基于LOG算子的無人機(jī)模糊影像快速剔除算法研究

喜文飛，高 煒，錢堂慧，黃鴻志，朱 江

（1.云南師范大學(xué) 地理學(xué)部，云南 昆明650500；2.云南師范大學(xué) 信息學(xué)院，云南 昆明650500；3.云南海鉅地理信息技術(shù)有限公司，云南 昆明650000；4.蒼穹數(shù)碼技術(shù)股份有限公司，北京100081）

無人機(jī)在獲取影像過程中，由于在空中拍攝的姿態(tài)穩(wěn)定性較差，拍攝的影像難免會模糊，如圖1所示。因此，在飛行拍攝任務(wù)結(jié)束后，需要將模糊的影像篩選出來，只保留清晰的影像參與后期的數(shù)據(jù)處理。傳統(tǒng)的圖像篩選主要依靠工作者的先驗(yàn)知識進(jìn)行人工篩選。該方法在視覺疲勞等其他因素的干擾下，會造成模糊圖像的漏選和多選問題。因此，一般會采用多人多次觀察并相互檢查的方法以保證圖像篩選的準(zhǔn)確性[1-4]。這種方法耗時較長、工程量較大，對于拍攝圖像數(shù)量較少時可采用。而專業(yè)的無人機(jī)航拍圖像數(shù)量可能幾百甚至上千張，因此，這種人工篩選圖像的方式就顯得力不從心，所以需要一種自動檢測模糊圖像的方法。文獻(xiàn)[5-6]中，有學(xué)者基于邊界清晰度的原則來進(jìn)行模糊度的識別。文獻(xiàn)[7]中利用不同方向梯度的統(tǒng)計(jì)來進(jìn)行模糊程度的測量。文獻(xiàn)[8]是在模糊類型為運(yùn)動模糊且運(yùn)動方向不變的前提下，對模糊核進(jìn)行估計(jì)，利用模糊核的知識對模糊區(qū)域進(jìn)行提取，但自然圖像模糊類型很多，對模糊核的估計(jì)存在很大難度。文獻(xiàn)[9]提出一種有意義的模糊測度，通過對梯度幅度進(jìn)行雙高斯混合模型的擬合，實(shí)現(xiàn)了標(biāo)準(zhǔn)差與功率譜相結(jié)合的模糊測度，然后運(yùn)用貝葉斯分類器，基于塊進(jìn)行模糊物體分割。吳昊等人基于空域梯度統(tǒng)計(jì)結(jié)果進(jìn)行圖像局部模糊檢測[10]。魏錸等人利用Sobel邊緣檢測原理實(shí)現(xiàn)對無人機(jī)模糊影像的快速檢測，但是該方法檢測的先覺條件是必須按照其拍攝時的順序依次計(jì)算與分析，不能打亂圖像順序進(jìn)行計(jì)算與分析[11]。目前模糊圖像的自動檢測主要是基于有參考圖像的情形，通過建立評價(jià)指標(biāo)對比參考圖像與待評價(jià)圖像之間的評價(jià)結(jié)果進(jìn)行檢測。而無人機(jī)根據(jù)地點(diǎn)的不同，拍攝的圖像也不相同，因此，一般沒有參考圖像，自動檢測模糊圖像的難度較大。因此，筆者提出采用高斯-拉普拉斯算子的方法，通過提取邊緣特征進(jìn)行模糊圖像的識別。

圖1 模糊影像

1 影像邊緣特征提取方法比較

1980年，David Marr和Ellen Hidreth共同提出了LOG（Laplacian of Gaussian）邊緣檢測算子，也稱為Marr&Hildreth算子[12]。LOG算子是把高斯濾波和拉普拉斯邊緣檢測相結(jié)合的一種邊緣檢測算子[13]。高斯濾波函數(shù)定義如下

其中，σ為高斯函數(shù)的均方差，具有控制平滑程度的作用，σ越大，對噪聲的抑制作用越大，圖像平滑效果越好，但圖像邊緣特征越模糊，可以減小偽邊緣的遺漏；σ越小，對噪聲的抑制作用下降，檢測出的滿足條件的邊緣特征數(shù)量會隨之增加，容易檢測出偽邊緣。因此，σ選取較為關(guān)鍵，一般取值在1到10之間。通常情況是小的濾波器（σ較?。┯糜跈z測細(xì)節(jié)，大的濾波器（σ較大）用于檢測輪廓。高斯函數(shù)G（x，y）與原圖像f（x，y）進(jìn)行卷積運(yùn)算，得到平滑后的圖像I（x，y）

對平滑后的圖像進(jìn)行拉普拉斯運(yùn)算，有

由卷積的運(yùn)算性質(zhì)可得

其中，▽2G（x，y）即為LOG算子，對原灰度圖像進(jìn)行卷積運(yùn)算后提取零交叉點(diǎn)即為邊緣特征點(diǎn)，一個典型的5×5大小的LOG算子模板如下

除了LOG算子，常用的基于二階導(dǎo)數(shù)的邊緣特征提取算子主要有Roberts算子、Sobel算子、Prewitt算子等[14-15]。

1.1 無人機(jī)數(shù)據(jù)獲取

無人機(jī)類型為沃德WD-800A電動固定翼無人機(jī)：1.5 kg載重，220 km航程，搭載相SONYa7R+35 mm，像幅7 360*4 912，像素大小4.88，CCD大小35.93*29.98，如圖2所示。為了便于進(jìn)行運(yùn)算，該影像經(jīng)過了縮放處理，影像分辨率分別為512*512、736*492。選取的第一幅影像，如圖3所示，該影像植被覆蓋密度較高，紋理比較單一。圖4影像紋理比較豐富、地物覆蓋的類型比較多。

圖2 固定翼無人機(jī)

圖3 紋理單一影像

圖4 紋理豐富影像

1.2 邊緣特征算子提取實(shí)驗(yàn)

對比分析Roberts算子、Sobel算子、Prewitt算子和LOG算子，每種算子都是采用相同的影像，相同的運(yùn)行環(huán)境，邊緣特征提取結(jié)果如圖5、圖6、圖7、圖8所示。

圖5 Roberts算子邊緣特征提取結(jié)果

圖6 Sobel算子邊緣特征提取結(jié)果

圖7 Prewitt算子邊緣特征提取結(jié)果

圖8 LOG算子邊緣特征提取結(jié)果

以上介紹的幾種基于邊緣特征的圖像特征提取算法，都是在實(shí)驗(yàn)室計(jì)算機(jī)軟硬件和環(huán)境相同的條件下進(jìn)行測試的?？梢钥闯?，Roberts算子、Sobel算子、Prewitt算子邊緣定位精度不高，存在信息丟失現(xiàn)象，LOG算子抗噪聲能力較強(qiáng)，邊緣定位精度較高，連續(xù)性好。因此，文中采用的邊緣特征提取算子為LOG算子。

2 無人機(jī)模糊圖像自動識別

通過對以上算子進(jìn)行比較分析，LOG算子提取的邊緣特征較豐富，因此，論文采用LOG算子進(jìn)行邊緣特征提取。針對提取的邊緣特征值結(jié)合灰度方差進(jìn)行模糊圖像檢測。圖9為清晰無人機(jī)圖像、圖10為模糊無人機(jī)圖像，利用LOG算子進(jìn)行特征提取，提取結(jié)果如圖11、圖12所示，無人機(jī)影像清晰，提取的邊緣特征值較多，反之，邊緣特征值較少。

圖9 清晰無人機(jī)影像

圖10 模糊無人機(jī)影像

圖11 清晰無人機(jī)影像邊緣特征

圖12 模糊無人機(jī)圖像邊緣特征

分別對清晰的無人機(jī)遙感影像和模糊的無人機(jī)遙感影像求灰度變化，計(jì)算影像中間行灰度變化圖，橫坐標(biāo)為像元，縱坐標(biāo)為灰度值，結(jié)果如圖13所示。

圖13 無人機(jī)影像灰度變化

從圖13的灰度圖可以看出來，清晰的無人機(jī)影像，灰度值變化的幅度較小，相對比較近均衡；模糊的無人機(jī)影像，灰度值變化的幅度較大，波動比較大，邊緣模糊的地方灰度較小，清晰的地方灰度值相對較大。

利用提取的邊緣特征進(jìn)行灰度化，計(jì)算圖像的灰度均值，利用計(jì)算的灰度均值及每個像元的灰度值計(jì)算影像總的方差值。設(shè)置閾值k，如果影像方差低于預(yù)先定義的閾值k，那么該影像就可以被認(rèn)為是模糊的。高于閾值k，該影像則認(rèn)為是清晰的。編程語言matlab2014；運(yùn)行環(huán)境為：Win7系統(tǒng)，內(nèi)存4.00GB，64位操作系統(tǒng)。

該實(shí)驗(yàn)加載了164幅無人機(jī)影像，獲取的無人機(jī)影像大小為7 952*5 304。有7幅無人機(jī)影像為模糊影像，不利于后期影像拼接，利用拉普拉斯算子進(jìn)行快速檢測，模糊閾值R=5，該閾值的獲取主要通過清晰影像進(jìn)行獲取，隨機(jī)選取不同地物10幅清晰的影像，利用LOG算子提取影像邊緣特征，計(jì)算邊緣特征的灰度值，以最小的灰度值作為閾值。模糊度大于設(shè)定閾值，判斷圖像為清晰圖像，模糊度小于設(shè)定閾值，判斷圖像為模糊圖像，自動進(jìn)行標(biāo)記。利用程序進(jìn)行自動檢測，全部完成的時間為126 s。檢驗(yàn)正確的結(jié)果為100%，說明該方法進(jìn)行無人機(jī)模糊檢驗(yàn)的結(jié)果比較可靠。

3 結(jié)語

論文分析對比了經(jīng)典算子邊緣特征提取的效果，結(jié)合高斯-拉普拉斯算子（LGO算子）進(jìn)行圖像的邊緣特征提取，通過計(jì)算圖像的方差，設(shè)置閾值自動進(jìn)行模糊影像的識別，結(jié)合工程實(shí)例進(jìn)行驗(yàn)證，利用該方法進(jìn)行的模糊圖像識別準(zhǔn)確率可以達(dá)到100%，論文的研究成果可以提高無人機(jī)圖像預(yù)處理的效率，縮短工作時間，具有一定的應(yīng)用價(jià)值。