CN109101977B - 一种基于无人机的数据处理的方法及装置 - Google Patents
一种基于无人机的数据处理的方法及装置 Download PDFInfo
- Publication number
- CN109101977B CN109101977B CN201810676795.6A CN201810676795A CN109101977B CN 109101977 B CN109101977 B CN 109101977B CN 201810676795 A CN201810676795 A CN 201810676795A CN 109101977 B CN109101977 B CN 109101977B
- Authority
- CN
- China
- Prior art keywords
- dimensional gabor
- dimensional
- image
- expression
- features
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及终端领域,公开了一种基于无人机的数据处理的方法及装置。所述方法包括:通过无人机实现高光谱图像和LiDAR数据的同步数据采集和存储;然后利用二维Gabor滤波器和三维Gabor滤波器分别对LiDAR数据和高光谱图像进行幅值特征提取,得到具有相似性和互补性的纹理特征;将提取到的两类纹理特征连接,利用KPCA算法进行特征抽取,进一步与降维后的原始高光谱数据连接得到最终的融合特征,并利用支持向量机进行监督分类。该方法的优点在于使用Gabor特征提取异质数据的纹理特征,使原始异质数据在纹理特征空间具有可融合性,同时加入原始高光谱图像的有效光谱信息的特征表达,最终融合了光谱、纹理、高程三大特征,提升了地物的识别精度。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种基于无人机的数据处理的方法及装置。
背景技术
目前,随着科学技术的发展,通过遥感影像获取地面专题信息已成空间信息科学以及相关行业部门研究和应用的热点。遥感影像信息提取的基础和关键是影像分类,即对同一类地物所对应的影响目标进行划分。
具体的,通过高光谱传感器在数百个波段上对地物成像获得的高光谱图像包含了关于地物辐射、空间和光谱三重信息,使得地物的识别和分类更加有效,是当前遥感成像技术的研究热点。然而,高光谱传感器易受云层影响,同时高光谱图像中同物异谱、同谱异物的情况广泛存在,造成直接使用原始高光谱图像进行分类的精度低下。
发明内容
本发明实施例公开了一种基于无人机的数据处理的方法,通过将高光谱图像和包含地物高程几何信息的激光探测与测量数据进行特征融合以提高地物分类精度。
本发明实施例第一方面公开一种基于无人机的数据处理的方法,所述方法包括:
同步采集高光谱图像和激光探测与测量LiDAR数据;
利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达;
利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以三维Gabor特征表达;
将所述二维Gabor幅值特征与所述三维Gabor幅值特征进行连接以获取目标Gabor特征表达;
利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理;
根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征;
根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。
本发明第二方面公开了一种装置,所述装置包括:
采集单元,用于同步采集高光谱图像和激光探测与测量LiDAR数据;
提取单元,用于利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达;
所述提取单元,还用于利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以三维Gabor特征表达;
连接单元,用于将所述二维Gabor幅值特征与所述三维Gabor幅值特征进行连接以获取目标Gabor特征表达;
降维单元,用于利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理;
获取单元,用于根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征;
分类单元,用于根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。
本发明第三方面公开了一种服务器,所述服务器包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面中任一项所述的方法。
本发明第四方面公开了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序使得终端执行如本发明第一方面任一项所述的方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,采集并存储高光谱图像和LiDAR数据的;利用二维Gabor滤波器和三维Gabor滤波器分别对LiDAR数据和高光谱图像进行幅值特征提取,得到具有相似性和互补性的纹理特征;将提取到的两类纹理特征连接,利用KPCA算法对连接后的纹理特征进行特征抽取,将提取后的特征与降维后的原始高光谱数据连接得到最终的融合特征,并利用支持向量机进行监督分类。该方法的优点在于使用Gabor特征提取异质数据的纹理特征,使原始异质数据在纹理特征空间具有可融合性,同时加入原始高光谱图像的有效光谱信息的特征表达,最终融合了光谱、纹理、高程三大特征,提升了地物的识别精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于无人机的数据处理的方法的流程示意图;
图2是本发明实施例公开的另一种基于无人机的数据处理的方法的流程示意图;
图3是本发明实施例公开的一种基于无人机的数据处理装置的结构示意图;
图4是本发明实施例公开的另一种基于无人机的数据处理装置的结构示意图;
图5是本发明实施例公开的一种基于无人机的数据处理装置的物理结构示意图。
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。
本发明实施例公开了一种数据处理的方法及装置,通过将高光谱图像和包含地物高程几何信息的激光探测与测量数据进行特征融合以提高地物分类精度。以下分别进行详细说明。
本发明是一种联合使用无人机高光谱图像和激光探测与测量数据(LightDetection And Ranging,LiDAR)的特征提取与融合分类技术及系统。通过高光谱传感器在数百个波段上对地物成像获得的高光谱图像包含了关于地物辐射、空间和光谱三重信息,使得地物的识别和分类更加有效。然而,高光谱传感器易受云层影响,同时高光谱图像中同物异谱、同谱异物的情况广泛存在,造成直接使用原始高光谱图像进行分类的精度低下。随着遥感成像技术的不断进步,将高光谱图像和包含地物高程几何信息的激光探测与测量数据(Light Detection And Ranging,LiDAR)进行特征联合是提高地物分类精度的可行途径。
一般来说,在实施分类之前,首先分别对高光谱图像和LiDAR数据进行特征提取;然后对提取到的特征进行特征降维及融合;最后对融合后的特征进行地物分类。根据高光谱图像和LiDAR数据维度的不同,可分别采用三维空谱特征提取和二维空间高程特征提取。
对于LiDAR数据来说,其所包含的地物高程信息具有空间位置上的相关性,主要采用二维空间特征提取方法;二维空间特征提取主要利用不同方向的滤波器对LiDAR数据进行特征表达。具体来说,它首先提取各个方向的空间特征,然后将不同方向的空间特征叠加在一起。例如,二维Gabor和二维局部二值模式(Local Binary Pattern,LBP)是两种典型的空间特征提取方法。二维Gabor特征对图像中的光照变化具有很好的鲁棒性,二维LBP可以充分利用图像中的局部空间依赖关系。
对于高光谱图像来说,由于其具有三维空谱联合结构,传统的二维空间特征提取方法不能够充分挖掘其空谱联合信息;三维空谱特征提取方法通过考察不同像素间的空谱结构关系,能够联合空间特征和光谱特征对高光谱图像进行表达。空谱联合特征提取方法充分利用了高光谱图像中关于地物的空间、辐射和光谱等信息,能够获取反映地物多方面特性的鉴别信息,提升了特征的判别能力。三维Gabor是一种典型的空谱联合特征提取方法。通过对一系列三维Gabor特征进行选择和融合,可以获取反映高光谱图像空谱联合结构的代表性特征。
另一方面,针对特征维数高导致分类算法计算复杂度高的问题,可采用核函数的主成分分析算法(Kernel Principal Component Analysis,KPCA)进行解决。KPCA是一种有效的非线性特征抽取和降维方法,可以提升特征融合的效果。在本发明中,结合Gabor特征提取方法和KPCA算法,提出了基于无人机高光谱图像和LiDAR数据的特征融合算法。该算法将LiDAR数据包含的高程几何信息和无人机高光谱图像包含的光谱和纹理信息进行整合,建立统一的特征提取和融合框架,从而实现地物分类精度的有效提升。
请参阅图1,图1是本发明实施例公开的一种基于无人机的数据处理方法的流程示意图。该数据处理的方法可以包括以下步骤。
S101、同步采集高光谱图像和激光探测与测量LiDAR数据;
具体的,随无人机平台的运动,得到同步采集地面场景和目标的原始高光谱图像和LiDAR数据,并实现数据的实时存储。可以理解的是,采集到的数据可以进行本地存储还可以进行分布式存储。
另外,需要指出的是,光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像。通过搭载在不同空间平台上的高光谱传感器,即成像光谱仪,在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时,也获得其光谱信息,做到了光谱与图像的结合。其最大特点是将成像技术与光谱探测技术结合,在对目标的空间特征成像的同时,对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖。这样形成的数据可以用“三维数据块”来形象地描述,举例来说,x和y表示二维平面像素信息坐标轴,第三维(λ轴)是波长信息坐标轴。高光谱图像集样本的图像信息与光谱信息于一身。图像信息可以反映样本的大小、形状、缺陷等外部品质特征,由于不同成分对光谱吸收也不同,在某个特定波长下图像对某个缺陷会有较显著的反映,而光谱信息能充分反映样品内部的物理结构、化学成分的差异。
S102、利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达;
其中,设单波段图像的某一像素点(某个样本)空间域坐标为(x,y),对应于二维Gabor特征提取,按照公式(1)设计4个不同频率{um,m=1,2,...,4}、6个不同方向{θn,n=1,2,...,6}共24个Gabor滤波器组,编号为{ψm,n,m=1,2,...,4,n=1,2,...,6}:
其中,z=xcosθn+ysinθn;
对LiDAR数据进行二维Gabor特征提取包括:设原始LiDAR数据图像为ILiDAR∈RX×Y,其中X,Y为图像的空间维度。将步骤(1)中生成的二维Gabor滤波器组,与图像ILiDAR进行卷积操作,并对结果取绝对值运算,即
得到24个二维Gabor幅值特征,连接这些特征得到LiDAR数据的二维Gabor特征表达,其特征维数为LH=24。
S103、利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以三维Gabor特征表达;
其中,在多波段图像的某一像素点的空谱联合域坐标为(x,y,b),b代表图像的某一波段。对应于三维Gabor特征提取,按照公式(2)设计4个不同频率幅度{fs,s=1,2,...,4},13个不同方向共52个Gabor滤波器组,编号为
其中,u=fssinφtcosθt,v=fssinφtsinθt,w=fscosφt;
对高光谱图像进行三维Gabor特征提取包括:设原始高光谱图像为IHSI∈RX×Y×B,其中B为高光谱图像的光谱维度。将步骤(2)中生成的三维Gabor滤波器组,与图像IHSI进行卷积操作,并对结果取绝对值运算,即
得到52个三维Gabor幅值特征,连接这些特征得到高光谱图像的三维Gabor特征表达,其特征维数为LG=52*B。
S104、将所述二维Gabor幅值特征与所述三维Gabor幅值特征进行连接以获取目标Gabor特征表达;
其中,需要指出的是,连接提取到的二维和三维Gabor幅值特征,得到总的Gabor特征表达(即目标Gabor特征表达),波段个数为LF=LH+LG。
S105、利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理;
其中,可以理解的是,基于KPCA降维的Gabor特征与原始高光谱图像融合。考虑到原始高光谱图像IHSI∈RX×Y×B及提取的Gabor特征的光谱维度高、波段间冗余度较大且具有异质性,用KPCA算法将维数压缩到K维(K<B),分别得到IKPCA∈RX×Y×K和NKPCA∈RX ×Y×K。
S106、根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征;
可以理解的是,将二者进一步连接得到最终的融合表达特征F={IKPCA;FKPCA}∈RX ×Y×2K。
S107、根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。
具体的,利用基于RBF核的支持向量机进行监督分类,包括:给定某特征空间上的训练数据集T={(x1,y1),(x2,y2),...,(xN,yN)},带径向基核函数(RadialBasisFunction,RBF)的SVM分类器可表示为:
其中,xi为第i个特征向量,yi为xi的类标记,αi,,b是所欲求得的模型参数。
对于经步骤S106提取的特征样本F∈RZ×2K,Z=X×Y代表样本的总个数。划分样本为训练数据集Ftrain和测试数据集Ftest。
设ftr∈Ftrain是一个训练样本,{ftr k,k=1,2,...,2K}是相对应的2K个特征数据,使用公式(3)的支持向量机方法进行模型训练,得到输出模型Model={αi,b}。
设fte∈Ftest是一个测试样本,{fte k,k=1,2,...,2K}是相对应的2K个特征数据,样本的类别预测为:
Class(fte)=w(fte)Model
从上可知,通过实施本发明实施例提供的技术方案,采集并存储高光谱图像和LiDAR数据的;利用二维Gabor滤波器和三维Gabor滤波器分别对LiDAR数据和高光谱图像进行幅值特征提取,得到具有相似性和互补性的纹理特征;将提取到的两类纹理特征连接,利用KPCA算法对连接后的纹理特征进行特征抽取,将提取后的特征与降维后的原始高光谱数据连接得到最终的融合特征,并利用支持向量机进行监督分类。该方法的优点在于使用Gabor特征提取异质数据的纹理特征,使原始异质数据在纹理特征空间具有可融合性,同时加入原始高光谱图像的有效光谱信息的特征表达,最终融合了光谱、纹理、高程三大特征,提升了地物的识别精度。
请参阅图2,图2是本发明实施例公开的一种基于无人机的数据处理方法的流程示意图。如图2所示,该方法可以包括以下步骤。
S201、通过无人机实现高光谱图像和LiDAR数据的同步数据采集和存储;
S202、生成二维Gabor滤波器和三维Gabor滤波器;
S203、利用生成的二维和三维Gabor滤波器分别对LiDAR数据和高光谱图像进行Gabor特征提取,再将提取得到的Gabor特征进行融合以获得地物的纹理特征表达;
其中,利用生成的二维Gabor滤波器对LiDAR数据进行Gabor特征提取以获取二维Gabor幅值特征;同理,利用生成的三维Gabor滤波器对高光谱图像进行Gabor特征提取以获取三维Gabor幅值特征;
融合的过程包括:将所述二维Gabor幅值特征与所述三维Gabor幅值特征进行连接以获取目标Gabor特征表达(即纹理特征表达);
S204、利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理,并根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征;
S205、根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。
其中,可以理解的是,S201至S205中相关步骤的具体实现可参考实施例1的描述。
在图2所描述的方法中,能够使用Gabor特征提取异质数据的纹理特征,使原始异质数据在纹理特征空间具有可融合性,同时加入原始高光谱图像的有效光谱信息的特征表达,最终融合了光谱、纹理、高程三大特征,提升了地物的识别精度。
请参阅图3,图3是本发明实施例公开的一种基于无人机的数据处理装置的结构示意图。在图3所描述的结构中,可以包括:
采集单元301,用于同步采集高光谱图像和激光探测与测量LiDAR数据;
提取单元302,用于利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达;
提取单元302,还用于利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以三维Gabor特征表达;
连接单元303,用于将所述二维Gabor幅值特征与所述三维Gabor幅值特征进行连接以获取目标Gabor特征表达;
降维单元304,用于利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理;
获取单元305,用于根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征;
分类单元306,用于根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。
需要指出的是,图3所示的结构可用于执行S101-S107所述的方法。
请一并参阅图4,图4是本发明实施例公开的另一种基于无人机的数据处理装置的结构示意图。图4所示的装置包括:
采集单元401,用于通过无人机实现高光谱图像和LiDAR数据的同步数据采集和存储;
生成单元402,用于生成二维Gabor滤波器和三维Gabor滤波器;
提取单元403,用于利用生成的二维和三维Gabor滤波器分别对LiDAR数据和高光谱图像进行Gabor特征提取;
融合单元404,用于将提取得到的Gabor特征进行融合以获得地物的纹理特征表达;
降维单元405,用于利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理,并根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征;
分类单元406,用于根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。
可以理解的是,图4所述的终端能够执行S201-S205所述的方法。
请参阅图5,图5为本发明实施例公开的又一种基于无人机的数据处理装置的结构示意图,如图5所示,该装置可以包括:至少一个处理器510,例如CPU,存储器520,至少一个通信总线530,输入装置540,输出装置550。其中,通信总线530用于实现这些组件之间的通信连接。存储器520可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器520可选的还可以是至少一个位于远离前述处理器510的存储装置。其中,处存储器520中存储一组程序代码,且处理器510调用存储器520中存储的程序代码,用于执行S101至S107所示的方法,还可以执行步骤S201至S205所示的方法。
另外,在本发明的一个实施例中,公开了一种计算机可读存储介质,所述介质中存储有计算机程序,当所述计算机程序被执行时,处理器执行行S101至S107所示的方法,还可以执行步骤S201至S205所示的方法。
以上对本发明实施例公开的一种基于无人机的数据处理的方法及装置进行了详细介绍,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 (10)
1.一种基于无人机的数据处理的方法,其特征在于,所述方法包括:
同步采集高光谱图像和激光探测与测量LiDAR数据;
利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达;所述LiDAR数据为ILiDAR∈RX×Y,其中X,Y为图像的空间维度;所述二维Gabor特征表达为二维空间特征;
利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以获取三维Gabor特征表达;
将所述二维Gabor特征表达与所述三维Gabor特征表达进行连接以获取目标Gabor特征表达;
利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理;
根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征;
根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。
2.根据权利要求1所述的方法,其特征在于,
所述二维Gabor滤波器组是根据4个不同频率{um,m=1,2,...,4}、6个不同方向{θn,n=1,2,...,6}以及第一预设公式获取的;
其中,第一预设公式为:
其中,z=xcosθn+ysinθn;(x,y)表示单波段图像的某一像素点空间域坐标,j表示虚单位,σ表示高斯包络的宽度,um表示第m个频率,θn表示第n个方向;
所述利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达,包括:
将所述二维Gabor滤波器组与图像ILiDAR进行卷积操作,并对结果取绝对值运算以得到24个二维Gabor幅值特征;
将所述24个二维Gabor幅值特征进行连接以得到LiDAR数据的二维Gabor特征表达。
3.根据权利要求2所述的方法,其特征在于,所述高光谱图像为IHSI∈RX×Y×B,其中B为高光谱图像的光谱维度,其中X,Y为图像的空间维度;
所述三维Gabor滤波器组是根据4个不同频率幅度{fs,s=1,2,...,4},13个不同方向{(θt,φt);t=1,2,...,13}以及第二预设公式获取的;
其中,第二预设公式为:
所述利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以获取三维Gabor特征表达,包括:
将所述三维Gabor滤波器组与图像IHSI进行卷积操作,并对结果取绝对值运算以得到52个三维Gabor幅值特征;
将所述52个三维Gabor幅值特征进行连接以得到高光谱图像的三维Gabor特征表达。
5.根据权利要求4所述的方法,其特征在于,融合表达特征F={IKPCA;NKPCA}∈RX×Y×2K;其中,高光谱图像IHSI∈RX×Y×B及目标Gabor特征表达经过KPCA降维后分别为IKPCA∈RX×Y×K和NKPCA∈RX×Y×K,其中,K表示维度;
所述根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类,包括:
利用所述融合表达特征确定样本总个数,并将样本划分为训练数据集Ftrain和测试数据集Ftest;
利用所述训练数据集Ftrain以及所述支持向量机获得模型Model={αi,b};其中,αi,b表示模型参数;
根据所述测试数据集Ftest以及所述模型确定样本类别。
6.一种基于无人机的数据处理的装置,其特征在于,所述装置包括:
采集单元,用于同步采集高光谱图像和激光探测与测量LiDAR数据;
提取单元,用于利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达;所述LiDAR数据为ILiDAR∈RX×Y,其中X,Y为图像的空间维度;所述二维Gabor特征表达为二维空间特征;
所述提取单元,还用于利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以获取三维Gabor特征表达;
连接单元,用于将所述二维Gabor特征表达与所述三维Gabor特征表达进行连接以获取目标Gabor特征表达;
降维单元,用于利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理;
获取单元,用于根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征;
分类单元,用于根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。
7.根据权利要求6所述的装置,其特征在于,
所述二维Gabor滤波器组是根据4个不同频率{um,m=1,2,...,4}、6个不同方向{θn,n=1,2,...,6}以及第一预设公式获取的;
其中,第一预设公式为:
其中,z=xcosθn+ysinθn;(x,y)表示单波段图像的某一像素点空间域坐标,j表示虚单位,σ表示高斯包络的宽度,um表示第m个频率,θn表示第n个方向;
所述提取单元,具体用于:
将所述二维Gabor滤波器组与图像ILiDAR进行卷积操作,并对结果取绝对值运算以得到24个二维Gabor幅值特征;
将所述24个二维Gabor幅值特征进行连接以得到LiDAR数据的二维Gabor特征表达。
8.根据权利要求7所述的装置,其特征在于,所述高光谱图像为IHSI∈RX×Y×B,其中B为高光谱图像的光谱维度,其中X,Y为图像的空间维度;
所述三维Gabor滤波器组是根据4个不同频率幅度{fs,s=1,2,...,4},13个不同方向{(θt,φt);t=1,2,...,13}以及第二预设公式获取的;
其中,第二预设公式为:
其中,u=fssinφtcosθt,v=fssinφtsinθt,w=fscosφt,(x,y,b)表示多波段图像的某一像素点的空谱联合域坐标,b代表图像的某一波段,fs表示第s个频率幅度;
所述提取单元,具体用于:
将所述三维Gabor滤波器组与图像IHSI进行卷积操作,并对结果取绝对值运算以得到52个三维Gabor幅值特征;
将所述52个三维Gabor幅值特征进行连接以得到高光谱图像的三维Gabor特征表达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810676795.6A CN109101977B (zh) | 2018-06-27 | 2018-06-27 | 一种基于无人机的数据处理的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810676795.6A CN109101977B (zh) | 2018-06-27 | 2018-06-27 | 一种基于无人机的数据处理的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109101977A CN109101977A (zh) | 2018-12-28 |
CN109101977B true CN109101977B (zh) | 2022-09-20 |
Family
ID=64845115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810676795.6A Active CN109101977B (zh) | 2018-06-27 | 2018-06-27 | 一种基于无人机的数据处理的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101977B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538226A (zh) * | 2020-04-20 | 2021-10-22 | 华为技术有限公司 | 图像纹理增强方法、装置、设备及计算机可读存储介质 |
CN111561949B (zh) * | 2020-06-06 | 2023-05-05 | 北京依锐思遥感技术有限公司 | 机载激光雷达和高光谱成像仪一体机的坐标匹配方法 |
CN112329887B (zh) * | 2020-11-26 | 2023-12-05 | 深圳大学 | 基于尺度自适应滤波的高光谱和LiDAR联合分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2752788A1 (en) * | 2013-01-07 | 2014-07-09 | BAE Systems PLC | Fusion of multi-spectral and range image data |
CN104808191A (zh) * | 2015-05-08 | 2015-07-29 | 南京林业大学 | 一种基于全波形LiDAR单木冠层容积分解的树种分类方法 |
CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7639842B2 (en) * | 2002-05-03 | 2009-12-29 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
CN106022391A (zh) * | 2016-05-31 | 2016-10-12 | 哈尔滨工业大学深圳研究生院 | 一种高光谱图像特征的并行提取与分类方法 |
CN106529484A (zh) * | 2016-11-16 | 2017-03-22 | 哈尔滨工业大学 | 基于类指定多核学习的光谱和激光雷达数据联合分类方法 |
CN107292339B (zh) * | 2017-06-16 | 2020-07-21 | 重庆大学 | 基于特征融合的无人机低空遥感影像高分地貌分类方法 |
-
2018
- 2018-06-27 CN CN201810676795.6A patent/CN109101977B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2752788A1 (en) * | 2013-01-07 | 2014-07-09 | BAE Systems PLC | Fusion of multi-spectral and range image data |
CN104808191A (zh) * | 2015-05-08 | 2015-07-29 | 南京林业大学 | 一种基于全波形LiDAR单木冠层容积分解的树种分类方法 |
CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
Non-Patent Citations (1)
Title |
---|
Three-Dimensional Gabor Wavelets for Pixel-Based;Linlin Shen 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20111212;第49卷(第12期);第5039-5046页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109101977A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Javan et al. | A review of image fusion techniques for pan-sharpening of high-resolution satellite imagery | |
Hughes et al. | A deep learning framework for matching of SAR and optical imagery | |
WO2020000271A1 (zh) | 一种基于无人机的数据处理的方法及装置 | |
Guo et al. | A coarse-to-fine boundary refinement network for building footprint extraction from remote sensing imagery | |
Li et al. | Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery | |
Sara et al. | Hyperspectral and multispectral image fusion techniques for high resolution applications: A review | |
CN107633216B (zh) | 高光谱遥感图像的三维表面空谱联合特征编码方法及装置 | |
CN109101977B (zh) | 一种基于无人机的数据处理的方法及装置 | |
CN112083422A (zh) | 基于多级深度学习网络的单航过InSAR系统端对端分类方法 | |
Wu et al. | Three-dimensional softmax mechanism guided bidirectional GRU networks for hyperspectral remote sensing image classification | |
CN114937206A (zh) | 基于迁移学习和语义分割的高光谱图像目标检测方法 | |
Chawda et al. | Extracting building footprints from satellite images using convolutional neural networks | |
Long et al. | Dual self-attention Swin transformer for hyperspectral image super-resolution | |
Chen et al. | Scene segmentation of remotely sensed images with data augmentation using U-net++ | |
Jing et al. | Island road centerline extraction based on a multiscale united feature | |
Aryal et al. | Mobile hyperspectral imaging for material surface damage detection | |
Vakalopoulou et al. | Simultaneous registration, segmentation and change detection from multisensor, multitemporal satellite image pairs | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
Teo et al. | Object-based land cover classification using airborne lidar and different spectral images | |
Gupta | A survey of techniques and applications for real time image processing | |
Touati et al. | Partly uncoupled siamese model for change detection from heterogeneous remote sensing imagery | |
Rachdi et al. | Directional neighborhood topologies based multi-scale quinary pattern for texture classification | |
Wang et al. | Multiple Spectral-Spatial Representation Based on Tensor Decomposition for HSI Anomaly Detection | |
CN114170145B (zh) | 基于多尺度自编码的异质遥感图像变化检测方法 | |
Zhang et al. | Forest roads extraction through a convolution neural network aided 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |