基于并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)遙感影像建筑區(qū)域測量

黃艷暉，向環(huán)麗，余榮春

(1.廣西工業(yè)職業(yè)技術(shù)學(xué)院，南寧 530001；2.廣西財(cái)經(jīng)學(xué)院，南寧 530007)

0 引言

建筑是城市的重要組成部分，遵循統(tǒng)一規(guī)劃原則進(jìn)行開發(fā)，滿足人們生產(chǎn)和生活的需要。為了給道路建設(shè)、移動路線規(guī)劃、城市線路布局等工作提供有效參考，需要對目標(biāo)建筑區(qū)域進(jìn)行測量。由于建筑通常具有體積大、高度較高等特征，因此給建筑區(qū)域的測量工作帶來較大難度。為解決這一問題，采用無人機(jī)遙感影像來執(zhí)行對進(jìn)駐區(qū)域的測量工作。

無人機(jī)遙感影像建筑區(qū)域測量主要利用無人機(jī)遙感技術(shù)來收集空間遙感信息。無人機(jī)遙感技術(shù)結(jié)合了無人機(jī)、遙感、遙控、通信、差分定位等技術(shù)，實(shí)現(xiàn)了國土資源和自然環(huán)境等遙感信息獲取自動化的應(yīng)用技術(shù)。由于其機(jī)動、快速、經(jīng)濟(jì)等優(yōu)點(diǎn)，無人機(jī)遙感技術(shù)正逐漸從研發(fā)到實(shí)用，是未來發(fā)展的重要方向?，F(xiàn)階段發(fā)展較為成熟的無人機(jī)遙感影像建筑區(qū)域測量方法主要包括：基于多通道數(shù)據(jù)融合的無人機(jī)遙感影像區(qū)域測量方法、基于多尺度圓周頻率濾波的區(qū)域測量方法以及基于卷積注意力的區(qū)域測量方法。然而上述方法在實(shí)際應(yīng)用過程中存在區(qū)域測量誤差大的問題，其主要原因是現(xiàn)有方法難以在無人機(jī)遙感影像中精準(zhǔn)識別建筑區(qū)域，因此引入并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)算法。

卷積神經(jīng)網(wǎng)絡(luò)[1]是一種前向神經(jīng)網(wǎng)絡(luò)，屬于深度學(xué)習(xí)算法的一種。卷積神經(jīng)網(wǎng)絡(luò)[2-3]具有表征學(xué)習(xí)特性，能夠根據(jù)其自身的層次結(jié)構(gòu)對輸入的信息進(jìn)行不變性的分類。卷積神經(jīng)網(wǎng)絡(luò)模擬了生物的視覺機(jī)制，既可以進(jìn)行有監(jiān)督學(xué)習(xí)，也可以進(jìn)行無監(jiān)督學(xué)習(xí)。其隱藏層中的卷積核參數(shù)分享和層間連接的稀疏特性，使其可以學(xué)習(xí)格點(diǎn)化的特性，具有穩(wěn)定的效果，并且不需要附加的特性工程需求。通過多個(gè)卷積神經(jīng)網(wǎng)絡(luò)的并聯(lián)連接，形成一種神經(jīng)網(wǎng)絡(luò)的新連接形式。與傳統(tǒng)算法相比，并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)[4]能夠同時(shí)迭代兩組數(shù)據(jù)，具有更高的工作效率。將其應(yīng)用到無人機(jī)遙感影像建筑區(qū)域測量方法的優(yōu)化設(shè)計(jì)工作中，有望提高建筑區(qū)域的測量精度。

1 無人機(jī)遙感影像建筑區(qū)域測量方法設(shè)計(jì)

所設(shè)計(jì)的無人機(jī)遙感影像建筑區(qū)域測量方法運(yùn)行原理是利用構(gòu)建的并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)從無人機(jī)遙感影像中提取特征，通過識別并檢測遙感影像中建筑區(qū)域，進(jìn)而得出影像中建筑區(qū)域面積。結(jié)合無人機(jī)影像的成像參數(shù)，得出目標(biāo)環(huán)境內(nèi)建筑區(qū)域的實(shí)際面積測量結(jié)果。

1.1 獲取無人機(jī)遙感影像

無人機(jī)遙感影像的獲取工作可以分為兩個(gè)環(huán)節(jié)，分別為無人機(jī)航線的規(guī)劃以及實(shí)時(shí)影像的采集。具體的無人機(jī)遙感影像的獲取過程如圖1所示。

圖1 無人機(jī)遙感影像獲取流程圖

在考慮無人機(jī)遙感影像采集對象的地面分辨率大小和相機(jī)像元尺寸等因素的情況下，設(shè)置無人機(jī)的航行高度，具體的設(shè)置結(jié)果可以表示為：

(1)

式中，f和λ分別為無人機(jī)搭載相機(jī)鏡頭的焦距和分辨率，C為相機(jī)的像元尺寸，haltitude為待測量建筑區(qū)域的平均海拔高度。在此基礎(chǔ)上，確定無人機(jī)航行的各個(gè)測點(diǎn)位置。無人機(jī)采取蛇形航行方式，處于無人機(jī)的第i個(gè)測點(diǎn)的位置確定結(jié)果可以表示為：

(2)

其中：(xi，yi)為無人機(jī)規(guī)劃航線中的第i個(gè)節(jié)點(diǎn)，(x0，y0)為無人機(jī)的初始位置坐標(biāo)，Lx和Ly分別對應(yīng)的是無人機(jī)搭載相機(jī)拍攝圖像的長度和寬度，Eportrait和Etransverse分別為無人機(jī)處于縱向航行狀態(tài)或橫向航行狀態(tài)。將所有無人機(jī)航行節(jié)點(diǎn)按照時(shí)間順序進(jìn)行連接，得出無人機(jī)拍攝遙感影像的路徑規(guī)劃結(jié)果。根據(jù)無人機(jī)的航行速度，確定機(jī)載相機(jī)的工作頻率，最終采集得出的無人機(jī)遙感影像可以表示為：

(3)

其中：a和b分別為無人機(jī)遙感影像的行數(shù)和列數(shù)，t為遙感影像的采集時(shí)刻，Z(·)表示遙感影像像素函數(shù)。按照上述方式可以得出無人機(jī)航行全路線上的遙感影像獲取結(jié)果。

1.2 初始無人機(jī)遙感影像預(yù)處理

為了確保無人機(jī)遙感影像中建筑區(qū)域的識別效果，從而間接提高建筑區(qū)域的測量精度，需要對初始獲取的無人機(jī)遙感影像進(jìn)行預(yù)處理[5]。預(yù)處理步驟包括：運(yùn)動補(bǔ)償、圖像融合拼接、圖像去霧、圖像增強(qiáng)等。由于無人機(jī)遙感影像是隨時(shí)間變化的動態(tài)圖像，需要采用逐幀輸出的方式將動態(tài)影像轉(zhuǎn)換成二維靜態(tài)圖像，并通過動態(tài)補(bǔ)償降低由于無人機(jī)運(yùn)動導(dǎo)致的圖像模糊問題。圖像動態(tài)補(bǔ)償?shù)牟僮髟硎牵捍_定靜態(tài)圖像采集時(shí)無人機(jī)的運(yùn)動方向和速度，通過無人機(jī)航行速度與圖像采集時(shí)間的乘積，計(jì)算遙感影像中各個(gè)像素點(diǎn)的模糊偏移量，在此基礎(chǔ)上對初始遙感影像中所有像素點(diǎn)按照相反方向移動，移動量與模糊偏移量計(jì)算結(jié)果一致，由此完成對初始無人機(jī)遙感影像的運(yùn)動補(bǔ)償操作。為確保一幅靜態(tài)圖像中能展示目標(biāo)環(huán)境中的所有建筑區(qū)域，需要對輸出的所有靜態(tài)圖像進(jìn)行二維拼接與融合處理。首先判斷連續(xù)兩個(gè)靜態(tài)圖像中是否存在重疊區(qū)域，即利用公式(4)計(jì)算圖像中兩個(gè)像素塊之間的相似度。

(4)

其中：p和q為連續(xù)兩個(gè)無人機(jī)遙感靜態(tài)圖像中的任意兩個(gè)圖像塊，r(j)為圖像塊j的像素值，j1、j2和j3為圖像塊中的任意3個(gè)像素點(diǎn)。若公式(4)的計(jì)算結(jié)果高于0.9，則認(rèn)為p、q對應(yīng)圖像相同，即兩者為重疊區(qū)域。根據(jù)公式(4)的計(jì)算結(jié)果，對圖像中的重疊部分進(jìn)行分割、刪除處理。采用加權(quán)平均融合[6]的方式對其進(jìn)行拼接融合，具體的處理結(jié)果可以表示為：

Ir(x，y)=

(5)

上式中It1和It2分別為t1和t2時(shí)刻對應(yīng)的無人機(jī)遙感影像，ωt1和ωt2為圖像It1和It2的權(quán)值系數(shù)。按照上述方式得出圖像的融合拼接結(jié)果，并對其進(jìn)行去霧處理，無人機(jī)遙感圖像的去霧過程可以量化表示為：

(6)

其中：δ和μ分別為大氣光矢量和全局透射率，Ir(x，y)和IDefogging(x，y)分別表示無人機(jī)遙感圖像的融合結(jié)果和去霧處理結(jié)果[7]。從公式(6)中可以看出，要實(shí)現(xiàn)對初始圖像的去霧處理，需要確定變量δ和μ的具體取值，上述變量的計(jì)算公式如下：

(7)

上式中|δ|為大氣光矢量模，υ為大氣光矢量方向。將相關(guān)的變量計(jì)算結(jié)果代入到公式(6)中，即可完成對初始無人機(jī)遙感影像的去霧操作[8]。最終利用公式(7)對圖像進(jìn)行增強(qiáng)處理，得到初始無人機(jī)遙感影像預(yù)處理結(jié)果，具體如下。

(8)

式中，β(i)和β(j)分別圖像中任意兩個(gè)像素點(diǎn)的亮度，d(i，j)為距離度量函數(shù)。按照上述流程對無人機(jī)遙感影像中的所有像素點(diǎn)進(jìn)行運(yùn)算處理，由此完成初始遙感影像的預(yù)處理操作。

1.3 構(gòu)建并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)

為了支持并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行，構(gòu)建相應(yīng)的并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)，其基本組成結(jié)構(gòu)如圖2所示。

圖2 并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3 并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

從圖2中可以看出，通過多個(gè)結(jié)構(gòu)類似的卷積神經(jīng)網(wǎng)絡(luò)的并聯(lián)，得出并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。單一卷積神經(jīng)網(wǎng)絡(luò)[9]中卷積層是特征提取層，它利用隨機(jī)初始化的卷積核，在圖像的左上角處對圖像進(jìn)行卷積，直到完成圖像的全部遍歷。從數(shù)學(xué)上講，并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的卷積過程為：

gconvolution=fact(ψconvolutiong0+bconvolution+Ienhance)

(9)

式中，g0為卷積層的輸入值，ψconvolution和bconvolution分別為卷積核和偏置，fact為卷積函數(shù)。

公式(9)的處理結(jié)果即為卷積神經(jīng)網(wǎng)絡(luò)[10]中池化層的輸入數(shù)據(jù)。池化層是對圖像塊進(jìn)行池化處理[11]的技術(shù)，也被稱為下采樣處理。它可以看作是對圖像塊進(jìn)行的二次抽取，可以采用平均池化、最大池化等處理技術(shù)。它的本質(zhì)是通過對卷積所得到的特征進(jìn)行聚合統(tǒng)計(jì)，從而降低運(yùn)算量。池化處理過程如下：

gPooling=fact(down(gconvolution))

(10)

其中：down()為池化處理函數(shù)。通過對多個(gè)卷積神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的有機(jī)融合，得出最終的并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)輸出結(jié)果為：

(11)

式中，gi-out和?i分別為第i個(gè)并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的輸出值及其權(quán)重，nb為并聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)數(shù)量[12]。將上述卷積神經(jīng)網(wǎng)絡(luò)組成部分按照相應(yīng)的邏輯關(guān)系進(jìn)行連接，得出并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

1.4 利用并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)算法提取遙感影像特征

利用構(gòu)建的并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練迭代，提取無人機(jī)遙感影像的輪廓特征。采用激活函數(shù)增加非線性因素，使得圖像的復(fù)雜性得到更好的表達(dá)，并結(jié)合損失函數(shù)和優(yōu)化算法，使訓(xùn)練效果達(dá)到最佳。然后再用校驗(yàn)集合優(yōu)化網(wǎng)絡(luò)，最終將最優(yōu)的訓(xùn)練模型用于無人機(jī)遙感影像的特征提取[13]。并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)采用了端對端的訓(xùn)練方法，這種訓(xùn)練方法可分成前向傳播和后向傳播。前向傳播即不斷卷積、池化、上采樣，最后獲得影像特征并輸出；后向傳播是把這些數(shù)據(jù)進(jìn)行定量化，然后根據(jù)特定的算法修正參數(shù)，使下一步的正向傳播和真實(shí)值差別變得更小，如此循環(huán)往復(fù)，直到滿足一定的條件(比如達(dá)到最大訓(xùn)練輪數(shù)或精度不再提高)。

經(jīng)過并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的前向傳播，得出的輸出結(jié)果如下：

OP=fn(…..(f2(f1(I(x，y)?1)?2)…..)?n)

(12)

式中，fi和?i分別為第i層的運(yùn)行函數(shù)和權(quán)重。而并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)[14]的反向傳播采用最小化誤差的方法，對各網(wǎng)絡(luò)的權(quán)重、偏差等進(jìn)行了相應(yīng)的更新，具體的更新過程如下：

(13)

式中，α為學(xué)習(xí)率，Δ?i和Δbi分別為權(quán)重和偏置的變化量。經(jīng)過多次前向與反向傳播，當(dāng)滿足最大迭代次數(shù)要求時(shí)，輸出結(jié)果即為無人機(jī)遙感影像特征的提取結(jié)果。遙感影像邊緣點(diǎn)特征可以量化表示為：

(14)

按照上述方式可以得出遙感影像中所有邊緣點(diǎn)的提取結(jié)果，將所有并聯(lián)卷積網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行融合[15]，得出遙感影像邊緣特征的提取結(jié)果，將其標(biāo)記為τ。

1.5 識別無人機(jī)遙感影像建筑區(qū)域

根據(jù)并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)[16]算法提取出的無人機(jī)遙感影像邊緣特征，確定影像中所有的建筑區(qū)域，以此作為建筑區(qū)域的測量目標(biāo)。無人機(jī)遙感影像中的區(qū)域識別過程是影像特征匹配的過程。在影像匹配過程中，匹配度量是一種衡量圖像相似性的度量。當(dāng)兩個(gè)像素點(diǎn)的匹配度量符合門限條件時(shí)，它們就被認(rèn)為是一種近似的方法。圖像匹配測量的結(jié)果對圖像的匹配效果有很大的影響。所以，正確地匹配度量[17-18]對于圖像的匹配是非常關(guān)鍵的。采用相關(guān)系數(shù)法對無人機(jī)遙感影像的提取特征進(jìn)行匹配，該方法的運(yùn)行原理是：度量基準(zhǔn)影像與當(dāng)前影像對應(yīng)區(qū)域像素特征值的協(xié)方差除以各自的方差，該方法可以降低特征值大小本身對于相似性距離計(jì)算的影響，無人機(jī)遙感影像建筑區(qū)域識別結(jié)果為：

(15)

式中，τ0為遙感影像中建筑區(qū)域邊緣的標(biāo)準(zhǔn)特征，m為提取的特征點(diǎn)數(shù)量。若公式(15)的計(jì)算結(jié)果s高于閾值s0，則說明當(dāng)前區(qū)域?yàn)榻ㄖ^(qū)域；否則認(rèn)為當(dāng)前區(qū)域不屬于建筑區(qū)域，由此完成無人機(jī)遙感影像的建筑區(qū)域識別工作。

1.6 實(shí)現(xiàn)無人機(jī)遙感影像建筑區(qū)域測量

在確定無人機(jī)遙感影像中的建筑區(qū)域之后，可以通過建筑區(qū)域面積計(jì)算和映射轉(zhuǎn)換兩個(gè)步驟來得出無人機(jī)遙感影像建筑區(qū)域的測量結(jié)果。遙感影像中建筑區(qū)域的面積測量結(jié)果可以表示為：

(16)

式中，Limage和Wimage分別為遙感影像建筑區(qū)域的長度和寬度，上述變量可通過統(tǒng)計(jì)建筑區(qū)域內(nèi)的像素點(diǎn)數(shù)量直接得出，另外變量Nj為無人機(jī)遙感影像中識別的建筑區(qū)域數(shù)量。由此得出無人機(jī)遙感影像對應(yīng)環(huán)境中建筑區(qū)域的實(shí)際測量結(jié)果為：

SArchitecture=Simage×γ×s

(17)

其中：γ為遙感影像與實(shí)際環(huán)境之間的比例系數(shù)，將公式(16)的計(jì)算結(jié)果代入到公式(17)中，得出結(jié)果即為無人機(jī)遙感影像區(qū)域的測量結(jié)果。

2 測量精度性能測試實(shí)驗(yàn)分析

為了測試優(yōu)化設(shè)計(jì)的基于并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)遙感影像建筑區(qū)域測量方法的測量精度性能，采用白盒與對比方法相結(jié)合的方式，設(shè)計(jì)性能測試實(shí)驗(yàn)。白盒測試原理是：在已知無人機(jī)遙感影像建筑區(qū)域?qū)嶋H面積的情況下，計(jì)算所提方法輸出結(jié)果的測量誤差，從而驗(yàn)證其在測量精度性能方面的優(yōu)勢。而對比方法是通過設(shè)置多個(gè)實(shí)驗(yàn)對比項(xiàng)，對相同的精度性能測試指標(biāo)進(jìn)行對比，體現(xiàn)出所提方法在精度性能方面的優(yōu)勢。

2.1 選擇建筑區(qū)域研究對象

此次實(shí)驗(yàn)選擇某市所有管轄區(qū)域作為研究對象，該市占地總面積為562 km2，轄區(qū)內(nèi)包含5個(gè)鄉(xiāng)鎮(zhèn)，城鎮(zhèn)化率能夠達(dá)到27.4%。市內(nèi)建筑主要包括：居民建筑、公共建筑等多種類型，建筑區(qū)域面積約為344 km2，除建筑外還包含森林、河流、山、耕地等。

2.2 準(zhǔn)備建筑區(qū)域無人機(jī)遙感影像樣本

此次實(shí)驗(yàn)選擇型號為大疆DJI Air 2S的無人機(jī)作為獲取遙感影像樣本的硬件設(shè)備，該無人機(jī)中內(nèi)置一個(gè)2 000萬像素?cái)z像頭，該攝像頭支持5.4 k/30 fps 高清視頻。另外，在無人機(jī)設(shè)備上安裝1個(gè)存儲空間為1 TG的內(nèi)存卡，該設(shè)備主要用來存儲攝像頭實(shí)時(shí)采集的遙感影像，并按照拍攝的時(shí)間順序進(jìn)行存儲，同時(shí)該內(nèi)存卡具有遠(yuǎn)程通信功能，即可以根據(jù)需要將實(shí)時(shí)采集的遙感影像傳輸給地面終端。無人機(jī)[19]具有避障功能和自動采集功能，抗風(fēng)等級能夠達(dá)到5級，一塊電池的續(xù)航時(shí)間能夠達(dá)到40分鐘左右。準(zhǔn)備的無人機(jī)需要通過校正才能使用，通過采集一定數(shù)量且均勻分布的地面控制點(diǎn)GCP，使用二元N次多項(xiàng)式來近似描述遙感原始圖像的幾何畸變過程，將失真的遙感影像與相應(yīng)的地面控制點(diǎn)GCP相結(jié)合，得到相應(yīng)的地面控制點(diǎn)GCP，從而得到遙感影像與基準(zhǔn)影像或地圖的對應(yīng)關(guān)系[20]。通過對圖像進(jìn)行重新取樣，可以獲得新的坐標(biāo)，從而達(dá)到對遙感圖像進(jìn)行幾何修正的目的。在選擇的建筑區(qū)域環(huán)境中，規(guī)劃校正無人機(jī)的航行路線，并設(shè)置遙感影像的采集參數(shù)，獲得無人機(jī)遙感影像樣本的采集結(jié)果。根據(jù)遙感影像的采集條件，將樣本分為無霧影像和有霧影像兩種類型，建筑區(qū)域無人機(jī)遙感影像樣本的準(zhǔn)備情況如圖4所示。

圖4 無人機(jī)遙感影像樣本示意圖

通過多次拍攝與篩選，保證準(zhǔn)備的無人機(jī)遙感影像滿足測量質(zhì)量要求，設(shè)定無人機(jī)遙感影像的拍攝比例尺為1：2 000。

2.3 輸入并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)算法運(yùn)行參數(shù)

優(yōu)化設(shè)計(jì)的無人機(jī)遙感影像建筑區(qū)域測量方法以并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)作為技術(shù)支持，因此配置的實(shí)驗(yàn)環(huán)境需滿足并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)行條件，并對相關(guān)的運(yùn)行參數(shù)進(jìn)行設(shè)置。設(shè)置并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的初始學(xué)習(xí)率為0.000 1，批處理大小為32，網(wǎng)絡(luò)模型的學(xué)習(xí)率每33輪變?yōu)槠?.1倍，每個(gè)卷積神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)為1 000輪。

2.4 描述建筑區(qū)域測量方法運(yùn)行與測試過程

選擇Tensor Flow工具作為并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行支持，使用的TensorFlow版本是1.10，Keras版本是2.2.0，在內(nèi)存32 G的服務(wù)器上進(jìn)行訓(xùn)練。在配置的實(shí)驗(yàn)環(huán)境中，進(jìn)行優(yōu)化設(shè)計(jì)建筑區(qū)域測量方法的開發(fā)，并在測量程序中創(chuàng)建新項(xiàng)目并選取無人機(jī)遙感影像樣本進(jìn)行導(dǎo)入。修改 POS資料、重新命名影像，設(shè)定適當(dāng)?shù)臄z像機(jī)參數(shù)，進(jìn)行影像樣本的預(yù)覽，并核對影像排列方向、航帶內(nèi)交疊等因素，確保影像與 POS數(shù)據(jù)正確后，再導(dǎo)入影像數(shù)據(jù)。經(jīng)過影像預(yù)處理、特征提取、區(qū)域識別等步驟，得出建筑區(qū)域的測量結(jié)果。圖5展示的是有霧條件下無人機(jī)遙感影像的建筑區(qū)域測量輸出結(jié)果。

圖5 有霧條件下無人機(jī)遙感影像建筑區(qū)域測量結(jié)果

按照上述方式可以得出無霧條件下的建筑區(qū)域測量結(jié)果。實(shí)驗(yàn)中設(shè)置傳統(tǒng)的基于多通道數(shù)據(jù)融合的無人機(jī)遙感影像區(qū)域測量方法和基于多尺度圓周頻率濾波的區(qū)域測量方法作為實(shí)驗(yàn)對比方法，按照上述流程得出對比方法輸出的建筑區(qū)域測量結(jié)果。通過多次實(shí)驗(yàn)取平均值的方式完成建筑區(qū)域測量操作。將3種方法輸出的區(qū)域測量結(jié)果與研究區(qū)域的實(shí)際數(shù)據(jù)進(jìn)行比對，得出測量精度性能的測試數(shù)據(jù)。

2.5 設(shè)置建筑區(qū)域測量精度測試指標(biāo)

此次實(shí)驗(yàn)設(shè)置建筑區(qū)域測量誤差作為量化測試指標(biāo)，其數(shù)值結(jié)果為：

εS=|SArchitecture-Sactual|

(18)

公式(18)中變量Sactual為建筑區(qū)域的實(shí)際面積值，SArchitecture的具體取值由公式(17)計(jì)算得出。最終計(jì)算得出建筑區(qū)域測量誤差越大，證明對應(yīng)方法的測量精度越差。

2.6 測量精度性能測試實(shí)驗(yàn)結(jié)果與分析

2.6.1 有霧環(huán)境下的測量精度性能測試結(jié)果

根據(jù)3種方法輸出結(jié)果數(shù)據(jù)的統(tǒng)計(jì)，得出有霧環(huán)境下建筑區(qū)域測量性能的測試結(jié)果，如表1所示。

表1 有霧環(huán)境下區(qū)域測量精度性能測試數(shù)據(jù)表

將表1中的數(shù)據(jù)代入到公式(19)中，計(jì)算得出兩種對比方法的平均區(qū)域測量誤差分別為0.81 km2和0.48 km2，優(yōu)化設(shè)計(jì)基于并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)遙感影像建筑區(qū)域測量方法的平均測量誤差為0.14 km2。

2.6.2 無霧環(huán)境下的測量精度性能測試結(jié)果

按照相同的數(shù)據(jù)統(tǒng)計(jì)方式，可以得出無霧環(huán)境下的測量精度性能測試結(jié)果，如表2所示。

表2 無霧環(huán)境下區(qū)域測量精度性能測試數(shù)據(jù)表

通過公式(18)的計(jì)算，得出兩種對比方法建筑區(qū)域測量誤差的平均值分別為0.43 km2和0.26 km2，所提方法的平均測量誤差為0.04 km2。通過縱向?qū)Ρ瓤梢钥闯?，相同的建筑區(qū)域測量方法在無霧環(huán)境下的測量精度更高。綜合上述兩種環(huán)境下的無人機(jī)遙感影像，所提方法的區(qū)域測量方法的誤差始終低于對比方法，即所提方法在測量精度方面具有明顯優(yōu)勢。

3 結(jié)束語

無人機(jī)遙感技術(shù)是將無人機(jī)和遙感技術(shù)相結(jié)合的一種新技術(shù)。它利用無線電控制無人機(jī)實(shí)現(xiàn)對其的操控，具有在城市規(guī)劃、建筑區(qū)域測量等方面的重要應(yīng)用價(jià)值。并聯(lián)卷積神經(jīng)網(wǎng)絡(luò)算法的支持為無人機(jī)遙感影像建筑區(qū)域測量方法的優(yōu)化設(shè)計(jì)提供了幫助，能夠提高測量精度。但是，由于無人機(jī)遙感技術(shù)本身的局限性，在進(jìn)行測繪工作時(shí)，需要充分發(fā)揮其自身優(yōu)點(diǎn)，并對其進(jìn)行合理的改造與設(shè)計(jì)，以更好地、更廣泛地運(yùn)用于測繪工作，推動中國測繪事業(yè)的健康發(fā)展。