基于壓縮感知的無人機航拍遙感圖像動態重構方法

馬廣迪 楊為琛

(浙江國遙地理信息技術有限公司, 浙江 湖州 313200)

0 引言

目前無人機航拍遙感圖像動態重構技術的發展趨勢主要有兩個:一是通過拓寬遙感圖像數據采集檢測范圍進行動態重構;二是通過提高特征數據匹配率進行圖像重構。隨著近年來遙感影像數據不斷增加,無人機航拍圖像特征多樣性和數據量也不斷增長,在此環境下,圖像重構技術需要不斷進行優化改進,才能獲得準確有效的數據?；诖?提出基于壓縮感知的無人機航拍遙感圖像動態重構方法[1]。由于當前無人機航拍遙感圖像的特征采樣率受到極大限制,需要盡可能多地對動態圖像的測量數據進行深入采集,進一步對壓縮圖像編碼過程進行簡化和去噪處理,對圖像重構過程中的大量冗余數據進行排除。保證海量遙感圖像數據的高效傳輸與存儲效果,實現高質量的遙感圖像重建,在降低數據存儲量的同時,提高了圖像處理效率。

1 無人機航拍遙感圖像動態重構

1.1 無人機航拍遙感影像降質模型

構建無人機航拍遙感影像降質模型,對無人機航拍遙感圖像特征進行采集和解算處理,獲取超分辨率退化模型,以此反映高分辨率目標圖像和低分辨率觀測圖像之間的特征映射關系,以及無人機航拍遙感圖像退化的原因。假設目標圖像采集坐標為X(n),其中n代表無人機航拍遙感圖像采集過程中獲取的未失真連續信號；Y(k,i)為遙感圖像序列；D為降級離散圖像特征等級且D=1,2,…,p；Bk為無失真地轉換為離散數字特征參數，Mk為形變矩陣，結合降質觀測模型對無人機航拍遙感影像原始數字圖像特征進行計算,具體算法如下:

(1)

在此基礎上,進一步對無人機航拍遙感圖像的多幀圖像超分辨率參數進行重構[2]。若無人機航拍遙感圖像動態分辨率圖像的尺寸為N=L1N1×L2N2，L1，L2分別表示的是橫向和縱向的降采樣因子，經過降質后的每幅低分辨率圖片的尺寸為N1×N2；參數H1,H2分別表示水平和垂直圖像采集范圍；特征因子Lmin,Lmax分別為無人機航拍最大和最小移動距離高分辨率圖像的重建；t表示低分離率圖像對應的幀數；Bin表示模糊圖像幀數；Din表示圖像特征參數采樣矩陣；Gin表示加性噪聲數值。進一步對單幅圖像進行超分辨率重建處理,在航拍過程中,受外界干擾等因素影響,易出現圖像模糊、噪聲附加干擾等問題,導致航拍圖像的分辨率極低,為此,需要首先對單幀圖像超分辨率重建模型特征進行描述,具體算法為:

(2)

基于上述算法,進一步進行遙感圖像的變換域重構,當信號為可壓縮或稀疏時,通過線性投影可采集少量的實測數據,若遙感圖像的變換特征向量為vzin,若圖像中只有一個待轉換特征元素記為K,且K≠0,航拍遙感圖像稀疏性為m,約稀疏性為m′。在進行無人機航拍圖像降質處理的過程中,隨機投影測量矩陣為a×b,圖像特征維測量值為y,且y≥m-m′,進一步對船舶航拍遙感圖像特征原始采樣信號進行壓縮處理記為ψ,進一步規范原始信號的全部信息記為x,A為信息算子，壓縮采樣后的最少量實測值進行重構,具體算法為:

Δηminx‖ψx‖ps.t.y=Ax

(3)

(4)

1.2 遙感圖像降噪預處理

為了更好地實現遙感圖像的動態重構處理效果,需要對遙感圖像進行降噪預處理,通過分塊處理減少計算量,對小圖像塊特征進行智能分解,將采集到的無人機航拍圖像分解成低頻近似數據,并對圖像的水平、垂直和對角方向特征頻率細節進行降噪處理[4]。對于噪聲干擾區域進行圖像頻域去噪分解處理。將分解后的子圖像根據不同分辨率參數進行層次化去噪,具體過程如圖1所示。

圖1 圖像細節層次化去噪原理

進一步結合壓縮圖像理論,進行圖像特征噪聲干擾稀疏性進行采樣分析,在小圖像塊中對特定的變換域上進行量測和解碼重構處理[5]。根據圖像的噪聲干擾稀疏性對浪費的資源進行再匹配,保證在噪聲干擾情況下圖像仍可不失真地進行重構,實現對圖像進行降噪預處理的研究要求,在進行圖像去噪和編碼采樣的過程中,需要對采集到的圖像特征信號稀疏進行變換域處理,并在變換域處理后,進行后續降噪和信號重構處理,提高信號降噪處理精度。無人機航拍圖像像素點經過多項式變換后,分布不均,需要進行重采樣[6]。該方法通過對圖像關鍵素點陣列坐標變換素點灰度值,分析素點之間的關系,對原始圖像進行重采樣,建立新的圖像矩陣,導致無人機航拍圖像受光照時產生很大的亮度噪聲,為消除噪聲,必須對圖像進行平滑處理。為保障降噪處理的精度,需要對遙感圖像進行噪聲稀疏性指標判斷,若在判斷過程中,采集到的圖像干擾元素較少,且不為零,則認為噪聲干擾信號稀疏較低。基于此,需要進一步對信號處理步驟進行優化[7]。結合小波變換原理對圖像小波域特征進行數值修復處理,從而更好地恢復原始圖像。具體處理步驟如圖2所示。

圖2 原始圖像降噪修復

基于上述降噪修復要求,對降噪算法進行優化,進一步采用迭代軟閾值算法(Iterative Soft Thresholding,IST)對壓縮圖像收縮門y限進行規范,進一步提出通用門限函數算法,更好地實現壓縮圖像及小化降質處理要求,具體算法如下：

(5)

基于上述算法,對無人機遙感圖像進行分割,將其劃分成大小相同、互不重疊的小圖像塊進行采樣、壓縮和降質預處理[8]。對一般分辨率圖像進行精準去噪,有效解決壓縮感知圖像特征,以提高每個小圖像塊的分辨率和壓縮速度。假設采集到的遙感圖像中存在稀疏信號θi∈R和圖像采集空間ψi∈R,基于此進一步對去噪圖像修復算法進行規范,規范結果Δε如下：

(6)

基于上述算法,進行無人機航拍遙感圖像的動態重構處理?；趫D像特征重構要求，對壓縮圖像進行特征采樣和解碼處理,提高動態圖像重構算法的精度和速度,成功實現對壓縮圖像進行精準的分塊感知研究要求。

1.3 遙感圖像動態重構的實現

在對特征圖像進行描述的過程中,需要對圖像模糊區域進行精準識別,通過對圖像中的噪點區域即模糊區域進行采集檢測,并對成像區域特征點擴散特征進行判斷分析,結合點擴散函數(point spread function,PSF)卷積原理對圖像降晰特征進行分析，并將圖像特征轉換為反卷積特性[9]。在原始圖像和待校正圖像之間選取明顯特征點,建立圖像動態重構模型,并對原始圖像和重構圖像之間的映射關系進行規范,并對無人機遙感圖像中的每一像素進行真實的經緯定位。無人駕駛飛機航拍圖像中經過多項式變換后的像素點分布不均勻,需要進行重采樣。將圖像關鍵像素的點陣進行坐標變換,得到像素的灰度值,再分析各個像素點之間的關系,重新采集原始圖像,建立新的圖像矩陣。通過對原圖像像素點進行重新采樣,將映射關系轉換為新圖像的對應位置,計算灰度值,生成校正后的圖像。進一步對遙感圖像動態校正步驟進行優化,具體校正步驟如圖3所示。

圖3 遙感圖像動態校正步驟

(7)

(8)

基于上述算法進行圖像重構,航拍圖像幾何校正是對原始圖像進行質量修正,以滿足關鍵目標點間距測量結果的高精度要求,也就是確定圖像上像素坐標與實際關鍵點坐標之間的關系,從而反映兩者的映射關系。為保障處理效果,簡化圖像動態重構精度,對無人機圖像動態重構步驟進行優化,具體如圖4所示。

圖4 圖像動態重構步驟

基于上述步驟,對壓縮圖像進行動態識別和重構,最大程度上保證圖像重構精度和提升處理,有效保證圖像動態重構精度。

2 實驗結果分析

為驗證基于壓縮感知的無人機航拍遙感圖像動態重構方法的實際應用效果,進行實驗檢測,對同一無人機航拍圖像進行了數值分析,選取4幅尺寸為256 mm×256 mm,分辨率為96×96 dpi的無人機遙感采集影像作為實驗樣本,對比傳統方法進行圖像重構的性能評價,并記錄實驗檢測結果。在實驗過程中,以壓縮感知圖像指數的峰值信噪比為評估標準進行對比,信噪比越高,則說明重建圖像的質量越好。

為保障實驗研究效果,對實驗環境進行統一設置,實現設備選取酷睿8600CPU,數據處理軟件選擇Matlab7.12.0軟件,在4 G主頻環境下進行模擬實驗。在實驗中,利用高斯隨機投影矩陣對4幅原始遙感圖像進行隨機采樣,從而更好地得到圖像采樣特征頻率,進一步利用本文提出的重構算法進行圖像特征的重建。利用JAVA和C++程序編寫原理進行數值分析,以5～3 210 MCPU@2.50 GHz為硬件環境進行數值分析,驗證了無人機航拍遙感圖像動態重構的關鍵目標點間距測量方法的有效性。對采樣率遙感圖像進行重建,對不同的圖像重建方法得到的峰值信噪對比并記錄,具體如表1所示。

表1 遙感圖像采樣率重構效果對比

基于表1進行圖像動態分析可知,相對于傳統方法而言,本文提出的基于壓縮感知的無人機航拍遙感圖像動態重構方法,在實際應用過程中,峰值信噪比(Peak signal to noise ratio,PSNR)取值明顯高于傳統方法,可以更好地保障圖像動態重構精度,彌補兩者在視覺效果上的不足。進一步對傳統方法進行重構圖像的稀疏性檢測和記錄,具體檢測結果如圖5所示。

圖5 對比實驗檢測結果

對比圖5中的檢測結果可知,相對于傳統方法而言,本文提出的基于壓縮感知的無人機航拍遙感圖像動態重構方法在實際應用過程中可以提高圖像重構處理效果,保障稀疏度檢測精度和校正曲線的穩定上升效果,充分滿足當前研究要求。

3 結束語

為提高遙感圖像動態重構效果,提出基于壓縮感知的無人機航拍遙感圖像動態重構方法,采用廣義迭代收縮算法對遙感圖像動態重構模型進行優化求解,調整圖像重構最優參數,減少數據間的冗余信息,從而減少重構時的觀測數據量。研究證實,本文提出的基于壓縮感知的無人機航拍遙感圖像動態重構方法具有計算簡單、效率高、運算復雜度低的優勢,可以更好地保護圖像邊緣和細節,得到高質量的遙感圖像。