無人機圖像與衛星遙感影像融合技術研究

包西民

（北方民族大學計算機科學與工程學院，寧夏 銀川750021）

最近幾十年國內外無人機遙感技術不斷地發展, 已經作為傳統的衛星遙感技術以及航空攝影測量等方面的重要組成部分, 將無人機的航拍圖片經過預處理后與高分辨率的遙感衛星影像進行融合,此種方式可以將兩種影像的優勢進行互補,應用前景非常廣闊。目前,對高分辨率衛星遙感影像與高分辨率不同數據源影像的融合[1]此類研究居多,針對基于高光譜遙感衛星影像與超高分辨率的無人機影像[1]的融合來說研究人員還是比較少,研究成果也是比較有限,產生此種原因主要是由于超高分辨率[2]的無人機影像在獲取途徑和使用的費用方面都有一定的難度。隨著近些年來無人機技術的迅速發展,與之前相比不管是在成本與還是技術方面已經不可同日而語, 目前無人機遙感平臺可以在低空云下拍攝時可以快速的應用于目標區域, 并且不管是運行還是維護成本早已經大大的降低, 而且絕大部分無人機安全風險已經大大降低,無人機還具有輕便靈活的優點,所以在遙感領域的應用正在快速的擴展開來,以后會越來越廣泛,這不僅方便了研究人員對超高分辨率影像的獲取和相關研究[3],而且在實際應用中已經得到部分應用。由此看來,針對于無人機影像與衛星遙感影像的融合試驗顯得尤為重要,也十分有意義。

1 數據預處理

無人數據以及遙感數據使用之前必須經過一定的預處理,無人數據需要對圖像進行拼接等操作; 遙感衛星數據需要對影像數據進行定標,校正處理后才能進行下一步的操作。

1.1 無人機數據預處理

無人機影像像幅小,影像數量多;受限于無人機姿態穩定性,影像旋偏角大;非量測性相機焦距短,影像投影差變形大,并且影像畸變差較大;POS 精度低; 以上特點均對后期處理軟件具有很高的要求。針對無人機航測數據特點在數據處理中需要解決的幾個關鍵問題為:1.1.1 影像同名點匹配問題, 尤其是弱紋理地區,如沙漠、林地、山地、水田等區域。1.1.2 空三成果精度保證問題。1.1.3 空三成果與采集軟件的匹配問題。1.1.4 軟件操作簡單易用,自動化程度高。

1.2 衛星遙感數據預處理

在使用衛星遙感影像數據之前需要對數據進行預處理衛星遙感數據的預處理步驟為:1.2.1 輻射定標是使用大氣糾正技術將影像數據的灰度值轉化為表觀輻亮度、表觀反射率等物理量的過程。傳感器在進行采集數據時受到外部因素的影響會使得生成的數據與真實的數據相比存在一定的誤差, 這種誤差影響了后續影像數據的準確有效的使用。因此必須要對影像進行輻射定標。1.2.2 衛星傳感器在獲取遙感影像時會產生輻射量誤差, 這種誤差導致了反射率失真從而導致數據失去了真實性,大氣校正就是對這種誤差的消除。1.2.3 正射校正是對影像空間和幾何畸變進行校正生成多中心投影平面正射圖像的處理過程。它除了能糾正一般系統因素產生的幾何畸變外,還可以消除地形引起的幾何畸變。

2 影像融合概述

2.1 影像融合過程

影像融合是一種將高空間分辨率影像與低分辨率影像合并的方法,該方法已在多種基于視覺的應用程序中得到廣泛使用。與具有低分辨率的多光譜圖像相比, 主要目的是提高融合圖像的輻射質量。遙感圖像融合可以增強圖像的光譜,空間和時間。圖像融合的新技術不斷涌現,將焦點從泛銳化轉移到時空融合,這些融合源自不同的傳感器和平臺。影像融合可以使得空間分辨率提高,幾何精度得到改善,有利于后期的特征提取以及分類等,有利于影像的相互補充。

2.2 影像融合層次

2.2.1 基于像素級的影像融合

像素級圖像融合的目的是從包含相同場景的兩幅不同的遙感影像中從各中獲取補充信息的多個輸入影像生成合成影像。在不同的參數設置下, 從不同的成像設備或單一類型的傳感器捕獲影像,將異源的影像在各像素一一對應的情況下進行融合。融合后的影像使得影像在解譯, 影像分類等工作在更準確的前提下進行,影像視覺效果得到改善。基于像素的遙感影像融合的基礎是完成以幾何糾正為前提的空間匹配,包含像素坐標轉換、像素重采樣等。像素級融合是基于最原始的影像數據,能保留原始影像的真實感, 與其他融合方式不同的是像素級融合能夠提供細微的信息。本文所研究的是基于像素級的融合。

2.2.2 基于特征級的影像融合

基于特征級的融合需要對遙感影像進行目標識別然后對其特征進行提取例如邊緣提取、分類等。然后對提取的這些信息進行綜合分析與融合處理。這些來自同一區域的特征它們空間上相互對應,把這些相互對應的特征利用神經網絡,統計等方法進行融合。遙感影像的特征層融合中,特征結構相互對應。特征融合著重于把特征進行關聯處理,并把特征分成不同的類別,因此對于特征的屬性的確定更為準確與可信。特征融合中需要的數據量較少,便于實時處理,但是由于特征融合是基于特征而不是基于影像本身, 所以進行特征提取時會導致信息丟失此種情況的發生。目前的一些特征融合的方法使融合后的影像不僅可以保留高分辨率影像的結構信息, 用能夠融合遙感衛星多光譜影像的光譜信息,增強影像的識別與分類精度。

2.2.3 基于決策層的影像融合

基于決策層的遙感衛星影像融合是指經過特征提取及其識別后的融合。決策層的融合一般直接應用到實踐中去。決策層融合首先需要對影像數據進行特征提取等操作, 然后選取所需要的數據,利用一定的規則進行識別分類,最后將這些信息進行整理并融合,此實獲得的結果可以作為決策的依據,用來提高分類精度及影像解譯等能力。

3 影像融合方法簡介

影像融合方法多種多樣有基于傳統方法的融合,有基于深度學習方法的融合,每一種融合方式都有他們自己的特點。下面對幾種方法的融合方式進行簡單介紹。色彩標準化融合對多光譜影像和全色影像進行數學合成,得到融合后的銳化影像。利用待融合影像的高空間分辨率波段對輸入影像的低空間分辨率波段進行增強稱為色彩歸一化變換。HSV 變換融合方法是一種常見的顏色變換法, 其原理是先對MS 影像進行RGB 波段的顏色正變換, 從而得出分別包含H、S 和V 的3 幅圖像,H 表示色度,S 表示飽和度, V 表示亮度。PCA[46] 融合是對擁有N 個波段的低分辨率影像進行主成分分析。用拉伸過的高分辨率影像作為PCA 變換的第1 分量, 最后進行PCA 逆變換還原。Pansharp 融合是基于最小二乘逼近法來計算多光譜影像和全色影像之間灰度值關系。這是一種像元層面的技術,利用PAN 圖像增加MSS 圖像的空間分辨率。

小波融合是一種常用于空間域信號分解與重構的融合方法。它的原理是分別對包含豐富波譜信息的多光譜( MS) 影像和包含高空間信息的全色( PAN) 影像進行小波正變換,再分別對PAN 影像和MS 影像中包含的高頻信息與低頻信息進行提取,從而獲得了兩幅影像的有效特征信息,此時再采用小波逆變換,生成融合影像。基于深度學習的遙感影像與無人機影像進行融合,利用深度學習的方法,實現兩種待融合影像特征的自動選擇,特征選擇自動化進行不需要手動進行特征選擇,對無人機圖像和遙感影像的特征進行全面深層的表達, 提高了融合的效果,為后續融合影像的解譯等提供了技術支持。

4 結論

無人機圖像與遙感衛星影像的融合應用前景廣闊,無人機遙感技術與衛星遙感技術的不斷發展, 使得兩種影像各自優勢的互補顯得尤為重要。因此,針對無人機圖像的預處理,遙感衛星影像的預處理, 無人機影像與衛星遙感影像的融合層次的選擇以及融合方法的選擇對融合效果來說尤為重要。選擇不同的融合方法進行融合后的影像具有不同的特點。對不同方法進行融合后的影像進行選擇, 利用融合質量較好的影像進行下一步的研究與應用,是未來發展的趨勢。