中鐵第一勘察設(shè)計(jì)院集團(tuán)有限公司 魏域君

無人機(jī)遙感影像的質(zhì)量對(duì)無人機(jī)遙感的應(yīng)用至關(guān)重要，通常由于天氣原因，無人機(jī)遙感影像存在曝光不足，圖像偏暗的情況，需要手工利用調(diào)色軟件進(jìn)行調(diào)色，效率偏低。隨著深度學(xué)習(xí)的快速發(fā)展，深度學(xué)習(xí)在圖像智能化處理方面取得了廣泛的應(yīng)用。本文提出了一種適合高分辨率無人機(jī)遙感影像暗光增強(qiáng)的深度網(wǎng)絡(luò)模型，該模型能夠保持輸入影像的高分辨率特征，經(jīng)過訓(xùn)練后的模型以原始暗光圖像作為輸入，直接生成光照增強(qiáng)后的無人機(jī)影像，無需手工設(shè)計(jì)參數(shù)調(diào)色。實(shí)驗(yàn)證明本文方法具有較強(qiáng)的魯棒性，對(duì)無人機(jī)遙感圖像暗光增強(qiáng)取得了較好的效果，提高了生產(chǎn)效率。

隨著測(cè)繪地理信息行業(yè)的快速發(fā)展，無人機(jī)遙感技術(shù)作為一門新興技術(shù)，在測(cè)繪工作中取得了廣泛的應(yīng)用。無人機(jī)遙感的優(yōu)勢(shì)有以下幾點(diǎn)：（1）無人機(jī)體積較小，重量較輕，這保證了無人機(jī)的靈活性，可在各種地形條件下起飛；（2）無人機(jī)遙感監(jiān)測(cè)效率較高，可快速高效的處理各種突發(fā)事件[1]；（3）無人機(jī)遙感可獲取大范圍的高分辨率遙感影像，具有監(jiān)測(cè)尺度大的特點(diǎn)。由于以上獨(dú)特的優(yōu)勢(shì)，無人機(jī)遙感技術(shù)被廣泛的應(yīng)用于實(shí)景三維建設(shè)、高分辨率正射影像制作、災(zāi)害檢測(cè)、航拍視頻視頻制作等業(yè)務(wù)。因此，獲取清晰度高、對(duì)比度強(qiáng)的無人機(jī)遙感影像是無人機(jī)遙感的核心。而由于天氣原因，在光照條件較差的情況下，通過無人機(jī)航飛獲取的遙感影像通常情況下存在曝光不足，圖像偏暗的情況，通常需要利用CaptureOne、PhotoScan 軟件進(jìn)行處理，對(duì)暗光條件下的無人機(jī)遙感影像進(jìn)行人工增強(qiáng)，這需要耗費(fèi)較大的勞動(dòng)力和時(shí)間，效率較低。而傳統(tǒng)的基于直方圖均衡和Retinex 理論的暗光圖像自動(dòng)增強(qiáng)算法，很難適應(yīng)遙感圖像地物類別復(fù)雜、信息量大的特點(diǎn)，因此效果都不令人滿意。

隨著深度學(xué)習(xí)的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN）被廣泛的應(yīng)用到低層次的圖像處理任務(wù)中。在此基礎(chǔ)上，一些研究者提出了很多基于深度學(xué)習(xí)的自然圖像暗光增強(qiáng)模型，通常是利用深度網(wǎng)絡(luò)將暗光圖像分解為光照分量和反射分量，通過調(diào)整光照分量進(jìn)行暗光增強(qiáng)，然而這類方法并不能很好地適應(yīng)場(chǎng)景復(fù)雜的高分辨率遙感影像。因此，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的端到端的遙感影像暗光增強(qiáng)模型，無需進(jìn)行光照分解，以暗光條件下的無人機(jī)遙感圖像作為輸入，通過深度網(wǎng)絡(luò)直接輸出光照增強(qiáng)后的影像。通過實(shí)驗(yàn)證明了本文方法對(duì)無人機(jī)遙感圖像暗光增強(qiáng)取得了較好的效果。

1 基于卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)影像暗光增強(qiáng)

本文通過訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型來實(shí)現(xiàn)無人機(jī)影像暗光增強(qiáng)，訓(xùn)練樣本集可表示為{Li,Hi|i=1,...,N}，其中Li為暗光圖像，Hi為對(duì)應(yīng)的經(jīng)過光照增強(qiáng)后的無人機(jī)影像，這是人工通過CaptureOne 等軟件調(diào)色得到的。本文設(shè)計(jì)了一種適合無人機(jī)影像暗光增強(qiáng)的高分辨率網(wǎng)絡(luò)模型，該模型能夠保持輸入影像的高分辨率特征，經(jīng)過訓(xùn)練后的模型以原始暗光圖像作為輸入，輸出光照增強(qiáng)后的無人機(jī)影像。

本文方法技術(shù)流程如圖1 所示。

圖1 技術(shù)流程Fig.1 Technical process

1.1 網(wǎng)絡(luò)模型

無人機(jī)遙感由于要獲取清晰的地物細(xì)節(jié)，具有很高的影像分辨率，一般優(yōu)于5cm/每像素。因此，對(duì)無人機(jī)遙感影像進(jìn)行暗光增強(qiáng)，除了對(duì)光照分量進(jìn)行調(diào)整之外，保持影像的細(xì)節(jié)信息也是非常重要的?，F(xiàn)有的大多深度網(wǎng)絡(luò)模型一般都使用采樣間隔為2 的最大池化層和卷積層來擴(kuò)大感受野，從輸入的高分辨率影像中提取出高層語義特征，得到低分辨率特征圖，然后采用反卷積或上采樣的方式恢復(fù)原始尺寸，得到輸出結(jié)果。使用這種網(wǎng)絡(luò)模型必然會(huì)導(dǎo)致細(xì)節(jié)信息的丟失，從而使暗光增強(qiáng)后的遙感影像丟失細(xì)節(jié)信息。因此，本文提出了一種高分辨率網(wǎng)絡(luò)結(jié)構(gòu)RS-HRNet 來進(jìn)行無人機(jī)遙感影像暗光增強(qiáng)。

RS-HRNet 以高分辨率網(wǎng)絡(luò)模型HRNet[2]為基礎(chǔ)，網(wǎng)絡(luò)存在多個(gè)分支，第一個(gè)分支為高分辨率分支，在網(wǎng)絡(luò)傳播的整個(gè)過程中都維持高分辨率的特征表示，隨著高分辨率分支向后傳播，逐漸增加高分辨率到低分辨率的網(wǎng)絡(luò)分支，并將多個(gè)分辨率的網(wǎng)絡(luò)分支進(jìn)行并行連接，通過多分支網(wǎng)絡(luò)互相交換信息完成多尺度特征的融合，使得網(wǎng)絡(luò)生成的特征既有高層次信息，又能保持較高的分辨率。網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network architecture

RS-HRNet 與HRNet 不 同 的 地 方 在 于，HRNet 前 兩層使用采樣間隔為2 的卷積層，將輸入尺寸為（H，W）的影像進(jìn)行4 倍降采樣，得到尺寸為（H/4,W/4）的特征圖，最后再通過連續(xù)上采樣將特征尺寸恢復(fù)為（H,W）輸出最終結(jié)果。本文通過實(shí)驗(yàn)發(fā)現(xiàn)，如果直接采用這種方式，網(wǎng)絡(luò)模型雖然能通過訓(xùn)練預(yù)測(cè)出光照增強(qiáng)后的影像，但是影像會(huì)損失一定程度的清晰度，失去細(xì)節(jié)信息。所以RS-HRNet 在HRNet 的基礎(chǔ)上，將前兩層卷積層的采樣間隔設(shè)置為1，同時(shí)在最后去掉上采樣操作，將特征圖的尺寸始終保持為（H，W），與輸入影像尺寸一致。

1.2 損失函數(shù)

給 定 訓(xùn) 練 樣 本{Li,Hi|i=1,...,N}， 其 中Li為 暗 光圖像，Hi為對(duì)應(yīng)的經(jīng)過光照增強(qiáng)后的無人機(jī)影像，RSHRNet 以Li為輸入，通過一系列卷積層、歸一化層和激活函數(shù)后輸出增強(qiáng)后的影像H?i，本文以Charbonnier 損失函數(shù)[5]對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，Charbonnier 損失是一種帶常量的L1 損失函數(shù)，相比L1 損失函數(shù)更加穩(wěn)定，在圖像超分辨率、圖像生成、圖像復(fù)原等領(lǐng)域都取得了較好的效果。RS-HRNet 的損失函數(shù)如公式（1）所示：

其中ε 為常量，在本文實(shí)驗(yàn)中根據(jù)經(jīng)驗(yàn)將ε 設(shè)置為10-3。

1.3 模型訓(xùn)練與預(yù)測(cè)

實(shí)驗(yàn)的主要步驟如下：

（1）獲取暗光增強(qiáng)訓(xùn)練數(shù)據(jù)。實(shí)驗(yàn)采用在暗光條件下使用飛馬OP3000 傾斜航攝儀獲取的西部某地區(qū)無人機(jī)遙感影像作為暗光圖像，用CaptureOne 手工將該數(shù)據(jù)進(jìn)行光照增強(qiáng)作為增強(qiáng)后的圖像。如圖3 所示，暗光圖像與增強(qiáng)圖像對(duì)構(gòu)成了本次實(shí)驗(yàn)的訓(xùn)練數(shù)據(jù)。影像勻?yàn)槿ǖ啦噬跋瘢直媛蕿?cm/像素，尺寸為7952×5304。數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，訓(xùn)練集包含812 對(duì)影像，測(cè)試集包含203 對(duì)影像。

圖3 訓(xùn)練圖像對(duì)Fig.3 Training paired data

（2）構(gòu)建深度網(wǎng)絡(luò)模型RS-HRNet。在暗光增強(qiáng)數(shù)據(jù)集上訓(xùn)練模型，獲取遙感圖像暗光增強(qiáng)模型參數(shù)。本文采用Pytorch 深度學(xué)習(xí)框架訓(xùn)練RS-HRNe 網(wǎng)絡(luò)模型，Pytorch 框架易于上手，模型構(gòu)建效率高。

（3）模型預(yù)測(cè)，將待處理的測(cè)試影像輸入訓(xùn)練好的RS-HRNet 網(wǎng)絡(luò)模型，得到光照增強(qiáng)之后的無人機(jī)遙感圖像。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文采用飛馬OP3000 傾斜航攝儀獲取的西部某地區(qū)無人機(jī)遙感影像作為實(shí)驗(yàn)數(shù)據(jù)，影像勻?yàn)槿ǖ啦噬跋?，分辨率?cm/像素，尺寸為7952×5304。數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，訓(xùn)練集包含812 對(duì)影像，測(cè)試集包含203 對(duì)影像，訓(xùn)練集用于訓(xùn)練網(wǎng)絡(luò)模型，測(cè)試集用于測(cè)試模型效果。

2.2 實(shí)驗(yàn)參數(shù)

實(shí)驗(yàn)采用Adam 優(yōu)化器作為網(wǎng)絡(luò)優(yōu)化方法，學(xué)習(xí)率設(shè)為2e-4，BatchSize 設(shè)置為4，最大迭代次數(shù)為30，采用的顯卡型號(hào)為NVIDIA T600，顯存大小為4GB。

2.3 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)在暗光測(cè)試集圖像上進(jìn)行暗光增強(qiáng)，由于用CaptureOne 手工將暗光圖像進(jìn)行光照增強(qiáng)后的圖像和原暗光圖像配對(duì)作為訓(xùn)練集。因此將模型在測(cè)試集上的圖像增強(qiáng)結(jié)果與利用CaptureOne 軟件手動(dòng)光照增強(qiáng)之后的結(jié)果（在本文中稱作真值）進(jìn)行相似度對(duì)比，通過相似度對(duì)比評(píng)估該算法的魯棒性與暗光增強(qiáng)效果。

本文采用PSNR 和SSIM 對(duì)暗光增強(qiáng)效果進(jìn)行評(píng)估，PSNR 為峰值信噪比，SSIM 為結(jié)構(gòu)相似性，都是衡量增強(qiáng)結(jié)果與真值之間相似性的指標(biāo)。

為了驗(yàn)證本文提出的基于RS-HRNet 暗光增強(qiáng)方法的有效性，本文將方法與近年提出的基于Retinex-Net[3]的暗光增強(qiáng)方法進(jìn)行對(duì)比，該方法是基于Retinex 理論[4]的卷積神經(jīng)網(wǎng)絡(luò)模型，開啟了基于深度學(xué)習(xí)進(jìn)行暗光增強(qiáng)的研究熱潮。RS-HRNet 與Retinex-Net 的對(duì)比實(shí)驗(yàn)評(píng)估結(jié)果如表1 所示。

表1 對(duì)比實(shí)驗(yàn)結(jié)果Tab.1 Comparative experiment results

圖4 測(cè)試集圖像增強(qiáng)結(jié)果Fig.4 Enhancement of test images

從表1 可以看出，本文方法相比Retinex-Net 在PSNR和SSIM 上都有明顯優(yōu)勢(shì)，從如圖4 所示的測(cè)試結(jié)果可以看出，基于Retinex-Net 的方法雖然能夠達(dá)到光照增強(qiáng)的效果，但是增強(qiáng)影像的色調(diào)存在明顯的失真，而本文方法在增強(qiáng)了光照的同時(shí)仍然保持了圖像的原始色彩信息，究其原因是因?yàn)镽etinex-Net 分為兩階段：第一個(gè)階段是光照分量與反射分量分解；第二個(gè)階段是增強(qiáng)光照分量，第一個(gè)階段分解的誤差容易影響到第二個(gè)階段，形成誤差累計(jì)。而本文方法是端到端直接生成增強(qiáng)圖像，采用高分辨率網(wǎng)絡(luò)較好的保持了圖像的細(xì)節(jié)信息，與人工調(diào)色結(jié)果（真值）更為接近，效果更好。

3 結(jié)語

針對(duì)高分辨率無人機(jī)遙感圖像暗光增強(qiáng)問題，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的端到端的遙感影像暗光增強(qiáng)模型，通過訓(xùn)練深度網(wǎng)絡(luò)直接預(yù)測(cè)光照增強(qiáng)后的影像。通過與現(xiàn)有基于深度學(xué)習(xí)的暗光增強(qiáng)方法進(jìn)行對(duì)比，結(jié)果表明了本文方法的有效性，下一步工作將考慮模型的計(jì)算效率，消除分塊效應(yīng)，進(jìn)一步提高暗光增強(qiáng)的效果。