面向鐵路遙感影像的自動化處理技術(shù)研究與應(yīng)用

摘要：針對鐵路遙感影像處理流程復(fù)雜、效率低下的問題，文章提出一種基于Python的自動化處理技術(shù)。該技術(shù)利用GDAL等開源圖形庫，實現(xiàn)了影像預(yù)處理、裁剪、配準(zhǔn)、增強(qiáng)和切片等功能的自動化，有效提升了處理效率，并快速構(gòu)建了目標(biāo)檢測算法所需的影像數(shù)據(jù)集。實驗結(jié)果表明，該技術(shù)能夠為鐵路外部環(huán)境安全監(jiān)測提供高質(zhì)量的數(shù)據(jù)支撐。

關(guān)鍵詞：遙感影像；目標(biāo)檢測；自動化處理；鐵路外部環(huán)境監(jiān)測

中圖分類號：TP751.1 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2024）31-0112-04

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

0 引言

近年來，隨著我國鐵路客運(yùn)、貨運(yùn)業(yè)務(wù)的快速發(fā)展，鐵路運(yùn)營里程持續(xù)增長，發(fā)送旅客人次和貨運(yùn)量不斷攀升，保障鐵路運(yùn)輸安全成為一項至關(guān)重要的課題。鐵路沿線兩側(cè)外部環(huán)境狀況直接關(guān)系到行車安全，確保鐵路外部環(huán)境安全、清除外部環(huán)境隱患尤為重要。

然而，鐵路外部環(huán)境空間跨度大、環(huán)境多樣性顯著、隱患類型繁雜，傳統(tǒng)的依靠人工巡檢的方式存在著效率低下、成本高昂、易受主觀因素影響等諸多不足，難以滿足日益增長的鐵路安全保障需求。為此，鐵路行業(yè)開始使用高分辨率光學(xué)遙感影像[1]，結(jié)合計算機(jī)視覺、人工智能等技術(shù)進(jìn)行隱患目標(biāo)檢測與分割[2]，以期提高排查效率，降低排查成本。

相較于人工排查，基于遙感影像目標(biāo)檢測的隱患排查方式，具有檢測范圍廣、檢測效率高、影像拍攝角度相對固定、便于對比不同時間數(shù)據(jù)等優(yōu)點。鐵路線路通常跨越多個城市甚至省份，覆蓋全線所需遙感影像數(shù)據(jù)量巨大。遙感影像數(shù)據(jù)處理作為檢測過程中的重要環(huán)節(jié)之一，存在著處理時間過長、處理過程煩瑣的問題。面向深度學(xué)習(xí)應(yīng)用的遙感影像處理包含預(yù)處理、裁剪、增強(qiáng)、切片等多個過程，然而市面上現(xiàn)有的軟件或技術(shù)只能實現(xiàn)預(yù)處理、圖像增強(qiáng)等部分功能，且往往需要依賴ENVI等商業(yè)軟件[3]，這在靈活性和經(jīng)濟(jì)性上難以滿足實際應(yīng)用的需求。

本文提出一種面向鐵路遙感影像的自動化處理技術(shù)。以鄭州鐵路局管轄范圍內(nèi)京廣高速為研究對象，采用高分二號遙感影像為數(shù)據(jù)源，利用Python語言和圖形處理類庫GDAL、geopanda70265ed4efabe0bdc4cc436df27921b9d5f556ef653f06b5489082e7fd212734s等工具，開展自動化影像處理研究，提高鐵路外部環(huán)境目標(biāo)檢測數(shù)據(jù)集的構(gòu)建效率，并將最終產(chǎn)出的數(shù)據(jù)集應(yīng)用于基于YOLOv8模型實現(xiàn)的彩鋼瓦目標(biāo)檢測算法。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

京廣高速鐵路連接北京和廣州，是《中長期鐵路網(wǎng)規(guī)劃》中“八縱八橫”高速鐵路主通道之一，在鄭州局管內(nèi)由南向北跨越許昌、鄭州、新鄉(xiāng)、鶴壁及安陽五市，全長二百余公里，區(qū)間經(jīng)過城市、鄉(xiāng)村、城鄉(xiāng)接合處，地貌以平原為主，并有少量丘陵。線路形式包含橋梁、路基，線路兩側(cè)分布城市建筑群、廠房、村莊、農(nóng)田等，沿線隱患種類復(fù)雜多樣，包括但不限于堆放隱患類（如雜物、建筑垃圾）、硬漂浮物類（如廣告牌、彩鋼瓦）、輕漂浮物類（如風(fēng)箏、氣球）等、樹植隱患類。相較于普速鐵路，高速鐵路沿線巡檢的作業(yè)范圍有更高的要求，從線路兩側(cè)廊道擴(kuò)展至兩側(cè)500米或1 000 米范圍。作為我國高鐵的大動脈，京廣高速運(yùn)營時間長、巡檢頻率高，積累了大量遙感影像數(shù)據(jù)及隱患信息數(shù)據(jù)，為研究提供了豐富的數(shù)據(jù)支撐。研究區(qū)地理位置如圖1所示。

1.2 鐵路遙感影像數(shù)據(jù)源

亞米級分辨率使光學(xué)遙感影像在目標(biāo)檢測領(lǐng)域得到越來越廣泛的應(yīng)用[4]。高分二號是我國首顆空間分辨率優(yōu)于1米的民用光學(xué)遙感衛(wèi)星，重訪周期為5 天[5]，影像空間分辨率及時間分辨率高，且易于從公開平臺獲取，因此選擇高分二號PMS傳感器L1A級影像作為數(shù)據(jù)源。

L1A級影像多光譜影像空間分辨率為3.2米，全色影像空間分辨率為0.8米，發(fā)布時已經(jīng)過均一化輻射校正、去噪、MTFC、CCD拼接、波段配準(zhǔn)等處理，但無法直接應(yīng)用。制作滿足訓(xùn)練、檢測標(biāo)準(zhǔn)的數(shù)據(jù)集，還需進(jìn)行影像預(yù)處理、研究區(qū)裁剪、地理配準(zhǔn)、影像增強(qiáng)、切片等處理步驟。

處理后的數(shù)據(jù)集應(yīng)達(dá)到以下要求：空間分辨率約1米，寬高均為640像素，真彩色合成，格式為無損的PNG，以最大程度保留影像細(xì)節(jié)，從而全面滿足后續(xù)深度學(xué)習(xí)模型訓(xùn)練與檢測應(yīng)用中的各項需求。

2 影像自動化處理

遙感影像自動化處理總體流程如圖2所示。

2.1 影像預(yù)處理

影像預(yù)處理過程包括輻射定標(biāo)、大氣校正、正射校正及圖像融合，將L1A級多光譜、全色影像預(yù)處理后，可得到Tiff格式四波段影像。目前，高分系列衛(wèi)星遙感影像預(yù)處理主要依賴于ENVI等商業(yè)軟件平臺，需要手動完成多個步驟，處理效率較低，單景影像處理時間約為40分鐘。

本文在Windows 11操作系統(tǒng)環(huán)境下，使用Python 語言，結(jié)合GDAL、geopandas等開源處理類庫，開發(fā)預(yù)處理工具，實現(xiàn)影像自動化預(yù)處理，一景影像處理時間壓縮至13分鐘左右，且程序運(yùn)行過程中無須人工介入。

2.1.1 輻射定標(biāo)

輻射定標(biāo)是將影像各像元灰度值DN轉(zhuǎn)換為實際物理量如輻射亮度、反射率等的過程。這一步驟中，將多光譜影像DN值轉(zhuǎn)換為表觀輻射亮度值，將全色影像DN值轉(zhuǎn)換為表觀反射率。

表觀輻射亮度值一般采取線性公式計算，公式如下：

Lλ = gain × DN + bias （1）

式中：Lλ 為輻射亮度值，gain 為定標(biāo)系數(shù)增益，bias為偏移量。gain與bias數(shù)據(jù)來自使用中國資源衛(wèi)星應(yīng)用中心發(fā)布的2024年國產(chǎn)陸地觀測衛(wèi)星外場絕對輻射定標(biāo)系數(shù)。

表觀反射率計算公式如下：

式中：Lλ 為公式（1）中計算獲得，d為日地天文距離，通常值設(shè)為1。ESUNλ 為太陽輻照度，數(shù)據(jù)來自生態(tài)環(huán)境部衛(wèi)星環(huán)境應(yīng)用中心發(fā)布的高分二號各波段太陽輻照度。θ 為太陽天頂角度數(shù)，數(shù)據(jù)從影像元信息文件xml中讀取獲得。

2.1.2 大氣校正

大氣校正使用6S（Second Simulation of the Satel?lite Signal in the Solar Spectrum）模型，在針對國產(chǎn)高分衛(wèi)星影像進(jìn)行大氣校正的過程中，6S模型與FLAASH 模型能夠保持較好的一致性[6]，消除一定大氣影響。

6S模型所需參數(shù)主要包括氣溶膠參數(shù)、傳感器參數(shù)、大氣模型參數(shù)等[7]。

氣溶膠參數(shù)中氣溶膠光學(xué)厚度參考河南氣溶膠年平均值；氣溶膠類型參數(shù)包含大陸、海洋、城市、沙漠、生物質(zhì)燃燒等，根據(jù)研究區(qū)特性默認(rèn)值設(shè)置為城市，并可通過傳入?yún)?shù)方式修改。傳感器參數(shù)包括影像拍攝時衛(wèi)星和太陽的幾何參數(shù)、光譜響應(yīng)函數(shù)及波段信息等，幾何參數(shù)從影像元信息文件xml中讀取；光譜響應(yīng)函數(shù)和波段信息則從中國資源衛(wèi)星應(yīng)用中心官方網(wǎng)站獲取，并以步長0.002 5微米做重采樣。大氣模型參數(shù)根據(jù)中央經(jīng)緯度和月份計算獲得，并可通過傳入?yún)?shù)方式修改。

2.1.3 正射校正

影像地理坐標(biāo)系均為WGS84坐標(biāo)系，投影坐標(biāo)系使用通用橫軸墨卡托（UTM）投影，正射校正使用GDAL類庫，利用RPC（Rational Polynomial Coefficient）模型實現(xiàn)影像幾何校正。實現(xiàn)步驟如下：

1）讀取影像自帶.rpc文件，向Tiff格式影像文件頭中寫入RPC幾何校正模型參數(shù)。

2）計算研究區(qū)所在UTM分度帶號，鄭州局管內(nèi)京廣高速沿線通常為49N或50N，并使用GDAL的Warp 函數(shù)，實現(xiàn)正射校正。

2.1.4 影像融合

將高分辨率的全色影像與低分辨率的多光譜影像融合，可生成高分辨率多光譜影像，獲得更好的視覺效果。本文使用GDAL類庫的pansharpen函數(shù)實現(xiàn)影像融合功能。

預(yù)處理前后影像如圖3所示。

2.2 影像裁剪

高分二號一景影像幅寬45千米，而實際應(yīng)用時只需要鐵路兩側(cè)500米或1 000米范圍的影像。為提高后續(xù)處理效率，需要對預(yù)處理后的影像進(jìn)行裁剪，去除無關(guān)區(qū)域影像。通常影像需要進(jìn)行雙重裁剪工作，初次裁剪時，鐵路兩側(cè)預(yù)留部分冗余寬度以應(yīng)對潛在的配準(zhǔn)誤差，地理配準(zhǔn)后，影像會有所偏移，此時再進(jìn)行精確裁剪，可精確界定影像邊界。

裁剪功能需要提前準(zhǔn)備鐵路線路兩側(cè)指定范圍緩沖區(qū)矢量文件作為裁剪標(biāo)準(zhǔn)，首先根據(jù)影像元信息生成矢量文件，再將該文件與緩沖區(qū)文件進(jìn)行交集計算，以交集矢量文件為基礎(chǔ)，使用shapefile、geopandas 及GDAL等類庫實現(xiàn)Tiff格式影像的裁剪功能，功能流程圖如圖4所示。

2.3 地理配準(zhǔn)

地理配準(zhǔn)的目的是保證不同時期拍攝影像空間位置精確，盡量消除拍攝時衛(wèi)星角度變化、幾何校正誤差等的影響。本文使用人工目視選取特征點的方式進(jìn)行配準(zhǔn)。

2.4 影像增強(qiáng)

遙感影像增強(qiáng)后能獲得更好的視覺效果，突出地物特征[8]。直方圖均衡化增強(qiáng)，可以使影像對比度提高，提升深度學(xué)習(xí)中目標(biāo)檢測的效率。

本文采用自適應(yīng)直方圖均衡化算法實現(xiàn)影像增強(qiáng)功能，主要步驟如下：

1）創(chuàng)建影像非空像素點的掩膜矩陣，用于區(qū)分影像前景和背景。

2）使用numpy類庫對各波段進(jìn)行均一化處理。

3）使用skimage類庫對各波段均一化數(shù)據(jù)進(jìn)行自適應(yīng)均衡化拉伸。

4）將拉伸后的影像矩陣逆歸一化，并利用掩膜矩陣去除背景，保留前景。

5）使用GDAL類庫輸出增強(qiáng)后的影像文件。

2.5 影像切片

影像切片是遙感影像流程的最后步驟。隱患治理工作需要累積與保留長期數(shù)據(jù)，為建立完善的、易于檢索的長時序影像數(shù)據(jù)庫，將遙感影像分割為尺寸標(biāo)準(zhǔn)化、編碼規(guī)范化的單層級瓦片數(shù)據(jù)，切片規(guī)則及功能設(shè)計思路如下：

1）影像重采樣。不同批次影像在經(jīng)過一系列處理工作后，像素分辨率存在一定差異，因此首先對影像進(jìn)行固定分辨率重采樣，保證影像分辨率一致。

2）影像切片及編號。影像編號為“x_y”形式，x代表橫向編號，y代表縱向編號。影像分辨率和寬高確定后，以西經(jīng)180度，北緯90度為原點，使用滑動窗口方式進(jìn)行切片。切片寬高均為640 像素，同時保留100像素重疊區(qū)域，以保證影像中地物完整性。利用影像左上角經(jīng)緯度，可計算出每個切片影像的編號，不同時期同一區(qū)域影像切片后編號保持一致。

3）格式轉(zhuǎn)換。目標(biāo)檢測模型訓(xùn)練數(shù)據(jù)集通常采用png或jpeg格式的圖片，因此將切片后的影像轉(zhuǎn)為png格式。圖5為切片前后數(shù)據(jù)，圖6中為不同時期同一編號的兩幅影像。

3 遙感影像在鐵路目標(biāo)檢測上的應(yīng)用

選取2023年至2024年高分二號遙感影像132景，使用本文自動化處理技術(shù)處理后，獲得鐵路沿線圖像數(shù)據(jù)8 120張，標(biāo)注彩鋼瓦目標(biāo)21 000余個，對標(biāo)注好的圖像數(shù)據(jù)以8∶2的比例劃分訓(xùn)練集和測試集。本文選擇準(zhǔn)確率（Accuracy）和召回率（Recall）兩個指標(biāo)評價算法性能。準(zhǔn)確率表示模型檢測正確的彩鋼瓦數(shù)量，占所有檢測到的彩鋼瓦數(shù)量的比例；召回率表示模型檢測正確的彩鋼瓦數(shù)量，占圖像中實際存在的所有彩鋼瓦數(shù)量的比例。

實驗采用深度學(xué)習(xí)框架PyTorch1.12，CUDA 版本選擇11.3，在Ubuntu18.04操作系統(tǒng)上，利用NVIDIA GeForceRTX 3070顯卡訓(xùn)練YOLOv8模型，訓(xùn)練過程如圖7所示。

實驗結(jié)果表明，模型檢測準(zhǔn)確率為84.44%，召回率為78.95%，實際識別效果如圖8所示。當(dāng)前模型能夠初步滿足鐵路兩側(cè)彩鋼瓦隱患目標(biāo)檢測的要求，但仍存在優(yōu)化潛力，為了進(jìn)一步提升識別的精準(zhǔn)度，減少誤檢率，未來考慮引入注意力機(jī)制等技術(shù)，提升模型檢測能力。

4 結(jié)論與展望

本文針對鐵路遙感影像自動化處理需求，利用Python語言和GDAL等開源圖形庫，開發(fā)了一套完整的遙感影像自動化處理流程，實現(xiàn)了從數(shù)據(jù)預(yù)處理、鐵路沿線信息提取到目標(biāo)檢測數(shù)據(jù)集構(gòu)建的全過程。這一流程提升了遙感數(shù)據(jù)處理的效率和準(zhǔn)確性，減少人工操作帶來的誤差，并有優(yōu)良的可移植性和可拓展性。最終產(chǎn)出的數(shù)據(jù)集，在彩鋼瓦隱患目標(biāo)識別模型上取得較好的效果，未來考慮將該技術(shù)應(yīng)用到更多類別的隱患檢測中，持續(xù)提升鐵路外部環(huán)境隱患監(jiān)測的智能化水平。

此外，目前的預(yù)處理流程中，配準(zhǔn)階段仍需人工介入，未實現(xiàn)全自動處理。下一步需要對自動化配準(zhǔn)方式進(jìn)行研究，進(jìn)一步提升遙感影像處理速度。

參考文獻(xiàn)：

[1] 任曉春，李偉，王瑋.高分光學(xué)遙感影像在鐵路勘察中的應(yīng)用及展望[J].測繪通報，2019（5）：44-47.

[2] 袁慕策.基于遙感技術(shù)的鐵路外部環(huán)境安全隱患監(jiān)測[J].鐵道建筑，2023，63（4）：114-118.

[3] 王威，楊芳，張鵬，等.基于ENVI/IDL的高分遙感數(shù)據(jù)自動預(yù)處理及植被提取方法：以湖南林業(yè)為例[J].湖南城市學(xué)院學(xué)報（自然科學(xué)版），2020，29（2）：45-50.

[4] 袁一欽，李浪，姚西文，等.光學(xué)遙感圖像目標(biāo)檢測數(shù)據(jù)集綜述[J].遙感學(xué)報，2023，27（12）：2671-2687.

[5] 潘騰.高分二號衛(wèi)星的技術(shù)特點[J].中國航天，2015（1）：3-9.

[6] 商子健，金建文，許振峰，等.高分一號多光譜影像6S大氣校正研究[J].無線電工程，2021，51（8）：705-710.

[7] 鄭堯，靳竺霖.基于6S-GDAL大氣校正軟件的實現(xiàn)與應(yīng)用[J].城市勘測，2018（6）：49-53.

[8] 廖聰，郭凰，趙茂軍，等.基于圖像增強(qiáng)和SKNet的交通標(biāo)志識別[J].計算機(jī)與現(xiàn)代化，2023（3）：23-28.

【通聯(lián)編輯：謝媛媛】

基金項目：中國鐵路鄭州局集團(tuán)有限公司科技研究開發(fā)計劃一般課題（項目編號：2024S08）