基于图像增强的无人机遥感测绘技术优化

宋德宽　孙晓莉

摘要：在现代测绘科技领域，无人机遥感测绘技术已成为获取地理空间数据的重要手段。然而，由于自然光照变化、大气条件影响、设备限制等因素，原始遥感图像常常存在质量不佳的问题，影响数据的准确性和可用性。因此，图像增强作为一种提高图像质量的技术，在无人机遥感测绘技术中的应用显得尤为重要。图像增强技术通过改善图像的对比度、亮度等特征，能够使细节更加清晰，进而优化遥感数据处理流程，提升地理信息的准确性和实用价值。

关键词：无人机；图像增强；遥感测绘；技术优化

中图分类号：P231 文献标识码：A

文章编号：1009-3044（2024）14-0038-03 开放科学（资源服务）标识码（OSID） ：

0 引言

在当今的地理信息科学领域，无人机遥感测绘技术已经成为一种革命性的数据采集手段。它通过高效率、高精度地获取地表空间信息，极大地推进了地理空间数据分析和应用的深度与广度[1-2]。随着人工智能和计算机视觉技术的快速发展，图像增强作为提升遥感图像数据质量的关键技术，已经被广泛应用于无人机遥感测绘领域。旨在通过算法优化来解决原始遥感数据在光照、对比度、分辨率等方面的限制，从而提升地理信息系统数据的准确性和实用性[3]。

1 无人机遥感测绘技术的基本原理

在当代能源工程领域，无人机遥感测绘技术凭借其高效、精确的数据采集能力，已成为实施地形地貌分析、资源勘探与环境监测的关键技术[4]。该技术依托于无人机平台，通过搭载高分辨率的摄影测量仪器与传感器，如多光谱、红外、激光雷达（LiDAR） 等，实现对地表特征的高精度捕获与分析。遥感测绘技术的基本原理涉及无人机的飞行控制、数据采集、图像处理与解析、地理信息系统（GIS） 数据集成等多个环节[5]。无人机的飞行控制系统依据预设的航线自动导航，确保遥感设备能够按照既定的空间分布和时间间隔进行数据采集，如图1所示。此过程中，无人机须维持稳定飞行状态，以减少数据采集过程中的误差。数据采集环节中，搭载于无人机上的遥感设备对目标区域进行全面扫描，捕获包含地表光谱、温度、高度等多维信息的原始图像和数据。在图像处理与解析环节，采用先进的图像增强技术，如边缘检测、图像配准、光谱分析等，对采集到的原始数据进行处理，提高图像的清晰度和对比度，进而识别、分类地表特征和变化。

2 基于图像增强的无人机遥感测绘技术优化

2.1 集成图像增强算法以优化遥感数据处理流程

算法的集成是关键步骤之一。它通过提升遥感图像的质量，以获得更准确的地理信息数据。本研究采用的核心算法是基于深度学习的卷积神经网络（CNN） 模型，专门用于处理和提高遥感图像的质量。CNN模型通过模拟人类视觉系统的处理方式，能够自动学习和识别图像中的特征，从而有效地增强图像质量。为了详细说明该算法在遥感数据处理流程中的应用，首先引入图像增强的基本模型表示，其次通过复杂公式展开详细阐述，最后解释该算法对实时监测的重要性。假设原始遥感图像为I，目标是通过图像增强算法得到增强后的图像。图像增强的目标函数可以表示为：

Ie = f （Io ; Θ） （1）

其中，f 表示CNN模型，Θ代表模型参数。CNN模型的训练过程旨在最小化增强后图像与期望图像之间的差异，这种差异通常通过损失函数L来量化：

在这里，I （i） t 代表第i 个训练样本的目标图像，N 是训练样本的总数。损失函数的目的是通过调整Θ来最小化Ie 和It 之间的欧几里得距离。为了进一步优化模型，引入正则化项以防止过拟合，因此最终的优化目标变为：

其中，λ是正则化参数，用于平衡损失函数和正则化项的影响。

在CNN模型中，一个典型的层结构包含卷积层、激活函数和池化层。以卷积层为例，假设k是卷积核，卷积操作可表示为：

其中，C（x，y）是卷积结果，M 和N 是卷积核的大小。通过层层叠加的卷积层、激活函数和池化层，CNN能够自动学习图像的层次特征，这些特征对于图像增强尤为重要。在实时监测应用中，通过实时更新CNN模型的参数，可以持续优化图像增强的效果，提高遥感图像的质量和遥感数据的准确性。

2.2 高效的数据处理与分析框架设计

在基于图像增强的无人机遥感测绘技术优化过程中，构建一个高效的数据处理与分析框架是至关重要的。旨在从海量遥感数据中快速、准确地提取有价值的信息，进而提升遥感测绘的质量和效率。该框架涉及数据预处理、增强处理、特征提取、分类与分析等多个环节，每一环节都采用先进的算法和技术，确保数据处理的高效性和分析结果的准确性。数据预处理阶段，包括去噪、校正、归一化等步骤。利用数字图像处理技术对原始遥感数据进行初步处理，去除各种噪声干扰，纠正成像畸变，为后续的图像增强和特征提取打下坚实的基础。接下来，图像增强阶段主要采用基于深度学习的算法，如卷积神经网络（CNN） 或生成对抗网络（GAN） 。自动调整图像的对比度、亮度、清晰度等参数，显著提高图像质量，使得地物特征更加明显，便于识别和分析。特征提取环节是该框架的核心。通过应用机器学习和深度学习方法，如支持向量机（SVM） 、随机森林（RF） 和深度卷积神经网络（DCNN） ，自动识别和提取遥感图像中的关键特征，包括纹理、形状、颜色和光谱特征。在分类与分析阶段，依据提取的特征，运用分类算法将遥感图像中的地物进行有效分类。例如利用深度学习中的卷积神经网络进行语义分割，准确地将图像分割成不同的地物类别。

2.3 精确的地理信息系统（GIS） 数据集成方法

在基于图像增强的无人机遥感测绘技术优化研究中，精确的地理信息系统（GIS） 数据集成方法是确保遥感数据可用性和有效性的关键环节。GIS数据集成方法涉及将经过图像增强处理的遥感图像数据与GIS中的空间数据准确对接，实现数据的有效融合和应用。研究采用的核心算法是基于特征匹配和空间插值的数据融合算法。该算法通过精确匹配遥感图像与GIS空间数据中的共有特征，实现两者之间的无缝集成。以下是该算法的具体阐述：首先定义遥感图像I和GIS空间数据S，目标是找到一个转换函数f，使得I能够准确地映射到S的空间参考系统中：

S的空间参考系统中：

f：I → S （5）

转换函数f的求解依赖于特征匹配算法，该算法识别I和S中相似的特征点和，并计算转换参数。特征匹配可以表示为：

PS = f （PI ; Θ） （6）

其中，Θ表示转换参数，包括旋转、平移和缩放等。为了求解Θ，采用最小二乘法对误差函数进行优化：

在此基础上，使用空间插值方法，如克里金插值，对非特征点位置进行精确映射，确保整个图像与空间数据的完整和准确对齐。克里金插值的基本公式为：

其中，Z （x0 ）是插值点的估计值，Z （xi ）是已知点的值，λi 是权重系数，通过解决方差最小化问题获得。通过上述步骤，可以实现遥感图像与GIS空间数据之间的精确集成，为遥感测绘技术提供了强大的数据支持。该集成方法不仅提高了数据处理的精度和效率，而且增强了遥感测绘技术在环境监测、资源管理等领域的应用能力。

3 案例分析

由于连续几周的无雨天气，位于地中海气候区的某农田区域正经历严重的干旱。农业专家小组决定运用无人机遥感测绘技术来评估干旱对农作物生长的影响。方法：使用搭载有多光谱摄像头的无人机对目标区域进行飞行测绘。获取的图像数据首先经过预处理，包括去噪和辐射校正，然后通过卷积神经网络进行图像增强，最后将增强后的图像与GIS数据库中的历史作物生长数据进行集成分析，如表1所示。

通过上述方法，成功生成了包含增强后图像数据的农田健康指数地图。该地图直观显示了干旱影响的程度，并且辅助农业专家小组准确划分了受影响程度不同的区域。NDVI值接近 +1 通常表示较高的植被密度和健康状况，而接近 -1 则可能表示无植被覆盖的土地或受损植被。在本案例中，区域C3的NDVI 值为负，表明该区域受干旱影响极为严重，几乎无植被生长，需要紧急的干旱救助措施。区域B2的NDVI值较高，表明该区域植被生长良好，未受干旱影响。区域A1的NDVI值表明该区域受到轻度干旱影响，可能需要进一步的监控和适度灌溉。通过GIS数据集成，这些信息能够帮助制定更为精确的农田管理策略。

4 结束语

本文的研究成果不仅为无人机遥感测绘技术的发展提供了新的理论基础和技术路径，也为地理信息科学领域的研究者和实践者提供了一种有效的数据处理和分析工具。通过对图像增强技术的深入研究和应用优化，本文进一步拓宽了无人机遥感测绘技术在环境监测、资源管理、城市规划等多个领域的应用前景。有望为解决地理空间数据分析中的关键问题提供支持，促进地理信息科学的发展与进步。

参考文献：

[1] 许哲，张少帅，郭璐，等.一种无人机遥感图像去雾方法[J].通信技术，2020，53（10）：2442-2446.

[2] 杜漫飞，孙华生.无人机遥感图像中不均匀雾霾的去除算法研究[J].测绘与空间地理信息，2019，42（1）：174-176，180.

[3] 倪金生，刘翔，于飞.一种基于动态匹配的无人机遥感影像快速拼接技术：CN105243653A[P].2016-01-13.

[4] 么鸿原，林雪原，王海鹏，等.基于优化导向滤波算法的遥感图像预处理仿真[J].计算机仿真，2019，36（9）：300-303.

[5] 王静.深度学习无人机遥感影像房屋检测方法研究[J].测绘与空间地理信息，2023，46（9）：139-142，145.

【通联编辑：梁书】