局部加權(quán)擬合的無(wú)人機(jī)遙感影像多尺度檢測(cè)

雷 磊,張 智,王 良,王少軍,王辰曦

(1.國(guó)網(wǎng)陜西省電力公司電力科學(xué)研究院,陜西 西安 710100) (2.國(guó)網(wǎng)(西安)環(huán)保技術(shù)中心有限公司,陜西 西安 710100) (3.國(guó)家電網(wǎng)有限公司特高壓建設(shè)分公司,北京 100052) (4.國(guó)網(wǎng)陜西省電力公司,陜西 西安 710048)

無(wú)人機(jī)拍攝遙感影像技術(shù)是監(jiān)測(cè)地面物體的重要技術(shù)之一[1-3]。無(wú)人機(jī)在航拍過(guò)程中有時(shí)會(huì)發(fā)生顛簸,或因天氣、地形等因素的影響導(dǎo)致拍攝的遙感影像發(fā)生幾何畸變,使后續(xù)信息分析工作無(wú)法正常開(kāi)展[4],影響遙感影像信息的檢測(cè)精度。

無(wú)人機(jī)遙感影像檢測(cè)中,對(duì)遙感影像的邊緣檢測(cè)至關(guān)重要,有利于分析影像的相關(guān)信息[5-6]。以往遙感影像檢測(cè)方法局限性很大,如劉英杰等[7]提出的Cascade R-CNN并行目標(biāo)檢測(cè)算法,雖然在小目標(biāo)的檢測(cè)中具有較好的優(yōu)勢(shì),但計(jì)算過(guò)程過(guò)于復(fù)雜,導(dǎo)致大目標(biāo)檢測(cè)效率低,影響檢測(cè)結(jié)果;蘭傳琳等[8]提出的先驗(yàn)?zāi)Ｐ蛢?yōu)化檢測(cè)方法,利用對(duì)目標(biāo)輪廓的提取實(shí)現(xiàn)檢測(cè),但該方法操作繁瑣,導(dǎo)致檢測(cè)效果不佳。

為此,本文提出基于局部加權(quán)擬合算法的無(wú)人機(jī)遙感影像多尺度檢測(cè)方法,通過(guò)控制遙感實(shí)施范圍劃定局部校正區(qū)域,同時(shí)添加輔助控制點(diǎn)對(duì)其進(jìn)行改進(jìn),實(shí)現(xiàn)無(wú)人機(jī)遙感影像多尺度、多方向檢測(cè)。

1 改進(jìn)局部加權(quán)擬合算法的無(wú)人機(jī)遙感影像處理

1.1 改進(jìn)局部加權(quán)擬合校正算法

無(wú)人機(jī)遙感影像的控制點(diǎn)中心用O表示,控制圓由N個(gè)控制點(diǎn)組成,其半徑為R。為了得出無(wú)人機(jī)遙感影像控制點(diǎn)中心O的具體位置,需要5個(gè)控制點(diǎn)進(jìn)行控制點(diǎn)的局部表面擬合。

通過(guò)添加輔助控制點(diǎn),保證控制點(diǎn)數(shù)量充足,以解決無(wú)人機(jī)遙感影像控制點(diǎn)稀少的問(wèn)題,添加方法如圖1所示。

圖1 添加輔助控制點(diǎn)

由圖1可知,添加控制點(diǎn)需要先找出圓的內(nèi)接正方形,添加的控制點(diǎn)為正方形每邊的中點(diǎn)。在無(wú)人機(jī)遙感范圍內(nèi),控制點(diǎn)的位置是可變的[9-10]。尋找距離添加控制點(diǎn)最近的三角形,該三角形可由多個(gè)控制點(diǎn)連接而成,圖中離H點(diǎn)最近的三角形為△OMN。在畸變空間,通過(guò)最近三角形△OMN的3個(gè)頂點(diǎn)構(gòu)建一階仿射校正模型,計(jì)算所添加控制點(diǎn)H的共軛位置。

1.2 改進(jìn)局部加權(quán)擬合校正算法流程

改進(jìn)局部加權(quán)擬合校正算法流程如下:

Step 1,無(wú)人機(jī)遙感影像處理其中重要的一環(huán)是進(jìn)行幾何校正,通過(guò)確定校正影像中半徑為R的控制圓確定控制點(diǎn)位置,在控制圓內(nèi)控制點(diǎn)數(shù)量不符合要求時(shí),添加輔助控制點(diǎn)。

Step 2,(x,y)為準(zhǔn)備校正的無(wú)人機(jī)遙感影像內(nèi)的控制點(diǎn)坐標(biāo),經(jīng)多項(xiàng)式擬合成校正后的控制點(diǎn)坐標(biāo)(Xi,Yi),fi(x,y)為x分量局部映射函數(shù),ei(x,y)為y分量局部映射函數(shù)。為計(jì)算q階多項(xiàng)式系數(shù),將控制圓內(nèi)的(N+1)個(gè)控制點(diǎn)導(dǎo)入式(1)中進(jìn)行計(jì)算:

(1)

式中:aij、bij為多項(xiàng)式系數(shù)。校正準(zhǔn)確率和效率由多項(xiàng)式階數(shù)q決定。

Step 3,各控制點(diǎn)的權(quán)重函數(shù)用Wi(D)表示:

(2)

(3)

式中:一般o=4,Dn為參考距離。當(dāng)0≤D≤1時(shí),權(quán)重函數(shù)為歸一化方程。

Step 4,加權(quán)求解鄰近控制點(diǎn),得出無(wú)人機(jī)遙感影像內(nèi)各點(diǎn)(x,y)的映射(X,Y):

(4)

式中:M為無(wú)人機(jī)遙感影像內(nèi)的控制點(diǎn)最大數(shù)量。

2 遙感影像多尺度檢測(cè)技術(shù)

2.1 形態(tài)學(xué)重構(gòu)

為提升無(wú)人機(jī)遙感影像邊緣特征提取效果,通過(guò)形態(tài)學(xué)重構(gòu)方法對(duì)邊緣模糊或被侵蝕后的遙感圖像進(jìn)行邊緣修復(fù)。影像用p表示,掩模用u表示,且p?u,利用p重構(gòu)u流程如下:

1)標(biāo)記影像p初始化,初始影像為z1;

2)獲取多方向多尺度圓形結(jié)構(gòu)元素B;

3)執(zhí)行zk+1=(zk⊕B)∩p,直到zk+1=zk為止。

相關(guān)資料表明,重構(gòu)運(yùn)算在保留遙感影像結(jié)構(gòu)元素的同時(shí)可消除遙感影像的噪聲。

紋理復(fù)雜的景物若加寬紋理寬度會(huì)導(dǎo)致無(wú)人機(jī)遙感影像邊緣模糊,因此通過(guò)膨脹型半梯度方法去除原影像灰度,篩選出單像素寬度,以提高影像邊緣清晰度。通過(guò)多尺度結(jié)構(gòu)元素實(shí)施邊緣檢測(cè),提取影像邊緣,達(dá)到降噪效果。若梯度圖像用ζ表示,則膨脹型形態(tài)學(xué)梯度用ζ=(p⊕B)-p描述。

2.2 自適應(yīng)均衡

由于多尺度、多方向結(jié)構(gòu)元素檢測(cè)影像效果不同,因此需要均衡化影像灰度值方差。影像各像素點(diǎn)的灰度值分布可通過(guò)影像灰度值方差表示,且該值越大,邊緣信息越多,分布越分散?；叶戎捣讲顂2計(jì)算公式為:

(5)

式中:n為總像素?cái)?shù),h1,h2,…,hn為各像素點(diǎn)灰度值,h為平均灰度值。

(6)

自適應(yīng)均衡邊緣灰度影像E為:

(7)

式中:ui為遙感影像,遙感影像通過(guò)對(duì)影像E進(jìn)行自適應(yīng)二值化求解可得出。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)方案

為驗(yàn)證本文技術(shù)的性能,選取某地區(qū)的2幅無(wú)人機(jī)遙感影像作為實(shí)驗(yàn)對(duì)象,在MATLAB 8.0環(huán)境下進(jìn)行實(shí)驗(yàn)驗(yàn)證。同時(shí)選取基于Cascade R-CNN的并行特征金字塔網(wǎng)絡(luò)無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)算法(文獻(xiàn)[7]方法)、基于先驗(yàn)?zāi)Ｐ蛢?yōu)化的無(wú)人機(jī)遙感圖像中幾何輪廓目標(biāo)檢測(cè)方法(文獻(xiàn)[8]方法)作為對(duì)比方法。其中影像1控制點(diǎn)位置分布如圖2所示。

圖2 無(wú)人機(jī)遙感影像1控制點(diǎn)位置分布

(8)

信息熵H計(jì)算公式為:

(9)

式中:L為影像像素點(diǎn)總行數(shù),K為影像總列數(shù),F(i,j)為影像的第i行第j列的灰度值,ρr為灰度級(jí)為r的概率,ρi為灰度級(jí)出現(xiàn)i的概率。圖像平均梯度的大小直接影響邊緣信息的提取效率,平均梯度越大,邊緣信息提取效率越高,信息熵越大,影像信息越豐富。

3.2 無(wú)人機(jī)遙感影像配準(zhǔn)度分析

采用本文方法對(duì)實(shí)驗(yàn)對(duì)象中無(wú)人機(jī)遙感影像1實(shí)施幾何校正,對(duì)比應(yīng)用本文技術(shù)前、后的鑲嵌效果,如圖3所示。

圖3 鑲嵌效果

由圖可知,采用本文技術(shù)對(duì)無(wú)人機(jī)遙感影像1被標(biāo)記區(qū)域部分實(shí)施幾何校正后,影像放大圖中可清晰看出影像鑲嵌接邊處,影像配準(zhǔn)度較高。

3.3 無(wú)人機(jī)影像邊緣檢測(cè)結(jié)果

比較文獻(xiàn)[7]方法、文獻(xiàn)[8]方法以及本文方法進(jìn)行無(wú)人機(jī)影像邊緣檢測(cè)所用的運(yùn)算時(shí)間以及平均梯度、信息熵,其均值統(tǒng)計(jì)結(jié)果見(jiàn)表1。

表1 無(wú)人機(jī)影像邊緣檢測(cè)結(jié)果

由表1可知,3種方法的運(yùn)算時(shí)間沒(méi)有太大差距,本文方法的平均梯度和信息熵分別為0.512、4.265,均高于兩種對(duì)比方法,說(shuō)明本文方法可快速實(shí)現(xiàn)影像邊緣的提取,且包含的影像信息量較多,提取影像效果較優(yōu)。

分別采用3種方法對(duì)影像2進(jìn)行邊緣檢測(cè),結(jié)果如圖4所示。

圖4 邊緣檢測(cè)結(jié)果

由圖可知,文獻(xiàn)[7]方法的影像邊緣檢測(cè)效果比較差,色彩昏暗,文獻(xiàn)[8]方法的影像邊緣檢測(cè)效果一般,雖然檢測(cè)出影像大部分邊緣,但細(xì)節(jié)提取效果較差,視覺(jué)效果比較模糊。本文方法在邊緣細(xì)節(jié)提取上效果較好,可完整檢測(cè)出原始影像邊緣,紋理清晰、色彩明亮,影像內(nèi)噪聲較少。

4 結(jié)束語(yǔ)

為提高無(wú)人機(jī)遙感影像檢測(cè)效率,本文提出了基于局部加權(quán)擬合算法的無(wú)人機(jī)遙感影像多尺度檢測(cè)方法。利用改進(jìn)局部加權(quán)擬合算法對(duì)無(wú)人機(jī)遙感影像實(shí)施幾何校正后,通過(guò)多尺度自適應(yīng)均衡邊緣檢測(cè)技術(shù)提取遙感影像的邊緣特征實(shí)現(xiàn)無(wú)人機(jī)遙感影像多尺度檢測(cè)。實(shí)驗(yàn)結(jié)果表明,本文方法充分利用遙感影像局部信息,提高了控制點(diǎn)的點(diǎn)位精度,圖像邊緣檢測(cè)性能優(yōu)良。