CN109409176A - 一种用于遥感影像的地块提取的方法与装置 - Google Patents
一种用于遥感影像的地块提取的方法与装置 Download PDFInfo
- Publication number
- CN109409176A CN109409176A CN201810008712.6A CN201810008712A CN109409176A CN 109409176 A CN109409176 A CN 109409176A CN 201810008712 A CN201810008712 A CN 201810008712A CN 109409176 A CN109409176 A CN 109409176A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- straight line
- sensing images
- pixel
- image
- 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.)
- Withdrawn
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明的目的是提供一种用于遥感影像的地块提取的方法与设备。与现有技术相比,本发明通过图像预处理、直线检测、直线优化、轮廓提取以及拟合等步骤,实现了从遥感影像中自动提取地块,利用本方法,所提取的地块的精度能够有统一化的标准,效率大幅优于人力方式,解决了地块提取中耗费人力多、标准和质量难以统一的问题。此外,本发明的线段检测和优化处理的方法优于canny算子边缘提取以及hough变换等方法,可以提取出canny算子提取不到的封闭轮廓并滤除噪点,同时避免了hough变化中噪声干扰引起的虚假峰值、计算量大、存在断点等问题。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种用于遥感影像的地块提取的技术。
背景技术
遥感影像(Remote Sensing Image)是指记录各种地物电磁波大小的胶片或相片,如航空像片和卫星相片。每张遥感影像中都包含对应的地理坐标,换言之,遥感影像中的每个像素都可以获取其唯一的地理坐标位置。
地块提取在遥感影像分析中有重要的辅助作用。对遥感影像进行地块提取后,可以基于地块信息对土地进行评级、确权、动态监测、对具有作物的地块层面进行分类以及执行精准农业和环保规划等。
在现有技术中,用于遥感影像的地块提取的技术方案主要有三种:
方案一:人工方法
该方法需要数字化人员具有丰富的地学知识和目视判读经验,通过人工方式对遥感影像进行手动提取和数字化。这种方法需要花费大量时间,耗费大量人力。
方案二:边缘检测
该方法使用如canny算子等方式,对遥感影像进行边缘检测提取;然后再对所提取的图像进行轮廓查找,将同一个轮廓作为一个地块。
方案三:分割算法
该方法使用watershed或神经网络等方法,对遥感影像进行分割,并提取分割后的图像块作为地块。
然而上述方法均有各自的缺点:
方案一的缺点是:人工劳动强度大,信息的获取周期长,遥感图像地块的数字化结果受人员的经验和熟悉程度影响大,具有很大的主观性,难以得到统一标准和质量的产出。
方案二的缺点是:利用canny算子提取出的边缘受到纹理信息的影响,同一个地块中出现不同的纹理时会影响边缘提取结果,得到更为复杂和细碎的纹理;而有时提取的边缘没有形成封闭区域又会导致多个地块融合成一块。因此边缘提取后的轮廓并不能很好的反应地块信息。
方案三的缺点是:现存的分割算法主要受颜色和纹理的影响较大,同一个地块中可以存在截然不同的纹理和颜色,这些均会影响分割算法,将原本属于一个地块的像素分成多个地块。
从而,如何在地块提取时,有效减少或避免人工劳动,降低颜色与纹理对地块提取的负面影响,快速准确地从遥感图像中提取地块,成为了本领域技术人员所亟待解决的问题。
发明内容
本发明的目的是提供一种用于遥感影像的地块提取的方法与设备。
根据本发明的一个实施例,提供了一种用于遥感影像的地块提取的方法,其中,该方法包括以下步骤:
对遥感图像进行图像预处理,以生成待检测遥感图像;
对所述待检测遥感影像进行直线检测,以提取出所述待检测遥感图像上的一条或多条直线;
对所述直线进行直线优化处理,以确定优化直线;
根据所述优化直线,提取所述遥感图像中的轮廓;
将所提取的轮廓进行拟合,以生成所述遥感图像中的一块或多块地块信息。
可选地,对遥感图像进行图像预处理的步骤包括以下至少任一项:
对所述遥感图像进行图像灰度化;
对所述遥感图像进行双边滤波;
对所述遥感图像进行直方图均衡化;
对所述遥感图像进行图像锐化。
可选地,对所述待检测遥感影像进行直线检测的步骤包括:
计算所述待检测遥感影像中每一个像素点的梯度值以及梯度方向;
根据所述梯度值以及梯度方向,对所述像素点进行排序与聚类,以提取出所述待检测遥感图像上的一条或多条直线。
可选地,对所述像素点进行排序与聚类的步骤包括:
根据所述像素点的梯度值,对所述像素点进行排序并确定所述像素点的像素位置的状态值;
根据所述排序的顺序,对每个像素点以及所述像素点的邻近像素点进行聚类,以生成一个或多个矩形,其中,所述聚类基于所述邻近像素点的梯度方向进行;
根据所述矩形内所对应的多个像素点间的方向误差,调整所述矩形以输出多个像素点,其中,所输出的多个像素点能够拟合为一条或多条直线。
可选地,对所述像素点进行排序与聚类的步骤还包括:
对所述待检测遥感影像进行高斯采样;
其中,计算所述待检测遥感影像中每一个像素点的梯度值以及梯度方向的步骤包括:
计算采样后的所述待检测遥感影像中每一个像素点的梯度值以及梯度方向。
可选地,对所述直线进行直线优化处理的步骤包括:
将每条所述直线的坐标转换为极坐标;
根据所述直线的极坐标,对所述直线进行聚类,以生成一个或多个直线簇;
确定与所述直线簇相对应的延长线;
根据长度预定阈值,将所述延长线进行过滤,以获取一个或多个优化直线。
可选地,该方法还包括:
确定所述一条或多条直线所对应的直线平均长度;
将所述直线平均长度作为所述长度预定阈值。
可选地,提取所述遥感图像中的轮廓的步骤包括:
将所述优化直线生成二值化的掩膜;
在所述掩膜中,提取所述遥感图像中的轮廓。
可选地,将所提取的轮廓进行拟合的步骤包括:
对所提取的轮廓进行滤除;
将所滤除后的全部轮廓执行凸包拟合,以生成所述遥感图像中的一块或多块地块信息。
根据本发明的另一个实施例,还提供了一种用于遥感影像的地块提取的处理设备,其中,所述处理设备包括:
第一装置,用于对遥感图像进行图像预处理,以生成待检测遥感图像;
第二装置,用于对所述待检测遥感影像进行直线检测,以提取出所述待检测遥感图像上的一条或多条直线;
第三装置,用于对所述直线进行直线优化处理,以确定优化直线;
第四装置,用于根据所述优化直线,提取所述遥感图像中的轮廓;
第五装置,用于将所提取的轮廓进行拟合,以生成所述遥感图像中的一块或多块地块信息。
可选地,所述第一装置用于以下至少任一项:
对所述遥感图像进行图像灰度化;
对所述遥感图像进行双边滤波;
对所述遥感图像进行直方图均衡化;
对所述遥感图像进行图像锐化。
可选地,所述第二装置包括:
二一单元,用于计算所述待检测遥感影像中每一个像素点的梯度值以及梯度方向;
二二单元,用于根据所述梯度值以及梯度方向,对所述像素点进行排序与聚类,以提取出所述待检测遥感图像上的一条或多条直线。
可选地,所述二二单元用于:
根据所述像素点的梯度值,对所述像素点进行排序并确定所述像素点的像素位置的状态值;
根据所述排序的顺序,对每个像素点以及所述像素点的邻近像素点进行聚类,以生成一个或多个矩形,其中,所述聚类基于所述邻近像素点的梯度方向进行;
根据所述矩形内所对应的多个像素点间的方向误差,调整所述矩形以输出多个像素点,其中,所输出的多个像素点能够拟合为一条或多条直线。
可选地,所述第二装置还包括:
二三单元,用于对所述待检测遥感影像进行高斯采样;
其中,所述二一单元用于:
计算采样后的所述待检测遥感影像中每一个像素点的梯度值以及梯度方向。
可选地,所述第三装置用于:
将每条所述直线的坐标转换为极坐标;
根据所述直线的极坐标,对所述直线进行聚类,以生成一个或多个直线簇;
确定与所述直线簇相对应的延长线;
根据长度预定阈值,将所述延长线进行过滤,以获取一个或多个优化直线。
可选地,所述第三装置还用于:
确定所述一条或多条直线所对应的直线平均长度;
将所述直线平均长度作为所述长度预定阈值。
可选地,所述第四装置用于:
将所述优化直线生成二值化的掩膜;
在所述掩膜中,提取所述遥感图像中的轮廓。
可选地,所述第五装置用于:
对所提取的轮廓进行滤除;
将所滤除后的全部轮廓执行凸包拟合,以生成所述遥感图像中的一块或多块地块信息。
与现有技术相比,本发明通过图像预处理、直线检测、直线优化、轮廓提取以及拟合等步骤,实现了从遥感影像中自动提取地块,利用本方法,所提取的地块的精度能够有统一化的标准,效率大幅优于人力方式,解决了地块提取中耗费人力多、标准和质量难以统一的问题。此外,本发明的线段检测和优化处理的方法优于canny算子边缘提取以及hough变换等方法,可以提取出canny算子提取不到的封闭轮廓并滤除噪点,同时避免了hough变化中噪声干扰引起的虚假峰值、计算量大、存在断点等问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本发明一个方面的一种用于遥感影像的地块提取的处理设备示意图;
图2示出根据本发明的一个优选实施例的一种用于遥感影像的地块提取的处理设备示意图;
图3示出根据本发明另一个方面的一种用于遥感影像的地块提取的方法流程图;
图4示出根据本发明的一个优选实施例的一种用于遥感影像的地块提取的方法流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在上下文中所称的“处理设备”,即为“计算机设备”,也称为“电脑”,是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备,其可以包括处理器与存储器,由处理器执行在存储器中预存的存续指令来执行预定处理过程,或是由ASIC、FPGA、DSP等硬件执行预定处理过程,或是由上述二者组合来实现。
所述计算机设备包括用户设备和/或网络设备。其中,所述用户设备包括但不限于电脑、智能手机、PDA等;所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,所述计算机设备可单独运行来实现本发明,也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本发明。其中,所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
本领域技术人员应能理解,一般情况下,本发明中所述的“处理设备”可以仅是网络设备,即由网络设备来执行相应的操作;在特殊情况下,也可以是由用户设备与网络设备或服务器相集成来组成,即由用户设备与网络设备相配合来执行相应的操作,例如,由用户设备向网络设备发送指令,以指示网络设备开始执行“遥感影像拼接”的相应操作。
需要说明的是,所述用户设备、网络设备和网络等仅为举例,其他现有的或今后可能出现的计算机设备或网络如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
本领域技术人员应能理解,本发明所述的地块信息包括但不限于农田地块、城市地块等任意地块信息。当本发明用于农田地块提取后,能够用于对作物分类的优化;当本发明用于农田地块或城市地块的提取后,可以有效地进行土地的动态检测和确权,对块状土地的变化进行跟踪和处理。
这里所公开的具体结构和功能细节仅仅是代表性的,并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现,并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指,否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是,这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在,而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是,在一些替换实现方式中,所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说,取决于所涉及的功能/动作,相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
下面结合附图对本发明作进一步详细描述。
图1示出根据本发明一个方面的一种用于遥感影像的地块提取的处理设备示意图;其中,所述处理设备包括第一装置1、第二装置2、第三装置3、第四装置4、第五装置5。
具体地,所述第一装置1对遥感图像进行图像预处理,以生成待检测遥感图像;所述第二装置2对所述待检测遥感影像进行直线检测,以提取出所述待检测遥感图像上的一条或多条直线;所述第三装置3对所述直线进行直线优化处理,以确定优化直线;所述第四装置4根据所述优化直线,提取所述遥感图像中的轮廓;所述第五装置5将所提取的轮廓进行拟合,以生成所述遥感图像中的一块或多块地块信息。
所述第一装置1对遥感图像进行图像预处理,以生成待检测遥感图像。
具体地,所述第一装置1获取待处理的遥感图像后,例如通过滤波、数字化、几何变换、归一化、平滑、复原、增强等图像处理方式,对所述遥感图像进行图像预处理,以生成待检测遥感图像。
优选地,所述第一装置1用于以下至少任一项:
对所述遥感图像进行图像灰度化;
对所述遥感图像进行双边滤波;
对所述遥感图像进行直方图均衡化;
对所述遥感图像进行图像锐化。
更优选地,所述第一装置1可以按照以下的处理顺序对遥感图像进行图像预处理:
首先把所获取的待处理的遥感图像灰度化;然后,对灰度化后的遥感图像进行双边滤波,在得到类似于高斯模糊的图像后仍然保持边缘;接下来,对双边滤波处理后的遥感图像进行直方图均衡化,平衡图像色彩,以利于后续的检测;最后,使用拉普拉斯算子,对遥感图像进行滤波处理,相当于增强了边缘,进行了图像锐化。
由于线性特征一般都是边缘特征,因此,经过上述预处理后的遥感图像更利于之后的直线检测。
所述第二装置2对所述待检测遥感影像进行直线检测,以提取出所述待检测遥感图像上的一条或多条直线。
具体地,所述第二装置2可以利用多种直线检测算法,如LSD直线检测算法、Freeman直线检测、尺蠖蠕行算法等,对预处理后的待检测遥感影像进行直线检测,以提取出所述待检测遥感图像上的一条或多条直线。
所述第三装置3对所述直线进行直线优化处理,以确定优化直线。
具体地,所述第三装置3通过将所生成的多个直线或直线片段进行聚类,并对聚类后的直线进行整理与去噪,从而实现对所述直线的优化处理,以确定优化直线。
优选地,所述第三装置3可以将每条所述直线的坐标转换为极坐标;根据所述直线的极坐标,对所述直线进行聚类,以生成一个或多个直线簇;确定与所述直线簇相对应的延长线;根据长度预定阈值,将所述延长线进行过滤,以获取一个或多个优化直线。
具体地,所述第三装置3将每条直线所对应的坐标转换到极坐标系下的极坐标,每条直线在极坐标系下即为一个点;然后,根据所述直线的极坐标(即极坐标点的坐标)中r(半径坐标)和theta(极角)的值进行聚类,从而将差距较小的直线聚类成一个直线簇;对每一簇直线,计算其r(半径坐标)和theta(极角)的均值,并确定该簇直线的起点和终点,根据每条直线与均值所对应直线的距离进行将每条直线接受或滤除的判断,从而确定与所述直线簇相对应的延长线;最后,根据缺省设置或基于直线簇所确定的长度预定阈值,对所述延长线进行过滤,即若延长线小于该长度预定阈值,即进行滤除,从而删除细碎的直线,以获取一个或多个优化直线。
更优选地,所述第三装置3还可以确定所述一条或多条直线所对应的直线平均长度;将所述直线平均长度作为所述长度预定阈值。
具体地,所述第三装置3首先对所述第二装置2所确定的一条或多条直线的平均长度进行计算,例如,计算所有直线的平均长度;然后将所得到的直线平均长度作为长度预定阈值,以对延长线进行过滤。
所述第四装置4根据所述优化直线,提取所述遥感图像中的轮廓。
具体地,所述第四装置4根据所述优化直线,基于各类轮廓提取算法,从所述遥感图像中提取图像轮廓。
优选地,所述第四装置4将所述优化直线生成二值化的掩膜;在所述掩膜中,提取所述遥感图像中的轮廓。
具体地,所述第四装置4将所述优化直线进行加宽或略微加宽,以生成二值化的掩膜(MASK);然后在所生成的掩膜中,提取所述遥感图像中的轮廓。
所述第五装置5将所提取的轮廓进行拟合,以生成所述遥感图像中的一块或多块地块信息。
具体地,所述第五装置5将所提取的所有轮廓进行凸包拟合,将拟合结果输出后,即生成所述遥感图像中的一块或多块地块信息。
优选地,所述第五装置5可以对所提取的轮廓进行滤除;将所滤除后的全部轮廓执行凸包拟合,以生成所述遥感图像中的一块或多块地块信息。
具体地,所述第五装置5可以对所提取的轮廓进行滤除,例如,将轮廓较小的前百分之N的小轮廓进行删除,或者,将轮廓较小的前10%的小轮廓与近邻轮廓根据直方图相似度进行合并,以达到滤除的效果。
然后,将滤除后的全部轮廓进行凸包拟合,将拟合结果输出后,即生成所述遥感图像中的一块或多块地块信息。
图2示出根据本发明的一个优选实施例的一种用于遥感影像的地块提取的处理设备示意图;其中,所述处理设备包括第一装置1、第二装置2、第三装置3、第四装置4、第五装置5,所述第二装置2包括二一单元21以及二二单元22。
具体地,所述第一装置1对遥感图像进行图像预处理,以生成待检测遥感图像;所述二一单元21计算所述待检测遥感影像中每一个像素点的梯度值以及梯度方向;所述二二单元22根据所述梯度值以及梯度方向,对所述像素点进行排序与聚类,以提取出所述待检测遥感图像上的一条或多条直线;所述第三装置3对所述直线进行直线优化处理,以确定优化直线;所述第四装置4根据所述优化直线,提取所述遥感图像中的轮廓;所述第五装置5将所提取的轮廓进行拟合,以生成所述遥感图像中的一块或多块地块信息。
其中,所述第一装置1、所述第三装置3、所述第四装置4以及所述第五装置5与图1所述的对应装置相同或相似,故在此不再赘述,并以引用的方式包含于此。
所述二一单元21计算所述待检测遥感影像中每一个像素点的梯度值以及梯度方向;所述二二单元22根据所述梯度值以及梯度方向,对所述像素点进行排序与聚类,以提取出所述待检测遥感图像上的一条或多条直线。
具体地,所述二一单元21通过利用导数法、中止差分法等方式,根据每一个像素点的坐标和/或色彩值等相关信息,计算该像素点的梯度值;然后,进一步地,可以求得梯度方向。
然后,所述二二单元22根据梯度值,对所有的像素点进行排序;然后,按照排序的顺序,对于每个像素点执行下述操作:将一个像素点周围的、多个梯度方向在一定范围内的像素点,与该像素点进行聚类;聚类后,多个像素点形成了一个矩形,将该矩形作为直线或直线上的一个片段。通过多次聚类,最终提取出所述待检测遥感图像上的一条或多条直线。
更优选地,所述二二单元22根据所述像素点的梯度值,对所述像素点进行排序并确定所述像素点的像素位置的状态值;根据所述排序的顺序,对每个像素点以及所述像素点的邻近像素点进行聚类,以生成一个或多个矩形,其中,所述聚类基于所述邻近像素点的梯度方向进行;根据所述矩形内所对应的多个像素点间的方向误差,调整所述矩形以输出多个像素点,其中,所输出的多个像素点能够拟合为一条或多条直线。
具体地,所述二二单元22根据所述像素点的梯度值,对所有像素点进行排序或伪排序,其中,所述伪排序例如将梯度值划分为N个等级,这N个等级涵盖了梯度由0~M的变化范围。
然后,所述二二单元22将所有像素位置的状态值均设置为0;进一步地,将梯度值小于梯度预定阈值的像素位置的状态值调整为1,反之,则保持为0。
然后,所述二二单元22按照排序的顺序,对序列中的每个像素点执行如下操作:
以当前像素点为种子点,将该像素点周围梯度方向在一定范围内、且状态值为0的像素点进行聚类,以形成包含上述所有点的矩形;计算该矩形内所对应的多个像素点间的方向误差,以得出同性质点(即方向误差在一定范围内)的个数;若该同性质点的密度超过预定的密度阈值,则对该矩形框不进行操作;若该同性质点的密度未超过密度预定阈值,则将该矩形分割成多个矩形框,直到所分割成的矩形框内的密度满足所述密度阈值。
在此,所述分割方法包括但不限于将原矩形直接分割成相同或不同的两个或多个矩形,将原矩形的短边或长边进行减少等。
最后,所形成的矩形框或矩形中包含了能够被当前直线所拟合的点,每一个矩形框或矩形均是所拟合的直线中的至少一部分。
更优选地,所述第二装置2还包括二三单元(未示出),其中,所述二三单元对所述待检测遥感影像进行高斯采样;所述二一单元21计算采样后的所述待检测遥感影像中每一个像素点的梯度值以及梯度方向。
具体地,所述二三单元首先对所述待检测遥感图像进行高斯采样,优选地,所选择的采样倍数为0.8。通过高斯采样,可以消除锯齿效应。
然后,所述二一单元21对采样后的所述待检测遥感图像中的每一个像素点的梯度值以及梯度方向进行计算,即利用导数法、中止差分法等方式,根据每一个像素点的坐标和/或色彩值等相关信息,计算该像素点的梯度值;然后,进一步地,可以求得梯度方向。
图3示出根据本发明另一个方面的一种用于遥感影像的地块提取的方法流程图。具体地,在步骤S1中,所述处理设备对遥感图像进行图像预处理,以生成待检测遥感图像;在步骤S2中,所述处理设备对所述待检测遥感影像进行直线检测,以提取出所述待检测遥感图像上的一条或多条直线;在步骤S3中,所述处理设备对所述直线进行直线优化处理,以确定优化直线;在步骤S4中,所述处理设备根据所述优化直线,提取所述遥感图像中的轮廓;在步骤S5中,所述处理设备将所提取的轮廓进行拟合,以生成所述遥感图像中的一块或多块地块信息。
在步骤S1中,所述处理设备对遥感图像进行图像预处理,以生成待检测遥感图像。
具体地,在步骤S1中,所述处理设备获取待处理的遥感图像后,例如通过滤波、数字化、几何变换、归一化、平滑、复原、增强等图像处理方式,对所述遥感图像进行图像预处理,以生成待检测遥感图像。
优选地,在步骤S1中,所述处理设备用于以下至少任一项:
对所述遥感图像进行图像灰度化;
对所述遥感图像进行双边滤波;
对所述遥感图像进行直方图均衡化;
对所述遥感图像进行图像锐化。
更优选地,在步骤S1中,所述处理设备可以按照以下的处理顺序对遥感图像进行图像预处理:
首先把所获取的待处理的遥感图像灰度化;然后,对灰度化后的遥感图像进行双边滤波,在得到类似于高斯模糊的图像后仍然保持边缘;接下来,对双边滤波处理后的遥感图像进行直方图均衡化,平衡图像色彩,以利于后续的检测;最后,使用拉普拉斯算子,对遥感图像进行滤波处理,相当于增强了边缘,进行了图像锐化。
由于线性特征一般都是边缘特征,因此,经过上述预处理后的遥感图像更利于之后的直线检测。
在步骤S2中,所述处理设备对所述待检测遥感影像进行直线检测,以提取出所述待检测遥感图像上的一条或多条直线。
具体地,在步骤S2中,所述处理设备可以利用多种直线检测算法,如LSD直线检测算法、Freeman直线检测、尺蠖蠕行算法等,对预处理后的待检测遥感影像进行直线检测,以提取出所述待检测遥感图像上的一条或多条直线。
在步骤S3中,所述处理设备对所述直线进行直线优化处理,以确定优化直线。
具体地,在步骤S3中,所述处理设备通过将所生成的多个直线或直线片段进行聚类,并对聚类后的直线进行整理与去噪,从而实现对所述直线的优化处理,以确定优化直线。
优选地,在步骤S3中,所述处理设备可以将每条所述直线的坐标转换为极坐标;根据所述直线的极坐标,对所述直线进行聚类,以生成一个或多个直线簇;确定与所述直线簇相对应的延长线;根据长度预定阈值,将所述延长线进行过滤,以获取一个或多个优化直线。
具体地,在步骤S3中,所述处理设备将每条直线所对应的坐标转换到极坐标系下的极坐标,每条直线在极坐标系下即为一个点;然后,根据所述直线的极坐标(即极坐标点的坐标)中r(半径坐标)和theta(极角)的值进行聚类,从而将差距较小的直线聚类成一个直线簇;对每一簇直线,计算其r(半径坐标)和theta(极角)的均值,并确定该簇直线的起点和终点,根据其距离进行接受或滤除的判断,从而确定与所述直线簇相对应的延长线;最后,根据缺省设置或基于直线簇所确定的长度预定阈值,对所述延长线进行过滤,即若延长线小于该长度预定阈值,即进行滤除,从而删除细碎的直线,以获取一个或多个优化直线。
更优选地,在步骤S3中,所述处理设备还可以确定所述一条或多条直线所对应的直线平均长度;将所述直线平均长度作为所述长度预定阈值。
具体地,所述处理设备首先对所确定的一条或多条直线的平均长度进行计算,例如,计算所有直线的平均长度;然后将所得到的直线平均长度作为长度预定阈值,以对延长线进行过滤。
在步骤S4中,所述处理设备根据所述优化直线,提取所述遥感图像中的轮廓。
具体地,在步骤S4中,所述处理设备根据所述优化直线,基于各类轮廓提取算法,从所述遥感图像中提取图像轮廓。
优选地,在步骤S4中,所述处理设备将所述优化直线生成二值化的掩膜;在所述掩膜中,提取所述遥感图像中的轮廓。
具体地,在步骤S4中,所述处理设备将所述优化直线进行加宽或略微加宽,以生成二值化的掩膜(MASK);然后在所生成的掩膜中,提取所述遥感图像中的轮廓。
在步骤S5中,所述处理设备将所提取的轮廓进行拟合,以生成所述遥感图像中的一块或多块地块信息。
具体地,在步骤S5中,所述处理设备将所提取的所有轮廓进行凸包拟合,将拟合结果输出后,即生成所述遥感图像中的一块或多块地块信息。
优选地,在步骤S5中,所述处理设备可以对所提取的轮廓进行滤除;将所滤除后的全部轮廓执行凸包拟合,以生成所述遥感图像中的一块或多块地块信息。
具体地,在步骤S5中,所述处理设备可以对所提取的轮廓进行滤除,例如,将轮廓较小的前百分之N的小轮廓进行删除,或者,将轮廓较小的前10%的小轮廓与近邻轮廓根据直方图相似度进行合并,以达到滤除的效果。
然后,将滤除后的全部轮廓进行凸包拟合,将拟合结果输出后,即生成所述遥感图像中的一块或多块地块信息。
图4示出根据本发明的一个优选实施例的一种用于遥感影像的地块提取的方法流程图。
具体地,在步骤S1中,所述处理设备对遥感图像进行图像预处理,以生成待检测遥感图像;在步骤S21中,所述处理设备计算所述待检测遥感影像中每一个像素点的梯度值以及梯度方向;在步骤S22中,所述处理设备根据所述梯度值以及梯度方向,对所述像素点进行排序与聚类,以提取出所述待检测遥感图像上的一条或多条直线;在步骤S3中,所述处理设备对所述直线进行直线优化处理,以确定优化直线;在步骤S4中,所述处理设备根据所述优化直线,提取所述遥感图像中的轮廓;在步骤S5中,所述处理设备将所提取的轮廓进行拟合,以生成所述遥感图像中的一块或多块地块信息。
其中,所述步骤S1、所述步骤S3、所述步骤S4以及所述步骤S5与图3所述的对应步骤相同或相似,故在此不再赘述,并以引用的方式包含于此。
在步骤S21中,所述处理设备计算所述待检测遥感影像中每一个像素点的梯度值以及梯度方向;在步骤S22中,所述处理设备根据所述梯度值以及梯度方向,对所述像素点进行排序与聚类,以提取出所述待检测遥感图像上的一条或多条直线。
具体地,在步骤S21中,所述处理设备通过利用导数法、中止差分法等方式,根据每一个像素点的坐标和/或色彩值等相关信息,计算该像素点的梯度值;然后,进一步地,可以求得梯度方向。
然后,在步骤S22中,所述处理设备根据梯度值,对所有的像素点进行排序;然后,按照排序的顺序,对于每个像素点执行下述操作:将一个像素点周围的、多个梯度方向在一定范围内的像素点,与该像素点进行聚类;聚类后,多个像素点形成了一个矩形,将该矩形作为直线或直线上的一个片段。通过多次聚类,最终提取出所述待检测遥感图像上的一条或多条直线。
更优选地,在步骤S22中,所述处理设备根据所述像素点的梯度值,对所述像素点进行排序并确定所述像素点的像素位置的状态值;根据所述排序的顺序,对每个像素点以及所述像素点的邻近像素点进行聚类,以生成一个或多个矩形,其中,所述聚类基于所述邻近像素点的梯度方向进行;根据所述矩形内所对应的多个像素点间的方向误差,调整所述矩形以输出多个像素点,其中,所输出的多个像素点能够拟合为一条或多条直线。
具体地,在步骤S22中,所述处理设备根据所述像素点的梯度值,对所有像素点进行排序或伪排序,其中,所述伪排序例如将梯度值划分为N个等级,这N个等级涵盖了梯度由0~M的变化范围。
然后,所述处理设备将所有像素位置的状态值均设置为0;进一步地,将梯度值小于梯度预定阈值的像素位置的状态值调整为1,反之,则保持为0。
然后,所述处理设备按照排序的顺序,对序列中的每个像素点执行如下操作:
以当前像素点为种子点,将该像素点周围梯度方向在一定范围内、且状态值为0的像素点进行聚类,以形成包含上述所有点的矩形;计算该矩形内所对应的多个像素点间的方向误差,以得出同性质点(即方向误差在一定范围内)的个数;若该同性质点的密度超过预定的密度阈值,则对该矩形框不进行操作;若该同性质点的密度未超过密度预定阈值,则将该矩形分割成多个矩形框,直到所分割成的矩形框内的密度满足所述密度阈值。
在此,所述分割方法包括但不限于将原矩形直接分割成相同或不同的两个或多个矩形,将原矩形的短边或长边进行减少等。
最后,所形成的矩形框或矩形中包含了能够被当前直线所拟合的点,每一个矩形框或矩形均是所拟合的直线中的至少一部分。
更优选地,所述方法还包括步骤S23(未示出),其中,在步骤S23中,所述处理设备对所述待检测遥感影像进行高斯采样;在步骤S21中,所述处理设备计算采样后的所述待检测遥感影像中每一个像素点的梯度值以及梯度方向。
具体地,在步骤S23中,所述处理设备首先对所述待检测遥感图像进行高斯采样,优选地,所选择的采样倍数为0.8。通过高斯采样,可以消除锯齿效应。
然后,在步骤S21中,所述处理设备对采样后的所述待检测遥感图像中的每一个像素点的梯度值以及梯度方向进行计算,即利用导数法、中止差分法等方式,根据每一个像素点的坐标和/或色彩值等相关信息,计算该像素点的梯度值;然后,进一步地,可以求得梯度方向。
需要注意的是,本发明可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本发明的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本发明的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本发明的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (18)
1.一种用于遥感影像的地块提取的方法,其中,该方法包括以下步骤:
对遥感图像进行图像预处理,以生成待检测遥感图像;
对所述待检测遥感影像进行直线检测,以提取出所述待检测遥感图像上的一条或多条直线;
对所述直线进行直线优化处理,以确定优化直线;
根据所述优化直线,提取所述遥感图像中的轮廓;
将所提取的轮廓进行拟合,以生成所述遥感图像中的一块或多块地块信息。
2.根据权利要求1所述的方法,其中,对遥感图像进行图像预处理的步骤包括以下至少任一项:
对所述遥感图像进行图像灰度化;
对所述遥感图像进行双边滤波;
对所述遥感图像进行直方图均衡化;
对所述遥感图像进行图像锐化。
3.根据权利要求1或2所述的方法,其中,对所述待检测遥感影像进行直线检测的步骤包括:
计算所述待检测遥感影像中每一个像素点的梯度值以及梯度方向;
根据所述梯度值以及梯度方向,对所述像素点进行排序与聚类,以提取出所述待检测遥感图像上的一条或多条直线。
4.根据权利要求3所述的方法,其中,对所述像素点进行排序与聚类的步骤包括:
根据所述像素点的梯度值,对所述像素点进行排序并确定所述像素点的像素位置的状态值;
根据所述排序的顺序,对每个像素点以及所述像素点的邻近像素点进行聚类,以生成一个或多个矩形,其中,所述聚类基于所述邻近像素点的梯度方向进行;
根据所述矩形内所对应的多个像素点间的方向误差,调整所述矩形以输出多个像素点,其中,所输出的多个像素点能够拟合为一条或多条直线。
5.根据权利要求3或4所述的方法,其中,对所述像素点进行排序与聚类的步骤还包括:
对所述待检测遥感影像进行高斯采样;
其中,计算所述待检测遥感影像中每一个像素点的梯度值以及梯度方向的步骤包括:
计算采样后的所述待检测遥感影像中每一个像素点的梯度值以及梯度方向。
6.根据权利要求1至5中任一项所述的方法,其中,对所述直线进行直线优化处理的步骤包括:
将每条所述直线的坐标转换为极坐标;
根据所述直线的极坐标,对所述直线进行聚类,以生成一个或多个直线簇;
确定与所述直线簇相对应的延长线;
根据长度预定阈值,将所述延长线进行过滤,以获取一个或多个优化直线。
7.根据权利要求6所述的方法,其中,该方法还包括:
确定所述一条或多条直线所对应的直线平均长度;
将所述直线平均长度作为所述长度预定阈值。
8.根据权利要求1至7中任一项所述的方法,其中,提取所述遥感图像中的轮廓的步骤包括:
将所述优化直线生成二值化的掩膜;
在所述掩膜中,提取所述遥感图像中的轮廓。
9.根据权利要求1至8中任一项所述的方法,其中,将所提取的轮廓进行拟合的步骤包括:
对所提取的轮廓进行滤除;
将所滤除后的全部轮廓执行凸包拟合,以生成所述遥感图像中的一块或多块地块信息。
10.一种用于遥感影像的地块提取的处理设备,其中,所述处理设备包括:
第一装置,用于对遥感图像进行图像预处理,以生成待检测遥感图像;
第二装置,用于对所述待检测遥感影像进行直线检测,以提取出所述待检测遥感图像上的一条或多条直线;
第三装置,用于对所述直线进行直线优化处理,以确定优化直线;
第四装置,用于根据所述优化直线,提取所述遥感图像中的轮廓;
第五装置,用于将所提取的轮廓进行拟合,以生成所述遥感图像中的一块或多块地块信息。
11.根据权利要求10所述的处理设备,其中,所述第一装置用于以下至少任一项:
对所述遥感图像进行图像灰度化;
对所述遥感图像进行双边滤波;
对所述遥感图像进行直方图均衡化;
对所述遥感图像进行图像锐化。
12.根据权利要求10或11所述的处理设备,其中,所述第二装置包括:
二一单元,用于计算所述待检测遥感影像中每一个像素点的梯度值以及梯度方向;
二二单元,用于根据所述梯度值以及梯度方向,对所述像素点进行排序与聚类,以提取出所述待检测遥感图像上的一条或多条直线。
13.根据权利要求12所述的处理设备,其中,所述二二单元用于:
根据所述像素点的梯度值,对所述像素点进行排序并确定所述像素点的像素位置的状态值;
根据所述排序的顺序,对每个像素点以及所述像素点的邻近像素点进行聚类,以生成一个或多个矩形,其中,所述聚类基于所述邻近像素点的梯度方向进行;
根据所述矩形内所对应的多个像素点间的方向误差,调整所述矩形以输出多个像素点,其中,所输出的多个像素点能够拟合为一条或多条直线。
14.根据权利要求12或13所述的处理设备,其中,所述第二装置还包括:
二三单元,用于对所述待检测遥感影像进行高斯采样;
其中,所述二一单元用于:
计算采样后的所述待检测遥感影像中每一个像素点的梯度值以及梯度方向。
15.根据权利要求10至14中任一项所述的处理设备,其中,所述第三装置用于:
将每条所述直线的坐标转换为极坐标;
根据所述直线的极坐标,对所述直线进行聚类,以生成一个或多个直线簇;
确定与所述直线簇相对应的延长线;
根据长度预定阈值,将所述延长线进行过滤,以获取一个或多个优化直线。
16.根据权利要求15所述的处理设备,其中,所述第三装置还用于:
确定所述一条或多条直线所对应的直线平均长度;
将所述直线平均长度作为所述长度预定阈值。
17.根据权利要求10至16中任一项所述的处理设备,其中,所述第四装置用于:
将所述优化直线生成二值化的掩膜;
在所述掩膜中,提取所述遥感图像中的轮廓。
18.根据权利要求10至17中任一项所述的处理设备,其中,所述第五装置用于:
对所提取的轮廓进行滤除;
将所滤除后的全部轮廓执行凸包拟合,以生成所述遥感图像中的一块或多块地块信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810008712.6A CN109409176A (zh) | 2018-01-04 | 2018-01-04 | 一种用于遥感影像的地块提取的方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810008712.6A CN109409176A (zh) | 2018-01-04 | 2018-01-04 | 一种用于遥感影像的地块提取的方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109409176A true CN109409176A (zh) | 2019-03-01 |
Family
ID=65463936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810008712.6A Withdrawn CN109409176A (zh) | 2018-01-04 | 2018-01-04 | 一种用于遥感影像的地块提取的方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409176A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482478A (zh) * | 2022-09-14 | 2022-12-16 | 北京远度互联科技有限公司 | 道路识别方法、装置、无人机、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110157220A1 (en) * | 2009-12-24 | 2011-06-30 | Geum river water system conservancy | System and method for drawing stream and road centerline for GIS-based linear map production |
CN102750449A (zh) * | 2012-06-20 | 2012-10-24 | 北京航空航天大学 | 基于分步三维空间-特征域映射的点云直线特征提取方法 |
CN103065296A (zh) * | 2012-12-14 | 2013-04-24 | 中南大学 | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 |
EP2722685A1 (de) * | 2012-10-22 | 2014-04-23 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Synthetik-Apertur-Radarverfahren |
CN105574521A (zh) * | 2016-02-25 | 2016-05-11 | 民政部国家减灾中心 | 房屋轮廓提取方法和装置 |
CN106162652A (zh) * | 2016-08-29 | 2016-11-23 | 杭州电子科技大学 | 一种基于路测数据的基站位置定位方法 |
CN107292893A (zh) * | 2016-03-31 | 2017-10-24 | 富士通株式会社 | 图像处理装置、图像处理方法以及图像处理设备 |
-
2018
- 2018-01-04 CN CN201810008712.6A patent/CN109409176A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110157220A1 (en) * | 2009-12-24 | 2011-06-30 | Geum river water system conservancy | System and method for drawing stream and road centerline for GIS-based linear map production |
CN102750449A (zh) * | 2012-06-20 | 2012-10-24 | 北京航空航天大学 | 基于分步三维空间-特征域映射的点云直线特征提取方法 |
EP2722685A1 (de) * | 2012-10-22 | 2014-04-23 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Synthetik-Apertur-Radarverfahren |
CN103065296A (zh) * | 2012-12-14 | 2013-04-24 | 中南大学 | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 |
CN105574521A (zh) * | 2016-02-25 | 2016-05-11 | 民政部国家减灾中心 | 房屋轮廓提取方法和装置 |
CN107292893A (zh) * | 2016-03-31 | 2017-10-24 | 富士通株式会社 | 图像处理装置、图像处理方法以及图像处理设备 |
CN106162652A (zh) * | 2016-08-29 | 2016-11-23 | 杭州电子科技大学 | 一种基于路测数据的基站位置定位方法 |
Non-Patent Citations (2)
Title |
---|
CUI SY等: "complex building description and extraction based on hough transformation and cycle detection", 《REMOTE SENSING LETTERS》 * |
朱添翼等: "一种遥感图像建筑物直线特征提取算法", 《测绘通报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482478A (zh) * | 2022-09-14 | 2022-12-16 | 北京远度互联科技有限公司 | 道路识别方法、装置、无人机、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Albahli et al. | Melanoma lesion detection and segmentation using YOLOv4-DarkNet and active contour | |
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN107527009B (zh) | 一种基于yolo目标检测的遗留物检测方法 | |
Maldonado Jr et al. | Automatic green fruit counting in orange trees using digital images | |
US9483709B2 (en) | Visual saliency estimation for images and video | |
Pérez et al. | Jetstream: Probabilistic contour extraction with particles | |
Mohamed et al. | Msr-yolo: Method to enhance fish detection and tracking in fish farms | |
US20190147283A1 (en) | Deep convolutional neural networks for crack detection from image data | |
Jia et al. | A two-step approach to see-through bad weather for surveillance video quality enhancement | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
CN108376232A (zh) | 一种用于遥感影像的自动解译的方法与装置 | |
CN106910204B (zh) | 一种对海面船只自动跟踪识别的方法和系统 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
WO2019114145A1 (zh) | 监控视频中人数检测方法及装置 | |
CN110414571A (zh) | 一种基于特征融合的网站报错截图分类方法 | |
Zhao et al. | Automatic blur region segmentation approach using image matting | |
Tripathy | Detection of cotton leaf disease using image processing techniques | |
Wu et al. | Recognition of Student Classroom Behaviors Based on Moving Target Detection. | |
Chabot et al. | Using Web images to train a deep neural network to detect sparsely distributed wildlife in large volumes of remotely sensed imagery: A case study of polar bears on sea ice | |
CN107169996A (zh) | 一种视频中动态人脸识别方法 | |
Zhu et al. | Shadow removal with background difference method based on shadow position and edges attributes | |
CN110321808B (zh) | 遗留物与盗移物检测方法、设备和存储介质 | |
CN109409176A (zh) | 一种用于遥感影像的地块提取的方法与装置 | |
Cheng et al. | Power pole detection based on graph cut | |
EP3018626A1 (en) | Apparatus and method for image segmentation |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190301 |
|
WW01 | Invention patent application withdrawn after publication |