基于局部加權擬合算法的無人機遙感影像多尺度檢測技術

邱曉磊

(河南省地球物理空間信息研究院，鄭州 450000)

0 引言

目前無人機遙感技術廣泛地應用于各個領域，無人機遙感的工作原理是通過對拍攝的環境影像進行多尺度處理檢測分析，研究出環境的特征，然后下達飛行命令，維持無人機的正常飛行[1-2]。遙感圖像采集過程十分容易受到外界因素的干擾，這些干擾會在圖像中形成噪聲污染，降低無人機遙感影像的分辨率。

傳統的無人機遙感影像多尺度檢測技術對于遙感拍攝的影像分析不準確，影響無人機安全飛行命令的準確度，造成一定的安全隱患。對回歸預測模型而言，預測模型的精度主要取決于特征選取，屬性選擇不恰當，往往導致預測結果大不相同。局部加權擬合算法較好地解決了局部加權線性回歸預測的問題，它的預測性能不太依賴選擇特征，而且可以很好地避免過擬合的風險。

為了促進無人機遙感影像多尺度檢測技術的發展，本文以局部加權擬合算法為核心研究新型的無人機遙感影像多尺度檢測，分別分析無人機遙感影像數據的預處理和影像特征提取方法。研究無人機的遙感影像多尺度檢測技術，提高無人機的飛行安全性。

1 無人機遙感影像多尺度處理分析

1.1 無人機遙感影像預處理

無人機遙感影像多尺度檢測技術在對周圍環境進行數據采集時，會將區域內的所有信息進行拍攝，其中會存在無效的影像，提高影像多尺度檢測的復雜度，因此本文通過對采集到的無人機遙感影像多尺度數據進行預處理操作，為影像的特征提取提供研究基礎[3]。

本文設計的無人機遙感影像多尺度數據預處理操作的主要流程是對采集到的影像數據完成有效數據的拼接處理，將無效的影像數據信息進行剔除。無人機行駛在彎線和曲線航線時，是數據采集混亂的關鍵區域，會出現無人機遙感影像重拍和漏拍的情況，導致無人機遙感技術對于覆蓋區域的圖像影像精度低，設備為了提高影像精度采用多次掃描的形式，又造成了大量數據冗余，所以預處理通過最小二乘法方法將冗余的影像數據刪除，進行有效的數據拼接。最小二乘法在篩選的時候多次循環計算，計算結果具有可靠性和真實性[4-5]。最小二乘法篩選如圖1所示。

圖1 最小二乘法篩選

最小二乘法在對無人機遙感影像數據預處理時，當航線彎度達到3%時，就將普通的拍攝過濾方式關閉，開啟新式的影像拍攝要求，具體要求為設置無人機航拍攝區域的重復率為90%，其周圍區域重復率設置為60%。此處設置的目的是通過重復率的設置將無人機航線的經緯度偏差時間縮短為1 s，降低無人機遙感影像出現漏拍的情況，改善外界環境對影像數據的影響程度，在一定程度上彌補航線彎曲的數據可視化。無人機遙感影像預處理將拍攝到的有效數據按照“抽稀”規則完成數據的拼接，構成一個全新的遙感影像數據[6-7]。“抽稀”處理后的遙感影像可以有效地減小拼接誤差、改善影像拼接視覺效果，同時在一定程度上提高了影像處理的精度，為無人機遙感影像特征提取提供數據基礎。抽稀前后數據處理結果如圖2所示。

圖2 抽稀前后數據處理結果

1.2 無人機遙感影像特征提取

遙感影像的特征點是進行無人機遙感影像多尺度檢測技術的關鍵點，為了將遙感影像的各個特征點的實際意義發揮最大，本文采用高斯金字塔定理輔助無人機遙感影像的特征提取[8-9]。高斯金字塔的特征提取過程是首先將預處理的影像數據按照金字塔形狀進行降采樣構建，最終得到n階的影像序列，然后遍歷以上操作，構建不同尺度下的高斯金字塔序列，最后通過序列對比，提取影像特征。得到的序列對比如圖3所示。

圖3 序列對比圖

高斯金字塔中原始圖像位于底層，其余上層圖像大小為相鄰下層圖像大小的1/4，則高斯金字塔的構建公式如下所示：

G!=DOWN(Gi-1*G(x,y,z))

(1)

其中：Gi-1表示降采樣；x表示高斯核函數；y表示高斯模糊核的尺度空間因子，此值越大則該尺度下圖像越平滑。

在構建不同尺度的高斯金字塔時，為了提高高斯金字塔的穩定性和不變性，需要對無人機遙感影像進行差分尺度空間劃分，劃分借助以下公式完成：

(2)

差分尺度劃分可以降低遙感影像局部數據的極值點，降低影像多尺度特征值的偏差度。在高斯金字塔差分尺度空間中，它的作用是提取有效圖像區域的極值點，通過極值點來判斷特征點，極值點的選擇有一個基本的選擇原則，最重要的是極值點必須與遙感圖像的上下尺度鄰域點相關聯[10-11]。根據高斯金字塔和差分尺度劃分完成遙感影像的特征提取，提取計算公式如下所示：

D(x,y,z)=(G(x,y,kz)-G(x,y,z)*I(G(x,y))

(3)

2 基于局部加權擬合算法的無人機遙感影像多尺度檢測

2.1 局部加權擬合算法

局部加權擬合算法是一種線性加權回歸算法，其工作原理是通過測量無人機遙感影像各個特征點之間的距離，將此距離作為多尺度分析的加權系數，平衡檢測區域其他關鍵點的加權性，計算出特征點中權重最低的點，完成影像的多尺度檢測。擬合的三種狀態如圖4所示。

圖4 擬合狀態

具體無人機遙感影像各個特征點距離的計算公式如下所示：

(4)

其中:特征點的權重公式如下所示：

(5)

因為在對無人遙感影像特征值進行權重的同時，由于其他普通點的干擾和區域內目標的影響，結果會出現線性偏差，為了避免無人遙感影像多尺度檢測技術結果的偏差，本文對以上公式進行偏差分權處理，分權公式如下所示：

(6)

其中:Axi和bi是通過最小二乘法計算出來的，因為局部加權擬合算法對聚集程度較高的特征點加權擬合過程容易出現遺漏，導致加權擬合的數據結果比正常的數據小，因此需要在影響密集特征點區域進行二次權重，采用兩次權重的平均值，保證結果的準確性

局部加權擬合算法在對無人機遙感影像進行小格區域劃分時，默認被劃分的小格都是相等大小的，但是影像的各個關鍵特征點之間的距離是不固定的，因此就出現了距離函數中心越近的特征點距離越大，因此本文引入log函數，log函數如公式(7)所示：

(7)

其中:x代表曲線中點，x0代表曲線的最大值；k代表曲線的陡度。

當某一特征點的函數權重的計算結果趨近于1，并且不變時，代表不存在距離偏差。因此基于上述的權衡與分析，整合出最終的無人機遙感影像多尺度加權計算的計算公式如下所示：

(8)

2.2 無人機搖桿影像多尺度檢測

根據以上無人機遙感影像數據預處理和特征提取以及分析局部加權擬合算法，本文總結出基于局部加權擬合算法的無人機遙感影像多尺度檢測方法，具體分為構建有效影像數據集、構建影像網絡模型、合并并完成影像數據的檢測三部分[12-13]。

基于局部加權擬合算法的無人機遙感影像多尺度檢測技術工作流程如圖5所示。

根據圖5可知，構建有效的影像數據集，首先根據高斯核函數對無人機搖桿影像區域的整體獲取，并且劃分出需要完成的檢測目標區域，為了確保影像數據的完整性，區域獲取時會設計邊緣預留區域。有效區域劃分后，依據小波圖像變換方法對影像進行目標變換和影像多尺度格式的轉換，轉換的同時根據整體原則立即分割相同格式的影像特征。無人機遙感影像的分割操作為特征點的提取奠定基礎，最終將各個提取的特征點和原始影像進行對照，作為網絡模型的構建數據[14-15]。

構建網絡模型主要包括對無人機遙感影像多尺度數據的分割網絡模型和測試網絡模型兩種，為了得到最醒目的影像模型，本文設定網絡模型的大小為300×400，將拍攝的無人機遙感影像都按照此格式進行放大或者縮小處理。在此網絡模型的基礎上，增加若干個卷積層，方便影像檢測過程檢測目標的分類和權重，卷積層的大小主要為 40×40、20×20、10×10、5×5。將影像多尺度的權重設置為0.000 5，忽略檢測過程中的動量和不可預測天氣的干擾。測試網絡模型的工作是對影像特征目標進行測試，查看特征是否達到認定要求，提供數據的可用性。

最后一步是完成無人機遙感影像多尺度檢結果檢測，基于局部加權擬合算法，對各個網絡模型中的特征點進行檢測認證，根據不同的特征點確定出影像內事物的準確狀態和外觀參數，完成影像多尺度檢測操作。

3 實驗研究

為了檢測本文提出的基于局部加權擬合算法的無人機遙感影像多尺度檢測技術的有效性，與傳統基于改進SPHP算法的無人機遙感影像多尺度檢測技術、基于改進SURF算法的無人機遙感影像多尺度檢測技術進行實驗對比。

采集的8張遙感圖像如圖6所示。

圖6 采集標定的多光譜圖像

在確定多光譜圖像后，擬合二維高斯曲面，使用遺傳算法分析高斯曲面模型中的各項參數，通過優化處理，得到種群數目。為更好地進行實驗，本文從主觀評價和客觀評價兩方面對數據進行比較。

主觀評價結果如圖7所示。

圖7 主觀評價結果

根據主觀評價結果可知，在圖7(a)、(c)的左框中，檢測的原始圖像漸暈現象十分明顯，中間的亮度高于四周。無人機在飛行過程中所處的環境光照十分穩定，而且采集的對象十分單一，所以圖像中的亮度差異更加明顯。對比不同算法下的檢測結果可以知道，傳統的基于改進SPHP算法的無人機遙感影像多尺度檢測技術與基于改進SURF算法的無人機遙感影像多尺度檢測技術在物體邊緣信息和明暗區域變化方面的處理能力較差，得到的圖像亮度變化規律與實際狀況吻合度較低，而本文提出的基于局部加權擬合算法的無人機遙感影像多尺度檢測技術具有更強的處理能力，得到的全局亮度分量圖像不會受到物體邊緣信息的影響，其中明暗突變區域亮度相差較低，與實際的漸暈圖像亮度變化規律更加符合。

選用典型圖像進行對比，得到的不同技術的灰度值如圖8所示。

圖8 灰度值實驗結果

對比圖8的灰度值實驗結果，可以發現，傳統基于改進SPHP算法的無人機遙感影像多尺度檢測技術雖然能夠改進漸暈現象，但是還是十分明顯。相比之下，傳統的基于改進SURF算法的無人機遙感影像多尺度檢測技術與本文提出的基于局部加權擬合算法的無人機遙感影像多尺度檢測技術對漸暈現象的處理能力更好，得到的整體灰度水平基本一致。由于傳統圖像在明亮區域存在泛灰現象，所以檢測技術需要對亮度差異進行調整，本文提出的基于局部加權擬合算法的無人機遙感影像多尺度檢測技術具有保留不同物體亮度差異的能力，而傳統技術得到的圖片亮度邊緣過高。

從X方向和Y方向兩個不同的方向評價灰度值，采集所有的像素點，對200張不同的遙感圖像進行矯正，不同技術下得到的灰度值分布狀況如圖9所示。

圖9 灰度值分布情況實驗結果

由于平均圖像之間的個性差異能夠消除，所以通過分析整體灰度值的矯正效果就能確定不同技術的檢測效果。根據上圖可知，原始圖像的中間區域亮度過高，而兩端區域的亮度又過低。針對這一問題，三種技術都能夠進行改善，本文提出的局部加權擬合算法改善效果最好。本文提出的算法在X方向和Y方向的改善存在過渡區域，所以視覺效果更好，而傳統的技術均出現了亮度偏高的問題，檢測到的圖像存在光暈，不適合于實際應用。

4 結束語

本文的局部加權擬合算法精確地區分無人機遙感影像檢測的目標區域和其他區域，簡化了檢測的流程。本文首先分析如何處理無人機遙感影像獲取的數據，對數據進行預處理以及特征分析，最后確定準確的無人機遙感影像多尺度檢測目標，然后了解局部加權擬合算法的核心和計算原理，最后完成基于局部加權擬合算法的無人機遙感影像多尺度檢測方法的研究，達到本文研究的目的。