遙感圖像拼接中改進的圖像預處理算法研究?

么鴻原 王海鵬 林雪原 潘新龍

（海軍航空大學 煙臺 264000）

1 引言

無人機具有體積小、時效性強、操作靈活、成本低等優點，其航拍遙感技術被廣泛應用于災害監測、環境偵察等方面［1～3］。遙感圖像預處理作為無人機圖像拼接的第一環節，其處理效果會直接影響到后續拼接的速度、配準準確度以及圖像拼接質量。

受限于無人機的飛行高度低、體積小、重量輕導致的抗風能力差、數碼攝像頭焦距不足等因素的限制，無人機遙感技術所拍攝的圖像往往像幅小、數據量大；雖然大多數無人機均裝載了陀螺儀以穩定重心，但在無人機圖像采集過程中無法避免的會因顛簸、抖動等因素引起航拍圖像的幾何畸變；并且數碼相機的成像過程也有可能產生不同程度的幾何畸變，這些變形會直接影響后續的圖像特征采集與配準，因此在預處理過程中進行有效的畸變校正極為重要。除去畸變因素，無人機遙感圖像還會受到諸多環境變量的影響，如光照、煙霧等，這也導致了即使是相鄰多幅圖像之間，也會存在較大的亮度差異和色調差異，這些也會影響到特征點檢測的準確度以及最后圖像融合的質量，因此在預處理階段中引入勻光處理十分必要。在任何圖像采集過程中，噪聲干擾都是需要考慮的因素，本文所提出的基于圖像銳化的平滑處理能夠有效地去除噪聲并增強圖像細節［2］，為下一步特征配準打下良好的基礎。

2 航拍圖像的畸變校正

在無人機圖像采集過程中受飛行因素或相機因素影響，圖像中的整體或局部有可能會存在一定程度的幾何畸變，因此在預處理過程中進行有效的畸變校正極為重要。

畸變校正又稱幾何校正，指的是消除圖像中幾何變形的過程。其主要包含兩個步驟［4］：1）建立畸變圖像與未畸變圖像之間的映射關系；2）對未畸變圖像進行重采樣。

畸變校正所需的數據可以通過查詢相機參數獲得，設徑向畸變系數為K1、K2，像主點的坐標為O(x0，y0)，偏心畸變參數為 P1、P2。假設 P(xi，yi)為畸變圖像中的一個像素點，則像素點的坐標變形可以由式（1）表示。

其中，x=xi-x0，y=yi-y0，r2=x2+y2。

因此，如果畸變圖像中P點在畸變矯正結果中對應的點為 P′(xj，yj)，那么，P′的坐標可由式（2）求出。

確定了畸變前后圖像的映射關系后，由于映射到畸變矯正結果上的像素點不一定是整數點，所以需要對畸變校正后的圖像進行重采樣。設畸變圖像的像素點P，在校正結果中對應的點P′的坐標是(i +u，j+v)。式（3）表示的是 P′的像素值。其中，i，j代表像素點行和列的整數部分，u，v是相應像素點的小數部分。

式（3）中 ， f(i ， j) ， f(i +1，j) ， f(i ， j+1) ，f(i +1，j+1)分別為畸變圖像上像點 P1，P2，P3，P4的像素值。利用式（3）可以完成對畸變圖像的校正。

圖1為航拍圖像畸變校正的原圖和校正結果。由圖1可以看出，經過畸變校正，圖像中線條的曲度發生較為明顯的變化。由此說明了本文提出的畸變校正算法真實有效，能夠很好地實現畸變圖像的校正。

圖1 畸變校正前（左）后（右）對比圖

3 航拍圖像的勻光處理

航拍圖像由于受到云層、煙霧、光照等影響，在亮度、色調、反差等方面存在一定差異，這種差異叫做不均勻光照。而不均勻光照對特征提取存在一定影響，同時也會對圖像融合造成一定程度的影響［5］。所以在圖像預處理過程中需要對航拍圖像做勻光處理。圖像的直方圖代表的是圖像的統計特征，它代表的是數字圖像中每一灰度級與該灰度級出現的像素數或頻數之間的數學統計關系。相鄰的兩幅航拍圖像由于拍攝位置、時間的差異可能會導致其直方圖也存在很大區別。但是，理論上說，相鄰兩幅航拍圖像存在一定比例的重疊部分，直方圖的相似度應該很高［6］。所以，可以在圖像預處理的過程中，通過采用直方圖配準的方式使相鄰兩幅航拍圖像的直方圖趨于一致，由此完成兩幅圖像間的勻光處理。采用直方圖配準的方式進行勻光處理的基本思想是：首先計算出參考圖像的直方圖，然后根據參考圖像的直方圖信息對待校正圖像的直方圖進行校正，使得待校正圖像的直方圖與參考圖像的直方圖大體上趨于一致，最終實現航拍圖像的勻光處理［7］。圖2中兩幅圖像分別為參考圖像和待校正的圖像，可以明顯看出兩幅圖像的光照不一致。

圖2 參考圖像（左）和待校正圖像（右）

其中，參考圖像和待校正圖像對應的直方圖如圖3所示。從圖3中可以看出，兩幅圖像的直方圖形狀大體上相似，但是參考圖像的直方圖像素頻數分布更加均勻，待校正圖像的直方圖像素集中在中部，兩邊的像素比較少。這說明兩幅圖像還在色調和亮度上存在一定差異，有必要對待配校正像進行勻光處理。

圖3 參考圖像（左）與待校正圖像（右）的直方圖

根據參考圖像的直方圖，對待校正圖像進行勻光處理，可得到勻光后的圖像以及其對應的直方圖，如圖4所示。從圖中可以看出勻光校正［8］后的圖像和參考圖像在色調和亮度上更加一致，處理結果對應直方圖的分布也更加均勻，達到了預期的效果。

圖4 勻光校正結果圖（左）與校正后直方圖（右）

由實驗結果可以觀察到，根據參考圖像的直方圖，對待校正進行直方圖配準，配準后的結果在色調和亮度上與原始圖像相比產生了明顯變化，與參考圖像的色調和亮度更加接近。同時，參考圖像和待校正圖像的直方圖分布也存在很大差異，而經過配準后的圖像在直方圖分布上和參考圖像也更為接近。由此可以看出，利用本文直方圖均衡方法可以很好地實現對原始的航拍圖像進行勻光處理，使航拍圖像色調和亮度更為接近，直方圖分布也更為一致，實驗效果較為理想，具有一定的可行性。

4 改進的平滑處理

無人機航拍所采集的遙感圖像可能會受到噪聲干擾，如高斯噪聲、椒鹽噪聲等；噪聲的存在會對接下來的特征提取的速度與特征配準的準確度造成一定的影響，影響圖像拼接結果，因此我們需要進行有效的處理以消除圖像中的噪聲干擾［9］。圖像平滑是指直接對源圖像數據做空間變換以達到平滑的目的［3］，這種計算通常也被稱作模糊或濾波，常見的平滑處理有盒濾波、均值濾波、中值濾波、高斯濾波、雙邊濾波等［10］。

均值濾波又稱鄰域平均法，算法簡單，計算速度快，但不能很好地保護圖像細節，在去噪時也破壞了圖像細節和邊緣信息導致圖像模糊。中值濾波在邊界的保存方面優于均值濾波，畫面清晰度基本得到保持，但在圖像模板太大時，仍會存在一定的模糊［11］；相對于均值濾波和中值濾波，高斯平滑的平滑效果更柔和，而且邊緣保留的也更好［12］。因此本文選擇高斯濾波法作為平滑方法并進行改進。

高斯濾波是將輸入數組的每一個像素點與高斯內核進行卷積計算，將卷積和作為輸出像素值。假設構造寬（列數）為W、高（行數）為H的高斯卷積算子gaussKernelH×W［13］，其中W和H均為奇數，錨點位置在，計算高斯矩陣如式（4）所示，其中gaussr，c代表位置索引，且r，c均為整數。

所以在對圖像進行高斯平滑時，可以根據same卷積的結合律和卷積核的分離性對圖像先進行一維水平方向上的高斯平滑［14］，然后在進行一維垂直方向上的高斯平滑，反過來也可以；因此高斯平滑的平滑效果更柔和，邊緣、細節等信息保留的也更好。

高斯平滑處理結果如圖5所示，從圖中可以看出，高斯濾波能夠消除圖像中的孤立點與線段，并且較好的去除高斯噪聲及椒鹽噪聲（受篇幅限制，本文只給出高斯噪聲濾波結果）。

圖5 帶有高斯噪聲圖像平滑前（左）后（右）的對比

對于無人機遙感圖像拼接而言，高斯平滑后雖然能夠去除圖像中的噪點，但是通過將圖像轉化為灰度圖并放大后，可以發現多次的高斯平滑處理，會導致圖像對比度較低，圖像中的細節變模糊，且在圖像拼接中，接下來還會通過構造高斯金字塔［15］來完成特征檢測與提取，在這一步驟中還會進行多次平滑處理，這將會導致圖像平滑過渡，對比度更低，細節更加模糊，反而使特征點提取數目變少，配準準確率變低；因此，我們需要對平滑處理算法進行了相應改進。

由前面提到的平滑處理可知，圖像的模糊受到兩方面影響：1）圖像自身因素；2）平滑處理過程中對圖像數據進行了一系列運算。從第二點出發進行考慮，若想增強平滑后圖像的細節，那么對平滑后的圖像進行與平滑算法相對應的反向運算即可，即對高斯平滑后得到的圖像I( )x，y與矩陣F進行卷積，如式（7）所示，此時得到的新圖像通過放大觀察細節發現明顯清晰了許多的同時，噪聲點也并未出現。

式（8）中的F為自定義的銳化濾波器，其實質上是一種微分算子。

操作結果對比如圖6所示。

圖6 灰度圖像銳化濾波前（左）后（右）對比圖

5 結語

本文主要研究了航拍圖像預處理中遇到的圖像噪聲大、光照差異大、視野中景物存在畸變、圖像不清晰等問題。通過分析航拍圖像產生畸變的原因，找到了校正畸變的方法，并驗證了畸變校正算法的有效性。然后采用直方圖配準法對原始圖像進行了勻光處理，實驗表明，本文采用的直方圖配準法能夠有效地統一兩幅航拍圖像的色調和亮度，達到了預期的效果。最后針對遙感圖像經平滑去噪后圖像細節不明顯的問題，提出了基于圖像銳化的高斯平滑處理，增強遙感影像的細節。實驗表明，改進的高斯平滑算法可以有效地消除圖像中的噪聲，并能夠很好地保留圖像邊緣信息，獲得較理想的效果；在后期進行特征提取時，采用本文所提預處理算法后提取到的特征點數目比起采取其他常規圖像預處理算法后提取到的數目平均增加了約16%左右，下一階段應重點對算法運行時間進行研究改進。