CN109522852A - 基于光学遥感影像的人造目标检测方法、装置及设备 - Google Patents
基于光学遥感影像的人造目标检测方法、装置及设备 Download PDFInfo
- Publication number
- CN109522852A CN109522852A CN201811398725.5A CN201811398725A CN109522852A CN 109522852 A CN109522852 A CN 109522852A CN 201811398725 A CN201811398725 A CN 201811398725A CN 109522852 A CN109522852 A CN 109522852A
- Authority
- CN
- China
- Prior art keywords
- straightway
- man
- straight line
- remote sensing
- sensing 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.)
- 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明实施例公开了一种基于光学遥感影像的人造目标检测方法、装置、设备及计算机可读存储介质。其中,方法包括利用直线检测算法提取待检测遥感影像中的直线段生成直线段特征图;根据直线段特征图中各直线段特征,对各直线段进行密度聚类,生成多类直线段群;从多类直线段群中选取满足直线段特征条件的有效类直线段群,并为各有效类直线段群设置可包含相应类直线段群中的所有直线段的最小面积的封闭曲线;按照预设合并准则对各封闭曲线进行合并处理直至各封闭曲线间不相互重叠,将合并处理后的封闭曲线内的图像作为待检测遥感影像中的人造目标进行输出。本申请可准确、实时地从自然背景中提取出人造目标,提升了人造目标检测性能。
Description
技术领域
本发明实施例涉及人造目标识别领域,特别是涉及一种基于光学遥感影像的人造目标检测方法、装置、设备及计算机可读存储介质。
背景技术
随着卫星遥感技术的快速发展,依靠遥感影像判决得到地球环境和资源,广泛应用在不同的技术领域中,例如气象监测、城市规划、工程评估等。
在遥感影像中识别人造目标,准确将自然环境和人造环境分离,是实现遥感技术广泛应用在商业需求领域中的关键。相关技术在从遥感影像中识别人造目标时,需要一定的先验知识信息作为参考,无法进行大面积的普及与推广。
发明内容
本公开实施例提供了一种基于光学遥感影像的人造目标检测方法、装置、设备及计算机可读存储介质,可准确、实时地从自然背景中提取出人造目标。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种基于光学遥感影像的人造目标检测方法,包括:
利用直线检测算法提取待检测遥感影像中的直线段,生成直线段特征图;
根据所述直线段特征图中各直线段特征,对各直线段进行密度聚类,生成多类直线段群;
从多类直线段群中选取满足直线段特征条件的有效类直线段群,并为各有效类直线段群设置外接封闭曲线,所述外接封闭曲线为包含相应类直线段群中的所有直线段的最小面积的曲线;
按照预设合并准则对各外接封闭曲线进行合并处理,直至不存在相互重叠的外接封闭曲线,输出所述待检测遥感影像中的人造目标。
可选的,所述按照预设合并准则对各外接封闭曲线进行合并处理,直至不存在相互重叠的外接封闭曲线包括:
判断是否存在满足预设位置关系的外接封闭曲线;
若是,则将满足位置关系的外接封闭曲线进行合并,生成候选封闭区域;
删除各候选封闭区域中的直线段数量低于预设数量阈值的候选封闭区域之后,合并具有重叠区域的候选封闭区域,生成有效区域,以作为检测到的人造目标;
其中,所述预设位置关系为各外接封闭曲线间的距离小于预设距离阈值,且各外接封闭曲线间的交角小于预设角度阈值。
可选的,所述从多类直线段群中选取满足直线段特征条件的有效类直线段群包括:
从多类直线段群中选取包含预设类型直线段的直线段群,作为有效类直线段群;
对不包含预设类型直线段的直线段群,从中选取直线段数量高于最小数量阈值的直线段群,作为有效类直线段群。
可选的,所述外接封闭曲线为包含直线段群中的所有直线段的最小面积的矩形框。
可选的,所述根据所述直线段特征图中各直线段特征,对各直线段进行密度聚类包括:
对所述直线段特征图中的每个直线段,逐个计算当前直线段的中心点与所述直线段特征图中非自身的直线段中心点间的距离值及所成的夹角值;
统计与所述当前直线段的距离值和夹角值同时小于距离容限值和小于角度容限值的直线段的数量值;
计算所述数量值和所述当前直线段的长度值的乘积,以作为所述当前直线段的邻域密度;
选择最大邻域密度的目标直线段作为第一个聚类中心,若所述直线段特征图的第一直线段与所述目标直线段中心点的距离值和所成交角值同时小于所述距离容限值和小于所述角度容限值,则将所述第一直线段添加至所述第一聚类中心,若否,则将所述第一直线段作为第二聚类中心,直至所述直线段特征图中所有的直线段的领域密度均为0;
其中,将归类的直线段的邻域密度和聚类中心对应的直线段的邻域密度设置为0。
可选的,所述第一直线段的邻域密度值为各邻域密度值中的次大值。
可选的,所述利用直线检测算法提取待检测遥感影像中的直线段,生成直线段特征图为:
利用LSD算法对所述待检测遥感影像中的直线段进行分割检测,将提取得到的所有直线段生成直线段特征图。
本发明实施例另一方面提供了一种基于光学遥感影像的人造目标检测装置,包括:
直线段提取模块,用于利用直线检测算法提取待检测遥感影像中的直线段,生成直线段特征图;
密度聚类模块,用于根据所述直线段特征图中各直线段特征,对各直线段进行密度聚类,生成多类直线段群;
有效类区域确定模块,用于从多类直线段群中选取满足直线段特征条件的有效类直线段群,并为各有效类直线段群设置外接封闭曲线,所述外接封闭曲线为包含相应类直线段群中的所有直线段的最小面积的曲线;
人造目标输出模块,用于按照预设合并准则对各外接封闭曲线进行合并处理,直至不存在相互重叠的外接封闭曲线,输出所述待检测遥感影像中的人造目标。
本发明实施例还提供了一种基于光学遥感影像的人造目标检测设备,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述基于光学遥感影像的人造目标检测方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有基于光学遥感影像的人造目标检测程序,所述基于光学遥感影像的人造目标检测程序被处理器执行时实现如前任一项所述基于光学遥感影像的人造目标检测方法的步骤。
本申请提供的技术方案的优点在于,人造目标相比自然背景相比,具有明显的几何形状特征,根据对人造目标的几何基元特征的识别,通过分析几何基元特征之间的距离、角度等直线段特征,可准确、实时地从自然背景中提取出人造目标,提升了人造目标识别的鲁棒性,提高了人造目标检测概率,降低了虚警概率和漏检概率,提升了人造目标的检测性能,具有良好的实时处理能力,不需要一定的先验知识信息作为参考,有着广阔的应用市场和研究价值。
此外,本发明实施例还针对基于光学遥感影像的人造目标检测方法提供了相应的实现装置、设备及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置、设备及计算机可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,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为本发明实施例提供的一种基于光学遥感影像的人造目标检测方法的流程示意图;
图2为本发明实施例提供的另一种基于光学遥感影像的人造目标检测方法的流程示意图;
图3为本发明实施例提供的基于光学遥感影像的人造目标检测装置的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种基于光学遥感影像的人造目标检测方法的流程示意图,本发明实施例可包括以下内容:
S101:利用直线检测算法提取待检测遥感影像中的直线段,生成直线段特征图。
直线检测算法可为任何一种可实现检测图像中的直线段的算法,这均不影响本申请的实现。从待检测遥感影像中的直线段生成直线段特征图的实现过程,可参阅相关技术的描述,此处,便不再赘述。
直线段的提取和描述是运用几何基元特征进行目标检测的基础和关键,经典的直线段检测算法包括Hough变换法和LSD直线段检测分割技术,Hough变换法计算量大、占用内存多,很难满足系统实时性的要求,可选的,可利用LSD算法对待检测遥感影像中的直线段进行分割检测,鲁棒性高,检测效果非常好,可对输入图像进行快速的直线段提取,得到图像的直线段特征图。
S102:根据直线段特征图中各直线段特征,对各直线段进行密度聚类,生成多类直线段群。
相比自然环境,人造目标区域通常会出现较密集、较规整的直线段,依据此特点,可结合考虑直线段的长度、密度以及角度特征,对提取的直线段进行密度聚类。
每一类直线段群均可包含一条直线段或多条直线段,每类直线段群中包含的直线段的个数取决于直线段特征图的密度聚类结果。
S103:从多类直线段群中选取满足直线段特征条件的有效类直线段群,并为各有效类直线段群设置外接封闭曲线。
每类直线段群均设置一个外接封闭曲线,外接封闭曲线用于将该群中所有的直线段均包含进去,外接封闭曲线为包含相应类直线段群中的所有直线段的最小面积的曲线。
考虑到封闭曲线内部均是直线段,外接封闭曲线可为包含直线段群中的所有直线段的最小面积的矩形框,也即为每类直线段群设置最小外接矩形框。
直线段特征条件可为从多类直线段群中选取包含预设类型直线段(特殊的长直线段,直线段的长度可根据实际应用场景进行确定)的直线段群,作为有效类直线段群;对不包含预设类型直线段的直线段群,从中选取直线段数量高于最小数量阈值(可根据实际应用场景进行确定,本申请对此不过任何限定)的直线段群,作为有效类直线段群。
如果目标边缘检测出特殊的长直线段,那么该目标通常是人造目标。例如,在大型机场、高速公路等目标的直线段检测中,往往可以检测出多条较长且呈平行线特征的直线段;在港口、桥梁等目标的直线段检测中,多条相交、平行的长直线段同样会被检测出来。因此,在直线段密度聚类后,检测每类中是否包含特殊的长直线段,以便后续对不同的类分别进行处理。
对于包含特殊长直线段的类,直接判定其为有效类,刻画出包含该类中所有直线段的最小外接矩形框;对于不包含特殊长直线段的类,统计该类中包含的直线段数目,当直线段数目过少时,判定为无效类,反之判定为有效类,刻画出包含该类中所有直线段的最小外接矩形框。其中,有效类的角度即为所刻画的矩形框的角度。
S104:按照预设合并准则对各外接封闭曲线进行合并处理,直至不存在相互重叠的外接封闭曲线,输出待检测遥感影像中的人造目标。
各外接封闭曲线在经过一系列合并后,且彼此间均没有重合区域时,每个外接封闭曲线内部的图像即为待检测遥感影像中存在的人造目标。可直接在输出带有外接封闭曲线的待检测遥感影像,也可直接将每个外接封闭曲线中的图像进行输出,这均不影响本申请的实现。
在本发明实施例提供的技术方案中,人造目标相比自然背景相比,具有明显的几何形状特征,根据对人造目标的几何基元特征的识别,通过分析几何基元特征之间的距离、角度等直线段特征,可准确、实时地从自然背景中提取出人造目标,提升了人造目标识别的鲁棒性,提高了人造目标检测概率,降低了虚警概率和漏检概率,提升了人造目标的检测性能,具有良好的实时处理能力,不需要一定的先验知识信息作为参考,有着广阔的应用市场和研究价值。
在一种具体的实施方式中,S104中的合并准则可为:
判断是否存在满足预设位置关系的外接封闭曲线,预设位置关系为各外接封闭曲线间的距离小于预设距离阈值,且各外接封闭曲线间的交角小于预设角度阈值;
若是,则将满足位置关系的外接封闭曲线进行合并,生成候选封闭区域;
判断是否存在封闭区域中的直线段数量低于预设数量阈值的候选封闭区域;
若是,则删除各候选封闭区域中的直线段数量低于预设数量阈值的候选封闭区域;
若否,或者是在删除各候选封闭区域中的直线段数量低于预设数量阈值的候选封闭区域之后,合并具有重叠区域的候选封闭区域,生成有效区域,以作为检测到的人造目标。
其中,数量阈值(6条)、距离阈值(0.1cm)及角度阈值(3rad)可根据实际应用场景进行确定并预先存储在系统中,本申请对此不做任何限定。
请参阅图2所示,举例来说,在直线段聚类之后,为各有效类直线段群设置最小外接矩形框,每个矩形框代表了待检测遥感影像在某一方向上边缘的集合,因此当有两个方向的边或者多个方向的边相交时,待检测目标大概率呈现为人造目标。遍历图像处理后的所有矩形框,若满足不同矩形框相交或不同矩形框的距离小于预设距离阈值,且不同矩形框的交角小于预设角度阈值时,将相应的矩形框进行合并。其中,对于包含特殊长直线段的矩形框和不包含特殊长直线段的矩形框,可以设定不同的距离阈值和角度阈值。
如前所述,通常人造目标区域会出现较密集,较规整的直线段,而自然背景中提取出的直线段往往是随机分布的。因此,对于不包含特殊长直线段的矩形框,统计矩形框内包含的直线段数目,当数目超过阈值时,判定该框为有效矩形框,否则进行剔除;对于包含特殊长直线段的矩形框,均判定为有效矩形框。
遍历图像处理后的有效矩形框,若不同有效矩形框间有区域重叠的部分,则将相应的矩形框进行合并,刻画出更大的矩形框。最后,当所有的有效矩形框间互不重叠时,输出最终的人造目标检测结果。
可选的,在另外一种实施方式中,S102中对直线段特征图进行密度聚类可如下所示:
对直线段特征图中的每个直线段,逐个计算当前直线段的中心点与直线段特征图中非自身的直线段中心点间的距离值及所成的夹角值。举例来说,直线段特征图中包含编号为1、2、3的3条直线段,需要分别计算1和2直线段的距离阈值和两条直线段所成的夹角值、1和3直线段的距离阈值和夹角值、2和3直线段的距离阈值和夹角值。
统计与当前直线段的距离值和夹角值同时小于距离容限值和小于角度容限值的直线段的数量值。
计算数量值和当前直线段的长度值的乘积,以作为当前直线段的邻域密度。
选择最大邻域密度的目标直线段作为第一个聚类中心,若直线段特征图的第一直线段与目标直线段中心点的距离值和所成交角值同时小于距离容限值和小于角度容限值,则将第一直线段添加至第一聚类中心,若否,则将第一直线段作为第二聚类中心,直至直线段特征图中所有的直线段的领域密度均为0;其中,将归类的直线段的邻域密度和聚类中心对应的直线段的邻域密度设置为0,也就是说,直线段特征图中的直线段在添加至已有聚类中心后,将其邻域密度重设为0,或者是将其设置为新的聚类中心后,将其邻域密度重新设置为0。
具体的,直线段密度聚类流程可如下所述:
(1)扫描对象,逐个计算每个直线段中心点与其他直线段中心点的距离,和每个直线段与其他直线段的角度差值(也即夹角值),并记录满足距离小于距离容限且角度差值小于角度容限条件的线段数目,再将该直线段数目与直线段的长度作乘积运算,即为计算该直线段的领域密度,初始聚类数目N=0;
(2)扫描对象,记录邻域密度最大的线段作为第一个聚类中心,该直线段的角度即为该类的角度,聚类数目N=N+1,并将该直线段的领域密度置0;
(3)扫描对象,找到剩余直线段中邻域密度最大的线段,再扫描所有已存在的类,计算该直线段中心点到聚类中心线段的距离和该直线段与聚类中心线段的角度差值,若满足距离小于距离容限且角度差值小于角度容限,则直接将该直线段的领域密度置0;否则,记录该直线段为新的聚类中心,该直线段的角度即为该类的角度,更新聚类数目N=N+1,并将该直线段的领域密度置0;
(4)重复步骤(3)的操作,直到所有直线段的领域密度都为0;
(5)扫描对象,根据对象与各个初始聚类中心的距离和角度,在满足角度差值小于角度容限的前提下,按照就近原则将其添加到距离最近的类中。
在进行聚类过程中,可根据各条直线段的邻域密度的大小顺序,对每条直线段进行聚类判断,也即第一直线段的邻域密度值为各邻域密度值中的次大值。举例来说,直线段特征图中5条直线段的邻域密度按照从大到小排列后对应的直线段编号为1、2、3、4、5,将1号直线段作为第一类聚类中心,首先判断2号直线段是否满足距离和角度的条件,若是,则将其归到第一类聚类中心中,若否,则将其设置为第二类聚类中心,然后按照相同的方法依次对3、4、5进行归类判断。
需要说明的是,距离容限值可与上述的距离阈值设置为同一个值,也可设置为不同的值,这均不影响本申请的实现。同样,角度容限值和角度阈值也可设置为同一个值,也可设置为不同的值。
本发明实施例还针对基于光学遥感影像的人造目标检测方法提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的基于光学遥感影像的人造目标检测装置进行介绍,下文描述的基于光学遥感影像的人造目标检测装置与上文描述的基于光学遥感影像的人造目标检测方法可相互对应参照。
参见图3,图3为本发明实施例提供的基于光学遥感影像的人造目标检测装置在一种具体实施方式下的结构图,该装置可包括:
直线段提取模块301,用于利用直线检测算法提取待检测遥感影像中的直线段,生成直线段特征图。
密度聚类模块302,用于根据直线段特征图中各直线段特征,对各直线段进行密度聚类,生成多类直线段群。
有效类区域确定模块303,用于从多类直线段群中选取满足直线段特征条件的有效类直线段群,并为各有效类直线段群设置外接封闭曲线,外接封闭曲线为包含相应类直线段群中的所有直线段的最小面积的曲线。
人造目标输出模块304,用于按照预设合并准则对各外接封闭曲线进行合并处理,直至不存在相互重叠的外接封闭曲线,输出待检测遥感影像中的人造目标。
可选的,在本实施例的一些实施方式中,所述人造目标输出模块304可以包括:
判断子模块,用于判断是否存在满足预设位置关系的外接封闭曲线;预设位置关系为各外接封闭曲线间的距离小于预设距离阈值,且各外接封闭曲线间的交角小于预设角度阈值;
合并子模块,用于将满足位置关系的外接封闭曲线进行合并,生成候选封闭区域;
剔除封闭曲线子模块,用于删除各候选封闭区域中的直线段数量低于预设数量阈值的候选封闭区域;
有效区域生成子模块,用于在删除部分候选封闭区域后,合并具有重叠区域的候选封闭区域,生成有效区域,以作为检测到的人造目标。
在一些实施方式中,所述有效类区域确定模块303还可为从多类直线段群中选取包含预设类型直线段的直线段群,作为有效类直线段群;对不包含预设类型直线段的直线段群,从中选取直线段数量高于最小数量阈值的直线段群,作为有效类直线段群的模块。
在另外一些实施方式中,所述密度聚类模块302可包括:
计算子模块,用于对直线段特征图中的每个直线段,逐个计算当前直线段的中心点与直线段特征图中非自身的直线段中心点间的距离值及所成的夹角值;
统计子模块,用于统计与当前直线段的距离值和夹角值同时小于距离容限值和小于角度容限值的直线段的数量值;
邻域密度计算子模块,用于计算数量值和当前直线段的长度值的乘积,以作为当前直线段的邻域密度;
聚类子模块,用于选择最大邻域密度的目标直线段作为第一个聚类中心,若直线段特征图的第一直线段与目标直线段中心点的距离值和所成交角值同时小于距离容限值和小于角度容限值,则将第一直线段添加至第一聚类中心,若否,则将第一直线段作为第二聚类中心,直至直线段特征图中所有的直线段的领域密度均为0;其中,将归类的直线段的邻域密度和聚类中心对应的直线段的邻域密度设置为0。
可选的,所述直线段提取模块301例如可为利用LSD算法对待检测遥感影像中的直线段进行分割检测,将提取得到的所有直线段生成直线段特征图的模块。
本发明实施例所述基于光学遥感影像的人造目标检测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可准确、实时地从自然背景中提取出人造目标,提升了人造目标检测性能。
本发明实施例还提供了一种基于光学遥感影像的人造目标检测设备,具体可包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序以实现如上任意一实施例所述基于光学遥感影像的人造目标检测方法的步骤。
本发明实施例所述基于光学遥感影像的人造目标检测设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可准确、实时地从自然背景中提取出人造目标,提升了人造目标检测性能。
本发明实施例还提供了一种计算机可读存储介质,存储有基于光学遥感影像的人造目标检测程序,所述基于光学遥感影像的人造目标检测程序被处理器执行时如上任意一实施例所述基于光学遥感影像的人造目标检测方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可准确、实时地从自然背景中提取出人造目标,提升了人造目标检测性能。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种基于光学遥感影像的人造目标检测方法、装置、设备及计算机可读存储介质进行了详细介绍。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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于光学遥感影像的人造目标检测方法,其特征在于,包括:
利用直线检测算法提取待检测遥感影像中的直线段,生成直线段特征图;
根据所述直线段特征图中各直线段特征,对各直线段进行密度聚类,生成多类直线段群;
从多类直线段群中选取满足直线段特征条件的有效类直线段群,并为各有效类直线段群设置外接封闭曲线,所述外接封闭曲线为包含相应类直线段群中的所有直线段的最小面积的曲线;
按照预设合并准则对各外接封闭曲线进行合并处理,直至不存在相互重叠的外接封闭曲线,输出所述待检测遥感影像中的人造目标。
2.根据权利要求1所述的基于光学遥感影像的人造目标检测方法,其特征在于,所述按照预设合并准则对各外接封闭曲线进行合并处理,直至不存在相互重叠的外接封闭曲线包括:
判断是否存在满足预设位置关系的外接封闭曲线;
若是,则将满足位置关系的外接封闭曲线进行合并,生成候选封闭区域;
删除各候选封闭区域中的直线段数量低于预设数量阈值的候选封闭区域之后,合并具有重叠区域的候选封闭区域,生成有效区域,以作为检测到的人造目标;
其中,所述预设位置关系为各外接封闭曲线间的距离小于预设距离阈值,且各外接封闭曲线间的交角小于预设角度阈值。
3.根据权利要求2所述的基于光学遥感影像的人造目标检测方法,其特征在于,所述从多类直线段群中选取满足直线段特征条件的有效类直线段群包括:
从多类直线段群中选取包含预设类型直线段的直线段群,作为有效类直线段群;
对不包含预设类型直线段的直线段群,从中选取直线段数量高于最小数量阈值的直线段群,作为有效类直线段群。
4.根据权利要求1所述的基于光学遥感影像的人造目标检测方法,其特征在于,所述外接封闭曲线为包含直线段群中的所有直线段的最小面积的矩形框。
5.根据权利要求1至4任意一项所述的基于光学遥感影像的人造目标检测方法,其特征在于,所述根据所述直线段特征图中各直线段特征,对各直线段进行密度聚类包括:
对所述直线段特征图中的每个直线段,逐个计算当前直线段的中心点与所述直线段特征图中非自身的直线段中心点间的距离值及所成的夹角值;
统计与所述当前直线段的距离值和夹角值同时小于距离容限值和小于角度容限值的直线段的数量值;
计算所述数量值和所述当前直线段的长度值的乘积,以作为所述当前直线段的邻域密度;
选择最大邻域密度的目标直线段作为第一个聚类中心,若所述直线段特征图的第一直线段与所述目标直线段中心点的距离值和所成交角值同时小于所述距离容限值和小于所述角度容限值,则将所述第一直线段添加至所述第一聚类中心,若否,则将所述第一直线段作为第二聚类中心,直至所述直线段特征图中所有的直线段的领域密度均为0;
其中,将归类的直线段的邻域密度和聚类中心对应的直线段的邻域密度设置为0。
6.根据权利要求5所述的基于光学遥感影像的人造目标检测方法,其特征在于,所述第一直线段的邻域密度值为各邻域密度值中的次大值。
7.根据权利要求6所述的基于光学遥感影像的人造目标检测方法,其特征在于,所述利用直线检测算法提取待检测遥感影像中的直线段,生成直线段特征图为:
利用LSD算法对所述待检测遥感影像中的直线段进行分割检测,将提取得到的所有直线段生成直线段特征图。
8.一种基于光学遥感影像的人造目标检测装置,其特征在于,包括:
直线段提取模块,用于利用直线检测算法提取待检测遥感影像中的直线段,生成直线段特征图;
密度聚类模块,用于根据所述直线段特征图中各直线段特征,对各直线段进行密度聚类,生成多类直线段群;
有效类区域确定模块,用于从多类直线段群中选取满足直线段特征条件的有效类直线段群,并为各有效类直线段群设置外接封闭曲线,所述外接封闭曲线为包含相应类直线段群中的所有直线段的最小面积的曲线;
人造目标输出模块,用于按照预设合并准则对各外接封闭曲线进行合并处理,直至不存在相互重叠的外接封闭曲线,输出所述待检测遥感影像中的人造目标。
9.一种基于光学遥感影像的人造目标检测设备,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7任一项所述基于光学遥感影像的人造目标检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于光学遥感影像的人造目标检测程序,所述基于光学遥感影像的人造目标检测程序被处理器执行时实现如权利要求1至7任一项所述基于光学遥感影像的人造目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811398725.5A CN109522852B (zh) | 2018-11-22 | 2018-11-22 | 基于光学遥感影像的人造目标检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811398725.5A CN109522852B (zh) | 2018-11-22 | 2018-11-22 | 基于光学遥感影像的人造目标检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522852A true CN109522852A (zh) | 2019-03-26 |
CN109522852B CN109522852B (zh) | 2023-01-24 |
Family
ID=65778480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811398725.5A Active CN109522852B (zh) | 2018-11-22 | 2018-11-22 | 基于光学遥感影像的人造目标检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522852B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245701A (zh) * | 2019-06-11 | 2019-09-17 | 云南电网有限责任公司曲靖供电局 | 一种基于无人机航拍图像的电力线检测方法 |
CN111709356A (zh) * | 2020-06-12 | 2020-09-25 | 北京百度网讯科技有限公司 | 识别目标区域的方法、装置、电子设备和路侧设备 |
CN113538558A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于ir图的体积测量优化方法、系统、设备及存储介质 |
CN113538556A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于ir图的体积测量装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
US20140029852A1 (en) * | 2012-07-26 | 2014-01-30 | Infosys Limited | Systems and methods for multi-dimensional object detection |
CN103927743A (zh) * | 2014-03-27 | 2014-07-16 | 中国科学院长春光学精密机械与物理研究所 | 一种遥感成像中人造目标的检测方法 |
CN104182754A (zh) * | 2014-08-19 | 2014-12-03 | 山东临沂烟草有限公司 | 一种基于高分辨率遥感影像的农村居民点信息提取方法 |
CN105046203A (zh) * | 2015-06-24 | 2015-11-11 | 哈尔滨工业大学 | 基于夹角dtw距离的卫星遥测数据自适应层次聚类方法 |
CN105528622A (zh) * | 2015-12-28 | 2016-04-27 | 山东科技大学 | 一种高分辨率遥感图像分类算法时空效率优化方法 |
-
2018
- 2018-11-22 CN CN201811398725.5A patent/CN109522852B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
US20140029852A1 (en) * | 2012-07-26 | 2014-01-30 | Infosys Limited | Systems and methods for multi-dimensional object detection |
CN103927743A (zh) * | 2014-03-27 | 2014-07-16 | 中国科学院长春光学精密机械与物理研究所 | 一种遥感成像中人造目标的检测方法 |
CN104182754A (zh) * | 2014-08-19 | 2014-12-03 | 山东临沂烟草有限公司 | 一种基于高分辨率遥感影像的农村居民点信息提取方法 |
CN105046203A (zh) * | 2015-06-24 | 2015-11-11 | 哈尔滨工业大学 | 基于夹角dtw距离的卫星遥测数据自适应层次聚类方法 |
CN105528622A (zh) * | 2015-12-28 | 2016-04-27 | 山东科技大学 | 一种高分辨率遥感图像分类算法时空效率优化方法 |
Non-Patent Citations (3)
Title |
---|
ZHONGBIN LI: "Extracting Man-made objects from high spatial resolution remote sensing images via fast level set evolutions", 《IEEE》 * |
王慧利: "聚类与几何特征相结合的遥感图像多类人造目标检测算法", 《光电子激光》 * |
王慧利: "高分辨率光学遥感图像中典型人造目标检测技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245701A (zh) * | 2019-06-11 | 2019-09-17 | 云南电网有限责任公司曲靖供电局 | 一种基于无人机航拍图像的电力线检测方法 |
CN113538558A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于ir图的体积测量优化方法、系统、设备及存储介质 |
CN113538556A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于ir图的体积测量装置 |
CN113538556B (zh) * | 2020-04-15 | 2023-09-12 | 深圳市光鉴科技有限公司 | 基于ir图的体积测量装置 |
CN113538558B (zh) * | 2020-04-15 | 2023-10-20 | 深圳市光鉴科技有限公司 | 基于ir图的体积测量优化方法、系统、设备及存储介质 |
CN111709356A (zh) * | 2020-06-12 | 2020-09-25 | 北京百度网讯科技有限公司 | 识别目标区域的方法、装置、电子设备和路侧设备 |
CN111709356B (zh) * | 2020-06-12 | 2023-09-01 | 阿波罗智联(北京)科技有限公司 | 识别目标区域的方法、装置、电子设备和路侧设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109522852B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522852A (zh) | 基于光学遥感影像的人造目标检测方法、装置及设备 | |
CN107730515B (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
US6263113B1 (en) | Method for detecting a face in a digital image | |
CN109918969A (zh) | 人脸检测方法及装置、计算机装置和计算机可读存储介质 | |
CN106570874B (zh) | 一种结合图像局部约束与对象全局约束的图像标记方法 | |
Shen et al. | A polygon aggregation method with global feature preservation using superpixel segmentation | |
CN111191570B (zh) | 图像识别方法和装置 | |
Xiao et al. | Defocus blur detection based on multiscale SVD fusion in gradient domain | |
CN110232329A (zh) | 基于深度学习的点云分类方法、装置、存储介质及设备 | |
Treash et al. | Automatic road detection in grayscale aerial images | |
Li et al. | Noise doesn't lie: towards universal detection of deep inpainting | |
KR20080058366A (ko) | 피처 추출을 위한 마이크로구조의 모델링을 위한 방법 및시스템 | |
CN113641906A (zh) | 基于资金交易关系数据实现相似目标人员识别处理的系统、方法、装置、处理器及其介质 | |
Hernández et al. | Shape ultimate attribute opening | |
Yang et al. | Robust line detection using two-orthogonal direction image scanning | |
Fourie | Robust circle detection using harmony search | |
CN113536997B (zh) | 基于图像识别和行为分析的智能安防系统及方法 | |
Hu et al. | Generalized image recognition algorithm for sign inventory | |
CN113870196A (zh) | 一种基于锚点切图的图像处理方法、装置、设备和介质 | |
US7440636B2 (en) | Method and apparatus for image processing | |
Ahmed et al. | Choosing thresholds for density-based map construction algorithms | |
Raikar et al. | Automatic building detection from satellite images using internal gray variance and digital surface model | |
Blostein et al. | Representation and three-dimensional interpretation of image texture: An integrated approach | |
Lee et al. | Detecting false captioning using common-sense reasoning | |
CN114677388A (zh) | 基于单元分解与空间分割的房间布局划分方法 |
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 |