摘" 要： 不同景觀斑塊特征存在一定的差異，整體增強會導致斑塊重疊和模糊等問題。為此，提出一種大規(guī)模景觀圖像斑塊特征增強算法。計算大規(guī)模景觀圖像斑塊形狀指數(shù)、多樣性指數(shù)、破碎性指數(shù)、最大斑塊指數(shù)以及優(yōu)勢度指數(shù)，以此反映景觀圖像內斑塊組成和結構特征，并度量景觀斑塊特征；再將所有指數(shù)計算結果組成斑塊特征集，輸入多分支注意力機制卷積神經(jīng)網(wǎng)絡中，依據(jù)網(wǎng)絡通道注意力機制增強圖像斑塊特征分辨率；最后，將增強結果作為局部特征融合網(wǎng)絡的輸入，通過該網(wǎng)絡的卷積操作生成各個通道的局部斑塊圖，獲取局部特征、斑塊特征的位置和細節(jié)信息，完成斑塊特征二次增強。仿真實驗結果表明：所提出的增強算法的梯度損失和結構相似性損失函數(shù)值均在0.10以下，說明其能夠有效處理斑塊邊緣之間的模糊效應，并且可靠區(qū)分不同的景觀斑塊分布空間。

關鍵詞： 大規(guī)模景觀圖像； 斑塊特征； 增強算法； 網(wǎng)絡通道注意力機制； 卷積神經(jīng)網(wǎng)絡； 特征分辨率

中圖分類號： TN911.73?34； TP391" " " " " " " " " "文獻標識碼： A" " " " " " " " " 文章編號： 1004?373X（2024）12?0086?05

Simulation of large scale landscape image patch feature enhancement algorithm

YANG Bixiang

（Beijing Institute of Technology， Zhuhai 519088， China）

Abstract： There are a certain differences in the characteristics of different landscape patches， and overall enhancement can lead to issues such as patch overlap and blurring. Therefore， a large?scale landscape image patch feature enhancement algorithm is proposed. The shape index， diversity index， fragmentation index， maximum patch index， and dominance index of large?scale landscape image patches are calculated to reflect the composition and structural characteristics of patches in the landscape image， and measure the characteristics of landscape patches. All index calculation results are composed into a patch feature set and input into the multi branch attention mechanism convolutional neural network， so as to enhance the resolution of image patch features by means of the network channel attention mechanism. The enhancement results are used as input of the local feature fusion network， and local patch maps of each channel are generated by means of the convolution operation of the network， obtaining local features， the position and detail information of patch features， and completing the secondary enhancement of patch features. The simulation experimental results show that the gradient loss and structural similarity loss functions of the enhanced algorithm are both below 0.10， indicating that it can effectively handle the fuzzy effects between patch edges and reliably distinguish different landscape patch distribution spaces.

Keywords： large scale landscape images; patch characteristics; enhanced algorithms; network channel attention mechanism; convolutional neural networks; feature resolution

0" 引" 言

隨著遙感技術和圖像處理技術的發(fā)展，獲取大規(guī)模景觀圖像數(shù)據(jù)變得更加容易，但由于景觀多樣性和復雜性，利用傳統(tǒng)方法進行特征提取和分析仍然具有挑戰(zhàn)性[1?2]。針對這一問題，研究大規(guī)模景觀圖像斑塊特征增強算法具有重要意義，可以有效地提取和增強景觀圖像中的斑塊特征，為后續(xù)的分類、目標檢測、環(huán)境監(jiān)測等應用提供更可靠的基礎[3]。通過該研究，可以實現(xiàn)對大規(guī)模景觀圖像數(shù)據(jù)更準確、高效的分析與利用，為生態(tài)環(huán)境管理、土地規(guī)劃、自然資源保護等領域提供重要決策支持[4]。

文獻[5]為實現(xiàn)特征增強，結合重復性和特異性分別對圖像中像素點特征距離進行約束，實現(xiàn)特征點匹配，完成特征增強。但是該方法在應用過程中，如果圖像規(guī)模較大，其增強后的圖像結構不夠完整。文獻[6]為實現(xiàn)特征增強，對圖像像素進行濾波處理后，實現(xiàn)圖像顏色均衡處理，以此獲取像素的分布情況，還原圖像光照情況，實現(xiàn)特征增強。但是該方法在應用過程中，圖像局部細節(jié)會存在分辨率較低的現(xiàn)象。文獻[7]通過空間鄰域信息提升樣本特征的判別性，然后引入基于極化統(tǒng)計HSV顏色特征的自適應超像素聚類算法實現(xiàn)樣本特征增強。但是該方法未對圖像特征進行分層處理，會導致不同類別斑塊之間存在重疊現(xiàn)象。文獻[8]采用同態(tài)濾波對圖像進行處理，然后利用限制對比度的自適應直方圖均衡化方法對紅外圖像進行動態(tài)范圍調整，實現(xiàn)圖像特征增強。該方法以圖像整體為基礎進行特征增強，不能可靠區(qū)分不同的景觀斑塊分布空間，增強效果不佳。

針對上述研究存在的問題，本文提出一種大規(guī)模景觀圖像斑塊特征增強算法。結合景觀指數(shù)情況分析各個景觀的空間格局，將景觀指數(shù)作為景觀圖像斑塊空間格局參數(shù)，依據(jù)該參數(shù)進行大規(guī)模圖像斑塊特征的初步確定；再將該斑塊特征圖像輸入多分支注意力機制卷積神經(jīng)網(wǎng)絡中，實現(xiàn)各個斑塊特征增強。

1" 斑塊特征增強算法設計

1.1" 斑塊空間格局指數(shù)計算

大規(guī)模斑塊空間格局指數(shù)可實現(xiàn)景觀斑塊信息的高度濃縮，能夠反映景觀圖像內斑塊的組成和結構特征，同時能夠度量景觀斑塊特征。因此，為實現(xiàn)大規(guī)模景觀圖像斑塊特征增強，首先計算圖像斑塊空間格局指數(shù)。由于該指數(shù)類別較多，文中選擇能夠更好地描述景觀斑塊特征和斑塊異質性的6個指數(shù)，分別為景觀斑塊形狀指數(shù)[ξ]、多樣性指數(shù)[η]、破碎性指數(shù)[Si]、最大斑塊指數(shù)[LPI]、聚集度指數(shù)[χAI]以及優(yōu)勢度指數(shù)[γ]，各個指數(shù)的計算公式分別為：

[ξ=P2πA]" " " " nbsp; " " " " "（1）

[η=-i=1MPi·lnPi]" " " " " "（2）

[Si=NiAi]" " " " " " " " " （3）

[LPI=aijmaxA]" " " " " " " "（4）

[χAI=giigiimax×100%]" " " " " " （5）

[γ=Hmax+i=1MPi·lnPi]" " " " " （6）

式中：[P]表示斑塊周長；[A]表示斑塊總面積；[Pi]表示第[i]類景觀類型的面積占比；[M]表示景觀斑塊類別數(shù)量；[Ni]表示景觀[i]的斑塊數(shù)量；[Ai]表示景觀[i]的面積；[aij]表示斑塊[ij]的面積；[gii]表示景觀斑塊[i]像元之間的連通數(shù)，其最大值用[giimax]表示；[Hmax]表示最大多樣性指數(shù)。

依據(jù)上述公式即可獲取大規(guī)模景觀圖像斑塊空間格局信息，以此反映景觀圖像內斑塊組成和結構特征。

1.2" 斑塊特征增強

每個斑塊均具有一定的結構和功能，并且各個斑塊之間具備相對獨立性，因此，為精準掌握景觀斑塊的空間分布和配置情況，依據(jù)各個指數(shù)的計算結果，采用多分支注意力機制卷積神經(jīng)網(wǎng)絡進行大規(guī)模景觀圖像斑塊特征增強。多分支注意力機制卷積神經(jīng)網(wǎng)絡整個分為兩個步驟，分別為圖像斑塊分辨率增強和局部特征融合增強[9]，前者通過通道注意力機制完成，后者通過局部特征融合網(wǎng)絡完成。

1.2.1" 斑塊特征分辨率增強

圖像斑塊分辨率增強是對大規(guī)模景觀圖像斑塊進行通道交互處理，以此提升各個斑塊的分辨率[10]。分辨率增強前，為保證大規(guī)模景觀圖像斑塊特征中高頻細節(jié)的完整度，先采用雙邊濾波算法進行大規(guī)模景觀圖像斑塊特征的分層處理。大規(guī)模景觀圖像斑塊特征集用[X=ξ，η，Si，LPI，χAI，γ]表示，對[X]進行分層處理的計算公式為：

[X=fx，ysx-x，y-ygfx，y，fx，yBx，ysx-x，y-y+gfx，y，fx，y] （7）

式中：[X]表示分層處理后的斑塊特征圖；[x，y]和[x，y]分別表示濾波中心點和相鄰位置坐標信息；[sx-x，y-y]和[gfx，y，fx，y]均表示濾波器，前者對應空域，后者對應值域；[Bx，y]表示大規(guī)模景觀圖像斑塊特征圖的背景強度。

將分層處理后的[X]作為輸入特征，通道注意力機制中的通道數(shù)量為[C]，尺寸大小為[H×W]，計算輸入特征中各個通道的對比度，同時對[X]進行轉換，使其形成尺寸為[1×1×C]大小的斑塊特征圖[TC]。第[c]個通道的對比度計算公式為：

[Tc=1H×Wi，j∈X′cX′ijc-1H×Wi，j∈X′cX′ijc2] （8）

式中：[c=1，2，…，C]；[i]和[j]表示像素點；[X′ijc]表示第[c]個通道斑塊像素點的特征。

依據(jù)公式（8）的計算結果可以得出[Tc=T1，T2，…，TC]。為構建[Tc]和每個通道之間的關聯(lián)，文中引入門控單元進行各個通道之間的非線性交互，公式為：

[Z=fW2φW1Tc]" " " " " " （9）

式中：[f（·）]和[φ（·）]表示激活函數(shù)；[W2]和[W1]均表示通道變換參數(shù)；[Z]表示斑塊特征值。

將[Z]和對應輸入特征[X]的通道相乘，獲取通道重新完成權重分配的斑塊特征，其計算公式為：

[X=XZ]" " " " " " " （10）

通過公式（10）獲取的斑塊即為分辨率增強后的斑塊特征。

1.2.2" 局部特征融合增強

完成斑塊特征分辨率增強后，為進一步提升斑塊特征增強效果，將[X]結果作為局部特征融合網(wǎng)絡的輸入，通過該網(wǎng)絡完成斑塊局部特征融合。局部特征融合網(wǎng)絡結構如圖1所示。

局部特征融合網(wǎng)絡采用1×1的卷積操作對[X]進行處理，運用該網(wǎng)絡進行斑塊特征融合時，在不改變原有大規(guī)模景觀圖像整體特征的基礎上，可對各個斑塊區(qū)域的特征權重進行調整，提升網(wǎng)絡對于斑塊局部特征的關注能力，以此更為精準地區(qū)分各個斑塊的特征，保證特征增強效果。

將[X]輸入局部特征融合網(wǎng)絡后，通過該網(wǎng)絡對[X]進行1×1的卷積操作，以此生成各個通道的局部斑塊圖，計算公式為：

[Pc=ζc1×1X，" c=1，2，…，C]" " " " "（11）

式中：[ζ]表示卷積操作；[Pc]表示第[c]個斑塊特征圖。

依據(jù)元素位將獲取的[Pc]和[X]進行相乘處理，獲取融合后的斑塊特征[Fc]，其計算公式為：

[Fc=PcX]" " " " " " " （12）

將公式（12）的計算結果進行全局池化自適應處理，處理后的斑塊特征圖為[F1，F(xiàn)2，…，F(xiàn)C]。在此基礎上，獲取局部特征，用[g1，g2，…，gC]表示；最后采用拼接的方式對局部特征進行處理，獲取大規(guī)模景觀斑塊特征矩陣[Ψ]，公式為：

[Ψ=qF1?XqF2?X?qFC?X=qF1qF2?qFC=g1g2?gC]" "（13）

式中：[q·]表示全局平均池化操作；“[?]”表示相乘處理。

通過上述步驟可以實現(xiàn)大規(guī)模景觀圖像斑塊局部特征融合，實現(xiàn)不同空間位置特征的精準獲取，并且依據(jù)全局平均池化可得出大規(guī)模景觀圖像的全局特征。通過該處理方式獲取更全面的特征，同時呈現(xiàn)不同位置特征細節(jié)，可以更好地描述特征通道和不同圖像位置之間的關聯(lián)。因此，本文通過上述處理完成大規(guī)模景觀斑塊特征二次增強，提升斑塊特征的位置和細節(jié)信息。

2" 仿真測試

為驗證本文增強算法的應用效果，采用OpenCV 3.3版仿真軟件進行仿真測試。該軟件作為一個開源計算機視覺庫，具備各種圖像處理功能，例如SIFT、SURT等。本文在進行仿真測試時，將該軟件運行于Windows操作系統(tǒng)中，完成圖像處理。

文中以某地區(qū)的大型綠地景觀作為測試對象，為可靠掌握該景觀的分布情況，獲取景觀的QuickBird衛(wèi)星遙感圖像。該衛(wèi)星具備較好的大范圍圖像獲取能力，并且分辨率較高，包含2.44 m的多光譜波段和0.6 m的全色波段，獲取的遙感圖像數(shù)量為500張，用于仿真測試。景觀區(qū)域的遙感圖像空間分布情況如圖2所示。

為驗證本文增強算法在大規(guī)模景觀圖像斑塊特征增強中的應用效果，采用梯度損失[Lg]和結構相似性損失函數(shù)[Lh]作為評價指標，兩個指標的取值均在0～1之間，其值越小，增強效果越佳。兩個指標的計算公式分別為：

[Lg=12?xRlow-?xRhigh2+?yRlow-?yRhigh2] （14）

[Lh=-1N2μxμy+B1μ2xμ2y+B1×2σxy+B2σ2x+σ2y+B2]" （15）

式中：[?x]、[?y]表示大規(guī)模景觀遙感圖像在[x]和[y]兩個維度方向的梯度算子；[Rlow]和[Rhigh]表示兩個維度方向的一階導數(shù)；[μx]、[μy]表示兩個維度方向均值；[σxy]表示兩者的協(xié)方差；[B1]和[B2]均為常數(shù)，主要作用是保證損失函數(shù)的分母不等于0。

通過本文增強算法進行大規(guī)模景觀圖像斑塊特征增強后，依據(jù)上述兩個公式計算增強后斑塊特征的[Lg]和[Lh]，結果如表1所示。

對表1測試結果進行分析后得出：隨著斑塊數(shù)量的逐漸增加，通過本文增強算法進行大規(guī)模景觀斑塊增強后，斑塊特征的[Lg]和[Lh]結果均在0.10以下，兩者的最大值分別為0.074和0.069。由此可知，本文增強算法能夠有效完成斑塊特征增強，增強后圖像結構完整。

為進一步驗證文中增強方法的應用效果，隨機抽取一張采集的大規(guī)模景觀圖像，僅以圖像中的植被景觀為例，通過本文增強算法對其進行斑塊特征增強，并將增強后的斑塊特征分布情況和增強前的斑塊特征分布情況進行對比，判斷本文增強算法的增強效果。為清晰呈現(xiàn)特征增強效果，放大局部斑塊特征，測試結果如圖3所示。

對圖3測試結果進行分析后得出：采用本文增強算法進行大規(guī)模景觀圖像斑塊特征增強前，鄰近斑塊邊緣存在模糊效應，并且不同類別斑塊之間存在重疊以及誤判現(xiàn)象；通過本文增強算法進行斑塊特征增強后，有效處理了斑塊邊緣之間的模糊效應，并且能夠可靠區(qū)分不同的景觀斑塊分布空間，為景觀生態(tài)保護提供了可靠依據(jù)。

3" 結" 論

為提升大規(guī)模景觀生態(tài)的管理水平和保護效果，需全面掌握景觀斑塊的分布特征，因此，文中提出一種大規(guī)模景觀斑塊特征增強算法。計算大規(guī)模景觀圖像斑塊空間指數(shù)結果，將計算結果作為大規(guī)模景觀圖像斑塊特征集，進行斑塊特征增強處理；通過所提方法處理強化斑塊邊緣，全面實現(xiàn)不同斑塊特征區(qū)分，為景觀管理和保護提供相關依據(jù)。

參考文獻

[1] 張成，陳文波，黃芳芳.基于景觀功能連通度的鄱陽湖草洲生境斑塊重要性評價[J].中國環(huán)境科學，2023，43（7）：3672?3687.

[2] 吳國榮，渠琛.基于GPU并行算法的景觀斑塊周長模擬測量仿真[J].計算機仿真，2023，40（3）：280?284.

[3] 盧昂，儲珺，冷璐.基于高低頻特征增強的圖像去霧[J].計算機工程，2023，49（8）：174?181.

[4] 胡瀚文，王猛，程衛(wèi)平，等.水下視覺SLAM的圖像濾波除塵與特征增強算法[J].機器人，2023，45（2）：197?206.

[5] 郭印宏，王立春，李爽.基于重復性和特異性約束的圖像特征匹配[J].圖學學報，2023，44（4）：739?746.

[6] 王相海，張文雅，邢俊宇，等.高階次Caputo型分數(shù)階微分算子及其圖像增強應用[J].計算機研究與發(fā)展，2023，60（2）：448?464.

[7] 任吉宏，劉暢.基于自適應超像素的少樣本極化SAR圖像特征增強方法研究[J].電子技術應用，2022，48（10）：144?149.

[8] 張珂，廖育榮，羅亞倫，等.基于改進同態(tài)濾波的紅外圖像增強算法[J].激光與光電子學進展，2023，60（10）：63?69.

[9] 陸瑤，王立國，石瑤.小樣本下基于空譜特征增強的高光譜圖像分類[J].哈爾濱工程大學學報，2022，43（3）：436?443.

[10] 杜海順，張春海，安文昊，等.基于多層信息融合和顯著性特征增強的農作物病害識別[J].農業(yè)機械學報，2023，54（7）：214?222.

[11] 楊虹，范勇.一種基于區(qū)分區(qū)域定位的細粒度圖像識別方法[J].計算機技術與發(fā)展，2023，33（11）：169?174.

[12] 陳茜，李蔚清.一種基于圖像特征融合的動態(tài)手勢識別方法[J].計算機與數(shù)字工程，2023，51（6）：1381?1386.

[13] 陳輝，王碩，許家昌，等.基于多尺度特征融合生成對抗網(wǎng)絡的水下圖像增強[J].計算機工程與應用，2023，59（21）：231?241.

[14] 夏弘睿，趙靜.基于人眼視覺特性的景觀圖像高頻細節(jié)增強方法[J].宜春學院學報，2022，44（12）：39?43.

[15] 顧藝，諸偉超.室內圖像去噪增強算法的研究與仿真[J].計算機仿真，2022，39（2）：149?152.

[16] 劉偉，肖致，劉波.基于深度學習的中草藥植物圖像識別研究與應用[J].信息與電腦（理論版），2022（12）：32?34.