CN104794725B - 一种基于局部不变特征的遥感影像对象表达方法 - Google Patents
一种基于局部不变特征的遥感影像对象表达方法 Download PDFInfo
- Publication number
- CN104794725B CN104794725B CN201510221024.4A CN201510221024A CN104794725B CN 104794725 B CN104794725 B CN 104794725B CN 201510221024 A CN201510221024 A CN 201510221024A CN 104794725 B CN104794725 B CN 104794725B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- remote sensing
- sensing image
- scale
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于局部不变特征的遥感影像对象表达方法。包括如下步骤:步骤1,预处理;步骤2,进行线性尺度空间表达和非线性尺度空间表达;步骤3,提取Harris角点;步骤4,提取多尺度边缘;步骤5,提取仿射不变区域;步骤6,影像分解为图像块集合;步骤7,视觉词袋模型表示;步骤8,对象的可视化表达。基于尺度空间,提取高空间分辨率遥感影像的角点、边缘和区域等视觉特征,利用视觉词袋模型表达对象,解决了高空间分辨率遥感影像中对象提取运算量大的问题,有利于缓解高空间分辨率遥感影像中“同谱异物”和“同物异谱”的问题。
Description
技术领域
本发明涉及一种遥感影像处理领域,具体说是一种基于局部不变特征的遥感影像对象表达方法。
背景技术
随着遥感影像空间分辨率的不断提高,利用其获取的地理空间信息逐渐成为各应用行业数据的重要来源。但目前适合于高空间分辨率遥感影像特征提取和自动解译的技术还十分缺乏,远未达到实用化的程度。而特征提取、特征选择又是遥感影像自动分类和识别中的关键技术。研究如何从众多的特征中提取出那些直接决定后期应用的最有效的局部不变特征,并将提取的图像低层视觉特征与图像的高层语义特征之间建立对应关系,实现特征空间维数的压缩,提高遥感图像处理效率,具有十分明显的实际意义。局部不变特征已成为当今图像处理领域内一个较为活跃的研究方向,涌现了大批研究成果。但是这些研究成果主要集中在三维重建、数字水印、运动跟踪、机器人导航、图像全景拼接和视频数据挖掘等领域。在遥感影像特别是高空间分辨率遥感影像中的研究还有待进一步深入。局部不变特征可以很好地适应于遥感影像由于飞行器姿态、太阳光照射角度、以及天气或气候等方面的变化引起的仿射形变。将其应用领域扩展到遥感图像的处理,为局部不变性特征的应用提出了新的思路,在尺度空间中对高空间分辨率遥感影像的特征进行提取研究,使其能适用于广义仿射变换下的遥感影像的处理,这对于局部不变特征的算法改进和发展具有重要的理论意义。
发明内容
本发明提供了一种基于局部不变特征的遥感影像对象表达方法,基于尺度空间,提取高空间分辨率遥感影像的角点、边缘和区域等视觉特征,利用视觉词袋模型表达对象,解决了遥感影像对象提取准确率低的问题,具有自动化程度高,可靠性强等优点。
为实现本发明的目标所采用的技术方案是:方法包括以下步骤:
步骤1:对输入遥感影像image1进行预处理,得到处理后的遥感影像image2;
步骤2:分别对遥感影像image2进行线性尺度空间表达和非线性尺度空间表达;
步骤3:线性尺度空间中,提取影像image2的Harris角点;
步骤4:在非线性尺度空间中,对影像image2进行多尺度边缘提取;
步骤5:提取影像image2的仿射不变区域;
步骤6:以步骤5中的仿射不变区域为单元,将遥感影像image1分解为图像块集合imgset;
步骤7:对图像块集合imgset运用视觉词袋模型进行表示;
步骤8:遥感影像中对象的可视化表达。
所述的预处理的内容包括进行图像平滑以减少噪声的影响,通过改变图像的灰度等级以提高影像对比度及突出边缘或地物。
所述的线性尺度空间利用高斯核函数进行变换,保证在Harris特征点的提取过程中,随着尺度的增加不会增加新的极值点,变换公式如下:
所述的非线性尺度空间采用适应性更强的各向异性热扩散方程,其迭代方程如下:
It+1=It+λ(cNx,y▽N(It)+cSx,y▽S(It)+cEx,y▽E(It)+cWx,y▽W(It))
其中,I为图像,▽N(It)、▽S(It)、▽E(It)和▽W(It)分别是四个方向的偏导,cNx,y、cSx,y、cEx,y和cWx,y分别是四个方向上的导热系数。
所述的Harris角点的提取方法为:预先选择一个图像分层数N,对Harris角点进行检测,从最大尺度的图像开始,将其中的每个点分别独立成一个分组,记为分组中心点,设定一个欧式距离阈值D,从大尺度到小尺度依次搜索每一层图像,将距离某一分组中心点小于阈值D的点归并到对应分组中,分组结束后,在每个角点分组中搜索最大角点度量值并保留作为表示该局部结构的角点,以1为步长递增分层数,比较每次获得的角点的数量,当角点数量达到稳定时,认为这时的检测准确性最高,对应的分层数确定为最佳分层数。
所述的多尺度边缘提取方法为:利用Canny边缘检测算法的高检测率、精确定位和明确响应三条标准的思想,分别从不同尺度中提取边缘,通过设置阈值对不同尺度上的边缘进行匹配处理,大尺度上保留大范围的边缘,小尺度上保留小范围的边缘,由大尺度向小尺度进行边缘精确定位获得清晰的边缘,最后结合数学形态学方法对断裂边缘进行连接。
所述的仿射不变区域的提取方法为:利用Harris角点和边缘进行EBR(Edge-BasedRegion)不变区域的提取,再结合光谱信息对MSER(Maximally Stable Extremal Regions)算法进行改进,提取基于颜色的不变区域CMSER(Colour Maximally Stable ExtremalRegions)。
所述的视觉词袋模型的表示方法为:利用两种不变区域EBR和CMSER将输入影像image1构造成多个影像对象,接着通过角点邻域分解法进行图像块分解,对落入每个图像块内的Harris角点采用SIFT描述子进行描述,然后利用k均值聚类算法对分解的图像块进行聚类,得到k个聚类中心,并指定每个中心作为一个视觉单词,从而得到每个图像块的特征量化向量,最后统计每个对象中单词出现的频次,得到对象的视觉词袋表示,即各个视觉单词的直方图表示。
所述的对象的可视化表达方式为:以对象的质心为原点,用8个方向的,各有一定模值大小的线段表示。
本发明的有益效果是:解决了高空间分辨率遥感影像中对象提取运算量大的问题,有利于缓解高空间分辨率遥感影像中“同谱异物”和“同物异谱”的问题。
附图说明
图1是本发明的总体处理流程图。
具体实施方式
下面结合附图详细描述本发明的具体实施方式。
在步骤101,输入的待处理遥感影像image1为Quick bird的多光谱影像。
在步骤102,图像预处理包括进行图像平滑以减少噪声的影响,通过改变图像的灰度等级以提高影像对比度及突出边缘或地物。
在步骤103,线性尺度空间利用高斯核函数进行变换,保证在Harris特征点的提取过程中,随着尺度的增加不会增加新的极值点,变换公式如下:
其中,σ为尺度系数,分别取2、4、8、16和32共5个尺度构成线性尺度空间。
在步骤104,非线性尺度空间采用适应性更强的各向异性热扩散方程,其迭代方程如下:
It+1=It+λ(cNx,y▽N(It)+cSx,y▽S(It)+cEx,y▽E(It)+cWx,y▽W(It))
其中,I为图像,▽N(It)、▽S(It)、▽E(It)和▽W(It)分别是四个方向的偏导,cNx,y、cSx,y、cEx,y和cWx,y分别是四个方向上的导热系数。λ是平滑系数,取值为50。
在步骤105,Harris角点的提取方法为:给定图像分层数初值为2,对Harris角点进行检测,从最大尺度的图像开始,将其中的每个点分别独立成一个分组,记为分组中心点,设定一个欧式距离阈值10,从大尺度到小尺度依次搜索每一层图像,将距离某一分组中心点小于阈值10的点归并到对应分组中,分组结束后,在每个角点分组中搜索最大角点度量值并保留作为表示该局部结构的角点,以1为步长递增分层数,比较每次获得的角点的数量,当角点数量达到稳定时,认为这时的检测准确性最高,对应的分层数确定为最佳分层数。
在步骤106,利用Canny边缘检测算法6个尺度中提取边缘,通过设置阈值50对不同尺度上的边缘进行匹配处理,大尺度上保留大范围的边缘,小尺度上保留小范围的边缘,由大尺度向小尺度进行边缘精确定位获得清晰的边缘,最后结合数学形态学的开闭运算方法对断裂边缘进行连接。
在步骤107,仿射不变区域的提取方法为:利用Harris角点和边缘进行EBR(Edge-Based Region)不变区域的提取,再结合光谱信息对MSER(Maximally Stable ExtremalRegions)算法进行改进,提取基于颜色的不变区域CMSER(Colour Maximally StableExtremal Regions)。
在步骤108,采用SIFT描述子进行描述。
在步骤109,通过角点邻域分解法进行图像块分解。
在步骤110,几何步骤108和步骤109的结果,综合描述图像块。
在步骤111,对落入每个图像块内的Harris角点采用SIFT描述子进行描述,然后利用k均值聚类算法对分解的图像块进行聚类,得到k个聚类中心,其中k=15。
在步骤112,指定步骤111中得到的每个聚类中心作为一个视觉单词,从而得到每个图像块的特征量化向量,最后统计每个对象中单词出现的频次,得到对象的视觉词袋表示,即各个视觉单词的直方图表示。
在步骤113,以对象的质心为原点,用8个方向的,各有一定模值大小的线段表示。
Claims (7)
1.一种基于局部不变特征的遥感影像对象表达方法,其特征在于包括以下步骤:
步骤1:对输入遥感影像image1进行预处理,得到处理后的遥感影像image2;
步骤2:分别对遥感影像image2进行线性尺度空间表达和非线性尺度空间表达;
步骤3:线性尺度空间中,提取影像image2的Harris角点;
步骤4:在非线性尺度空间中,对影像image2进行多尺度边缘提取;
步骤5:提取影像image2的仿射不变区域;
步骤6:以步骤5中的仿射不变区域为单元,将遥感影像image1分解为图像块集合imgset;
步骤7:对图像块集合imgset运用视觉词袋模型进行表示;
步骤8:遥感影像中对象的可视化表达;
所述的Harris角点的提取方法为:预先选择一个图像分层数N,对Harris角点进行检测,从最大尺度的图像开始,将其中的每个点分别独立成一个分组,记为分组中心点,设定一个欧式距离阈值D,从大尺度到小尺度依次搜索每一层图像,将距离某一分组中心点小于阈值D的点归并到对应分组中,分组结束后,在每个角点分组中搜索最大角点度量值并保留作为表示该局部结构的角点,以1为步长递增分层数,比较每次获得的角点的数量,当角点数量达到稳定时,认为这时的检测准确性最高,对应的分层数确定为最佳分层数;
所述的多尺度边缘提取方法为:利用Canny边缘检测算法的高检测率、精确定位和明确响应三条标准的思想,分别从不同尺度中提取边缘,通过设置阈值对不同尺度上的边缘进行匹配处理,大尺度上保留大范围的边缘,小尺度上保留小范围的边缘,由大尺度向小尺度进行边缘精确定位获得清晰的边缘,最后结合数学形态学方法对断裂边缘进行连接。
2.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于预处理的内容包括进行图像平滑以减少噪声的影响,通过改变图像的灰度等级以提高影像对比度及突出边缘或地物。
3.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于线性尺度空间利用高斯核函数进行变换,保证在Harris特征点的提取过程中,随着尺度的增加不会增加新的极值点,变换公式如下:
4.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于非线性尺度空间采用适应性更强的各向异性热扩散方程,其迭代方程如下:
其中,I为图像,和分别是四个方向的偏导,cNx,y、cSx,y、cEx,y和cWx,y分别是四个方向上的导热系数。
5.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于仿射不变区域的提取方法为:利用Harris角点和边缘进行EBR(Edge-Based Region)不变区域的提取,再结合光谱信息对MSER(Maximally Stable Extremal Regions)算法进行改进,提取基于颜色的不变区域CMSER(Colour Maximally Stable Extremal Regions)。
6.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于视觉词袋模型的表示方法为:利用两种不变区域EBR和CMSER将输入影像image1构造成多个影像对象,接着通过角点邻域分解法进行图像块分解,对落入每个图像块内的Harris角点采用SIFT描述子进行描述,然后利用k均值聚类算法对分解的图像块进行聚类,得到k个聚类中心,并指定每个中心作为一个视觉单词,从而得到每个图像块的特征量化向量,最后统计每个对象中单词出现的频次,得到对象的视觉词袋表示,即各个视觉单词的直方图表示。
7.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于对象的可视化表达方式为:以对象的质心为原点,用8个方向的,各有一定模值大小的线段表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510221024.4A CN104794725B (zh) | 2015-05-04 | 2015-05-04 | 一种基于局部不变特征的遥感影像对象表达方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510221024.4A CN104794725B (zh) | 2015-05-04 | 2015-05-04 | 一种基于局部不变特征的遥感影像对象表达方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104794725A CN104794725A (zh) | 2015-07-22 |
CN104794725B true CN104794725B (zh) | 2017-08-04 |
Family
ID=53559505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510221024.4A Expired - Fee Related CN104794725B (zh) | 2015-05-04 | 2015-05-04 | 一种基于局部不变特征的遥感影像对象表达方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794725B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881801B (zh) * | 2020-07-22 | 2022-08-16 | 中国测绘科学研究院 | 基于不变检测策略的新增建设用地遥感监测方法及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496034B (zh) * | 2011-11-29 | 2013-07-31 | 南京师范大学 | 基于直线单词的高空间分辨率遥感图像词袋分类方法 |
CN103530633B (zh) * | 2013-10-09 | 2017-01-18 | 深圳大学 | 一种图像局部不变特征的语义映射方法及语义映射系统 |
CN104408458B (zh) * | 2014-12-09 | 2017-09-26 | 西安电子科技大学 | 基于射线补全区域图和特征学习的sar图像分割方法 |
-
2015
- 2015-05-04 CN CN201510221024.4A patent/CN104794725B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104794725A (zh) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN107368807B (zh) | 一种基于视觉词袋模型的监控视频车型分类方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
Xiao et al. | Shadow removal from single rgb-d images | |
Shihavuddin et al. | Automated classification and thematic mapping of bacterial mats in the north sea | |
CN102842133B (zh) | 一种局部特征描述方法 | |
CN111126296A (zh) | 水果定位方法及装置 | |
CN112926592B (zh) | 一种基于改进Fast算法的商标检索方法及装置 | |
CN104794725B (zh) | 一种基于局部不变特征的遥感影像对象表达方法 | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
CN106603888A (zh) | 图像颜色提取处理结构 | |
Zihao et al. | Printed Surface Defect Detection Model Based on Positive Samples. | |
Li et al. | Color and texture feature fusion using kernel PCA with application to object-based vegetation species classification | |
CN107818579B (zh) | 基于四元数Gabor滤波的彩色纹理特征提取方法 | |
Wei et al. | Method for vortex shape retrieval and area calculation based on convex hull algorithm | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
Sushma et al. | Text detection in color images | |
Qing et al. | Image haze removal using depth-based cluster and self-adaptive parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170804 |
|
CF01 | Termination of patent right due to non-payment of annual fee |