CN108021890A - 一种基于plsa和bow的高分遥感影像港口检测方法 - Google Patents
一种基于plsa和bow的高分遥感影像港口检测方法 Download PDFInfo
- Publication number
- CN108021890A CN108021890A CN201711270676.2A CN201711270676A CN108021890A CN 108021890 A CN108021890 A CN 108021890A CN 201711270676 A CN201711270676 A CN 201711270676A CN 108021890 A CN108021890 A CN 108021890A
- Authority
- CN
- China
- Prior art keywords
- image
- harbour
- plsa
- bow
- ndwi
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于PLSA和BOW的高分遥感影像港口检测方法,首先进行影像预处理;提取影像的NDWI和分形维数特征,基于Grabcut图像分割方法得到水岸线,缩小搜索范围;然后将灰度直方图统计、NDWI特征、分形维数纹理特征等,引入PLSA模型生成特征模型;同时将SURF特征引入BOW模型生成视觉词典;随后根据PLSA生成的特征模型和BOW生成的视觉词典,使用SVM分类器得到检测结果,能够在较短时间内完成高分影像的高精度港口检测。本发明有效结合PLSA模型和BOW模型,充分发挥了两种模型的优点,解决了BOW模型“一词多义”和“多词同义”在港口识别中带来的问题;同时加入了水岸线搜索步骤,可有效提高检测精度并减少检测时间。
Description
技术领域
本发明属于摄影测量与遥感领域,特别是涉及一种基于PLSA和BOW的高分遥感影像港口检测方法。
背景技术
遥感是对地观测的重要手段之一。随着诸如IKONOS、Quick Bird、WorldView、GeoEye和高分二号等高分辨率遥感卫星的升空,遥感影像的空间分辨率和时间分辨率都得到了显著提升。高分遥感影像的数据源越来越广、更新越来越快。基于遥感技术的目标检测、城市规划和土地管理等诸多应用具有重要意义。
以上众多的应用中,对港口等主要运输场所的监管十分重要,港口为船舶停泊、旅客上下、货物装卸提供了极大便利。但由于港口地理位置特殊,规模较大,通过人工方式施行实时的监管工作很难实现。综上所述,如何从高分影像进行港口等重要通货集散地的检测识别具有重要的研究意义和应用价值。
然而,纵观近年来高分影像港口识别的研究,主要问题和难点包括:
(1)港口形态结构复杂,检测对环境敏感程度较高
港口形态结构复杂、目标众多。具体来说,港口包含的船舶、建筑、货物和车辆等各类目标在识别上都有不少难点;同一卫星数据仅由于时间、天气、摄影姿态等原因就会导致港口检测阈值的巨大变化。此外,遥感影像相同的光谱特征曲线可能对应着不同的地物,而相同的地物由于光照、时间等原因可能有不同的光谱特征曲线,这些问题更增加了设置港口检测阈值的难度。
(2)不同港口之间差异大、内部目标种类多,给高精度识别增加了压力
港口大小规模差异悬殊,江河的小港口往往仅由一两艘小船以及小仓库构成,所占面积较小;临近海洋的港口往往占地面积大,船舶数目多,设施齐全。大小规模和形态特征的差异悬殊给港口的高精度识别带来了很大困难。此外,如上所述,港口既可以仅包括少量建筑和一两艘船舶,也可以包括诸多建筑物、仓库、货物、大型船只和车辆,繁多的目标给特征层和语义层的描述带来了诸多困难。
(3)中低分辨率影像港口识别的研究方法难以迁移到高分影像
随着卫星硬件水平的提升,近年来高分辨率卫星相继发射升空并投入使用,然而,目前港口识别的研究重点却未能完全从低分辨率中转换到高分辨率影像。同时,由于高分影像空间信息丰富,纹理等特征发生了巨大变化,绝大多数的研究成果无法直接适用于高分辨率数据。而由于影像分辨率的提高,影像中非目标类地物对检测的影响也与此俱增。
(4)目前高分影像港口识别方法仍未解决部分关键技术问题
传统形态特征通过构建特殊模型提取出目标隐含的结构特征,难以高精度识别种类繁多结构复杂的港口。目前,众多高分影像港口目标识别研究中,应用最广泛的两类方法是概率潜在语义分析模型与词袋模型。然而,如何解决港口识别中BOW模型中视觉单词“一词多义”和“多词同义”带来的问题、如何构建出多尺度下保持不变的特征变换模型等诸多关键问题,仍未等到有效解决。
综上,基于高分影像开展港口的高精度识别,具有重要的研究和应用价值。
发明内容
本发明针对现有技术的不足,提供了一种基于概率潜在语义分析模型(PLSA)和词袋模型(BOW)的高分辨率遥感影像港口检测方法。该方法首先提取影像的NDWI和分形维数特征,基于GrabCut图像分割方法得到水岸线,缩小搜索范围;然后将灰度直方图统计、NDWI特征、分形维数纹理特征引入PLSA模型生成特征模型;同时将SURF特征引入BOW模型生成视觉词典;随后根据PLSA生成的特征模型和BOW生成的视觉词典,使用SVM分类器得到检测结果,能够在较短时间内完成高分影像的高精度港口检测。
为了达到上述目的,本发明提供的技术方案是,一种基于PLSA和BOW的高分遥感影像港口检测方法,包括如下步骤:
步骤一,影像预处理,包括对用于收集建立样本库的高分辨率遥感影像和待检测的高分辨率遥感影像中,同一个区域的全色影像和多光谱影像进行影像配准和影像融合;
步骤二,对预处理之后的影像进行水岸线提取;
步骤三,将经过步骤二处理之后的用于收集建立样本库的高分辨率遥感影像进行裁剪,获得包括港口目标正样本和非港口负样本的样本库;
步骤四,提取样本库中各样本的颜色特征、纹理特征、NDWI、SURF,并将提取的颜色特征、NDWI、纹理特征引入PLSA模型生成特征模型,将提取的SURF进行k均值聚类得到的视觉字典作为生成的BOW模型;
步骤五,将PLSA模型与BOW模型所生成的目标描述集作为输入,使用SVM分类器进行特征模型训练,获取港口识别模型;
步骤六,利用训练好的港口识别模型对经过步骤二处理之后的待检测高分辨率遥感影像进行港口目标检测,获得检测结果。
进一步的,步骤1中所述影像配准通过基于SIFT点特征提取方法实现,影像融合通过HSV变换或Pansharpen方法实现。
进一步的,步骤二的实现方式如下,
首先,提取影像的NDWI和分形维数特征;
其中NDWI的提取方式为,读取影像的近红外和绿色波段,使用这两个波段的光谱值进行代数运算得到每个像素位置的NDWI值;
分形维数特征的提取方式为差分盒方法,对影像进行分块,计算每个分块的最大灰度值和最小灰度值,获取每个分块的盒子柱,将盒子柱进行最小二乘拟合,输出分形维数。
其次,基于影像的NDWI和分形维数特征,使用GrabCut方法进行图像分割得到水岸线。
进一步的,步骤三所述样本库中正样本与负样本的数目比为1:2至1:3。
进一步的,步骤四中所述颜色特征为样本的各波段光谱值。
进一步的,步骤四中所述纹理特征包括灰度统计直方图和分形维数特征。
进一步的,步骤四中所述NDWI特征是将每个像素位置的NDWI值线性拉伸至0-255,再对各像素NDWI值取反获得。
进一步的,步骤四中所述SURF点特征的生成步骤为,使用Hessian构造影像金字塔、非极值点抑制初步确定特征点、极值点精确定位、兴趣点主方向确定和SURF特征描述。
与现有技术相比,本发明的优点在于:
(1)有效描述港口的复杂形态,对高分辨率遥感影像港口识别合理有效,查准率和查全率高,错误率低,耗时短,实用性强。
(2)有效结合PLSA模型和BOW模型,充分发挥了两种模型的优点,解决了BOW模型“一词多义”和“多词同义”在港口识别中带来的问题。
(3)在识别过程中,加入水岸线提取环节,有效缩小待检测影像的搜索范围,对港口识别精度有较大改善。
(4)可有效对高维特征进行降维,为横跨语义鸿沟提供了一种解决方案。
本发明具有如下有益效果:
(1)为地理信息产品的生产单位和港口管理检测职能部门提供了一种快速、高效的高分辨率遥感影像港口检测方法,可有效节省人力和信息获取时间。
(2)本方法中的引入水岸线搜索、结合PLSA模型和BOW模型等思路,为高精度港口识别提供了更多的研究点和参考资料。
附图说明
图1为本发明实施例流程图。
图2为本发明实施例中港口目标正样本图例。
图3为本发明实施例中非港口目标负样本图例。
图4为本发明实施例港口检测结果,图中线框为检测到的港口目标。
图5为本发明实施例中计算机程序运行各步骤耗时分析图。
图6为本发明实施例中选取某港口区域的QuickBird遥感影像原始图,图6(a)、6(b)、6(c)分别为三个不同的港口区域;
图7为本发明实施例中针对三个不同港口区域进行水岸线提取之后的结果图,图中黑色区域为水岸线提取算法所判定的非港口目标检测区域;
图8为本发明实施例中针对三个不同港口区域,利用SURF+BOW组合提取港口目标检测结果图,图中线框圈出部分为检测到的港口目标;
图9为本发明实施例中针对三个不同港口区域,利用GRAY+PLSA组合提取港口目标检测结果图,图中线框圈出部分为检测到的港口目标;
图10为本发明实施例中针对三个不同港口区域,利用TEXTURE+PLSA组合提取港口目标检测结果图,图中线框圈出部分为检测到的港口目标;
图11为本发明实施例中针对三个不同港口区域,利用NDWI+PLSA组合提取港口目标检测结果图,图中线框圈出部分为检测到的港口目标;
图12为本发明实施例中针对三个不同港口区域,利用GRAY+TEXTURE+NDWI组合提取港口目标检测结果图,图中线框圈出部分为检测到的港口目标;
图13为本发明实施例中针对三个不同港口区域,利用GRAY+TEXTURE+NDWI+PLSA组合提取港口目标检测结果图,图中线框圈出部分为检测到的港口目标;
图14为本发明实施例中针对三个不同港口区域,利用SURF+BOW+GRAY+TEXTURE+NDWI+PLSA组合提取港口目标检测结果图,图中线框圈出部分为检测到的港口目标。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
图1为本发明实施例一种基于概率潜在语义分析模型(PLSA)和词袋模型(BOW)的高分辨率遥感影像港口检测方法的具体流程图,包括影像预处理、水岸线提取、港口目标特征提取、特征模型提取、分类模型提取步骤,具体实现如下:
步骤一,影像预处理
对用于收集建立样本库的高分辨率遥感影像和待实施港口检测的高分辨率遥感影像均进行影像配准和影像融合这两类预处理工作。
针对同一个区域的全色影像和多光谱影像进行影像配准和融合,影像配准和影像融合用户可使用诸如Envi、Erdas、ArcGIS等常见的遥感图像处理软件,在影像配准和融合等功能模块直接进行处理,用户也可使用Matlab、OpenCV等常见的图像处理工具自行编程,先基于SIFT(尺度不变特征转换)等常见的点特征提取方法提取特征点以进行影像匹配,再使用HSV变换或Pansharpen等常见的影像融合方法自行融合。
全色影像具有高分辨率的特点,而多光谱影像具有丰富颜色信息的特点。将两者先配准再融合,可有效结合两者的优势。
步骤二,对预处理之后的影像进行水岸线提取
首先,提取影像的NDWI和分形维数特征。其中,NDWI特征,即影像的归一化差分水体指数,由于港口独特的地理因素(水陆交界处),因此NDWI特征明显。其提取步骤包括:读取影像的近红外和绿色波段;使用这两个波段的光谱值进行代数运算得到每个像素位置的NDWI值。获取的NDWI值即作为NDWI特征。分形维数特征,是一种典型的图像纹理特征,图像的纹理越复杂,分形维数越大。分形维数的计算方法很多,可选用常用的差分盒方法。其计算步骤包括图像分块;计算每个分块的最大灰度值和最小灰度值;获取每个分块的盒子柱;将盒子柱进行最小二乘拟合;输出分形维数。
其次,基于以上特征,使用GrabCut方法进行图像分割,得到水岸线。GrabCut方法,即,是一种常见的图像分割方法。其实现方法包括基于各特征生成高斯混合模型、迭代能量最小化分割算法两大模块。本发明实施例中基于GrabCut方法的水岸线提取步骤包括:基于获取的NDWI和分形维数特征,生成混合高斯模型;能量初始化;迭代最小化;获得水岸线。
这一步骤均可用户自行在Matlab、OpenCV等常见的图像处理工具中编程实现。
这一步骤的意义在于,不仅能够确认遥感影像中是否存在港口目标,而且能够有效缩小港口检测范围,提高检测效率。若影像中没有水岸线,那么该影像就不可能存在港口。
步骤三,建立港口样本库
首先,建立港口样本库。排除掉待进行港口检测的高分辨率遥感影像,使用经过步骤二含有水岸线的其他高分辨率遥感影像,收集正负样本,构建样本库。
样本收集方法既可使用PhotoShop、Envi、Erdas或ArcGIS等常见的图像处理软件进行裁剪并储存,也可用户自行在在Matlab、OpenCV等常见的图像处理环境中编程提取。
样本库包括正样本和负样本两大类。其中正样本为不同形态结构的港口;负样本为高分影像中常见的其他地物,包括建筑物、水体、植被、道路和裸地等。一般来说,正样本与负样本的数目比以1:2至1:3为宜。
步骤四,生成特征模型
首先,提取样本库各样本的颜色、纹理、NDWI、SURF等特征,作为用以检测的港口知识。其中,颜色特征,即程序读取样本的各波段光谱值,作为特征向量的一部分。纹理特征,选用灰度统计直方图和分形维数特征,其中灰度统计直方图特征可直接由程序先灰度化图像再遍历各像素得到,分形维数特征由步骤二提到的差分盒方法获取。NDVI特征的获取同步骤二。SURF(加速稳健特征)点特征的生成步骤包括使用Hessian构造影像金字塔、非极值点抑制初步确定特征点、极值点精确定位、兴趣点主方向确定和SURF特征描述。值得说明的是,为与颜色特征、纹理特征的变化趋势保持统一,本发明实施例中将NDWI线性拉伸至0-255,再对各像素NDWI值取反(即255减去真实NDWI值)。该操作可方便特征直方图统计,并为引入PLSA模型奠定基础。以上提取均可用户自行在Matlab、OpenCV等常见的图像处理环境中编程实现。
其次,把颜色特征、NDWI、纹理特征等引入PLSA模型生成特征模型。PLSA,即概率潜在语义模型,在文本统计、目标识别等领域有着重要应用。其主题思想是对目标描述特征出现次数进行统计,通过多次迭代使用EM算法,提取其中隐含主题信息。基于PLSA模型生成港口模型特征即输入以上特征,基于EM算法交替通过已提取的目标参数计算隐含信息成分的后验概率的E步骤和基于的所给后验概率并更新参数值的M步骤,采用EM算法对PLSA模型参数进行拟合。从而获得样本的特征模型描述。同时,把基于SURF点特征进行k均值聚类得到的视觉字典作为生成的BOW模型。SURF特征的生成步骤上文已经叙述。
最后,将两种特征模型进行合并处理。即将两者分别的特征向量组成一组特征向量,并再后续步骤中使用支持向量机进行分类。这一步骤的意义在于,充分结合PLSA和BOW模型的优点,更充分有效地描述港口特征。值得说明的是,由于PLSA模型描述能够充分挖掘隐含的语义信息,因而能够克服BOW模型“一词多义”和“多词同义”的问题。
步骤五,SVM训练分类器
将PLSA与BOW所生成的目标描述集作为输入,使用SVM分类器进行特征模型训练,以获取港口识别模型。选用SVM的原因是该方法能在小样本学习中取得较高的预测精度,并对高维特征鲁棒。
步骤六,基于训练得到的分类器实现港口检测
将港口目标以同样的方式进行描述集提取,利用SVM训练得到的分类器实现港口检测。
具体实施时,以上流程可采用计算机软件技术实现自动运行流程。
以下是一组使用本方法进行武汉市港口检测的实施例,并通过定量精度评定说明本发明方法的有效性。
首先,对获取的高分辨率遥感影像,使用ArcGIS软件进行全色与多光谱影像的配准融合。
其次,基于NDWI特征和分形维数特征,使用GrabCut图像分割方法进行水岸线提取。
再次,建立港口样本库,收集500个正样本和1000个负样本。正样本为港口目标,如图2,负样本种类较多,如建筑物、植被、道路、裸地等,如图3。
然后,生成PLSA模型和BOW模型。基于PLSA模型生成时包括模型训练和模型测试这两个部分,采用EM算法对PLSA模型参数进行拟合;在提取影像的SURF特征后,引入BOW模型,利用k均值进行单词聚类,并构建视觉词典。
接下来,基于PLSA生成的特征模型和基于BOW生成的特征模型都作为SVM分类器的特征输入值,训练SVM分类器。分类器的使用主要分为两个部分:训练过程和测试过程。在训练过程中,对样本库中的所有训练样本经过PLSA和BOW生成的特征模型进行训练;在测试过程中,对待检测影像进行同样的特征提取和描述,然后将特征与视觉词典进行配比,找到最相似的特征,利用直方图统计出影像中视觉单词出现概率,基于生成的PLSA和BOW特征模型进行检测。SVM特征参数的选择根据不同的情况应有所调整。本实施例步骤五SVM训练分类器中,采用交叉验证的方式提取分类模型最优参数依次是s=0,t=2,c=80,g=4.4,所对应的港口检测结果如图4矩形框所示,本发明方法能够圈出除右下角一处港口之外的其他所有港口,说明本发明方法的检测效果良好。
采用计算机软件技术实现自动运行流程时,本实施例主要的处理流程主要包括了模板文件获取(PLSA模板生成和视觉词典提取)、特征文件提取(正、负样本特征提取)、分类模型文件生成、获取目标识别结果(水岸线提取和港口提取)。选取了8张大小约为2000×2000的数据进行算法耗时分析。从图5中可以看出,该算法主要耗时集中在PLSA模板生成以及正负样本的特征提取两个步骤。如果不进行水岸线提取,港口识别耗时114-160秒;进行水岸线提取后,港口识别耗时约为80秒。这说明提前进行水岸线提取可有效高港口目标的检测效率。
为充分验证本发明方法的有效性,开展对比试验和定量精度评定。选取22景某港口区域的QuickBird遥感影像在不同特征和模型的组合下进行实验(实验数据大小为2000×2000)。对比实验均首先进行了水岸线提取,所有对比实验均在此基础之上完成。为说明PLSA模型在港口目标识别中的作用,实验中将GRAY+TEXTURE+NDWI与GRAY+TEXTURE+NDWI+PLSA进行了对比实验。为体现BOW和PLSA模型结合进行港口目标检测的优势,实验中将SURF+BOW、GRAY+TEXTURE+NDWI+PLSA与GRAY+TEXTURE+NDWI+PLSA+SURF+BOW进行了对比实验。图6-图14展示了其中3景的对比实验结果。
定量评价方面,本发明实施例将查准率、查全率、错误率、耗时四个评价标准对实验进行定量分析,结果如表2所示。可以看出,单一使用GRAY结合PLSA的算法查全率高但是查全率低。其余单独使用某一特征的算法,如SURF+BOW、TEXTURE+PLSA、NDWI+PLSA等,查准率均低于60%,且查全率不高。综合考虑GRAY、TEXTURE、NDWI特征时,查准率得到了有效提升,但查全率仍然较低。在此基础上结合PLSA模型,查全率和查准率得到了大幅提升,二者均高于80%,且错误率降至9.3%。另外,实验表明,将SURF+BOW与GRAY+TEXTURE+NDWI+PLSA相结合,可进一步提高算法的检查精度,且增加的耗时较少,使得算法最终的查全率高于90%,且查准率达到82%,而错误率仅为8.6%。
基于图6-14以及表2对实验结果进行具体分析,图6-14中影像黑色区域为水岸线提取算法所判定的非港口目标检测区域,主要结论包括:
(1)水岸线提取算法在保证港口目标不被误剔除的前提下,有效缩小了港口检测范围。对于提高港口目标检测效率以及检测精度助益良多。
(2)SURF+BOW算法易将水面上的船只以及水岸线周围的非港口区域误判为港口目标,如图8所示。
(3)单独将GRAY、TEXTURE、NDWI等特征与PLSA结合生成分类模型取得的效果较差,如图9-11所示,这是因为单一的特征难以对港口目标进行全面准确的描述,因此极容易噪声误检以及漏检等情况。
(4)综合使用GRAY、TEXTURE、NDWI等特征并结合PLSA的算法识别准确率较单独使用某一特征进行港口检测具有明显提升。通过与GRAY+TEXTURE+NDWI算法对比发现,与PLSA结合的港口目标检测算法具有明显的优势,如图12所示和图13所示。众所周知,对于机器学习来说,最大的难题就是无法完整收集正样本,导致部分目标不能准确进行识别,经常出现漏检现象。而PLSA模型有效弥补了这一难题,该模型在已有的正样本中挖掘隐含的主题信息,在正样本不全面的情况下,仍然能够达到较好的港口目标识别效果。
(5)SURF+BOW+GRAY+TEXTURE+NDWI+PLSA算法效果最好。该算法不仅综合利用了GRAY、TEXTURE、NDWI等特征,并且利用PLSA模型挖掘隐含的主题信息,避免了因样本不足而导致的查全率偏低问题,如图14所示。除此之外,结合SURF+BOW算法,考虑了目标的SURF点特征信息,有效提高了港口目标的检测精度。
表2精度评定
本发明实施例提供的一种基于PLSA和BOW模型的高分辨率遥感影像港口检测方法,综合使用灰度统计直方图、分形维数纹理特征、NDWI特征、SURF特征,有效描述了港口的复杂形态,查准率和查全率高,错误率低,耗时短,有效合理。在港口识别过程中,加入了水岸线提取环节。首先基于超像素分割将影像分割为一系列的超像素对象,并统计每个超像素的分形维数纹理特征和NDWI特征,以此生成水域模板,利用GrabCut算法进行水岸线提取。在识别初始阶段进行水域粗分割,不仅能够有效缩小待检测影像的搜索范围,而且对港口识别精度有较大提高。
值得注意的是,本发明实施例中未详尽描述的均为现有技术。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种基于PLSA和BOW的高分遥感影像港口检测方法,其特征在于,包括如下步骤:
步骤一,影像预处理,包括对用于收集建立样本库的高分辨率遥感影像和待检测的高分辨率遥感影像中,同一个区域的全色影像和多光谱影像进行影像配准和影像融合;
步骤二,对预处理之后的影像进行水岸线提取;
步骤三,将经过步骤二处理之后的用于收集建立样本库的高分辨率遥感影像进行裁剪,获得包括港口目标正样本和非港口负样本的样本库;
步骤四,提取样本库中各样本的颜色特征、纹理特征、NDWI、SURF,并将提取的颜色特征、NDWI、纹理特征引入PLSA模型生成特征模型,将提取的SURF进行k均值聚类得到的视觉字典作为生成的BOW模型;
步骤五,将PLSA模型与BOW模型所生成的目标描述集作为输入,使用SVM分类器进行特征模型训练,获取港口识别模型;
步骤六,利用训练好的港口识别模型对经过步骤二处理之后的待检测高分辨率遥感影像进行港口目标检测,获得检测结果。
2.如权利要求1所述的一种基于PLSA和BOW的高分遥感影像港口检测方法,其特征在于:步骤1中所述影像配准通过基于SIFT点特征提取方法实现,影像融合通过HSV变换或Pansharpen方法实现。
3.如权利要求1或2所述的一种基于PLSA和BOW的高分遥感影像港口检测方法,其特征在于:步骤二的实现方式如下,
首先,提取影像的NDWI和分形维数特征;
其中NDWI的提取方式为,读取影像的近红外和绿色波段,使用这两个波段的光谱值进行代数运算得到每个像素位置的NDWI值;
分形维数特征的提取方式为差分盒方法,对影像进行分块,计算每个分块的最大灰度值和最小灰度值,获取每个分块的盒子柱,将盒子柱进行最小二乘拟合,输出分形维数;
其次,基于影像的NDWI和分形维数特征,使用GrabCut方法进行图像分割得到水岸线。
4.如权利要求3所述的一种基于PLSA和BOW的高分遥感影像港口检测方法,其特征在于:步骤三所述样本库中正样本与负样本的数目比为1:2至1:3。
5.如权利要求4所述的一种基于PLSA和BOW的高分遥感影像港口检测方法,其特征在于:步骤四中所述颜色特征为样本的各波段光谱值。
6.如权利要求4所述的一种基于PLSA和BOW的高分遥感影像港口检测方法,其特征在于:步骤四中所述纹理特征包括灰度统计直方图和分形维数特征。
7.如权利要求4所述的一种基于PLSA和BOW的高分遥感影像港口检测方法,其特征在于:步骤四中所述NDWI特征是将每个像素位置的NDWI值线性拉伸至0-255,再对各像素NDWI值取反获得。
8.如权利要求4所述的一种基于PLSA和BOW的高分遥感影像港口检测方法,其特征在于:步骤四中所述SURF点特征的生成步骤为,使用Hessian构造影像金字塔、非极值点抑制初步确定特征点、极值点精确定位、兴趣点主方向确定和SURF特征描述。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711270676.2A CN108021890B (zh) | 2017-12-05 | 2017-12-05 | 一种基于plsa和bow的高分遥感影像港口检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711270676.2A CN108021890B (zh) | 2017-12-05 | 2017-12-05 | 一种基于plsa和bow的高分遥感影像港口检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108021890A true CN108021890A (zh) | 2018-05-11 |
CN108021890B CN108021890B (zh) | 2020-03-10 |
Family
ID=62078496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711270676.2A Active CN108021890B (zh) | 2017-12-05 | 2017-12-05 | 一种基于plsa和bow的高分遥感影像港口检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108021890B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523529A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 一种基于surf算法的输电线路缺陷识别方法 |
CN109740494A (zh) * | 2018-12-27 | 2019-05-10 | 中国船舶重工集团公司第七研究院 | 一种基于船舶轨迹大数据的港口识别方法 |
CN109886193A (zh) * | 2019-02-21 | 2019-06-14 | 电子科技大学 | 一种卷云检测方法、设备及计算机可读存储介质 |
CN109948655A (zh) * | 2019-02-21 | 2019-06-28 | 华中科技大学 | 一种基于多层次的内窥镜手术器械检测方法 |
CN109977901A (zh) * | 2019-04-03 | 2019-07-05 | 山东理工大学 | 一种基于无人机遥感的玉米田间杂草识别方法 |
CN111007039A (zh) * | 2019-11-29 | 2020-04-14 | 航天东方红卫星有限公司 | 中低分辨率遥感图像亚像元级水体自动提取方法和系统 |
CN111931709A (zh) * | 2020-09-17 | 2020-11-13 | 航天宏图信息技术股份有限公司 | 遥感影像的水体提取方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315663A (zh) * | 2008-06-25 | 2008-12-03 | 中国人民解放军国防科学技术大学 | 一种基于区域潜在语义特征的自然场景图像分类方法 |
CN102542590A (zh) * | 2011-12-27 | 2012-07-04 | 上海交通大学 | 基于监督主题模型的高分辨率sar影像标注方法 |
CN102621154A (zh) * | 2012-04-10 | 2012-08-01 | 河海大学常州校区 | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法及装置 |
CN107292245A (zh) * | 2017-06-02 | 2017-10-24 | 同济大学 | 一种高分遥感影像上的港口检测方法 |
-
2017
- 2017-12-05 CN CN201711270676.2A patent/CN108021890B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315663A (zh) * | 2008-06-25 | 2008-12-03 | 中国人民解放军国防科学技术大学 | 一种基于区域潜在语义特征的自然场景图像分类方法 |
CN102542590A (zh) * | 2011-12-27 | 2012-07-04 | 上海交通大学 | 基于监督主题模型的高分辨率sar影像标注方法 |
CN102621154A (zh) * | 2012-04-10 | 2012-08-01 | 河海大学常州校区 | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法及装置 |
CN107292245A (zh) * | 2017-06-02 | 2017-10-24 | 同济大学 | 一种高分遥感影像上的港口检测方法 |
Non-Patent Citations (3)
Title |
---|
MOHAMMAD AL-HAMDAN 等: "Effects of Spatial and Spectral Resolutions on Fractal Dimensions in Forested Landscapes", 《REMOTE SENSING》 * |
何隆华: "水系的分形维数及其含义", 《地理科学》 * |
许凯 等: "多源遥感影像湿地检测概率潜在语义分析", 《测绘学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523529A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 一种基于surf算法的输电线路缺陷识别方法 |
CN109523529B (zh) * | 2018-11-12 | 2021-07-13 | 西安交通大学 | 一种基于surf算法的输电线路缺陷识别方法 |
CN109740494A (zh) * | 2018-12-27 | 2019-05-10 | 中国船舶重工集团公司第七研究院 | 一种基于船舶轨迹大数据的港口识别方法 |
CN109740494B (zh) * | 2018-12-27 | 2020-11-24 | 中国船舶重工集团公司第七研究院 | 一种基于船舶轨迹大数据的港口识别方法 |
CN109886193A (zh) * | 2019-02-21 | 2019-06-14 | 电子科技大学 | 一种卷云检测方法、设备及计算机可读存储介质 |
CN109948655A (zh) * | 2019-02-21 | 2019-06-28 | 华中科技大学 | 一种基于多层次的内窥镜手术器械检测方法 |
CN109977901A (zh) * | 2019-04-03 | 2019-07-05 | 山东理工大学 | 一种基于无人机遥感的玉米田间杂草识别方法 |
CN111007039A (zh) * | 2019-11-29 | 2020-04-14 | 航天东方红卫星有限公司 | 中低分辨率遥感图像亚像元级水体自动提取方法和系统 |
CN111007039B (zh) * | 2019-11-29 | 2022-07-29 | 航天东方红卫星有限公司 | 中低分辨率遥感图像亚像元级水体自动提取方法和系统 |
CN111931709A (zh) * | 2020-09-17 | 2020-11-13 | 航天宏图信息技术股份有限公司 | 遥感影像的水体提取方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108021890B (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021890A (zh) | 一种基于plsa和bow的高分遥感影像港口检测方法 | |
CN109800629B (zh) | 一种基于卷积神经网络的遥感图像目标检测方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN106909902B (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
CN106022232A (zh) | 基于深度学习的车牌检测方法 | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
CN107871126A (zh) | 基于深层神经网络的车型识别方法和系统 | |
Li et al. | An image-based hierarchical deep learning framework for coal and gangue detection | |
CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN107578035A (zh) | 基于超像素‑多色彩空间的人体轮廓提取方法 | |
CN108009518A (zh) | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 | |
CN108647655A (zh) | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 | |
CN109598241A (zh) | 基于Faster R-CNN的卫星图像海上舰船识别方法 | |
CN103886285A (zh) | 先验地理信息辅助下的光学遥感影像舰船检测方法 | |
CN109766936A (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
CN104573685A (zh) | 一种基于线性结构提取的自然场景文本检测方法 | |
CN105894030B (zh) | 基于分层多特征融合的高分辨率遥感图像场景分类方法 | |
CN108629286A (zh) | 一种基于主观感知显著模型的遥感机场目标检测方法 | |
CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
Kalkan et al. | Comparison of support vector machine and object based classification methods for coastline detection | |
Ostankovich et al. | Illegal buildings detection from satellite images using googlenet and cadastral map | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN104239890A (zh) | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN112115795B (zh) | 一种基于Triple GAN的高光谱图像分类方法 |
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 |