CN105894041A - 基于高光谱遥感影像提取配电网系统中变电站信息的方法 - Google Patents
基于高光谱遥感影像提取配电网系统中变电站信息的方法 Download PDFInfo
- Publication number
- CN105894041A CN105894041A CN201610265726.7A CN201610265726A CN105894041A CN 105894041 A CN105894041 A CN 105894041A CN 201610265726 A CN201610265726 A CN 201610265726A CN 105894041 A CN105894041 A CN 105894041A
- Authority
- CN
- China
- Prior art keywords
- right angle
- classification
- image
- target
- information
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高光谱遥感影像提取配电网系统中变电站信息的方法,它首先采用决策树算法对高光谱遥感影像进行分类处理,其次再对分类后的高光谱遥感影像进行边缘检测获取矢量边缘线;然后对矢量边缘提取直线段,并剔除较短的直线段、保留较长的直线段;接着根据直线段间的邻接关系和夹角约束提取直角点,并统计一定空间区域范围内直角点的密度特征、生成直角点密度特征图像;最后利用大津算法对密度特征图像进行二值化处理,通过连通成分分析提取变电站矢量图斑,从而实现变电站信息的提取,它解决了高光谱遥感影像的分类问题,满足了高光谱遥感影像中变电站信息提取的需要,提高了变电站信息提取的鲁棒性和普适性。
Description
技术领域
本发明涉及一种图像信息处理方法,具体地说是一种基于高光谱遥感影像提取配电网系统中变电站信息的方法,属于电力系统自动化技术领域。
背景技术
随着智能电网以及通讯技术、计算机技术的发展,电力系统向高度信息化、自动化和数字化的方向发展,电网规模的日益扩大。需要管理的电力设备设施数据、用户数据、规划数据等也日益庞大。科学的决策在某种程度上依赖于决策者所掌握的信息量的大小,发电、变电、输电系统均是包含大量信息的复杂系统。基于地理信息(Geographic Information)的配电信息管理可以最大限度地将有关信息集成起来,从而为电力系统决策人员提供一个多元化的决策依据。电网互联技术的发展,导致电力系统地域的扩大,在规划选址、经济运行中涉及诸多关联因素,如资源、人口、经济发展、社会活动等,它们都与地理系统有关,将地理信息作为电力系统管理的主线,能够形象地描述系统,有效地组织数据信息。
基于地理信息的配电信息管理系统是以准确的电子地图为基准,在此基础上进行配电管理的相关应用,如停电管理、设备管理和设备检修等,因此获取准确的变电站信息是重中之重。目前的配电信息管理系统,一般以传统的矢量电子地图作为背景图像,在表现形式上不够清晰直观,并且价格昂贵,大比例尺的地图价格更高,这大大提高了配电信息管理系统的成本。
如何从海量高分辨率高光谱遥感影像数据中高效、精准地提取变电站信息,是高光谱遥感影像智能解译中亟待解决的关键技术问题之一。同时,变电站是遥感影像中典型的、很常见也很重要的地物要素类型,其信息的有效获取,在地理数据更新、地形图测制与修测、城市规划管理等领域均有及其重要的意义。
在遥感图像变电站信息提取方法上,目前应用较为广泛的方法包括:目视解译法、监督分类法、非监督分类法、面向对象的分类算法、人工神经网络法、基于谱间特征与多种指数法、基于空间结构的提取方法等。目前变电站信息提取方法中精度最高的仍是目视解译方法,但其需要投入巨大的人力和时间。而现有基于图像分类、光谱指数和空间结构的方法,往往受到“同物异谱,异物同谱”和地物空间结构的复杂性影响,通常需要后期的人工参与进行识别修正,以提高提取精度。另外,从数据源上,目前已有的方法多数适用于中低空间分辨率的遥感影像,部分提出的高分辨率遥感变电站信息提取方法又往往受影像质量、场景复杂度的影响较大、且需要大量的人工干预,这降低了方法的普适性和自动化程度。
发明内容
针对现有技术的不足,本发明提供了一种基于高光谱遥感影像提取配电网系统中变电站信息的方法,它不仅能够解决高光谱遥感影像的分类问题,而且还能够满足高光谱遥感影像中变电站信息提取的需要,提高高光谱遥感影像变电站信息提取的鲁棒性和普适性。
本发明解决其技术问题采取的技术方案是:基于高光谱遥感影像提取配电网系统中变电站信息的方法,其特征是,包括以下步骤:
一、对高光谱遥感影像进行分类处理:
以类别间不重叠为标准在一个决策树的节点处获取待分类高光谱遥感影像的类别数和类别信息;根据各个类别的样本灰度值进行统计计算,得出各类别高光谱遥感影像在每个波段上的灰度均值和标准差,在每个波段上按照灰度均值的大小对地物类别进行排序;根据交点计算公式计算出每个波段上相邻两个类别的交点,若交点满足可分类标准,则将该交点作为候选阈值记录下来;在当前节点的所有候选阈值中根据最佳阈值的选择标准选择出最佳阈值,以该阈值和阈值对应的波段构建决策规则;该阈值为准将当前待分类高光谱遥感影像的类别划分为两大类,同时统计子节点相关信息;循环上述步骤,一次根据节点信息处理所有节点,完成决策树的构建;在构建决策树时以类别间不重叠为标准,遍历树的所有叶子节点,如果还有包含混合别的叶子节点存在,则降低标准,允许类别轻度重叠,继续构建决策树;
二、从分类后的高光谱遥感影像中提取配电网系统中变电站信息:
利用canny边缘检测算法对高光谱遥感影像进行边缘检测,得到边缘轮廓二值化黑白图,利用生长式直线检测算法,从变电站下边缘一侧逐点估计缝隙上边缘直线轮廓,利用黑白二值化算法确定缝隙下边缘直线轮廓,从而获取矢量边缘线;分别对每一条矢量边缘线进行道格拉斯—普克分裂提取直线段,并按照长度阈值约束剔除较短的直线段,只保留较长的直线段;根据直线段间的邻接关系和夹角约束提取直角点,并统计一定空间区域范围内直角点的密度特征以及生成直角点密度特征图像,且生成的直角点密度特征图像与高光谱遥感图像具有相同的空间范围和空间分辨率;利用大津算法对直角点密度特征图像进行二值化处理,并通过连通成分分析提取变电站矢量图斑。
作为一种优选方案,在对高光谱遥感影像进行分类处理过程中,进行构建决策树之前,根据已有知识和经验确定存在的地物类别,确定训练区,对每个类别进行一定数量的样本采集,通过统计计算获得建树所需要的先验知识;在建立二叉决策树时,从根节点开始,对每一个节点判断其所含类别的可分性,确定在该节点处选用哪个波段作为决策特征以及决策阈值的大小;若可分,则完善该节点的信息。
作为一种优选方案,对高光谱遥感影像进行分类处理的具体过程为:
(1)在一个决策树的节点处,获得待分类的类别数和类别信息;
(2)根据各个类别的样本灰度值进行统计计算,得出各类别在每个波段上的灰度均值和标准差,并在每个波段上按照灰度均值的大小对地物类别进行排序;
(3)根据交点计算公式计算出每个波段上相邻两个类别间的交点,若该交点满足可分类标准,则将该交点作为当前候选阈值记录下来,所述交点计算公式为:(σ1μ1+σ2μ2)/(σ1+σ2),其中,μ1、μ2、σ1、σ2分别是交点所对应两个类别在特征空间的均值和标准差;
(4)在当前节点的所有候选阈值之中,根据最佳阈值选择的标准选择出最佳阈值,此阈值可以划分当前特征空间;
(5)以该阈值为准当前处理的节点就可以生成两个子节点,左子节点包含特征值小于阈值的类别,右子节点包含特征值大于阈值的类别,同时统计子节点的类别数和类别信息;
(6)循环上述步骤,依次根据节点信息,处理所有节点,完成决策树的构建。
上述方法中,在确定阈值的时候要考虑两个问题:(1)要确保找出当前节点所有真正的阈值;(2)在判断一个交点是否可以当作阈值插入时,需要判断该将该交点作为的阈值是否对当前节点所有待区分类别有效。在决策特征和阈值的选择中要解决的关键问题是:由于高光谱数据的冗余度较高,相近波段可能包含的信息十分接近,这就会使得在这些波段上地物的特征分布曲线也十分相似,可通过计算均值间的标准距离来选择出最佳的波段和最佳的阈值,计算均值间的标准距离的公式为:|μ1-μ2|/(σ1+σ2),其中,μ1、μ2、σ1、σ2分别是交点所对应两个类别在特征空间的均值和标准差。μ1、μ2差距越大,类间距离越大;σ1、σ2越小,则类内聚性越好,取d最大时所对应的阈值作为当前节点的判断规则。这样可以保证所选的阈值可以很好地区分两种类别,所用的波段的优势大于其他波段。
作为一种优选方案,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,利用黑白二值化算法确定缝隙下边缘直线轮廓的过程为:
(1)将所有灰度级的统计值初始化赋0;
(2)采用逐行扫描方式寻找边缘点,测算边缘点8邻域及边缘点位置共9个点的灰度变化范围,将该范围内所有灰度级的统计权重增量赋1,对其他的边缘点也做相同的操作,得到累积边缘点可视灰度范围直方图;
(3)将累积边缘点可视灰度范围直方图的峰值所对应的灰度级作为图像二值化的最优阈值;若峰值不唯一,则取各个峰值对应灰度级的平均值作为最优阈值;
(4)将原始灰度图像中大于最优阈值的灰度级置为1,小于或等于该阈值的灰度级置为0,得到二值化图像。
作为一种优选方案,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,对矢量边缘线的处理过程为:
(1)对于某一矢量的曲线AB,曲线的两个端点标记为A、B,A、B之间的直线段记为曲线的弦计算曲线上的点到弦的距离,其中,点C为距离最大的点、且距离值记为
(2)如果距离小于一定的阈值,则获取直线段AB,结束该曲线的判别;否则,如果距离大于一定的阈值,则点C保留下来作为新的顶点,同时曲线分裂为曲线AC、曲线CB;
(3)继续对分裂产生的两条曲线AC、CB按照步骤(1)和(2)进行处理直至不再产生新的曲线,即,如果曲线AC上的顶点D到弦的距离仍然大于预设阈值,则顶点D保留下来作为新的顶点,同时产生新的曲线AD、DC,接着分别重复步骤(1)和(2);同样,计算如果曲线CB上的顶点E到弦的距离仍然大于预设阈值,则顶点E保留下来作为新的顶点,同时产生新的曲线CE、EB,接着分别重复步骤(1)和(2)。
作为一种优选方案,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,对直线段的处理过程为:
(1)对某一直线段的一个端点,搜索距离该端点一定空间距离阈值内的所有直线段,并检查是否有其他直线段与该直线段垂直;如果存在垂直该直线段的直线段,则求取两垂直直线的交点作为直角点;
(2)对上述直线段的另一端点做与步骤(1)相同的处理获取直角点,如果获取的直角点与已有的直角点不重复,则作为新的直角点;反之,不保留该直角点;
(3)继续用按照步骤(1)和(2)处理其它直线段,直至所有的直线段判别完成,则可以生成该高分辨率遥感图像上的所有直角点;
(4)生成一个新的直角点密度特征图像,该直角点密度特征图像与高分辨率遥感图像具有相同的空间范围和空间分辨率,且图像的每一个像素值标记为0;
(5)对直角点密度特征图像按照一定的规则进行分块,每一块呈正方形、且块与块之间无重叠;
(6)计算每一块内直角点的数量n,同时该块内直角点密度特征图像的像素值标记为n,直至所有的块处理完毕,其中,n为正整数。
作为一种优选方案,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,对直角点密度特征图像进行二值化处理提取变电站矢量图斑过程为:
(1)对直角点密度特征图像采用大津算法进行聚类处理,把直角点密度特征图像的每一像素按像素值分成两类,即变电站信息类和非变电站信息类;
(2)对变电站信息类的像素进行4连通的连通成分分析,对获取的连通成分进行栅格矢量化处理生成变电站矢量图斑。
本发明的有益效果如下:
本发明首先采用决策树算法对高光谱遥感影像进行分类处理来解决高光谱遥感影像的分类问题,在构建决策树时以类别间不重叠为标准,遍历树的所有叶子节点,如果还有包含混合别的叶子节点存在,则降低标准,允许类别轻度重叠,继续构建决策树;该决策树算法可以获得精度较高的分类结果,同时可以从最大程度上区分地物,提高了高光谱遥感影像分类的效率和精度。
本发明在提取配电网系统中变电站信息的过程中,利用canny边缘检测算法进行边缘检测,利用生长式直线检测算法和二值化直线检测算法,有效寻找出缝隙上下轮廓边缘走向,从而获取矢量边缘线,且采用利用黑白二值化算法确定缝隙下边缘直线轮廓得到的二值化图像细节信息丰富;改进了直角点的提取方法,使用邻近直线段求交生成直角点,使直角点提取更加鲁棒,克服了常规的角点检测方法受影像质量、场景复杂度和自然地物影响的弱点;通过直角点密度强度特征分析获取了高光谱遥感影像的变电站和非变电站信息,极大地提高了高光谱遥感影像变电站信息提取的精度和效果。相比现有的变电站信息提取方法,本发明的的鲁棒性和普适性更好。
本发明不仅解决了高光谱遥感影像的分类问题,而且还满足了高光谱遥感影像中变电站信息提取的需要,提高了高光谱遥感影像变电站信息提取的鲁棒性和普适性。
附图说明
图1为本发明的方法流程图;
图2为本发明对高光谱遥感影像进行分类处理的流程图;
图3为本发明提取配电网系统中变电站信息的流程图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1、图2和图3所示,本发明的一种基于高光谱遥感影像提取配电网系统中变电站信息的方法,它包括以下两个步骤:
一、对高光谱遥感影像进行分类处理:
以类别间不重叠为标准在一个决策树的节点处获取待分类高光谱遥感影像的类别数和类别信息;根据各个类别的样本灰度值进行统计计算,得出各类别高光谱遥感影像在每个波段上的灰度均值和标准差,在每个波段上按照灰度均值的大小对地物类别进行排序;根据交点计算公式计算出每个波段上相邻两个类别的交点,若交点满足可分类标准,则将该交点作为候选阈值记录下来;在当前节点的所有候选阈值中根据最佳阈值的选择标准选择出最佳阈值,以该阈值和阈值对应的波段构建决策规则;该阈值为准将当前待分类高光谱遥感影像的类别划分为两大类,同时统计子节点相关信息;循环上述步骤,一次根据节点信息处理所有节点,完成决策树的构建;在构建决策树时以类别间不重叠为标准,遍历树的所有叶子节点,如果还有包含混合别的叶子节点存在,则降低标准,允许类别轻度重叠,继续构建决策树;
二、从分类后的高光谱遥感影像中提取配电网系统中变电站信息:
利用canny边缘检测算法对高光谱遥感影像进行边缘检测,得到边缘轮廓二值化黑白图,利用生长式直线检测算法,从变电站下边缘一侧逐点估计缝隙上边缘直线轮廓,利用黑白二值化算法确定缝隙下边缘直线轮廓,从而获取矢量边缘线;分别对每一条矢量边缘线进行道格拉斯—普克分裂提取直线段,并按照长度阈值约束剔除较短的直线段,只保留较长的直线段;根据直线段间的邻接关系和夹角约束提取直角点,并统计一定空间区域范围内直角点的密度特征以及生成直角点密度特征图像,且生成的直角点密度特征图像与高光谱遥感图像具有相同的空间范围和空间分辨率;利用大津算法对直角点密度特征图像进行二值化处理,并通过连通成分分析提取变电站矢量图斑。
作为一种优选方案,在对高光谱遥感影像进行分类处理过程中,进行构建决策树之前,根据已有知识和经验确定存在的地物类别,确定训练区,对每个类别进行一定数量的样本采集,通过统计计算获得建树所需要的先验知识;在建立二叉决策树时,从根节点开始,对每一个节点判断其所含类别的可分性,确定在该节点处选用哪个波段作为决策特征以及决策阈值的大小;若可分,则完善该节点的信息。
如图2所示,作为一种优选方案,对高光谱遥感影像进行分类处理的具体过程为:
(1)在一个决策树的节点处,获得待分类的类别数和类别信息;
(2)根据各个类别的样本灰度值进行统计计算,得出各类别在每个波段上的灰度均值和标准差,并在每个波段上按照灰度均值的大小对地物类别进行排序;
(3)根据交点计算公式计算出每个波段上相邻两个类别间的交点,若该交点满足可分类标准,则将该交点作为当前候选阈值记录下来,所述交点计算公式为:(σ1μ1+σ2μ2)/(σ1+σ2),其中,μ1、μ2、σ1、σ2分别是交点所对应两个类别在特征空间的均值和标准差;
(4)在当前节点的所有候选阈值之中,根据最佳阈值选择的标准选择出最佳阈值,此阈值可以划分当前特征空间;
(5)以该阈值为准当前处理的节点就可以生成两个子节点,左子节点包含特征值小于阈值的类别,右子节点包含特征值大于阈值的类别,同时统计子节点的类别数和类别信息;
(6)循环上述步骤,依次根据节点信息,处理所有节点,完成决策树的构建。
作为一种优选方案,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,利用黑白二值化算法确定缝隙下边缘直线轮廓的过程为:
(1)将所有灰度级的统计值初始化赋0;
(2)采用逐行扫描方式寻找边缘点,测算边缘点8邻域及边缘点位置共9个点的灰度变化范围,将该范围内所有灰度级的统计权重增量赋1,对其他的边缘点也做相同的操作,得到累积边缘点可视灰度范围直方图;
(3)将累积边缘点可视灰度范围直方图的峰值所对应的灰度级作为图像二值化的最优阈值;若峰值不唯一,则取各个峰值对应灰度级的平均值作为最优阈值;
(4)将原始灰度图像中大于最优阈值的灰度级置为1,小于或等于该阈值的灰度级置为0,得到二值化图像。
采用利用黑白二值化算法确定缝隙下边缘直线轮廓得到的二值化图像细节信息丰富,由于累积边缘点可视范围直方图能判断不同阈值选取所能保留重要跃变信息的多少,因此当阈值选取累积边缘点可视范围直方图的峰值所对应的灰度时,可以确保最大限度地保留图像重要跃变信息。
作为一种优选方案,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,对矢量边缘线的处理过程为:
(1)对于某一矢量的曲线AB,曲线的两个端点标记为A、B,A、B之间的直线段记为曲线的弦计算曲线上的点到弦的距离,其中,点C为距离最大的点、且距离值记为
(2)如果距离小于一定的阈值,则获取直线段AB,结束该曲线的判别;否则,如果距离大于一定的阈值,则点C保留下来作为新的顶点,同时曲线分裂为曲线AC、曲线CB;
(3)继续对分裂产生的两条曲线AC、CB按照步骤(1)和(2)进行处理直至不再产生新的曲线,即,如果曲线AC上的顶点D到弦的距离仍然大于预设阈值,则顶点D保留下来作为新的顶点,同时产生新的曲线AD、DC,接着分别重复步骤(1)和(2);同样,计算如果曲线CB上的顶点E到弦的距离仍然大于预设阈值,则顶点E保留下来作为新的顶点,同时产生新的曲线CE、EB,接着分别重复步骤(1)和(2)。
作为一种优选方案,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,对直线段的处理过程为:
(1)对某一直线段的一个端点,搜索距离该端点一定空间距离阈值内的所有直线段,并检查是否有其他直线段与该直线段垂直;如果存在垂直该直线段的直线段,则求取两垂直直线的交点作为直角点;
(2)对上述直线段的另一端点做与步骤(1)相同的处理获取直角点,如果获取的直角点与已有的直角点不重复,则作为新的直角点;反之,不保留该直角点;
(3)继续用按照步骤(1)和(2)处理其它直线段,直至所有的直线段判别完成,则可以生成该高分辨率遥感图像上的所有直角点;
(4)生成一个新的直角点密度特征图像,该直角点密度特征图像与高分辨率遥感图像具有相同的空间范围和空间分辨率,且图像的每一个像素值标记为0;
(5)对直角点密度特征图像按照一定的规则进行分块,每一块呈正方形、且块与块之间无重叠;
(6)计算每一块内直角点的数量n,同时该块内直角点密度特征图像的像素值标记为n,直至所有的块处理完毕,其中,n为正整数。
作为一种优选方案,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,对直角点密度特征图像进行二值化处理提取变电站矢量图斑过程为:
(1)对直角点密度特征图像采用大津算法进行聚类处理,变电站信息类和非变电站信息类的特征图像像素值服从一个双峰分布,二者之间必然存在一个分割阈值,利用大津算法方法可以找到最佳的分割阈值,然后把直角点密度特征图像的每一像素按像素值分成两类,即变电站信息类和非变电站信息类;
(2)对变电站信息类的像素进行4连通的连通成分分析,对获取的连通成分进行栅格矢量化处理生成变电站矢量图斑。
连通成分分析的具体过程是:
第一编扫描:逐行的搜索整个图像R,对于每个非零像素R(i,j)赋一个非零的值v。根据邻域像素的标号来选择v值,其中邻域的性质是4连通。如果所有的邻域都是背景像素,则R(i,j)被赋予一个新的标号;如果仅有一个邻域像素有非零标号,那么就把这个标号赋予像素R(i,j);如果邻域中有不止非零像素,则把这些像素中的任意一个的标号赋予要标注的像素。如果邻域的标号有不同的,即标号冲突,则将标号对作为等价的保存起来。等价对被保存在单独的数据结构——等价表中。
第二遍扫描:所有的区域像素在第一编扫描时被标注了,但是一些区域存在具有不同标号的像素(由于标号冲突)。再一遍扫描图像,使用等价表的信息重新标注像素(例如用等价表中的最小值)。当目标的形状是U形、E形的镜像等时,经常会发生标号冲突。等价表是一个出现在图像中的所有标号对的列表;所有的等价标号在第二步中被用一个唯一的标号代替。因为通常标号冲突的数目事先不知道,所以为把等价表保存在数组中必须分配足够的空间。推荐使用动态分配的数据结构。更进一步,如果指针被赋予标号标识,第二遍图像扫描就没有必要了,而且仅仅重写这些指针所指的标号会更快一些。算法在4-邻域和8-邻域的情况下基本相同,不同点仅在邻域掩模的形状上。为了便于在第二遍扫描中对区域进行简单计数,给区域赋予递增的标号是有用的。
以上所述只是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也被视为本发明的保护范围。
Claims (7)
1.基于高光谱遥感影像提取配电网系统中变电站信息的方法,其特征是,包括以下步骤:
一、对高光谱遥感影像进行分类处理:
以类别间不重叠为标准在一个决策树的节点处获取待分类高光谱遥感影像的类别数和类别信息;根据各个类别的样本灰度值进行统计计算,得出各类别高光谱遥感影像在每个波段上的灰度均值和标准差,在每个波段上按照灰度均值的大小对地物类别进行排序;根据交点计算公式计算出每个波段上相邻两个类别的交点,若交点满足可分类标准,则将该交点作为候选阈值记录下来;在当前节点的所有候选阈值中根据最佳阈值的选择标准选择出最佳阈值,以该阈值和阈值对应的波段构建决策规则;该阈值为准将当前待分类高光谱遥感影像的类别划分为两大类,同时统计子节点相关信息;循环上述步骤,一次根据节点信息处理所有节点,完成决策树的构建;在构建决策树时以类别间不重叠为标准,遍历树的所有叶子节点,如果还有包含混合别的叶子节点存在,则降低标准,允许类别轻度重叠,继续构建决策树;
二、从分类后的高光谱遥感影像中提取配电网系统中变电站信息:
利用canny边缘检测算法对高光谱遥感影像进行边缘检测,得到边缘轮廓二值化黑白图,利用生长式直线检测算法,从变电站下边缘一侧逐点估计缝隙上边缘直线轮廓,利用黑白二值化算法确定缝隙下边缘直线轮廓,从而获取矢量边缘线;分别对每一条矢量边缘线进行道格拉斯—普克分裂提取直线段,并按照长度阈值约束剔除较短的直线段,只保留较长的直线段;根据直线段间的邻接关系和夹角约束提取直角点,并统计一定空间区域范围内直角点的密度特征以及生成直角点密度特征图像,且生成的直角点密度特征图像与高光谱遥感图像具有相同的空间范围和空间分辨率;利用大津算法对直角点密度特征图像进行二值化处理,并通过连通成分分析提取变电站矢量图斑。
2.根据权利要求1所述的基于高光谱遥感影像提取配电网系统中变电站信息的方法,其特征是,在对高光谱遥感影像进行分类处理过程中,进行构建决策树之前,根据已有知识和经验确定存在的地物类别,确定训练区,对每个类别进行一定数量的样本采集,通过统计计算获得建树所需要的先验知识;在建立二叉决策树时,从根节点开始,对每一个节点判断其所含类别的可分性,确定在该节点处选用哪个波段作为决策特征以及决策阈值的大小;若可分,则完善该节点的信息。
3.根据权利要求1所述的基于高光谱遥感影像提取配电网系统中变电站信息的方法,其特征是,对高光谱遥感影像进行分类处理的具体过程为:
(1)在一个决策树的节点处,获得待分类的类别数和类别信息;
(2)根据各个类别的样本灰度值进行统计计算,得出各类别在每个波段上的灰度均值和标准差,并在每个波段上按照灰度均值的大小对地物类别进行排序;
(3)根据交点计算公式计算出每个波段上相邻两个类别间的交点,若该交点满足可分类标准,则将该交点作为当前候选阈值记录下来,所述交点计算公式为:(σ1μ1+σ2μ2)/(σ1+σ2),其中,μ1、μ2、σ1、σ2分别是交点所对应两个类别在特征空间的均值和标准差;
(4)在当前节点的所有候选阈值之中,根据最佳阈值选择的标准选择出最佳阈值,此阈值可以划分当前特征空间;
(5)以该阈值为准当前处理的节点就可以生成两个子节点,左子节点包含特征值小于阈值的类别,右子节点包含特征值大于阈值的类别,同时统计子节点的类别数和类别信息;
(6)循环上述步骤,依次根据节点信息,处理所有节点,完成决策树的构建。
4.根据权利要求1所述的基于高光谱遥感影像提取配电网系统中变电站信息的方法,其特征是,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,利用黑白二值化算法确定缝隙下边缘直线轮廓的过程为:
(1)将所有灰度级的统计值初始化赋0;
(2)采用逐行扫描方式寻找边缘点,测算边缘点8邻域及边缘点位置共9个点的灰度变化范围,将该范围内所有灰度级的统计权重增量赋1,对其他的边缘点也做相同的操作,得到累积边缘点可视灰度范围直方图;
(3)将累积边缘点可视灰度范围直方图的峰值所对应的灰度级作为图像二值化的最优阈值;若峰值不唯一,则取各个峰值对应灰度级的平均值作为最优阈值;
(4)将原始灰度图像中大于最优阈值的灰度级置为1,小于或等于该阈值的灰度级置为0,得到二值化图像。
5.根据权利要求1所述的基于高光谱遥感影像提取配电网系统中变电站信息的方法,其特征是,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,对矢量边缘线的处理过程为:
(1)对于某一矢量的曲线AB,曲线的两个端点标记为A、B,A、B之间的直线段记为曲线的弦计算曲线上的点到弦的距离,其中,点C为距离最大的点、且距离值记为
(2)如果距离小于一定的阈值,则获取直线段AB,结束该曲线的判别;否则,如果距离大于一定的阈值,则点C保留下来作为新的顶点,同时曲线分裂为曲线AC、曲线CB;
(3)继续对分裂产生的两条曲线AC、CB按照步骤(1)和(2)进行处理直至不再产生新的曲线,即,如果曲线AC上的顶点D到弦的距离仍然大于预设阈值,则顶点D保留下来作为新的顶点,同时产生新的曲线AD、DC,接着分别重复步骤(1)和(2);同样,计算如果曲线CB上的顶点E到弦的距离仍然大于预设阈值,则顶点E保留下来作为新的顶点,同时产生新的曲线CE、EB,接着分别重复步骤(1)和(2)。
6.根据权利要求1所述的基于高光谱遥感影像提取配电网系统中变电站信息的方法,其特征是,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,对直线段的处理过程为:
(1)对某一直线段的一个端点,搜索距离该端点一定空间距离阈值内的所有直线段,并检查是否有其他直线段与该直线段垂直;如果存在垂直该直线段的直线段,则求取两垂直直线的交点作为直角点;
(2)对上述直线段的另一端点做与步骤(1)相同的处理获取直角点,如果获取的直角点与已有的直角点不重复,则作为新的直角点;反之,不保留该直角点;
(3)继续用按照步骤(1)和(2)处理其它直线段,直至所有的直线段判别完成,则可以生成该高分辨率遥感图像上的所有直角点;
(4)生成一个新的直角点密度特征图像,该直角点密度特征图像与高分辨率遥感图像具有相同的空间范围和空间分辨率,且图像的每一个像素值标记为0;
(5)对直角点密度特征图像按照一定的规则进行分块,每一块呈正方形、且块与块之间无重叠;
(6)计算每一块内直角点的数量n,同时该块内直角点密度特征图像的像素值标记为n,直至所有的块处理完毕,其中,n为正整数。
7.根据权利要求1所述的基于高光谱遥感影像提取配电网系统中变电站信息的方法,其特征是,在从分类后的高光谱遥感影像中提取配电网系统中变电站信息的过程中,对直角点密度特征图像进行二值化处理提取变电站矢量图斑过程为:
(1)对直角点密度特征图像采用大津算法进行聚类处理,把直角点密度特征图像的每一像素按像素值分成两类,即变电站信息类和非变电站信息类;
(2)对变电站信息类的像素进行4连通的连通成分分析,对获取的连通成分进行栅格矢量化处理生成变电站矢量图斑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610265726.7A CN105894041A (zh) | 2016-04-26 | 2016-04-26 | 基于高光谱遥感影像提取配电网系统中变电站信息的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610265726.7A CN105894041A (zh) | 2016-04-26 | 2016-04-26 | 基于高光谱遥感影像提取配电网系统中变电站信息的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105894041A true CN105894041A (zh) | 2016-08-24 |
Family
ID=56704646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610265726.7A Pending CN105894041A (zh) | 2016-04-26 | 2016-04-26 | 基于高光谱遥感影像提取配电网系统中变电站信息的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894041A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463622A (zh) * | 2017-07-06 | 2017-12-12 | 西南交通大学 | 一种保持地标建筑形状特征的自动符号化方法 |
CN108647702A (zh) * | 2018-04-13 | 2018-10-12 | 湖南大学 | 一种基于迁移学习的大规模食材图像分类方法 |
CN109961073A (zh) * | 2019-03-29 | 2019-07-02 | 云南电网有限责任公司电力科学研究院 | 一种输电线路及杆塔信息的获取方法及装置 |
CN110334651A (zh) * | 2019-07-05 | 2019-10-15 | 云南电网有限责任公司电力科学研究院 | 一种基于迁移学习的变电站坐标校验方法 |
CN110986889A (zh) * | 2019-12-24 | 2020-04-10 | 国网河南省电力公司检修公司 | 一种基于遥感图像技术的高压变电站全景态监测方法 |
CN112700424A (zh) * | 2021-01-07 | 2021-04-23 | 国网山东省电力公司电力科学研究院 | 一种变电设备带电检测红外检测质量评估方法 |
CN112749752A (zh) * | 2021-01-15 | 2021-05-04 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度Transformer的高光谱影像分类方法 |
CN112862921A (zh) * | 2021-03-05 | 2021-05-28 | 云南电网有限责任公司电力科学研究院 | 一种电网分布图像绘制方法 |
CN113420670A (zh) * | 2021-06-24 | 2021-09-21 | 国网福建省电力有限公司检修分公司 | 基于高分遥感输变电线路迁改环水保监管方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894270A (zh) * | 2010-07-26 | 2010-11-24 | 中国科学院遥感应用研究所 | 面向遥感影像分类的样本自动选取方法 |
CN102496020A (zh) * | 2011-10-31 | 2012-06-13 | 天津大学 | 基于累积边缘点可视灰度范围直方图的图像二值化方法 |
CN102542291A (zh) * | 2011-12-23 | 2012-07-04 | 国网电力科学研究院 | 基于二叉决策树的高光谱遥感影像分类方法 |
CN103065296A (zh) * | 2012-12-14 | 2013-04-24 | 中南大学 | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 |
CN103198479A (zh) * | 2013-03-27 | 2013-07-10 | 西安电子科技大学 | 基于语义信息分类的sar图像分割方法 |
CN104182754A (zh) * | 2014-08-19 | 2014-12-03 | 山东临沂烟草有限公司 | 一种基于高分辨率遥感影像的农村居民点信息提取方法 |
CN104535006A (zh) * | 2015-01-21 | 2015-04-22 | 杭州电子科技大学 | 一种利用透射式照明成像系统的瓶盖缝隙宽度估算方法 |
-
2016
- 2016-04-26 CN CN201610265726.7A patent/CN105894041A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894270A (zh) * | 2010-07-26 | 2010-11-24 | 中国科学院遥感应用研究所 | 面向遥感影像分类的样本自动选取方法 |
CN102496020A (zh) * | 2011-10-31 | 2012-06-13 | 天津大学 | 基于累积边缘点可视灰度范围直方图的图像二值化方法 |
CN102542291A (zh) * | 2011-12-23 | 2012-07-04 | 国网电力科学研究院 | 基于二叉决策树的高光谱遥感影像分类方法 |
CN103065296A (zh) * | 2012-12-14 | 2013-04-24 | 中南大学 | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 |
CN103198479A (zh) * | 2013-03-27 | 2013-07-10 | 西安电子科技大学 | 基于语义信息分类的sar图像分割方法 |
CN104182754A (zh) * | 2014-08-19 | 2014-12-03 | 山东临沂烟草有限公司 | 一种基于高分辨率遥感影像的农村居民点信息提取方法 |
CN104535006A (zh) * | 2015-01-21 | 2015-04-22 | 杭州电子科技大学 | 一种利用透射式照明成像系统的瓶盖缝隙宽度估算方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463622A (zh) * | 2017-07-06 | 2017-12-12 | 西南交通大学 | 一种保持地标建筑形状特征的自动符号化方法 |
CN108647702A (zh) * | 2018-04-13 | 2018-10-12 | 湖南大学 | 一种基于迁移学习的大规模食材图像分类方法 |
CN108647702B (zh) * | 2018-04-13 | 2021-06-01 | 湖南大学 | 一种基于迁移学习的大规模食材图像分类方法 |
CN109961073A (zh) * | 2019-03-29 | 2019-07-02 | 云南电网有限责任公司电力科学研究院 | 一种输电线路及杆塔信息的获取方法及装置 |
CN110334651A (zh) * | 2019-07-05 | 2019-10-15 | 云南电网有限责任公司电力科学研究院 | 一种基于迁移学习的变电站坐标校验方法 |
CN110334651B (zh) * | 2019-07-05 | 2023-06-23 | 云南电网有限责任公司电力科学研究院 | 一种基于迁移学习的变电站坐标校验方法 |
CN110986889A (zh) * | 2019-12-24 | 2020-04-10 | 国网河南省电力公司检修公司 | 一种基于遥感图像技术的高压变电站全景态监测方法 |
CN112700424B (zh) * | 2021-01-07 | 2022-11-11 | 国网山东省电力公司电力科学研究院 | 一种变电设备带电检测红外检测质量评估方法 |
CN112700424A (zh) * | 2021-01-07 | 2021-04-23 | 国网山东省电力公司电力科学研究院 | 一种变电设备带电检测红外检测质量评估方法 |
CN112749752A (zh) * | 2021-01-15 | 2021-05-04 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度Transformer的高光谱影像分类方法 |
CN112749752B (zh) * | 2021-01-15 | 2023-02-03 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度Transformer的高光谱影像分类方法 |
CN112862921A (zh) * | 2021-03-05 | 2021-05-28 | 云南电网有限责任公司电力科学研究院 | 一种电网分布图像绘制方法 |
CN112862921B (zh) * | 2021-03-05 | 2024-04-19 | 云南电网有限责任公司电力科学研究院 | 一种电网分布图像绘制方法 |
CN113420670A (zh) * | 2021-06-24 | 2021-09-21 | 国网福建省电力有限公司检修分公司 | 基于高分遥感输变电线路迁改环水保监管方法 |
CN113420670B (zh) * | 2021-06-24 | 2024-05-14 | 国网福建省电力有限公司检修分公司 | 基于高分遥感输变电线路迁改环水保监管方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894041A (zh) | 基于高光谱遥感影像提取配电网系统中变电站信息的方法 | |
CN107784661B (zh) | 基于区域生长法的变电站设备红外图像分类识别方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN104915636B (zh) | 基于多级框架显著性特征的遥感影像道路识别方法 | |
CN102722712B (zh) | 基于连续度的多尺度高分辨图像目标检测方法 | |
CN113449594A (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN109034233B (zh) | 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 | |
CN103940824A (zh) | 一种空中输电线路绝缘子检测方法 | |
CN104182754A (zh) | 一种基于高分辨率遥感影像的农村居民点信息提取方法 | |
CN111402224B (zh) | 一种用于电力设备的目标识别方法 | |
CN101777124A (zh) | 一种提取视频文本信息的方法及装置 | |
CN110334578A (zh) | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 | |
CN103984946A (zh) | 一种基于K-means的高分辨率遥感地图道路提取方法 | |
CN107545571A (zh) | 一种图像检测方法及装置 | |
CN111209864A (zh) | 一种电力设备目标识别方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN114299394A (zh) | 一种遥感影像智能解译方法 | |
CN105303200A (zh) | 用于手持设备的人脸识别方法 | |
CN110363053A (zh) | 一种遥感影像居民地提取方法及装置 | |
CN113191419B (zh) | 一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法 | |
CN104966091A (zh) | 一种基于无人机遥感影像的露天矿道路提取方法 | |
CN114547968A (zh) | 一种智能变电站图纸的物理回路建模方法 | |
CN114639023A (zh) | 一种基于机器学习的屋顶光伏潜力评估方法 | |
CN113159044A (zh) | 一种基于深度学习的卷积神经网络的道路材质识别方法 | |
CN111414855B (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160824 |