CN108550155B - 一种彩色林火遥感图像的目标区域分割方法 - Google Patents
一种彩色林火遥感图像的目标区域分割方法 Download PDFInfo
- Publication number
- CN108550155B CN108550155B CN201810344456.8A CN201810344456A CN108550155B CN 108550155 B CN108550155 B CN 108550155B CN 201810344456 A CN201810344456 A CN 201810344456A CN 108550155 B CN108550155 B CN 108550155B
- Authority
- CN
- China
- Prior art keywords
- color
- forest fire
- image
- remote sensing
- formula
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 238000009826 distribution Methods 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004456 color vision Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000008961 swelling Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007261 regionalization Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种彩色林火遥感图像的目标区域分割方法,步骤1、输入彩色林火遥感图像;步骤2、将输入的彩色林火遥感图像的颜色模式从RGB色彩空间转换到YCbCr色彩空间;步骤3、通过颜色聚类模型生成颜色聚类后的图像,从而分割出林火遥感图像中的林火火场区域,并将分割后的图像转换为灰度图像;步骤4、利用形态学处理转换后的灰度图像,从而获得准确的林火火场区域;步骤5、输出分割后林火区域图像。本发明提出的基于颜色聚类模型的林火遥感图像的分割方法可以准确地分割出彩色林火遥感图像中的火场区域,因此,利用颜色聚类思想进行分割林火遥感图像是非常可行并十分有效的。
Description
技术领域
本发明属于图像分割技术领域,特别是涉及一种彩色林火遥感图像的目标区域分割方法。
背景技术
准确并快速地分割出林火遥感图像中的林火区域不论是在林火救援中还是火后的损失评估中均具有重大的意义。但是现存的技术中,对遥感图像的区域分割的很多,但是针对林火遥感类图像的分割却几乎没有。图像分割方法并不完全具有各领域的适用性,还要根据实际的图像寻找合适的处理方法。因此,对于其他领域的遥感图像的分割方法无法很好地应用在林火遥感图像中。
发明内容
本发明为了解决现有的技术问题,提出一种彩色林火遥感图像的目标区域分割方法。
本发明的目的通过以下技术方案实现:一种彩色林火遥感图像的目标区域分割方法,包括以下步骤:
步骤1、输入彩色林火遥感图像;
步骤2、将输入的彩色林火遥感图像的颜色模式从RGB色彩空间转换到YCbCr色彩空间;
步骤3、通过颜色聚类模型生成颜色聚类后的图像,从而分割出林火遥感图像中的林火火场区域,并将分割后的图像转换为灰度图像;
步骤4、利用形态学处理转换后的灰度图像,从而获得准确的林火火场区域;
步骤5、输出分割后林火区域图像。
进一步地,所述将输入的彩色林火遥感图像的颜色模式从RGB色彩空间转换到YCbCr色彩空间,二者之间的转换关系如式(1)和式(2):
进一步地,所述颜色聚类模型具体为:
一种彩色C由三种基色P1、P2、P3进行匹配,定性匹配表示为式(3)所示:
式中,A1(C)、A2(C)、A3(C)是彩色C的匹配值,根据一种彩色混合光的光谱能量分布等于其组分的光谱能量分布之和,以及根据式(3)所示,光谱能量分布C(λ)依据式(4)所示可以由其配色等量替换;
Pj(λ)代表一种基色光的光谱能量分布,式(4)表示在等价算子<>两侧的光谱能量分布诱发相同的彩色视觉;配色是以三色值具体确定的,其是归一化的匹配值,如式(5)定义:
Tj(C)=Aj(C)/Aj(W) (5)
式中,Aj(W)表示参考白光的匹配值;
式(3)假定具有如式(6)所示形式:
从Grassman第四定律可知,彩色混合光Y(C)的亮度等于其基色成分的亮度,因此,有式(7)所示:
式中,V(λ)是相对发光效率;
通过具有灵敏度的s1(λ)、s2(λ)、s3(λ)的三种类型感受器的响应可知如式(8)所示模型:
假如观测主混合光而不是观测C,那么由式(7)替换C(λ),则产生相同的视锥信号e1(C);由此,可得模型如式(9)所示:
将式(9)改写成紧凑矩阵的形式,可得如式(10)所示形式:
进一步地,所述分割出林火遥感图像中的林火火场区域,并将分割后的图像转换为灰度图像具体为:
采用判别式(11)对颜色聚类后的图像进行处理,经林火区域分割得到林火火场的灰度图像;
进一步地,所述形态学处理方法为腐蚀和膨胀。
附图说明
图1是一种彩色林火遥感图像的目标区域分割方法流程图;
图2是输入的彩色林火遥感图像;
图3是分割后林火区域图像。
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。
林火遥感图像具有自身的独特性。一般情况,林火的特征是整个林火遥感图像中的重要信息。在色度空间中,林火的特殊颜色与周围的森林截然不同,分布具有良好的聚类性。利用颜色聚类模型可快速检测出林火火场区域,因此,本发明将颜色聚类算法应用在彩色林火遥感图像的分割中。
结合图1-图3,本发明提出一种彩色林火遥感图像的目标区域分割方法,包括以下步骤:
步骤1、输入彩色林火遥感图像;
步骤2、将输入的彩色林火遥感图像的颜色模式从RGB色彩空间转换到YCbCr色彩空间;
步骤3、通过颜色聚类模型生成颜色聚类后的图像,从而分割出林火遥感图像中的林火火场区域,并将分割后的图像转换为灰度图像;
步骤4、利用形态学处理转换后的灰度图像,从而获得准确的林火火场区域;
步骤5、输出分割后林火区域图像。
模型的建立首先是对林火遥感图像中林火区域颜色特征进行统计分析,然后确定模型中的参数,然后通过建立的模型进行判别所输入的林火遥感图像中哪些区域属于林火范围,最后将林火火场区域进行有效地分割出来。具体工作流程是:首先将输入的彩色林火遥感图像的颜色模式从RGB色彩空间转换到YCbCr空间,然后通过颜色聚类模型生成颜色聚类后的图像,并将分割后的图像转换为灰度图像,对灰度图像进行形态学处理,最后得到分割后的林火遥感图像。
林火聚类模型主要是用一种解析的或查找表的形式来表示哪些像素的颜色属于林火区域,或者表征出某一像素的颜色与林火区域颜色的相似程度。模型的建立首先是对林火遥感图像中林火区域颜色特征进行统计分析,然后确定模型中的参数,然后通过建立的模型进行判别所输入的林火遥感图像中哪些区域属于林火范围,最后将林火火场区域进行有效地分割出来。
YCbCr是一种常见的颜色模型。由于YCbCr色彩空间对林火具有很好的聚类效果,而RGB色彩空间受亮度影响大,HSV空间与YCbCr空间虽然都具有将色度和亮度分离的特点,但是HSV空间计算比较复杂,效率相对比较低,并且HSV空间存在奇异点即饱和度越低,色调越不稳定。因此,在进行林火聚类分割的时候,可以把RGB色彩空间转换到YCbCr空间,二者之间的转换关系如式(1)和式(2):
虽然林火火场区域的颜色在彩色空间的分布情况略有不同,但这种不同主要是存在于亮度上面而不是色度上,林火在一定范围内还是呈现聚类特性的。经统计实验发现,林火空间在YCbCr上的聚合主要集中在Cb=165左右。本发明采用判别式(11)对颜色聚类后的图像进行处理,经林火区域分割得到林火火场的灰度图像;
颜色特征属于图像的内部特征,描述了图像或图像区域所对应景物的表面特性。颜色特征与其他视觉特征相比,它对图像的尺寸、方向、视觉等变换不敏感,因此,颜色特征广泛应用于图像识别。对于彩色林火遥感图像,林火区域与其他区域存在着明显的颜色差异,不同情况的火情对应的色调是比较一致。因此,在色度空间中,林火区域分布具有聚类性。色彩空间的选择直接影响着颜色检测的结果,用于颜色检测的常用色彩空间有HIS、YIQ、YUV和YCbCr等。一般情况下,色调与亮度是两个独立的部分,虽然目标颜色的亮度有时会明显不同,但它的色度却基本不变,具有一定的稳定性。所述颜色聚类模型具体为:
一种彩色C由三种基色P1、P2、P3进行匹配,定性匹配表示为式(3)所示:
式中,A1(C)、A2(C)、A3(C)是彩色C的匹配值,根据一种彩色混合光的光谱能量分布等于其组分的光谱能量分布之和,以及根据式(3)所示,光谱能量分布C(λ)依据式(4)所示可以由其配色等量替换;
Pj(λ)代表一种基色光的光谱能量分布,式(4)表示在等价算子<>两侧的光谱能量分布诱发相同的彩色视觉;配色是以三色值具体确定的,其是归一化的匹配值,如式(5)定义:
Tj(C)=Aj(C)/Aj(W) (5)
式中,Aj(W)表示参考白光的匹配值;
式(3)假定具有如式(6)所示形式:
式中,V(λ)是相对发光效率;
通过具有灵敏度的s1(λ)、s2(λ)、s3(λ)的三种类型感受器的响应可知如式(8)所示模型:
假如观测主混合光而不是观测C,那么由式(7)替换C(λ),则产生相同的视锥信号e1(C);由此,可得模型如式(9)所示:
将式(9)改写成紧凑矩阵的形式,可得如式(10)所示形式:
色彩空间的聚类模型是一种通过色彩模型的变换,使得某一种颜色在色彩空间有聚类特性,然后将这一聚类在彩色空间中用代数进行表示出来。这种模型特别符合对于林火遥感图像的林火火场区域分割的要求。本发明利用数学模型来表达颜色的聚类性,将颜色相似的图像区域化分成一组,实现图像的分割。
为了提高林火遥感图像分割的准确性,同时还运用了形态学处理的方法。形态学中分来两种操作方法:膨胀和腐蚀。膨胀的作用是对待处理图像中的空洞和凹陷进行填充,目的是将与之接触的全部背景点合并到该物体中,使边界向外得到扩张。结构元素B对图像A的膨胀,记作定义为式(12)所示:
在检测函数中添加形态学中的膨胀和腐蚀操作,先小面积膨胀、大面积腐蚀,再膨胀恢复林火区域,然后利用边界追踪获得图像中斑点位置并消除,从而获得准确的林火火场区域。
通过分割的结果可以看出,本发明提出的基于颜色聚类模型的林火遥感图像的分割方法可以准确地分割出彩色林火遥感图像中的火场区域,因此,利用颜色聚类思想进行分割林火遥感图像是非常可行并十分有效的。
以上对本发明所提供的一种彩色林火遥感图像的目标区域分割方法,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种彩色林火遥感图像的目标区域分割方法,其特征在于,包括以下步骤:
步骤1、输入彩色林火遥感图像;
步骤2、将输入的彩色林火遥感图像的颜色模式从RGB色彩空间转换到YCbCr色彩空间;
步骤3、通过颜色聚类模型生成颜色聚类后的图像,从而分割出林火遥感图像中的林火火场区域,并将分割后的图像转换为灰度图像;
步骤4、利用形态学处理转换后的灰度图像,从而获得准确的林火火场区域;
步骤5、输出分割后林火区域图像;
所述将输入的彩色林火遥感图像的颜色模式从RGB色彩空间转换到YCbCr色彩空间,二者之间的转换关系如式(1)和式(2):
所述颜色聚类模型具体为:
一种彩色C由三种基色P1、P2、P3进行匹配,定性匹配表示为式(3)所示:
式中,A1(C)、A2(C)、A3(C)是彩色C的匹配值,根据一种彩色混合光的光谱能量分布等于其组分的光谱能量分布之和,以及根据式(3)所示,光谱能量分布C(λ)依据式(4)所示可以由其配色等量替换;
Pj(λ)代表一种基色光的光谱能量分布,式(4)表示在等价算子<>两侧的光谱能量分布诱发相同的彩色视觉;配色是以三色值具体确定的,其是归一化的匹配值,如式(5)定义:
Tj(C)=Aj(C)/Aj(W) (5)
式中,Aj(W)表示参考白光的匹配值;
式(3)假定具有如式(6)所示形式:
从Grassman第四定律可知,彩色混合光Y(C)的亮度等于其基色成分的亮度,因此,有式(7)所示:
式中,V(λ)是相对发光效率;
通过具有灵敏度的s1(λ)、s2(λ)、s3(λ)的三种类型感受器的响应可知如式(8)所示模型:
假如观测主混合光而不是观测C,那么由式(7)替换C(λ),则产生相同的视锥信号e1(C);由此,可得模型如式(9)所示:
将式(9)改写成紧凑矩阵的形式,可得如式(10)所示形式:
3.根据权利要求2所述的方法,其特征在于,所述形态学处理方法为腐蚀和膨胀。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810344456.8A CN108550155B (zh) | 2018-04-17 | 2018-04-17 | 一种彩色林火遥感图像的目标区域分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810344456.8A CN108550155B (zh) | 2018-04-17 | 2018-04-17 | 一种彩色林火遥感图像的目标区域分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108550155A CN108550155A (zh) | 2018-09-18 |
CN108550155B true CN108550155B (zh) | 2021-07-27 |
Family
ID=63515472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810344456.8A Active CN108550155B (zh) | 2018-04-17 | 2018-04-17 | 一种彩色林火遥感图像的目标区域分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108550155B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852381A (zh) * | 2019-11-11 | 2020-02-28 | 四川航天神坤科技有限公司 | 一种林火火烧迹地的提取方法及系统 |
CN112051200B (zh) * | 2020-08-26 | 2022-02-15 | 中国石油大学(北京) | 一种致密砂岩储层孔隙结构的定量评价方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101711000A (zh) * | 2009-11-17 | 2010-05-19 | 天津大学 | 基于获取最宽可感知色域三基色的编码方案 |
CN103971114A (zh) * | 2014-04-23 | 2014-08-06 | 天津航天中为数据系统科技有限公司 | 基于航空遥感的森林火灾探测方法 |
CN104573719A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 基于图像智能分析的山火检测方法 |
CN106845347A (zh) * | 2016-12-19 | 2017-06-13 | 航天恒星科技有限公司 | 海上油膜识别提取方法及系统 |
CN107403435A (zh) * | 2017-07-28 | 2017-11-28 | 江苏大学 | 一种基于rgb颜色空间的彩色图像边缘提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356350A1 (en) * | 2014-06-05 | 2015-12-10 | Mohamad Mustafa Awad | unsupervised non-parametric multi-component image segmentation method |
-
2018
- 2018-04-17 CN CN201810344456.8A patent/CN108550155B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101711000A (zh) * | 2009-11-17 | 2010-05-19 | 天津大学 | 基于获取最宽可感知色域三基色的编码方案 |
CN103971114A (zh) * | 2014-04-23 | 2014-08-06 | 天津航天中为数据系统科技有限公司 | 基于航空遥感的森林火灾探测方法 |
CN104573719A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 基于图像智能分析的山火检测方法 |
CN106845347A (zh) * | 2016-12-19 | 2017-06-13 | 航天恒星科技有限公司 | 海上油膜识别提取方法及系统 |
CN107403435A (zh) * | 2017-07-28 | 2017-11-28 | 江苏大学 | 一种基于rgb颜色空间的彩色图像边缘提取方法 |
Non-Patent Citations (2)
Title |
---|
Histogram matching for color detection: A preliminary study;Fatma Susilawati Mohamad; Azizah Abdul Manaf; Suriayati Chuprat;《2010 International Symposium on Information Technology》;20100902;第1679-1684页 * |
基于YCbCr颜色空间的森林火灾探测技术的研究;罗媛媛;《中国优秀硕士学位论文全文数据库 农业科技辑》;20130915;论文摘要、第16页、第34页、第43-44页、第51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108550155A (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-Dwairi et al. | Optimized true-color image processing | |
CN107507144B (zh) | 肤色增强的处理方法、装置及图像处理装置 | |
WO2016037422A1 (zh) | 一种视频场景变化的检测方法 | |
US20190019312A1 (en) | Method and device for processing white balance of image and storage medium | |
WO2016115829A1 (zh) | 一种基于Lab色彩空间的钞票分类鉴别方法和装置 | |
US9075876B2 (en) | Search method for video clip | |
Lee et al. | Color image enhancement using histogram equalization method without changing hue and saturation | |
Chen et al. | An advanced visibility restoration algorithm for single hazy images | |
CN108550155B (zh) | 一种彩色林火遥感图像的目标区域分割方法 | |
Li et al. | Vehicle color recognition using vector matching of template | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN110599553B (zh) | 一种基于YCbCr的肤色提取及检测方法 | |
Zangana et al. | A new algorithm for human face detection using skin color tone | |
Zhang et al. | A novel color space based on RGB color barycenter | |
Dong et al. | Vehicle color recognition based on license plate color | |
CN111612705A (zh) | 一种增强ocr性能的背景图像消除方法 | |
Berbar | Novel colors correction approaches for natural scenes and skin detection techniques | |
CN111192275A (zh) | 基于暗通道先验理论的高速公路团雾能见度识别方法 | |
KR100488014B1 (ko) | YCrCb 칼라 기반 얼굴 영역 추출 방법 | |
Manjare et al. | Skin detection for face recognition based on HSV color space | |
WO2015154526A1 (zh) | 视频监控低照度图像色彩还原方法和装置 | |
CN113658157A (zh) | 一种基于hsv空间的颜色分割方法及装置 | |
CN111415372A (zh) | 一种基于hsi颜色空间和上下文信息的运动目标归并方法 | |
Irfanullah et al. | An efficient approach for sky detection | |
Guo et al. | Color image morphology based on distances in the HSI color space |
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 |