CN109033992A - 基于主动式火点数据的重工业区域发现算法 - Google Patents
基于主动式火点数据的重工业区域发现算法 Download PDFInfo
- Publication number
- CN109033992A CN109033992A CN201810713293.6A CN201810713293A CN109033992A CN 109033992 A CN109033992 A CN 109033992A CN 201810713293 A CN201810713293 A CN 201810713293A CN 109033992 A CN109033992 A CN 109033992A
- Authority
- CN
- China
- Prior art keywords
- heat source
- source object
- point data
- fiery point
- heavy
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于主动式火点数据的重工业区域发现算法。该方法包括:火点数据获取与预处理,并按照区域网格进行数据切分;基于空间距离的热源对象构建,并剔除虚假自然火点;按照热源对象区域位置,获取相应高分影像的图像;提取热源对象的特征,包括几何、统计和视觉特征;按照经验阈值识别重工业区域,并进行结果验证与输出。该方法作为一种全新的重工业区域发现方式,充分利用主动式夜火数据时间分辨率高、空间覆盖范围全的优势,有效地识别出了全球的重工业区域。为环境监测、重工业经济效益评估、区域发展等,提供了良好的辅助作用。
Description
技术领域
本发明涉及主动式火点数据处理领域和目标发现识别领域,更具体的说,是涉及一种基于主动式火点数据的重工业区域发现方法和模型。
技术背景
重工业,包括钢铁工业、冶金工业、机械、能源(电力、石油、煤炭、天然气等)、化学、材料等工业,是为国民经济各部门提供技术装备、动力和原材料的基础工业,是实现社会再生产和扩大再生产的物质基础。一个国家重工业的发展规模和技术水平,是体现其国力的重要标志。同时,区域重工业发展规模盲目扩张、结构重化同构、布局分散无序等问题日益突出,出现了大量重复建设、产能过剩和恶性竞争现象,不仅到威胁到国家社会经济的可持续协调发展,也加剧了区域性资源环境压力。因此,如何准确、高效、快速的定位全球重工业区域,对于环境监测、资源管理、重大工程监理、国防安全等领域发展具有重要意义。
重工业区域分布具有:分布范围广、区域隐蔽、规模形状各异、不易查证等特点,同时由于涉及国防安全问题。因此,采用传统的方式,实现全球重工业区域定位于发现基本不可能。由于,重工业生产活动会产生高强度热辐射,比如炼钢厂的炼钢炉、电解铝工厂的电解炉在工作时都会产生大量的热辐射。热源的分布在一定程度上反映了厂矿的时空分布格局;热源的强度在一定程度上工厂热排放的强度,反映了工厂生产活动的情况。因此对热辐射进行监测为间接监测工厂的分布与活动提供了一种技术手段。NPP的主动式夜火数据就是模拟地面高温点的产品数据,与传统统计调查相比,NPP数据应用于重工业区域发现具有以下优势:能够定期快速获得大尺度高温辐射点数据,为实时监控重工业区域生产状况提供了可能;能够获取全球陆地和海洋的长时间连续空间观测数据,相比行政单元统计数据具有更加丰富的空间细节信息,有利于揭示行政单元尺度以下社会经济参量时空变化规律。
本文将NPP的主动式夜火数据应用到重工业区域发现领域,结合大数据并行处理技术、数据空间聚类、高维特征提取技术,提出了一种基于主动式火点数据的重工业区域发现方法与模型。针对重工业区域的特点,采用长时间序列的NPP的主动式夜火数据,辅助高分辨遥感数据,准确的定位出重工业的地理位置,以及大致规模。作为一种新的重工业发现方法,为重工业资源配置、环境监测、国防安全,以及全球资源长期可持续发展提供了必要的数据支持。
发明内容
本发明提出了一种新的重工业区域发现方法,即基于主动式火点数据的重工业区域发现方法。其目的在于充分利用NPP Active Fire/Hotspot数据的时间分辨率高和覆盖范围广的特性,挖掘全球范围的高温点区域,并利用重工业区域的特点,高效准确的定位重工业区域。作为一种新的基于主动式火点数据的重工业区域发现方式,该方法较好的满足了全球重工业区域定位问题,为环境监测、重工业经济效益评估、相关辅助产业配置等,提供了有利的辅助数据。
本发明一种基于主动式火点数据的重工业区域发现方法包括以下几个步骤:
(1)火点数据与处理层
(1-1)原始数据的获取与解析,从NASA网站中下载NPP Active Fire/Hotspot数据,并进行数据解析;
(1-2)构建全球区域网格,根据工厂区域范围,设定网格区域的大小,构建全球区域网格规范;
(1-3)数据切分保存,按照构建的全球区域网格规范,进行原始火点数据的切分。
(2)热源对象构建层
基于空间距离的热源对象构建,并剔除虚假自然火点。其包括的步骤有:
(2-1)基于空间距离的热源对象预构建,针对分割后的火点数据库,逐一计算一定区域范围的火点,以形成初始的热源对象库;热源对象库的构建规则为“相交则合并,无相交则新建”;
(2-2)计算热源对象离散度,并剔除热源对象内部的虚假自然火点。
(3)热源对象图像获取层
按照步骤(2)构建的热源对象区域位置,经过地理位置校正后,从高分辨率的遥感影像中获取对应的热源对象图像。
(4)热源对象特征提取层
热源对象特征提取层,包括几何、统计和视觉特征,具体如下所述:
(4-1)几何特征热源对象的中心点位置,最大外接矩形等几何特征;
(4-2)统计特征热源对象包含的火点数据个数,火点“bright_ti4”、“bright_ti5”、“scan”“track”和“frp”等字段的最小值、最大值、均值和方差,按照日期排序的时间间隔的均值与方差,以及热点数据的获取日期的最小值和最大值;
(4-3)视觉特征热源对象对应图像的纹理和颜色特征。
其中,图像视觉特征提取,是指针对图像的提取以下图像特征:
(1)64维颜色直方图特征提取,计算遥感图像块的64维的直方图,构成64维颜色直方图特征矢量;
(2)三阶颜色矩特征提取,计算遥感图像块灰度的最小值,最大值,中值、一阶矩、二阶中心矩和三阶中心矩特征,构成6维的三阶颜色矩特征矢量;
(3)改进的纹理谱特征提取,计算遥感图像块的纹理谱,利并用纹理模式的对称不变性将256维直方图描述子划分为51维,使量化后的纹理谱更加紧凑,更加符合纹理的视觉特征,构成51维的改进的纹理谱特征矢量;
(4)灰度共生矩阵特征提取,计算遥感图像块的灰度共生矩阵,选取灰度共生矩阵能量、惯性矩、相关性和熵四个描述子的均值和方差构成8维的灰度共生矩阵特征矢量;
(5)矩不变量特征提取,计算遥感图像块的7阶矩不变量特征,构成7维矩不变量特征矢量;
(6)快速小波特征提取,计算遥感图像块3层小波分解后的10个子图的均值和方差,构成20维的快速小波特征矢量。
(5)重工业区域发现层
按照经验阈值识别重工业区域,并进行结果验证与输出。
本发明分析了当前重工业区域发现的研究现状,将主动式火点数据应用在重工业区域发现的建模中,提出了一种基于主动式火点数据的重工业区域发现算法。作为一种新的重工业区域发现方式,其在有效、准确的识别出全球重工业区域的同时,还具有以下有益效果及优点:
(1)本发明是基于主动式火点数据基础上的重工业区域发现模型,具有时间分辨率高、时间周期长的特点,因此该模型对天气情况的要求较低,避免了传统光学图像因天气原因,对目标识别的误判。
(2)主动式火点数据全球覆盖的特点,可以有效地识别出全球任意范围内的重工业区域,避免了传统人工作业的低效性。
(3)基于几何、统计与视觉特征等高维特征的重工业识别算法,保证了重工业识别的准确性。
附图说明
此处提供的附图仅用于进一步阐述本发明,构成本发明的一部分,本申请的示意性实时例机器说明用于解释本发明申请,并不构成对本申请的不当限定,在附图中:
图1是本发明基于主动式火点数据的重工业区域发现算法的一实施例的流程图;
具体实施过程
下文结合说明书附图1,以NPP Active Fire/Hotspot卫星遥感影像数据近6年的数据为例,对本发明的具体实施方式作详细说明。
下面结合说明书附图对本发明作进一步阐述。
如图1所示,基于主动式火点数据的重工业区域发现方法包括以下几个步骤:
(1)火点数据与处理层
(1-1)原始数据的获取与解析,从NASA网站中下载NPP Active Fire/Hotspot数据(https://firms.modaps.eosdis.nasa.gov/download/),并进行数据解析;
(1-2)构建全球区域网格,根据工厂区域范围,设定网格区域的大小,构建全球区域网格规范;
(1-3)数据切分保存,按照构建的全球区域网格规范,进行原始火点数据的切分。
(2)热源对象构建层基于空间距离的热源对象构建,并剔除虚假自然火点。其包括的步骤有:
(2-1)基于空间距离的热源对象预构建,针对分割后的火点数据库,逐一计算一定区域范围的火点,以形成初始的热源对象库;热源对象库的构建规则为“相交则合并,无相交则新建”;
(2-2)计算热源对象离散度,并剔除热源对象内部的虚假自然火点。
(3)热源对象图像获取层
按照步骤(2)构建的热源对象区域位置,经过地理位置校正后,从高分辨率的遥感影像中获取对应的热源对象图像。
(4)热源对象特征提取层
热源对象特征提取层,包括几何、统计和视觉特征,具体如下所述:
(4-1)几何特征热源对象的中心点位置,最大外接矩形等几何特征;
(4-2)统计特征热源对象包含的火点数据个数,火点“bright_ti4”、“bright_ti5”、“scan”“track”和“frp”等字段的最小值、最大值、均值和方差,按照日期排序的时间间隔的均值与方差,以及热点数据的获取日期的最小值和最大值;
(4-3)视觉特征热源对象对应图像的纹理和颜色特征。
其中,图像视觉特征提取,是指针对图像的提取以下图像特征:
(1)64维颜色直方图特征提取,计算遥感图像块的64维的直方图,构成64维颜色直方图特征矢量;
(2)三阶颜色矩特征提取,计算遥感图像块灰度的最小值,最大值,中值、一阶矩、二阶中心矩和三阶中心矩特征,构成6维的三阶颜色矩特征矢量;
(3)改进的纹理谱特征(施智平,胡宏,李清勇等.基于纹理普描述子的图像检索[J].软件学报.16(6)(2005)pp:1039-1045)提取,计算遥感图像块的纹理谱,利并用纹理模式的对称不变性将256维直方图描述子划分为51维,使量化后的纹理谱更加紧凑,更加符合纹理的视觉特征,构成51维的改进的纹理谱特征矢量;
(4)灰度共生矩阵特征提取,计算遥感图像块的灰度共生矩阵,选取灰度共生矩阵能量、惯性矩、相关性和熵四个描述子的均值和方差构成8维的灰度共生矩阵特征矢量;
(5)矩不变量特征(Hu M K.Visual pattern recognition by moment invariant[J].IRE Trans Information Theory,1962,8:179-187)提取,计算遥感图像块的7阶矩不变量特征,构成7维矩不变量特征矢量,矩不变量特征的计算方式如下所示;
(6)快速小波特征提取,计算遥感图像块3层小波分解后的10个子图的均值和方差,构成20维的快速小波特征矢量。
(5)重工业区域发现层
按照经验阈值识别重工业区域,并进行结果验证与输出。
Claims (3)
1.一种基于主动式火点数据的重工业区域发现算法,其特征在于,包括:
(1-1)火点数据与处理层火点数据获取与预处理,并按照区域网格进行数据切分,形成按区域分割的火点数据库;
(1-2)热源对象构建层基于空间距离的热源对象构建,并剔除虚假自然火点;
(1-3)热源对象图像获取层按照热源对象区域位置,获取相应高分影像的图像;
(1-4)热源对象特征提取层提取热源对象的特征,包括几何、统计和视觉特征;
(1-5)重工业区域发现层按照经验阈值识别重工业区域,并进行结果验证与输出。
2.如权利要求1所述的方法,热源对象构建层,还包括:
(2-1)基于空间距离的热源对象预构建,针对分割后的火点数据库,逐一计算一定区域范围的火点,以形成初始的热源对象库;热源对象库的构建规则为“相交则合并,无相交则新建”;
(2-2)计算热源对象离散度,并剔除热源对象内部的虚假自然火点。
3.如权利要求1所述的方法,热源对象特征提取层,包括几何、统计和视觉特征,还包括:
(3-1)几何特征热源对象的中心点位置,最大外接矩形等几何特征;
(3-2)统计特征热源对象包含的火点数据个数,火点“bright_ti4”、“bright_ti5”、“scan”“track”和“frp”等字段的最小值、最大值、均值和方差,按照日期排序的时间间隔的均值与方差,以及热点数据的获取日期的最小值和最大值;
(3-3)视觉特征热源对象对应图像的纹理和颜色特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810713293.6A CN109033992B (zh) | 2018-07-03 | 2018-07-03 | 基于主动式火点数据的重工业区域发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810713293.6A CN109033992B (zh) | 2018-07-03 | 2018-07-03 | 基于主动式火点数据的重工业区域发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033992A true CN109033992A (zh) | 2018-12-18 |
CN109033992B CN109033992B (zh) | 2021-12-07 |
Family
ID=65521349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810713293.6A Active CN109033992B (zh) | 2018-07-03 | 2018-07-03 | 基于主动式火点数据的重工业区域发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033992B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670556A (zh) * | 2018-12-27 | 2019-04-23 | 中国科学院遥感与数字地球研究所 | 基于火点和夜光数据的全球热源重工业区域识别算法 |
CN111753754A (zh) * | 2020-06-28 | 2020-10-09 | 三亚中科遥感研究所 | 一种基于热源重工业区域分析的秸秆燃烧火点识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160799A (zh) * | 2015-09-29 | 2015-12-16 | 广州紫川电子科技有限公司 | 一种基于红外热成像裸数据的火情与热源探测方法及装置 |
CN106652300A (zh) * | 2016-12-23 | 2017-05-10 | 航天星图科技(北京)有限公司 | 一种应用于林区的火点监测方法 |
-
2018
- 2018-07-03 CN CN201810713293.6A patent/CN109033992B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160799A (zh) * | 2015-09-29 | 2015-12-16 | 广州紫川电子科技有限公司 | 一种基于红外热成像裸数据的火情与热源探测方法及装置 |
CN106652300A (zh) * | 2016-12-23 | 2017-05-10 | 航天星图科技(北京)有限公司 | 一种应用于林区的火点监测方法 |
Non-Patent Citations (2)
Title |
---|
IVAN CSISZAR,ET AL.: "Active fires from the Suomi NPP Visible Infrared Imaging Radiometer Suite: Product status and first evaluation results", 《JOURNAL OF GEOPHYSICAL RESEARCH: ATMOSPHERES》 * |
孙佳琪 等: "基于Suomi-NPP VIIRS夜间热异常产品的城市工业热源分类——以京津冀地区为例", 《地理与地理信息科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670556A (zh) * | 2018-12-27 | 2019-04-23 | 中国科学院遥感与数字地球研究所 | 基于火点和夜光数据的全球热源重工业区域识别算法 |
CN109670556B (zh) * | 2018-12-27 | 2023-07-04 | 中国科学院遥感与数字地球研究所 | 基于火点和夜光数据的全球热源重工业区域识别方法 |
CN111753754A (zh) * | 2020-06-28 | 2020-10-09 | 三亚中科遥感研究所 | 一种基于热源重工业区域分析的秸秆燃烧火点识别方法 |
CN111753754B (zh) * | 2020-06-28 | 2023-09-12 | 三亚中科遥感研究所 | 一种基于热源重工业区域分析的秸秆燃烧火点识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109033992B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101620676B (zh) | 绝缘子轮廓的快速图像识别方法 | |
Chen et al. | An improved license plate location method based on edge detection | |
CN107808133B (zh) | 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 | |
CN107093205A (zh) | 一种基于无人机图像的三维空间建筑物窗户检测重建方法 | |
CN101980298B (zh) | 基于多智能体遗传聚类算法的图像分割方法 | |
CN103413133A (zh) | 无序激光点云数据中自动提取电力线方法 | |
Wang et al. | High-voltage power transmission tower detection based on faster R-CNN and YOLO-V3 | |
CN109376606A (zh) | 一种电力巡检图像杆塔基础故障检测方法 | |
CN103412296B (zh) | 无序激光点云数据中自动提取电力塔方法 | |
CN107341470B (zh) | 一种基于航拍图像的输电线检测方法 | |
CN109872352A (zh) | 基于杆塔特征点的电力巡线LiDAR数据自动配准方法 | |
CN104103076A (zh) | 一种基于高分辨率遥感影像的核电厂规划限制区遥感监查方法 | |
CN111854700B (zh) | 基于物联网和云计算的无人机监测管理系统 | |
CN109033992A (zh) | 基于主动式火点数据的重工业区域发现算法 | |
CN109117732A (zh) | 一种输电线路涉鸟故障鸟种图音识别及防治方法 | |
CN103425959A (zh) | 一种识别火灾的火焰视频检测方法 | |
CN103810271A (zh) | 基于路径跟随的三维点云物体形状特征匹配方法 | |
CN109635726A (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN109325522B (zh) | 基于改进kmeans的重工业时序热源区域识别算法 | |
CN109814123A (zh) | 基于格网划分的电力杆塔位置提取方法 | |
CN109670556B (zh) | 基于火点和夜光数据的全球热源重工业区域识别方法 | |
Zhao et al. | Classification method of LiDAR point cloud based on threedimensional convolutional neural network | |
CN110554429A (zh) | 一种基于变邻域滑动窗口机器学习的地震断层识别方法 | |
Xu et al. | Research on recognition of landslides with remote sensing images based on extreme learning machine | |
Zhang et al. | The method for recognizing recognition helmet based on color and shape |
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 |