CN109325977A - 目标区域最优影像选择方法及系统、存储介质、电子设备 - Google Patents
目标区域最优影像选择方法及系统、存储介质、电子设备 Download PDFInfo
- Publication number
- CN109325977A CN109325977A CN201811447085.2A CN201811447085A CN109325977A CN 109325977 A CN109325977 A CN 109325977A CN 201811447085 A CN201811447085 A CN 201811447085A CN 109325977 A CN109325977 A CN 109325977A
- Authority
- CN
- China
- Prior art keywords
- target area
- area
- image information
- image
- geometric object
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明提供目标区域最优影像选择方法,包括步骤生成无云图像、生成影像列表、排列影像顺序、选取候选影像、选择最优影像。本发明还涉及目标区域最优影像选择系统、存储介质、电子设备;本发明对目标区域影像进行云区域检测,生成目标区域图像信息,将目标区域图像信息的地理坐标与目标区域矢量取交集,确定目标区域内的图像信息,对目标区域图像信息按照无云区域面积所占百分比进行排序,对排序后的目标区域图像信息按照顺序选择能完全覆盖目标区域且数量少、影像上云较少的影像,本发明实现自动高效的对目标区域大量冗余影像的最优影像快速选择,极大的提高目标区域最优影像选择的效率,减少时间成本和人力成本,满足实际工程自动化检索的需求。
Description
技术领域
本发明属于光学卫星遥感影像的图像处理技术领域,是一种基于无云图像的目标区域最优影像选择方法。
背景技术
以高分一号、高分二号、高分六号为代表,国产光学遥感卫星各项设计指标已逐渐达到国际先进水平,对地观测系统日趋完善,多星协同观测能力逐步提高,卫星的重访周期也不断缩短,在很短的时间内,卫星就能对同一目标区域进行多次成像。这导致同一目标区的卫星影像的数据量迅速增加,目标区域存在大量冗余影像,而光学遥感卫星在成像时无法避免受云等各种因素的影响,目标区的大量冗余影像并非都能进行使用,在实际使用时,需要先将云层遮挡区域的影像进行抠除,然后用其它影像对抠除部分区域进行替补,这样通过多景目标区域的影像进行组合就能合成一期覆盖目标区域的无云影像。
目前,目标区最优影像选择靠纯人工目视挑选,通过一景一景影像的缩略图对目标区域进行贴图,然后择优挑选能完全覆盖到目标区域、影像上云较少且使用较少数量的影像列表。这种选择方法需要耗费大量的人工和时间,选择效率低,无法满足实际工程自动化检索的需求,因此,亟需一种对目标区域大量冗余影像的最优影像快速选择的方法。
发明内容
为了克服现有技术的不足,本发明提出的一种目标区域最优影像选择方法,解决了现有靠纯人工目视挑选目标区最优影像存在耗费大量的人工和时间,选择效率低,无法满足实际工程自动化检索的需求的问题。
本发明提供目标区域最优影像选择方法,包括以下步骤:
S0、生成无云图像,识别若干目标区域遥感影像上的云区域,对若干所述目标区域遥感影像的无云区域进行采样,生成若干目标区域图像信息,所述目标区域图像信息中所述云区域对应位置处配置为不显示化;
S1、生成影像列表,将若干所述目标区域图像信息生成目标区域图像信息列表;
S2、排列影像顺序,计算所述目标区域图像信息列表中目标区域图像信息的无云区域面积占目标区域图像信息有效区域面积的百分比,得到无云区域面积百分比值,按照所述无云区域面积百分比值从大到小顺序,对所述目标区域图像信息列表中的目标区域图像信息进行排序;
S3、选取候选影像,选取所述目标区域图像信息列表中的第一景目标区域图像信息作为候选影像增加到结果影像列表;
S4、选择最优影像,从所述目标区域图像信息列表中顺序选择目标区域图像信息,若选择的单景目标区域图像信息相对于所述候选影像新增面积的占比不小于增加面积比值阈值,则将当前景目标区域图像信息加入所述结果影像列表,将所述候选影像更新为所述候选影像与当前景目标区域图像信息合并的影像,重复步骤S4,直至更新的候选影像面积与目标区域矢量的面积相等。
进一步地,在步骤S0中还包括对所述云区域进行标记,并采用固定灰度值记录云区像素,对所述目标区域图像信息中云区域对应的位置进行影像替补。
进一步地,在步骤S1中还包括计算所述目标区域图像信息列表中目标区域图像信息的有效区域对应的地理坐标与目标区域矢量的交集,将所述目标区域图像信息列表通过所述交集对应的目标区域图像信息列表进行更新。
进一步地,在步骤S2中,计算所述目标区域图像信息列表中目标区域图像信息有效区域的四角点经纬度坐标,通过所述四角点经纬度坐标计算所述目标区域图像信息有效区域面积。
进一步地,在步骤S3中还包括对所述候选影像进行栅格矢量化,得到第一几何对象;
在步骤S4中,对选择的单景目标区域图像信息进行栅格矢量化,将矢量化后的要素合并为第二几何对象,将所述第二几何对象与所述第一几何对象合并为第三几何对象,计算所述第二几何对象与所述第一几何对象的差集,计算所述第一几何对象的面积、所述第二几何对象的面积、所述差集的面积,若所述差集的面积与所述第二几何对象的面积的比值不小于所述增加面积比值阈值,则将当前景目标区域图像信息加入所述结果影像列表,将所述第一几何对象更新为所述第三几何对象,并重新计算所述第一几何对象的面积,若所述差集的面积与所述第二几何对象的面积的比值小于所述增加面积比值阈值,则跳过当前景目标区域图像信息。
进一步地,在步骤S4中还包括若所述第一几何对象的面积与所述目标区域矢量的面积的比值不小于几何对象面积比值阈值,则将所述增加面积比值阈值更新为所述目标区域矢量的面积与所述第一几何对象的面积的差值占所述目标区域矢量的面积的百分比,重复步骤4,直至所述第一几何对象的面积与所述目标区域矢量的面积的比值等于一。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行目标区域最优影像选择方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行目标区域最优影像选择方法。
目标区域最优影像选择系统,包括生成无云图像模块、生成影像列表模块、排列影像顺序模块、选取候选影像模块、选择最优影像模块;其中,
所述生成无云图像模块用于识别若干目标区域遥感影像上的云区域,对所述云区域进行标记,并采用固定灰度值记录云区像素,对若干所述目标区域遥感影像的无云区域进行采样,生成若干目标区域图像信息,对所述目标区域图像信息中云区域对应的位置进行影像替补,所述目标区域图像信息中所述云区域对应位置处配置为不显示化;
所述生成影像列表模块用于将若干所述目标区域图像信息生成目标区域图像信息列表,计算所述目标区域图像信息列表中目标区域图像信息的有效区域对应的地理坐标与目标区域矢量的交集,将所述目标区域图像信息列表通过所述交集对应的目标区域图像信息列表进行更新;
所述排列影像顺序模块用于计算所述目标区域图像信息列表中目标区域图像信息有效区域的四角点经纬度坐标,通过所述四角点经纬度坐标计算所述目标区域图像信息有效区域面积,计算所述目标区域图像信息列表中目标区域图像信息的无云区域面积占目标区域图像信息有效区域面积的百分比,得到无云区域面积百分比值,按照所述无云区域面积百分比值从大到小的顺序,对所述目标区域图像信息列表中的目标区域图像信息进行排序;
所述选取候选影像模块用于选取所述目标区域图像信息列表中的第一景目标区域图像信息作为候选影像增加到结果影像列表;
所述选择最优影像模块用于从所述目标区域图像信息列表中顺序选择目标区域图像信息,若选择的单景目标区域图像信息相对于所述候选影像新增面积的占比不小于增加面积比值阈值,则将当前景目标区域图像信息加入所述结果影像列表,将所述候选影像更新为所述候选影像与当前景目标区域图像信息合并的影像,直至更新的候选影像面积与目标区域矢量的面积相等。
进一步地,所述选取候选影像模块还包括对所述候选影像进行栅格矢量化,得到第一几何对象;所述选择最优影像模块还包括对选择的单景目标区域图像信息进行栅格矢量化,将矢量化后的要素合并为第二几何对象,将所述第二几何对象与所述第一几何对象合并为第三几何对象,计算所述第二几何对象与所述第一几何对象的差集,计算所述第一几何对象的面积、所述第二几何对象的面积、所述差集的面积,若所述差集的面积与所述第二几何对象的面积的比值不小于所述增加面积比值阈值,则将当前景目标区域图像信息加入所述结果影像列表,将所述第一几何对象更新为所述第三几何对象,并重新计算所述第一几何对象的面积,若所述差集的面积与所述第二几何对象的面积的比值小于所述增加面积比值阈值,则跳过当前景目标区域图像信息,若所述第一几何对象的面积与所述目标区域矢量的面积的比值不小于几何对象面积比值阈值,则将所述增加面积比值阈值更新为所述目标区域矢量的面积与所述第一几何对象的面积的差值占所述目标区域矢量的面积的百分比,直至所述第一几何对象的面积与所述目标区域矢量的面积的比值等于一。
相比现有技术,本发明的有益效果在于:
本发明提供目标区域最优影像选择方法,包括步骤生成无云图像、生成影像列表、排列影像顺序、选取候选影像、选择最优影像。本发明还涉及目标区域最优影像选择系统、存储介质、电子设备;本发明对目标区域影像进行云区域检测,生成目标区域图像信息,将目标区域图像信息的地理坐标与目标区域矢量取交集,确定目标区域内的图像信息,再对目标区域图像信息按照无云区域面积所占百分比进行排序,对排序后的目标区域图像信息按照顺序选择能完全覆盖目标区域且数量少、影像上云较少的影像,本发明实现自动高效的对目标区域大量冗余影像的最优影像快速选择,极大的提高目标区域最优影像选择的效率,减少时间成本和人力成本,满足实际工程自动化检索的需求。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的目标区域最优影像选择方法流程示意图;
图2为本发明的目标区域最优影像选择方法逻辑示意图;
图3为本发明的目标区域矢量示意图;
图4为本发明的抠除云区域的目标区域图像信息;
图5为本发明的无云区域的目标区域图像信息;
图6为本发明的逐景向结果影像列表中增加候选影像的结果示意图;
图7为测试时目标区域若干景目标区域图像信息显示结果示意图;
图8为从若干景目标区域图像信息中选择的最优图像信息显示结果示意图;
图9为本发明的目标区域最优影像选择系统示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
目标区域最优影像选择方法,如图1、图2所示,包括以下步骤:
S0、生成无云图像,识别若干目标区域遥感影像上的云区域,对云区域进行标记,用固定灰度值记录云区像素,对若干目标区域遥感影像的无云区域进行采样,生成若干目标区域图像信息,目标区域图像信息中云区域对应位置处配置为不显示化,为了提高图像信息的处理效率和可操作性,对若干目标区域遥感影像的无云区域进行缩小倍率的采样生成倍率缩小的缩略图,本实施例中缩略图为*.png格式的能被Windows系统识别打开的图像,*.png格式的图像是一种无损压缩的位图格式,专业术语为便携式网络图形,英文全称为Portable Network Graphics,*.png格式的图像相对于其它类型的图像如*.jpg、*.jpeg、*.bmp、*.tif等,其第四通道能够根据需要将图像信息设置为透明格式,能够进行各项叠加分析计算,具体为将缩略图中云区域的第四通道的像素灰度值设置为0,前三通道像素灰度值保持不变,缩略图中有效区域的第四通道的像素灰度值为255,缩略图中有效区域边界外的无效区域的四个通道的像素灰度值均为0,使得缩略图中云区域对应位置处为与背景一致的透明格式,目标区域图像信息为图2中的无云png,对目标区域图像信息中云区域对应的位置进行影像替补。其中,有效区域边界指影像四个通道像素灰度值均不为0的影像有效区域的边界;如图4所示,将目标区域图像信息上云区域设置为与背景一致的透明格式。如图5所示,目标区域遥感影像上无云,目标区域图像信息中不存在云区域。
S1、生成影像列表,将若干目标区域图像信息生成目标区域图像信息列表,目标区域图像信息列表以L1表示,计算目标区域图像信息列表中缩略图的有效区域对应的地理坐标与目标区域矢量的交集,若有交集,则将缩略图添加至交集对应的目标区域图像信息列表,交集对应的目标区域图像信息列表以L2表示。目标区域矢量如图3所示,目标区域矢量以T表示。
S2、排列影像顺序,计算目标区域图像信息列表L2中目标区域图像信息有效区域的四角点经纬度坐标,通过四角点经纬度坐标计算目标区域图像信息有效区域面积,计算目标区域图像信息列表L2中目标区域图像信息的无云区域面积占目标区域图像信息有效区域面积的百分比,得到无云区域面积百分比值,按照无云区域面积百分比值从大到小的顺序,对目标区域图像信息列表中的目标区域图像信息进行排序,排序后的目标区域图像信息列表以L3表示;
S3、选取候选影像,选取目标区域图像信息列表L3中的第一景目标区域图像信息作为候选影像增加到结果影像列表,结果影像列表以R表示,结果影像列表为图2中的候选列表R和候选影像列表R,对候选影像进行栅格矢量化,得到第一几何对象,第一几何对象以G0表示,计算目标区域矢量T的面积AT;
S4、选择最优影像,从目标区域图像信息列表L3中顺序选择目标区域图像信息,对选择的单景目标区域图像信息进行栅格矢量化,将矢量化后的要素合并为第二几何对象G1,计算选择的单景目标区域图像信息相对于候选影像增加的面积占自身面积的百分比,得到增加面积比值,具体计算过程为:将第二几何对象G1与第一几何对象G0合并为第三几何对象G2,计算第二几何对象G1与第一几何对象G0的差集G1-0,计算第一几何对象G0的面积AG0、第二几何对象G1的面积AG1、差集G1-0的面积AG1-0。若增加面积比值不小于增加面积比值阈值,则将当前景目标区域图像信息加入结果影像列表,逐景向结果影像列表R中增加候选影像的结果示意图如图6所示,将候选影像更新为候选影像与当前景目标区域图像信息合并后的影像,具体地,若差集G1-0的面积AG1-0与第二几何对象G1的面积AG1的比值不小于增加面积比值阈值P1,即AG1-0/AG1≥P1,P1为单景增加的面积百分比占自身面积比值阈值,P1的取值范围为0.2~0.8,本实施例中取P1为0.5,当AG1-0/AG1≥0.5时,则将当前景目标区域图像信息加入结果影像列表R,将第一几何对象G0更新为第三几何对象G2,并重新计算第一几何对象G0的面积AG0,若差集G1-0的面积AG1-0与第二几何对象G1的面积AG1的比值小于增加面积比值阈值P1,即AG1-0/AG1<P1,则跳过当前景目标区域图像信息。计算更新后的候选影像的面积与目标区域矢量的面积的比值,得到几何对象面积比值,若几何对象面积比值不等于一,优选地,若第一几何对象G0的面积AG0与目标区域矢量T的面积AT的比值不小于几何对象面积比值阈值P2,即AG0/AT≥P2,P2为当前几何对象占目标区域矢量T的面积比值阈值,P2的取值范围为0.2~0.8,本实施例中取P2为0.5,当AG0/AT≥0.5时,则将增加面积比值阈值P1更新为目标区域矢量的面积与第一几何对象的面积的差值占目标区域矢量的面积的百分比,即1-AG0/AT,重复步骤4,直至几何对象面积比值等于一,即AG0/AT=1,不再从目标区域图像信息列表L3中选择影像。测试时目标区域若干景目标区域图像信息显示结果示意图如图7所示,通过上述步骤选择能完全覆盖目标区域且数量少、影像上云较少的影像,最终从若干景目标区域图像信息中选择的最优目标区域图像信息显示结果示意图如图8所示。
一种电子设备,包括:处理器;
存储器;以及程序,其中程序被存储在存储器中,并且被配置成由处理器执行,程序包括用于执行目标区域最优影像选择方法。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行目标区域最优影像选择方法。
目标区域最优影像选择系统,如图9所示,包括生成无云图像模块、生成影像列表模块、排列影像顺序模块、选取候选影像模块、选择最优影像模块;其中,
生成无云图像模块用于识别若干目标区域遥感影像上的云区域,对云区域进行标记,并采用固定灰度值记录云区像素,对若干目标区域遥感影像的无云区域进行采样,生成若干倍率缩小的目标区域图像信息,对目标区域图像信息中云区域对应的位置进行影像替补,目标区域图像信息中云区域对应位置处配置为不显示化;
生成影像列表模块用于将若干目标区域图像信息生成目标区域图像信息列表,计算目标区域图像信息列表中目标区域图像信息的有效区域对应的地理坐标与目标区域矢量的交集,将目标区域图像信息列表通过交集对应的目标区域图像信息列表进行更新;
排列影像顺序模块用于计算目标区域图像信息列表中目标区域图像信息有效区域的四角点经纬度坐标,通过四角点经纬度坐标计算目标区域图像信息有效区域面积,计算目标区域图像信息列表中目标区域图像信息的无云区域面积占目标区域图像信息有效区域面积的百分比,得到无云区域面积百分比值,按照无云区域面积百分比值从大到小的顺序,对目标区域图像信息列表中的目标区域图像信息进行排序;
选取候选影像模块用于选取目标区域图像信息列表中的第一景目标区域图像信息作为候选影像增加到结果影像列表;
选择最优影像模块用于从目标区域图像信息列表中顺序选择目标区域图像信息,若选择的单景目标区域图像信息相对于候选影像新增面积的占比不小于增加面积比值阈值,则将当前景目标区域图像信息加入结果影像列表,将候选影像更新为候选影像与当前景目标区域图像信息合并的影像,直至更新的候选影像面积与目标区域矢量的面积相等。
在一实施例中,优选地,如图9所示,选取候选影像模块还包括对候选影像进行栅格矢量化,得到第一几何对象;选择最优影像模块还包括对选择的单景目标区域图像信息进行栅格矢量化,将矢量化后的要素合并为第二几何对象,将第二几何对象与第一几何对象合并为第三几何对象,计算第二几何对象与第一几何对象的差集,计算第一几何对象的面积、第二几何对象的面积、差集的面积,若差集的面积与第二几何对象的面积的比值不小于增加面积比值阈值,则将当前景目标区域图像信息加入结果影像列表,将第一几何对象更新为第三几何对象,并重新计算第一几何对象的面积,若差集的面积与第二几何对象的面积的比值小于增加面积比值阈值,则跳过当前景目标区域图像信息,若第一几何对象的面积与目标区域矢量的面积的比值不小于几何对象面积比值阈值,则将增加面积比值阈值更新为目标区域矢量的面积与第一几何对象的面积的差值占目标区域矢量的面积的百分比,直至第一几何对象的面积与目标区域矢量的面积的比值等于一。
本发明提供目标区域最优影像选择方法,包括步骤生成无云图像、生成影像列表、排列影像顺序、选取候选影像、选择最优影像。本发明还涉及目标区域最优影像选择系统、存储介质、电子设备;本发明对目标区域影像进行云区域检测,生成目标区域图像信息,将目标区域图像信息的地理坐标与目标区域矢量取交集,确定目标区域内的图像信息,再对目标区域图像信息按照无云区域面积所占百分比进行排序,对排序后的目标区域图像信息按照顺序选择能完全覆盖目标区域且数量少、影像上云较少的影像,本发明实现自动高效的对目标区域大量冗余影像的最优影像快速选择,极大的提高目标区域最优影像选择的效率,减少时间成本和人力成本,满足实际工程自动化检索的需求。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.目标区域最优影像选择方法,其特征在于,包括以下步骤:
S0、生成无云图像,识别若干目标区域遥感影像上的云区域,对若干所述目标区域遥感影像的无云区域进行采样,生成若干目标区域图像信息,所述目标区域图像信息中所述云区域对应位置处配置为不显示化;
S1、生成影像列表,将若干所述目标区域图像信息生成目标区域图像信息列表;
S2、排列影像顺序,计算所述目标区域图像信息列表中目标区域图像信息的无云区域面积占目标区域图像信息有效区域面积的百分比,得到无云区域面积百分比值,按照所述无云区域面积百分比值从大到小顺序,对所述目标区域图像信息列表中的目标区域图像信息进行排序;
S3、选取候选影像,选取所述目标区域图像信息列表中的第一景目标区域图像信息作为候选影像增加到结果影像列表;
S4、选择最优影像,从所述目标区域图像信息列表中顺序选择目标区域图像信息,若选择的单景目标区域图像信息相对于所述候选影像新增面积的占比不小于增加面积比值阈值,则将当前景目标区域图像信息加入所述结果影像列表,将所述候选影像更新为所述候选影像与当前景目标区域图像信息合并的影像,重复步骤S4,直至更新的候选影像面积与目标区域矢量的面积相等。
2.如权利要求1所述的目标区域最优影像选择方法,其特征在于:在步骤S0中还包括对所述云区域进行标记,并采用固定灰度值记录云区像素,对所述目标区域图像信息中云区域对应的位置进行影像替补。
3.如权利要求1所述的目标区域最优影像选择方法,其特征在于:在步骤S1中还包括计算所述目标区域图像信息列表中目标区域图像信息的有效区域对应的地理坐标与目标区域矢量的交集,将所述目标区域图像信息列表通过所述交集对应的目标区域图像信息列表进行更新。
4.如权利要求1所述的目标区域最优影像选择方法,其特征在于:在步骤S2中,计算所述目标区域图像信息列表中目标区域图像信息有效区域的四角点经纬度坐标,通过所述四角点经纬度坐标计算所述目标区域图像信息有效区域面积。
5.如权利要求1所述的目标区域最优影像选择方法,其特征在于:
在步骤S3中还包括对所述候选影像进行栅格矢量化,得到第一几何对象;
在步骤S4中,对选择的单景目标区域图像信息进行栅格矢量化,将矢量化后的要素合并为第二几何对象,将所述第二几何对象与所述第一几何对象合并为第三几何对象,计算所述第二几何对象与所述第一几何对象的差集,计算所述第一几何对象的面积、所述第二几何对象的面积、所述差集的面积,若所述差集的面积与所述第二几何对象的面积的比值不小于所述增加面积比值阈值,则将当前景目标区域图像信息加入所述结果影像列表,将所述第一几何对象更新为所述第三几何对象,并重新计算所述第一几何对象的面积,若所述差集的面积与所述第二几何对象的面积的比值小于所述增加面积比值阈值,则跳过当前景目标区域图像信息。
6.如权利要求5所述的目标区域最优影像选择方法,其特征在于:在步骤S4中还包括若所述第一几何对象的面积与所述目标区域矢量的面积的比值不小于几何对象面积比值阈值,则将所述增加面积比值阈值更新为所述目标区域矢量的面积与所述第一几何对象的面积的差值占所述目标区域矢量的面积的百分比,重复步骤4,直至所述第一几何对象的面积与所述目标区域矢量的面积的比值等于一。
7.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行如权利要求1所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1所述的方法。
9.目标区域最优影像选择系统,其特征在于:包括生成无云图像模块、生成影像列表模块、排列影像顺序模块、选取候选影像模块、选择最优影像模块;其中,
所述生成无云图像模块用于识别若干目标区域遥感影像上的云区域,对所述云区域进行标记,并采用固定灰度值记录云区像素,对若干所述目标区域遥感影像的无云区域进行采样,生成若干目标区域图像信息,对所述目标区域图像信息中云区域对应的位置进行影像替补,所述目标区域图像信息中所述云区域对应位置处配置为不显示化;
所述生成影像列表模块用于将若干所述目标区域图像信息生成目标区域图像信息列表,计算所述目标区域图像信息列表中目标区域图像信息的有效区域对应的地理坐标与目标区域矢量的交集,将所述目标区域图像信息列表通过所述交集对应的目标区域图像信息列表进行更新;
所述排列影像顺序模块用于计算所述目标区域图像信息列表中目标区域图像信息有效区域的四角点经纬度坐标,通过所述四角点经纬度坐标计算所述目标区域图像信息有效区域面积,计算所述目标区域图像信息列表中目标区域图像信息的无云区域面积占目标区域图像信息有效区域面积的百分比,得到无云区域面积百分比值,按照所述无云区域面积百分比值从大到小的顺序,对所述目标区域图像信息列表中的目标区域图像信息进行排序;
所述选取候选影像模块用于选取所述目标区域图像信息列表中的第一景目标区域图像信息作为候选影像增加到结果影像列表;
所述选择最优影像模块用于从所述目标区域图像信息列表中顺序选择目标区域图像信息,若选择的单景目标区域图像信息相对于所述候选影像新增面积的占比不小于增加面积比值阈值,则将当前景目标区域图像信息加入所述结果影像列表,将所述候选影像更新为所述候选影像与当前景目标区域图像信息合并的影像,直至更新的候选影像面积与目标区域矢量的面积相等。
10.如权利要求9所述的目标区域最优影像选择系统,其特征在于:所述选取候选影像模块还包括对所述候选影像进行栅格矢量化,得到第一几何对象;所述选择最优影像模块还包括对选择的单景目标区域图像信息进行栅格矢量化,将矢量化后的要素合并为第二几何对象,将所述第二几何对象与所述第一几何对象合并为第三几何对象,计算所述第二几何对象与所述第一几何对象的差集,计算所述第一几何对象的面积、所述第二几何对象的面积、所述差集的面积,若所述差集的面积与所述第二几何对象的面积的比值不小于所述增加面积比值阈值,则将当前景目标区域图像信息加入所述结果影像列表,将所述第一几何对象更新为所述第三几何对象,并重新计算所述第一几何对象的面积,若所述差集的面积与所述第二几何对象的面积的比值小于所述增加面积比值阈值,则跳过当前景目标区域图像信息,若所述第一几何对象的面积与所述目标区域矢量的面积的比值不小于几何对象面积比值阈值,则将所述增加面积比值阈值更新为所述目标区域矢量的面积与所述第一几何对象的面积的差值占所述目标区域矢量的面积的百分比,直至所述第一几何对象的面积与所述目标区域矢量的面积的比值等于一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811447085.2A CN109325977B (zh) | 2018-11-29 | 2018-11-29 | 目标区域最优影像选择方法及系统、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811447085.2A CN109325977B (zh) | 2018-11-29 | 2018-11-29 | 目标区域最优影像选择方法及系统、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325977A true CN109325977A (zh) | 2019-02-12 |
CN109325977B CN109325977B (zh) | 2022-01-25 |
Family
ID=65259527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811447085.2A Active CN109325977B (zh) | 2018-11-29 | 2018-11-29 | 目标区域最优影像选择方法及系统、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325977B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017177A (zh) * | 2020-09-08 | 2020-12-01 | 科大讯飞股份有限公司 | 一种参考影像确定方法、装置、设备及存储介质 |
CN113175879A (zh) * | 2021-03-25 | 2021-07-27 | 潮州三环(集团)股份有限公司 | 一种尖嘴陶瓷柱t面检测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
CN106846285A (zh) * | 2016-12-30 | 2017-06-13 | 苏州中科天启遥感科技有限公司 | 高性能遥感影像合成方法及装置 |
-
2018
- 2018-11-29 CN CN201811447085.2A patent/CN109325977B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
CN106846285A (zh) * | 2016-12-30 | 2017-06-13 | 苏州中科天启遥感科技有限公司 | 高性能遥感影像合成方法及装置 |
Non-Patent Citations (1)
Title |
---|
李峰: ""遥感影像区域覆盖最优数据集的筛选模型"", 《无线电工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017177A (zh) * | 2020-09-08 | 2020-12-01 | 科大讯飞股份有限公司 | 一种参考影像确定方法、装置、设备及存储介质 |
CN112017177B (zh) * | 2020-09-08 | 2023-12-01 | 科大讯飞股份有限公司 | 一种参考影像确定方法、装置、设备及存储介质 |
CN113175879A (zh) * | 2021-03-25 | 2021-07-27 | 潮州三环(集团)股份有限公司 | 一种尖嘴陶瓷柱t面检测方法、装置、设备及介质 |
CN113175879B (zh) * | 2021-03-25 | 2023-06-16 | 苏州三环科技有限公司 | 一种尖嘴陶瓷柱t面检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109325977B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kuang et al. | A comparative analysis of megacity expansions in China and the US: Patterns, rates and driving forces | |
Li et al. | Geographical knowledge-driven representation learning for remote sensing images | |
CN106203277B (zh) | 基于sift特征聚类的固定镜头实时监控视频特征提取方法 | |
Ling et al. | Object-based sub-pixel mapping of buildings incorporating the prior shape information from remotely sensed imagery | |
CN110378844A (zh) | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
US8743119B2 (en) | Model-based face image super-resolution | |
CN101777129B (zh) | 一种基于特征检测的图像匹配方法 | |
CN103632153B (zh) | 一种基于区域的图像显著图提取方法 | |
CN112991534B (zh) | 一种基于多粒度物体模型的室内语义地图构建方法及系统 | |
Liu et al. | High-resolution mapping of mainland China’s urban floor area | |
Alahmadi et al. | A comparison of small-area population estimation techniques using built-area and height data, Riyadh, Saudi Arabia | |
CN109325977A (zh) | 目标区域最优影像选择方法及系统、存储介质、电子设备 | |
CN106203269A (zh) | 一种基于可形变局部块的人脸超分辨率处理方法及系统 | |
Guo et al. | Identify urban area from remote sensing image using deep learning method | |
CN101561882B (zh) | 一种基于空间相关性的亚像元空间定位方法 | |
CN107871315A (zh) | 一种视频图像运动检测方法和装置 | |
CN104574455B (zh) | 图像重建方法及装置 | |
Li et al. | Learning to holistically detect bridges from large-size vhr remote sensing imagery | |
CN116611725A (zh) | 一种基于绿色生态指标的土地类型识别方法及装置 | |
CN107220615B (zh) | 一种融合兴趣点大数据的城市不透水面信息提取方法 | |
He et al. | Land cover change detection based on spatial-temporal sub-pixel evolution mapping: A case study for urban expansion | |
CN113029332A (zh) | 卫星云图的预测方法、装置和处理器 | |
CN104268829B (zh) | 一种基于多尺度空间正则化模型的超分辨率制图方法 | |
Guo et al. | The Improved U-STFM: A Deep Learning-Based Nonlinear Spatial-Temporal Fusion Model for Land Surface Temperature Downscaling |
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 |