CN109063731B - 一种景象适配性准则训练样本集生成方法 - Google Patents
一种景象适配性准则训练样本集生成方法 Download PDFInfo
- Publication number
- CN109063731B CN109063731B CN201810665397.4A CN201810665397A CN109063731B CN 109063731 B CN109063731 B CN 109063731B CN 201810665397 A CN201810665397 A CN 201810665397A CN 109063731 B CN109063731 B CN 109063731B
- Authority
- CN
- China
- Prior art keywords
- image
- training sample
- reference image
- sample set
- scanning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
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 Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种景象适配性准则训练样本集生成方法。对从保障数据中截取的参考图进行直方图对比度拉伸、高斯滤波,旋转、插值、高斯模糊变换和傅里叶噪声添加,生成特征参考图;用特征参考图和截取的基准图进行相关面计算,获得相关面参数集;对参考图进行特征提取计算,得到特征参数集;将相关面参数集和特征参数集划分为正负样本,分别加入训练样本集。本发明可以基于可见光卫星影像快速生成大量的训练样本集数据,而不再拘泥于对大量实时图像的依赖,这提高了工程的可实现性和可操作性,使得工程化的难度降低,同时也使得基于该训练样本集挖掘出的知识准则具有泛化能力。本发明效率高、一致性好且无需人工交互。
Description
技术领域
本发明涉及景象适配性准则训练样本集生成方法,属于图像处理技术领域。
背景技术
在景象匹配辅助导航系统中,为了能够实现精确定位,减少偏航的可能性,在进行基准图的制备过程中,要选择那些具有明显特征和容易匹配定位的区域作为最佳匹配区,使其具有较高的匹配概率和匹配精度,为实现精确导航奠定基础。景象最佳匹配区的选择是指按照一定的要求和准则在已确定大小的众多景象图中选取特征明显、信息量大、可匹配性高的数字地图作为制导基准图,这一过程也称作景象适配性分析。当景象匹配数据量大时,人工选取匹配区工作量大,速度慢,而且受操作人的知识水平、经验等主观因素的影响,往往难以找出令人满意的匹配区。最新的技术是基于大数据挖掘的方法自动生成适配性分析准则。因此需要形成训练样本集,进行大数据挖掘训练,得到景象适配性分析准则,进行最佳匹配区的选择。
基于大数据挖掘的方案对训练样本集的总数量、目标类型覆盖种类都有一定要求,现实工作中实时挂飞数据的数量难以满足基于大数据挖掘准则训练的需求,因此提出一套基于基础遥感保障数据的训练样本集生成方法,弥补挂飞数据的不足。
发明内容
本发明的目的在于克服现有技术的不足,提供一种景象适配性准则训练样本集生成方法,该方法效率高、一致性好且无需人工交互。
本发明目的通过如下技术方案予以实现:
提供一种景象适配性准则训练样本集生成方法,步骤如下:
(1)获取可见光卫星影像数据集合,令q为1;
(2)从卫星影像数据集合中,获取第q幅场景图像,设置扫描窗口及扫描步长;令f=1;
(3)对第f个扫描位置,截取扫描窗口大小的参考图I,并且以参考图I为中心,截取大于参考图I的基准图M;
(4)对参考图I进行预处理,生成特征参考图Z;
(5)特征参考图Z和基准图M进行相关面计算,并获得相关面参数集;对参考图I进行特征提取计算,得到特征参数集;
(6)将相关面参数集和特征参数集划分为正负样本,并加入训练样本集;
(7)判断是否完成第q幅场景图像所有扫描位置的扫描,如果没有完成,则令f加1,返回步骤(3);如果完成则进入步骤(8);
(8)判断是否完成卫星影像数据集中所有图像的扫描,如果完成,则确定该训练样本集;如果没有则令q值加1,返回步骤(2)。
优选的,扫描步长为8的整数倍像素单位。
优选的,基准图M为参考图I的2~4倍大小。
优选的,进行预处理的具体方法为:
4.1对参考图I,进行对比度拉伸消除光照对图像的影响,生成图像I1;
4.2对图像I1进行高斯滤波,生成图像I2;
4.3对图像I2进行旋转,生成图像I3;
4.4对图像I3缩放插值,生成带尺度畸变的图像I4;
4.5对图像I4进行高斯模糊,生成带成像噪声的图像I5;
4.6对图像I5添加傅里叶噪声,生成带频域噪声畸变的特征参考图Z。
优选的,步骤4.3中对图像I2进行旋转,生成图像I3的具体方法为:
将以左上角为原点的图像I2的坐标转换为以图像中心为原点;进行旋转后,再转换为以左上角为原点的图像I3。
优选的,步骤4.4中对基于图像I3缩放插值,生成带尺度畸变的图像I4的具体方法为:
将图像I4中的待求像素坐标反向投影到插值前图像I3中,进行灰度距离加权后赋给待求像素。
优选的,步骤4.6中对图像I5添加傅里叶噪声,生成带频域噪声畸变的特征参考图Z的具体步骤如下:
1)对图像I5进行傅里叶变换,获得图像频谱F(I5);
2)对图像频谱F(I5)添加随机噪声获得含噪声频谱F′(I5);
3)再将F′(I5)进行傅里叶反变换得到最终加噪特征参考图Z。
优选的,相关面参数集包括主峰高度,主次峰比和主峰八邻域比。
优选的,特征参数集包括方差、梯度方向熵、累加梯度值和平均梯度强度。
优选的,划分正负样本的方法为:
设特征参考图Z在基准图M中的匹配真实位置为(xm,ym),相关匹配的峰值坐标为(xt,yt),距离的阈值为Lt;则样本正负值S用以下公式表示:
本发明与现有技术相比具有如下优点:
(1)本发明利用仿真数据生成训练集只需要提供大型可见光保障数据,而脱离于大量的实时图数据的支撑,这提高了工程的可实现性和可操作性,使得工程化的难度降低。
(2)本发明的训练样本集生成方法,自动执行,无需人工干预,无需依赖专家经验。
(3)本发明对图像进行预处理后,图像中会出现周期性的纹理特征,以模拟非同源成像过程中的噪声、以及不同光照条件引起的景物光影轮廓变化,使得样本集更加丰富,覆盖了更多的实时图状态,基于样本集训练得到的准则挑选出的匹配区域更加符合匹配导航定位要求。
附图说明
图1为本发明的训练样本集生成流程图;
图2为本发明的仿真相关面生成流程图;
图3为本发明一个参考图;
图4为本发明一个特征参考图;
图5为本发明一个真实匹配相关面示例图;
图6为本发明一个没有经过预处理的仿真相关面示意图;
图7为本发明一个经过预处理的仿真相关面示意图。
具体实施方式
在适配性分析中,相关面特征作为反映地物场景特征独特性的一类特征,在适配性准则中占据了重要地位。如果把大图子区域直接用作小图,则相关面会有一个极高的尖峰和100%的匹配概率。可知大图子区域不能直接用作小图来求相关面。因此考虑将基准图对应子区域作一定的处理后,使它的相关面接近于实际小图和大图匹配的相关面。这样就可以将处理后的子区域作为相关面小图来使用。
以下结合附图和具体实施例对本发明作进一步的详细描述景象适配性准则训练样本集生成方法,其步骤如下:
结合图1,训练样本集生成的流程如下:
(1)获取卫星影像数据集合,令q为1;
(2)从卫星影像数据集合中,获取待分析的第q幅场景图像,对于待分析的场景图像数据,设置一定的扫描窗口大小(W×H,W为宽度,H为高度,单位均为像素;例如.W=320,H=256)及扫描步长(STEP,单位为像素;例如STEP=16),对待分析的场景图像数据逐块扫描。令f=1;
(3)对第f个扫描的位置,截取扫描窗口大小的参考图I,并且以参考图I为中心,截取大小为3W×3H(单位为像素)的基准图M。
(4)采用对参考图I进行预处理,生成特征参考图Z,特征参考图Z参见图4。结合图2~5,进行预处理的具体方法为:
4.1.首先对参考图I,通过对比度拉伸消除光照对图像的影响,生成图像I1。
4.2.对图像I1进行高斯滤波,抑制由于对比度拉伸所带来的噪声增强,生成图像I2。
4.3图像旋转:以图像中心为原点将输入图像I2旋转一定的角度,形成一幅新的图像I3。既然是按照中心旋转,自然会有这样一个属性:旋转前和旋转后的点离中心的距离不变。根据这个属性,我们可以得到旋转后的点的坐标与原坐标的对应关系。由于原图像的坐标是以左上角为原点的,所以我们先把坐标转换为以图像中心为原点。假设原图像的宽为w,高为h,(x0,y0)为原坐标内的一点,转换坐标后的点为(x1,y1)。可以得到:
x1=x0-w/2;y1=-y0+h/2
在新的坐标系下,假设点(x1,y1)距离原点的距离为r,点与原点之间的连线与x轴的夹角为b,旋转的角度为a,旋转后的点为(x2,y2)。
x0=r*cos b;y0=r*sin b
x1=r*cos(b-a)=r*cos b*cos a+r*sin b*sin a=x0cos a+y0sin a
y1=r*sin(b-a)=r*sin b*cos a-r*cos b*sin a=-x0sin a+y0cos a
得到了转换后的坐标,我们只需要把这些坐标再转换为原坐标系获得(x3,y3)。这里还有一点要注意,旋转后的图像的长和宽会发生变化,因此要计算新图像的长和宽。
4.4.基于图像I3缩放插值,生成带尺度畸变的图像I4。将图像I4中的待求像素坐标反向投影到插值前图像I3中,按照四邻像素灰度距离加权后赋给待求像素。设(x,y)(x,y为正整数)为待求像素坐标,(i+u,j+v)为投影到插值前图像I3中的坐标,i,j为整数,u,v为小数,p为原图。则待求像素灰度的值为:
f(i,j)=v*[(1-u)*p(i+1,j)+u*p(i,j)]+(1-v)*[(1-u)*p(i+1,j+1+u*p(i,j+1))]
线性插值过程中对图像I3作小幅度的缩小或扩大,以模拟非同源成像时的几何畸变,位置不严格对齐等。
4.5.图像I4进行高斯模糊,生成带成像噪声的图像I5。用高斯模板对图像进行滤波,以达到使基准图模糊的目的。因为相关面的计算是相互的,所以将大图和大图子区域谁比谁模糊的问题简化为小图比大图模糊,以模拟实时图成像过程中的清晰度差异。
4.6.对图像I5添加傅里叶噪声,生成带频域噪声畸变的图像I6。具体步骤如下:
1)对图像I5进行傅里叶变换,将其变换到频域:
I5→F(I5)
2)对F(I5)添加随机噪声:
F′(I5)=F(I5)+rand(s)
其中,s表示噪声的强度,rand(s)表示随机噪声。
3)再将F′(I5)进行傅里叶反变换得到最终加噪图像Z:
F′(I5)→Z
经过上述步骤处理后,图像中会出现周期性的纹理特征,以模拟非同源成像过程中的噪声以及不同光照条件引起的景物轮廓的改变。
(5)预处理之后的特征参考图Z用于和基准图M进行相关面计算,并计算获得相关面参数集,包括主峰高度,主次峰比,主峰八邻域比。同时对参考图I进行特征提取计算,得到特征参数集,包括方差、梯度方向熵、累加梯度值、平均梯度强度。匹配前后的对比参见图6~7。
(6)将相关面参数集和特征参数集划分为正负样本,并加入训练样本集。具体划分过程如下:
设特征参考图Z在基准图M中的匹配真实位置为(xm,ym),相关匹配的峰值坐标为(xt,yt),距离的阈值为Lt(取经验值3);则样本正负值S可用以下公式表示:
划分正负样本的判据不能直接用作是否可识别的判决准则,原因是仿真相关面不能完全代表真实的相关面,仅在特征层面接近真实的相关面图。当样本数量巨大时可认为仿真相关面的可识别样本概率分布和真实的可识别样本概率分布趋近一致,而分类器是基于概率的,因此可以使用仿真的结果作为训练集。
(7)判断是否完成第q幅场景图像所有位置的扫描,如果没有完成,则令f加1,返回步骤(3);如果完成则进入步骤(8)。
(8)判断是否完成卫星影像数据集中所有图像的扫描,如果完成,则确定该训练样本集;如果没有则令q值加1,返回步骤(2)。
基于训练样本集,进行大数据挖掘训练,得到景象适配性分析准则,进行最佳匹配区的选择。
实施例
景象适配性分析中的训练样本集生成方法,其步骤如下:
对于待分析的场景图像数据,设置一定的扫描窗口大小(320×256:单位像素)及扫描步长(16:单位像素),对可见光保障数据逐个逐块扫描。
每个扫描的位置,截取扫描窗口大小的参考图R,并且以参考图为中心,截取大小为960×768(单位像素)的基准图M。
采用步骤S1和S2对参考图I进行预处理,生成特征参考图Z。
预处理之后的特征参考图Z用于和基准图M进行相关面计算,并提取相关面有关参数。同时对参考图I进行特征提取计算,得到特征参数集。该实施例的训练样本集的结果如表1所示。
表1
以上所述,仅为本发明最佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
Claims (6)
1.一种景象适配性准则训练样本集生成方法,其特征在于,步骤如下:
(1)获取可见光卫星影像数据集合,令q为1;
(2)从卫星影像数据集合中,获取第q幅场景图像,设置扫描窗口及扫描步长;令f=1;设置扫描窗口大小为320×256,单位为像素;设置扫描步长STEP=16,单位为像素;
(3)对第f个扫描位置,截取扫描窗口大小的参考图I,并且以参考图I为中心,截取大于参考图I的基准图M;
(4)对参考图I进行预处理,生成特征参考图Z;
4.1对参考图I,进行对比度拉伸消除光照对图像的影响,生成图像I1;
4.2对图像I1进行高斯滤波,生成图像I2;
4.3对图像I2进行旋转,生成图像I3;
将以左上角为原点的图像I2的坐标转换为以图像中心为原点;进行旋转后,再转换为以左上角为原点的图像I3;
4.4对图像I3缩放插值,生成带尺度畸变的图像I4;
将图像I4中的待求像素坐标反向投影到插值前图像I3中,按照四邻像素灰度距离加权后赋给待求像素,设(x,y)为待求像素坐标,(i+u,j+v)为投影到插值前图像I3中的坐标,i,j为整数,u,v为小数,p为原图,则待求像素灰度的值为:
f(i,j)=v*[(1-u)*p(i+1,j)+u*p(i,j)]+(1-v)*[(1-u)*p(i+1,j+1+u*p(i,j+1))];
4.5对图像I4进行高斯模糊,生成带成像噪声的图像I5;
4.6对图像I5添加傅里叶噪声,生成带频域噪声畸变的特征参考图Z;
1)对图像I5进行傅里叶变换,将其变换到频域:
I5→F(I5)
2)对F(I5)添加随机噪声:
F′(I5)=F(I5)+rand(s)
其中,s表示噪声的强度,rand(s)表示随机噪声;
3)再将F′(I5)进行傅里叶反变换得到最终加噪图像Z:
F′(I5)→Z;
(5)特征参考图Z和基准图M进行相关面计算,并获得相关面参数集;对参考图I进行特征提取计算,得到特征参数集;
(6)将相关面参数集和特征参数集划分为正负样本,并加入训练样本集;
(7)判断是否完成第q幅场景图像所有扫描位置的扫描,如果没有完成,则令f加1,返回步骤(3);如果完成则进入步骤(8);
(8)判断是否完成卫星影像数据集中所有图像的扫描,如果完成,则确定该训练样本集;如果没有则令q值加1,返回步骤(2)。
2.如权利要求1所述的景象适配性准则训练样本集生成方法,其特征在于,扫描步长为8的整数倍像素单位。
3.如权利要求1或2所述的景象适配性准则训练样本集生成方法,其特征在于,基准图M为参考图I的2~4倍大小。
4.如权利要求1所述的景象适配性准则训练样本集生成方法,其特征在于,相关面参数集包括主峰高度,主次峰比和主峰八邻域比。
5.如权利要求1所述的景象适配性准则训练样本集生成方法,其特征在于,特征参数集包括方差、梯度方向熵、累加梯度值和平均梯度强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810665397.4A CN109063731B (zh) | 2018-06-26 | 2018-06-26 | 一种景象适配性准则训练样本集生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810665397.4A CN109063731B (zh) | 2018-06-26 | 2018-06-26 | 一种景象适配性准则训练样本集生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063731A CN109063731A (zh) | 2018-12-21 |
CN109063731B true CN109063731B (zh) | 2020-11-10 |
Family
ID=64821519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810665397.4A Active CN109063731B (zh) | 2018-06-26 | 2018-06-26 | 一种景象适配性准则训练样本集生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063731B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009013B (zh) * | 2019-03-21 | 2021-04-27 | 腾讯科技(深圳)有限公司 | 编码器训练及表征信息提取方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740913A (zh) * | 2016-02-25 | 2016-07-06 | 湖北航天技术研究院总体设计所 | 基于异源光学景象匹配目标模板的性能评估系统及方法 |
CN106709501A (zh) * | 2015-11-16 | 2017-05-24 | 中国科学院沈阳自动化研究所 | 一种图像匹配系统的景象匹配区域选择与基准图优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073873B (zh) * | 2011-01-28 | 2013-02-13 | 华中科技大学 | 一种基于支持向量机的sar景象匹配区选取方法 |
CN103389074A (zh) * | 2013-07-18 | 2013-11-13 | 河南科技大学 | 一种多尺度景象匹配区的选取方法 |
-
2018
- 2018-06-26 CN CN201810665397.4A patent/CN109063731B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709501A (zh) * | 2015-11-16 | 2017-05-24 | 中国科学院沈阳自动化研究所 | 一种图像匹配系统的景象匹配区域选择与基准图优化方法 |
CN105740913A (zh) * | 2016-02-25 | 2016-07-06 | 湖北航天技术研究院总体设计所 | 基于异源光学景象匹配目标模板的性能评估系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109063731A (zh) | 2018-12-21 |
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 | |
CN109035276B (zh) | 一种图像边缘提取方法、装置及自动驾驶系统 | |
CN109580630A (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN105261006B (zh) | 基于傅里叶变换的医学图像分割算法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
CN112906689B (zh) | 一种基于缺陷检测与分割深度卷积神经网络的图像检测方法 | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
CN111046871B (zh) | 一种感兴趣区域提取方法及系统 | |
CN109063731B (zh) | 一种景象适配性准则训练样本集生成方法 | |
TWI383690B (zh) | 影像處理的方法 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
CN110348442A (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
CN114155197A (zh) | 一种元器件缺陷检测的方法及装置 | |
CN112184785B (zh) | 基于mcd度量和vtm的多模态遥感图像配准方法 | |
CN115953604B (zh) | 一种不动产地理信息测绘数据采集方法 | |
CN116563582A (zh) | 基于国产CPU和opencv的图像模板匹配方法及装置 | |
Jazayeri et al. | Interest operators in close-range object reconstruction | |
CN108876711A (zh) | 一种基于图像特征点的草图生成方法、服务器及系统 | |
CN115719310A (zh) | 一种眼底图像数据集的预处理方法及眼底图像训练模型 | |
CN114582017A (zh) | 手势数据集合的生成方法及生成系统、存储介质 | |
CN114140581A (zh) | 一种自动建模方法、装置、计算机设备及存储介质 | |
CN111630569B (zh) | 双目匹配的方法、视觉成像装置及具有存储功能的装置 | |
CN111681185A (zh) | 一种基于沥青混合料X-ray扫描图像的有限元建模方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |