CN109389052A - 基于聚类算法的全极化sar图像城市识别提取方法 - Google Patents
基于聚类算法的全极化sar图像城市识别提取方法 Download PDFInfo
- Publication number
- CN109389052A CN109389052A CN201811101518.9A CN201811101518A CN109389052A CN 109389052 A CN109389052 A CN 109389052A CN 201811101518 A CN201811101518 A CN 201811101518A CN 109389052 A CN109389052 A CN 109389052A
- Authority
- CN
- China
- Prior art keywords
- image
- clustering algorithm
- urban area
- density
- extracting method
- 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
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于聚类算法的全极化SAR图像城市识别提取方法,包括如下步骤:1)全极化SAR系统四个单通道图像预处理;2)对四个单通道图像进行离散小波数据融合;3)采用密度聚类算法进行城市区域提取;4)将不同的城市区域簇集合并成相同的簇得到合并后的城镇区域图像;5)对合并后的城镇区域图像进行误差处理得到最终的城镇区域图像,本发明提供了一种快速、低成本的基于遥感技术的城市区域提取方法,为了解城市空间分类、土地和水域等资源利用情况、人类活动影响,从而为城市资源更合理利用提供理论依据。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于聚类算法的全极化SAR图像城市识别提取方法。
背景技术
城市地区提取是对城市空间资源利用的一种综合性评判。通过城市地区提取,能了解城市土地资源利用情况,城市空间利用面临的压力以及给人们生活和生产所带来的种种影响,从而为城市资源保护和空间利用提供理论基础。
世界人口的一半以上居住在城市,开创了人类城市化的新时代。特别在发展中国家,城市地区迅速扩大,这往往伴随着非正式和非法的土地使用,肥沃土壤流失,交通堵塞和增加生态环境脆弱性。例如北京城市化可能是造成严重雾霾的原因,近年来观察到的越来越严重的工厂烟雾。为了保证城市环境的可持续发展,必须获得准确和可靠的有关空间分布城市形态和动态模型。然而目前的状况是现有的遥感制图产品存在相干斑噪声、图像灰度不均等现象。
发明内容
本发明针对现有的遥感制图产品的局限性,提供一种快速、低成本的基于遥感技术的城市区域提取方法,为了解城市空间分类、土地和水域等资源利用情况、人类活动影响,从而为城市资源更合理利用提供理论依据。
本发明所要解决的技术问题是通过以下技术方案实现的:
一种基于聚类算法的全极化SAR图像城市识别提取方法,包括如下步骤:
1)全极化SAR系统四个单通道图像预处理;
2)对四个单通道图像进行离散小波数据融合;
3)采用密度聚类算法进行城市区域提取;
4)将不同的城市区域簇集合并成相同的簇得到合并后的城镇区域图像;
5)对合并后的城镇区域图像进行误差处理得到最终的城镇区域图像。
进一步的,所述步骤1)中图像预处理包括辐射定标、数据转换、多视处理、Lee滤波以及地理编码。
进一步的,所述步骤2)中进行离散小波数据融合采用缩放函数和小波函数,分别和低通滤波器以及高通滤波器相关联,不同频域波段的信号分解根据信号进行连续高通滤波和低通滤波来获得。
进一步的,所述步骤3)采用密度聚类算法进行城镇区域提取具体为:
从图像中城市区域中心点出发,不断向密度可达的区域扩张,从而得到一个包含核心点和边界点的最大化区域,即为所提取的城市区域,该区域中任意两点密度相连。
进一步的,所述步骤4)中在不同的城市区域簇集合并之前,非城市区域被标记为噪声,城镇区域被当成目标。
进一步的,在进行离散小波数据融合过程中,首先,通过选择所需要的波形,得到一系列随频率增加的高通图像;然后,根据经验,需要三次或四次递归创建相应的小波,就可以得到需要的结果;最后,根据逆向小波分解变换用来得到具有原始高分辨率光谱信息的图像。
本发明所达到的有益效果是:1)提出了利用全极化SAR图像进行城市区域提取的方法,能够充分利用全极化SAR影像的信息。2)提出了SAR影像通道融合处理办法,能够综合不同通道对地物不同的散射特性来突出SAR影像融合图像质量。3)提出了将密度聚类算法应用到城市区域提取中,具有简单、快速和低成本的特点。4)利用密度聚类城市提取方法,形成了一种基于全极化SAR影像城市区域提取,以便更好地了解城市空间资源利用情况,人类活动对城市规划所起的作用等,为制定良好城市资源利用体系提供理论依据。
附图说明
图1是本发明的流程图
图2a表示直接密度可达概念示意图;
图2b表示密度可达概念示意图;
图2c表示密度相连示意图;
图3是丹江口市某区域全极化预处理后图像;
图4是基于密度聚类方法城镇区域提取结果图。
具体实施方式
为了进一步描述本发明的技术特点和效果,以下结合附图和具体实施方式对本发明做进一步描述。
如图1-图4所示,一种基于聚类算法的全极化SAR图像城市识别提取方法,包括如下步骤:
步骤1,对全极化SAR影像四个单通道原始数据进行预处理,预处理包括辐射定标以及数据转换、多视处理、Lee滤波和地理编码等操作。
步骤2,对预处理后的单通道影像进行DWT(离散小波)数据融合。对于四种极化方式的通道图像,HV和VH极化方式下所成的两种图像是相同的。平坦的地物对VV极化入射波的反射比较强,所以在VV极化所成的图像中,水体以及裸地等地物特征明显。垂直分布的比如建筑物等对HH极化入射波的反射比较强,所以在HH极化所成图像中,建筑区域的地物特征明显。通过融合技术将通道图像进行融合,实现信息互补,有利于城镇区域提取等方面的研究。DWT是一种将信号从时域变换到频域的方法。一个有限的能量信号x(t)可以通过基本小波函数的平移和伸缩来表示。在离散小波变换中,DWT采用两组函数:缩放函数和小波函数,它们分别与低通和高通滤波器相关联。不同频域波段的信号分解可以根据信号进行连续高通滤波和低通滤波来获得。高分辨图像被分离为低频和高频分量。首先,通过选择所需要的波形,得到一系列随频率增加的高通图像;然后,根据经验,需要三次或四次递归创建相应的小波,就可以得到需要的结果;最后,根据逆向小波分解变换用来得到具有原始高分辨率光谱信息的图像。通道融合结果表明,融合后SAR图像相较于原始单通道图像的灰度均值,熵、空间梯度以及空间频率等评价图像质量的客观指标都有较大改善,因此,融合技术能实现SAR影像信息互补,起到提升图像质量的作用。
步骤3,DBSCAN(密度聚类)算法城市区域提取,从图像中城市区域中心点出发,不断向密度可达的区域扩张,从而得到一个包含核心点和边界点的最大化区域,即为所提取的城市区域,该区域中任意两点密度相连。
假定数据集合X={x(1),x(2),…,x(N)},DBSCAN算法的目标是将SAR图像灰度值集合X分成K个cluster及噪音点集合。其中K的值表示城镇区域像元点集合个数,为此,引入cluster(簇)标记数组
由此,DBSCAN算法的目的就是生成标记数组mi,i=1,2,...,N,而K即为中互异的非负数的个数。K即为表示密度可达的cluster个数,由K为城镇像元点集合的个数,因此是划分城镇区域的关键。
下面列出DBSCAN算法的几个定义,以对DBSCAN做解释说明,从而对密度聚类算法在此应用有更好的理解。
对于给定的空间数据集和二维空间中的对象分布,DBSCAN算法中有两个重要参数:Eps和MinPts,两参数的含义分别为定义密度时的领域半径和组成簇群所需的最少目标数量。为简单起见,以下将Eps和MinPts分别简化为∈和M。并且结合数据集合X={x(1),x(2),...,x(N)},首先引入以下概念与记号。
∈领域:设x∈X,称
Nε(x)={y∈X:d(y,x)≤ε} (2)
为x的∈领域。显然,x∈N∈(x)。
密度:设x∈X,称ρ(x)=|N∈(x)|为x的密度。这里的密度是一个整数值,且依赖于半径∈。核心点:设x∈X,若则称x为X的核心点。记由X中所有核心点构成的集合为Xc,并记Xcn=X\Xc表示由X中的所有非核心点构成的集合。
边界点:若x∈Xnc,且存在y∈X,满足y∈N∈(x)∩Xc,即x的∈领域中存在核心点,则称x为X的边界点。记由X中所有边界点构成的集合为Xbd。
此外,边界点也可以这么定义,若x∈Xnc,且x落在某个核心点的∈领域内,则称x为X的一个边界点。一个边界点可能同时落入一个或多个核心点的∈领域。
噪音点:记Xnoi=X\(Xc∪Xbd),若X∈Xnoi,则称x为噪音点。至此,我们严格给出了核心点、边界点和噪音点的数学定义,且满足X=Xc∪Xbd∪Xnoi。
直接密度可达:设x,y∈X,若满足x∈Xc,y∈N∈(x),则称y是从x直接密度可达的,如图2(a)所示。
密度可达:设p(1),p(2),…,p(m)∈X,其中m≥2,。若它们满足:p(i+1)是从p(i)直接密度可达的,i=1,2,…,m-1,p(1)=q,p(m)=p,p(i)=r,则称p是从q密度可达的,如图2(b)所示。
当m=2时,密度可达即为直接密度可达。由此知,密度可达是直接密度可达的一种推广。事实上,密度可达是直接密度可达的传递闭包。
密度可达关系不具有对称性,即,若p(m)是从p(1)密度可达的,则p(1)不一定是从p(m)密度可达的。因为从上述定义可知,p(1),p(2),…,p(m-1)必须为核心点,而p(m)可以是核心点,也可以是边界点。当p(m)为边界点时,p(1)不可能是从p(m)密度可达的。
密度相连:设x,y,z∈X,若x和y均是从z密度可达的,则称x和y是密度相连的。显然密度相连具有对称性,如图2(c)所示。
类:称非空集合是X的一个类,如果它满足:对于x,y∈X
(1)若x∈C,且y是从x密度可达的,则y∈C。
(2)若x∈C,y∈C,则x,y是密度相连的。
步骤4,图像合并,经过以上DBSCAN算法操作后,全极化SAR图像上城镇与非城镇区域被分成离散的不同的簇集。为了从整个图像中提取出城镇区域,非城镇区域被标记为噪声,城镇区域被当成目标。因为城镇区域在空间上与非城镇区域是分离的,因此所有的簇集需要被标记并且合并成相同的簇,代表提取出的城镇区域。最终的二值结果图像只包含城镇区域和非城镇区域。实验结果表明该密度聚类算法对一张979*844大小的SAR图像进行城市区域提取耗时60s左右,并且精度高达95.14%,因此能够达到快速精准地提取城市区域的目的。
上述实施例不以任何形式限定本发明,凡采取等同替换或等效变换的形式所获得的技术方案,均落在本发明的保护范围之内。
Claims (6)
1.基于聚类算法的全极化SAR图像城市识别提取方法,其特征在于,包括如下步骤:
1)全极化SAR系统四个单通道图像预处理;
2)对四个单通道图像进行离散小波数据融合;
3)采用密度聚类算法进行城市区域提取;
4)将不同的城市区域簇集合并成相同的簇得到合并后的城镇区域图像;
5)对合并后的城镇区域图像进行误差处理得到最终的城镇区域图像。
2.根据权利要求1所述的基于聚类算法的全极化SAR图像城市识别提取方法,其特征在于,所述步骤1)中图像预处理包括辐射定标、数据转换、多视处理、Lee滤波以及地理编码。
3.根据权利要求1所述的基于聚类算法的全极化SAR图像城市识别提取方法,其特征在于,所述步骤2)中进行离散小波数据融合采用缩放函数和小波函数,分别和低通滤波器以及高通滤波器相关联,不同频域波段的信号分解根据信号进行连续高通滤波和低通滤波来获得。
4.根据权利要求1所述的基于聚类算法的全极化SAR图像城市识别提取方法,其特征在于,所述步骤3)采用密度聚类算法进行城镇区域提取具体为:
从图像中城市区域中心点出发,不断向密度可达的区域扩张,从而得到一个包含核心点和边界点的最大化区域,即为所提取的城市区域,该区域中任意两点密度相连。
5.根据权利要求1所述的基于聚类算法的全极化SAR图像城市识别提取方法,其特征在于,所述步骤4)中在不同的城市区域簇集合并之前,非城市区域被标记为噪声,城镇区域被当成目标。
6.根据权利要求3所述的基于聚类算法的全极化SAR图像城市识别提取方法,其特征在于,在进行离散小波数据融合过程中,首先,通过选择所需要的波形,得到一系列随频率增加的高通图像;然后,根据经验,进行三次或四次递归创建相应的小波,得到需要的结果;最后,根据逆向小波分解变换用来得到具有原始高分辨率光谱信息的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811101518.9A CN109389052B (zh) | 2018-09-20 | 2018-09-20 | 基于聚类算法的全极化sar图像城市识别提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811101518.9A CN109389052B (zh) | 2018-09-20 | 2018-09-20 | 基于聚类算法的全极化sar图像城市识别提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389052A true CN109389052A (zh) | 2019-02-26 |
CN109389052B CN109389052B (zh) | 2022-02-11 |
Family
ID=65417687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811101518.9A Active CN109389052B (zh) | 2018-09-20 | 2018-09-20 | 基于聚类算法的全极化sar图像城市识别提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389052B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866494A (zh) * | 2019-11-14 | 2020-03-06 | 三亚中科遥感研究所 | 一种基于光学遥感影像的城镇群提取方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850853A (zh) * | 2015-06-02 | 2015-08-19 | 中国地质大学(武汉) | 城市快速提取方法及装置 |
CN105608465A (zh) * | 2015-12-15 | 2016-05-25 | 西安电子科技大学 | 全极化sar海岸线地物分类方法 |
CN106096627A (zh) * | 2016-05-31 | 2016-11-09 | 河海大学 | 顾及特征优化的极化sar图像半监督分类方法 |
US20170016987A1 (en) * | 2015-07-17 | 2017-01-19 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Processing synthetic aperture radar images for ship detection |
-
2018
- 2018-09-20 CN CN201811101518.9A patent/CN109389052B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850853A (zh) * | 2015-06-02 | 2015-08-19 | 中国地质大学(武汉) | 城市快速提取方法及装置 |
US20170016987A1 (en) * | 2015-07-17 | 2017-01-19 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Processing synthetic aperture radar images for ship detection |
CN105608465A (zh) * | 2015-12-15 | 2016-05-25 | 西安电子科技大学 | 全极化sar海岸线地物分类方法 |
CN106096627A (zh) * | 2016-05-31 | 2016-11-09 | 河海大学 | 顾及特征优化的极化sar图像半监督分类方法 |
Non-Patent Citations (1)
Title |
---|
王平等: "基于全极化SAR与多光谱的喀斯特山区农村林地提取", 《中国农业资源与区划》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866494A (zh) * | 2019-11-14 | 2020-03-06 | 三亚中科遥感研究所 | 一种基于光学遥感影像的城镇群提取方法及系统 |
CN110866494B (zh) * | 2019-11-14 | 2022-09-06 | 三亚中科遥感研究所 | 一种基于光学遥感影像的城镇群提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109389052B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | A spatial and temporal nonlocal filter-based data fusion method | |
Zhang et al. | Monitoring of urban impervious surfaces using time series of high-resolution remote sensing images in rapidly urbanized areas: A case study of Shenzhen | |
Yu et al. | A multi-resolution global land cover dataset through multisource data aggregation | |
CN105809693B (zh) | 基于深度神经网络的sar图像配准方法 | |
CN103247059B (zh) | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 | |
CN100595782C (zh) | 一种融合光谱信息和多点模拟空间信息的分类方法 | |
Cao et al. | Multi-focus image fusion by nonsubsampled shearlet transform | |
CN103700075A (zh) | 基于Tetrolet变换的多通道卫星云图融合方法 | |
CN103839243B (zh) | 基于Shearlet变换的多通道卫星云图融合方法 | |
CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN103971329A (zh) | 一种基于遗传优化细胞神经网络的多源图像融合方法 | |
Shi et al. | Object-level semantic segmentation on the high-resolution Gaofen-3 FUSAR-map dataset | |
Du et al. | A novel lacunarity estimation method applied to SAR image segmentation | |
CN110991738A (zh) | 一种基于npp/viirs夜间灯光遥感数据的经济发展研究方法 | |
Huang et al. | A multiscale urban complexity index based on 3D wavelet transform for spectral–spatial feature extraction and classification: an evaluation on the 8-channel WorldView-2 imagery | |
CN106844739A (zh) | 一种基于神经网络协同训练的遥感图像变化信息检索方法 | |
CN103065291A (zh) | 基于提升小波变换和像素区域相关性的图像融合方法 | |
Wang et al. | Image fusion for synthetic aperture radar and multispectral images based on sub-band-modulated non-subsampled contourlet transform and pulse coupled neural network methods | |
Wang et al. | Paccdu: pyramid attention cross-convolutional dual unet for infrared and visible image fusion | |
CN109389052A (zh) | 基于聚类算法的全极化sar图像城市识别提取方法 | |
Cheng et al. | Generating high-resolution climate prediction through generative adversarial network | |
Liu et al. | Evaluating urban expansion of Beijing during 1973-2013, by using GIS and remote sensing | |
Hu et al. | Urban landscape information atlas and model system based on remote sensing images | |
Wang et al. | A GIS and remote sensing-based analysis of land use change using the asymmetric relation analysis method: A case study from the City of Hangzhou, China | |
Amarsaikhan et al. | Applications of GIS and very high-resolution RS data for urban land use change studies in mongolia |
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 |