)人機(jī)測(cè)繪遙感圖像進(jìn)行了采集，將所獲得的圖像信息分成若干個(gè)圖像信息，這些圖像信息均為同一像素。利用聚類方法，將小圖像信息中的背景信息劃分為亮色裸地、暗色裸地、綠色植被和枯萎植被四種類型。指數(shù)NDVI 的表達(dá)公式為：

式中，I表示圖像紅外波段反射值；R表示標(biāo)準(zhǔn)紅光波段反射值。當(dāng)利用該指數(shù)計(jì)算獲取植被面積[3]占小幅圖像總面積之比大于5%時(shí)，認(rèn)為該圖像背景信息是植被，否則是裸地。

選擇有目標(biāo)的小幅圖像數(shù)據(jù)與無(wú)目標(biāo)的小圖像數(shù)據(jù)相結(jié)合，構(gòu)成一個(gè)圖像數(shù)據(jù)對(duì)，從而構(gòu)成多個(gè)圖像數(shù)據(jù)對(duì)。在此基礎(chǔ)上，將圖像數(shù)據(jù)集分為四個(gè)集合：亮色裸地影像數(shù)據(jù)集、暗色裸地影像數(shù)據(jù)集、綠色植被影像數(shù)據(jù)集和枯萎植被影像數(shù)據(jù)集[4]。

在四組圖像數(shù)據(jù)集合中，分別對(duì)各小圖像數(shù)據(jù)建立學(xué)習(xí)樣點(diǎn)，由此構(gòu)成學(xué)習(xí)樣本對(duì)。根據(jù)學(xué)習(xí)樣本對(duì)訓(xùn)練結(jié)果構(gòu)建基于機(jī)器學(xué)習(xí)算法的目標(biāo)提取模型，如圖1 所示。

圖1 基于機(jī)器學(xué)習(xí)算法的目標(biāo)提取模型

由圖1 可知，將原無(wú)人機(jī)遙感影像分割為一組n×n尺寸的遙感圖像，在此基礎(chǔ)上繪制一幅標(biāo)簽圖像，并將每幅圖像與其相應(yīng)的標(biāo)簽圖像作為訓(xùn)練數(shù)據(jù)。在上述構(gòu)建的模型中，需要使用2×2 的最大池化函數(shù)max pooling[5]。基于機(jī)器學(xué)習(xí)的方法，在無(wú)人機(jī)測(cè)繪遙感影像的數(shù)據(jù)抽取中采用了以下卷積過(guò)程：

過(guò)程1：對(duì)64 個(gè)卷積核進(jìn)行兩次卷積，并執(zhí)行一次池化層處理；

過(guò)程2：對(duì)128 個(gè)卷積核進(jìn)行兩次卷積，并執(zhí)行一次池化層處理；

過(guò)程3：對(duì)256 個(gè)卷積核進(jìn)行三次卷積，并執(zhí)行一次池化層處理；

過(guò)程4：對(duì)512 卷積核進(jìn)行三次卷積，并執(zhí)行一次池化層處理；

過(guò)程5：采用三階全連接層Fc-layer，并由softmax分類器進(jìn)行處理。

經(jīng)過(guò)卷積處理后，判斷模型輸出的提取準(zhǔn)確度是否達(dá)到閾值，如果沒(méi)有達(dá)到，則需對(duì)圖像數(shù)據(jù)進(jìn)行降維處理，并繼續(xù)更新圖像信息集[6-8]；如果達(dá)到，則訓(xùn)練完成，得到圖像信息提取結(jié)果。

2 遙感圖像信息提取過(guò)程

基于人工智能的無(wú)人機(jī)測(cè)繪遙感圖像信息提取方法包括以下步驟。

步驟1：圖像特征融合

1）利用RGB 三通道圖像進(jìn)行卷積操作，獲得了尺寸為0.5n×0.5n、2n×2n的RGB 三通道圖像[9]；

2）將2n×2n的RGB三通道圖像進(jìn)行端對(duì)端訓(xùn)練，并經(jīng)過(guò)圖像分割處理后，獲得2n×2n的分類概率特征圖，并進(jìn)行卷積運(yùn)算，獲得尺寸為n×n的概率特征圖[10]；

3）將0.5n×0.5n的RGB 三通道圖像進(jìn)行端對(duì)端訓(xùn)練，并經(jīng)過(guò)圖像分割處理后，獲得0.5n×0.5n的分類概率特征圖，并進(jìn)行卷積運(yùn)算，獲得尺寸為n×n的概率特征圖[11]；

4）將n×n的遙感圖像RGB 經(jīng)端到端訓(xùn)練后，可獲得具有n×n遙感圖像的分類概率特征圖[12]。

結(jié)合上述內(nèi)容，設(shè)計(jì)詳細(xì)圖像特征融合過(guò)程，如圖2 所示。

圖2 圖像特征融合過(guò)程

由圖2 可知，將以上所得的三個(gè)大小均為n×n的概率特征圖進(jìn)行統(tǒng)計(jì)學(xué)尺度的圖像特征融合[13]，從而得到了目標(biāo)提取模型輸出特征圖。

步驟2：卷積過(guò)程中的權(quán)值共享

為了實(shí)時(shí)更新機(jī)器學(xué)習(xí)的判別參數(shù)，需要對(duì)卷積過(guò)程進(jìn)行權(quán)值共享。在共享時(shí)，需要測(cè)試各個(gè)性能指標(biāo)的取值，形成目標(biāo)相對(duì)優(yōu)屬度矩陣[14]。

在共享過(guò)程中，需要測(cè)試各個(gè)性能目標(biāo)的取值，基于此構(gòu)成目標(biāo)特征值矩陣，如式（2）所示：

式（2）中，zij表示第j個(gè)參數(shù)被采集時(shí)第i個(gè)性能目標(biāo)的取值。

為了準(zhǔn)確分析，應(yīng)采用適當(dāng)?shù)膬?yōu)屬度計(jì)算方法對(duì)目標(biāo)值進(jìn)行標(biāo)準(zhǔn)化處理，將式（2）轉(zhuǎn)化為無(wú)量綱的目標(biāo)相對(duì)優(yōu)屬度矩陣，標(biāo)準(zhǔn)化處理公式為：

經(jīng)過(guò)標(biāo)準(zhǔn)化處理后，得到目標(biāo)相對(duì)優(yōu)屬度矩陣為：

式（4）在客觀層面上體現(xiàn)出了各個(gè)參數(shù)對(duì)目標(biāo)的影響，根據(jù)獲取的目標(biāo)相對(duì)優(yōu)屬度矩陣，安全共享卷積過(guò)程中的權(quán)值。

步驟3：模型訓(xùn)練

在獲取共享權(quán)值情況下，采用人工智能的機(jī)器學(xué)習(xí)算法進(jìn)行模型訓(xùn)練。通過(guò)訓(xùn)練得到遙感影像和相應(yīng)的標(biāo)記圖像[15]，通過(guò)機(jī)器學(xué)習(xí)模型的訓(xùn)練，使得機(jī)器學(xué)習(xí)和識(shí)別過(guò)程之間的關(guān)系趨于均衡。

步驟4：信息提取

首先，在n×n幅遙感圖像上添加訓(xùn)練數(shù)據(jù)，將其輸入到所構(gòu)造的圖像特征融合處理[16]過(guò)程中；然后，將輸出與n×n大小的遙感圖像進(jìn)行卷積運(yùn)算，并將其作為判別目標(biāo)的輸入內(nèi)容；最后，在確定判別目標(biāo)后，得到一個(gè)介于0 和1 之間的輸出值。如果期望輸出為0，則判別該信息下所對(duì)應(yīng)的圖像是假圖像；如果期望輸出為1，則判別該信息下所對(duì)應(yīng)的圖像是真圖像。

在機(jī)器學(xué)習(xí)模型中，通常采用模型復(fù)雜度懲罰項(xiàng)η來(lái)衡量其空間容量，η數(shù)值的大小與泛化性能通常是成比例的，它被定義為：

式中，k表示樣本總數(shù)量；c表示機(jī)器學(xué)習(xí)模型的維數(shù)；c值越大，η值也就越大，反之，則越小。因此，在機(jī)器學(xué)習(xí)模型維數(shù)一定的情況下，增加訓(xùn)練樣本數(shù)量，能夠避免提取模型在提取信息過(guò)程中出現(xiàn)過(guò)擬合現(xiàn)象。

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)區(qū)域與數(shù)據(jù)

為了驗(yàn)證基于人工智能的無(wú)人機(jī)測(cè)繪遙感圖像信息提取方法的有效性，實(shí)驗(yàn)區(qū)域?yàn)槟吵鞘心车貐^(qū)的焦化工廠，位于礦區(qū)詳查區(qū)的西南部，面積約1.60平方公里，高程在1 150～1 210 m 之間，該地區(qū)的地形中西部較高，西北部較低。

無(wú)人機(jī)測(cè)繪遙感圖像是在2021 年5 月6 日9：00時(shí)拍攝的，天氣晴但有霧，使用某公司制造的eBee Ag 固定翼無(wú)人機(jī)。無(wú)人機(jī)能夠迅速、高效地產(chǎn)生地形圖、正射影像圖、地面數(shù)字模型等數(shù)據(jù)。機(jī)身搭載索尼DSC-WX220 相機(jī)，該相機(jī)的鏡頭是索尼的G 鏡頭，它的焦距是4.50～43.5 mm。選取的地物目標(biāo)圖像如圖3 所示。

圖3 地物目標(biāo)標(biāo)注結(jié)果

以圖3 所示的目標(biāo)標(biāo)注結(jié)果為研究對(duì)象進(jìn)行實(shí)驗(yàn)驗(yàn)證分析。

3.2 實(shí)驗(yàn)指標(biāo)

使用整體像素精度評(píng)估不同信息提取方法下遙感圖像目標(biāo)識(shí)別精度，公式為：

式中，a、b表示目標(biāo)類別；n表示被預(yù)測(cè)成不同類的像元數(shù)量；m表示目標(biāo)類型數(shù)量。

3.3 實(shí)驗(yàn)結(jié)果與分析

在提取遙感圖像信息過(guò)程中，不僅要考慮所收集的圖像數(shù)據(jù)，而且需將圖像失真問(wèn)題納入其中。因此，分別使用文獻(xiàn)[1]方法、文獻(xiàn)[2]方法和所提方法，對(duì)比分析無(wú)人機(jī)測(cè)繪遙感圖像提取結(jié)果，如圖4所示。

圖4 三種方法的圖像提取結(jié)果對(duì)比分析

由圖4 可知，文獻(xiàn)[1]方法和文獻(xiàn)[2]方法提取的圖像并不全面，導(dǎo)致部分信息丟失，而所提方法提取的圖像全面，且與圖3 所示選取區(qū)域一致，能夠獲取全部圖像信息。

基于此，分別使用這三種方法對(duì)比分析圖像信息提取的精度和提取過(guò)程的損失情況，如表1 所示。

表1 三種方法的信息提取精度和損失情況對(duì)比分析

由表1 可知，文獻(xiàn)[1]方法和文獻(xiàn)[2]方法圖像信息提取精度最高分別為0.70 和0.56，損失程度最高分別為0.52 和0.39。而所提方法提取精度最高為0.93，損失程度最高為0.22。由此可知，所提方法信息提取精度高的同時(shí)損失程度低。

4 結(jié)束語(yǔ)

該文提出了一種基于人工智能的無(wú)人機(jī)測(cè)繪遙感圖像信息提取方法，該方法相比于現(xiàn)有的提取方法，提取精度高且損失程度低，可以滿足當(dāng)前實(shí)際需要，通過(guò)使用人工智能方法識(shí)別的圖像和人類視覺(jué)效果更接近。在今后的遙感圖像質(zhì)量評(píng)估中，可以從以下方面進(jìn)行：同一區(qū)域內(nèi)不同時(shí)期的遙感圖像，其數(shù)據(jù)自身具有一定的時(shí)間序列性。因此，可以將時(shí)間信息引入到圖像質(zhì)量評(píng)估模式中，以實(shí)現(xiàn)將不同時(shí)期所收集到的數(shù)據(jù)進(jìn)行整合，進(jìn)而優(yōu)化提取方法。