CN107133360A - 一种大尺度遥感影像特征点库的构建方法 - Google Patents

一种大尺度遥感影像特征点库的构建方法 Download PDF

Info

Publication number
CN107133360A
CN107133360A CN201710396095.7A CN201710396095A CN107133360A CN 107133360 A CN107133360 A CN 107133360A CN 201710396095 A CN201710396095 A CN 201710396095A CN 107133360 A CN107133360 A CN 107133360A
Authority
CN
China
Prior art keywords
remote sensing
tile
sensing image
characteristic point
large 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.)
Granted
Application number
CN201710396095.7A
Other languages
English (en)
Other versions
CN107133360B (zh
Inventor
张小国
韦国钧
何荣开
黄鸿飞
王庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201710396095.7A priority Critical patent/CN107133360B/zh
Publication of CN107133360A publication Critical patent/CN107133360A/zh
Application granted granted Critical
Publication of CN107133360B publication Critical patent/CN107133360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种大尺度遥感影像特征点库的构建方法，首先确定瓦片的尺寸，结合遥感影像的分辨率信息对其进行重叠网格划分，从而实现遥感影像的分割，通过SIFT/SURF等特征点检测算法提取每块瓦片的特征点及描述子数据，并将特征点对应坐标信息及描述子用R*树作索引存入空间数据库。本专利生成的特征点空间数据库可用于遥感影像快速拼接模板或变化快速发现检测，相较于传统技术，该方法将特征点检测作为预处理，避免重复检测，可提高处理效率。

Description

一种大尺度遥感影像特征点库的构建方法
技术领域
本发明涉及图像处理领域，特别涉及遥感影像快速拼接或土地调查中利用无人机影像快速发现变化用地的技术。
背景技术
近年来，无人机遥感以低成本、机动灵活、快速响应等优势，在土地监测监察领域显示出了广阔的应用前景。目前，在区域尺度上利用低空遥感影像快速检测土地变化信息，已成为一种新型的国土资源动态监测技术手段。宋丹妮等在“基于遥感影像的单县土地利用动态变化分析”中通过2000年和2009年两期遥感影像的配准、裁剪、监督分类等操作对单县的土地动态变化进行分析。付萧等在“利用无人机影像进行山区土地利用信息动态监测”中通过彭州两期无人机遥感影像采用面向对象的分析技术获取土地利用信息的变化量。这些方法都需要获得监察区的完整遥感影像。
现行无人机遥感影像拼接检测技术一般都需要空中飞行、地面布控和室内成图三个步骤，才可能应用于国土资源管理，其中地面布控需要大量专业人员使用专业的测量仪器到现场实测，在山区、河流、森林等地面特征不明显区域，人员无法到达或精确定位，地面控制点的获取往往存在困难或根本不可能，费时费力成效甚微。
发明内容
为解决上述问题，本发明公开了一种大尺度遥感影像特征点库的构建方法，该方法把旧时相遥感影像的特征点检测作为预处理，在检测土地变化信息或遥感影像快速拼接时，避免对旧时相影像特征点的反复提取，将新时相影像与旧时相影像之间的对比，转变为与特征点数据的对比，从而大幅提高处理效率。
为达到上述目的，本发明的技术方案如下：
一种大尺度遥感影像特征点库的构建方法，包括以下步骤：
步骤1，结合旧时相遥感影像的分辨率，确定所分割瓦片的尺寸及数量，对旧时相遥感影像进行重叠网格划分；
步骤2，分割旧时相遥感影像；
步骤3，通过特征点检测算法提取每块瓦片的特征点数据；
步骤4，将特征点对应坐标信息及描述子数据用R*树作索引存入空间数据库；
作为本发明的优选方案，所述步骤2包括如下步骤：
a，由于特征点描述子数据受到其周围像素的影响，因此为保证从每一张瓦片中提取的特征数据与原影像相同，在分割时应根据特征点检测算法原理，对每块瓦片设置相应数量像素的余量；
b，按一定逻辑顺序读取旧时相遥感影像数据并将相应数据写入对应大小的瓦片。
作为本发明的优选方案，所述步骤3包括如下步骤：
a，根据每块瓦片所设置的余量，即与相邻瓦片的重叠部分，计算出从瓦片中检测到的特征点描述子数据与原影像相同的分界线，一般为重叠部分相应方向的中线；
b，根据特征点检测算法提取每块瓦片中的特征点数据并计算其描述子数据，中线以内部分为该瓦片有效数据。
作为本发明的优选方案，所述步骤4包括如下步骤：
a，分离出从每块瓦片中提取的每个特征点坐标信息及描述子数据，顺序存入数据库；
b，利用R树空间分割的理念，将每个特征点界定在一定大小的矩形区域内；
c，对数据库中的特征点数据写入R*树索引。
本发明的有益效果是：
本发明所述的一种大尺度遥感影像特征点库的构建方法，通过对大尺度旧时相遥感影像进行分割，同时设置好分割余量以确保对每块瓦片提取的特征点及描述子数据与原影像效果相同，并将特征点对应坐标信息及描述子用R*树作索引存入空间数据库。针对传统技术在快速发现变化土地信息时将两期遥感影像的对比，以及遥感影像快速拼接时的大量地面布控，本发明将旧时相遥感影像的特征点提取作为预处理，在检测目标区域土地变化信息或遥感影像快速拼接时，避免了特征点的重复提取，有效的提高了处理效率。
附图说明
图1为本发明所述的构建方法的流程示意图；
图2为影像分割方法示意图（影像左上角九块瓦片）；
图3为每块瓦片重叠部分特征点有效区域示意图。
具体实施方式
下面将结合附图对本发明作进一步描述。
如图1所示，一种大尺度遥感影像特征点库的构建方法，包括以下步骤：
步骤1，通过开源类库GDAL获取旧时相遥感影像的分辨率。GDAL(Geospatial DataAbstraction Library)是一个在X/MIT许可协议下的开源栅格空间数据转换库。其中，旧时相遥感影像如存档在国土局中的测区地图、卫星影像图、无人机影像图等相关的旧时相影像。
步骤2，基于遥感影像的分辨率，以便于特征点检测算法提取特征点数据为准则，确定旧时相遥感影像所分割瓦片的尺寸及数量，从而实现对旧时相遥感影像的重叠网格划分。分割影像时，从影像左上角开始，按一定逻辑（如横向或纵向），通过开源类库GDAL顺序读取影像数据并将数据写入对应大小的瓦片中。根据特征点检测算法SURF的原理，SURF特征点描述子数据受到特征点周围个像素的影响，因此在分割时每块瓦片的边界都应设置20个像素的余量，以确保从每块瓦片中提取的特征数据与原影像效果相同，如图2所示。
步骤3，基于SURF算法提取每块瓦片的特征数据。由于SURF特征点描述子数据受到关键点周围个像素影响，因此对于每块瓦片的重叠部分，应舍去距边界10个像素的特征点，如图3所示。
步骤4，分离出从每块瓦片中提取到的每个关键点的特征数据，顺序存入依托开源类库SQLite构建遥感影像的特征点数据库中，SQLite是一个进程内的、自给自足的、无服务器的、零配置的、事务性的SQL数据库。
步骤5，基于R树空间分割的理念，将每个关键点的特征数据界定在一定的矩形区域内，对特征库中的数据建立R*树索引。
以上所述仅是本发明的优选实施方式，应当指出，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色，这些改进和润色也应视为本发明的保护范围。

Claims (4)

1.一种大尺度遥感影像特征点库的构建方法，其特征在于：包括以下步骤：
步骤1，结合旧时相遥感影像的分辨率，确定所分割瓦片的尺寸及数量，对旧时相遥感影像进行重叠网格划分；
步骤2，分割旧时相遥感影像；
步骤3，通过特征点检测算法提取每块瓦片的特征点数据；
步骤4，将特征点对应坐标信息及描述子用R*树作索引存入空间数据库。
2.根据权利要求1所述的一种大尺度遥感影像特征点库的构建方法，其特征在于：所述步骤2包括如下步骤：
a，由于特征点描述子数据受到其周围像素的影响，因此为保证从每一张瓦片中提取的特征数据与原影像相同，在分割时应根据特征点检测算法原理，对每块瓦片设置相应数量像素的余量；
b，按一定逻辑顺序读取旧时相遥感影像数据并将相应数据写入对应大小的瓦片。
3.根据权利要求1所述的一种大尺度遥感影像特征点库的构建方法，其特征在于：所述步骤3包括如下步骤：
a，根据每块瓦片所设置的余量，即与相邻瓦片的重叠部分，计算出从瓦片中检测到的特征点描述子数据与原影像相同的分界线，一般为重叠部分相应方向的中线；
b，根据特征点检测算法提取每块瓦片中的特征点数据并计算其描述子数据，中线以内部分为该瓦片有效数据。
4.根据权利要求1所述的一种大尺度遥感影像特征点库的构建方法，其特征在于：所述步骤4包括如下步骤：
a，分离出从每块瓦片中提取的每个特征点坐标信息及描述子数据，顺序存入数据库；
b，利用R树空间分割的理念，将每个特征点界定在一定大小的矩形区域内；
c，对数据库中的特征点数据写入R*树索引。
CN201710396095.7A 2017-05-31 2017-05-31 一种大尺度遥感影像特征点库的构建方法 Active CN107133360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710396095.7A CN107133360B (zh) 2017-05-31 2017-05-31 一种大尺度遥感影像特征点库的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710396095.7A CN107133360B (zh) 2017-05-31 2017-05-31 一种大尺度遥感影像特征点库的构建方法

Publications (2)

Publication Number Publication Date
CN107133360A true CN107133360A (zh) 2017-09-05
CN107133360B CN107133360B (zh) 2021-02-02

Family

ID=59734186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710396095.7A Active CN107133360B (zh) 2017-05-31 2017-05-31 一种大尺度遥感影像特征点库的构建方法

Country Status (1)

Country Link
CN (1) CN107133360B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363951A (zh) * 2018-01-11 2018-08-03 东南大学 遥感影像地类识别对应深度学习样本库的自动获取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254303A (zh) * 2011-06-13 2011-11-23 河海大学 遥感图像分割方法及遥感图像检索方法
US20120271686A1 (en) * 2008-05-27 2012-10-25 Lawrence Silverman Method and system for the more efficient utilization and conservation of energy and water resources
CN105469434A (zh) * 2015-12-31 2016-04-06 中南林业科技大学 一种在Android系统上浏览大型遥感影像的方法
CN105701769A (zh) * 2016-01-13 2016-06-22 河海大学 边界灰度分布相关的合成孔径雷达遥感图像分块重构方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120271686A1 (en) * 2008-05-27 2012-10-25 Lawrence Silverman Method and system for the more efficient utilization and conservation of energy and water resources
CN102254303A (zh) * 2011-06-13 2011-11-23 河海大学 遥感图像分割方法及遥感图像检索方法
CN105469434A (zh) * 2015-12-31 2016-04-06 中南林业科技大学 一种在Android系统上浏览大型遥感影像的方法
CN105701769A (zh) * 2016-01-13 2016-06-22 河海大学 边界灰度分布相关的合成孔径雷达遥感图像分块重构方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363951A (zh) * 2018-01-11 2018-08-03 东南大学 遥感影像地类识别对应深度学习样本库的自动获取方法

Also Published As

Publication number Publication date
CN107133360B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
Yang et al. Evaluation of automated urban surface water extraction from Sentinel-2A imagery using different water indices
CN110889327B (zh) 一种基于热红外图像的水域周边排污口智能检测方法
CN107610164A (zh) 一种基于多特征混合的高分四号影像配准方法
CN103489171A (zh) 基于标准色彩库的大范围遥感影像自动化匀光匀色方法
Lin et al. Leveraging optical and SAR data with a UU-Net for large-scale road extraction
CN106969753B (zh) 基于电力设计应用的无人机航拍数据处理方法
Danaher et al. Remote sensing of tree-grass systems: The Eastern Australian Woodlands
Shakya et al. Change over time in grey levels of multispectral landsat 5 TM/8 OLI satellite images
Walter et al. Automatic verification of GIS data using high resolution multispectral data
CN113869133A (zh) 遥感影像变化检测方法、装置、设备及存储介质
CN107133360A (zh) 一种大尺度遥感影像特征点库的构建方法
Belfiore et al. Orthorectification and pan-sharpening of worldview-2 satellite imagery to produce high resolution coloured ortho-photos
Coulter et al. Repeat station imaging for rapid airborne change detection
Teodoro et al. Exploration of the OBIA methods available in SPRING non-commercial software to UAV data processing
Liu et al. High-spatial-resolution nighttime light dataset acquisition based on volunteered passenger aircraft remote sensing
Brigante et al. USE OF MULTISPECTRAL SENSORS WITH HIGH SPATIAL RESOLUTION FOR TERRITORIAL AND ENVIRONMENTAL ANALYSIS.
Gecen et al. Road detection from high and low resolution satellite images
Li et al. Algorithm for automatic image dodging of unmanned aerial vehicle images using two-dimensional radiometric spatial attributes
Ratnaparkhi et al. Classification of land use and land cover using remotely sensed data for Parbhani City, Maharashtra, India
Bitelli et al. A land in its setting: remote sensing satellite imagery for the characterization of the Eblaite Chora
Kruse et al. Multispectral, hyperspectral, and LiDAR remote sensing and geographic information fusion for improved earthquake response
Coulter et al. Automated co-registration of multitemporal airborne frame images for near real-time change detection
Li et al. Accurate identification and continuous extraction of fissures in loess areas based on unmanned aerial vehicle visible light images
Chen et al. Rapid change detection of land use in urban regions with the aid of pseudo-variant features
Prakash et al. Change detection in urban built-up volume using deep learning based segmentation techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant