CN110189328B - 一种卫星遥感图像处理系统及其处理方法 - Google Patents
一种卫星遥感图像处理系统及其处理方法 Download PDFInfo
- Publication number
- CN110189328B CN110189328B CN201910500161.XA CN201910500161A CN110189328B CN 110189328 B CN110189328 B CN 110189328B CN 201910500161 A CN201910500161 A CN 201910500161A CN 110189328 B CN110189328 B CN 110189328B
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic
- image blocks
- processing
- remote sensing
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种卫星遥感图像处理系统,包括图像分割模块,用于对卫星遥感图像进行分割;特征标记模块,用于对图像块中的特征图块进行标记;图像分类模块,用于对图像块进行分类;特征区域处理模块,用于对特征图块进行处理;非特征区域处理模块,用于对非特征图块进行处理;合成模块,用于将处理后的图块进行组合,合成完整的卫星遥感图像。本发明能够改进现有技术的不足,对硬件要求低,图像处理速度快。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种卫星遥感图像处理系统及其处理方法。
背景技术
随着卫星遥感技术的发展和普及,如何有效对卫星遥感图像进行处理成为了本领域的研究热点。由于在某些应用场景中,并不需要对卫星遥感图像的全部细节进行处理,这时如何降低卫星遥感图像处理的运算量、提高处理速度,成为了首要目标。
发明内容
本发明要解决的技术问题是提供一种卫星遥感图像处理系统及其处理方法,能够解决现有技术的不足,对硬件要求低,图像处理速度快。
为解决上述技术问题,本发明所采取的技术方案如下。
一种卫星遥感图像处理系统,包括,
图像分割模块,用于对卫星遥感图像进行分割;
特征标记模块,用于对图像块中的特征图块进行标记;
图像分类模块,用于对图像块进行分类;
特征区域处理模块,用于对特征图块进行处理;
非特征区域处理模块,用于对非特征图块进行处理;
合成模块,用于将处理后的图块进行组合,合成完整的卫星遥感图像。
一种上述的卫星遥感图像处理系统的处理方法,包括以下步骤:
A、图像分割模块对卫星遥感图像进行分割;
B、特征标记模块对图像块中的特征图块进行标记;
C、图像分类模块根据特征图块的相似度对图像块进行分类;
D、特征区域处理模块对特征图块进行处理;
E、非特征区域处理模块对非特征图块进行处理;
F、合成模块将处理后的图块进行组合,合成完整的卫星遥感图像。
作为优选,步骤A中,按照分割路径灰度变化率最小原则设计分割路径,对卫星遥感图像进行分割;分割时在分割路径上设置若干个分割标记点。
作为优选,步骤B中,对图像块中的特征图块进行标记包括以下步骤,
B1、使用预设的特征图形对图像块进行遍历,将与特征图形线性相关大于阈值的图像区域进行预标记;
B2、提取预标记后的图像区域的特征向量,将同一图像块中的特征向量进行相加,得到图像块特征向量;
B3、以图像块特征向量为基准对各图像区域进行归一化处理,若归一化处理后的图像区域与其对应的特征图形的线性相关度大于或等于归一化处理前的图像区域与其对应的特征图形的线性相关度,则在步骤B1中的图像块保留标记;否则删除标记。
作为优选,步骤C中,对图像块进行分类包括以下步骤,
C1、在每个图像块中选取数量最多的一类特征图块,建立上述同一类特征图块中不同特征图块之间位置关系和角度关系的二元关联函数集,每个图像块与其建立的二元关联函数集一一对应;
C2、采用聚类算法建立不同二元关联函数集之间的聚类中心,进行图像块的分类。
作为优选,步骤D中,对特征图块进行处理包括以下步骤,
D1、以同一类图像块作为处理对象,选择作为聚类中心的图像块进行特征图块重建,作为重建参考模型;
D2、将同一类图像块中的其它图像块按照重建参考模型进行重建;
D3、将步骤D2中重建的图像块按照步骤C1中得到的二元关联函数集进行修正;
D4、选择另一类图像块,重复步骤D1-D3,直至所有图像块处理完毕。
作为优选,步骤E中,对非特征图块进行处理包括以下步骤,
E1、建立与非特征图块相邻的每个特征图块处理前后的关联函数;
E2、对不同关联函数进行合并,以合并后的关联函数对非特征图块进行处理。
作为优选,步骤F中,对处理后的图块进行组合包括以下步骤,
F1、按照步骤A中设置的分割标记点对图块进行组合;
F2、若分割标记点出现畸变,则使用包含畸变分割标记点分割路径两侧的图形区域对分割路径进行拟合替代。
采用上述技术方案所带来的有益效果在于:本发明通过对图像进行快速分割、分类,以同一类图像块为处理单元进行特征图块重建,大幅度减少了特征图块重建的计算量。对于非特征图块,不在单独进行直接重建,而是利用特征图块的重建数据进行间接重建,从而降低非特征图块的处理运算量。
附图说明
图1是本发明一个具体实施方式的原理图。
具体实施方式
参照图1,本发明一个具体实施方式包括,
图像分割模块1,用于对卫星遥感图像进行分割;
特征标记模块2,用于对图像块中的特征图块进行标记;
图像分类模块3,用于对图像块进行分类;
特征区域处理模块4,用于对特征图块进行处理;
非特征区域处理模块5,用于对非特征图块进行处理;
合成模块6,用于将处理后的图块进行组合,合成完整的卫星遥感图像。
一种上述的卫星遥感图像处理系统的处理方法,包括以下步骤:
A、图像分割模块1对卫星遥感图像进行分割;
B、特征标记模块2对图像块中的特征图块进行标记;
C、图像分类模块3根据特征图块的相似度对图像块进行分类;
D、特征区域处理模块4对特征图块进行处理;
E、非特征区域处理模块5对非特征图块进行处理;
F、合成模块6将处理后的图块进行组合,合成完整的卫星遥感图像。
步骤A中,按照分割路径灰度变化率最小原则设计分割路径,对卫星遥感图像进行分割;分割时在分割路径上设置若干个分割标记点。
步骤B中,对图像块中的特征图块进行标记包括以下步骤,
B1、使用预设的特征图形对图像块进行遍历,将与特征图形线性相关大于阈值的图像区域进行预标记;
B2、提取预标记后的图像区域的特征向量,将同一图像块中的特征向量进行相加,得到图像块特征向量;
B3、以图像块特征向量为基准对各图像区域进行归一化处理,若归一化处理后的图像区域与其对应的特征图形的线性相关度大于或等于归一化处理前的图像区域与其对应的特征图形的线性相关度,则在步骤B1中的图像块保留标记;否则删除标记。
步骤C中,对图像块进行分类包括以下步骤,
C1、在每个图像块中选取数量最多的一类特征图块,建立上述同一类特征图块中不同特征图块之间位置关系和角度关系的二元关联函数集,每个图像块与其建立的二元关联函数集一一对应;
C2、采用聚类算法建立不同二元关联函数集之间的聚类中心,进行图像块的分类。
步骤D中,对特征图块进行处理包括以下步骤,
D1、以同一类图像块作为处理对象,选择作为聚类中心的图像块进行特征图块重建,作为重建参考模型;
D2、将同一类图像块中的其它图像块按照重建参考模型进行重建;
D3、将步骤D2中重建的图像块按照步骤C1中得到的二元关联函数集进行修正;
D4、选择另一类图像块,重复步骤D1-D3,直至所有图像块处理完毕。
步骤D1中,特征图块重建的方法为:与特征图形线性相关的部分,对特征图块按照特征图形的形状进行修正;与特征图形非线性相关的部分,采用相邻的已修正的特征图块进行拟合;特征图块的缺失部分,采用与特征图块对应的特征图形的相应位置进行直接填补。
步骤E中,对非特征图块进行处理包括以下步骤,
E1、建立与非特征图块相邻的每个特征图块处理前后的关联函数;
E2、对不同关联函数进行合并,以合并后的关联函数对非特征图块进行处理。
步骤F中,对处理后的图块进行组合包括以下步骤,
F1、按照步骤A中设置的分割标记点对图块进行组合;
F2、若分割标记点出现畸变,则使用包含畸变分割标记点分割路径两侧的图形区域对分割路径进行拟合替代。
通过分割标记点的畸变状态,对特征图块进行对应的矫正,然后根据特征图块的矫正结果对非特征图块的处理结果进行矫正,最终实现降低分割标记点畸变率的效果。
本发明不使用大运算量的处理方式,降低了对于硬件的要求。同时利用对图块中特征图块的重建,保留了卫星遥感图像中的关键图像信息,保证了图像的处理效果。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种卫星遥感图像处理系统的处理方法,其特征在于,所述卫星遥感图像处理系统包括,
图像分割模块(1),用于对卫星遥感图像进行分割;
特征标记模块(2),用于对图像块中的特征图块进行标记;
图像分类模块(3),用于对图像块进行分类;
特征区域处理模块(4),用于对特征图块进行处理;
非特征区域处理模块(5),用于对非特征图块进行处理;
合成模块(6),用于将处理后的图块进行组合,合成完整的卫星遥感图像;
处理方法包括以下步骤:
A、图像分割模块(1)对卫星遥感图像进行分割;
B、特征标记模块(2)对图像块中的特征图块进行标记;
C、图像分类模块(3)根据特征图块的相似度对图像块进行分类;
D、特征区域处理模块(4)对特征图块进行处理;
E、非特征区域处理模块(5)对非特征图块进行处理;
F、合成模块(6)将处理后的图块进行组合,合成完整的卫星遥感图像;
步骤B中,对图像块中的特征图块进行标记包括以下步骤,
B1、使用预设的特征图形对图像块进行遍历,将与特征图形线性相关大于阈值的图像区域进行预标记;
B2、提取预标记后的图像区域的特征向量,将同一图像块中的特征向量进行相加,得到图像块特征向量;
B3、以图像块特征向量为基准对各图像区域进行归一化处理,若归一化处理后的图像区域与其对应的特征图形的线性相关度大于或等于归一化处理前的图像区域与其对应的特征图形的线性相关度,则在步骤B1中的图像块保留标记;否则删除标记;
步骤C中,对图像块进行分类包括以下步骤,
C1、在每个图像块中选取数量最多的一类特征图块,建立数量最多的一类特征图块中不同特征图块之间位置关系和角度关系的二元关联函数集,每个图像块与其建立的二元关联函数集一一对应;
C2、采用聚类算法建立不同二元关联函数集之间的聚类中心,进行图像块的分类;
步骤E中,对非特征图块进行处理包括以下步骤,
E1、建立与非特征图块相邻的每个特征图块处理前后的关联函数;
E2、对不同关联函数进行合并,以合并后的关联函数对非特征图块进行处理。
2.根据权利要求1所述的卫星遥感图像处理系统的处理方法,其特征在于:步骤A中,按照分割路径灰度变化率最小原则设计分割路径,对卫星遥感图像进行分割;分割时在分割路径上设置若干个分割标记点。
3.根据权利要求1所述的卫星遥感图像处理系统的处理方法,其特征在于:步骤D中,对特征图块进行处理包括以下步骤,
D1、以同一类图像块作为处理对象,选择作为聚类中心的图像块进行特征图块重建,作为重建参考模型;
D2、将同一类图像块中的其它图像块按照重建参考模型进行重建;
D3、将步骤D2中重建的图像块按照步骤C1中得到的二元关联函数集进行修正;
D4、选择另一类图像块,重复步骤D1-D3,直至所有图像块处理完毕。
4.根据权利要求2所述的卫星遥感图像处理系统的处理方法,其特征在于:步骤F中,对处理后的图块进行组合包括以下步骤,
F1、按照步骤A中设置的分割标记点对图块进行组合;
F2、若分割标记点出现畸变,则使用包含畸变分割标记点分割路径两侧的图形区域对分割路径进行拟合替代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910500161.XA CN110189328B (zh) | 2019-06-11 | 2019-06-11 | 一种卫星遥感图像处理系统及其处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910500161.XA CN110189328B (zh) | 2019-06-11 | 2019-06-11 | 一种卫星遥感图像处理系统及其处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189328A CN110189328A (zh) | 2019-08-30 |
CN110189328B true CN110189328B (zh) | 2021-02-23 |
Family
ID=67721191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910500161.XA Active CN110189328B (zh) | 2019-06-11 | 2019-06-11 | 一种卫星遥感图像处理系统及其处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189328B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931651B (zh) * | 2020-08-11 | 2024-01-30 | 北华航天工业学院 | 一种视觉检测图像处理系统及其处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073867A (zh) * | 2010-12-27 | 2011-05-25 | 北京师范大学 | 一种遥感图像分类方法及装置 |
CN102708373A (zh) * | 2012-01-06 | 2012-10-03 | 香港理工大学 | 融合空间信息及光谱信息的遥感图像的分类方法及装置 |
CN102867195A (zh) * | 2012-08-22 | 2013-01-09 | 西北工业大学 | 一种遥感图像多类目标检测和识别方法 |
CN102902978A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种面向对象的高分辨率遥感图像分类方法 |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN104899562A (zh) * | 2015-05-29 | 2015-09-09 | 河南理工大学 | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 |
CN105631903A (zh) * | 2015-12-24 | 2016-06-01 | 河海大学 | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 |
CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN109583369A (zh) * | 2018-11-29 | 2019-04-05 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963664B (zh) * | 2010-09-28 | 2013-03-20 | 中国科学院东北地理与农业生态研究所 | 基于水陆地物分类信息的微波遥感混合像元分解方法 |
CN103679661B (zh) * | 2013-12-25 | 2016-09-28 | 北京师范大学 | 一种基于显著性分析的自适应遥感图像融合方法 |
CN104217440B (zh) * | 2014-09-28 | 2017-03-01 | 民政部国家减灾中心 | 一种从遥感图像中提取建成区的方法 |
CN104331698B (zh) * | 2014-11-19 | 2017-05-03 | 中国农业科学院农业资源与农业区划研究所 | 一种遥感图像城区提取方法 |
CN106875407B (zh) * | 2017-02-09 | 2020-06-12 | 福州大学 | 一种结合形态学和标记控制的无人机影像林冠分割方法 |
CN108304775B (zh) * | 2017-12-26 | 2021-06-11 | 北京市商汤科技开发有限公司 | 遥感图像识别方法、装置、存储介质以及电子设备 |
-
2019
- 2019-06-11 CN CN201910500161.XA patent/CN110189328B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073867A (zh) * | 2010-12-27 | 2011-05-25 | 北京师范大学 | 一种遥感图像分类方法及装置 |
CN102708373A (zh) * | 2012-01-06 | 2012-10-03 | 香港理工大学 | 融合空间信息及光谱信息的遥感图像的分类方法及装置 |
CN102867195A (zh) * | 2012-08-22 | 2013-01-09 | 西北工业大学 | 一种遥感图像多类目标检测和识别方法 |
CN102902978A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种面向对象的高分辨率遥感图像分类方法 |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN104899562A (zh) * | 2015-05-29 | 2015-09-09 | 河南理工大学 | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 |
CN105631903A (zh) * | 2015-12-24 | 2016-06-01 | 河海大学 | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 |
CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN109583369A (zh) * | 2018-11-29 | 2019-04-05 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110189328A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785291B (zh) | 一种车道线自适应检测方法 | |
CN106971155B (zh) | 一种基于高度信息的无人车车道场景分割方法 | |
CN110738673A (zh) | 基于实例分割的视觉slam方法 | |
CN102915544B (zh) | 基于纹理检测和颜色分割的视频图像运动目标提取方法 | |
JP2974061B2 (ja) | パタン抽出装置 | |
CN112396595B (zh) | 一种动态环境下基于点线特征的语义slam方法 | |
CN108154149B (zh) | 基于深度学习网络共享的车牌识别方法 | |
CN107145870B (zh) | 一种视频中人脸的识别系统 | |
CN103218827B (zh) | 基于形状传递联合分割和图匹配校正的轮廓跟踪方法 | |
CN110706151B (zh) | 一种面向视频的非均匀风格迁移方法 | |
CN112036231A (zh) | 一种基于车载视频的车道线和路面指示标志检测与识别方法 | |
CN110189328B (zh) | 一种卫星遥感图像处理系统及其处理方法 | |
WO2021147437A1 (zh) | 证卡边缘检测方法、设备及存储介质 | |
CN105741225A (zh) | 一种多维预测误差扩展的可逆水印方法 | |
CN111563516A (zh) | 行人掩码与三维场景融合显示的方法、终端及存储介质 | |
CN113344112A (zh) | 一种基于聚类算法的动态物体识别方法 | |
CN111833245A (zh) | 一种基于多场景视频补帧算法的超分辨率重建方法 | |
CN106778766B (zh) | 一种基于定位点的旋转数字识别方法及系统 | |
Wang et al. | Vehicle license plate recognition based on wavelet transform and vertical edge matching | |
CN111612802B (zh) | 一种基于现有图像语义分割模型的再优化训练方法及应用 | |
CN116051811B (zh) | 区域识别方法、装置、计算机设备及计算机可读存储介质 | |
CN108492345B (zh) | 一种基于尺度变换的数据块划分方法 | |
CN111311698A (zh) | 一种用于多尺度目标的图像压缩方法及系统 | |
CN106815580A (zh) | 一种车牌定位方法 | |
CN116112675A (zh) | 一种视频编码方法和视频编码系统 |
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 |