CN110059704B - 一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法 - Google Patents
一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法 Download PDFInfo
- Publication number
- CN110059704B CN110059704B CN201910317994.2A CN201910317994A CN110059704B CN 110059704 B CN110059704 B CN 110059704B CN 201910317994 A CN201910317994 A CN 201910317994A CN 110059704 B CN110059704 B CN 110059704B
- Authority
- CN
- China
- Prior art keywords
- rare earth
- remote sensing
- model
- information
- mining area
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公布了一种视觉注意模型驱动的稀土矿开采区遥感信息智能提取方法。本发明所属技术领域为遥感数据智能挖掘方向,具体涉及稀土矿开采区遥感信息智能提取。本发明综合分析南方离子型稀土矿在高分辨率遥感影像上的特点,利用Itti视觉注意模型所生成的显著图作为GrabCut模型的初始输入,替代常规以人工选框的方式来得到GrabCut模型的初始输入,实现GrabCut模型自动分割图像;并将NDVI信息加入到GrabCut模型的能量函数中作为约束项,来减少植被等信息对目标信息提取的干扰,从而提高矿区目标提取的精度。该方法能自动地进行稀土矿开采区信息提取,且具有较高的提取精度,是一种实用性强的稀土矿开采区遥感信息智能提取方法。
Description
技术领域
本发明所属技术领域为遥感数据智能挖掘方向,具体涉及稀土矿开采区遥感信息智能提取。
背景技术
稀土矿产资源是一种不可再生的资源,在机械制造、石油化工、农林牧业、航天航空及军工技术等方面都有较为广泛的用途。随着对稀土资源需求量的不断增加,滥采滥伐现象严重,而不当的开采方式会导致植被严重破坏、景观和地形地貌的该变,以及土壤污染和水体污染等诸多的环境问题。因此需要对稀土矿区进行监测与调查,从而为相关部门管理及治理矿区的生态环境提供数据支撑。由于稀土矿区往往位于山区,且其开采比较零散、占地面积大,利用传统的国土资源动态巡查的方式进行稀土矿区调查的时效性差、周期长、效率低,且费时费力。随着近年来高空间分辨率遥感卫星数据的涌现,高空间分辨率遥感信息提取技术已成为调查稀土矿区的有利手段。
遥感分类技术可以分为基于像素的分类方法和面向对象的分类方法。基于像素的分类方法常被用于中低空间分辨率的遥感影像,并不适合高空间分辨率的遥感影像。面向对象的分类方法能利用光谱、空间、纹理以及上下文关系等特征,往往被应用于高分辨率遥感卫星数据。利用面向对象的分类方法进行矿区信息提取,能获取较为准确的结果,但是比较费时,而且很多时候还需要人工干涉。随着人工智能的发展,有学者提出了基于视觉注意模型来提取稀土矿开采区信息,并能获得较好的结果。人类的视觉注意行为往往是在一个复杂的场景中迅速找到自己感兴趣的区域从而来做出决定,视觉注意模型就是模拟人类的这种视觉注意行为来快速聚焦于一张图像中的感兴趣区域,生成显著图像。而仅通过视觉注意模型很难精确地提取目标的边界,往往需要结合分割算法来准确地提取目标。目前分割方法主要分为监督的分割方法、非监督的分割方法以及交互式图像分割方法。其中,交互式的图像分割方法由于人工交互能获得较多的图像分割信息,所以分割结果较为精确。GrabCut算法因为具有简洁的交互性和较好的图像分割结果,所以被广泛用于图像分割。对于自然图片,一般只需要人为画个矩形作为模型的初始输入,就能获得较为满意的结果。该模型已经被用于解决不同类型的图像分割问题,例如医学影像CT和PET等影像分割、人脸识别、运动车辆车牌号识别等,但是GrabCut算法在高分辨率遥感影像分割中的应用研究尚比较少。当所分割的图像复杂、景观破碎且很大时,该模型并不能得到很好的分割结果;同时该模型需要人为设定初始的掩膜图,如果不能得到较好的分割结果,需要再次人为给定背景区,直到结果满意为止。因此,利用常规的GrabCut模型不能实现稀土矿开采区信息智能提取,而且这个过程中存在很大的不确定性。
针对这些问题,本发明充分利用视觉注意模型和GrabCut模型的优缺点,首先利用视觉注意模型来生成目标显著图,从而将复杂的场景变得简单,所生成的显著图作为GrabCut模型的初始值,替代人为设定的初始输入,从而实现目标提取的全自动化和智能化。同时将归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)作为GrabCut模型中能量函数(Energy Function)的约束项来减小植被的影响、提高分割结果的精度。因此,本发明提出了一种基于视觉注意模型的改进的GrabCut模型实现高分辨率遥感影像稀土矿开采区信息的智能提取。
发明内容
本发明在综合分析南方离子型稀土矿在高分辨率遥感影像上的特点,提出了一种视觉注意模型驱动的稀土矿区遥感信息智能提取的方法。该发明利用Itti视觉注意模型所生成的显著图作为GrabCut模型的初始输入,替代常规以人工选框的方式来得到GrabCut模型的初始输入,实现GrabCut模型自动分割图像;并将NDVI信息加入到GrabCut模型的能量函数中作为约束项,来约束植被等信息对目标信息提取的干扰,从而可提高目标提取的精度。因此本发明涉及遥感数据预处理,显著图生成和信息提取三部分内容。
附图说明
图(1)稀土矿开采区遥感信息智能提取流程图
具体实施方式
下面结合附图对本发明进一步详述:
一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法,包括具体步骤如下:
(一)数据处理
对高空间分辨率遥感数据(如GF-1、ALOS、SPOT等数据)进行正射校正、融合等图像预处理。
(二)基于ITTI模型的显著图生成
在图像场景中,物体的特征(如颜色、亮度和方向)与周围背景的特征有显著的差异,则视为显著性。在人类视觉注意机制中,关键信息将被视觉系统选择并保留,然后传递给大脑,引起视觉注意,形成场景中感兴趣的区域,也就是显著图的生成过程。利用ITTI模型生成显著区域的步骤如下:
(1)特征计算
主要包括颜色、亮度和方向三大特征的计算,具体如下:
①颜色特征表示局部区域相同颜色的对比差异显著性以及不同颜色间的差异显著性。首先需要分离出R、G、B、Y四个颜色通道,如公式(1-4)所示。然后利用这四个通道建立4个高斯金字塔R(σ),G(σ),B(σ),Y(σ),最后利用公式(5)模拟红绿、绿红来生成RG(c,s)特征图,利用公式(6)模拟黄蓝、蓝黄来生成BY(c,s)特征图。
R=r-(g+b)/2 (1)
G=g-(r+b)/2 (2)
B=b-(r+g)/2 (3)
Y=(r+g)/2-|r-g|/2-b (4)
RG(c,s)=|(R(c)-G(c))Θ(G(s)-R(s))| (5)
BY(c,s)=|(B(c)-Y(c))Θ(Y(s)-B(s))| (6)
其中,r、g、b分别为遥感影像的红波段、近红外波段以及蓝波段;Θ是两个不同层级图像下采样到分辨率一致后,逐像素作差;|…|是对图像逐像素求绝对值,c∈{2,3,4},s=c+δ,δ∈{3,4}。
②亮度特征反应的是局部区域亮度的对比差异,包括中心暗周围亮和中心亮周围暗两种情况。亮度图像I通过公式(7)计算得到,然后再创建高斯金字塔I(σ),利用图像的金字塔跨尺度相减计算得到亮度特征图,即公式(8)。
I=(r+g+b)/3 (7)
I(c,s)=|I(c)ΘI(s)| (8)
③方向特征。利用Gabor滤波,对亮度图像I分别建立四个方向(0°、45°、90°、135°)的金字塔,然后再利用图像的金字塔跨尺度相减计算得到方向特征图。
(2)特征归一化
根据以上得到的特征图,采用归一化算子(Normalization Operator),使得特征图中最显著的点,即特征值最大的点,与其他显著点的显著度差距拉大,这是ITTI模型中比较关键的处理步骤。首先将特征图归一化到固定的值域范围[0,M],统一不同特征之间的量纲;然后计算特征图中最大特征值M的位置,以及其他所有局部极大值点的均值最后将全幅特征图逐像素乘以
(3)显著图生成
(三)稀土矿开采区信息提取
将Grabcut和遥感数据结合,从初始值设置、能量函数项两方面进行改进,从而实现高分辨率遥感影像稀土矿开采区信息提取。
(1)初始值设置
原始GrabCut中,将人工框选区外的像素标记为绝对背景初值,框内标记为可能前景初值,通过迭代一步步在可能的前景中筛选出绝对前景。本发明利用Otsu方法对上述所生成的显著图自动设定阈值,得到二值的显著区域,作为改进的Grabcut分割模型的初始值,即显著区域和不显著区域分别标记为可能前景和背景初值。
(2)能量函数
在原有GrabCut能量函数(公式(13))的基础上,引入归一化差值植被指数(NDVI)(NDVI由近红外波段与红波段像素值之差除以近红外波段与红波段像素值之和得到)作为能量函数的约束项,如公式(14)所示。
E(α,k,θ,z)=U(α,k,θ,z)+V(α,z) (13)
E(α,k,θ,z)=U(α,k,θ,z)+V(α,z)+N(α) (14)
式中,α为像素标记值,k为高斯分量,通常为5,θ为像素属于前景或背景的概率,z为图像像素;U(α,k,θ,z)为数据项,V(α,z)为平滑项,N(α)为约束项。数据项表示像素被标记为前景或背景概率的负对数,可由公式(15)表示;平滑项表示图模型上所有边的权值,由相邻节点间的欧式距离计算得到,即表示像素间不连续的惩罚,可由公式(16)表示;约束项表示由NDVI数据判断像素隶属于对应类别的权值,可由公式(17)表示。
U(α,k,θ,z)=∑i-logp(zi|αiki,θ)-logπ(αi,ki) (15)
N(α)=ω∑[Ni≠αi] (17)
式中,为常数,用来调节数据项和平滑项的比例,i和j表示图像范围内的相邻像素,β由图像对比度决定,用来调节相邻像素间的差异。ω表示新增NDVI数据项的权值,仅将其作为一种软约束,可根据实际情况,通过改变权值大小来调节NDVI信息的影响力;Ni表示NDVI数据中像素类别标记,当其和当前标记值αi不一致时取1,否则取0。
通过最大流最小分割算法,计算能量函数最小值,更新高斯混合模型的参数,重新计算能量函数,反复迭代得到最优分割结果,从而得到稀土矿开采区信息专题图。
本发明结合视觉注意模型和GrabCut模型进行稀土矿区开采地遥感信息提取,同时加入NDVI信息作为GrabCut模型中能量函数的约束项来提高Grabcut的分割精度,能自动地进行稀土矿开采区信息提取,是一种实用性强的稀土矿开采区遥感信息智能提取方法。
Claims (1)
1.一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法,它包括具体步骤如下:
(一)数据处理
对高空间分辨率遥感数据进行正射校正、融合图像预处理;
(二)基于ITTI模型的显著图生成
首先对图像建立高斯金字塔,然后分别计算其颜色特征图、亮度特征图以及方向特征图,采用归一化算子,使得特征图中最显著的点,即特征值最大的点,与其他显著点的显著度差距拉大,对这些特征图进行归一化处理;将各个通道的特征分别独立生成亮度显著图、颜色显著图和方向显著图,最后将这三幅特征显著图归一化增强后取均值,得到最终的总体显著图;
(三)基于改进GrabCut模型的稀土矿开采区信息提取
将Grabcut和遥感数据结合,从初始值设置、能量函数项两方面进行改进,从而实现高分辨率遥感影像稀土矿开采区信息提取;
(1)初始值设置
原始GrabCut中,将人工框选区外的像素标记为绝对背景初值,框内标记为可能前景初值,通过迭代一步步在可能的前景中筛选出绝对前景;利用Otsu方法对上述所生成的显著图自动设定阈值,得到二值的显著区域,作为改进的Grabcut分割模型的初始值,即显著区域和不显著区域分别标记为可能前景和背景初值;
(2)能量函数
在原有GrabCut能量函数公式(1)的基础上,引入归一化植被指数NDVI作为能量函数的约束项,由公式(2)表示;
E(α,k,θ,z)=U(α,k,θ,z)+V(α,z) (1)
E(α,k,θ,z)=U(α,k,θ,z)+V(α,z)+N(α) (2)
式中,α为像素标记值,k为高斯分量,通常为5,θ为像素属于前景或背景的概率,z为图像像素;U(α,k,θ,z)为数据项,V(α,z)为平滑项,N(α)为约束项;数据项表示像素被标记为前景或背景概率的负对数,由公式(3)表示,其中p(zi|αiki,θ)表示高斯概率分布,π(αi,ki)为混合权重系数;平滑项表示图模型上所有边的权值,由相邻节点间的欧式距离计算得到,即表示像素间不连续的惩罚,由公式(4)表示;约束项表示由NDVI数据判断像素隶属于对应类别的权值,由公式(5)表示;
U(α,k,θ,z)=∑i-logp(zi|αiki,θ)-logπ(αi,ki) (3)
N(α)=ω∑[Ni≠αi] (5)
式中,为常数,用来调节数据项和平滑项的比例,i和j表示图像范围C内的相邻像素,β由图像对比度决定,用来调节相邻像素间的差异;ω表示新增NDVI数据项的权值,仅将其作为一种软约束,可根据实际情况,通过改变权值大小来调节NDVI信息的影响力;Ni表示NDVI数据中像素类别标记,当其和当前标记值αi不一致时取1,否则取0;
通过最大流最小分割算法,计算能量函数最小值,更新高斯混合模型的参数,重新计算能量函数,反复迭代得到最优分割结果,从而得到稀土矿开采区信息专题图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910317994.2A CN110059704B (zh) | 2019-04-19 | 2019-04-19 | 一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910317994.2A CN110059704B (zh) | 2019-04-19 | 2019-04-19 | 一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059704A CN110059704A (zh) | 2019-07-26 |
CN110059704B true CN110059704B (zh) | 2021-04-13 |
Family
ID=67319677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910317994.2A Active CN110059704B (zh) | 2019-04-19 | 2019-04-19 | 一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059704B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815618B (zh) * | 2020-07-22 | 2022-04-05 | 华东交通大学 | 基于时序特征的稀土元素组分含量动态监测方法及系统 |
CN112329791B (zh) * | 2020-10-30 | 2022-12-27 | 中国电子科技集团公司第五十四研究所 | 一种高光谱影像水域自动提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
CN108537239A (zh) * | 2018-04-18 | 2018-09-14 | 西南科技大学 | 一种图像显著性目标检测的方法 |
-
2019
- 2019-04-19 CN CN201910317994.2A patent/CN110059704B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
CN108537239A (zh) * | 2018-04-18 | 2018-09-14 | 西南科技大学 | 一种图像显著性目标检测的方法 |
Non-Patent Citations (4)
Title |
---|
building detection from VHR remote sensing imagery based on the morphological building index;Yongfa You et al;《remote sensing》;20180815;第1-10页 * |
near real-time vegetation anomaly detection with MODIS NDVI:timeliness vs.accuracy and effect of anomaly computation options;michele meroni et al;《remote sensing of environment》;20190228;第508-521页 * |
visual attention model based mining area recognition on massive high-resolution remote sensing images;peng yan et al;《Cluster Comput》;20150315;第1-5页 * |
融合LiDAR点云与正射影像的建筑物图割优化提取方法;杜守基 等;《测绘学报》;20180430;第47卷(第4期);第520-525页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110059704A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11615615B2 (en) | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images | |
Chen et al. | Vehicle detection in high-resolution aerial images based on fast sparse representation classification and multiorder feature | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN107563413B (zh) | 无人机航拍影像农田块对象精准提取方法 | |
Abdollahi et al. | Investigation of SVM and level set interactive methods for road extraction from google earth images | |
CN102968782A (zh) | 一种彩色图像中显著对象的自动抠取方法 | |
CN110059704B (zh) | 一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法 | |
CN105678318A (zh) | 交通标牌的匹配方法及装置 | |
Maggiolo et al. | Improving maps from CNNs trained with sparse, scribbled ground truths using fully connected CRFs | |
Attarzadeh et al. | Object-based building extraction from high resolution satellite imagery | |
CN114241326A (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN106875407A (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN109657728B (zh) | 样例生产方法及模型训练方法 | |
CN109635715A (zh) | 一种遥感图像建筑物提取方法 | |
CN113033386A (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
CN110390724B (zh) | 一种带有实例分割的slam方法 | |
CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和系统 | |
CN111241916A (zh) | 一种交通标志识别模型的建立方法 | |
Weixing et al. | Road extraction in vague images on gray scale consistency and improved MSR and DS evidence | |
CN113610032A (zh) | 基于遥感影像的建筑物识别方法和装置 | |
CN113642663B (zh) | 一种卫星遥感影像水体提取方法 | |
Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis | |
CN117333494B (zh) | 基于深度学习的秸秆覆盖率检测方法及系统 | |
CN117437654B (zh) | 一种基于语义识别的栅格地图解析方法、设备和介质 |
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 |