胡 敏，周 波

(1.宣城職業(yè)技術(shù)學(xué)院，安徽 宣城 242000；2.合肥工業(yè)大學(xué)，安徽 合肥 230009)

無人機(jī)飛行存在復(fù)雜、高速、多變等特點(diǎn)，使其遙感圖像的成像條件也有特殊性，分辨率比一般遙感圖像高，并含有更多的信息和細(xì)節(jié)，但又容易受到各種因素影響而退化，利用計(jì)算機(jī)視覺技術(shù)對其遙感圖像進(jìn)行分析和提取目標(biāo)物體的輪廓是一項(xiàng)艱巨的任務(wù)[1]。通常的遙感圖像處理軟件和攝影測量軟件都不會對無人機(jī)圖像處理模塊進(jìn)行定制，這給無人機(jī)遙感圖像信息提取帶來了困難[2]。在此基礎(chǔ)上，提出了一種基于深度學(xué)習(xí)的深度監(jiān)測方法，檢測拍攝到的端到端邊緣，該方法雖然能夠快速提取邊緣信息，但受光照影響，提取結(jié)果并不精準(zhǔn)；用Canny算子計(jì)算出像素的梯度值和方向，不均勻光反射區(qū)的梯度值遠(yuǎn)遠(yuǎn)大于真實(shí)輪廓上的像素值，該算法將噪聲標(biāo)記為邊界，將像素標(biāo)記為零，導(dǎo)致邊緣檢測失敗。為此，提出了基于圖像分割的無人機(jī)遙感影像目標(biāo)提取技術(shù)。圖像分割是計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)重要問題，它是圖像處理分析的關(guān)鍵環(huán)節(jié)，在圖像工程中占有重要地位，也是進(jìn)一步理解圖像的基礎(chǔ)。

1 基于圖像分割的無人機(jī)遙感影像目標(biāo)提取

1.1 圖像分割

無人機(jī)遙感影像中色彩平面為紅、綠、藍(lán)(red，green，blue，RGB)平面，用于圖像顯示，通常以R、G、B分量作為色彩影像分值，依據(jù)該值分割圖像[3]。

1.1.1 彩色空間轉(zhuǎn)換

在分割圖像時(shí)，應(yīng)先選擇彩色空間HIS，設(shè)H表示顏色名稱，用來區(qū)分顏色種類；S表示顏色純度，用來區(qū)分顏色深度；I表示光亮程度，用來區(qū)分顏色亮度，HIS彩色空間直觀示意圖如圖1所示。

圖1 HIS彩色空間

由圖1可知，H分量值在0到2π之間；S分量值在0%到100%之間；I分量值用百分比量表示，從黑到白的變化范圍為0%到100%之間。HIS彩色空間中圓柱體底上的點(diǎn)均為黑色，I分量值最小，在0～10%范圍內(nèi)；圓柱體頂上的點(diǎn)均為白色，I分量值最大，在90%～100%范圍內(nèi)[4]。

以R、G、B分量為色彩影像分值，將RGB平面轉(zhuǎn)換成HIS彩色空間，轉(zhuǎn)換公式如式(1)所示。

(1)

公式(1)中，R、G、B分量變化范圍在[0,255]之間。

1.1.2 圖像分割流程

根據(jù)彩色空間轉(zhuǎn)換結(jié)果，設(shè)計(jì)圖像分割流程，如圖2所示。

圖2 圖像分割流程

由圖2可知，將圖像分割正常模式與分割畸變動態(tài)信息相結(jié)合，用于分割無人機(jī)遙感影像獲取的不同子影像[5]。將顏色和紋理特征結(jié)合在一起，根據(jù)特征融合原理對隱藏層進(jìn)行處理，由此提取顏色和紋理特征。為了實(shí)現(xiàn)對目標(biāo)分割，結(jié)合圖像灰度和梯度信息，對圖像進(jìn)行閾值分割[6]。詳細(xì)分割內(nèi)容如下所示。

(1)對待分割的圖像輪廓邊緣進(jìn)行疊加處理。

(2)采用區(qū)域增長法對輪廓邊緣疊加處理后的圖像進(jìn)行最大輪廓法融合。

(3)以圖像的左上角為出發(fā)點(diǎn)，以此作為搜索區(qū)域種子點(diǎn)，進(jìn)行全局搜索，得到首個(gè)非零灰度值像素點(diǎn)。全局搜索規(guī)則為以搜索到的種子點(diǎn)為起始點(diǎn)，按照從上到下順序開始搜索，設(shè)定搜索補(bǔ)償閾值后，尋找下一個(gè)非零像素點(diǎn)，當(dāng)找到符合該條件的區(qū)域時(shí)，判斷該區(qū)域范圍內(nèi)是否有種子點(diǎn)出現(xiàn)[7]。如果該區(qū)域內(nèi)有種子點(diǎn)，則繼續(xù)搜索，直到不再出現(xiàn)種子點(diǎn)為止[8]。

(4)填補(bǔ)空洞目標(biāo)，使該目標(biāo)具備完整目標(biāo)輪廓。

(5)對完整目標(biāo)輪廓進(jìn)行腐蝕處理，處理邊緣多余信息，結(jié)合形態(tài)學(xué)濾波對該輪廓進(jìn)行膨脹處理后，可得到完整分割圖像[9]。

1.2 圖像預(yù)處理

因?yàn)闊o人機(jī)攜帶的相機(jī)是普通的單反非測量相機(jī)，其圖像存在著邊緣失真問題，所以需要對邊緣失真進(jìn)行修正處理，由相機(jī)標(biāo)定獲得相機(jī)主點(diǎn)、焦距、畸變參數(shù)以及修正、采集圖像主要點(diǎn)變形參數(shù)[10]。無人機(jī)遙感影像受到天氣狀況影響，相鄰空間鄰域圖像亮度和色彩存在較大差異。因此，對分割后圖像進(jìn)行色彩及亮度統(tǒng)一處理是具有必要性的[11]。采用統(tǒng)一的色彩處理無人機(jī)遙感影像，使圖像在顏色、紋理和形狀上保持一致。當(dāng)對整個(gè)光線進(jìn)行均勻處理時(shí)，應(yīng)選擇參考影像，參考影像可以從光照均勻的圖片上切下一個(gè)小區(qū)域，然后調(diào)整到所需的色調(diào)。參考影像的選擇應(yīng)包括在均勻光照下的典型地物特征，盡量不要含有過多的水分，單光拍攝時(shí)不需要參考圖像[12]。

1.3 建立對象層次結(jié)構(gòu)

觀察原始圖像，根據(jù)目標(biāo)物體的尺寸和特征分布情況，將多尺度分割成兩個(gè)層次，并確定兩個(gè)不同層次的權(quán)重。

目標(biāo)層次結(jié)構(gòu)如表1所示。

表1 目標(biāo)層次結(jié)構(gòu)

由表1可確定目標(biāo)層次結(jié)構(gòu)，以此對目標(biāo)特征分類。

1.4 提取流程設(shè)計(jì)

在確定目標(biāo)權(quán)重后，使用Hough變換技術(shù)提取目標(biāo)輪廓信息，該方法中的量化變換程度決定了不同角度變化復(fù)雜性，若量化后過于粗糙，則無法變換為精確值；反之，若量化后過于精細(xì)，那么將會增加計(jì)算量。因此，將線的正確性和有效性結(jié)合起來，用積累的邊點(diǎn)數(shù)來表示正確性，所以可以用五元組來表示線的正確性。

對一條邊緣點(diǎn)線進(jìn)行統(tǒng)計(jì)的算法是：首先統(tǒng)計(jì)邊緣點(diǎn)數(shù)量，然后根據(jù)公式(2)計(jì)算終點(diǎn)與起始點(diǎn)距離。

L=((x,y),(x′,y′),E,θ,N)

(2)

公式(2)中：五元組分別為(x,y)、(x′,y′)、E、θ、N，分別表示起始點(diǎn)坐標(biāo)、終點(diǎn)坐標(biāo)、Hough變換結(jié)果、法線對橫軸角度、有效邊緣數(shù)量。

在提取邊緣線時(shí)，需要?jiǎng)h除一些短的線段，因?yàn)榫€段會使算法更加復(fù)雜，它不能作為劃分區(qū)域的依據(jù)，所以需要?jiǎng)h除，以有效值為基礎(chǔ)選取線段，刪除低于某閾值的線段，將線段向下延伸，作為圖中焦點(diǎn)區(qū)域輪廓。

1.4.1 林地目標(biāo)提取

林地覆蓋程度與裸地或建筑區(qū)之間有明顯差異，林帶分布范圍廣，且相對完整相連，林地和耕地一般為深綠，其它為黃褐色或其它顏色。

設(shè)林地目標(biāo)特征為F，其數(shù)學(xué)計(jì)算公式如式(3)所示。

(3)

1.4.2 建筑提取

對于其余未分類的圖像對象，如果紅色通道的平均值大于等于180，則判斷該目標(biāo)為高反射對象，由此進(jìn)行精細(xì)提取，根據(jù)建筑物光譜特征，構(gòu)建特征公式如式(4)所示。

(4)

公式(4)中：如果建筑物光譜特征B值在區(qū)間之間，則判別為建筑用地。

2 含噪圖像平滑處理

為提高分割精度，采用模糊C均值聚類方法平滑處理噪聲圖像。利用灰度聚類隸屬矩陣對圖像平面上的隸屬張量進(jìn)行變換處理，詳細(xì)過程如下。

step1，在確定迭代誤差、最大迭代次數(shù)和聚類類別數(shù)后，獲取一個(gè)分割后的初始隸屬度D={vi}；

step2，根據(jù)該隸屬度計(jì)算其標(biāo)記值如式(5)所示；

(5)

step3，依據(jù)該標(biāo)記值進(jìn)行第t步迭代處理，并更新隸屬度標(biāo)記值；

step5，依據(jù)標(biāo)記的最大隸屬度原則，判斷迭代誤差，計(jì)算公式如式(6)所示。

(6)

在此基礎(chǔ)上，將得到的灰度聚類隸屬度轉(zhuǎn)化為圖像RGB平面對應(yīng)的隸屬度張量，對隸屬度進(jìn)行均值(或中值)濾波處理后，輸出標(biāo)注值。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)獲取時(shí)間是2020年3月4日，使用SONY航拍相機(jī)獲取的，斜拍鏡頭為40MM，拍攝區(qū)域位于江西省贛州市管轄范圍內(nèi)。

在實(shí)驗(yàn)研究過程中，分析無人機(jī)遙感影像中所含有的紋理數(shù)值，得到300mm*400mm圖像，以此反映出影像視覺效果和紋理情況，如表2所示。

表2 紋理數(shù)值變化/3385×3385(px)

由表2可知，如果對角線上元素值較大，則說明該方向存在距離為d的相同灰度像素對，如果d為1，那么說明有兩個(gè)灰度相同像素對，紋理變化頻率較低；如果d為0，那么說明不存在兩個(gè)灰度相同像素對，紋理變化頻率高。

3.2 實(shí)驗(yàn)指標(biāo)

正確提取占總提取總數(shù)的百分比就是總體提取精度，其反映總體全部特征提取正確程度，計(jì)算公式如式(7)所示。

(7)

公式(7)中，mii表示每一種提取種i類的正確提取數(shù)，M表示提取總數(shù)。

3.3 實(shí)驗(yàn)結(jié)果與分析

分別使用基于深度學(xué)習(xí)方法、基于Canny算子方法和基于圖像分割技術(shù)提取裸地、建筑物、植被相關(guān)特征信息，通過特征提取精度分析所使用方法的有效性。

3.3.1 建筑物特征提取

分別使用三種方法提取建筑物特征信息，提取精度對比結(jié)果如表3所示。

表3 三種方法建筑物特征信息提取精度對比分析

由表3可知，使用基于深度學(xué)習(xí)方法在單層橫跨度下的最大提取誤差為0.7m，雙層高度下的最大提取誤差為1.5m；使用Canny算子在單層橫跨度下的最大提取誤差為1.5m，雙層高度下的最大提取誤差為2.0m；使用圖像分割技術(shù)在單層橫跨度下的提取誤差為0，雙層高度下的最大提取誤差為1.0m。因此，使用該方法建筑物特征信息提取精度較高。

3.3.2 植被特征提取

分別使用三種方法提取植被特征信息，樹高提取精度對比結(jié)果如表4所示。

表4 三種方法植被高度特征信息提取精度對比分析/m

由表4可知，使用基于深度學(xué)習(xí)方法在樹徑為9.5～10.5cm時(shí)，與實(shí)測值相差最大為1.3m。在樹徑為6.5～7.5cm、7.5～8.5cm時(shí)，與實(shí)測值相差最小為0.4m；使用Canny算子提取技術(shù)在樹徑為5.0～5.5cm時(shí)，與實(shí)測值相差最大為1.6m。在樹徑為10.5～11.5cm時(shí)，與實(shí)測值相差最小為0.9m；使用圖像分割提取技術(shù)在樹徑為5.0～5.5cm、6.5～7.5cm、10.5～11.5cm時(shí)，與實(shí)測值相差最大為0.1m，與實(shí)測值相差最小為0m。因此，使用該方法植被樹高特征信息提取精度較高。

結(jié)語

無人機(jī)遙感技術(shù)的迅速發(fā)展，使其在遙感圖像目標(biāo)提取中得到廣泛應(yīng)用。無人機(jī)遙感圖像目標(biāo)提取技術(shù)以圖像分割為基礎(chǔ)，獲得了較高的提取精度，在很大程度上可以取代基于深度學(xué)習(xí)方法、使用基于Canny算子方法的提取方法，具有一定的推廣價(jià)值。該方法在實(shí)現(xiàn)無人機(jī)遙感影像目標(biāo)自動提取的同時(shí)，滿足了無人機(jī)遙感影像目標(biāo)參數(shù)統(tǒng)計(jì)的要求。但由于測試數(shù)據(jù)一般不具有代表性，在以后的研究過程中，還需要收集實(shí)驗(yàn)數(shù)據(jù)進(jìn)行進(jìn)一步驗(yàn)證和分析。由于外部環(huán)境的影響，目標(biāo)提取過程中，提取結(jié)果參數(shù)不完全。部分目標(biāo)圖像中心點(diǎn)參數(shù)無法提取，導(dǎo)致提取結(jié)果存在一定誤差。為提高目標(biāo)提取的準(zhǔn)確度，在今后的研究中，需要根據(jù)不同的圖像參數(shù)，實(shí)現(xiàn)目標(biāo)的自動提取。