基于圖像增強的無人機遙感測繪技術優化

宋德寬　孫曉莉

摘要：在現代測繪科技領域，無人機遙感測繪技術已成為獲取地理空間數據的重要手段。然而，由于自然光照變化、大氣條件影響、設備限制等因素，原始遙感圖像常常存在質量不佳的問題，影響數據的準確性和可用性。因此，圖像增強作為一種提高圖像質量的技術，在無人機遙感測繪技術中的應用顯得尤為重要。圖像增強技術通過改善圖像的對比度、亮度等特征，能夠使細節更加清晰，進而優化遙感數據處理流程，提升地理信息的準確性和實用價值。

關鍵詞：無人機；圖像增強；遙感測繪；技術優化

中圖分類號：P231 文獻標識碼：A

文章編號：1009-3044（2024）14-0038-03 開放科學（資源服務）標識碼（OSID） ：

0 引言

在當今的地理信息科學領域，無人機遙感測繪技術已經成為一種革命性的數據采集手段。它通過高效率、高精度地獲取地表空間信息，極大地推進了地理空間數據分析和應用的深度與廣度[1-2]。隨著人工智能和計算機視覺技術的快速發展，圖像增強作為提升遙感圖像數據質量的關鍵技術，已經被廣泛應用于無人機遙感測繪領域。旨在通過算法優化來解決原始遙感數據在光照、對比度、分辨率等方面的限制，從而提升地理信息系統數據的準確性和實用性[3]。

1 無人機遙感測繪技術的基本原理

在當代能源工程領域，無人機遙感測繪技術憑借其高效、精確的數據采集能力，已成為實施地形地貌分析、資源勘探與環境監測的關鍵技術[4]。該技術依托于無人機平臺，通過搭載高分辨率的攝影測量儀器與傳感器，如多光譜、紅外、激光雷達（LiDAR） 等，實現對地表特征的高精度捕獲與分析。遙感測繪技術的基本原理涉及無人機的飛行控制、數據采集、圖像處理與解析、地理信息系統（GIS） 數據集成等多個環節[5]。無人機的飛行控制系統依據預設的航線自動導航，確保遙感設備能夠按照既定的空間分布和時間間隔進行數據采集，如圖1所示。此過程中，無人機須維持穩定飛行狀態，以減少數據采集過程中的誤差。數據采集環節中，搭載于無人機上的遙感設備對目標區域進行全面掃描，捕獲包含地表光譜、溫度、高度等多維信息的原始圖像和數據。在圖像處理與解析環節，采用先進的圖像增強技術，如邊緣檢測、圖像配準、光譜分析等，對采集到的原始數據進行處理，提高圖像的清晰度和對比度，進而識別、分類地表特征和變化。

2 基于圖像增強的無人機遙感測繪技術優化

2.1 集成圖像增強算法以優化遙感數據處理流程

算法的集成是關鍵步驟之一。它通過提升遙感圖像的質量，以獲得更準確的地理信息數據。本研究采用的核心算法是基于深度學習的卷積神經網絡（CNN） 模型，專門用于處理和提高遙感圖像的質量。CNN模型通過模擬人類視覺系統的處理方式，能夠自動學習和識別圖像中的特征，從而有效地增強圖像質量。為了詳細說明該算法在遙感數據處理流程中的應用，首先引入圖像增強的基本模型表示，其次通過復雜公式展開詳細闡述，最后解釋該算法對實時監測的重要性。假設原始遙感圖像為I，目標是通過圖像增強算法得到增強后的圖像。圖像增強的目標函數可以表示為：

Ie = f （Io ; Θ） （1）

其中，f 表示CNN模型，Θ代表模型參數。CNN模型的訓練過程旨在最小化增強后圖像與期望圖像之間的差異，這種差異通常通過損失函數L來量化：

在這里，I （i） t 代表第i 個訓練樣本的目標圖像，N 是訓練樣本的總數。損失函數的目的是通過調整Θ來最小化Ie 和It 之間的歐幾里得距離。為了進一步優化模型，引入正則化項以防止過擬合，因此最終的優化目標變為：

其中，λ是正則化參數，用于平衡損失函數和正則化項的影響。

在CNN模型中，一個典型的層結構包含卷積層、激活函數和池化層。以卷積層為例，假設k是卷積核，卷積操作可表示為：

其中，C（x，y）是卷積結果，M 和N 是卷積核的大小。通過層層疊加的卷積層、激活函數和池化層，CNN能夠自動學習圖像的層次特征，這些特征對于圖像增強尤為重要。在實時監測應用中，通過實時更新CNN模型的參數，可以持續優化圖像增強的效果，提高遙感圖像的質量和遙感數據的準確性。

2.2 高效的數據處理與分析框架設計

在基于圖像增強的無人機遙感測繪技術優化過程中，構建一個高效的數據處理與分析框架是至關重要的。旨在從海量遙感數據中快速、準確地提取有價值的信息，進而提升遙感測繪的質量和效率。該框架涉及數據預處理、增強處理、特征提取、分類與分析等多個環節，每一環節都采用先進的算法和技術，確保數據處理的高效性和分析結果的準確性。數據預處理階段，包括去噪、校正、歸一化等步驟。利用數字圖像處理技術對原始遙感數據進行初步處理，去除各種噪聲干擾，糾正成像畸變，為后續的圖像增強和特征提取打下堅實的基礎。接下來，圖像增強階段主要采用基于深度學習的算法，如卷積神經網絡（CNN） 或生成對抗網絡（GAN） 。自動調整圖像的對比度、亮度、清晰度等參數，顯著提高圖像質量，使得地物特征更加明顯，便于識別和分析。特征提取環節是該框架的核心。通過應用機器學習和深度學習方法，如支持向量機（SVM） 、隨機森林（RF） 和深度卷積神經網絡（DCNN） ，自動識別和提取遙感圖像中的關鍵特征，包括紋理、形狀、顏色和光譜特征。在分類與分析階段，依據提取的特征，運用分類算法將遙感圖像中的地物進行有效分類。例如利用深度學習中的卷積神經網絡進行語義分割，準確地將圖像分割成不同的地物類別。

2.3 精確的地理信息系統（GIS） 數據集成方法

在基于圖像增強的無人機遙感測繪技術優化研究中，精確的地理信息系統（GIS） 數據集成方法是確保遙感數據可用性和有效性的關鍵環節。GIS數據集成方法涉及將經過圖像增強處理的遙感圖像數據與GIS中的空間數據準確對接，實現數據的有效融合和應用。研究采用的核心算法是基于特征匹配和空間插值的數據融合算法。該算法通過精確匹配遙感圖像與GIS空間數據中的共有特征，實現兩者之間的無縫集成。以下是該算法的具體闡述：首先定義遙感圖像I和GIS空間數據S，目標是找到一個轉換函數f，使得I能夠準確地映射到S的空間參考系統中：

S的空間參考系統中：

f：I?→ S （5）

轉換函數f的求解依賴于特征匹配算法，該算法識別I和S中相似的特征點和，并計算轉換參數。特征匹配可以表示為：

PS = f （PI ; Θ） （6）

其中，Θ表示轉換參數，包括旋轉、平移和縮放等。為了求解Θ，采用最小二乘法對誤差函數進行優化：

在此基礎上，使用空間插值方法，如克里金插值，對非特征點位置進行精確映射，確保整個圖像與空間數據的完整和準確對齊。克里金插值的基本公式為：

其中，Z （x0 ）是插值點的估計值，Z （xi ）是已知點的值，λi 是權重系數，通過解決方差最小化問題獲得。通過上述步驟，可以實現遙感圖像與GIS空間數據之間的精確集成，為遙感測繪技術提供了強大的數據支持。該集成方法不僅提高了數據處理的精度和效率，而且增強了遙感測繪技術在環境監測、資源管理等領域的應用能力。

3 案例分析

由于連續幾周的無雨天氣，位于地中海氣候區的某農田區域正經歷嚴重的干旱。農業專家小組決定運用無人機遙感測繪技術來評估干旱對農作物生長的影響。方法：使用搭載有多光譜攝像頭的無人機對目標區域進行飛行測繪。獲取的圖像數據首先經過預處理，包括去噪和輻射校正，然后通過卷積神經網絡進行圖像增強，最后將增強后的圖像與GIS數據庫中的歷史作物生長數據進行集成分析，如表1所示。

通過上述方法，成功生成了包含增強后圖像數據的農田健康指數地圖。該地圖直觀顯示了干旱影響的程度，并且輔助農業專家小組準確劃分了受影響程度不同的區域。NDVI值接近 +1 通常表示較高的植被密度和健康狀況，而接近 -1 則可能表示無植被覆蓋的土地或受損植被。在本案例中，區域C3的NDVI 值為負，表明該區域受干旱影響極為嚴重，幾乎無植被生長，需要緊急的干旱救助措施。區域B2的NDVI值較高，表明該區域植被生長良好，未受干旱影響。區域A1的NDVI值表明該區域受到輕度干旱影響，可能需要進一步的監控和適度灌溉。通過GIS數據集成，這些信息能夠幫助制定更為精確的農田管理策略。

4 結束語

本文的研究成果不僅為無人機遙感測繪技術的發展提供了新的理論基礎和技術路徑，也為地理信息科學領域的研究者和實踐者提供了一種有效的數據處理和分析工具。通過對圖像增強技術的深入研究和應用優化，本文進一步拓寬了無人機遙感測繪技術在環境監測、資源管理、城市規劃等多個領域的應用前景。有望為解決地理空間數據分析中的關鍵問題提供支持，促進地理信息科學的發展與進步。

參考文獻：

[1] 許哲，張少帥，郭璐，等.一種無人機遙感圖像去霧方法[J].通信技術，2020，53（10）：2442-2446.

[2] 杜漫飛，孫華生.無人機遙感圖像中不均勻霧霾的去除算法研究[J].測繪與空間地理信息，2019，42（1）：174-176，180.

[3] 倪金生，劉翔，于飛.一種基于動態匹配的無人機遙感影像快速拼接技術：CN105243653A[P].2016-01-13.

[4] 么鴻原，林雪原，王海鵬，等.基于優化導向濾波算法的遙感圖像預處理仿真[J].計算機仿真，2019，36（9）：300-303.

[5] 王靜.深度學習無人機遙感影像房屋檢測方法研究[J].測繪與空間地理信息，2023，46（9）：139-142，145.

【通聯編輯：梁書】