CN108109126A - 一种基于卫星遥感影像的目标区域填充与融合处理方法 - Google Patents
一种基于卫星遥感影像的目标区域填充与融合处理方法 Download PDFInfo
- Publication number
- CN108109126A CN108109126A CN201810029142.9A CN201810029142A CN108109126A CN 108109126 A CN108109126 A CN 108109126A CN 201810029142 A CN201810029142 A CN 201810029142A CN 108109126 A CN108109126 A CN 108109126A
- Authority
- CN
- China
- Prior art keywords
- sample
- mrow
- image
- target area
- filling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000005267 amalgamation Methods 0.000 title claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 239000000945 filler Substances 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001235 sensitizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卫星遥感影像的目标区域填充与融合处理方法.一种基于卫星遥感影像的目标区域填充与融合处理方法，包括以下步骤：步骤一：建立样本数据库；步骤二：样本预处理；步骤三：替换区域样本填充；步骤四：边界融合；步骤五：将经过样本填充与边界融合处理的影像输出为原始目标影像的格式，并写入响应的卫星参数信息。本发明以具有一定特征、形态的纹理样本隐藏特定区域，解决了在周边环境复杂的情况下，生成的目标区域纹理不具备一定的地物特征，纹理杂乱无章的问题；而且本发明所采用的方法是基于区域的替换方法，与基于像素点的生成方法相比，处理速度快，可以满足时效性的问题。
Description
技术领域
本发明涉及遥感影像处理领域，尤其涉及一种基于卫星遥感影像的目标区域填充与融合处理方法。
背景技术
随着遥感技术的发展，国民经济各领域对高分辨率遥感数据的需求越来越广泛。政府决策需要利用高分遥感数据进行资源调查、灾害救助、指挥决策，遥感影像数据已成为国土、水利、城市规划、农业、环保、交通等行业进行服务的重要数据支撑。而目前国内民用领域所使用的高分辨率遥感数据绝大多数是来自于国外的卫星数据产品，高昂的价格和技术壁垒严重制约了空间信息产业的发展，迫切需要国产高分辨率遥感数据资源的支撑。国产遥感卫星数据民用服务化面临的问题是：数据的分辨率越高，类型越多样，人们能够从中获取的信息就越多，其中涉及的需要保护的信息也越来越多，一旦被保护信息被泄露，对国家及人民的生命财产安全会造成重大威胁和难以估量的损失，因此对敏感区域的数据进行伪装或隐藏处理是高分遥感影像民用的重要前提。
基于卫星遥感影像实现敏感地物的伪装与隐藏主要通过图像处理技术，将遥感影像中的特定地物以普通地物替换或周边近似地物替换的方式使目标区域得到隐藏，经过处理的目标区域能够与周边图像进行深度融合，无明显伪装痕迹。目前主要的方法是基于纹理生成技术来实现对目标区域图像内容的填充，主要的处理过程包括：(1)选择填充区域：基于坐标位置或线划图的方式设施待处理区域；(2)设置纹理生成种子点：自动计算或手动生成开始计算的点位；(3)填充区纹理替换：以种子点为中心，计算周边8个像素点位置的灰度特征以替换目标点位像素值。
采用纹理生成技术对目标进行处理后，目标的纹理由于是由周边纹理随机生成，因此周边纹理精细化程度会严重影响填充区的纹理质量，甚至会出现杂乱无章的现象，无法判别填充后的地物，而且这种基于像素点的计算方法处理效率低，无法满足服务时效性高的需求。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于卫星遥感影像的目标区域填充与融合处理方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于卫星遥感影像的目标区域填充与融合处理方法，包括以下步骤：
步骤一：建立样本数据库，从样本数据库中选择用于填充的样本，并将采用的样本记录在样本数据库中；
步骤二：样本预处理，基于目标影像分辨率对样本数据进行采样处理，使样本数据与目标影像的分辨率保持一致；通过直方图匹配技术实现样本与目标周边区域的灰度一致性；
步骤三：替换区域样本填充，包括以下步骤a、提取目标影像中待替换的区域，计算能够包括替换区域的最小矩形R，由矩形R大小及样本大小计算所需样本填充数，将样本块对矩形R进行填充；b、对非样本替换区域与样本块重合的区域，由非样本替换区域像素值替换样本数据像素值；
步骤四：边界融合，得到位于非样本替换区域与样本块区域边界上的点序列，依次计算以序列中每个点p为中心的3×3像素区域的优先权值P(p)，选择优先权值最高的点为修复起始点，计算所述修复起始点周边3*3像素范围内的均值，以均值替代当前边界值；
步骤五：将经过样本填充与边界融合处理的影像输出为原始目标影像的格式，并写入响应的卫星参数信息。
根据样本大小自适应计算伪装目标区域所需的样本块，使样本能适应目标区域大小的变化；对样本填充与原始目标影像的边界区域进行边界融合，可以使填充的边界效果达到最佳。
进一步地，所述步骤三中，样本块对矩形R进行填充时，相邻的两个填充样本块之间保持一定的重叠度。
进一步地，所述步骤三还包括步骤c、对相邻样本块重合区域填充，具体为：计算相邻样本块重合区域的误差曲面，找到最佳分割路径；和步骤d、重复步骤c直至所有的样本重合区域填充完毕。通过计算最小误差路径使样本重叠块达到最佳匹配状态，实现了样本块与样本块之间的有效融合。
进一步地，所述最佳分割路径的求解准则定义为：
E(i,j)＝Ecolor(i,j)2+Egeometry(i,j) (1)
其中，Ecolor(i,j)2表示重叠像素点的颜色值之差；Egeometry(i,j)表示重叠像素点的几何结构差值，假设当前计算点向下与它邻近的3个像素点作为分割线的扩展方向，分别计算与它邻近的3个像素点的E(i,j),取三个方向上最小的E(i,j)为分割路径走向；统计所有的分割路径的E(i,j)之和，取最小者为最佳分割路径。
进一步地，所述优先权值P(p)的计算函数为：
P(p)＝C(p)D(p) (2)
其中C(p)和D(p)的计算公式分别为
其中，Ω为非样本替换区域，I-Ω为目标区域，p为修复边界上的点，Ψp是以点p为中心的3*3图像块，m是Ψp内灰度梯度值最大的点。|Ψp|是块Ψp的像素数量；为点m的灰度梯度方向，即灰度值变化最大的方向，其垂直方向为灰度值变化最小的方向，即等照度线的方向，取vmp为点m和点p连线方向的单位向量；α为规范化因子，α＝255，函数B(q)初始化为：
进一步地，所述步骤一中，从样本数据库中选择用于填充的样本的方式为：人工在样本数据库中通过查询检索获取替换样本；和/或根据数据库记录的目标区域与样本之间的对应关系，自动选择替换样本。通过建立样本知识库用于对敏感目标进行样本替换，并将采用的样本记录在目标知识库中，可以保持多载荷数据目标替换的一致性。
进一步地，所述步骤二中，基于目标影像分辨率对样本数据进行采样处理具体为：若样本数据分辨率高于目标影像分辨率，则对样本数据进行下采样处理；若样本数据分辨率低于目标影像分辨率，则对样本数据进行上采样处理。
进一步地，所述步骤二中，通过直方图匹配技术实现样本与目标周边区域的灰度一致性的具体步骤为：假设选取的样本数据为Ssam,直方图匹配的具体步骤如下：
a、从目标影像中选取与样本地物类型相似的目标区域影像Star；
b、分别计算样本数据Ssam及目标区域影像Star的直方图Hsam及Htar；
c、基于区域影像Star的直方图Htar利用匹配算法计算样本数据直方图Hsam，得到样本数据的修订后的直方图HsamM；
d、基于HsamM对样本数据的每个像素点进行纠正，得到经过直方图匹配后的样本数据SsamP。
通过直方图匹配技术，可以实现样本与目标周边区域的灰度一致性。
本发明的基于卫星遥感影像的目标区域填充与融合处理方法，通过对遥感影像中的特定地物进行快速高效、高精度的替换处理，使遥感影像中的目标区域能够被其它地物样本所替换，从而满足遥感影像民用的迫切需求。样本填充替换后采用边界融合的方法，解决了伪装后数据伪装痕迹明显，无法与周边环境一致的问题。通过样本知识库与目标知识库的统一管理，实现目标区域在不同传感器数据中的一致性处理，避免顾此失彼，相互矛盾。
本发明以具有一定特征、形态的纹理样本隐藏特定区域，解决了在周边环境复杂的情况下，生成的目标区域纹理不具备一定的地物特征，纹理杂乱无章的问题；而且本发明所采用的方法是基于区域的替换方法，与基于像素点的生成方法相比，处理速度快，可以满足时效性的问题；纹理替换后采用金字塔分层的层级融合策略，解决了隐藏后数据痕迹明显，无法与周边环境一致的问题；通过样本知识库与地物知识库的统一管理，实现目标区域在不同传感器数据中的一致性处理，避免顾此失彼，相互矛盾。
附图说明
图1为本发明处理流程图。
图2为替换区域样本填充示意图。
图3为最佳缝合线搜索算法示意图。
图4为边界点优先权值计算示意图。
图5为待处理的目标影像。
图6为样本块图像。
图7为处理结果图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1所示的基于卫星遥感影像的目标区域填充与融合处理方法具体实现途径如下：
一、填充样本选择
建立针对可见光、红外、多光谱、高光谱以及SAR等多种传感器不同季节的填充样本数据库，填充样本地物类型包括植被(草地、林地)、建筑物、水泥地、道路、山脉以及河流等，从样本数据库中选择用于填充的样本，并将采用的样本记录在样本数据库中。样本选择有两种方法：
(1)对于比较典型的目标，如机场飞机，码头船舶等，建立目标与替换样本之间的对应关系，根据目标数据采集时间可自动选择替换样本。
(2)业务人员在样本知识库中通过查询检索人工获取替换样本。
二、样本预处理
为保障样本数据与目标影像的分辨率保持一致，基于目标影像分辨率对样本数据进行采样处理：
(1)下采样：若样本数据分辨率高于目标影像分辨率，对样本数据进行下采样处理：
(2)上采样：若样本数据分辨率低于目标影像分辨率，对样本数据进行上采样处理；
为保障样本数据与目标影像的色调保持一致，对样本数据进行基于目标影像的直方图匹配处理,假设选取的样本数据为Ssam,直方图匹配的具体步骤如下：
a、从目标影像中选取与样本地物类型相似的目标区域影像Star；
b、分别计算样本数据Ssam及目标区域影像Star的直方图Hsam及Htar；
c、基于区域影像Star的直方图Htar利用匹配算法计算样本数据直方图Hsam，得到样本数据的修订后的直方图HsamM；
d、基于HsamM对样本数据的每个像素点进行纠正，得到经过直方图匹配后的样本数据SsamP。
三、替换区域样本填充
主要实现利用样本数据替换目标影像中的填充区域的过程，由于一块样本可能无法满足目标影像替换区域的大小，因此该步骤主要包括样本与目标影像边界之间的合成以及样本与样本之间的边界合成两类，具体步骤如下：
a、样本初始填充：提取目标影像中待替换的区域，计算能够包括替换区域的最小矩形R，由矩形R大小及样本大小计算所需样本填充数，将样本块从上至下，从左至右将矩形R进行填充，相邻的两个填充样本块之间保持一定的重叠度，如图2所示，矩形R中的不规则区域为待替换区域，在矩形R内依次填充小的正方形样本区域，相邻两个填充样本块之间保持一定重叠度。
b、非样本替换区域填充：目标影像区域,即非样本替换区域，与样本块重合的区域，由目标影像像素值替换样本数据像素值；
c、相邻样本块重合区域填充：为保障两个相邻样本块的图像合成后不存在明显的分界线，视觉上达到真实逼真的效果，需要对重叠区域进行融合拼接处理。计算SsamP1、SsamP2重叠区域的误差曲面，回溯找到最佳分割路径，即误差最小路径。最佳分割路径的求解准则定义为：
E(i,j)＝Ecolor(i,j)2+Egeometry(i,j) (1)
其中，Ecolor(i,j)2表示重叠像素点的颜色值之差；Egeometry(i,j)表示重叠像素点的几何结构差值。根据上述准则，运用动态规划的思想从重叠区域差值图像的第一行出发，建立以该行上每一个像素为起点的缝合线，图3为最佳缝合线搜索算法示意图。图中，黑点代表像素点，假设当前计算点为P(i,j),向下与它邻近的3个像素点P(i+1,j-1)、P(i+1,j)、P(i+1,j+1)作为缝合线的扩展方向，分别计算P(i,j)与它邻近的3个像素点的E(i,j),取三个方向上最小的E(i,j)为分割路径走向。实线段表示当前分割路径的最小扩展方向，最后统计所有的分割路径的E(i,j)之和，取最小者为最佳分割路径。
d、重复步骤c直至所有的样本重合区域填充完毕。
四、边界融合
样本填充后的替换区域与原始目标影像的衔接部分需要进行图像融合处理，以保障影像不存在接边现象。假设经过样本填充后的目标影像为I,Ω为非样本替换区域，以替换区域的轮廓线为修复边界
(1)边界点优先权值计算：得到位于边界上的点序列，依次计算以序列中每个点为中心的3*3像素区域的优先权值，并取优先权值最高的点值为修复起始点。如图4所示：Φ为目标区域(Φ＝I-Ω)，p为修复边界上的点，Ψp是以点p为中心的3*3图像块，m是Ψp内梯度值最大的点。
点p的优先权值函数P(p)的计算函数为:
P(p)＝C(p)D(p) (2)
且有
式中，Ψp|是块Ψp的像素数量；为点m的灰度梯度方向，即灰度值变化最大的方向，其垂直方向为灰度值变化最小的方向，即等照度线的方向，取vmp为点m和点p连线方向的单位向量；α为规范化因子，α＝255，函数B(q)初始化为：
由D(p)的定义：
式中，θ为与vmp的夹角。由于vmp是单位向量，|vmp|＝1，为块内的最大梯度值，因此D(p)的大小由|cosθ|决定。|cosθ|反映了块中心点p与等照度线方向的偏离程度，它使与等照度线方向偏离较小的块拥有较高的优先权。
(2)边界融合：基于优先权最高的边界点，计算其周边3*3像素范围内的均值，以均值替代当前边界值。
五、图像输出
将经过样本填充与边界融合处理的影像输出为原始目标影像的格式，并写入响应的卫星参数信息。
利用本发明的方法对卫星遥感图像进行处理，试验及开发环境：PC机(Intel Core2Duo CPU,1.99G内存)，开发工具：VS 2008，带伪装遥感影像数据：多光谱(6000*6000)，伪装目标(800*800)，处理时间：30S。效果图如图5-7所示的，其中图5为待处理的目标影像，图6为样本块图像，图7为处理结果图。
本发明以具有一定特征、形态的纹理样本填充敏感目标区域，解决了在周边环境复杂的情况下，生成的目标区域纹理不具备一定的地物特征，纹理杂乱无章的问题；而且本发明所采用的方法是基于区域的替换方法，与基于像素点的生成方法相比，处理速度快，可以满足时效性的问题；样本填充替换后采用边界融合的方法，解决了伪装后数据伪装痕迹明显，无法与周边环境一致的问题；通过样本知识库与目标知识库的统一管理，实现目标区域在不同传感器数据中的一致性处理，避免顾此失彼，相互矛盾。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。
Claims (8)
1.一种基于卫星遥感影像的目标区域填充与融合处理方法，其特征在于，包括以下步骤：
步骤一：建立样本数据库，从样本数据库中选择用于填充的样本，并将采用的样本记录在样本数据库中；
步骤二：样本预处理，基于目标影像分辨率对样本数据进行采样处理，使样本数据与目标影像的分辨率保持一致；通过直方图匹配技术实现样本与目标周边区域的灰度一致性；
步骤三：替换区域样本填充，包括以下步骤a、提取目标影像中待替换的区域，计算能够包括替换区域的最小矩形R，由矩形R大小及样本大小计算所需样本块填充数，将样本块对矩形R进行填充；b、对非样本替换区域与样本块重合的区域，由非样本替换区域像素值替换样本数据像素值；
步骤四：边界融合，得到位于非样本替换区域与样本块区域边界上的点序列，依次计算以序列中每个点p为中心的3×3像素区域的优先权值P(p)，选择优先权值最高的点为修复起始点，计算所述修复起始点周边3*3像素范围内的均值，以均值替代当前边界值；
步骤五：将经过样本填充与边界融合处理的影像输出为原始目标影像的格式，并写入响应的卫星参数信息。
2.根据权利要求1所述的一种基于卫星遥感影像的目标区域填充与融合处理方法，其特征在于：所述步骤三中，样本块对矩形R进行填充时，相邻的两个填充样本块之间保持一定的重叠度。
3.根据权利要求2所述的一种基于卫星遥感影像的目标区域填充与融合处理方法，其特征在于：所述步骤三还包括步骤c、对相邻样本块重合区域填充，具体为：计算相邻样本块重合区域的误差曲面，找到最佳分割路径；和步骤d、重复步骤c直至所有的样本重合区域填充完毕。
4.根据权利要求3所述的一种基于卫星遥感影像的目标区域填充与融合处理方法，其特征在于：所述最佳分割路径的求解准则定义为：
E(i,j)＝Ecolor(i,j)2+Egeometry(i,j)
其中，Ecolor(i,j)2表示重叠像素点的颜色值之差；Egeometry(i,j)表示重叠像素点的几何结构差值，假设当前计算点向下与它邻近的3个像素点作为分割线的扩展方向，分别计算与它邻近的3个像素点的E(i,j),取三个方向上最小的E(i,j)为分割路径走向；统计所有的分割路径的E(i,j)之和，取最小者为最佳分割路径。
5.根据权利要求1所述的一种基于卫星遥感影像的目标区域填充与融合处理方法，其特征在于：所述优先权值P(p)的计算函数为：
P(p)＝C(p)D(p)
其中C(p)和D(p)的计算公式分别为：
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<msub>
<mi>&Psi;</mi>
<mi>p</mi>
</msub>
<mo>&cap;</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>-</mo>
<mi>&Omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>&Psi;</mi>
<mi>p</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>&dtri;</mo>
<mo>&perp;</mo>
<msub>
<mi>I</mi>
<mi>m</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<mi>&alpha;</mi>
</mfrac>
</mrow>
其中，Ω为非样本替换区域，I-Ω为目标区域，p为修复边界上的点，Ψp是以点p为中心的3*3图像块，m是Ψp内灰度梯度值最大的点。|Ψp|是块Ψp的像素数量；为点m的灰度梯度方向，即灰度值变化最大的方向，其垂直方向为灰度值变化最小的方向，即等照度线的方向，取vmp为点m和点p连线方向的单位向量；α为规范化因子，α＝255，函数B(q)初始化为：
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>q</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>q</mi>
<mo>&Element;</mo>
<mi>I</mi>
<mo>-</mo>
<mi>&Omega;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
6.根据权利要求1所述的一种基于卫星遥感影像的目标区域填充与融合处理方法，其特征在于：所述步骤一中，从样本数据库中选择用于填充的样本的方式为：人工在样本数据库中通过查询检索获取替换样本；和/或根据数据库记录的目标区域与样本之间的对应关系，自动选择替换样本。
7.根据权利要求1所述的一种基于卫星遥感影像的目标区域填充与融合处理方法，其特征在于：所述步骤二中，基于目标影像分辨率对样本数据进行采样处理具体为：若样本数据分辨率高于目标影像分辨率，则对样本数据进行下采样处理；若样本数据分辨率低于目标影像分辨率，则对样本数据进行上采样处理。
8.根据权利要求1所述的一种基于卫星遥感影像的目标区域填充与融合处理方法，其特征在于：所述步骤二中，通过直方图匹配技术实现样本与目标周边区域的灰度一致性的具体步骤为：假设选取的样本数据为Ssam,直方图匹配的具体步骤如下：
a、从目标影像中选取与样本地物类型相似的目标区域影像Star；
b、分别计算样本数据Ssam及目标区域影像Star的直方图Hsam及Htar；
c、基于区域影像Star的直方图Htar利用匹配算法计算样本数据直方图Hsam，得到样本数据的修订后的直方图HsamM；
d、基于HsamM对样本数据的每个像素点进行纠正，得到经过直方图匹配后的样本数据SsamP。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810029142.9A CN108109126B (zh) | 2018-01-12 | 2018-01-12 | 一种基于卫星遥感影像的目标区域填充与融合处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810029142.9A CN108109126B (zh) | 2018-01-12 | 2018-01-12 | 一种基于卫星遥感影像的目标区域填充与融合处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108109126A true CN108109126A (zh) | 2018-06-01 |
| CN108109126B CN108109126B (zh) | 2020-10-27 |
Family
ID=62219908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810029142.9A Active CN108109126B (zh) | 2018-01-12 | 2018-01-12 | 一种基于卫星遥感影像的目标区域填充与融合处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108109126B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992257A (zh) * | 2019-12-20 | 2020-04-10 | 北京航天泰坦科技股份有限公司 | 基于深度学习的遥感影像敏感信息自动屏蔽方法及装置 |
| CN111476723A (zh) * | 2020-03-17 | 2020-07-31 | 哈尔滨师范大学 | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 |
| WO2021046965A1 (zh) * | 2019-09-09 | 2021-03-18 | 中国科学院遥感与数字地球研究所 | 一种卫星图像序列云区修补方法和装置 |
| CN113191939A (zh) * | 2021-04-30 | 2021-07-30 | 山东产研信息与人工智能融合研究院有限公司 | 高分辨率目标影像置换低分辨率目标影像的方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160337545A1 (en) * | 2013-08-27 | 2016-11-17 | Xerox Corporation | System and method for low light document capture and binarization with multiple flash images |
| CN106157273A (zh) * | 2015-03-30 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 生成合成图片的方法及装置 |
| CN106296604A (zh) * | 2016-08-04 | 2017-01-04 | 厦门美图之家科技有限公司 | 一种图像修复方法及装置 |
-
2018
- 2018-01-12 CN CN201810029142.9A patent/CN108109126B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160337545A1 (en) * | 2013-08-27 | 2016-11-17 | Xerox Corporation | System and method for low light document capture and binarization with multiple flash images |
| CN106157273A (zh) * | 2015-03-30 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 生成合成图片的方法及装置 |
| CN106296604A (zh) * | 2016-08-04 | 2017-01-04 | 厦门美图之家科技有限公司 | 一种图像修复方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| WANG SHU-WEN 等: "Improvement of Priority Computation in Exemplar-Based Image Inpainting Base on D-S Evidence Theory and TV Model", 《2009 2ND INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
| 吴余芳: "图像修复算法在国画中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 田野: "基于样本块的数字图像修复技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021046965A1 (zh) * | 2019-09-09 | 2021-03-18 | 中国科学院遥感与数字地球研究所 | 一种卫星图像序列云区修补方法和装置 |
| CN110992257A (zh) * | 2019-12-20 | 2020-04-10 | 北京航天泰坦科技股份有限公司 | 基于深度学习的遥感影像敏感信息自动屏蔽方法及装置 |
| CN111476723A (zh) * | 2020-03-17 | 2020-07-31 | 哈尔滨师范大学 | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 |
| CN111476723B (zh) * | 2020-03-17 | 2023-04-18 | 哈尔滨师范大学 | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 |
| CN113191939A (zh) * | 2021-04-30 | 2021-07-30 | 山东产研信息与人工智能融合研究院有限公司 | 高分辨率目标影像置换低分辨率目标影像的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108109126B (zh) | 2020-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100885246B1 (ko) | Ｇｉｓ를 이용한 임분배치용 데이터베이스 구축 방법 및 이를 이용한 임분배치 방법 | |
| CN108109126A (zh) | 一种基于卫星遥感影像的目标区域填充与融合处理方法 | |
| CN107527328B (zh) | 一种兼顾精度与速度的无人机影像几何处理方法 | |
| Baghdadi et al. | QGIS and generic tools | |
| Ruggles et al. | Multiple viewshed analysis using GIS and its archaeological application: a case study in northern Mull | |
| CN109100719A (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
| CN117115683A (zh) | 一种植被覆盖下危岩落石遥感提取方法及系统 | |
| Li et al. | Research on remote sensing dynamic monitoring of ecological resource environment based on GIS | |
| Sui et al. | Processing of multitemporal data and change detection | |
| CN114863274A (zh) | 基于深度学习的地表绿网苫盖提取方法 | |
| Ehlers et al. | New remote sensing concepts for environmental monitoring | |
| Butenko et al. | Geospatial data processing characteristics for environmental monitoring tasks | |
| Bilotta et al. | Cultural heritage and OBIA | |
| Müller et al. | Deep Neural Network Regression for Normalized Digital Surface Model Generation with Sentinel-2 Imagery | |
| Yue et al. | The extraction of water information based on SPOT5 image using object-oriented method | |
| Zhang | Ten years of technology advancement in remote sensing and the research in the CRC-AGIP lab in GCE | |
| CN112800514A (zh) | 一种采用激光点云加bim建模技术运用到换流站可视化管控平台的方法 | |
| Mierzejowska et al. | Calibration of raster image using GIS class software-accuracy analysis | |
| Langevin et al. | Identifying change in a dynamic urban landscape: a neural network approach to map-updating | |
| Jasim et al. | Preparing WorldView2 Imagery for Map Updating Projects–Aldjyl/Aleibayiji (Iraq/North Baghdad) as a Case Study | |
| Quintus et al. | Evaluating Mask R‐CNN models to extract terracing across oceanic high islands: A case study from Sāmoa | |
| Zhang et al. | Photo-textured digital terrain models as a basis for regional and local planning | |
| Vassilopoulou | A USEFUL SOFTWARE FOR TERRAIN ANALYSIS AND GEOENVIRONMENTAL APPLICATIONS–STUDY CASE ON THE GEODYNAMIC EVOLUTION OF ARGOLIS PENINSULA, GREECE. | |
| Nadoushan et al. | Monitoring land use/cover changes using remotely sensed imagery in Isfahan, Iran | |
| Nicolau et al. | Harmonization of categorical maps by alignment processes and thematic consistency analysis |
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 |