CN103996044B - 利用遥感图像提取目标的方法和装置 - Google Patents
利用遥感图像提取目标的方法和装置 Download PDFInfo
- Publication number
- CN103996044B CN103996044B CN201410241736.8A CN201410241736A CN103996044B CN 103996044 B CN103996044 B CN 103996044B CN 201410241736 A CN201410241736 A CN 201410241736A CN 103996044 B CN103996044 B CN 103996044B
- Authority
- CN
- China
- Prior art keywords
- local
- image
- remote sensing
- result
- sensing images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种利用遥感图像提取目标的方法,包括以下步骤:对遥感图像进行区域分割获得包含目标的局域候选图像;在所述局域候选图像中,对所述目标对应的图像区域进行提取,获取局域提取结果;根据所述局域候选图像的位置信息,将针对每个所述局域候选图像的局域提取结果合并,生成全局提取结果。同时,本发明还公开了一种利用遥感图像提取目标的装置,通过本法可以对遥感图像中的目标进行自动识别和提取,且减小了运算量,并提高了运算精度和速度。
Description
技术领域
本发明涉及在遥感图像中对目标进行提取的方法和装置,特别涉及一种利用遥感影像提取养殖箱的方法和装置。
背景技术
我国水产养殖业发展迅速,尤其是在沿海地区,当前对于水产养殖的产量评估、环境影响、合理规划等已经成为海洋生态学和环境科学研究的热点问题之一。现阶段,通过遥感图像提取养殖箱时,通常利用人工判读的方式对包含养殖箱的养殖区进行监测,但是,该方式耗时耗力,并且可能会因判读人员的疲倦乏味而出错。因此,针对现有人工判读的不足,提出了多种能够对遥感图像中的养殖箱进行提取的方法。
目前,在对养殖箱的提取与识别方法中,包括基于比值型指数分析的信息提取、基于对应分析的信息提取、基于空间结构分析的信息提取等方法。
但是,在上述识别方法中,基于比值型指数分析的信息提取方法适用于养殖区与背景环境光谱差异大的地区,若检测区域不满足该特征,将无法克服传统遥感分类方法所普遍存在的“椒盐”噪声,从而影响信息提取的精度。基于对应分析的信息提取方法无法有效地解决“异物同谱”和“异物同纹理”的分类问题。在采用基于空间结构分析的信息提取方法时,由于不同图像中的亮度,色彩都有着一定的不同,如何能够准确、稳定的提取和识别这些特征是目前近海养殖区自动识别技术面临的主要挑战。
因此,在现有技术中,缺乏一种能够对遥感图像进行处理,自动完成对养殖箱的识别和提取的方法。
发明内容
本发明为了解决上述至少一个问题和/或不足,并提供下述至少一种优点,相应的提供了一种利用遥感图像提取养殖箱的方法。
一方面,本发明提供了一种利用遥感图像提取目标的方法,包括以下步骤:
对遥感图像进行区域分割获得包含目标的局域候选图像;
在所述局域候选图像中,对所述目标对应的图像区域进行提取,获取局域提取结果;
根据所述局域候选图像的位置信息,将针对每个所述局域候选图像的局域提取结果合并,生成全局提取结果。
进一步的,在上述方法中,所述局域候选图像的获得包括以下步骤:
利用旋转不变的局域二值化(LBP)特征提取所述遥感图像中包含目标的区域,得到LBP候选图像;
利用所述LBP候选图像的连通性,提取所述遥感图像的对应区域,获得所述局域候选图像。
进一步的,在上述方法中,所述局域提取结果的获取包括以下步骤:
将所述局域候选图像进行二值化处理,获得局域二值化图像;
利用旋转的直线型的数学形态法在所述局域二值化图像提取目标的特征点;
利用所述特征点生成目标区域,作为所述局域提取结果。
进一步的,在上述方法中,所述目标为养殖箱。
进一步的,在上述方法中,所述遥感图像通过包含无人机在内的飞行器或卫星获得。
另一方面,本发明还提供了一种利用遥感图像提取目标的装置,包括:
区域分割模块,用于对所述遥感图像进行区域分割,并输出包含提取目标的局域候选图像;
结果提取模块,用于在所述局域图像中提取包含所述目标的图像,输出局域提取结果;
结果合并模块,将所述局域候选图像进行二值化处理,获得局域二值化图像;利用不同角度构造相互垂直的两个直线型结构元素,并利用基于这两个结构元素的数学形态法对局域二值化图像进行处理,并选择空洞面积最大的处理结果,利用所述处理结果提取特征点;利用所述特征点生成目标区域,作为所述局域提取结果。
通过本发明不仅实现了遥感图像中目标的自动识别与提取,且一方面通过对遥感图像分割后提取局域候选图像实现了对目标的快速初步提取,可以有效提高目标提取的速度,且降低运算量。另一方面,通过对局域候选图像中包含目标的对应区域进行处理,获得局域提取结果,可以快速准确的实现对目标的识别和提取,从而提高了目标提取和识别的准确性,并进一步提高了处理速度。
附图说明
下面给出用于说明本发明实施例的附图,通过附图可以更好的对本发明实施例进行说明,在附图中同样的名称和符号表示具有同样的物理意义。
图1为本发明实施例方法流程图;
图2为本发明实施例遥感图像示意图;
图3为本发明实施例养殖箱的结构参数;
图4为本发明实施例中局域提取结果获取流程图;
图5为本发明实施例中用于计算特征点的θ角示意图;
图6为本发明实施例中特征点提取结果示意图;
图7为本发明结果示意图;
图8为本发明实施例装置示意图。
具体实施方式
在下文中,将进一步参照附图来更充分地描述本发明的实施例,附图中示出了本发明的实施例。然而,本发明的实施例可以以许多不同的形式来实施,而不应该本解释为限于在此列出的实施例。相反,提供这些示例性实施例,使得本公开是彻底的,并且将本发明的范围充分传达给本领域技术人员。
首先,介绍本发明所涉及局域二值化LBP算法。最早的LBP算法是由Ojala提出的,用以进行纹理分析。原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3领域内的8个点可产生8bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息。
在原始的LBP算法提出后在纹理分析和特征提取中取得了一定的成果,但由于其编码方式的限制,通过原始的LBP算法产生的LBP值会随着图像的旋转而变换,为了解决这个问题,研究人员不断对其提出了各种改进和优化,从而得到了诸如LBP旋转不变模式等。具有旋转不变性的LBP的公式如下表示:
其中ROR表示的是对编码的向右移位的操作,P为圆环取值点数,R为半径,ri为rotation invariant的缩写,标识LBP是旋转不变的,i为计数变量。
具有旋转不变性的LBP算法通过求得不同编码形式中最小的LBP的值来解决编码随着图像旋转而变化的问题,同时给LBP算法带来了纹理特征提取所必须的旋转不变性。因此,该算法在纹理分析和提取中得到了极为广泛的应用。
下面结合附图,对本发明方法的实施例做进一步介绍。
如图1为本发明实施例方法流程图。
参考图1,在步骤101中,对遥感图像进行获取。该遥感图像可以为通过卫星或飞行器获取的遥感图像。遥感图像中包含了待提取的目标图像信息,在本发明实施例中,该目标可以为水面的养殖箱,因此利用卫星对布置有养殖箱的被测水域进行成像,或利用如无人机类的飞行器对被测水域进行成像,从而获得相应养殖箱所处水域的遥感图像,从而可利用对该遥感图像进行处理,提取出目标养殖箱。
获取的遥感图像可以通过遥测数据下传到数据处理中心,该遥感图像可通过一次成像获得或可利用多张可相互拼接的遥感图像经拼接后获得,例如,当采用无人机获取遥感图像时,可利用无人机的载荷在飞过包含养殖箱水域时进行多次成像从而获得多张可进行拼接的遥感图像,经过对多张遥感图像的拼接,最终获得用于描绘包含养殖箱整个水域的一副遥感图像,当然,如前所述,该水域也可以通过一张遥感图像进行反应。参考图2,在图2所展示的遥感图像中,其图像范围覆盖了包含养殖箱区域在内的整个水域,在图2所示图像中,包含有连续的水域,方格形的养殖箱,以及其他形式的养殖设备。多个方格形的养殖箱相互连接,构成一种本领域技术人员所惯常称呼的高密度养殖箱。在本发明的一种实施例中,该类高密度养殖箱,即为待识别的养殖箱,该养殖箱的结构参数为,厚度1米,单个养殖箱为边长2.5米的正方形。
进一步的,对于上述所称遥感图像,本实施例采用无人机通过对近海区域进行拍摄的方式获取,从而获得高分辨率的可见光遥感图像,根据无人机载荷的不同配置,从而使得遥感图像具有不同的分辨率,例如,在本实施例中,遥感图像的分辨率可达到0.2米,要提取的养殖箱的结构参数为,如图3所述,厚度为1米,单个养殖箱为边长为2.5米的正方形。
在步骤102中,在获取上述遥感图像后,进入对遥感图像的处理步骤,在该步骤102中,首先对遥感图像进行分割,以获取包含目标的局域候选图像。
针对遥感图像中不同部分所对应的不同区域影响,对待处理的遥感图像进行区域分割,以获得包含养殖箱区域所对应的局域候选图像。在本实施例中,对遥感图像的分割采用局域二值化LBP算法进行处理。
首先,利用旋转不变的LBP特征来提遥感图像中包含目标养殖箱的候选区域,从而可生成LBP候选图像。在获取LBP候选图像时,先对遥感图像进行灰度便传,获得遥感图像的灰度图,从而对该灰度遥感图像使用旋转不变的LBP变换。在获得经变换后的灰度遥感图像后,进一步进行二值化处理,在本发明实施例中,参考多次试验与测试结果,将二值化处理的阈值设置为Tlbp=254,从而可取的较好的处理结果。二值化处理后将生成LBP二值化图像。进一步的再利用数据形态法将该LBP二值化图像转换为LBP候选区域BWlbp,数学形态法的特征在于使用的结构元素是圆形且自适应于高密度养殖箱的尺寸的,其直径为高密度养殖箱箱体的厚度/图像分辨率,以保证消除尺寸小于高密度养殖箱箱体厚度的干扰。
局域候选图像则利用上述BWlbp的连通性在原始的遥感图像中进行提取获得。在提取钱,首先针对BWlbp选取BWlbp中的单个连通区域Ω。并计算该Ω的外接矩形。根据该外接矩形提取原始遥感图像中的对应区域,从而将该提取出的对应区域作为局域候选图像。进一步的,根据养殖箱的结构参数和图像分辨率确定了下述所使用的旋转数学形态法中的形态学结构元素的大小Lrmm=25。
在完成上述步骤102后,转入步骤103,在该步骤103中通过对局域候选图像中目标所在区域的提取获得局域提取结果。本发明实施例进一步以养殖箱为例,如图4所示,在步骤401中,对局域候选图像进行二值化处理,得到局域二值化图像BW,该二值化处理的阈值采用整个图像平均灰度值的2倍。然后,在步骤402,利用旋转的直线型的数学形态法将得到的局域二值化图像BW中将养殖箱箱体的交叉点提取出来作为高密度养殖箱的特征点。在完成步骤402后,在步骤403,利用上述的养殖箱的结构参数构造数学形态法的结构元素Lrm,通过构造出的结构元素对BW进行θ及θ+90的直线型的开运算得到了BW1和BW2,进一步的计算BW1和BW2并集的空洞的面积Shole。在完成一次上述Shole的计算后,逐次计算出将θ从0增加值90的每个不同θ值所对应的Shole。比较各次Shole的值,确定最大Shole所对应的θ值,并依此θ值对BW进行θ及θ+90的直线型的开运算并对结果取交集,得到高密度养殖箱的交叉点即高密度养殖箱的特征点,其中,如图5所示,θ为养殖箱轴线与水平线间的夹角,如图6所示,为提取出的特征点。在得到该特征点后,转入步骤404,在该步骤404中,根据养殖箱结构参数中单个单元的边长构造结构元素,将构造出的尺寸为圆形,半径为50的结构元素对包含特征点的图像进行闭运算,将特征点连成高密度养殖箱的区域,即为养殖箱的局部提取结果。
在步骤104中,利用步骤103获得的局域提取结果,根据局域候选图像的位置信息,即局域候选图像相对于整幅遥感图像的位置和大小,将该结果进行合并。如图7所示,在完成对每一个局域提取结果的合并后,获得全局的提取结果。
如图8为本发明实施例装置流程图。
参考图8,在本发明利用遥感图像提取目标的装置中,包括,图像获取模块、区域分割模块、结果提取模块、结果合并模块。
与上述图1所示方法相对应,图像获取模块中,用于获取无人机或卫星拍摄获得的遥感图像。区域分割模块,用于对所述遥感图像进行区域分割,并输出包含提取目标的局域候选图像。结果提取模块,用于在所述局域图像中提取包含所述目标的图像,输出局域提取结果。结果合并模块,用于根据所述局域候选图像的位置信息将所述局域提取结果合并,获得全局提取结果。
通过本发明实施例的结果表明,高密度养殖区的提取准确率高于90%,可以有效的辅助高密度养殖区的测绘工作,降低难度与工作量,大大提高工作效率。
本发明并不局限于上述实施方式,在不脱离本发明的主要内容的范围内可以进行各种改变和修改,例如可以针对具体的应用使用不同的数学形态学结构元素,或是采用不同的区域提取方法。另外本发明中使用的术语,例如局域二值化特征,数学形态法等并不局限于一种称呼方法,只要其物理意义与本发明汇总的概念相同即术语本发明的权利范畴。同样本发明的流程也不局限于4个步骤,具体流程和步骤可以随着实际应用或实际环境不同而改变。
虽然已经参照本发明的特定实施例示出并描述了本发明,但是本领域技术人员将理解:在不脱离由权利要求限定的本发明的精神和范围的情况下,可在其中做出形式和细节方面的各种改变。
Claims (7)
1.一种利用遥感图像提取目标的方法,其特征在于,包括以下步骤:
对遥感图像进行区域分割获得包含目标的局域候选图像;
在所述局域候选图像中,对所述目标对应的图像区域进行提取,获取局域提取结果;
根据所述局域候选图像的位置信息,将针对每个所述局域候选图像的局域提取结果合并,生成全局提取结果;
所述局域提取结果的获取包括以下步骤:
将所述局域候选图像进行二值化处理,获得局域二值化图像;
利用旋转的直线型的数学形态法在所述局域二值化图像提取目标的特征点;
利用所述特征点生成目标区域,作为所述局域提取结果;
所述二值化处理采用阈值254获得局域二值化图像。
2.如权利要求1所述方法,其特征在于,所述局域候选图像的获得包括以下步骤:
利用旋转不变的局域二值化(LBP)特征提取所述遥感图像中包含目标的区域,得到LBP候选图像;
利用所述LBP候选图像的连通性,提取所述遥感图像的对应区域,获得所述局域候选图像。
3.如权利要求1至2任一所述方法,其特征在于,所述目标为养殖箱。
4.如权利要求1至2任一所述方法,其特征在于,所述遥感图像通过包含无人机在内的飞行器或卫星获得。
5.一种利用遥感图像提取目标的装置,其特征在于,包括:
区域分割模块,用于对所述遥感图像进行区域分割,并输出包含提取目标的局域候选图像;
结果提取模块,用于在所述局域图像中提取包含所述目标的图像,输出局域提取结果;
结果合并模块,用于根据所述局域候选图像的位置信息将所述局域提取结果合并,获得全局提取结果;
所述结果提取模块,将所述局域候选图像进行二值化处理,获得局域二值化图像;利用不同角度构造相互垂直的两个直线型结构元素,并利用基于这两个结构元素的数学形态法对局域二值化图像进行处理,并选择空洞面积最大的处理结果,利用所述处理结果提取特征点;利用所述特征点生成目标区域,作为所述局域提取结果;
所述二值化处理采用阈值254获得局域二值化图像。
6.如权利要求5所述装置,其特征在于,还包括:
图像获取模块,用于获取无人机或卫星拍摄获得的遥感图像。
7.如权利要求5所述装置,其特征在于:
所述区域分割模块,利用旋转不变的局域二值化(LBP)特征提取所述遥感图像中包含目标的区域,得到LBP候选图像;利用所述LBP候选图像的连通性,提取所述遥感图像的对应区域,获得所述局域候选图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410241736.8A CN103996044B (zh) | 2014-05-29 | 2014-05-29 | 利用遥感图像提取目标的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410241736.8A CN103996044B (zh) | 2014-05-29 | 2014-05-29 | 利用遥感图像提取目标的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103996044A CN103996044A (zh) | 2014-08-20 |
CN103996044B true CN103996044B (zh) | 2017-10-10 |
Family
ID=51310205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410241736.8A Active CN103996044B (zh) | 2014-05-29 | 2014-05-29 | 利用遥感图像提取目标的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103996044B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705427A (zh) * | 2019-09-25 | 2020-01-17 | 中国人民解放军61646部队 | 一种遥感图像目标区域的提取处理方法及装置 |
CN114037902B (zh) * | 2021-10-28 | 2023-09-12 | 江苏海洋大学 | 一种条斑紫菜养殖区悬浮泥沙提取与识别的反演方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110079A (zh) * | 2007-06-27 | 2008-01-23 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
CN101576994A (zh) * | 2009-06-22 | 2009-11-11 | 中国农业大学 | 遥感图像处理方法及装置 |
WO2010014067A1 (en) * | 2008-07-31 | 2010-02-04 | Hewlett-Packard Development Company, L.P. | Perceptual segmentation of images |
CN103049763A (zh) * | 2012-12-07 | 2013-04-17 | 华中科技大学 | 一种基于上下文约束的目标识别方法 |
CN103310236A (zh) * | 2013-06-27 | 2013-09-18 | 上海数据分析与处理技术研究所 | 基于局部二维特征的拼接图像检测方法及系统 |
CN103400389A (zh) * | 2013-08-12 | 2013-11-20 | 电子科技大学 | 一种高分辨率遥感图像分割方法 |
-
2014
- 2014-05-29 CN CN201410241736.8A patent/CN103996044B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110079A (zh) * | 2007-06-27 | 2008-01-23 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
WO2010014067A1 (en) * | 2008-07-31 | 2010-02-04 | Hewlett-Packard Development Company, L.P. | Perceptual segmentation of images |
CN101576994A (zh) * | 2009-06-22 | 2009-11-11 | 中国农业大学 | 遥感图像处理方法及装置 |
CN103049763A (zh) * | 2012-12-07 | 2013-04-17 | 华中科技大学 | 一种基于上下文约束的目标识别方法 |
CN103310236A (zh) * | 2013-06-27 | 2013-09-18 | 上海数据分析与处理技术研究所 | 基于局部二维特征的拼接图像检测方法及系统 |
CN103400389A (zh) * | 2013-08-12 | 2013-11-20 | 电子科技大学 | 一种高分辨率遥感图像分割方法 |
Non-Patent Citations (1)
Title |
---|
一种遥感图像建筑物检测新方法;杨萍等;《航天返回与遥感》;20131031;第34卷(第5期);第2节,图3 * |
Also Published As
Publication number | Publication date |
---|---|
CN103996044A (zh) | 2014-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN109740665A (zh) | 基于专家知识约束的遮挡图像船只目标检测方法及系统 | |
CN109886217A (zh) | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 | |
CN110097101B (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN109583324A (zh) | 一种基于单点多盒检测器的指针仪表读数自动识别方法 | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
Bonnet et al. | Comparison of UAS photogrammetric products for tree detection and characterization of coniferous stands | |
CN106709517A (zh) | 红树林识别方法及系统 | |
Yu et al. | Analysis of large-scale UAV images using a multi-scale hierarchical representation | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
Mao et al. | Development of power transmission line defects diagnosis system for UAV inspection based on binocular depth imaging technology | |
CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN109903299A (zh) | 一种条件式生成对抗网络的异源遥感图像配准方法及装置 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN106570485A (zh) | 一种基于深度学习的筏式养殖遥感图像场景标注方法 | |
CN106651880A (zh) | 基于多特征融合的热红外遥感影像的海上动目标检测方法 | |
Song et al. | Detection of maize tassels for UAV remote sensing image with an improved YOLOX model | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN103996044B (zh) | 利用遥感图像提取目标的方法和装置 | |
CN109829426A (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 | |
Chen et al. | Port ship detection in complex environments | |
Kim et al. | Generation of a DTM and building detection based on an MPF through integrating airborne lidar data and aerial images | |
CN110232376B (zh) | 一种利用投影回归的齿轮式数字仪表识别方法 | |
CN103778431A (zh) | 基于二维格子复杂性度量的医学图像特征提取和识别系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |