基于大數據的遙感影像高亮目標定位方法

胡盛濱

（浙江省測繪科學技術研究院，浙江 杭州 311100）

0.引言

近年來，隨著對地觀測技術的迅速發展，獲取遙感影像數據的方式發展到了一個新的階段，出現了大量重訪周期短、空間分辨率高的成像衛星，能夠提供偵察不同地形環境、監視敏感目標的海量可分析數據[1]。然而在這種技術的發展中，成像衛星重訪周期的縮短以及高分辨率的提高，都使待處理的衛星遙感影像數據呈現爆炸性增長趨勢，為高亮目標的定位問題帶來了很大困難。面對遙感影像數據的幾何式增長，僅通過人工方式對高亮目標進行定位存在很大問題，包括人力與時間成本較高、判讀效率較低、獲取與處理信息的周期較長等，同時這種方式還會受到操作人員自身主觀認知的影響，無法滿足實際需求。而通過機器進行定位，現階段也存在準確度不高的問題。因此如何在大量遙感影像數據中進行高亮目標的準確定位，是一個重要的研究課題。

對于遙感影像高亮目標定位問題，目前研究成果已經十分豐富。早期的高亮目標定位主要是通過視頻圖像序列來實現。現階段的高亮目標定位則主要依靠像素灰度、對象先驗信息等來實現，主要是針對光學遙感影像。在研究中應用了多種方法，包括高斯尺度空間、稀疏表示、圖像拼接技術、輪廓提取算法、特征提取算法、滑動窗判決法等，這些方法的應用有效提升了目標定位的準確度。為獲取準確度更高的高亮目標定位結果，綜合目前取得的研究成果，對遙感影像高亮目標定位問題進行更加深入地研究，提出一種基于大數據的遙感影像高亮目標定位方法。

1.基于大數據的遙感影像高亮目標定位方法設計

1.1 數據處理

基于大數據中的基礎架構支持技術、數據處理技術以及數據交互與展現技術實施遙感影像的數據處理，使用的基礎架構為云計算平臺，通過該平臺獲取原始遙感影像數據。

使用的數據處理技術為系統集合校正、輻射校正以及零級處理等數據預處理技術以及多種數據深加工處理技術。

使用的數據交互與展現技術為RAWGraphs可視化工具，通過該工具實施遙感影像數據的信息提取[2]。

整體數據處理過程（如圖1所示）:

圖1 遙感影像整體數據處理過程

1.2 目標檢測

為實現遙感影像高亮目標檢測，首先需要實施圖像分割。使用的圖像分割方法為多尺度分割法，具體分割流程如下：

（1）將任意像素點當作起始點；

（2）對起始點像元鄰接的具有與起始點相同或相似像元性質的像素點進行尋找，并對尋找的像素點進行歸并，使其合并到同一區域內；

（3）將步驟（2）中的區域當作新的像素起始點，對步驟（2）中的操作進行重復執行，直到滿足條件的全部像素點被歸并至同一區域中，完成圖像的分割。

所獲取的分割結果是將遙感影像中零散分布的背景區域、種類不同的復雜背景整合為多個區域多邊形。在該過程中，需要將歸并至同一區域中的像元保持在最小的異質性上。

接著提取分割遙感影像中的感興趣區域，具體提取步驟（如圖2所示）：

圖2 遙感影像中的感興趣區域具體提取步驟

然后實施遙感圖像的復雜背景抑制，通過灰度形態學重建實現遙感影像高亮目標的檢測[3]。具體步驟如下：

（1）對全色圖像實施均值聚類濾波并抑制其高亮背景；

（2）對多光譜圖像實施均值聚類濾波并對其水體、建筑物、植被背景進行分離；

（3）對不相關背景進行充分抑制以減少虛假目標；

（4）實施灰度形態學重建，獲取檢測背景；

（5）通過背景差分法對高亮目標進行檢測；

（6）實施虛景去除處理。

通過以上步驟實現遙感影像高亮目標檢測。

1.3 目標識別

依據由粗到精的順序實施遙感影像高亮目標識別。通過級聯AdaBoost算法快速提取遙感影像上的少量候選高亮目標區域，作為粗略的目標識別過程。

在粗略的目標識別過程中，使用的級聯AdaBoost分類器是多層遞進結構。在分類感興趣區域時，只有被上一級分類器直接判定為高亮目標區域，該區域才能被送入下一級分類器中進行處理；未被判定為高亮目標區域時，該區域將會被直接拒絕。因此只有和目標相似的少數區域才能進入最后一級分類器中被識別，這種方式可以大幅減少精細識別時的計算量。

針對候選高亮目標區域對深度卷積神經網絡的對應特征進行提取，并在SVM分類器內實施特征的分類，利用非極大值抑制對最終結果進行求取，實現遙感影像高亮目標識別[4]。將該過程作為精細識別目標的過程。

1.4 目標定位

根據載體平臺的對應成像特性，將高程DEM數據與地理信息數據作為輔助，對有理函數模型進行修正，將目標識別結果的中心像素點坐標作為定位基礎，實現少量地面控制點或無地面控制點情況下的高亮目標精確定位。

通過手動選擇多光譜圖像與遙感全色圖像中的連測點來確定精確、少量的地面控制點[5]。利用遙感衛星的GCPs原始數據對高亮目標的地面空間初始坐標進行計算，在模型中代入選擇的地面控制點，實現模型的改善與修正。操作步驟具體如下：

（1）在目標識別結果中對任意一個四邊形區域進行選擇，用（A1，B1，C1，D1）來表示。該區域中有與A1、B1、C1、D1四個點相鄰近的四個點：A2、B2、C2、D2。以有理函數模型為依據，對A2、B2、C2、D2這四個點的地面坐標進行計算，用A2（X1，Y1）、B2（X2，Y2）、C2（X3，Y3）、D2（X4，Y4）來表示[6]；

（2）通過DEM數字高程數據對A2、B2、C2、D2這四個點的對應高度Z值進行獲取。此時，這四個點的對應三維坐標可以表示為A2（X1，Y1，Z1）、B2（X2，Y2，Z2）、C2（X3，Y3，Z3）、D2（X4，Y4，Z4）；

（3）通過A2、B2、C2、D2這四個點的地面坐標和有理函數模型對這四個點對應的像面坐標進行計算，分別用a2（I4，J1）、b2（I2，J2）、c2（I3，J3）、d2（I4，J4）來表示；

（4）通過A2、B2、C2、D2這四個點的對應的地面坐標A2（X1，Y1，Z1）、B2（X2，Y2，Z2）、C2（X3，Y3，Z3）、D2（X4，Y4，Z4）和對應的像面坐標a2（I1，J1）、b2（I2，J2）、c2（I3，J3）、d2（I4，J4），構建一個物方和像方間二維坐標系關系的變換式，具體如式（1）所示：

式（1）中，X、Y分別為物方二維坐標系的兩個坐標軸；f（I，J）為（I，J）這一點的橫坐標變換函數；g（I，J）為（I，J）這一點的縱坐標變換函數；a1、b1、c1分別為地面坐標系數；a2、b2、c2分別為像面坐標系數；

（5）對于這一點（I，J）對其對應的物方二維坐標（X，Y）進行計算；

（6）對地面坐標中點（X，Y）對應的高程數據進行查找，獲取點（X，Y）的對應高度值Z，用（X，Y，Z）表示該點的對應三維坐標；

（7）通過有理函數模型，利用（X，Y，Z）這一三維坐標對（X，Y）的對應地面坐標進行計算，用（I′，J′）來表示。由于第（4）個步驟中變換二維坐標系時沒有對物方的坐標進行變換，此時計算獲得的（I′，J′）像方坐標會與（I，J）點的坐標存在一定誤差；

（8）對（I，J）與（I′，J′）之間的差值進行計算，具體計算如式（2）所示：

（9）對上述步驟進行迭代，直到差值小于某門限，再次獲取（I，J）對應物方坐標（X，Y，Z）；

（10）當不滿足條件時，通過差值ΔI與ΔJ實施校正，具體如式（3）所示：

式（3）中，ΔX為橫坐標校正補充值；ΔY為縱坐標校正補充值。

通過以上步驟實現遙感影像高亮目標定位。

2.實驗與分析

2.1 實驗數據

對于設計的基于大數據的遙感影像高亮目標定位方法，分別在海、陸區域背景下實施該方法的測試與分析。

在實驗中，使用的實驗數據集是GeoEye-1衛星遙感影像數據中的海、陸區域背景數據。對其進行重采樣，將圖像分辨率提升至0.5m。在實驗數據集中，車輛類高亮目標圖像的尺寸分別為3000×3000像素與2000×2000像素，艦船類高亮目標圖像的尺寸分別為7500×15000像素與8000×8000像素。

實驗數據集中的圖像具體（如圖3所示）：

圖3 實驗數據集中的圖像

分別針對車輛類高亮目標與艦船類高亮目標，通過5個場景實施高亮目標檢測與定位實驗。在海、陸區域背景下分別測試設計方法的目標檢測與目標定位性能。

2.2 艦船類高亮目標檢測與定位實驗結果

艦船類高亮目標共有兩個實驗場景，對于艦船類高亮目標，使用設計方法進行目標檢測的實驗結果（如表1所示）：

表1 艦船類高亮目標檢測實驗結果

根據表1艦船類高亮目標的目標檢測實驗結果，基于大數據的遙感影像高亮目標定位方法在兩個實驗場景中都能實現較為準確地目標檢測，目標檢測準確率在第二個場景中達到了100%。

在兩個艦船類高亮目標的實驗場景中，設計方法的目標定位實驗結果（如圖4所示）：

圖4 兩個實驗場景中設計方法的目標定位實驗結果

根據圖4的目標定位實驗結果可知：在場景一中，設計方法對于檢測目標的目標定位較為準確；在場景二中，設計方法對于檢測目標的目標定位同樣較為準確。說明設計方法對于艦船類高亮目標而言有著準確的目標定位性能。

2.3 車輛類高亮目標檢測與定位實驗結果

車輛類高亮目標共有三個實驗場景，對于車輛類高亮目標，使用設計方法進行目標檢測的實驗結果（如表2所示）：

表2 車輛類高亮目標檢測實驗結果

根據表2車輛類高亮目標的目標檢測實驗結果可知：設計方法在三個實驗場景中都能實現較為準確地目標檢測，目標檢測準確率在第三個場景中達到了100%。

在三個車輛類高亮目標的實驗場景中，設計方法的目標定位實驗結果（如圖5所示）：

圖5 三個實驗場景中設計方法的目標定位實驗結果

根據圖5的目標定位實驗結果可知：在三個車輛類高亮目標的實驗場景中，設計方法的目標定位均較為準確，說明設計方法對于車輛類高亮目標而言有著準確的目標定位性能。

3.結束語

隨著光學遙感分辨率的提升以及圖像處理技術的不斷發展，遙感影像高亮目標定位問題越來越受到重視。在該問題的研究中應用了大數據中的基礎架構支持技術、數據處理技術以及數據交互與展現技術實施遙感影像的數據處理，實現了精準的遙感影像高亮目標定位，取得了一定研究成果。