CN114998127A - 一种用于无人机高动态遥感的测绘图像清晰度优化方法 - Google Patents

Abstract

本发明公开了一种用于无人机高动态遥感的测绘图像清晰度优化方法，包括以下步骤：步骤1：选取无人机拍摄到的目标图像，对该目标图像上的每个像素点进行双三次插值，得到放大的目标图像；步骤2：对放大的目标图像进行边缘信息提取，得到放大的目标图像的边缘像素点以及边缘像素点两侧的像素点；步骤3：将放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，逐一与梯度矩阵做卷积运算，生成像素点在最大梯度方向上的新像素点；步骤4：取放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，逐一判断是否需要修正，对于需要修正的像素点在最大梯度方向上进行修正，最终得到清晰的目标图像。

Description

一种用于无人机高动态遥感的测绘图像清晰度优化方法

技术领域

本发明属于图像处理技术领域，具体为一种用于无人机高动态遥感的测绘图像清晰度优化方法。

背景技术

随着无人机遥感测绘技术的不断发展，以无人机为载体的航空高动态遥感测绘影像拍摄在遥感观测领域的占比也在不断提高，具有灵活度高、数据采集时效性强、成本低等诸多优势。无人机摄影通常依靠在曝光时间内的飞行运动来增大成像视场，但同时也带来了高动态环境下测绘成像问题。由于旋翼的高速转动、机体的震荡以及高空拍摄，导致无人机拍摄的影像不够清晰，在测绘遥感的影像分析与测绘目标检测方面造成了不小的误差，而基于影像拼接的遥感建模需要清晰的图像才能寻找正确的特征点，这也导致图像拼接需要拍摄大量图片才能完成正确的拼接，费时费力。在主流的提高分辨率来对影像清晰化的方法中，插值方法是这些方法中最为简单快速的一类，其中双三次插值效果最佳。但是在插值之后影像也存在一定的模糊情况，主要集中在边缘附近，也不能多次使用，导致一些图像依旧模糊，严重影响影像拼接。

发明内容

发明目的：为解决插值法优化后的影像依旧模糊且插值不能多次使用的问题，本发明提出了一种用于无人机高动态遥感的测绘图像清晰度优化方法，在图像处理双三次插值法的基础上，增加了边缘检测和梯度锐化处理，有效改善图像在放大后的失真情况，还可以多次使用。

技术方案：一种用于无人机高动态遥感的测绘图像清晰度优化方法，包括以下步骤：

步骤1：选取无人机拍摄到的目标图像，对该目标图像上的每个像素点进行双三次插值，得到放大的目标图像；

步骤2：对放大的目标图像进行边缘信息提取，得到放大的目标图像的边缘像素点以及边缘像素点两侧的像素点；

步骤3：将放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，逐一与梯度矩阵做卷积运算，生成像素点在最大梯度方向上的新像素点；

步骤4：取放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，逐一判断在最大梯度方向上的新像素点是否需要修正，判断依据为：计算像素点与其在最大梯度方向上生成的新像素点间的梯度差值，表示为：(A_i*f-P*g)，式中，P为放大的目标图像的边缘像素点或位于边缘像素点两侧的像素点，A_i为像素点P在最大梯度方向上的新像素点，f和g均为锐化参数；

若该梯度差值大于0，则表示在最大梯度方向上的新像素点需要修正，根据式(3)完成修正；

A_i′＝(A_i*f-P*g)/(f-g) (3)

其中，A_i′表示A_i经过修正后的像素点；

取下一个像素点在最大梯度方向上的新像素点，进行修正判断；直至完成所有的放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，得到清晰的目标图像；

若梯度差值小于等于0，则表示在最大梯度方向上的新像素点不需要修正，取下一个像素点在最大梯度方向上的新像素点，进行修正判断；直至完成所有的放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，得到清晰的目标图像；

其中，步骤3中的梯度矩阵由垂直向上的法向算子、垂直向下的法向算子、水平向左的法向算子、水平向右的法向算子、右上方向的法向算子、右下方向的法向算子、左上方向的法向算子和左下方向的法向算子构成。

进一步的，步骤1的具体实施步骤包括：

将选取无人机拍摄到的目标图像，将目标图像转化为位图图像，并采用(0,0),(1,0),(0,1),(1,1)四个顶点坐标初始化临近像素点；

位图图像上的每个像素点都通过其周围16个临近像素点依据权重值的加权来得到新的一个新的像素点p(x,y)，以此得到放大的目标图像；

其中，临近像素点的权重计算由式(1)得到：

式中，a为权重函数的参数，x为临近像素点的坐标。

进一步的，步骤2的具体实施步骤包括：

将步骤1得到的放大的目标图像转化为灰度图像；

在matlab中，调用edge(Image,'Canny')函数对灰度图像进行计算，对边信息赋值1，非边信息赋值0，得到放大的目标图像的边缘像素点；

基于放大的目标图像的边缘像素点，得到位于边缘像素点两侧的像素点。

进一步的，垂直向上的法向算子表示为：

垂直向下的法向算子表示为：

水平向左的法向算子表示为：

水平向右的法向算子表示为：

右上方向的法向算子表示为：

右下方向的法向算子表示为：

左上方向的法向算子表示为：

左下方向的法向算子表示为：

有益效果：采用本发明的优化方法，能有效改善图像在放大后的失真情况，大大提高测绘图像的清晰度。

附图说明

图1为16个临近像素点的示意图；

图2为实施例的原图的灰度图；

图3为图2的二值化图；

图4为图2的结果图。

具体实施方式

本发明的一种用于无人机高动态遥感的测绘图像清晰度优化方法，主要包括以下步骤：

步骤1：选取无人机拍摄到的目标图像，一张目标图像有若干个像素点，每个未知的新像素点都可以由周围4个像素点和临近像素点的变化率推算出，因此对每个像素点都使用双三次插值，以提高像素；具体操作子步骤为：

将目标图像转化为位图图像，并采用(0,0),(1,0),(0,1),(1,1)四个顶点坐标初始化临近像素点；如图1所示，像素点P的16个临近像素点对应4×4矩阵，该矩阵由x轴方向上的1+u、u、1-u、2-u和y轴方向上的1+v、v、1-v、2-v组成。

位图图像上的每个像素点都通过其周围16个临近像素点依据权重值的加权来得到新的一个新的像素点p(x,y)，以此得到放大的目标图像；

其中，临近像素点的权重计算由式(1)得到：

式中，a为权重函数的参数，与需要缩放的倍数有关，a取不同值，就有不同的缩放值，通常情况下参数a＝0.5。x为临近像素点的坐标。

将得到的16个权重值作为参数和周围16个临近像素点代入插值公式(2)，就可以得到一个新的像素点p(x,y)。

式中，x为新的像素点的横坐标，y为新的像素点的纵坐标，i为权重矩阵的行，j为权重矩阵的列，x_i为临近像素点的横坐标，y_i为临近像素点的纵坐标，W(x-x_i)W(y-y_i)就是临近像素点的权重值。

遍历整个位图所有像素点即为完成，得到放大的目标图像。

步骤2：取步骤1所得到的放大的目标图像，对每个像素点都使用基于Canny算子的edge函数判断边缘点，提取边缘信息。具体操作步骤为：

选取步骤1得到的放大的目标图像，将其转化为灰度图像；

在matlab中，调用edge(Image,'Canny')函数对灰度图像进行计算，对边信息赋值1，非边信息赋值0，就可以检测出灰度图像的边缘信息，本步骤的边缘信息包括边缘像素点以及位于边缘像素点两侧的像素点。

步骤3：为了不忽略每一方向像素的影响，在设置水平方向和垂直方向的梯度矩阵时，加大水平和垂直权重，弱化倾斜方向上的权重；设计倾斜方向的梯度矩阵时则反之，最终选出合适的梯度矩阵组，得到以下法向算子：

其中，H1为垂直向上的法向算子，H2为垂直向下的法向算子，H3为水平向左的法向算子，H4为水平向右的法向算子，H5为右上方向的法向算子，H6为右下方向的法向算子，H7为左上方向的法向算子，H8为左下方向的法向算子。

步骤4：选取步骤2得到的边缘信息，设定好锐化参数，将边缘像素点以及位于边缘像素点两侧的像素点逐一与梯度矩阵做卷积运算，生成像素点在最大梯度方向上的新像素点。

步骤5：取放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，逐一判断在最大梯度方向上的新像素点是否需要修正，判断依据为：计算像素点与其在最大梯度方向上生成的新像素点间的梯度差值，表示为：(A_i*f-P*g)，式中，P为放大的目标图像的边缘像素点或位于边缘像素点两侧的像素点，A_i为像素点P在最大梯度方向上的新像素点，f和g均为锐化参数。

若该梯度差值大于0，则表示A_i需要修正，根据式(3)对A_i进行修正。

A_i′＝(A_i*f-P*g)/(f-g) (3)

其中，A_i′为A_i经过修正后所得到的像素点。

取下一个像素点在最大梯度方向上的新像素点，进行修正判断；直至完成所有的放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，得到基于梯度矩阵边缘锐化的影像，即清晰的目标图像。

若梯度差值小于等于0，则表示A_i不需要修正，取下一个像素点，进行修正判断；直至完成所有的放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，得到基于梯度矩阵边缘锐化的影像，即清晰的目标图像。

实施例：

现采用本发明公开的优化方法对图2示出的灰度图进行清晰度优化，图3为对图2进行二值化处理后的二值化图，图4为采用本发明方法对图2进行清晰度优化后的结果图，由图4和图2相比，本发明能有效改善图像在放大后的失真情况。若进行一次优化后得到的图像的清晰度并没有符合要求，可通过重复执行步骤1至步骤4来提高图像的清晰度。

Claims (4)

1.一种用于无人机高动态遥感的测绘图像清晰度优化方法，其特征在于：包括以下步骤：

步骤1：选取无人机拍摄到的目标图像，对该目标图像上的每个像素点进行双三次插值，得到放大的目标图像；

步骤2：对放大的目标图像进行边缘信息提取，得到放大的目标图像的边缘像素点以及边缘像素点两侧的像素点；

步骤3：将放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，逐一与梯度矩阵做卷积运算，生成像素点在最大梯度方向上的新像素点；

步骤4：取放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，逐一判断在最大梯度方向上的新像素点是否需要修正，判断依据为：计算像素点与其在最大梯度方向上生成的新像素点间的梯度差值，表示为：(A_i*f-P*g)，式中，P为放大的目标图像的边缘像素点或位于边缘像素点两侧的像素点，A_i为像素点P在最大梯度方向上的新像素点，f和g均为锐化参数；

若该梯度差值大于0，则表示在最大梯度方向上的新像素点需要修正，根据式(3)完成修正；

A_i′＝(A_i*f-P*g)/(f-g) (3)

其中，A_i′表示A_i经过修正后的像素点；

取下一个像素点在最大梯度方向上的新像素点，进行修正判断；直至完成所有的放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，得到清晰的目标图像；

若梯度差值小于等于0，则表示在最大梯度方向上的新像素点不需要修正，取下一个像素点在最大梯度方向上的新像素点，进行修正判断；直至完成所有的放大的目标图像的边缘像素点以及位于边缘像素点两侧的像素点，得到清晰的目标图像；

其中，步骤3中的梯度矩阵由垂直向上的法向算子、垂直向下的法向算子、水平向左的法向算子、水平向右的法向算子、右上方向的法向算子、右下方向的法向算子、左上方向的法向算子和左下方向的法向算子构成。

2.根据权利要求1所述的一种用于无人机高动态遥感的测绘图像清晰度优化方法，其特征在于：步骤1的具体实施步骤包括：

将选取无人机拍摄到的目标图像，将目标图像转化为位图图像，并采用(0,0),(1,0),(0,1),(1,1)四个顶点坐标初始化临近像素点；

位图图像上的每个像素点都通过其周围16个临近像素点依据权重值的加权来得到新的一个新的像素点p(x,y)，以此得到放大的目标图像；

其中，临近像素点的权重计算由式(1)得到：

式中，a为权重函数的参数，x为临近像素点的坐标。

3.根据权利要求1所述的一种用于无人机高动态遥感的测绘图像清晰度优化方法，其特征在于：步骤2的具体实施步骤包括：

将步骤1得到的放大的目标图像转化为灰度图像；

在matlab中，调用edge(Image,'Canny')函数对灰度图像进行计算，对边信息赋值1，非边信息赋值0，得到放大的目标图像的边缘像素点；

基于放大的目标图像的边缘像素点，得到位于边缘像素点两侧的像素点。

4.根据权利要求1所述一种用于无人机高动态遥感的测绘图像清晰度优化方法，其特征在于：垂直向上的法向算子表示为：

垂直向下的法向算子表示为：

水平向左的法向算子表示为：

水平向右的法向算子表示为：

右上方向的法向算子表示为：

右下方向的法向算子表示为：

左上方向的法向算子表示为：

左下方向的法向算子表示为：

Images