CN110059216B - 遥感影像检索方法及系统 - Google Patents

遥感影像检索方法及系统 Download PDF

Info

Publication number
CN110059216B
CN110059216B CN201910347088.7A CN201910347088A CN110059216B CN 110059216 B CN110059216 B CN 110059216B CN 201910347088 A CN201910347088 A CN 201910347088A CN 110059216 B CN110059216 B CN 110059216B
Authority
CN
China
Prior art keywords
image
parameters
matrix
remote sensing
feature
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.)
Expired - Fee Related
Application number
CN201910347088.7A
Other languages
English (en)
Other versions
CN110059216A (zh
Inventor
徐聪
井成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN201910347088.7A priority Critical patent/CN110059216B/zh
Publication of CN110059216A publication Critical patent/CN110059216A/zh
Application granted granted Critical
Publication of CN110059216B publication Critical patent/CN110059216B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Library & Information Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种遥感影像检索方法及系统。该方法包括：获取待检索影像，并对待检索影像进行影像优化，以得到优化影像；获取优化影像的RGB参数，并对RGB参数分别进行颜色直方特征和纹理特征的提取，以得到多个特征参数；对特征参数进行特征组合，并根据组合结果进行相似度匹配，以得到多个相似度参数值；通过权重计算获取综合相似度参数，判断是否大于阈值；若是，则根据特征参数进行检索。本发明能够快速有效地将一幅高分辨率遥感影像进行有针对性地进行统计，得到不同类型的地物要素所占的比例和相应图幅中的具体位置，能够快速获得一幅高分辨率遥感影像中所包含的内容，使得不具有专业目视解译的业余人员也能够参与到海量遥感影像的管理工作中去。

Description

遥感影像检索方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种遥感影像检索方法及系统。
背景技术
随着对地观测技术的发展和进步，针对各种应用的遥感平台也不断增多，使得遥感影像数据不论在数量、质量还是种类上都在与日俱增，人们每天都要面对海量的空天地遥感影像数据。为了能够更好地利用这些遥感影像，如何组织和管理这些浩瀚数据是研究工作者们一直不断探索和研究的课题。
根据遥感影像的内容、属性及其相关特征进行管理和查找的技术成为了遥感影像库管理者们普遍关心的问题。然而这些“内容”，往往是一种形象化的感知，利用语言或者文字很难对其进行准确的描述，很难找到一种统一、精确又具体的表达方式。基于文本属性的图像检索方法已经难以满足人们的需求，首先是很多图像的直观感受难以采用简短有效的文字进行描述，其次现有的遥感影像包含的信息海量，难以完整、有效、准确地描述，最后，文字描述方式需要一定的先验知识对图像进行理解，效率较低。
发明内容
本发明解决的技术问题是提供一种基于影像内容的组合特征方法进行高分辨率遥感影像的遥感影像检索方法及系统。
为解决上述技术问题，本发明提供的遥感影像检索方法，所述方法包括：
获取待检索影像，并对所述待检索影像进行影像优化，以得到优化影像；
获取所述优化影像的RGB参数，并对所述RGB参数分别进行颜色直方特征和纹理特征的提取，以得到多个特征参数；
对所述特征参数进行特征组合，并根据组合结果进行相似度匹配，以得到多个相似度参数值；
对所述相似度参数值进行权重计算，以得到多个相似度参数，通过权重计算获取综合相似度参数，判断是否大于阈值；
若是，则记录所述待检索影像的位置信息和影像信息。
优选的，所述对所述待检索影像进行影像优化的步骤包括：
对所述待检索影像中存在薄云或薄雾的影像进行匀光处理；
对所述待检索影像中辐射强度小于强度阈值的区域进行增强处理。
优选的，所述对所述RGB参数分别进行颜色直方特征和纹理特征的提取的步骤包括：
将所述RGB参数中的三个波段的原直方图划分为8个等长区间，以生成一个3×8的特征矩阵。
优选的，所述对所述RGB参数分别进行颜色直方特征和纹理特征的提取的步骤包括：
通过采用基元灰度共生矩阵算法，以生成7×7×4×3的特征向量矩阵。
优选的，所述通过采用基元灰度共生矩阵算法以生成7×7×4×3的特征向量矩阵的步骤包括：
在所述RGB参数中确定共生矩阵偏移量；
对影像中每个元素和周围8个像素形成的3×3矩阵进行遍历，以使将3×3矩阵规划到预设情况中；
将每种情况的2×2矩阵的7中分布方式根据中心像素和所述矩阵偏移量分别作为横纵坐标，以生成所述7×7×4×3的特征向量矩阵，所述7×7×4×3的特征向量矩阵包括R分量的7×7×4矩阵、G分量的7×7×4矩阵和B分量的7×7×4矩阵。
优选的，所述对所述RGB参数分别进行颜色直方特征和纹理特征的提取的步骤包括：
通过基于HSV色彩空间的4尺度6方向Log-Gabor小波变换算法，以生成4×6×2×3的特征向量矩阵。
优选的，所述通过基于HSV色彩空间的4尺度6方向Log-Gabor小波变换算法，以生成4×6×2×3的特征向量矩阵的步骤包括：
将所述RGB参数转换为HSV参数，并对所述HSV参数进行Log-Gabor小波变换滤波；
对滤波后的所述HSV参数进行均值和方差的计算，以得到所述4×6×2×3的特征向量矩阵，所述4×6×2×3的特征向量矩阵包括H分量的4×6×2特征矩阵、S分量的4×6×2特征矩阵和V分量的4×6×2特征矩阵。
与相关技术相比较，本发明提供的遥感影像检索方法具有如下有益效果：能够快速有效地将一幅高分辨率遥感影像进行有针对性地进行统计，得到不同类型的地物要素所占的比例和相应图幅中的具体位置，能够快速获得一幅高分辨率遥感影像中所包含的内容，使得不具有专业目视解译的业余人员也能够参与到海量遥感影像的管理工作中去。
本发明实施例的另一目的在于提供一种遥感影像检索系统，所述系统包括：
影像优化模块，用于获取待检索影像，并对所述待检索影像进行影像优化，以得到优化影像；
特征提取模块，用于获取所述优化影像的RGB参数，并对所述RGB参数分别进行颜色直方特征和纹理特征的提取，以得到多个特征参数；
检索判断模块，用于对所述特征参数进行特征组合，并根据组合结果进行相似度匹配，以得到多个相似度参数值；对所述相似度参数值进行权重计算，以得到多个相似度参数，通过权重计算获取综合相似度参数，判断是否大于阈值；若是，则记录所述待检索影像的位置信息和影像信息。
优选的，所述影像优化模块还用于：
对所述待检索影像中存在薄云或薄雾的影像进行匀光处理；
对所述待检索影像中辐射强度小于强度阈值的区域进行增强处理。
优选的，所述特征提取模块还用于：
将所述RGB参数中的三个波段的原直方图划分为8个等长区间，以生成一个3×8的特征矩阵。
附图说明
图1为本发明第一实施例提供的遥感影像检索方法的流程图；
图2为本发明第二实施例提供的遥感影像检索方法的流程图；
图3为图2中步骤S21的具体实施流程图；
图4为图2中步骤S31的具体实施流程图；
图5为图2中步骤S41的具体实施流程图；
图6为本发明第三实施例提供的遥感影像检索系统的结构示意图；
遥感影像检索系统 100 影像优化模块 10
特征提取模块 11 检索判断模块 12
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一
请参阅图1，是本发明第一实施例提供的遥感影像检索方法的流程图，包括步骤：
步骤S10，获取待检索影像，并对所述待检索影像进行影像优化，以得到优化影像；
其中，该步骤通过对所述待检索影像进行影像优化的设计，有效的保障了后续针对特征参数的提取，提高了所述遥感影像检索方法的准确性，具体的，该步骤通过对所述待检索影像中的残影、重影或光线强度进行优化，以得到所述优化影像；
步骤S20，获取所述优化影像的RGB参数，并对所述RGB参数分别进行颜色直方特征和纹理特征的提取，以得到多个特征参数；
其中，该特征参数可以为特征矩阵或特征图像等，通过对所述RGB参数分别进行颜色直方特征和纹理特征的提取的设计，以采用矩阵间相关系数来衡量影像间的相似度；
步骤S30，对所述特征参数进行特征组合，并根据组合结果进行相似度匹配，以得到多个相似度参数值；
其中，特征参数的方式采用的是特征矩阵之间的相关系数，任何两个影像之间都可以得到3个0到1之间的相似度参数，每个参数分配和为1的不同的权重，最终得到一个0-1的特征组合后的相似度评价参数，约接近1则说明两图像的特征约接近；
步骤S40，对所述相似度参数值进行权重计算，以得到多个相似度参数，通过权重计算获取综合相似度参数，判断是否大于阈值；
当步骤S40中，所述综合相似度参数大于阈值时，执行步骤S50；
步骤S50，记录所述待检索影像的位置信息和影像信息；
当步骤S40中，所述综合相似度参数不大于阈值时，执行步骤S60；
步骤S60，不对所述待检索影像进行记录，并继续进行其他影像的检索，直至所有待检索影像完成检索判断；
本实施例中，能够快速有效地将一幅高分辨率遥感影像进行有针对性地进行统计，得到不同类型的地物要素所占的比例和相应图幅中的具体位置，能够快速获得一幅高分辨率遥感影像中所包含的内容，使得不具有专业目视解译的业余人员也能够参与到海量遥感影像的管理工作中去，本实施例可以将人类对图像颜色和问题的直观感受转化为了计算机语言，便于大规模数据的分类、查询和建库。
实施例二
请参阅图2至图5，是本发明第二实施例提供的遥感影像检索方法的流程图，包括步骤：
步骤S11，获取待检索影像，对所述待检索影像中存在薄云或薄雾的影像进行匀光处理，对所述待检索影像中辐射强度小于强度阈值的区域进行增强处理，以得到优化影像；
其中，通过对所述待检索影像进行匀光处理或增强处理的设计，有效的对所述待检索影像起到了优化效果，有效的保障了后续针对特征参数的提取，提高了所述遥感影像检索方法的准确性，具体的，该步骤还可以通过对所述待检索影像中的残影、重影或光线强度进行优化，以得到所述优化影像；
步骤S21，获取所述优化影像的RGB参数，将所述RGB参数中的三个波段的原直方图划分为8个等长区间，以生成一个3×8的特征矩阵；
步骤S31，通过采用基元灰度共生矩阵算法，以生成7×7×4×3的特征向量矩阵；
其中，请参阅图4，所述通过采用基元灰度共生矩阵算法以生成7×7×4×3的特征向量矩阵的步骤包括：
在所述RGB参数中确定共生矩阵偏移量；
对影像中每个元素和周围8个像素形成的3×3矩阵进行遍历，以使将3×3矩阵规划到预设情况中；
将每种情况的2×2矩阵的7中分布方式根据中心像素和所述矩阵偏移量分别作为横纵坐标，以生成所述7×7×4×3的特征向量矩阵，所述7×7×4×3的特征向量矩阵包括R分量的7×7×4矩阵、G分量的7×7×4矩阵和B分量的7×7×4矩阵；
步骤S41，通过基于HSV色彩空间的4尺度6方向Log-Gabor小波变换算法，以生成4×6×2×3的特征向量矩阵；
其中，请参阅图5，所述通过基于HSV色彩空间的4尺度6方向Log-Gabor小波变换算法，以生成4×6×2×3的特征向量矩阵的步骤包括：
将所述RGB参数转换为HSV参数，并对所述HSV参数进行Log-Gabor小波变换滤波；
对滤波后的所述HSV参数进行均值和方差的计算，以得到所述4×6×2×3的特征向量矩阵，所述4×6×2×3的特征向量矩阵包括H分量的4×6×2特征矩阵、S分量的4×6×2特征矩阵和V分量的4×6×2特征矩阵；
步骤S51，对所有特征矩阵进行特征组合，并根据组合结果进行相似度匹配，以得到多个相似度参数值；
步骤S61，分别判断所述相似度参数值是否满足对应匹配条件；
其中，所述匹配条件用于判断所述相似度参数对应的特征参数是否可设置为检索参数，进而有效的提高了后续根据所述特征参数进行检测的准确性；
具体的，所述分别判断所述相似度参数值是否满足对应匹配条件的步骤包括：
对所述相似度参数值进行权重计算，以得到多个相似度参数，通过权重计算获取综合相似度参数，判断是否大于阈值多个权重值；
若是，则判定所述相似度参数值对应的所述特征参数满足所述匹配条件；
当步骤S61判断到所述相似度参数值满足对应所述匹配条件时，执行步骤S71；
步骤S71，记录所述待检索影像的位置信息和影像信息；
当步骤S61判断到所述相似度数值未满足对应的所述匹配条件时，执行步骤S81；
步骤S81，不对所述待检索影像进行记录，并继续进行其他影像的检索，直至所有待检索影像完成检索判断；
本实施例中，能够快速有效地将一幅高分辨率遥感影像进行有针对性地进行统计，得到不同类型的地物要素所占的比例和相应图幅中的具体位置，能够快速获得一幅高分辨率遥感影像中所包含的内容，使得不具有专业目视解译的业余人员也能够参与到海量遥感影像的管理工作中去，本实施例可以将人类对图像颜色和问题的直观感受转化为了计算机语言，便于大规模数据的分类、查询和建库。
实施例三
请参阅图6，是本发明第三实施例提供的遥感影像检索系统100的结构示意图，包括：影像优化模块10、特征提取模块11和检索判断模块12，其中：
影像优化模块11，用于获取待检索影像，并对所述待检索影像进行影像优化，以得到优化影像，其中，该模块通过对所述待检索影像进行影像优化的设计，有效的保障了后续针对特征参数的提取，提高了所述遥感影像检索方法的准确性，具体的，该模块通过对所述待检索影像中的残影、重影或光线强度进行优化，以得到所述优化影像。
优选的，所述影像优化模块10还用于：对所述待检索影像中存在薄云或薄雾的影像进行匀光处理；对所述待检索影像中辐射强度小于强度阈值的区域进行增强处理。
特征提取模块11，用于获取所述优化影像的RGB参数，并对所述RGB参数分别进行颜色直方特征和纹理特征的提取，以得到多个特征参数，其中，该特征参数可以为特征矩阵或特征图像等，通过对所述RGB参数分别进行颜色直方特征和纹理特征的提取的设计，以采用矩阵间相关系数来衡量影像间的相似度。
此外，本实施例中，所述特征提取模块11还用于：将所述RGB参数中的三个波段的原直方图划分为8个等长区间，以生成一个3×8的特征矩阵；通过采用基元灰度共生矩阵算法，以生成7×7×4×3的特征向量矩阵；通过基于HSV色彩空间的4尺度6方向Log-Gabor小波变换算法，以生成4×6×2×3的特征向量矩阵。
更进一步的，所述特征提取模块11还用于：在所述RGB参数中确定共生矩阵偏移量；对影像中每个元素和周围8个像素形成的3×3矩阵进行遍历，以使将3×3矩阵规划到预设情况中；将每种情况的2×2矩阵的7中分布方式根据中心像素和所述矩阵偏移量分别作为横纵坐标，以生成所述7×7×4×3的特征向量矩阵，所述7×7×4×3的特征向量矩阵包括R分量的7×7×4矩阵、G分量的7×7×4矩阵和B分量的7×7×4矩阵。
需要说明的是，所述特征提取模块11还用于：将所述RGB参数转换为HSV参数，并对所述HSV参数进行Log-Gabor小波变换滤波；对滤波后的所述HSV参数进行均值和方差的计算，以得到所述4×6×2×3的特征向量矩阵，所述4×6×2×3的特征向量矩阵包括H分量的4×6×2特征矩阵、S分量的4×6×2特征矩阵和V分量的4×6×2特征矩阵。
检索判断模块12，用于对所述特征参数进行特征组合，并根据组合结果进行相似度匹配，以得到多个相似度参数值；分别判断所述相似度参数值是否满足对应匹配条件；若是，则记录所述待检索影像的位置信息和影像信息，其中，特征参数的方式采用的是特征矩阵之间的相关系数，任何两个影像之间都可以得到3个0到1之间的相似度参数，每个参数分配和为1的不同的权重，最终得到一个0-1的特征组合后的相似度评价参数，约接近1则说明两图像的特征约接近。
本实施例中，所述检索判断模块12还用于：对所述相似度参数值进行权重计算，以得到多个相似度参数，通过权重计算获取综合相似度参数，判断是否大于阈值；若是，则判定所述相似度参数值对应的所述特征参数满足所述匹配条件。
本实施例中，能够快速有效地将一幅高分辨率遥感影像进行有针对性地进行统计，得到不同类型的地物要素所占的比例和相应图幅中的具体位置，能够快速获得一幅高分辨率遥感影像中所包含的内容，使得不具有专业目视解译的业余人员也能够参与到海量遥感影像的管理工作中去，本实施例可以将人类对图像颜色和问题的直观感受转化为了计算机语言，便于大规模数据的分类、查询和建库。
本实施例还提供一种遥感影像检索装置，包括存储设备以及处理器，所述存储设备用于存储计算机程序，所述处理器运行所述计算机程序以使所述遥感影像检索装执行上述的遥感影像检索方法。
本实施例还提供了一种存储介质，其上存储有上述遥感影像检索装中所使用的计算机程序，该程序在执行时，包括如下步骤：
获取待检索影像，并对所述待检索影像进行影像优化，以得到优化影像；
获取所述优化影像的RGB参数，并对所述RGB参数分别进行颜色直方特征和纹理特征的提取，以得到多个特征参数；
对所述特征参数进行特征组合，并根据组合结果进行相似度匹配，以得到多个相似度参数值；
分别判断所述相似度参数值是否满足对应匹配条件；
若是，则记录所述待检索影像的位置信息和影像信息。所述的存储介质，如：ROM/RAM、磁碟、光盘等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元或模块完成，即将存储装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种遥感影像检索方法，其特征在于，所述方法包括：
获取待检索影像，并对所述待检索影像进行影像优化，以得到优化影像；
获取所述优化影像的RGB参数，并对所述RGB参数分别进行颜色直方特征和纹理特征的提取，以得到多个特征参数；
对所述特征参数进行特征组合，并根据组合结果进行相似度匹配，以得到多个相似度参数值；
对所述相似度参数值进行权重计算，以得到多个相似度参数，通过权重计算获取综合相似度参数，判断是否大于阈值；
若是，则记录所述待检索影像的位置信息和影像信息。
2.根据权利要求1所述的遥感影像检索方法，其特征在于，所述对所述待检索影像进行影像优化的步骤包括：
对所述待检索影像中存在薄云或薄雾的影像进行匀光处理；
对所述待检索影像中辐射强度小于强度阈值的区域进行增强处理。
3.根据权利要求1所述的遥感影像检索方法，其特征在于，所述对所述RGB参数分别进行颜色直方特征和纹理特征的提取的步骤包括：
将所述RGB参数中的三个波段的原直方图划分为8个等长区间，以生成一个3×8的特征矩阵。
4.根据权利要求1所述的遥感影像检索方法，其特征在于，所述对所述RGB参数分别进行颜色直方特征和纹理特征的提取的步骤包括：
通过采用基元灰度共生矩阵算法，以生成7×7×4×3的特征向量矩阵。
5.根据权利要求4所述的遥感影像检索方法，其特征在于，所述通过采用基元灰度共生矩阵算法以生成7×7×4×3的特征向量矩阵的步骤包括：
在所述RGB参数中确定共生矩阵偏移量；
对影像中每个元素和周围8个像素形成的3×3矩阵进行遍历，以使将3×3矩阵规划到预设情况中；
将每种情况的2×2矩阵的7种 分布方式根据中心像素和所述矩阵偏移量分别作为横纵坐标，以生成所述7×7×4×3的特征向量矩阵，所述7×7×4 ×3的特征向量矩阵包括R分量的7×7×4矩阵、G分量的7×7×4矩阵和B分量的7×7×4矩阵。
6.根据权利要求1所述的遥感影像检索方法，其特征在于，所述对所述RGB参数分别进行颜色直方特征和纹理特征的提取的步骤包括：
通过基于HSV色彩空间的4尺度6方向Log-Gabor小波变换算法，以生成4×6×2×3的特征向量矩阵。
7.根据权利要求6所述的遥感影像检索方法，其特征在于，所述通过基于HSV色彩空间的4尺度6方向Log-Gabor小波变换算法，以生成4×6×2×3的特征向量矩阵的步骤包括：
将所述RGB参数转换为HSV参数，并对所述HSV参数进行Log-Gabor小波变换滤波；
对滤波后的所述HSV参数进行均值和方差的计算，以得到所述4×6×2×3的特征向量矩阵，所述4×6×2×3的特征向量矩阵包括H分量的4×6×2特征矩阵、S分量的4×6×2特征矩阵和V分量的4×6×2特征矩阵。
8.一种遥感影像检索系统，其特征在于，所述系统包括：
影像优化模块，用于获取待检索影像，并对所述待检索影像进行影像优化，以得到优化影像；
特征提取模块，用于获取所述优化影像的RGB参数，并对所述RGB参数分别进行颜色直方特征和纹理特征的提取，以得到多个特征参数；
检索判断模块，用于对所述特征参数进行特征组合，并根据组合结果进行相似度匹配，以得到多个相似度参数值；对所述相似度参数值进行权重计算，以得到多个相似度参数，通过权重计算获取综合相似度参数，判断是否大于阈值；若是，则记录所述待检索影像的位置信息和影像信息。
9.根据权利要求8所述的遥感影像检索系统，其特征在于，所述影像优化模块还用于：
对所述待检索影像中存在薄云或薄雾的影像进行匀光处理；
对所述待检索影像中辐射强度小于强度阈值的区域进行增强处理。
10.根据权利要求1所述的遥感影像检索方法，其特征在于，所述特征提取模块还用于：
将所述RGB参数中的三个波段的原直方图划分为8个等长区间，以生成一个3×8的特征矩阵。
CN201910347088.7A 2019-04-27 2019-04-27 遥感影像检索方法及系统 Expired - Fee Related CN110059216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910347088.7A CN110059216B (zh) 2019-04-27 2019-04-27 遥感影像检索方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910347088.7A CN110059216B (zh) 2019-04-27 2019-04-27 遥感影像检索方法及系统

Publications (2)

Publication Number Publication Date
CN110059216A CN110059216A (zh) 2019-07-26
CN110059216B true CN110059216B (zh) 2020-12-22

Family

ID=67321187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910347088.7A Expired - Fee Related CN110059216B (zh) 2019-04-27 2019-04-27 遥感影像检索方法及系统

Country Status (1)

Country Link
CN (1) CN110059216B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004061176A (ja) * 2002-07-25 2004-02-26 Hiroki Kusumoto ハイパースペクトル画像解析システム
CN102117329B (zh) * 2011-03-04 2012-08-15 南方医科大学 基于小波变换的胶囊内窥镜图像检索方法
CN103208001B (zh) * 2013-02-06 2016-12-28 华南师范大学 结合形状自适应邻域和纹理特征提取的遥感图像处理方法
CN104077411B (zh) * 2014-07-14 2018-01-12 中国科学院遥感与数字地球研究所 遥感卫星数据处理方法和系统

Also Published As

Publication number Publication date
CN110059216A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN108510499B (zh) 一种基于模糊集和Otsu的图像阈值分割方法及装置
WO2020253508A1 (zh) 异常细胞检测方法、装置及计算机可读存储介质
Fabrizio et al. Text segmentation in natural scenes using toggle-mapping
CN108829711B (zh) 一种基于多特征融合的图像检索方法
Kaur et al. A review on various methods of image thresholding
Cui et al. Single image dehazing by latent region‐segmentation based transmission estimation and weighted L1‐norm regularisation
Ganar et al. Enhancement of image retrieval by using colour, texture and shape features
US20170178341A1 (en) Single Parameter Segmentation of Images
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
Zhao et al. A comparison of LiDAR filtering algorithms in vegetated mountain areas
CN112651953B (zh) 图片相似度计算方法、装置、计算机设备及存储介质
Srinivas et al. Remote sensing image segmentation using OTSU algorithm
CN108510490B (zh) 一种分析虫害趋势的方法、装置及计算机存储介质
CN111968081A (zh) 鱼群自动计数方法、装置、电子设备及存储介质
CN112132892A (zh) 目标位置标注方法、装置及设备
CN110059216B (zh) 遥感影像检索方法及系统
Wan et al. An approach for image retrieval based on visual saliency
CN109299295B (zh) 蓝印花布图像数据库搜索方法
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
Wang et al. Saliency-based adaptive object extraction for color underwater images
Jin et al. A color image segmentation method based on improved K-means clustering algorithm
CN108416815B (zh) 大气光值的测定方法、设备及计算机可读存储介质
CN112949617B (zh) 农村道路类型识别方法、系统、终端设备及可读存储介质
CN112598664B (zh) 基于视觉显著性的虫粮等级判定方法和装置
CN111860153B (zh) 尺度自适应的高光谱图像分类方法及系统

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201222

Termination date: 20210427