CN108257143A - 一种基于遥感解译分析技术提取集装箱装卸桥的方法 - Google Patents

一种基于遥感解译分析技术提取集装箱装卸桥的方法 Download PDF

Info

Publication number
CN108257143A
CN108257143A CN201711312960.1A CN201711312960A CN108257143A CN 108257143 A CN108257143 A CN 108257143A CN 201711312960 A CN201711312960 A CN 201711312960A CN 108257143 A CN108257143 A CN 108257143A
Authority
CN
China
Prior art keywords
remote sensing
value
image
container bridge
vector
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
CN201711312960.1A
Other languages
English (en)
Other versions
CN108257143B (zh
Inventor
齐越
聂向军
董敏
刘宏
郝军
黄�俊
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.)
TRANSPORT PLANNING AND RESEARCH INSTITUTE MINISTRY OF TRANSPORT CHINA
Original Assignee
TRANSPORT PLANNING AND RESEARCH INSTITUTE MINISTRY OF TRANSPORT CHINA
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 TRANSPORT PLANNING AND RESEARCH INSTITUTE MINISTRY OF TRANSPORT CHINA filed Critical TRANSPORT PLANNING AND RESEARCH INSTITUTE MINISTRY OF TRANSPORT CHINA
Priority to CN201711312960.1A priority Critical patent/CN108257143B/zh
Publication of CN108257143A publication Critical patent/CN108257143A/zh
Application granted granted Critical
Publication of CN108257143B publication Critical patent/CN108257143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/194Segmentation; Edge detection involving foreground-background segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/80Geometric correction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/50Depth or shape recovery
    • G06T7/529Depth or shape recovery from texture
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于遥感解译分析技术提取集装箱装卸桥的方法,包括如下步骤:首先通过LBP纹理灰度不变构建背景模型;其次在初始目标模型上依据不同特征将图像划分成若干个互不重叠的区域;在遥感图像上进行拓扑与提取,进行归一化处理得到形状模板;最后依据纹理特征对形状模板进行补偿识别集装箱装卸桥;基于模糊选择的同时进行数据化,而且在数据化的过程中还能够保持边缘信息,便于后续的处理,处理的过程中通过图像分割作用,将遥感图像分为若干个部分,通过形状模板和纹理特征的补偿,能够通过归一化的处理对遥感图像进行协调,能够规避极大的计算,提高数据处理的效率和识别的准确率。

Description

一种基于遥感解译分析技术提取集装箱装卸桥的方法
技术领域
本发明涉及遥感识别技术领域,具体为一种基于遥感解译分析技术提取集装箱装卸桥的方法。
背景技术
港口作为海上运输的重要组成部分,在经济全球化的大趋势下,已经越来越受到人们的重视,而集装箱在海洋运输中起到的作用非常明显。所谓的集装箱是能装载包装或无包装货进行运输,并便于用机械设备进行装卸搬运的一种组成工具。而在操作中,集装箱装卸桥是非常重要的一种装载工具,属于现代工业装卸货平台上的新型辅助登车设备。
在遥感监测中,将遥感图像应用在集装箱装卸桥的检测上,是目前的一种趋势。在现有的遥感监测技术中,主要的问题在于没有基于集装箱装卸桥的特点建立相应的遥感监测方法,在实际的应用中就会导致对于图像的提取不准确,处理的效率很低。
而在应用的集装箱装卸桥识别中,还主要存在以下几点问题:
(1)通过边缘处理法在集装箱的识别中,其实际的数据处理量还是很大的,因此,在遥感图像中,集装箱由于个头太少,直接基于边缘进行处理,在数据化的过程中,其计算量将是非常巨大的,不便于后续处理;
(2)没有将集装箱装卸桥的特征进行有效的组合,也就是在识别的过程中,往往是单一的基本特征进行,然后再利用另外一种特征进行验证,而这种方式方法是处理效率极低的,这是由于在提取遥感提箱的过程中,重复进行计算将会导致计算量呈几何倍数增加,而如何综合利用识别特征是目前需要解决的问题。
发明内容
为了克服现有技术方案的不足,本发明提供一种基于遥感解译分析技术提取集装箱装卸桥的方法,模糊选择的同时进行数据化,保持边缘信息,通过形状模板和纹理特征的补偿,能够通过归一化的处理对遥感图像进行协调,能够规避极大的计算,提高数据处理的效率和识别的准确率,能有效的解决背景技术提出的问题。
本发明解决其技术问题所采用的技术方案是:一种基于遥感解译分析技术提取集装箱装卸桥的方法,包括如下步骤:
S100、基于纹理特征进行目标检测,通过LBP纹理灰度不变构建背景模型,从背景模型中提取前景概率图,并进行差分得到初始目标模型;
S200、图像分割,在初始目标模型上依据不同特征将图像划分成若干个互不重叠的区域;
S300、遥感图像的拓扑与提取,依次从分割的图像区域内进行拓扑,提取遥感图像中的形状特征,并进行归一化处理得到形状模板;
S400、依据纹理特征对形状模板进行补偿识别集装箱装卸桥,在形状模板的基础上,将经过LBP变化的纹理特征逐次进行补偿,精确识别集装箱装卸桥。
作为本发明一种优选的技术方案,在步骤S100中,LBP纹理特征构建背景模型的具体算法为:
S101、纹理特征赋值,设半径为R的环形领域上的P个像素点的联合分布T=t(gc,g0,…,gP-1),其中联合分布T即为图像的纹理特征,gc局部领域中心的灰度值,gP(P=0,1,…,P-1)对应半径为R的圆环上P个等分点的灰度值;
S102、基于灰度不变提取纹理特征,由于gc和gP相互独立,则T≈t(gc)(g0-gc,g1-gc,…,gP-1-gc),其中t(gc)为整个图像的灰度分布;
S103、差分提取初始目标的数据值,对纹理特征进行具体数值的赋值,则T≈t(s(g0-gc),s(g1-gc),…,s(gP-1-gc)),
其中是为符号函数,具体的有
S104、对数据值进行模型化,将联合分布T按环形领域上的像素排序构成0/1序列,通过对s(gP-gc)赋予二项式因子2P,得到局部二值模型
作为本发明一种优选的技术方案,在步骤S200中,依据的特征包括灰度、空间纹理和几何形状特征。
作为本发明一种优选的技术方案,在图像分割,需要对边界进行追踪和矢量化,而边界的追踪和矢量化具体步骤为:
S201、设定若干个顶点(x1,y1),(x2,y2),…,(xn,yn)和距离定义的阈值t;
S202、选取任意两个顶点作为划分边界的起点和终点,记为(x1,y1)和(xn,yn),并将其直接连接构成多义线;
S203、计算其它顶点到多义线之间的垂直距离di(i=2,3,…,n-1),在所有di>t的点集中搜索max(di)对应的顶点(xm,ym),分别将原来的初始起点和重点与此顶点连接,生成新的多义线;
S204、按照步骤S203的计算过程不断对每条新的多义线进行下一轮的逼近,直至所有的点到相应多义线的距离小于事先设定的阈值t,即终止。
作为本发明一种优选的技术方案,在拓扑计算中,需要通过主成分分析依次对遥感图像进行差异赋值。
作为本发明一种优选的技术方案,其中像素标记值赋值为1,背景像素标记值赋值为0。
作为本发明一种优选的技术方案,主成分分析的具体步骤如下所述:
设定线性变化通式Y=TX,其中,X为待变换图像数据矩阵,Y为变换后的数据矩阵,T为变换正交矩阵;
将X矩阵以多波段图像的原始数据表示:
X=[Xij]mxn,其中m,n分别为波段数和每幅图像中的像元数,i,j分别为矩阵中的每一行矢量表示一个波段的图像,计算其协方差矩阵为其中I=[1,1,1,…,1]1xn,第I段均值
设定上述协方差矩阵的特征值为λi,特征向量为Ui,且λi和Ui组成变换矩阵H,则求解(λI-S)U=0,将λi由小至大顺序排列并求出对应的单位特征向量Ui,以Ui为列构成矩阵U,有T=UH。
作为本发明一种优选的技术方案,提取遥感图像中形状特征的具体算法为:
设定任意封闭有界形状对应一个唯一的有符号距离,则两个经过LBP构建的二值图像Ψa和Ψb的形状距离计算公式:
设定特定的二值形状模板为Ψ0,则Ψ0与当前二值标签f之间的相似度用形状距离表示为:
其中p为任意特征点向量,P为特征点集,该形状距离即为形状特征。
作为本发明一种优选的技术方案,归一化处理的具体步骤为:
设定原图的均值向量C=[CxCy]T,协方差矩阵其中Cx、Cy、u11、u12、u21和u22均为特征点向量;
计算M的特征向量对齐坐标并根据特征值大小进行缩放,得到其中e1x和e1y均为特征点向量的单位向量,x和y为对应特征点坐标,λ为对应的变换常数;
根据协方差矩阵张量t1和特征向量缩放矩阵张量t2确定转换角度α,其中tanα=t1/t2,根据转换角度确定新的张量则有规一化角度
则归一化统一公式为:
作为本发明一种优选的技术方案,纹理补偿的具体步骤为:
S401、将经过LBP纹理变化的遥感图像提取出来,与此同时将拓扑得到的形状模板提取出来;
S402、对提取出来的遥感图像进行几何校正;
S403、将经过几何校正的遥感图像属性直接叠加,即完成了纹理补偿。。
与现有技术相比,本发明的有益效果是:
本发明基于纹理特征进行目标的模糊选择,并且在纹理的处理过程中,通过背景模型和差分能够快速将遥感图像进行数据化,而且在数据化的过程中还能够保持边缘信息,便于后续的处理,处理的过程中通过图像分割作用,将遥感图像分为若干个部分,通过形状模板和纹理特征的补偿,能够通过归一化的处理对遥感图像进行协调,能够规避极大的计算,提高数据处理的效率和识别的准确率。
附图说明
图1为本发明的整体结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
如图1所示,本发明提供了一种基于遥感解译分析技术提取集装箱装卸桥的方法,包括如下步骤:
步骤S100、基于纹理特征进行目标检测,通过LBP纹理灰度不变构建背景模型,从背景模型中提取前景概率图,并进行差分得到初始目标模型。
LBP纹理特征构建背景模型的具体算法为:
步骤S101、纹理特征赋值,设半径为R的环形领域上的P个像素点的联合分布T=t(gc,g0,…,gP-1),其中联合分布T即为图像的纹理特征,gc局部领域中心的灰度值,gP(P=0,1,…,P-1)对应半径为R的圆环上P个等分点的灰度值。
在上述中,对于不同的(P,R)组合,具体的LBP算子也就是具体的模型是不懂的,因此需要根据实际情况建立基于不同(P,R)组合的LBP算子。为了保持纹理特征对于灰度不变的性质,用环形领域上P个等分点的灰度值gP(P=0,1,…,P-1)减去中心灰度值gc,则上述的联合分布T转换为:
T=t(gc,g0-gc,…,gP-1-gc)。
步骤S102、基于灰度不变提取纹理特征,由于gc和gP相互独立,将转换后的联合分布T进行近似分解,则T≈t(gc)(g0-gc,g1-gc,…,gP-1-gc),其中t(gc)为整个图像的灰度分布。
由于t(gc)描述的是整个图像的灰度分布,因此对于图像的局部纹理分布没有影响,便于后续步骤进行差分。
步骤S103、差分提取初始目标的数据值,对纹理特征进行具体数值的赋值,则T≈t(s(g0-gc),s(g1-gc),…,s(gP-1-gc)),
其中是为符号函数,具体的有
上述步骤中,首先需要明确的是,对联合分布进行差分的第一结果应该为:
T=t(g0-gc,g1-gc,…,gP-1-gc),由于在图像中不论怎么变化,中心像素与环形领域上的像素灰度值的相对大小是不会改变,这是图像的自身属性,不可改变,因此,可以用中心像素与领域像素的插值的符号函数来代替具体的数据来描述图像。
步骤S104、对数据值进行模型化,将联合分布T按环形领域上的像素排序构成0/1序列,通过对s(gP-gc)赋予二项式因子2P,得到局部二值模型
在步骤S104中,其实质就是将像素的局部空间纹理结构表示为一个唯一的十进制数,该十进制数也就是上述的LBPP,R数。
而进一步的,对具体的LBP纹理特征进行处理,使得图像中的每个像素均具有唯一对应的LBP特征值,就得到了图像的LBP纹理特征,在LBP纹理特征图中,由于图像边缘处的LBP纹理特征手领域的影响较小,对于图像边缘的像素保留了原始像素的灰度值,便于后续的操作。
步骤S200、图像分割,在初始目标模型上依据不同特征将图像划分成若干个互不重叠的区域。
在上述步骤中,依据的特征包括灰度、空间纹理和几何形状特征。
因此,在分割算法中需要综合考虑的是光谱与空间信息两个因子,是一种自下而上的区域合并,在后期的对比中,也是需要根据相同的对比原则进行特征对比。
需要进一步说明的是,在图像分割,需要对边界进行追踪和矢量化,而边界的追踪和矢量化具体步骤为:
步骤S201、设定若干个顶点(x1,y1),(x2,y2),…,(xn,yn)和距离定义的阈值t;
步骤S202、选取任意两个顶点作为划分边界的起点和终点,记为(x1,y1)和(xn,yn),并将其直接连接构成多义线;
步骤S203、计算其它顶点到多义线之间的垂直距离di(i=2,3,…,n-1),在所有di>t的点集中搜索max(di)对应的顶点(xm,ym),分别将原来的初始起点和重点与此顶点连接,生成新的多义线;
步骤S204、按照步骤S203的计算过程不断对每条新的多义线进行下一轮的逼近,直至所有的点到相应多义线的距离小于事先设定的阈值t,即终止。
在上述的分割中,一般来说,需要确定上述的分割参数,但是在遥感影像中,会根据遥感图像进行均质化,而均质化则需要选择均质化因子,在本实施方式中,均质步骤可进行也可不进行,这是由于,在后续的对比中,也要借助均质因子的实质参数进行计算。
但是为了更好的理解本技术方案,还是有必要对均质因子的选择进行说明:均质因子由形状因子和颜色因子、紧密度因子和光滑度因子这两对因子组成。由于颜色因子在信息提取中属于最重要的参考信息所以颜色因子对参数的设置占有很大的权重;为了避免对象形状的不完整对精度产生不利影响引入形状因子;光滑度因子的作用是完善便捷光滑的影像对象;紧密度因子的作用是区分结构紧凑与否的目标。
步骤S300、遥感图像的拓扑与提取,依次从分割的图像区域内进行拓扑,提取遥感图像中的形状特征,并进行归一化处理得到形状模板。
在拓扑计算中,需要通过主成分分析依次对遥感图像进行差异赋值。
采用主成分分析的优点在于消除了波段间的相互关系,减少了个波段提供信息的交叉和冗余,同时,在分析的过程中得到主要波段的合理权重,具有较好的客观性,能够避免了主观上的误差。
主成分分析的具体步骤如下所述:
设定线性变化通式Y=TX,其中,X为待变换图像数据矩阵,Y为变换后的数据矩阵,T为变换正交矩阵;
将X矩阵以多波段图像的原始数据表示:
X=[Xij]mxn,其中m,n分别为波段数和每幅图像中的像元数,i,j分别为矩阵中的每一行矢量表示一个波段的图像,计算其协方差矩阵为其中I=[1,1,1,…,1]1xn,第I段均值
设定上述协方差矩阵的特征值为λi,特征向量为Ui,且λi和Ui组成变换矩阵H,则求解(λI-S)U=0,将λi由小至大顺序排列并求出对应的单位特征向量Ui,以Ui为列构成矩阵U,有T=UH。
经过主成分变换后得到的新变量的各个行向量依次被称为第一主成分、第二主成分……第m主成分,这是将新变量恢复为二维图像,便得到m个主成分图像。
提取遥感图像中形状特征的具体算法为:
设定任意封闭有界形状对应一个唯一的有符号距离,则两个经过LBP构建的二值图像Ψa和Ψb的形状距离计算公式:
设定特定的二值形状模板为Ψ0,则Ψ0与当前二值标签f之间的相似度用形状距离表示为:
其中p为任意特征点向量,P为特征点集,该形状距离即为形状特征。
在上述步骤中,二维的形状越相似,形状距离就越小,反之,形状距离就越大。需要进一步说明的是,这种形状距离也被用作一种形状能量函数,也就是说在这个情况下的变换,当标记与形状模板完全相等时,是没有形状距离代价,形状能力最小。
归一化处理的具体步骤为:
设定原图的均值向量C=[CxCy]T,协方差矩阵其中Cx、Cy、u11、u12、u21和u22均为特征点向量;
计算M的特征向量对齐坐标并根据特征值大小进行缩放,得到其中e1x和e1y均为特征点向量的单位向量,x和y为对应特征点坐标,λ为变换常数;
根据协方差矩阵张量t1和特征向量缩放矩阵张量t2确定转换角度α,其中tanα=t1/t2,根据转换角度确定新的张量则有规一化角度
则归一化统一公式为:
在本步骤中,形状模板与目标形状是同时进行的,进行归一化处理的作用在于使得图片进行了诸如旋转平移、尺度缩放、倾斜等形状变形不会对形状距离的计算产生影响。
步骤S400、依据纹理特征对形状模板进行补偿识别集装箱装卸桥,在形状模板的基础上,将经过LBP变化的纹理特征逐次进行补偿,精确识别集装箱装卸桥。
纹理补偿的具体步骤为:
步骤S401、将经过LBP纹理变化的遥感图像提取出来,与此同时将拓扑得到的形状模板提取出来;
步骤S402、对提取出来的遥感图像进行几何校正;
步骤S403、将经过几何校正的遥感图像属性直接叠加,即完成了纹理补偿。
综上所述,本发明的主要特点在于:
(1)本发明基于纹理特征进行目标的模糊选择,并且在纹理的处理过程中,通过背景模型和差分能够快速将遥感图像进行数据化,而且在数据化的过程中还能够保持边缘信息,便于后续的处理;
(2)在处理的过程中通过图像分割作用,将遥感图像分为若干个部分,通过形状模板和纹理特征的补偿,能够通过归一化的处理对遥感图像进行协调,能够规避极大的计算,提高数据处理的效率和识别的准确率。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种基于遥感解译分析技术提取集装箱装卸桥的方法,其特征在于,包括如下步骤:
S100、基于纹理特征进行目标检测,通过LBP纹理灰度不变构建背景模型,从背景模型中提取前景概率图,并进行差分得到初始目标模型;
S200、图像分割,在初始目标模型上依据不同特征将图像划分成若干个互不重叠的区域;
S300、遥感图像的拓扑与提取,依次从分割的图像区域内进行拓扑,提取遥感图像中的形状特征,并进行归一化处理得到形状模板;
S400、依据纹理特征对形状模板进行补偿识别集装箱装卸桥,在形状模板的基础上,将经过LBP变化的纹理特征逐次进行补偿,精确识别集装箱装卸桥。
2.根据权利要求1所述的一种基于遥感解译分析技术提取集装箱装卸桥的方法,其特征在于,在步骤S100中,LBP纹理特征构建背景模型的具体算法为:
S101、纹理特征赋值,设半径为R的环形领域上的P个像素点的联合分布T=t(gc,g0,…,gP-1),其中联合分布T即为图像的纹理特征,gc局部领域中心的灰度值,gP(P=0,1,…,P-1)对应半径为R的圆环上P个等分点的灰度值;
S102、基于灰度不变提取纹理特征,由于gc和gP相互独立,则T≈t(gc)(g0-gc,g1-gc,…,gP-1-gc),其中t(gc)为整个图像的灰度分布;
S103、差分提取初始目标的数据值,对纹理特征进行具体数值的赋值,则T≈t(s(g0-gc),s(g1-gc),…,s(gP-1-gc)),
其中是为符号函数,具体的有
S104、对数据值进行模型化,将联合分布T按环形领域上的像素排序构成0/1序列,通过对s(gP-gc)赋予二项式因子2P,得到局部二值模型
3.根据权利要求1所述的一种基于遥感解译分析技术提取集装箱装卸桥的方法,其特征在于,在步骤S200中,依据的特征包括灰度、空间纹理和几何形状特征。
4.根据权利要求1所述的一种基于遥感解译分析技术提取集装箱装卸桥的方法,其特征在于,在图像分割,需要对边界进行追踪和矢量化,而边界的追踪和矢量化具体步骤为:
S201、设定若干个顶点(x1,y1),(x2,y2),…,(xn,yn)和距离定义的阈值t;
S202、选取任意两个顶点作为划分边界的起点和终点,记为(x1,y1)和(xn,yn),并将其直接连接构成多义线;
S203、计算其它顶点到多义线之间的垂直距离di(i=2,3,…,n-1),在所有di>t的点集中搜索max(di)对应的顶点(xm,ym),分别将原来的初始起点和重点与此顶点连接,生成新的多义线;
S204、按照步骤S203的计算过程不断对每条新的多义线进行下一轮的逼近,直至所有的点到相应多义线的距离小于事先设定的阈值t,即终止。
5.根据权利要求1所述的一种基于遥感解译分析技术提取集装箱装卸桥的方法,其特征在于,在拓扑计算中,需要通过主成分分析依次对遥感图像进行差异赋值。
6.根据权利要求5所述的一种基于遥感解译分析技术提取集装箱装卸桥的方法,其特征在于,其中像素标记值赋值为1,背景像素标记值赋值为0。
7.根据权利要求5所述的一种基于遥感解译分析技术提取集装箱装卸桥的方法,其特征在于,主成分分析的具体步骤如下所述:
设定线性变化通式Y=TX,其中,X为待变换图像数据矩阵,Y为变换后的数据矩阵,T为变换正交矩阵;
将X矩阵以多波段图像的原始数据表示:
X=[Xij]mxn,其中m,n分别为波段数和每幅图像中的像元数,i,j分别为矩阵中的每一行矢量表示一个波段的图像,计算其协方差矩阵为其中I=[1,1,1,…,1]1xn,第I段均值
设定上述协方差矩阵的特征值为λi,特征向量为Ui,且λi和Ui组成变换矩阵H,则求解(λI-S)U=0,将λi由小至大顺序排列并求出对应的单位特征向量Ui,以Ui为列构成矩阵U,有T=UH。
8.根据权利要求1所述的一种基于遥感解译分析技术提取集装箱装卸桥的方法,其特征在于,提取遥感图像中形状特征的具体算法为:
设定任意封闭有界形状对应一个唯一的有符号距离,则两个经过LBP构建的二值图像Ψa和Ψb的形状距离计算公式:
设定特定的二值形状模板为Ψ0,则Ψ0与当前二值标签f之间的相似度用形状距离表示为:
其中p为任意特征点向量,P为特征点集,该形状距离即为形状特征。
9.根据权利要求1所述的一种基于遥感解译分析技术提取集装箱装卸桥的方法,其特征在于,归一化处理的具体步骤为:
设定原图的均值向量C=[CxCy]T,协方差矩阵其中Cx、Cy、u11、u12、u21和u22均为特征点向量;
计算M的特征向量对齐坐标并根据特征值大小进行缩放,得到其中e1x和e1y均为特征点向量的单位向量,x和y为对应特征点坐标,λ为对应的变换常数;
根据协方差矩阵张量t1和特征向量缩放矩阵张量t2确定转换角度α,其中tanα=t1/t2,根据转换角度确定新的张量则有规一化角度
则归一化统一公式为:
10.根据权利要求1所述的一种基于遥感解译分析技术提取集装箱装卸桥的方法,其特征在于,纹理补偿的具体步骤为:
S401、将经过LBP纹理变化的遥感图像提取出来,与此同时将拓扑得到的形状模板提取出来;
S402、对提取出来的遥感图像进行几何校正;
S403、将经过几何校正的遥感图像属性直接叠加,即完成了纹理补偿。
CN201711312960.1A 2017-12-12 2017-12-12 一种基于遥感解译分析技术提取集装箱装卸桥的方法 Active CN108257143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711312960.1A CN108257143B (zh) 2017-12-12 2017-12-12 一种基于遥感解译分析技术提取集装箱装卸桥的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711312960.1A CN108257143B (zh) 2017-12-12 2017-12-12 一种基于遥感解译分析技术提取集装箱装卸桥的方法

Publications (2)

Publication Number Publication Date
CN108257143A true CN108257143A (zh) 2018-07-06
CN108257143B CN108257143B (zh) 2020-09-15

Family

ID=62721091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711312960.1A Active CN108257143B (zh) 2017-12-12 2017-12-12 一种基于遥感解译分析技术提取集装箱装卸桥的方法

Country Status (1)

Country Link
CN (1) CN108257143B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310447A (zh) * 2023-05-23 2023-06-23 维璟(北京)科技有限公司 基于计算机视觉的遥感图像变化智能检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964112A (zh) * 2010-10-29 2011-02-02 上海交通大学 自适应的基于先验形状的图像分割方法
CN102750712A (zh) * 2012-06-07 2012-10-24 中山大学 一种基于局部时空流形学习的运动目标分割方法
CN106408572A (zh) * 2016-09-23 2017-02-15 交通运输部规划研究院 一种利用遥感影像监测港口的集装箱堆场的方法及系统
CN106780397A (zh) * 2017-01-06 2017-05-31 深圳先进技术研究院 Ct图像阴影校正方法、装置及电子设备
CN107330907A (zh) * 2017-06-28 2017-11-07 陕西师范大学 一种结合深度学习形状先验的mrf图像分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964112A (zh) * 2010-10-29 2011-02-02 上海交通大学 自适应的基于先验形状的图像分割方法
CN102750712A (zh) * 2012-06-07 2012-10-24 中山大学 一种基于局部时空流形学习的运动目标分割方法
CN106408572A (zh) * 2016-09-23 2017-02-15 交通运输部规划研究院 一种利用遥感影像监测港口的集装箱堆场的方法及系统
CN106780397A (zh) * 2017-01-06 2017-05-31 深圳先进技术研究院 Ct图像阴影校正方法、装置及电子设备
CN107330907A (zh) * 2017-06-28 2017-11-07 陕西师范大学 一种结合深度学习形状先验的mrf图像分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIAN YANG 等: "Two-Dimensional PCA: A New Approach to Appearance-Based Face Representation and Recognition", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
崔林丽 等: "一种基于对象和多种特征整合的分类识别方法研究", 《遥感学报》 *
张京爱 等: "基于纹理特征的穿梭分析系统动物检测算法", 《佳木斯大学学报(自然科学版)》 *
陈雁: "可见光遥感图像分割与提取研究", 《万方数据知识服务平台》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310447A (zh) * 2023-05-23 2023-06-23 维璟(北京)科技有限公司 基于计算机视觉的遥感图像变化智能检测方法及系统
CN116310447B (zh) * 2023-05-23 2023-08-04 维璟(北京)科技有限公司 基于计算机视觉的遥感图像变化智能检测方法及系统

Also Published As

Publication number Publication date
CN108257143B (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN110443836B (zh) 一种基于平面特征的点云数据自动配准方法及装置
CN107103323B (zh) 一种基于图像轮廓特征的目标识别方法
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN105069466B (zh) 基于数字图像处理的行人服饰颜色识别方法
CN103186904B (zh) 图片轮廓提取方法及装置
CN104200461B (zh) 基于互信息图像选块和sift特征的遥感图像配准方法
CN108021890B (zh) 一种基于plsa和bow的高分遥感影像港口检测方法
CN108830224B (zh) 一种基于深度学习的高分辨率遥感影像舰船目标检测方法
CN112883850B (zh) 一种基于卷积神经网络的多视角空天遥感图像匹配方法
CN111046868B (zh) 基于矩阵低秩稀疏分解的目标显著性检测方法
CN107146219B (zh) 一种基于流形正则化支持向量机的图像显著性检测方法
CN102800099A (zh) 多特征多级别的可见光与高光谱图像高精度配准方法
CN111783548B (zh) 基于改进特征提取和博弈论超图的sar图像与可见光图像匹配方法
CN115661064A (zh) 一种基于图像和点云结合的货箱识别方法
Liu et al. An MRF model-based approach to the detection of rectangular shape objects in color images
Chen et al. A novel Fourier descriptor based image alignment algorithm for automatic optical inspection
CN108256425B (zh) 一种利用遥感光谱信息高效率提取港口集装箱的方法
CN108257143A (zh) 一种基于遥感解译分析技术提取集装箱装卸桥的方法
Mizoguchi et al. Individual tree species classification based on terrestrial laser scanning using curvature estimation and convolutional neural network
Omidalizarandi et al. Segmentation and classification of point clouds from dense aerial image matching
CN109829502B (zh) 一种面向重复纹理及非刚性形变的像对高效稠密匹配方法
CN109785318B (zh) 基于面线基元关联约束的遥感图像变化检测方法
CN111046783A (zh) 一种改进分水岭算法的斜坡地质灾害边界提取方法
Joshi et al. Automatic rooftop detection using a two-stage classification
US20240104890A1 (en) Image processing device, recording medium, and image processing method

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
CB03 Change of inventor or designer information

Inventor after: Qi Yue

Inventor after: Nie Xiangjun

Inventor after: Dong Min

Inventor after: Liu Hong

Inventor after: Hao Jun

Inventor after: Li Geqing

Inventor after: Tang Guolei

Inventor after: Chen Junying

Inventor after: Cang Shaohui

Inventor before: Qi Yue

Inventor before: Nie Xiangjun

Inventor before: Dong Min

Inventor before: Liu Hong

Inventor before: Hao Jun

Inventor before: Huang Jun

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant