CN107133360B - 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
CN107133360B
CN107133360B CN201710396095.7A CN201710396095A CN107133360B CN 107133360 B CN107133360 B CN 107133360B CN 201710396095 A CN201710396095 A CN 201710396095A CN 107133360 B CN107133360 B CN 107133360B
Authority
CN
China
Prior art keywords
feature point
remote sensing
tile
sensing image
data
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
Application number
CN201710396095.7A
Other languages
English (en)
Other versions
CN107133360A (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

Images

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)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (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
Figure DEST_PATH_IMAGE002
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
Figure 171581DEST_PATH_IMAGE002
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 (1)

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；
具体是通过开源类库GDAL获取旧时相遥感影像的分辨率；GDAL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，旧时相遥感影像包括存档在国土局中的测区地图、卫星影像图、无人机影像图相关的旧时相影像；
步骤2，分割旧时相遥感影像；
具体包括如下步骤：
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；
步骤3，通过特征点检测算法提取每块瓦片的特征点数据；
具体包括如下步骤：
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，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；
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；
具体包括如下步骤：
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 CN107133360A (zh) 2017-09-05
CN107133360B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363951B (zh) * 2018-01-11 2022-02-22 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

Also Published As

Publication number Publication date
CN107133360A (zh) 2017-09-05

Similar Documents

Publication Publication Date Title
Workman et al. Wide-area image geolocalization with aerial reference imagery
Ramiya et al. Segmentation based building detection approach from LiDAR point cloud
Barnsley et al. Distinguishing urban land-use categories in fine spatial resolution land-cover data using a graph-based, structural pattern recognition system
CN103268358B (zh) 多源控制点影像数据库构建及更新方法
CN107092877A (zh) 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法
CN110334578B (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
Hormese et al. Automated road extraction from high resolution satellite images
CN112329559A (zh) 一种基于深度卷积神经网络的宅基地目标检测方法
CN103871072A (zh) 基于投影数字高程模型的正射影像镶嵌线自动提取方法
CN103309982A (zh) 一种基于视觉显著点特征的遥感影像检索方法
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
Sonde et al. Urban sprawl detection and analysis using unsupervised classification of high resolution image data of Jawaharlal Nehru Port Trust area in India
Albrecht et al. Autogeolabel: Automated label generation for geospatial machine learning
Badenko et al. Comparison of software for airborne laser scanning data processing in smart city applications
Shokri et al. Utility poles extraction from mobile LiDAR data in urban area based on density information
Mallinis et al. Development of a nationwide approach for large scale estimation of green roof retrofitting areas and roof-top solar energy potential using VHR natural colour orthoimagery and DSM data over Thessaloniki, Greece
CN107133360B (zh) 一种大尺度遥感影像特征点库的构建方法
CN105631849A (zh) 多边形目标的变化检测方法及装置
CN112166688B (zh) 基于小卫星的沙漠与沙漠化土地监测方法
Su et al. Which CAM is better for extracting geographic objects? A perspective from principles and experiments
Mao et al. City object detection from airborne Lidar data with OpenStreetMap‐tagged superpixels
Yu et al. Abnormal crowdsourced data detection using remote sensing image features
Zhang et al. Semantic segmentation method accelerated quantitative analysis of the spatial characteristics of traditional villages
Zhao et al. Robust shape extraction for automatically segmenting raw LiDAR data of outdoor scenes
Kiani et al. Design and implementation of an expert interpreter system for intelligent acquisition of spatial data from aerial or remotely sensed images

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