喜文飛，高 煒，錢堂慧，黃鴻志，朱 江

（1.云南師范大學 地理學部，云南 昆明650500；2.云南師范大學 信息學院，云南 昆明650500；3.云南海鉅地理信息技術有限公司，云南 昆明650000；4.蒼穹數(shù)碼技術股份有限公司，北京100081）

無人機在獲取影像過程中，由于在空中拍攝的姿態(tài)穩(wěn)定性較差，拍攝的影像難免會模糊，如圖1所示。因此，在飛行拍攝任務結束后，需要將模糊的影像篩選出來，只保留清晰的影像參與后期的數(shù)據(jù)處理。傳統(tǒng)的圖像篩選主要依靠工作者的先驗知識進行人工篩選。該方法在視覺疲勞等其他因素的干擾下，會造成模糊圖像的漏選和多選問題。因此，一般會采用多人多次觀察并相互檢查的方法以保證圖像篩選的準確性[1-4]。這種方法耗時較長、工程量較大，對于拍攝圖像數(shù)量較少時可采用。而專業(yè)的無人機航拍圖像數(shù)量可能幾百甚至上千張，因此，這種人工篩選圖像的方式就顯得力不從心，所以需要一種自動檢測模糊圖像的方法。文獻[5-6]中，有學者基于邊界清晰度的原則來進行模糊度的識別。文獻[7]中利用不同方向梯度的統(tǒng)計來進行模糊程度的測量。文獻[8]是在模糊類型為運動模糊且運動方向不變的前提下，對模糊核進行估計，利用模糊核的知識對模糊區(qū)域進行提取，但自然圖像模糊類型很多，對模糊核的估計存在很大難度。文獻[9]提出一種有意義的模糊測度，通過對梯度幅度進行雙高斯混合模型的擬合，實現(xiàn)了標準差與功率譜相結合的模糊測度，然后運用貝葉斯分類器，基于塊進行模糊物體分割。吳昊等人基于空域梯度統(tǒng)計結果進行圖像局部模糊檢測[10]。魏錸等人利用Sobel邊緣檢測原理實現(xiàn)對無人機模糊影像的快速檢測，但是該方法檢測的先覺條件是必須按照其拍攝時的順序依次計算與分析，不能打亂圖像順序進行計算與分析[11]。目前模糊圖像的自動檢測主要是基于有參考圖像的情形，通過建立評價指標對比參考圖像與待評價圖像之間的評價結果進行檢測。而無人機根據(jù)地點的不同，拍攝的圖像也不相同，因此，一般沒有參考圖像，自動檢測模糊圖像的難度較大。因此，筆者提出采用高斯-拉普拉斯算子的方法，通過提取邊緣特征進行模糊圖像的識別。

圖1 模糊影像

1 影像邊緣特征提取方法比較

1980年，David Marr和Ellen Hidreth共同提出了LOG（Laplacian of Gaussian）邊緣檢測算子，也稱為Marr&Hildreth算子[12]。LOG算子是把高斯濾波和拉普拉斯邊緣檢測相結合的一種邊緣檢測算子[13]。高斯濾波函數(shù)定義如下

其中，σ為高斯函數(shù)的均方差，具有控制平滑程度的作用，σ越大，對噪聲的抑制作用越大，圖像平滑效果越好，但圖像邊緣特征越模糊，可以減小偽邊緣的遺漏；σ越小，對噪聲的抑制作用下降，檢測出的滿足條件的邊緣特征數(shù)量會隨之增加，容易檢測出偽邊緣。因此，σ選取較為關鍵，一般取值在1到10之間。通常情況是小的濾波器（σ較?。┯糜跈z測細節(jié)，大的濾波器（σ較大）用于檢測輪廓。高斯函數(shù)G（x，y）與原圖像f（x，y）進行卷積運算，得到平滑后的圖像I（x，y）

對平滑后的圖像進行拉普拉斯運算，有

由卷積的運算性質可得

其中，▽2G（x，y）即為LOG算子，對原灰度圖像進行卷積運算后提取零交叉點即為邊緣特征點，一個典型的5×5大小的LOG算子模板如下

除了LOG算子，常用的基于二階導數(shù)的邊緣特征提取算子主要有Roberts算子、Sobel算子、Prewitt算子等[14-15]。

1.1 無人機數(shù)據(jù)獲取

無人機類型為沃德WD-800A電動固定翼無人機：1.5 kg載重，220 km航程，搭載相SONYa7R+35 mm，像幅7 360*4 912，像素大小4.88，CCD大小35.93*29.98，如圖2所示。為了便于進行運算，該影像經(jīng)過了縮放處理，影像分辨率分別為512*512、736*492。選取的第一幅影像，如圖3所示，該影像植被覆蓋密度較高，紋理比較單一。圖4影像紋理比較豐富、地物覆蓋的類型比較多。

圖2 固定翼無人機

圖3 紋理單一影像

圖4 紋理豐富影像

1.2 邊緣特征算子提取實驗

對比分析Roberts算子、Sobel算子、Prewitt算子和LOG算子，每種算子都是采用相同的影像，相同的運行環(huán)境，邊緣特征提取結果如圖5、圖6、圖7、圖8所示。

圖5 Roberts算子邊緣特征提取結果

圖6 Sobel算子邊緣特征提取結果

圖7 Prewitt算子邊緣特征提取結果

圖8 LOG算子邊緣特征提取結果

以上介紹的幾種基于邊緣特征的圖像特征提取算法，都是在實驗室計算機軟硬件和環(huán)境相同的條件下進行測試的。可以看出，Roberts算子、Sobel算子、Prewitt算子邊緣定位精度不高，存在信息丟失現(xiàn)象，LOG算子抗噪聲能力較強，邊緣定位精度較高，連續(xù)性好。因此，文中采用的邊緣特征提取算子為LOG算子。

2 無人機模糊圖像自動識別

通過對以上算子進行比較分析，LOG算子提取的邊緣特征較豐富，因此，論文采用LOG算子進行邊緣特征提取。針對提取的邊緣特征值結合灰度方差進行模糊圖像檢測。圖9為清晰無人機圖像、圖10為模糊無人機圖像，利用LOG算子進行特征提取，提取結果如圖11、圖12所示，無人機影像清晰，提取的邊緣特征值較多，反之，邊緣特征值較少。

圖9 清晰無人機影像

圖10 模糊無人機影像

圖11 清晰無人機影像邊緣特征

圖12 模糊無人機圖像邊緣特征

分別對清晰的無人機遙感影像和模糊的無人機遙感影像求灰度變化，計算影像中間行灰度變化圖，橫坐標為像元，縱坐標為灰度值，結果如圖13所示。

圖13 無人機影像灰度變化

從圖13的灰度圖可以看出來，清晰的無人機影像，灰度值變化的幅度較小，相對比較近均衡；模糊的無人機影像，灰度值變化的幅度較大，波動比較大，邊緣模糊的地方灰度較小，清晰的地方灰度值相對較大。

利用提取的邊緣特征進行灰度化，計算圖像的灰度均值，利用計算的灰度均值及每個像元的灰度值計算影像總的方差值。設置閾值k，如果影像方差低于預先定義的閾值k，那么該影像就可以被認為是模糊的。高于閾值k，該影像則認為是清晰的。編程語言matlab2014；運行環(huán)境為：Win7系統(tǒng)，內(nèi)存4.00GB，64位操作系統(tǒng)。

該實驗加載了164幅無人機影像，獲取的無人機影像大小為7 952*5 304。有7幅無人機影像為模糊影像，不利于后期影像拼接，利用拉普拉斯算子進行快速檢測，模糊閾值R=5，該閾值的獲取主要通過清晰影像進行獲取，隨機選取不同地物10幅清晰的影像，利用LOG算子提取影像邊緣特征，計算邊緣特征的灰度值，以最小的灰度值作為閾值。模糊度大于設定閾值，判斷圖像為清晰圖像，模糊度小于設定閾值，判斷圖像為模糊圖像，自動進行標記。利用程序進行自動檢測，全部完成的時間為126 s。檢驗正確的結果為100%，說明該方法進行無人機模糊檢驗的結果比較可靠。

3 結語

論文分析對比了經(jīng)典算子邊緣特征提取的效果，結合高斯-拉普拉斯算子（LGO算子）進行圖像的邊緣特征提取，通過計算圖像的方差，設置閾值自動進行模糊影像的識別，結合工程實例進行驗證，利用該方法進行的模糊圖像識別準確率可以達到100%，論文的研究成果可以提高無人機圖像預處理的效率，縮短工作時間，具有一定的應用價值。