基于改進蟻群算法的無人機遙感高程信息提取方法

張向濤

（福州君道空間信息技術有限公司，福建 福州 350001）

0.引言

計算機、無人機及光學等技術的飛速發展，使得遙感技術使用范圍也隨之得到了擴大，獲得了多個領域的關注。遙感技術能夠較為輕松地獲取較大面積、豐富內容的遙感圖像。采用無人機搭載遙感設備后，其應用范圍大大增加，并且遙感技術更加可控，可以為用戶提供更加精準地服務。常規情況下，遙感圖像中包含多種信息，使其應用困難較大，尤其是高程信息的應用。為了降低遙感信息的應用難度，需要依據不同用戶信息的應用需求，對信息源——無人機遙感圖像進行仔細分類，進而提取遙感高程信息，為用戶提供更加優質的信息服務。

無人機遙感高程信息提取難度主要來源于信息源較多、目標結構較為復雜、圖像邊界模糊、信息量較多等因素，根據應用目的對遙感圖像進行分類，可以極大地降低信息量，明確高程信息提取目標，提升高程信息提取效率。就現有研究成果來看，已有方法對遙感圖像分類的精度無法滿足高程信息提取需求，加之遙感技術的發展與延伸，用戶對高程信息的需求也逐漸提升。而改進蟻群算法能夠通過個體釋放的信息素實現群體協作，獲得最佳的遙感圖像分類策略，為高程信息提取打下堅實的基礎，提供最大的便利，因此提出基于改進蟻群算法的無人機遙感高程信息提取方法研究，為遙感高程信息應用提供支撐。

1.無人機遙感高程信息提取方法研究

1.1 無人機遙感圖像獲取與處理

此研究在無人機上搭載多個遙感設備，例如,多光譜傳感器、高清數碼相機等，獲取豐富的遙感圖像信息，并將其實時傳遞給地面計算機，實現無人機遙感圖像的獲取。遙感圖像獲取設備自身的缺陷，再加上環境因素的影響，使得遙感圖像存在著一定的噪聲與畸變，故需要對其進行處理，具體處理過程如下：

1.1.1 HSV色彩空間變換

太陽照射強度的影響，使得無人機遙感圖像中光譜指數精確性較差，會直接影響高程信息的識別及其提取。因此，利用HSV色彩空間變換處理遙感圖像，能夠有效地識別無人機遙感高程信息[1]。HSV色彩空間中，H為顏色，采用角度來衡量，取值范圍為0o～360o；S為顏色的深淺程度，V為顏色的明亮程度，取值范圍均為0.0～1.0。HSV色彩空間變換表達式，如式（1）、式（2）、式（3）所示：

式（1）～式（3）中，R為紅波段；G為綠波段；B為藍波段；max為（R，G，B）色彩空間的最大值；min為色彩空間的最小值。

1.1.2 直方圖匹配

直方圖匹配實質上是一種非線性點運算，可以有效地平衡遙感圖像的亮度值分布，為后續遙感圖像分類提供便利。直方圖匹配本質上是對遙感圖像灰度級進行均衡化處理，以灰度級均勻的圖像為基礎，匹配遙感圖像直方圖[2]。

由圖1可知：經過直方圖匹配后，利用原始遙感圖像均衡化處理后的灰度級來代替參考遙感圖像灰度級，通過變換即可獲得目標遙感圖像的灰度級及其對應的概率密度，以此來實現遙感圖像亮度值的平衡配置，為降低后續圖像分類運算量提供幫助。

1.1.3 反射率轉換

反射率是無人機遙感圖像地物差異的主要體現，也是遙感圖像畸變的主要對象。因此，為了使獲得的無人機遙感圖像更加接近真實情況，對反射率進行畸變校正處理。

無人機遙感圖像中，光譜響應函數（如圖2所示）：

圖2 遙感圖像光譜響應函數示意圖

由圖2可知，光譜響應函數對無人機遙感圖像中每個波段的DN均值進行統計與計算，以此來轉換反射率，表達式如式（4）所示：

式（4）中，R地物為目標地物的反射率；DN地物與DN定標分別為目標地物與定標布的DN均值；R定標為定標布的反射率。

通過上述三個階段完成了無人機遙感圖像的處理，去除了遙感圖像包含的噪聲，校正了遙感圖像的畸變，為后續遙感圖像的分類做準備[3]。

1.2 無人機遙感圖像分類

以處理好的無人機遙感圖像作為信息源，基于改進蟻群算法分類處理無人機遙感圖像，簡化高程信息提取的步驟與運算量。

應用改進蟻群算法分類無人機遙感圖像具體步驟如下：

步驟1：無人機遙感圖像初分類。

選取貪婪算法對遙感圖像進行初始分類，初始化類數與聚類中心，以此為前提，對中心距離之和最小值進行尋求。貪婪算法具備操作簡單、收斂速度較快等優勢，能夠實時地獲取無人機遙感圖像初分類結果。

步驟2：初始化信息素。

以步驟1獲取的無人機遙感圖像初分類解x0為基礎，確定信息素初始值，定義為τ0=1/（N·U（x0））。其中，N代表遙感圖像像素點的數量；U（x0）為無人機遙感圖像的初始能量。

步驟3：解創建。

賦予無人機遙感圖像像素點標簽，將螞蟻隨機放置在某一個像素點上，通過并行操作形式，使得螞蟻從一個像素點轉移到下一個像素點，直至所有像素點均被螞蟻經過為止。

當螞蟻位于像素點s時，隨機生成一個對應數值，記為q，范圍為［0，1］。如果隨機數q小于或者等于制定閾值q0，依據先驗知識選擇最大信息素對應的標記l=argmaxτ（s，u）；如果隨機數q大于制定閾值q0，選取與其相關性最大的像素點的最優標記l=argminD（s，p）。

步驟4：更新局部信息素。

局部信息素更新主要指的是τ（s，l）更新，表達式如式（5）所示：

式（5）中，τnew（s，l）為局部信息素更新值；?為輔助參數，代表信息素的揮發比例，取值范圍為［0，1］。

經過局部信息素更新后，螞蟻經過的像素點信息素濃度隨之升高，吸引更多的螞蟻，加快改進蟻群算法的收斂速度，更快地獲得最優解。

步驟5：局部搜索策略制定。

為了縮短最優解的尋找時間，制定局部搜索策略，其原理為：對無人機遙感圖像分類結果中像素點的標記進行統計，獲取其鄰域集合，記為N（x）。從N（x）開始，利用局部交換方式不斷對當前解N（x）進行改進，需要注意的是，局部交換過程完全是隨機的。若新解對應的能量函數U（x）′小于原始能量函數U（x），則說明新解優于舊解，采用x′代替x，再在新解x′基礎上進行局部搜索計算，直到局部交換次數大于或者等于設定次數為止。

步驟6：更新全部信息素。

在全部螞蟻局部搜索完成后，無人機遙感圖像中每個像素點均得到了標記，并獲得了全部像素點能量函數，對其進行比較，最小像素點能量函數對應的螞蟻解即迭代最優解，記為xib。另外，像素點信息素濃度會隨著時間流逝出現揮發現象，為了防止算法收斂于局部最優解，引入輔助參數，爭取以最短時間獲取全局最優解，實現無人機遙感圖像的最優分類。

1.3 無人機遙感圖像分割

以分類好的無人機遙感圖像為基礎，以圖像包含信息特征為依據，對其進行分割，確定高程信息區域，為最終高程信息提取打下堅實的基礎。

依據研究需求，選取K-means聚類算法對遙感圖像進行分割，輸出遙感高程信息區域，簡化信息提取過程。基于Kmeans聚類算法的無人機遙感圖像分割程序（如圖3所示）：

圖3 基于K-means聚類算法無人機遙感圖像分割程序示意圖

執行圖3所示程序，即可實現無人機遙感圖像的分割，獲得高程信息區域，為后續遙感高程信息提取提供精準數據支撐。

1.4 遙感高程信息提取

以上述獲得的高程信息區域為基礎，構建對應的高程信息圖，實現了無人機遙感高程信息的提取，為遙感技術的發展以及遙感信息的應用提供幫助。

遙感高程信息圖構建公式如式（6）所示：

式（6）中，ω為常量參數；Ic為原始圖像通道數值；（x0，y0）為遙感圖像中心坐標；Ac為大氣光向量。

式（6）對應結果即無人機遙感高程信息，實現了遙感高程信息的快速提取，為遙感高程信息應用提供便利。

2.實驗與結果分析

2.1 實驗對象選取

為了驗證提出方法的應用性能，選取山脈作為實驗對象，采用八旋翼電動無人機對單幅山脈遙感圖像進行獲取，將其作為實驗信息源，通過定性與定量分析提出方法的應用性能。

為了保障實驗的順利進行，對實驗山脈區域遙感圖像進行獲?。ㄈ鐖D4所示）：

圖4 實驗山脈區域遙感圖像示意圖

實驗山脈區域對應數字高程信息模型（如圖5所示）：

圖5 實驗山脈區域數字高程信息模型示意圖

為了簡化實驗過程，清晰地顯示實驗結果，故在實驗山脈區域隨機選取多個點，對其遙感圖像進行獲取，并將其作為原始實驗數據。

2.2 實驗結果定性分析

應用提出方法對原始遙感圖像（隨機三幅）進行處理，分別獲取其高程信息圖（如圖6所示）：

圖6 實驗結果示意圖

由圖6可知：實驗（1）遙感圖像中間為山脈山谷線，周邊海拔較低，兩邊海拔較高，高程較小；實驗（2）遙感圖像從左到右分別為山谷線→山脊線→山谷線，山脊線對應高程較大，山谷線對應高程較?。粚嶒灒?）遙感圖像中間為山脊線，上部與下部海拔較低，中間海拔較高，則對應的中間高程大，周圍高程小。

上述實驗結果與實際山脈情況基本符合，表明提出方法獲得結果有效。

2.3 實驗結果定量分析

定性分析無法直觀顯示提出方法的應用性能，因此需要對實驗結果進行定量分析。實驗結果定量評價指標計算公式如式（7）所示：

式（7）中，Ratio為實驗結果定量評價指標，取值范圍為［1,10］。常規情況下，定量評價指標Ratio數值越大，表明遙感高程信息提取效果越好，最低標準數值為6.8；GT為實際高程信息；⊕為運算符號；R為應用提出方法獲得的高程信息；m×n為采樣面對應的像素點總數量。

應用式（7）對實驗結果定量評價指標Ratio進行計算，結果（如表1所示）：

表1 實驗結果定量評價數據表

表1數據顯示，應用提出方法后，實驗結果定量評價指標均大于最低標準6.8，充分證實了提出方法遙感高程信息提取效果較佳，能夠為高程信息的應用提供便利。

3.結束語

此研究應用改進蟻群算法對無人機遙感圖像進行分類，確定高程信息區域，從而實現了遙感高程信息的提取，通過定量分析獲得了較高的數值，可以為無人機遙感技術發展提供助力，也為遙感高程信息應用提供便利。