馬廣迪 楊為琛

(浙江國遙地理信息技術(shù)有限公司, 浙江 湖州 313200)

0 引言

目前無人機(jī)航拍遙感圖像動(dòng)態(tài)重構(gòu)技術(shù)的發(fā)展趨勢(shì)主要有兩個(gè):一是通過拓寬遙感圖像數(shù)據(jù)采集檢測(cè)范圍進(jìn)行動(dòng)態(tài)重構(gòu);二是通過提高特征數(shù)據(jù)匹配率進(jìn)行圖像重構(gòu)。隨著近年來遙感影像數(shù)據(jù)不斷增加,無人機(jī)航拍圖像特征多樣性和數(shù)據(jù)量也不斷增長,在此環(huán)境下,圖像重構(gòu)技術(shù)需要不斷進(jìn)行優(yōu)化改進(jìn),才能獲得準(zhǔn)確有效的數(shù)據(jù)?；诖?提出基于壓縮感知的無人機(jī)航拍遙感圖像動(dòng)態(tài)重構(gòu)方法[1]。由于當(dāng)前無人機(jī)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(duì)動(dòng)態(tài)圖像的測(cè)量數(shù)據(jù)進(jìn)行深入采集,進(jìn)一步對(duì)壓縮圖像編碼過程進(jìn)行簡化和去噪處理,對(duì)圖像重構(gòu)過程中的大量冗余數(shù)據(jù)進(jìn)行排除。保證海量遙感圖像數(shù)據(jù)的高效傳輸與存儲(chǔ)效果,實(shí)現(xiàn)高質(zhì)量的遙感圖像重建,在降低數(shù)據(jù)存儲(chǔ)量的同時(shí),提高了圖像處理效率。

1 無人機(jī)航拍遙感圖像動(dòng)態(tài)重構(gòu)

1.1 無人機(jī)航拍遙感影像降質(zhì)模型

構(gòu)建無人機(jī)航拍遙感影像降質(zhì)模型,對(duì)無人機(jī)航拍遙感圖像特征進(jìn)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(biāo)圖像和低分辨率觀測(cè)圖像之間的特征映射關(guān)系,以及無人機(jī)航拍遙感圖像退化的原因。假設(shè)目標(biāo)圖像采集坐標(biāo)為X(n),其中n代表無人機(jī)航拍遙感圖像采集過程中獲取的未失真連續(xù)信號(hào)；Y(k,i)為遙感圖像序列；D為降級(jí)離散圖像特征等級(jí)且D=1,2,…,p；Bk為無失真地轉(zhuǎn)換為離散數(shù)字特征參數(shù)，Mk為形變矩陣，結(jié)合降質(zhì)觀測(cè)模型對(duì)無人機(jī)航拍遙感影像原始數(shù)字圖像特征進(jìn)行計(jì)算,具體算法如下:

(1)

在此基礎(chǔ)上,進(jìn)一步對(duì)無人機(jī)航拍遙感圖像的多幀圖像超分辨率參數(shù)進(jìn)行重構(gòu)[2]。若無人機(jī)航拍遙感圖像動(dòng)態(tài)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(jīng)過降質(zhì)后的每幅低分辨率圖片的尺寸為N1×N2；參數(shù)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(jī)航拍最大和最小移動(dòng)距離高分辨率圖像的重建；t表示低分離率圖像對(duì)應(yīng)的幀數(shù)；Bin表示模糊圖像幀數(shù)；Din表示圖像特征參數(shù)采樣矩陣；Gin表示加性噪聲數(shù)值。進(jìn)一步對(duì)單幅圖像進(jìn)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(xiàn)圖像模糊、噪聲附加干擾等問題,導(dǎo)致航拍圖像的分辨率極低,為此,需要首先對(duì)單幀圖像超分辨率重建模型特征進(jìn)行描述,具體算法為:

(2)

基于上述算法,進(jìn)一步進(jìn)行遙感圖像的變換域重構(gòu),當(dāng)信號(hào)為可壓縮或稀疏時(shí),通過線性投影可采集少量的實(shí)測(cè)數(shù)據(jù),若遙感圖像的變換特征向量為vzin,若圖像中只有一個(gè)待轉(zhuǎn)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(jìn)行無人機(jī)航拍圖像降質(zhì)處理的過程中,隨機(jī)投影測(cè)量矩陣為a×b,圖像特征維測(cè)量值為y,且y≥m-m′,進(jìn)一步對(duì)船舶航拍遙感圖像特征原始采樣信號(hào)進(jìn)行壓縮處理記為ψ,進(jìn)一步規(guī)范原始信號(hào)的全部信息記為x,A為信息算子，壓縮采樣后的最少量實(shí)測(cè)值進(jìn)行重構(gòu),具體算法為:

Δηminx‖ψx‖ps.t.y=Ax

(3)

(4)

1.2 遙感圖像降噪預(yù)處理

為了更好地實(shí)現(xiàn)遙感圖像的動(dòng)態(tài)重構(gòu)處理效果,需要對(duì)遙感圖像進(jìn)行降噪預(yù)處理,通過分塊處理減少計(jì)算量,對(duì)小圖像塊特征進(jìn)行智能分解,將采集到的無人機(jī)航拍圖像分解成低頻近似數(shù)據(jù),并對(duì)圖像的水平、垂直和對(duì)角方向特征頻率細(xì)節(jié)進(jìn)行降噪處理[4]。對(duì)于噪聲干擾區(qū)域進(jìn)行圖像頻域去噪分解處理。將分解后的子圖像根據(jù)不同分辨率參數(shù)進(jìn)行層次化去噪,具體過程如圖1所示。

圖1 圖像細(xì)節(jié)層次化去噪原理

進(jìn)一步結(jié)合壓縮圖像理論,進(jìn)行圖像特征噪聲干擾稀疏性進(jìn)行采樣分析,在小圖像塊中對(duì)特定的變換域上進(jìn)行量測(cè)和解碼重構(gòu)處理[5]。根據(jù)圖像的噪聲干擾稀疏性對(duì)浪費(fèi)的資源進(jìn)行再匹配,保證在噪聲干擾情況下圖像仍可不失真地進(jìn)行重構(gòu),實(shí)現(xiàn)對(duì)圖像進(jìn)行降噪預(yù)處理的研究要求,在進(jìn)行圖像去噪和編碼采樣的過程中,需要對(duì)采集到的圖像特征信號(hào)稀疏進(jìn)行變換域處理,并在變換域處理后,進(jìn)行后續(xù)降噪和信號(hào)重構(gòu)處理,提高信號(hào)降噪處理精度。無人機(jī)航拍圖像像素點(diǎn)經(jīng)過多項(xiàng)式變換后,分布不均,需要進(jìn)行重采樣[6]。該方法通過對(duì)圖像關(guān)鍵素點(diǎn)陣列坐標(biāo)變換素點(diǎn)灰度值,分析素點(diǎn)之間的關(guān)系,對(duì)原始圖像進(jìn)行重采樣,建立新的圖像矩陣,導(dǎo)致無人機(jī)航拍圖像受光照時(shí)產(chǎn)生很大的亮度噪聲,為消除噪聲,必須對(duì)圖像進(jìn)行平滑處理。為保障降噪處理的精度,需要對(duì)遙感圖像進(jìn)行噪聲稀疏性指標(biāo)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(rèn)為噪聲干擾信號(hào)稀疏較低。基于此,需要進(jìn)一步對(duì)信號(hào)處理步驟進(jìn)行優(yōu)化[7]。結(jié)合小波變換原理對(duì)圖像小波域特征進(jìn)行數(shù)值修復(fù)處理,從而更好地恢復(fù)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(fù)

基于上述降噪修復(fù)要求,對(duì)降噪算法進(jìn)行優(yōu)化,進(jìn)一步采用迭代軟閾值算法(Iterative Soft Thresholding,IST)對(duì)壓縮圖像收縮門y限進(jìn)行規(guī)范,進(jìn)一步提出通用門限函數(shù)算法,更好地實(shí)現(xiàn)壓縮圖像及小化降質(zhì)處理要求,具體算法如下：

(5)

基于上述算法,對(duì)無人機(jī)遙感圖像進(jìn)行分割,將其劃分成大小相同、互不重疊的小圖像塊進(jìn)行采樣、壓縮和降質(zhì)預(yù)處理[8]。對(duì)一般分辨率圖像進(jìn)行精準(zhǔn)去噪,有效解決壓縮感知圖像特征,以提高每個(gè)小圖像塊的分辨率和壓縮速度。假設(shè)采集到的遙感圖像中存在稀疏信號(hào)θi∈R和圖像采集空間ψi∈R,基于此進(jìn)一步對(duì)去噪圖像修復(fù)算法進(jìn)行規(guī)范,規(guī)范結(jié)果Δε如下：

(6)

基于上述算法,進(jìn)行無人機(jī)航拍遙感圖像的動(dòng)態(tài)重構(gòu)處理?；趫D像特征重構(gòu)要求，對(duì)壓縮圖像進(jìn)行特征采樣和解碼處理,提高動(dòng)態(tài)圖像重構(gòu)算法的精度和速度,成功實(shí)現(xiàn)對(duì)壓縮圖像進(jìn)行精準(zhǔn)的分塊感知研究要求。

1.3 遙感圖像動(dòng)態(tài)重構(gòu)的實(shí)現(xiàn)

在對(duì)特征圖像進(jìn)行描述的過程中,需要對(duì)圖像模糊區(qū)域進(jìn)行精準(zhǔn)識(shí)別,通過對(duì)圖像中的噪點(diǎn)區(qū)域即模糊區(qū)域進(jìn)行采集檢測(cè),并對(duì)成像區(qū)域特征點(diǎn)擴(kuò)散特征進(jìn)行判斷分析,結(jié)合點(diǎn)擴(kuò)散函數(shù)(point spread function,PSF)卷積原理對(duì)圖像降晰特征進(jìn)行分析，并將圖像特征轉(zhuǎn)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(diǎn),建立圖像動(dòng)態(tài)重構(gòu)模型,并對(duì)原始圖像和重構(gòu)圖像之間的映射關(guān)系進(jìn)行規(guī)范,并對(duì)無人機(jī)遙感圖像中的每一像素進(jìn)行真實(shí)的經(jīng)緯定位。無人駕駛飛機(jī)航拍圖像中經(jīng)過多項(xiàng)式變換后的像素點(diǎn)分布不均勻,需要進(jìn)行重采樣。將圖像關(guān)鍵像素的點(diǎn)陣進(jìn)行坐標(biāo)變換,得到像素的灰度值,再分析各個(gè)像素點(diǎn)之間的關(guān)系,重新采集原始圖像,建立新的圖像矩陣。通過對(duì)原圖像像素點(diǎn)進(jìn)行重新采樣,將映射關(guān)系轉(zhuǎn)換為新圖像的對(duì)應(yīng)位置,計(jì)算灰度值,生成校正后的圖像。進(jìn)一步對(duì)遙感圖像動(dòng)態(tài)校正步驟進(jìn)行優(yōu)化,具體校正步驟如圖3所示。

圖3 遙感圖像動(dòng)態(tài)校正步驟

(7)

(8)

基于上述算法進(jìn)行圖像重構(gòu),航拍圖像幾何校正是對(duì)原始圖像進(jìn)行質(zhì)量修正,以滿足關(guān)鍵目標(biāo)點(diǎn)間距測(cè)量結(jié)果的高精度要求,也就是確定圖像上像素坐標(biāo)與實(shí)際關(guān)鍵點(diǎn)坐標(biāo)之間的關(guān)系,從而反映兩者的映射關(guān)系。為保障處理效果,簡化圖像動(dòng)態(tài)重構(gòu)精度,對(duì)無人機(jī)圖像動(dòng)態(tài)重構(gòu)步驟進(jìn)行優(yōu)化,具體如圖4所示。

圖4 圖像動(dòng)態(tài)重構(gòu)步驟

基于上述步驟,對(duì)壓縮圖像進(jìn)行動(dòng)態(tài)識(shí)別和重構(gòu),最大程度上保證圖像重構(gòu)精度和提升處理,有效保證圖像動(dòng)態(tài)重構(gòu)精度。

2 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證基于壓縮感知的無人機(jī)航拍遙感圖像動(dòng)態(tài)重構(gòu)方法的實(shí)際應(yīng)用效果,進(jìn)行實(shí)驗(yàn)檢測(cè),對(duì)同一無人機(jī)航拍圖像進(jìn)行了數(shù)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(jī)遙感采集影像作為實(shí)驗(yàn)樣本,對(duì)比傳統(tǒng)方法進(jìn)行圖像重構(gòu)的性能評(píng)價(jià),并記錄實(shí)驗(yàn)檢測(cè)結(jié)果。在實(shí)驗(yàn)過程中,以壓縮感知圖像指數(shù)的峰值信噪比為評(píng)估標(biāo)準(zhǔn)進(jìn)行對(duì)比,信噪比越高,則說明重建圖像的質(zhì)量越好。

為保障實(shí)驗(yàn)研究效果,對(duì)實(shí)驗(yàn)環(huán)境進(jìn)行統(tǒng)一設(shè)置,實(shí)現(xiàn)設(shè)備選取酷睿8600CPU,數(shù)據(jù)處理軟件選擇Matlab7.12.0軟件,在4 G主頻環(huán)境下進(jìn)行模擬實(shí)驗(yàn)。在實(shí)驗(yàn)中,利用高斯隨機(jī)投影矩陣對(duì)4幅原始遙感圖像進(jìn)行隨機(jī)采樣,從而更好地得到圖像采樣特征頻率,進(jìn)一步利用本文提出的重構(gòu)算法進(jìn)行圖像特征的重建。利用JAVA和C++程序編寫原理進(jìn)行數(shù)值分析,以5～3 210 MCPU@2.50 GHz為硬件環(huán)境進(jìn)行數(shù)值分析,驗(yàn)證了無人機(jī)航拍遙感圖像動(dòng)態(tài)重構(gòu)的關(guān)鍵目標(biāo)點(diǎn)間距測(cè)量方法的有效性。對(duì)采樣率遙感圖像進(jìn)行重建,對(duì)不同的圖像重建方法得到的峰值信噪對(duì)比并記錄,具體如表1所示。

表1 遙感圖像采樣率重構(gòu)效果對(duì)比

基于表1進(jìn)行圖像動(dòng)態(tài)分析可知,相對(duì)于傳統(tǒng)方法而言,本文提出的基于壓縮感知的無人機(jī)航拍遙感圖像動(dòng)態(tài)重構(gòu)方法,在實(shí)際應(yīng)用過程中,峰值信噪比(Peak signal to noise ratio,PSNR)取值明顯高于傳統(tǒng)方法,可以更好地保障圖像動(dòng)態(tài)重構(gòu)精度,彌補(bǔ)兩者在視覺效果上的不足。進(jìn)一步對(duì)傳統(tǒng)方法進(jìn)行重構(gòu)圖像的稀疏性檢測(cè)和記錄,具體檢測(cè)結(jié)果如圖5所示。

圖5 對(duì)比實(shí)驗(yàn)檢測(cè)結(jié)果

對(duì)比圖5中的檢測(cè)結(jié)果可知,相對(duì)于傳統(tǒng)方法而言,本文提出的基于壓縮感知的無人機(jī)航拍遙感圖像動(dòng)態(tài)重構(gòu)方法在實(shí)際應(yīng)用過程中可以提高圖像重構(gòu)處理效果,保障稀疏度檢測(cè)精度和校正曲線的穩(wěn)定上升效果,充分滿足當(dāng)前研究要求。

3 結(jié)束語

為提高遙感圖像動(dòng)態(tài)重構(gòu)效果,提出基于壓縮感知的無人機(jī)航拍遙感圖像動(dòng)態(tài)重構(gòu)方法,采用廣義迭代收縮算法對(duì)遙感圖像動(dòng)態(tài)重構(gòu)模型進(jìn)行優(yōu)化求解,調(diào)整圖像重構(gòu)最優(yōu)參數(shù),減少數(shù)據(jù)間的冗余信息,從而減少重構(gòu)時(shí)的觀測(cè)數(shù)據(jù)量。研究證實(shí),本文提出的基于壓縮感知的無人機(jī)航拍遙感圖像動(dòng)態(tài)重構(gòu)方法具有計(jì)算簡單、效率高、運(yùn)算復(fù)雜度低的優(yōu)勢(shì),可以更好地保護(hù)圖像邊緣和細(xì)節(jié),得到高質(zhì)量的遙感圖像。