楊晶晶，歐 冰，李 海

（中山職業(yè)技術(shù)學(xué)院，中山 528400）

0 引言

無人機突破了飛行跑道的限制，可以在多種環(huán)境中完成空中作業(yè)，因此常被廣泛應(yīng)用于機械制造業(yè)領(lǐng)域[1]，然而由于熱紅外成像技術(shù)的限制，高空間分辨率和高時間分辨率難以直接獲得。而通過對大尺度圖像信息輸出分析轉(zhuǎn)化能夠獲得小尺度圖像信息，有效獲取圖像細(xì)節(jié)，從而為機械制造過程提供更有效的圖像處理效果。

文獻[2]提出熱紅外圖像降尺度研究，將上海市設(shè)定成研究對象，以地表植被為主要研究目標(biāo)，歸一化處理數(shù)值，并將植被分解成三層結(jié)構(gòu)，將其輸入至熱紅外中，實現(xiàn)了降尺度研究。文獻[3]提出以地表溫度反演為目的的降尺度方法，根據(jù)光譜特征校正多光譜影像，再通過分解混合像元獲得不同端元的豐度，繼而構(gòu)建端處理模型，實現(xiàn)地表溫度的估算。以上兩種傳統(tǒng)方法在一定程度上解決了熱紅外圖像空間分辨率不足的問題，但在實際應(yīng)用中仍存在降尺度精度不高的問題。

針對上述問題，本研究提出面向機械制造環(huán)境的無人機熱紅外圖像空間分辨率降尺度自動化處理方法。首先進行圖像的預(yù)處理，再將圖像輸送至BP神經(jīng)網(wǎng)絡(luò)，進行降尺度訓(xùn)練，從而提高降尺度的精度和質(zhì)量。

1 無人機熱紅外圖像降尺度

利用無人機搭載熱紅外遙感技術(shù)進行地表溫度監(jiān)測是最常用的手段，但是獲取到的紅外圖像一般是大尺度圖像，包含的信息較為粗略。對于無人機熱紅外圖像降尺度問題來說，其研究難點在于地表溫度與光譜指數(shù)函數(shù)關(guān)系的不確定性。兩種方法對于這一問題的處理效果不佳，需要另外進行自動化處理，因此方法過程較為復(fù)雜。在此背景下，為解決上述問題，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用其中。因其具有較強的學(xué)習(xí)能力，因此無需明確數(shù)據(jù)。這一優(yōu)勢使得BP神經(jīng)網(wǎng)絡(luò)，適用于無人機熱紅外圖像降尺度問題的研究。本研究分為三部分，即熱紅外圖像預(yù)處理、地表特征參數(shù)反演及相關(guān)性分析以及無人機熱紅外圖像降尺度實現(xiàn)。

1.1 無人機熱紅外圖像預(yù)處理

圖像在獲取時易受到多種因素的影響，而與實際情況存在偏差，易發(fā)生失真、畸變等問題，干擾獲取圖像中的信息[4]。在此背景下，為還原實際圖像，需對無人機熱紅外圖像進行如下預(yù)處理工作。

1）輻射校正

輻射校正可以削弱外界環(huán)境對圖像的影響，矯正變形圖像，從而減少誤差。基本原理是將熱紅外遙感圖像的亮度值（DN）轉(zhuǎn)變?yōu)檩椛淞炼戎礫5]。轉(zhuǎn)換公式如下：

式中，Zλ為大氣頂層的輻射亮度值（W/cm2.μm.sr）；DN為熱紅外遙感圖像原始DN值；Gain和offset為波段定標(biāo)系數(shù)。

輻射校正中包含大氣矯正，進行大氣矯正可以有效減少空氣散射對圖像的影響，降低誤差。具體計算公式如下：

式中：xa、xb、xc為大氣校正參數(shù)；ρ為校正后的反射率；Zλ為波段λ的輻亮度。設(shè)定大氣校正參數(shù)并記錄結(jié)果，具體數(shù)值如表1所示。

表1 大氣校正參數(shù)及結(jié)果

2）幾何校正

幾何校正的目的是消除或改正熱紅外圖像預(yù)幾何畸變的問題，其基本思路是，通過對圖像進行旋轉(zhuǎn)等過程的調(diào)整，使畸變的圖像恢復(fù)正常。具體過程如下：

步驟1：建立調(diào)整圖像和標(biāo)準(zhǔn)圖像的坐標(biāo)軸。

步驟2：選擇地面控制點，尋找相同位置的地面控制點。

步驟3：選擇校正模型。模型公式如下：

或

x、y為像元坐標(biāo)；a、b是x、y的共軛點。

步驟4：根據(jù)目的選擇合適的采樣方法。

步驟5：幾何校正的精度分析。

3）幾何配準(zhǔn)

幾何配準(zhǔn)基本流程如下：

步驟1：圖像特征提取；

步驟2：特征匹配；

步驟3：變換模型估計；

步驟4：坐標(biāo)變換與插值。

1.2 基于BP神經(jīng)網(wǎng)絡(luò)的光譜指數(shù)選擇與溫度反演

經(jīng)過預(yù)處理后，畸變的無人機熱紅外圖像恢復(fù)正常，繼而對其進行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲取高分辨率的熱紅外圖像。其中，BP神經(jīng)網(wǎng)絡(luò)全稱為人工神經(jīng)網(wǎng)絡(luò)，包含三層結(jié)構(gòu)。BP神經(jīng)網(wǎng)絡(luò)可以進行正傳播和反傳播。進行正傳播時，輸入光譜指數(shù)，在隱含層處進行計算，到達(dá)溫度輸出層，輸出再次運算，得出輸出溫度結(jié)果。基于此，判斷輸出結(jié)果與期望結(jié)果之間的差值是否小于設(shè)定的額定。若其小于額定值，則完成訓(xùn)練，若其大于額定值，則進入下一階段工作，直到輸出結(jié)果與期望值相近。

1.2.1 光譜指數(shù)選擇

光譜指數(shù)，也可稱為地表特征參數(shù)，是指影響地表溫度變換的因素，例如亮度溫度、大氣透過率、改進的歸一化差異水體指數(shù)等。選擇其中幾個進行分析。

1）亮度溫度C

式中，K1、K2為普朗克校正常數(shù)，L表示輻亮度。

2）地表比輻射率r

其中，λ表示波長，C表示溫度，BsλC表示物體輻射強度；BbλC表示黑體輻射強度。

3）大氣透過率e

表2 大氣透過率計算方程

4）等效大氣平均溫度C'

表3 等效大氣溫度表

1.2.2 地表溫度反演

其是在已知上述光譜指數(shù)的基礎(chǔ)上，利用單窗算法反向推導(dǎo)出地表溫度。

Ts為地表溫度；C'為等效大氣平均溫度；a和b回歸系數(shù)（a=-67.355351。b=0.458606）；α和β為中間系數(shù)。

其中，e表示大氣透過率。

熱紅外圖像降尺度中，基本流程如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)降尺度流程

傳統(tǒng)圖像降尺度方法需對圖像地表分類后，進行降尺度操作，但研究選用的BP神經(jīng)網(wǎng)絡(luò)具有優(yōu)越性，獲得的光譜指數(shù)和溫度關(guān)系數(shù)值更加穩(wěn)定，可以在復(fù)雜地形中進行運算。將上述得到的光譜指數(shù)作為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸入，以地表溫度反演結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出，進行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。訓(xùn)練完成后，使反演過程具有自動化屬性，在進入測試節(jié)點后，以高分辨率的光譜指數(shù)作為輸入，自動化輸出得到高分辨率的熱紅外圖像。

2 實驗設(shè)計與結(jié)果分析

2.1 實驗區(qū)基本參數(shù)及圖像采集

為驗證本文方法的有效性，選擇廣州省廣東市的花都區(qū)作為實驗區(qū)域，該區(qū)地表資源豐富、結(jié)構(gòu)復(fù)雜，綠植以及建筑均較多，具備基本實驗條件。

圖2 實驗區(qū)域高空衛(wèi)星圖

在該地區(qū)上空利用MERSI 1設(shè)備搭載無人機采集熱紅外圖像。MERSI 1基本參數(shù)如表4所示。

表4 MERSI 1基本參數(shù)

采集到的熱紅外圖像如圖3所示。

圖3 實驗區(qū)熱紅外圖像

2.2 不同降尺度方法精度對比

為驗證所提熱紅外圖像降尺度方法的精度，對比不同方法所得的輸出溫度與地表真實溫度的接近程度。對照方法為文獻[2]提出的基于改進三層分解模型的熱紅外影像空間降尺度方法和文獻[3]提出的基于地表溫度反演的熱紅外影像空間降尺度方法。隨機選取植被區(qū)、建筑區(qū)和水體區(qū)，并且分別在三個區(qū)域中隨機設(shè)定500個點作為采樣點，并將尺度上升到150m，得到不同方法的溫度值對比結(jié)果，如圖4所示。

根據(jù)圖4實驗結(jié)果可知，所提方法獲得的溫度與地表真實溫度更為相近，驗證了所提無人機熱紅外圖像降尺度方法的實際應(yīng)用效果優(yōu)于傳統(tǒng)方法。

圖4 不同方法的降尺度精度對比

2.3 綜合指標(biāo)評估

本次研究中不同方法的降尺度精度評價指標(biāo)設(shè)定為均方根誤差（Ra）、決定系數(shù)（R2）以及信息熵（G（i））。其中，均方根誤差與降尺度誤差存在正比例關(guān)系，決定系數(shù)與降尺度精度存在正比例關(guān)系。信息熵可以評估影像自身質(zhì)量，信息熵值越高，降尺度后的圖像質(zhì)量就越高。

均方根誤差：

決定系數(shù)：

信息熵：

其中，n為影像的像素數(shù)量；i為像素序號；Pi代表像素值；S為降尺度影像；SR為降尺度影像原始溫度反演結(jié)果。均方根誤差越小，決定系數(shù)越大；熵的值越高，因此證明圖像質(zhì)量好。

利用以上指標(biāo)評估不同方法的無人機熱紅外圖像降尺度結(jié)果，統(tǒng)計數(shù)據(jù)如表5所示。

表5 無人機熱紅外圖像降尺度質(zhì)量

由表5得知，利用本文基于BP神經(jīng)網(wǎng)絡(luò)的方法對無人機熱紅外圖像進行降尺度后，統(tǒng)計出來的均方根誤差、決定系數(shù)和信息熵數(shù)值表現(xiàn)均優(yōu)于兩種傳統(tǒng)方法，證明本文方法具有有效性。

2.4 不同方法降尺度后圖像質(zhì)量對比

為更直觀對比不同方法的圖像效果，利用兩種傳統(tǒng)方法和所提方法分別對原始熱紅外圖像進行降尺度自動化處理，所得圖像如圖5所示。

圖5 實驗區(qū)熱紅外圖像降尺度結(jié)果

圖5實驗結(jié)果顯示：利用文獻[2]以及文獻[3]方法進行熱紅外圖像降尺度后圖像出現(xiàn)了明顯失真，圖像信息丟失，且圖像模糊，影響方法的進一步應(yīng)用。所提方法自動化處理后的熱紅外圖像細(xì)節(jié)清晰，圖像質(zhì)量得以保障。本次實驗驗證了所提方法具有理想的實際應(yīng)用性能。

3 結(jié)語

優(yōu)化民用機械制造業(yè)領(lǐng)域的無人機機制，是提升無人機技術(shù)應(yīng)用性的重要路徑，為此，本文提出無人機熱紅外圖像空間分辨率降尺度自動化處理方法。經(jīng)測試可知，本文方法具有應(yīng)用有效性。在日后研究中還需對該方法的其他應(yīng)用性能進行測試，以期為該領(lǐng)域相關(guān)研究提供可靠依據(jù)。