CN108897878A - 一种图像数据处理方法和装置 - Google Patents

一种图像数据处理方法和装置 Download PDF

Info

Publication number
CN108897878A
CN108897878A CN201810724837.9A CN201810724837A CN108897878A CN 108897878 A CN108897878 A CN 108897878A CN 201810724837 A CN201810724837 A CN 201810724837A CN 108897878 A CN108897878 A CN 108897878A
Authority
CN
China
Prior art keywords
image
data
model
satellite
pixel
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.)
Pending
Application number
CN201810724837.9A
Other languages
English (en)
Inventor
张婷婷
唐仁超
马玲玲
石昊
李嫱
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.)
Shenyang Agricultural University
Original Assignee
Shenyang Agricultural 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 Shenyang Agricultural University filed Critical Shenyang Agricultural University
Priority to CN201810724837.9A priority Critical patent/CN108897878A/zh
Publication of CN108897878A publication Critical patent/CN108897878A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种图像数据处理方法及装置，该方法包括：通过传感器接收高质量卫星数据，对接收卫星数据库中采集到的数据进行处理，获取构建各种数据库，获取地物样本集，根据频谱变换获取样本点，再通过模型判别函数输出学习参数集，利用学习结果去除非目标物像素，对保留后的图像进行特征提取和识别。该装置包括：接收装置，数据处理装置，检索和获取装置，变换和判别装置，匹配和保留装置，特征提取和识别装置，输出和显示装置。该方法和装置能够将多样化信息进行融合和优化，使得数据处理高效准确，通过建模提高判别的精度和准确度，从而提高多数据的特征利用，提高数据的处理速度。

Description

一种图像数据处理方法和装置
技术领域
本发明属于数据处理技术领域，具体地，涉及一种图像数据处理方法和装置。
背景技术
数据图像处理技术领域中，尤其是遥感图像数据处理，数据量大，非目标物多，受传感器、气候影响大，对目标物的判别存在数据量大、精度低、准确度低的不足，亟需开发一种图像数据处理方法和装置，对图像数据进行处理、建模、判别，以提高精度和准确度。
发明内容
为了解决上述问题，本发明的目的在于提供一种图像数据处理方法和装置，从接收卫星数据开始，对卫星数据进行处理，构建各种数据库，获取地物样本集。根据频谱变换获取样本点，再通过模型判别函数输出学习参数集，利用学习结果去除非目标物像素，对保留后的图像进行特征提取和识别。该方法和装置能够将多样化信息进行融合和优化，使得数据处理高效准确，通过建模提高判别的精度和准确度，从而提高多数据的特征利用，提高数据的处理速度。
发明采用的技术方案如下：
本发明公开了一种图像数据处理方法，该方法包括：
通过传感器接收高质量卫星数据，包括多波段卫星数据、多分辨率卫星数据，构建接收卫星数据库；
进一步地，对接收卫星数据库中采集到的数据进行以下操作：去除大气影响，配准、分割、尺度变换、格式转换，形成目标数据库；
对目标数据库中的图像数据进行检索，检索到感兴趣区域，获取L幅大小为M×N的含杂物组成的地物数据样本集G＝{fi}，其中1<i<L，fi表示第i幅含杂物的地物数据样本图像；
对每幅含杂物的地物数据样本图像fi(x,y)进行傅立叶变换和反傅立叶变换，得到含杂物的地物数据样本图像的傅立叶谱集，对所有频率点的幅度值序列应用于统计分布模型，获取样本点x(i)，通过模型判别函数进行计算，输出学习参数集；
根据学习参数集的学习结果计算感兴趣区域内各像素的模型匹配值，对图像像素点进行保留；对保留后的图像进行特征提取，对目标物进行识别；对结果进行输出和显示。
本发明还公开了一种图像数据处理装置，该装置包括：
接收装置，用于通过传感器接收高质量卫星数据，包括多波段卫星数据、多分辨率卫星数据，构建接收卫星数据库；
数据处理装置，用于对接收卫星数据库中采集到的数据进行以下操作：去除大气影响，配准、分割、尺度变换、格式转换，形成目标数据库；
检索和获取装置，用于对目标数据库中的图像数据进行检索，检索到感兴趣区域，获取L幅大小为M×N的含杂物组成的地物数据样本集G＝{fi}，其中1<i<L，fi表示第i幅含杂物的地物数据样本图像；
变换和判别装置，用于对每幅含杂物的地物数据样本图像fi(x,y)进行傅立叶变换和反傅立叶变换，得到含杂物的地物数据样本图像的傅立叶谱集，对所有频率点的幅度值序列应用于统计分布模型，获取样本点x(i)，通过模型判别函数进行计算，输出学习参数集；
匹配和保留装置，用于根据学习参数集的学习结果计算感兴趣区域内各像素的模型匹配值，对图像像素点进行保留；
特征提取和识别装置，用于对保留后的图像进行特征提取，对目标物进行识别；
输出和显示装置，用于对结果进行输出和显示。
附图说明
下面结合附图及实施方式对本发明作进一步详细的说明：
图1为数据处理方法的流程图。
图2为数据处理装置的示意图。
具体实施方式
在下文中更详细地描述了本发明以有助于对本发明的理解。
应当理解的是，在说明书和权利要求书中使用的术语或词语不应当理解为具有在字典中限定的含义，而应理解为在以下原则的基础上具有与其在本发明上下文中的含义一致的含义：术语的概念可以适当地由发明人为了对本发明的最佳说明而限定。
本发明公开了一种图像数据处理方法，该方法包括：
通过传感器接收高质量卫星数据，包括多波段卫星数据、多分辨率卫星数据，构建接收卫星数据库；
进一步地，对接收卫星数据库中采集到的数据进行以下操作：去除大气影响，配准、分割、尺度变换、格式转换，形成目标数据库；
对目标数据库中的图像数据进行检索，检索到感兴趣区域，获取L幅大小为M×N的含杂物组成的地物数据样本集G＝{fi}，其中1<i<L，fi表示第i幅含杂物的地物数据样本图像；
对每幅含杂物的地物数据样本图像fi(x,y)进行傅立叶变换和反傅立叶变换，得到含杂物的地物数据样本图像的傅立叶谱集，对所有频率点的幅度值序列应用于统计分布模型，获取样本点x(i)，通过模型判别函数进行计算，输出学习参数集；
根据学习参数集的学习结果计算感兴趣区域内各像素的模型匹配值，对图像像素点进行保留；对保留后的图像进行特征提取，对目标物进行识别；对结果进行输出和显示。
进一步地，所述通过模型判别函数进行计算，输出学习参数集为：根据判别函数，对x(i)进行模型覆盖判别，判断x(i)是否在模型设定的精度范围内，确定x(i)的模型分布状态，更新模型参数，待所有x(i)学习完后输出学习参数集。
进一步地，所述模型判别函数为：
其中，gl,i(x(i))是i时刻的判别函数，x(i)是当前样本点，αl,i-1是多分布模型中第l个中心点，是第i-1个时刻第l个分布的期望矩阵，Al,i-1是第i-1个时刻第l个分布的协方差矩阵，βk,i-1表示第i-1个时刻第l个分布的权值。
进一步地，还包括：针对感兴趣区域图像，利用学习参数集中的学习结果计算感兴趣区域内各像素的模型匹配值，与设定的阈值相比，如果大于阈值，认为是非目标物像素点，则进行去除，如果小于或等于阈值，则认为是目标物像素点，进行保留；对保留后的图像进行特征提取，提取图像中目标物体的RGB特征、灰度特征、深度特征、曲面法线特征，对上述四个特征进行融合，对目标物进行识别。
本发明还公开了一种图像数据处理装置，该装置包括：
接收装置，用于通过传感器接收高质量卫星数据，包括多波段卫星数据、多分辨率卫星数据，构建接收卫星数据库；
进一步地，数据处理装置，用于对接收卫星数据库中采集到的数据进行以下操作：去除大气影响，配准、分割、尺度变换、格式转换，形成目标数据库；
检索和获取装置，用于对目标数据库中的图像数据进行检索，检索到感兴趣区域，获取L幅大小为M×N的含杂物组成的地物数据样本集G＝{fi}，其中1<i<L，fi表示第i幅含杂物的地物数据样本图像；
变换和判别装置，用于对每幅含杂物的地物数据样本图像fi(x,y)进行傅立叶变换和反傅立叶变换，得到含杂物的地物数据样本图像的傅立叶谱集，对所有频率点的幅度值序列应用于统计分布模型，获取样本点x(i)，通过模型判别函数进行计算，输出学习参数集；
匹配和保留装置，用于根据学习参数集的学习结果计算感兴趣区域内各像素的模型匹配值，对图像像素点进行保留；
特征提取和识别装置，用于对保留后的图像进行特征提取，对目标物进行识别；
输出和显示装置，用于对结果进行输出和显示。
进一步地，所述通过模型判别函数进行计算，输出学习参数集为：根据判别函数，对x(i)进行模型覆盖判别，判断x(i)是否在模型设定的精度范围内，确定x(i)的模型分布状态，更新模型参数，待所有x(i)学习完后输出学习参数集。
进一步地，所述模型判别函数为：
其中，gl,i(x(i))是i时刻的判别函数，x(i)是当前样本点，αl,i-1是多分布模型中第l个中心点，是第i-1个时刻第l个分布的期望矩阵，Al,i-1是第i-1个时刻第l个分布的协方差矩阵，βk,i-1表示第i-1个时刻第l个分布的权值。
进一步地，匹配和保留装置，还用于针对感兴趣区域图像，利用学习参数集中的学习结果计算感兴趣区域内各像素的模型匹配值，与设定的阈值相比，如果大于阈值，认为是非目标物像素点，则进行去除，如果小于或等于阈值，则认为是目标物像素点，进行保留；特征提取和识别装置，还用于对保留后的图像进行特征提取，提取图像中目标物体的RGB特征、灰度特征、深度特征、曲面法线特征，对上述四个特征进行融合，对目标物进行识别。
以上描述了本发明优选实施方式，然其并非用以限定本发明。本领域技术人员对在此公开的实施方案可进行并不偏离本发明范畴和精神的改进和变化。

Claims (8)

1.一种图像数据处理方法，其特征在于，该方法包括：
通过传感器接收高质量卫星数据，包括多波段卫星数据、多分辨率卫星数据，构建接收卫星数据库。
对接收卫星数据库中采集到的数据进行以下操作：去除大气影响，配准、分割、尺度变换、格式转换，形成目标数据库。
对目标数据库中的图像数据进行检索，检索到感兴趣区域，获取L幅大小为M×N的含杂物组成的地物数据样本集G＝{fk}，其中1<k<L，fk表示第k幅含杂物的地物数据样本图像。
对每幅含杂物的地物数据样本图像fk(x,y)进行傅立叶变换和反傅立叶变换，得到含杂物的地物数据样本图像的傅立叶谱集，对所有频率点的幅度值序列应用于统计分布模型，获取样本点x(i)，通过模型判别函数进行计算，输出学习参数集。
根据学习参数集的学习结果计算感兴趣区域内各像素的模型匹配值，对图像像素点进行保留；对保留后的图像进行特征提取，对目标物进行识别；对结果进行输出和显示。
2.根据权利要求1所述的一种图像数据处理方法，所述通过模型判别函数进行计算，输出学习参数集为：根据判别函数，对x(i)进行模型覆盖判别，判断x(i)是否在模型设定的精度范围内，确定x(i)的模型分布状态，更新模型参数，待所有x(i)学习完后输出学习参数集。
3.根据权利要求1或2所述的一种图像数据处理方法，所述模型判别函数为：
其中，gl,i(x(i))是i时刻的判别函数，x(i)是当前样本点，αl,i-1是多分布模型中第l个中心点，是第i-1个时刻第l个分布的期望矩阵，Al,i-1是第i-1个时刻第l个分布的协方差矩阵，βk,i-1表示第i-1个时刻第l个分布的权值。
4.根据权利要求3所述的一种图像数据处理方法，还包括：针对感兴趣区域图像，利用学习参数集中的学习结果计算感兴趣区域内各像素的模型匹配值，与设定的阈值相比，如果大于阈值，认为是非目标物像素点，则进行去除，如果小于或等于阈值，则认为是目标物像素点，进行保留；对保留后的图像进行特征提取，提取图像中目标物体的RGB特征、灰度特征、深度特征、曲面法线特征，对上述四个特征进行融合，对目标物进行识别。
5.一种图像数据处理装置，其特征在于，该装置包括：
接收装置，用于通过传感器接收高质量卫星数据，包括多波段卫星数据、多分辨率卫星数据，构建接收卫星数据库。
数据处理装置，用于对接收卫星数据库中采集到的数据进行以下操作：去除大气影响，配准、分割、尺度变换、格式转换，形成目标数据库。
检索和获取装置，用于对目标数据库中的图像数据进行检索，检索到感兴趣区域，获取L幅大小为M×N的含杂物组成的地物数据样本集G＝{fi}，其中1<i<L，fi表示第i幅含杂物的地物数据样本图像。
变换和判别装置，用于对每幅含杂物的地物数据样本图像fi(x,y)进行傅立叶变换和反傅立叶变换，得到含杂物的地物数据样本图像的傅立叶谱集，对所有频率点的幅度值序列应用于统计分布模型，获取样本点x(i)，通过模型判别函数进行计算，输出学习参数集。
匹配和保留装置，用于根据学习参数集的学习结果计算感兴趣区域内各像素的模型匹配值，对图像像素点进行保留。
特征提取和识别装置，用于对保留后的图像进行特征提取，对目标物进行识别。
输出和显示装置，用于对结果进行输出和显示。
6.根据权利要求5所述的一种图像数据处理装置，所述通过模型判别函数进行计算，输出学习参数集为：根据判别函数，对x(i)进行模型覆盖判别，判断x(i)是否在模型设定的精度范围内，确定x(i)的模型分布状态，更新模型参数，待所有x(i)学习完后输出学习参数集。
7.根据权利要求5或6所述的一种图像数据处理装置，所述模型判别函数为：
其中，gl,i(x(i))是i时刻的判别函数，x(i)是当前样本点，αl,i-1是多分布模型中第l个中心点，是第i-1个时刻第l个分布的期望矩阵，Al,i-1是第i-1个时刻第l个分布的协方差矩阵，βk,i-1表示第i-1个时刻第l个分布的权值。
8.根据权利要求7所述的一种图像数据处理装置，还包括：匹配和保留装置，还用于针对感兴趣区域图像，利用学习参数集中的学习结果计算感兴趣区域内各像素的模型匹配值，与设定的阈值相比，如果大于阈值，认为是非目标物像素点，则进行去除，如果小于或等于阈值，则认为是目标物像素点，进行保留；特征提取和识别装置，还用于对保留后的图像进行特征提取，提取图像中目标物体的RGB特征、灰度特征、深度特征、曲面法线特征，对上述四个特征进行融合，对目标物进行识别。
CN201810724837.9A 2018-07-04 2018-07-04 一种图像数据处理方法和装置 Pending CN108897878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810724837.9A CN108897878A (zh) 2018-07-04 2018-07-04 一种图像数据处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810724837.9A CN108897878A (zh) 2018-07-04 2018-07-04 一种图像数据处理方法和装置

Publications (1)

Publication Number Publication Date
CN108897878A true CN108897878A (zh) 2018-11-27

Family

ID=64347810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810724837.9A Pending CN108897878A (zh) 2018-07-04 2018-07-04 一种图像数据处理方法和装置

Country Status (1)

Country Link
CN (1) CN108897878A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303184A (zh) * 2015-11-25 2016-02-03 中国矿业大学(北京) 一种卫星遥感影像中地物精确识别方法
CN105550685A (zh) * 2015-12-11 2016-05-04 哈尔滨工业大学 基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303184A (zh) * 2015-11-25 2016-02-03 中国矿业大学(北京) 一种卫星遥感影像中地物精确识别方法
CN105550685A (zh) * 2015-12-11 2016-05-04 哈尔滨工业大学 基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王荔霞: "基于统计学习的遥感图像海洋背景抑制方法研究", 《中国博士学位论文全文数据库（电子期刊） 信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN103400156B (zh) 基于cfar和稀疏表示的高分辨sar图像舰船检测方法
CN105931253B (zh) 一种基于半监督学习相结合的图像分割方法
CN103208011B (zh) 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法
CN106910188B (zh) 基于深度学习的遥感影像中机场跑道的检测方法
CN105335975B (zh) 基于低秩分解和直方图统计的极化sar图像分割方法
CN105528595A (zh) 在无人机航拍图像中对输电线路绝缘子的识别定位方法
CN109978822A (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
Deng et al. Cloud detection in satellite images based on natural scene statistics and gabor features
CN104361340A (zh) 基于显著性检测和聚类的sar图像目标快速检测方法
CN106778837B (zh) 基于多线性主成分分析和张量分析的sar图像目标识别方法
CN104751111B (zh) 识别视频中人体行为的方法和系统
CN103886336A (zh) 基于稀疏自动编码器的极化sar图像分类方法
CN103839075B (zh) 一种基于联合稀疏表示的sar图像分类方法
CN109815953A (zh) 一种基于车辆年检标的车辆识别匹配系统
CN108960258A (zh) 一种基于自学习深度特征的模板匹配方法
CN110110618B (zh) 一种基于pca和全局对比度的sar目标检测方法
CN107329137A (zh) 基于box样条小波框架的探地雷达地下目标定位方法及系统
CN104361346A (zh) 基于k-svd和稀疏表示的极化sar图像分类方法
CN107704840A (zh) 一种基于深度学习的遥感图像道路检测方法
CN105654122A (zh) 基于核函数匹配的空间金字塔物体识别方法
CN106326938A (zh) 基于弱监督学习的sar图像目标鉴别方法
CN106228182A (zh) 基于spm和深度增量svm的sar图像分类方法
CN108537169A (zh) 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法
CN106778897B (zh) 基于余弦距离和中心轮廓距离的两次植物物种识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181127