余龍君

（廣東省國土資源測繪院，廣東 廣州 510500）

0.引言

測繪遙感技術目前廣泛應用于地質勘探、地形分析、航天航空以及海洋環(huán)境勘察等工作中，通過測繪遙感設備得到真實的環(huán)境影像，為了便于這些影像的存儲，以壓縮圖像的形式保存這些影像，而這一過程會使影像分辨率下降。目前，關于遙感壓縮影像方面的研究已有很多，如林瑤瑤等人從影像灰度、紋理、相關性等質量特征和精度兩方面進行影像壓縮質量評價實驗，開展了多種格網尺寸DSM的提取，通過比較不同壓縮比下重建與原始影像生成的DSM平均高程誤差實現(xiàn)了遙感壓縮影像分辨率的優(yōu)化。但是由于實際地形因子以及測試影像會影響提取精度，從而導致影像壓縮的效果被降低。陳文青等人提出一種基于奇異值分解（SVD）的遙感圖像壓縮方法，首先通過SVD分解獲得壓縮矩陣，然后采用局部壓縮矩陣生成原始圖像的近似圖像。在分解過程中，通過壓縮矩陣的奇異值曲線獲取奇異值的衰減曲線以及對圖像的貢獻程度，選取不同的壓縮值可以實現(xiàn)遙感圖像的壓縮。但是對壓縮處理時間和特征點定位方面沒有深入研究。因此研究基于全卷積神經網絡的測繪遙感壓縮影像分辨率優(yōu)化方法。全卷積神經網絡拋棄常規(guī)卷積神經網絡模型的全連接層，轉而使用卷積層分析數據原始尺寸，通過逐像素計算分類損失得到分割結果，一定程度上減少了采樣過程中的信息丟失。下面對此次研究的優(yōu)化方法進行詳細介紹。

1.測繪遙感壓縮影像分辨率優(yōu)化方法

1.1 構建自適應小波閾值全變分去噪模型

小波閾值函數去噪可以實現(xiàn)去噪效果，但根據傳統(tǒng)方法的應用效果可知，小波閾值去噪會造成圖像邊緣模糊的現(xiàn)象，而全變分模型可以保護圖像邊緣。因此，可以將小波閾值函數和全變分相結合，達到去噪效果的同時保留圖像邊緣的目的。圖像被噪聲污染是一個正向問題，根據觀測的圖像數據和所給的限制條件和所作的假設來獲得原圖像數據。基于全變分的去噪模型可以用以下方程式來表達如公式（1）所示：

式（3）中，ω在圖像去噪的過程中起到平衡作用，當ω的取值越大，保真性就越強，圖像去噪后和原圖像差別越不明顯。ω的值可以根據去噪圖像的峰值信噪比來確定，該方法通過小波變換確定圖像分解層，在此基礎上進行全變分和閾值化處理，最后基于小波逆變換進行圖像重構，從而得到去噪后的圖像結果。

1.2 基于全卷積神經網絡恢復壓縮影像

為了加強壓縮圖像的邊界恢復效果，同時明確圖像邊界，采用條件隨機場下的全卷積神經網絡恢復壓縮影像。該算法的基本流程（如圖1所示）：

圖1 全卷積神經網絡恢復影像的算法基本流程

根據圖1顯示內容，影像首先輸入多孔FCN中Pool5層之前的架構，以此擴大影像結構的視野感受，加強對細節(jié)內容的分析；然后將該架構輸入到DenseASPP模塊當中，加強算法對多尺度物體的適應效果；再將該模型中的數據，發(fā)送到Fc7層的后續(xù)卷積層之內；最后進入概率圖模型模塊展示單元，通過ConvCRFs一RNN，也就是條件隨機場下的全卷積神經網絡，得到壓縮影像的語義分割結果。上述算法執(zhí)行影像恢復操作的過程中，使用的CRFs由單個像素或圖像塊上的一元勢，和相鄰像素或塊上的二元勢組成，生成了鄰接CRFs結構。但該結構遠程連接能力較為一般，會使壓縮影像的邊界過度平滑，對該算法進一步優(yōu)化。假設全連接的二元CRFs結構中，I是x上的完整影像，ZI是所有一元團、二元團的集合。如公式（4）所示：

式（4）中，E（x）為吉布斯能量函數計算結果；λw（xi）為示一元勢；xi、yi為不同方位的影像特征標簽。利用上式優(yōu)化ConvCRFs一RNN，重構卷積條件隨機場，通過重復層堆疊的方式多次平均場迭代，從每次迭代的前一次迭代中，獲取原始形式一元勢值，一元勢正則化輸出后與輸入特征圖疊加，然后進行平均場迭代的消息傳遞，每次迭代時將輸出與原始輸入特征影像進行疊加，并將其作為下一次迭代輸入，直到迭代次數達到預設值后從模塊中跳出，通過條件隨機場下的全卷積神經網絡，恢復遙感壓縮影像實際尺寸。

1.3 壓縮影像陰影的提取與補償

遙感影像中的陰影區(qū)域在顏色結構上存在一定的規(guī)律，但受到外界客觀因素的影響，陰影區(qū)域的色彩結構會發(fā)生相應變化，因此，要對陰影區(qū)域進行分析和提取。將圖像的亮度分量與飽和度分量進行歸一化處理，并計算圖像亮度與飽和度差值。如公式（5）所示：

式（5）中，A表示影像的亮度；B表示飽和度分量。根據圖像陰影區(qū)域特征，建立圖像的陰影區(qū)域提取模型如公式（6）所示：

式（6）中，F(xiàn)1、F2分別為影像圖中陰影部分的色調與非陰影區(qū)域的色調分別為圖像色調和圖像亮度與飽和度的差值。利用該提取模型對遙感影像的圖像序列進行陰影區(qū)域提取。在此基礎上，結合根據灰度線性變換算法對圖像陰影區(qū)域的像素點進行灰度補償，獲取非陰影部分信息如公式（7）所示：

式（7）中，p為圖像非陰影區(qū)域的像素點；Nab為非陰影部分；dia為陰影區(qū)域與非陰影區(qū)域的距離；d（p，Nab）為圖像中非陰影區(qū)域中任一位置與陰影區(qū)域的距離。獲得非陰影部分后，結合灰度變換與映射函數對圖像中的陰影區(qū)域進行像素灰度補償。如公式（8）所示：

由此實現(xiàn)壓縮影像陰影區(qū)域的提取與補償，對遙感壓縮影像分辨率進行優(yōu)化。

2.測試與分析

將文中提出的方法作為實驗組，將傳統(tǒng)方法1和傳統(tǒng)方法2作為對照組，分別利用三種優(yōu)化方法，優(yōu)化測繪遙感壓縮圖像的分辨率。實驗共分為兩個階段，第一階段測試此次研究方法，是否具有實際應用功能；第二階段從兩個方面，比較三組優(yōu)化方法的實際應用效果。

2.1 實驗準備

測試開始之前準備測試對象：從USGS提供的數據庫中，選擇4條礦物光譜曲線，組成不同的立方體影像然后進行壓縮處理。在空間維度上，將該立方體平均分為4個部分，每個部分中均還有同樣的礦物光譜曲線。為了方便實驗測試與結果分析，添加的噪聲為高斯噪聲。設置兩個實驗測試方案，其中方案A：將噪聲直接添加到壓縮影像上，保證各個子塊的噪聲分布狀態(tài)相同，此時實驗添加的噪聲為18.92dB。然后保證測試對象不變，再以同樣的測試條件，設置方案B：分別向4個子塊添加不同程度的噪聲，影像的總體信噪比為14.23dB，4組影像的信噪比分別為23.37dB、19.58dB、12.49dB以及5.2dB。測試此次研究的壓縮影像分辨率優(yōu)化方法，面對添加噪聲后的壓縮影像，是否有良好的分辨率優(yōu)化，結果（如圖2所示）：

圖2 文中方法的壓縮圖像分辨率優(yōu)化效果

根據圖2所示的測試結果可以看出：不同分塊交界處邊緣明顯亮過非邊緣區(qū)域，說明不論如何添加噪聲，該方法注意到了像素細節(jié)，不易受噪聲條件干擾?？梢娫摲椒ň哂锌尚行?。

2.2 采樣效果測試

將本文方法與文獻和文獻方法進行對比，將文獻中的構像質量評價方法和文獻中的奇異值分解方法分別記為傳統(tǒng)方法1和傳統(tǒng)方法2，三組優(yōu)化方法在應用過程中，為了填補影像陰影部分，都會利用各自的方法，補償壓縮影像陰影部分的分辨率，而這一過程需要對影像進行特征采樣，圖3為三個測試組的特征點采樣定位效果圖（如圖3所示）：

根據圖3所示的測試結果可知，文中優(yōu)化方法采用3次綜合定位的方法，獲取像素點。而兩個傳統(tǒng)方法分別選擇2次和1次定位方法，獲取像素點。為了保證測試結果的誤差最小，共進行6輪特征點采樣定位，三組特征點與最優(yōu)特征點之間的定位差距（如表1所示）：

圖3 特征點采樣定位效果圖

表中的正數表示方向X上的定位差異；負數表示方向-X上的定位差異。為了便于比較，統(tǒng)計表1中三組方法的平均定位差距，分別為0.0517mm、0.345mm以及0.4167mm。計算三組方法之間的特征點定位差異，可知文中方法的定位結果，比傳統(tǒng)方法1低了0.2933mm；比傳統(tǒng)方法2低了0.365mm?？梢娢闹刑岢龅膬?yōu)化方法，在補償陰影像素時，可能會得到更好的分辨率優(yōu)化結果。因此選擇一個固定的測試對象來源，分別利用三組方法對同一分辨率的測繪遙感壓縮影像，進行質量優(yōu)化，比較不同方法的優(yōu)化效果。

表1 特征點定位差距（mm）

2.3 LIVE圖像數據庫實驗

為比較各個優(yōu)化方法的性能，采用視頻工程實驗室LIVE提供的圖像數據庫展開測試。該數據庫中滿足測試要求的遙感壓縮影像共982幅。利用三組優(yōu)化方法，優(yōu)化LIVE圖像數據庫中的低分辨率壓縮圖像。三種優(yōu)化方法應用下，壓縮影像的質量評價結果（如圖4所示）：

圖4 優(yōu)化后的壓縮影像質量評價結果

根據上述質量評價結果可知：兩種傳統(tǒng)方法處理海量的壓縮影像時，在恢復壓縮圖像的過程中，各個像素點明顯脫離擬合曲線，可見傳統(tǒng)方法面對像素點數據時，其融合效果明顯弱于文中提出的優(yōu)化方法。然后計算各個優(yōu)化方法應用下，影像分辨率評價指標（如表2所示）：

表2 文中方法與傳統(tǒng)方法的優(yōu)化性能對比

表2中的5項評價指標分別為相關系數、均方根誤差、平均絕對誤差、秩相關系數以及離出率。根據表2中的計算結果可知，文中方法對于LIVE圖像數據庫中，低分辨率的壓縮影像，有更好的優(yōu)化效果。

3.結束語

此次研究在傳統(tǒng)優(yōu)化方法的基礎上，利用全卷積神經網絡代替經典神經網絡，實現(xiàn)了對壓縮影像的分辨率優(yōu)化。但全卷積網絡在恢復壓縮圖像時，容易忽略相鄰像素間的類別相關性，因此使用該神經網絡時，要注意條件隨機這一使用條件。