基于圖像分割的無人機遙感影像目標提取技術

趙一粟

(北京師范大學珠海分校 設計學院，廣東 珠海 519085)

0 引言

圖像分割是將完整圖像分離成若干個獨特區域的物理處置過程，可在保證目標特征完整性的同時，圈畫出原始圖像中波譜反射能力較強的部分，這種影像加工手段是實現由圖像處理到圖像分析的關鍵操作步驟。國際上現有的圖像分割方法大體可分為如下幾類：基于邊緣的分割方法、基于閾值的分割方法、基于特定理論的分割方法、基于區域的分割方法。從數學角度來看，圖像分割實現了由連續數字圖像到不相交影像區域的轉化，可在實現分割圖像標記的同時，為同一區域內的像素目標賦予相同的編號信息。圖像分割是計算機視覺與圖像識別的必要預處理環節，在氣象、軍事、無人機遙感等領域均具有極為廣闊的發展前景。

在無人機遙感影像中，不同地物具有不同的波譜反射能力，通常情況下，影像波譜的平均寬度水平越大，其反射特性能力也就越強。文獻[1]中提出的高分辨率遙感影像場景分類方法，可同時確定地物場景的全局特征與局部深度特征，并根據無人機遙感影像的分割結果作出定量評價。文獻[2]中提出的光學遙感模型則以微波技術為基礎，通過影像的多次簡化，確定目標地物的尺度與紋理特征。然而上述兩種方法的實際適用環境相對較為單一，很難在初始采集相位條件、亞像素條件下，同時提升目標地物的波譜寬度數值。為解決此問題，提出基于圖像分割的無人機遙感影像目標提取技術，以區域性圖像的目標顏色特征為條件，定義遙感影像的目標融合條件，再通過特征元素之間的相關性測度處理，得到最終的地物提取結果。

1 基于圖像分割的無人機遙感深度圖獲取

無人機遙感深度圖獲取是新型遙感影像目標提取技術實施的重要處理環節，在圖像分割原理的支持下，具體操作方法如下。

1.1 區域顏色特征描述

區域顏色特征能夠克服因噪點影響而帶來的局部目標提取覆蓋問題，而圖像分割算法又恰好能夠直接獲取無人機遙感影像中的一致性區域。對于遙感影像中的地物目標來說，物體表面的顏色是在該結構吸收部分光照后，所反射出來的光譜屬性。由此可知，顏色特征可直接反映遙感地物的某種區域性內在屬性[3]。此外，與其它目標特征相比，區域顏色特征屬于被遙感相機直接存儲的物理信息，不受到外加提取運算條件的干擾，統計計算的處理過程相對較為簡單。從待分割圖像自身來看，區域顏色特征不依賴遙感影像中目標地物的尺寸大小、所處方向等屬性條件的限制，具備較強的應用穩定性[4]。設βi代表第i個分割節點處無人機遙感影像中目標地物的特征表達公式，Ω代表指數i所屬的待提取實數集，聯立上述物理量，可將區域顏色特征的描述表達式定義為：

(1)

1.2 類哈爾濾波器

類哈爾濾波器是基于無人機遙感小圖像的濾波處理結構，可用于計算不同顏色區域中地物目標的濾波響應情況。通常情況下，未經處理的無人機遙感影像具備明顯的灰度分布屬性，即白顏色區域與黑顏色區域。根據類哈爾濾波定義條件可知，白色區域的顏色特征和減去黑色區域的顏色特征和，等于類哈爾濾波器對于無人機遙感影像目標所采取的圖像分割處置原則(如圖1所示)[5]。

圖1 類哈爾特征

圖2為經類哈爾濾波器分割處理后目標河流的遙感影像。

圖2 基于類哈爾特征的無人機遙感分割圖像

圖2中(a)、(b)、(c)、(d)分別代表不同分割區域內的河流遙感影像。分析圖2可知，彎曲標注線可直接勾勒出目標河流的主體走向，受到圖像分割理論的影響，小區域圖像的顏色特征可存在明顯的差異性，且無論同一幅大影像可同時與多少幅小圖像匹配，都只能有一幅圖像清晰表述目標河流的類哈爾濾波特征(如圖2b)。

1.3 低層特征量化

分割處理后的無人機遙感影像由高層維度、中層維度、低層維度三個值域范圍共同組成，其中最小數值維度所具有的地物顏色特征容納量最大，即低層圖像維度區間的特征量化等級最高。特征量化處理的主要原因是由于低層維度內的地物分割圖像具有較強的分割敏感性，可在提取目標影像數據的同時，增加對影像結構體特征描述的魯棒性。在多個無人機遙感影像分割空間中，低層特征量化是最廣泛應用的目標地物圖像處理方法[6-7]。量化處理初期隨機排列所有分割后圖像，通過對角線連接的方式，確定遙感影像目標提取的聚類中心，然后不斷縮小待處理圖像的儲備數值，再次確定遙感影像目標提取的聚類中心，將原影像中每一數據點分配到最鄰近的聚類中心，再將所生成數值區間與無人機遙感影像的低層維度進行對比，確定與目標特征量化處理相關的分割處置權限。設f0代表無人機遙感影像低層維度中的地物顏色特征容納量，k1代表最小目標提取聚類中心所處位置，kn代表最大目標提取聚類中心所處位置，聯立公式(1)，可將無人機遙感影像的低層特征量化準則定義為：

(2)

式中，χ代表無人機遙感影像目標的分割敏感度，y代表基于圖像分割的目標地物提取尺度權限，Δu代表原遙感影像中地物目標的類哈爾濾波特征參量。

2 遙感影像目標融合

遵從無人機遙感深度圖像的獲取原則，按照基本名詞定義、原始特征選擇、特征元素之間相關性測度的操作流程，完成基于圖像分割的遙感影像目標融合處理。

2.1 基本名詞定義

無人機遙感影像目標融合是一個相對復雜的處理過程，可按照圖像內不同區域的顏色特征屬性，對多維度值域范圍內的目標地物景觀實施降噪處理。通常情況下，無人機遙感影像目標的提取需要多個圖像分割理論的共同配合，包含紋理特征、維數特征和影像特征，具體定義標準如下：

1)紋理特征/原始特征：無人機遙感影像目標的紋理特征也叫原始特征，包含從類哈爾濾波器中提取的所有目標圖像灰度值，是根據待分割地物景觀對象產生的基本特征參量。在提取目標灰度均值與顏色特征方差均保持不變的情況下，局部分割圖像中會出現對比度極為類似的對象噪點[8]。

2)維數特征/提取特征：無人機遙感影像目標的維數特征也叫提取特征，在地物目標樣本同處于高維空間時，映射或變換的分割原則均可描述分割主體所具有的樣本承擔能力[9]。

3)影像特征/優化特征：一組分割圖像中所具有的最低目標特征維數即為地物主體的影像特征或優化特征，在目標提取實值距離不發生改變的情況下，分割圖像的影像特征數值越大，與之相關的遙感影像減維速率也就越快，反之則越慢[10]。

2.2 原始特征選擇

原始特征選擇是與基本名詞定義相關的待提取目標整合行為，可按照已分割圖像中目標地物景觀所處的實時位置，建立必要的提取處理權限標準，從而實現對原始無人機遙感影像的最大化復原處理。在不考慮其它干擾條件的情況下，無人機遙感影像低層維度區間內所包含的目標地物提取節點數量越多，原始特征所具有的反選能力也就越強[11]。簡單來說，在無人機遙感影像目標融合名詞保持完全定義或半完全定義的情況下，可將所有原始特征參量均視為待提取的目標地物主體，若遙感影像內的地物波譜始終保持反射特性能力，則可認為監測主機具備無誤提取無人機目標的應用能力。設lα代表與無人機遙感影像目標融合名詞相關的完全定義實值，δα代表與無人機遙感影像目標融合名詞相關的半完全定義實值，α代表固定目標融合名詞的實值表達系數，聯立公式(2)，可將基于圖像分割的原始特征選擇定義式表示為：

(3)

其中:g′代表原始無人機遙感影像的最大化復原系數，ω1、ω2分別代表兩個不同的原圖像分割指標。

2.3 特征元素之間的相關性測度

(4)

式中，γ代表目標地物圖像的均值分割標準差，m代表遙感影像目標的特征化測度指標。

3 面向對象的無人機遙感影像地物提取(無人機)

在遙感影像目標融合原理的支持下，按照多分辨率影像分割、紋理與尺度定義、地物提取的處理流程，完成基于圖像分割無人機遙感影像目標提取技術的順利應用。

3.1 多分辨率影像分割

很多情況下，完整的無人機遙感影像目標地物波譜是由多個不同的小區間分割圖像共同組成的，這些小區間圖像雖然反映了不同地物目標的遙感影像，但卻始終保持相同的影像尺寸條件[14]。以固定區域內(如機場)的無人機遙感影像為例，從不同分辨率層次分析地物景觀的目標圖像。

分析圖3可知，分割前影像中空白噪點的數量級水平相對較高，一部分地物目標極易被空白區間覆蓋，從而導致波譜內影像目標的提取出現較大偏差。

分析圖4可知，分割后影像中空白噪點的數量級水平大幅下降，地物目標不會被空白區間覆蓋，可得到清晰性表達，從而使波譜內影像目標的提取精度得到有效保障。

圖3 分割前多分辨率無人機遙感影像 圖4 分割后多分辨率無人機遙感影像

3.2 紋理與尺度定義

影像目標提取精度的提高是通過合理定義紋理特征和尺度特征而實現的，這些統計量描述了特定區域內待分割圖像灰度值的變化情況，并規范了對應像素之間的數值限定關系(如圖5所示)。紋理特征是無人機遙感影像結構的重要統計測度標準，當分割后圖像的尺度特征值低于原影像的尺度特征值時，定義紋理特征為平滑；當分割后圖像的尺度特征值與原影像的尺度特征值近似時，定義紋理特征為粗糙[15-16]。在區分影像中地物波譜的平滑表面與粗糙表面時，這種特殊屬性使得紋理特征與尺度特征同時具備較強的圖像描述能力。通常情況下，空氣或水面在無人機遙感影像中反映為平滑表面，而植被或城區則反映為粗糙表面。只有在圖像分割空間內地物目標分辨率足夠高的情況下，植被、道路、建筑物等目標才能通過紋理與尺度特征定義的方式得到清晰表達[17-18]。

圖5 無人機遙感影像中目標地物的紋理與尺度信息

3.3 地物提取結果

在紋理與尺度特征條件的支持下，按照圖像分割原理，將無人機遙感影像處理成多個獨立小型地物波譜結構，且這些波譜均反映同一處目標地物景觀(如圖6以一樓體建筑結構為例)。

圖6 無人機遙感影像目標的地物提取結果

圖6(a)代表無人機遙感影像的原始目標地物波譜，(b)代表多分辨率分割后的目標地物波譜，(c)代表分割圖像中的建筑物波譜目標，(d)代表分割圖像中的道路波譜目標。分析圖6可知，原始圖像可反映各類地物目標的遙感影像，但無法清晰表達既定地物景觀的真實提取狀態；分割后圖像細化了各類地物目標的實際遙感影像，但整體提取清晰化水平依然有待提高；既定波譜目標雖不能反映無人機遙感影像的表現全貌，但可清晰表達待提取的目標地物景觀。至此，實現對所有目標地物的圖像分割與處理，完成無人機遙感影像目標提取方法的搭建。

4 實驗分析

為驗證基于圖像分割無人機遙感影像目標提取技術的實際應用價值，設計如下對比實驗。選取一包含多類地物目標的場景作為實驗區域，將無人機釋放至該區域上方，獲取實驗所需的遙感影像。分別將所獲圖像信息傳輸至A、B、C三臺主機中，其中A主機搭載上文所述的目標提取技術，B主機搭載高分辨率遙感影像場景分類方法，C主機搭載光學遙感模型。

圖7 實驗場景的無人機遙感影像

圖8 遙感影像目標提取處理

目標地物的波譜寬度是指遙感影像中既定結構體圖像在原始圖像中所占據的寬度比率，可用來描述圖像的反射特性能力。通常情況下，目標地物的波譜寬度數值越大，無人機所具有的無誤提取能力越強，反之則越弱。

初始采集相位條件、亞像素條件是兩個不同的無人機遙感影像目標提取環境，可通過計量地物波譜寬度數值的方式，確定圖像的反射特性能力，實驗詳情如下(已知在波譜寬度值低于3.5 μm的情況下，該組提取方法的處理結果便不具有實際參考的價值)。

分析表1可知，在初始采集相位條件下，隨著目標地物節點計及數量的增加，A組圖像的波譜寬度值也逐漸增大，在達到極值條件后，開始趨于穩定，在整個實驗過程中，該組的實際數值結果始終具備較強的實際參考價值。B組、C組圖像的波譜寬度值均呈現明顯的中間極值趨近狀態，目標地物節點計及數量等于20.0×107個時，B組的波譜寬度最小值達到2.8 μm，與理論參考的下限極值3.5 μm相比，下降了0.7 μm，且當目標地物節點計及數量達到16.0×107個后，該組的處理結果就已經失去了實際參考價值；C組波譜寬度最小值達到3.9 μm，與理論參考的下限極值3.5 μm相比，上升了0.4 μm，在整個實驗過程中，該組的實際數值結果始終具備較強的實際參考價值，但平均數值水平遠低于A組。

表1 初始采集相位條件下的目標地物波譜寬度

分析表2可知，在亞像素條件下，隨著目標地物節點計及數量的增加，A組圖像的波譜寬度值保持階段性上升的變化趨勢，在整個實驗過程中，該組的實際數值結果始終具備較強的實際參考價值。B組圖像的波譜寬度值則持續小幅下降，全局最大值僅達到3.2 μm，與理論參考的下限極值3.5 μm相比，下降了0.3 μm，整個實驗過程中的所有數值結果均不具有實際參考價值。C組圖像的波譜寬度值在階段性小幅下降后，開始持續上升，在目標地物節點計及數量達到10.0×107個之前，該組的數值記錄結果不具備實際參考價值，但從該時刻起，該組的波譜寬度記錄值開始持續增大，到實驗結束時已達到4.0 μm，與理論參考的下限極值3.5 μm相比，上升了0.5 μm。

表2 亞像素條件下的目標地物波譜寬度

綜上可知，與高分辨率遙感影像場景分類方法和光學遙感模型相比，基于圖像分割無人機遙感影像目標提取技術可在初始采集相位條件下、亞像素條件下，同時提升目標地物的波譜寬度測量值，不僅增強了原始圖像的反射特性能力，也實現了對無人機目標的無誤提取。

5 結束語

從地物波譜反射特性能力的角度來看，基于圖像分割的無人機遙感影像目標提取技術可在描述區域顏色特征的同時，實現對低層特征的量化處理，且在類哈爾濾波器結構的促進下，特征地物目標元素之間的相關性也得到有效測度。與其它無人機遙感影像目標處理手段相比，這種方法可直接提升目標地物的波譜寬度實值，符合圖像分割領域內，無人機結構對于目標對象的無誤化提取與應用。