基于無人機的航測影像數據異常檢查方法研究

姜立芳

（山東省地質礦產勘查開發局第四地質大隊，山東 濰坊 261000）

0.引言

隨著航拍攝影技術的迅速發展，無人機航測技術能夠獲取地面目標物體的二維空間信息，以及描述目標物體屬性的一維光譜信息，主要用于地質監控、工程巡檢、城市交通、環境探測等。無人機低空航測影像數據具有較高光譜分辨率，包含的地物信息豐富，而影像數據異常檢測是航測影像處理的重要環節，在航測影像數據中提取出異常信息，為航測目標的檢測提供感興趣區域這一初步識別結果。因此，研究航測影像數據異常檢查方法，檢查航測影像數據中具有光譜差異的異常信息，具有重要意義[1]。

現階段，航測影像數據異常檢查相關研究已取得較大進展，通過異常檢查算法，去除影像數據中的大部分背景信息，分析檢查數據與背景數據的光譜差異，結合先驗知識區域信息，獲得異常數據和背景數據的統計信息。文獻[2]采用基于背景純化的航測影像異常檢查方法，利用膨脹操作，得到消除異常點后的遙感影像數據背景信息，但該方法僅參考了擴展數學形態學理念，未完全消除異常點的負面效果，異常檢查虛警率較高。文獻[3]采用基于背景判別與鄰域補償的航測影像異常檢查方法，通過背景差異性判別，篩選航測影像數據局部背景像元，增強背景數據與異常數據的可分性，但該方法異常算子探測過程較為復雜，異常檢查虛警概率較高。文獻[4]采用基于多窗口融合判別子空間的航測影像異常檢查方法，通過正交子空間投影，聚類異常信息，但該方法窗口內數據融合程度不夠，異常檢查虛警率同樣較高。

針對以上問題，在以上理論的基礎上，提出基于無人機的航測影像數據異常檢查方法，預處理無人機航測影像，降低數據維數，逐行提取異常像素點，降低異常檢查虛警概率。

1.基于無人機的航測影像數據異常檢查方法設計

1.1 基于無人機預處理航測影像數據

利用無人機獲取航測影像數據，對航測影像進行勻光勻色、幾何校正等。通過無人機傾斜攝影，采集航測影像數據，在無人機上安裝工業照相機，設置航測技術參數。航高計算公式如公式（1）所示：

式（1）中，a為照相機焦距，c為影像的像元尺寸，A為影像的地面分辨率，其中地面分辨率由測圖比例尺決定。根據測區范圍大小，確定無人機航線航向、飛行距離，航測基線長度D、間隔寬度G計算公式如公式（2）所示：

式（2）中，L1、L2分別為影像的像幅長、寬；p1、p2分別為航向、旁向重疊度，其中p1、p2的取值分別滿足60%～80%、15%～60%。

無人機航拍結束后，對航拍的影像數據進行編號，記錄每一張航測照片曝光點的時間、姿態角、經緯度等信息，剔除無用數據后，使用文本編輯器的COORD GM工具，把大地坐標轉換為平面坐標。旋轉像片方向，使其與照相機參數保持一致，對像片進行勻光勻色處理，使用Inpho軟件的Ortjho Vista模塊，減小航測影像熱斑效應，去除水域反射效應，降低單張航測影像的透鏡漸暈效果，平衡亮度和顏色。采用幾何配準的方法，幾何校正影像數據，在影像序列中選取一幅圖像，將其作為基準數據，選擇基準數據中的控制點集，采用三次多項式配準算法，配準控制點集與其他影像，篩選出配準誤差在3個像素以上的像素點，采用近距離重賦值方法，選取空間距離最近的像素點樣本值，對幾何誤差較大的點進行重賦值，控制配準誤差在3個像素以內。采用絕對輻射的方式，根據定標系數，計算輻射定標方程，校正航測影像數據輻射值至大氣反射率。輻射定標方程表達式如公式（3）所示：

式（3）中，λ為影像波段號；L（λ）為輻射定標后，航測影像數據的輻亮度值；E（λ）為無人機航拍時，照相機接收到的像元值；F（λ）為輻射定標增益值；B（λ）為輻射定標偏置值。通過公式（3），修改影像數據輻射范圍，消除照相機傳感器因性能原因帶來的誤差。至此完成基于無人機的航測影像預處理。

1.2 降維航測影像數據

結合準則函數和決策融合，降低預處理后的航測影像維數。使用低通模板，對航測影像進行噪聲濾除，頻域濾波影像數據，獲得航測影像的噪聲協方差陣，角化處理后得到影像數據正交矩陣，再對其進行線性變換，得到航測影像協方差陣，降序排列影像數據本征向量，表達式如公式（4）所示：

式（4）中，f為影像本征向量降序排列的對角矩陣；D為航測影像噪聲協方差陣；K為本征向量的正交矩陣；U1為噪聲協方差陣至正交矩陣的變換矩陣；V為航測影像協方差陣；U2為正交矩陣至影像協方差陣的變換矩陣。通過公式（4），令對角矩陣f的第一分量集中大量目標數據，分離影像目標信號與噪聲信號，使濾波后的數據聚類在有限特征集，且本征向量中的各個元素沒有關聯。

航測影像中的噪聲點分離完畢后，對數據進行降維處理。采取準則函數，去除包含目標數據少的波段，將準則函數劃分為信息量最大原則、類別可分性原則兩類。針對信息量最大原則，計算航測數據每個像元的熵值，熵值越大，判定像元包含信息量越多，再計算每個像元的方差，方差越大，判定波段之間的相關性越強，即不同波段之間存在大量冗余的目標數據，根據熵值和方差，篩選信息量大且不相關的波段，針對類別可分性原則，統計不同波段之間的標準距離、Matusita距離，組合距離小的波段，形成波段組[5]。采用決策融合法，對波段組進行映射，選取不相關的正交向量，線性表示影像數據的目標信息，對正交向量進行正交線性變換，把彼此相關的目標信息，變換為正交且獨立的數據參量。決策函數表達式如公式（5）所示：

式（5）中，Z為影像正交向量；數據向量為Z＝［z1，…zd，…zn］；n為航測影像數據源數量；L（Z）為數據向量的決策函數；F表示數學期望；ui、Ii分別為波段i的像素點灰度值、灰度均值；uj、Ij分別為波段j的像素點灰度值、灰度均值；Pd為第d個數據參量的權值；ed為第d個參量的決策值；q表示zd屬于ed的后驗概率。通過公式（5），把波段組投影到一個低維空間，高層次融合航測影像，保持航測影像原始信息高空間分辨率的同時，降低數據維數，實現數據量的壓縮。至此完成航測影像數據的降維。

1.3 檢查航測影像數據異常像元

應用稀疏系數修正函數，檢查低維影像數據的異常像元。采用因果滑動窗口，遍歷航測影像數據，設航測影像第m個像元元素為Xm，因果滑動窗口的長度為b，滑動窗口具體實施過程（如圖1所示）：

圖1 滑動窗口逐行檢查過程

圖1（a）中黑色區域為待檢查的影像數據像元，灰色區域為因果滑動窗口統計的背景信息，將待檢查像元Xm作為窗口中心，把背景信息劃分為非因果滑動窗、因果滑動窗兩部分，（如圖1（b）所示），沿著垂直方向滑動左半部分的因果滑動窗，使窗口中心像元由Xm移動至Xm＋1，（如圖1（c）所示），此時窗口內大部分影像數據未發生變化，僅移出頂行元素Xm－b，…，Xm－2，再將新一行影像數據像元元素，移入以Xm＋1為中心的因果滑動窗內。沿著圖1所示的推掃軌跡，以一行為間隔，不斷平移因果滑動窗，使滑動窗口覆蓋數據兩端，直至所有航測影像數據檢查結束。

采用稀疏系數修正的異常檢查方法，檢查窗口內影像數據的像元元素，訓練影像數據信號樣本，利用最優方向法，對航測影像中的背景像元信息進行字典學習，構建完備字典，在全局航測影像中，隨機選擇背景像素作為字典原子，確保字典能夠體現航測影像數據信號的內在特征，滿足字典與稀疏表示的互相關條件要求。使用深度學習堆疊自編碼器，將最小化字典原子系數期望作為約束項，對航測影像的像素進行稀疏分解，計算每個像元的稀疏表示系數Q如公式（6）所示：

式（6）中，E為字典原子系數期望；I為因果滑動窗口內的像元個數；H為字典內原子個數；l1、l2分別為窗口內、窗口外的影像數據光譜波段數。利用字典懲罰函數，對字典原子進行懲罰約束，提取影像數據非線性特征，混合后得到字典的特征空間，獲得稀疏表示誤差，將其作為光譜數據的異常算子。稀疏系數修正函數表達如公式（7）所示：

式（7）中，J表示稀疏系數修正函數；R為窗口內中心像元的信號誤差；t為信號誤差閾值；M為降維后影像數據的信號維度；P為信號基向量；O為基向量系數。當J值大于字典的稀疏度閾值時，判定窗口內中心像元Xm為正常像素，當J值小于稀疏度閾值時，判定窗口內中心像元Xm為異常像素，即為影像數據中的光譜異常數據。至此完成航測影像異常像元的檢查，實現基于無人機的航測影像數據異常檢查方法設計。

2.實驗論證

將此次設計方法與基于背景純化的航測影像異常檢查方法、基于背景判別與鄰域補償的航測影像異常檢查方法、基于多窗口融合判別子空間的航測影像異常檢查方法進行對比實驗，比較四種方法航測影像數據異常檢查虛警概率。

2.1 設計方法異常檢查

選取某城市的滑坡實景作為航測對象，采集該滑坡航測數據，該滑坡由東南向西北高度遞減，海拔在2500m～2900m之間，地質特征為積石山，研究區域內交通便利。設計方法為使用無人機航拍滑坡影像，選擇CW-15型垂直起降固定翼無人機，配置DG4PRO五鏡頭照相機，包括1個正視鏡頭和4個環視鏡頭，使用掛鉤連接照相機和無人機，照相機傳感器尺寸為39.5mm×25mm，曝光方式為等時曝光，總像素和單鏡頭像素分別為2.0億個、4100萬個，設定的無人機和照相機技術參數（如表1所示）：

表1 航測影像技術參數

結合本文上述內容，對63746張滑坡影像數據進行預處理，處理結果（如圖2所示）：

圖2 滑坡影像顯示

由圖2可以看出：預處理后的影像去除了大量噪聲點，且消除了幾何畸變和輻射畸變。結合稀疏系數修正的異常檢查方法，設計相關程序，實現數據異常像元都檢查。結果（如圖3所示）：

圖3 航測影像異常檢查結果

圖3中黑色區域為正常的背景像素，白色區域為光譜存在異常的像素點，可作為航測影像中檢查目標的感興趣區域。

2.2 實驗結果分析

等面積劃分滑坡航測區域，對各區域進行編號，用四種方法對滑坡航測影像異常檢查完畢后，比較數據異常檢查的虛警率，虛警率計算如公式（8）所示：

式（8）中，S1、S2分別為檢出航測影像中的正常像元個數、異常像元個數。針對滑坡區域的80維可見影像，四種方法的檢出像元（如圖4所示）：

圖4 80維航測數據異常檢出統計結果

分別劃分四種方法檢出像元中的正常像素點、異常像素點，代入公式（8），得到虛警率實驗對比結果（如圖5所示）：

圖5 80維航測數據異常檢查虛警概率實驗結果

由圖5可知：針對80維可見航測影像，設計方法航測影像數據異常檢查平均虛警概率為1.97%，基于背景純化的航測影像異常檢查方法平均虛警概率為2.25%，基于背景判別與鄰域補償的航測影像異常檢查方法平均虛警概率為2.41%，基于多窗口融合判別子空間的航測影像異常檢查方法平均虛警概率為2.45%。相比其他三種方法，設計方法虛警概率分別減少了2.28%、0.44%、0.48%。

針對滑坡區域的75維短波航測影像，四種方法檢出像素點總數量（如圖6所示）：

圖6 75維航測數據異常檢出統計結果

劃分檢出像元中的正常像素點數量、異常像素點數量，得到四種方法的虛警概率實驗對比結果，具體（如圖7所示）：

圖7 75維航測數據異常檢查虛警概率實驗結果

由圖7可知：針對75維短波影像，設計方法航測影像數據異常檢查平均虛警概率為1.94%，另外三種方法平均虛警概率分別為2.07%、2.19%、2.36%，設計方法虛警概率分別減少了0.13%、0.25%、0.42%。

3.結束語

此次研究利用無人機獲取航測影像，降低了航測影像數據異常檢查的虛警概率，保證了異常像素點的檢出準確性。但此次設計方法仍存在一定不足，在今后的研究中，會結合航測影像光譜特征，充分運用航測影像數據的空間紋理特征，考慮像元數據為同一類型的情況，進一步提高正常像素點和異常像素點的分類準確性。