CN110490069B - 一种基于降采样局部差分二进制的遥感图像目标识别方法 - Google Patents
一种基于降采样局部差分二进制的遥感图像目标识别方法 Download PDFInfo
- Publication number
- CN110490069B CN110490069B CN201910627077.4A CN201910627077A CN110490069B CN 110490069 B CN110490069 B CN 110490069B CN 201910627077 A CN201910627077 A CN 201910627077A CN 110490069 B CN110490069 B CN 110490069B
- Authority
- CN
- China
- Prior art keywords
- target
- neighborhood
- remote sensing
- points
- 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.)
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种基于降采样局部差分二进制的遥感图像目标识别方法,首先对于遥感图像利用加性算子分裂算法,在任意步长上稳定收敛来构建非线性尺度空间。随后在每个尺度空间的图像上采用Hessian矩阵的响应值进行筛选进行特征点检测。然后将特征点邻域进行划分,以当前尺度参数为采样步长进行降采样,计算每个网格采样点的灰度均值和水平竖直方向上的一阶梯度。将每个网格的计算结果两两进行二值比对得到特征描述符;最后采用汉明距离作相似性度量进行特征匹配识别;采用本发明在遥感图像目标识别的实时性和准确性方面有较好的效果。
Description
技术领域
本公开涉及遥感图像处理领域,涉及一种基于降采样局部差分二进制的遥感图像目标识别方法,具体涉及一种非线性尺度空间联合降采样局部差分二进制描述的遥感图像目标识别方法。
背景技术
遥感图像在军事和民用领域的运用越来越广,其可以在不受地域环境限制的情况下获取军事目标、地理位置等重要信息。在军事领域,遥感设备可自由摄取遥感图像且不受空域的限制,随后对传输回来的遥感图像进行解译获取实时战况信息。在民用方面,近年来遥感技术在汶川大地震实况监控、马航370失事客机搜索、失踪人口搜寻等重要案件的处理中都做出了关键性的贡献。
遥感图像分辨率不断提高的同时,许多目标能够直接在遥感图像中显示出来,如坦克、军舰等重要的目标。遥感图像目标识别作为重要而又关键的手段逐渐发展起来。然而,在实际应用中的遥感图像会存在诸如太阳的直射角度、卫星摄像机的拍摄角度、目标所处环境复杂程度等的干扰因素。此等因素都会在目标识别的过程中产生极大的干扰,直接导致不能准确的识别出待识别目标的位置,降低目标识别的准确率。怎样确保遥感图像目标识别的准确性、实时性是遥感技术在实际应用当中的主要问题。
发明内容
本公开提供一种基于降采样局部差分二进制的遥感图像目标识别方法,一种非线性尺度空间联合降采样局部差分二进制描述的遥感图像目标识别方法,在提高遥感图像目标匹配识别匹配准确率的基础上,提升算法的计算效率。
为了实现上述目的,根据本公开的一方面,提供一种基于降采样局部差分二进制的遥感图像目标识别方法,所述方法包括以下步骤:
S100:采用GrabCut算法对目标模板分割提取目标;
S200:通过加性算子分裂算法对分割后的目标模板以及待识别目标图像分别构建非线性尺度空间;
S300:采用Hessian矩阵对尺度空间中每个尺度对应的图像获取局部极值点以及后续的滤除不稳定点并检测出特征点;
S400:计算所述特征点的主方向,并采用降采样局部差分二进制对特征点进行描述;
S500:根据所述特征点采用汉明距离作相似性度量完成目标特征的匹配识别。
进一步地,在步骤S100中,所述目标模板是包含待识别目标的图像表征,即一个含有特定目标的图像,目标区域占比大。目标模板是基于匹配识别方式都需要制作的对应目标模板。
进一步地,在步骤S200中,所述建立非线性尺度空间步骤包括:采用托马斯算法求解非线性的偏微分方程,利用其在任意步长上的稳定性来构建非线性尺度空间。
待识别目标图像为复杂背景中包含目标的大幅面遥感图像,大幅面遥感图像为包含了众多复杂地物背景的遥感图像。
进一步地,在步骤S400中,所述对特征点进行描述步骤包括:在特征点邻域内进行网格划分,然后以当前尺度参数来降采样,计算采样点的灰度均值以及水平、竖直方向上的一阶梯度,然后进行两两比对得到二进制比对结果。
进一步地,在步骤S400中,计算所述特征点的主方向的方法为:以特征点为中心半径为6σi的圆形范围,计算圆形邻域内像素点在x和y方向的一阶梯度,然后再以60度的扇形对梯度响应值进行扫描,计算所述特征点的一阶微分Lx和Ly高斯加权并将响应值累加,即向量的叠加操作,进而生成一个该扇形邻域内的最终向量,最长向量的方向为特征点主方向。所述最长向量为所有扇形邻域中向量模中最大的模,所述圆形邻域为以特征点为中心,当前特征点所在尺度参数的6倍值为半径的圆。所述扇形邻域为圆形邻域中以特征点为中心,6倍尺度参数。扇形角为60°的区域,x和y方向为图像的矩阵的坐标轴的x和y方向。
进一步地,在步骤S500中,特征的匹配识别步骤包括采用最近邻比值法对匹配上的特征进行提纯。
本公开的有益效果为:本发明公开了一种基于降采样局部差分二进制的遥感图像目标识别方法,在遥感图像目标识别的实时性和准确性方面有较好的效果,抗干扰能力强,提高了目标识别的准确率。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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,在附图中:
图1所示为一种基于降采样局部差分二进制的遥感图像目标识别方法的流程图;
图2所示为降采样局部差分二进制描述示意图;
图3所示为对特定目标识别效果图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种基于降采样局部差分二进制的遥感图像目标识别方法的流程图,下面结合图1来阐述根据本公开的实施方式的一种基于降采样局部差分二进制的遥感图像目标识别方法。
本公开提出一种基于降采样局部差分二进制的遥感图像目标识别方法,具体包括以下步骤:
步骤一:目标模板分割。在基于特征匹配的光学遥感图像目标识别实际应用中,需要准备好特定的目标模板,并且只对特定目标区域感兴趣而不需要复杂的背景信息,本发明采用GrabCut分割算法来提取感兴趣的目标,让目标从冗杂的图像背景中被分离出来。
所述目标模板是包含待识别目标的图像表征,即一个含有特定目标的图像,目标区域占比大。目标模板是基于匹配识别方式都需要制作的对应目标模板。
步骤二:建立非线性尺度空间。对于分割后的目标模板以及待识别目标图像分别构建尺度空间。KAZE算法采用加性算子分裂算法,以任意步长收敛来建立尺度空间。加性算子分裂算法的应用还需要结合托马斯算法,因为非线性的偏微分方程不存在解,一般采用数值法得到近似的差分方程,即采用线性隐式方案,如式(1)所示:
其中Aj是不同维度的图像扩散率矩阵,τ是时间步长,i∈[0,N],N为整个尺度空间包含的图像总数;m为半隐式方程的维度。
计算出方程组的解Li+1如式(2)所示:
在对半隐式方程组进行求解时,它是一个对角占优的三对角矩阵,可以采用托马斯算法求方程组的解,其在任意步长上都具有稳定性,以此来构建数字化的非线性尺度空间。
待识别目标图像为复杂背景中包含目标的大幅面遥感图像,大幅面遥感图像为包含了众多复杂地物背景的遥感图像。
步骤三:特征检测。尺度空间建立后,在尺度空间中每个尺度对应的图像都采用式(3)来运算Hessian矩阵的响应值,进行特征点的提取。
式中σ为尺度参数,Lxx、Lyy表示x、y方向上的二阶导数,Lxy为二阶偏导。首先在相邻的尺度上搜索极大值。在每个尺度i上,以响应点作中心的3×3矩形范围内判断该响应点是不是极大值,以便去除那些比极大值小的响应点。其次在大小为σi×σi邻域范围内,与上下相邻的尺度比较,如果响应点是该邻域范围内的最大值则将该响应点判定为特征点。设定响应阈值(本实施例设置响应阈值为10),利用Harris算子估量滤除弱的边缘响应点。最后对3×3范围内的Hessian矩阵响应值作二次函数拟合,完成特征点的定位。
步骤四:特征描述。确定特征点准确位置之后,仍需特征点图像结构增加描述子的方向信息。以角度为60度的扇形滑动窗口扫描搜索半径为6σi圆形范围,计算一阶微分Lx和Ly高斯加权并将搜索的响应值累加,最长向量的方向为特征点主方向。将特征点邻域当作一个整体,并将邻域划分成n×n的网格。随后以当前特征点的尺度参数为步长对邻域进行降采样,这样不仅使生成的特征描述符具有尺度不变性,还可以降低计算复杂度。因为当图像没有旋转时,我们可以利用灰度图,梯度图相对应的积分图来快速计算出当前邻域网格的平均灰度值和水平垂直方向的一阶梯度。但是当图像有旋转时,积分图并没有发挥作用,若将邻域内所有像素逐个计算那么计算量非常大,故采用降采样的操作来降低计算复杂度。具体操作就是划分网格后,根据特征点的主方向在每个降采样的网格里进行如式(4)所示计算。
式中m为当前网格内采样点总数,F(i)函数是对当前网格内信息提取操作,fg(i)为第i个网格内像素灰度均值,Lx(i)、Ly(i)分别为第i个网格在水平和垂直方向的一阶梯度,I(k)为k点的灰度值。
每个网格生成一个向量信息,将邻域内所有网格进行二值测试,第i个网格与第j个网格的二值测试如公式(5)所示:
由于F(i)函数是三维的,因此将两个网格进行二值比对后得到一个3位二进制向量。降采样的局部差分二进制描述方法示意图如图2所示。本发明选取2×2、3×3、4×4的网格划分组合,三种网格划分都选取同样的降采样差分二进制方法描述,通过网格间的二值比对一共有162个三位二进制的描述符,最终得到的特征向量是一个只包含0和1的二进制串,其占用内存是486bits。相较于KAZE算法特征向量的64Floats,在内存占用方面也大为减少。
步骤五:特征匹配识别。特征匹配阶段采用汉明距离来进行相似性度量,汉明距离的计算简单容易,只需要进行一次异或运算就可以完成,即两个二进制字符串在相同位置上数值不同的个数之和,如果小于设定阈值代表相似度较高匹配成功,大于设定阈值则匹配失败。设定阈值的选取一般是最小汉明距离的两倍。相比与浮点型描述向量的距离计算量,二进制的描述符向量的汉明距离计算量非常少,因此匹配速度也得到很大提升。对特定目标识别效果图如图3所示,图3(a)为KAZE算法识别效果图,图3(b)为本发明公开的算法识别效果图;图3中对特定目标识别效果和对特定目标识别耗时对比分别如表1和表2所示:
表1本发明对特定目标识别准确率对比
表2本发明对特定目标识别耗时对比
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (6)
1.一种基于降采样局部差分二进制的遥感图像目标识别方法,其特征在于,所述方法包括以下步骤:
S100:采用GrabCut算法对目标模板分割提取目标;
S200:通过加性算子分裂算法对分割后的目标模板以及待识别目标图像分别构建非线性尺度空间;
采用数值法得到近似的差分方程,即采用线性隐式方案,如式(1)所示:
其中Aj是不同维度的图像扩散率矩阵,τ是时间步长,i∈[0,N],N为整个尺度空间包含的图像总数;m为半隐式方程的维度;
计算出方程组的解Li+1如式(2)所示:
S300:采用Hessian矩阵对尺度空间中每个尺度对应的图像获取局部极值点以及后续的滤除不稳定点并检测出特征点;
在尺度空间中每个尺度对应的图像都采用式(3)来运算Hessian矩阵的响应值,进行特征点的提取;
式中σ为尺度参数,Lxx、Lyy表示x、y方向上的二阶导数,Lxy为二阶偏导,首先在相邻的尺度上搜索极大值,在每个尺度i上,以响应点作中心的3×3矩形范围内判断该响应点是不是极大值,以便去除那些比极大值小的响应点,其次在大小为σi×σi邻域范围内,与上下相邻的尺度比较,如果响应点是该邻域范围内的最大值则将该响应点判定为特征点,设定响应阈值,利用Harris算子估量滤除弱的边缘响应点,最后对3×3范围内的Hessian矩阵响应值作二次函数拟合,完成特征点的定位;
S400:计算所述特征点的主方向,并采用降采样局部差分二进制对特征点进行描述;
以角度为60度的扇形滑动窗口扫描搜索半径为6σi圆形范围,计算一阶微分Lx和Ly高斯加权并将搜索的响应值累加,最长向量的方向为特征点主方向,将特征点邻域当作一个整体,并将邻域划分成n×n的网格,随后以当前特征点的尺度参数为步长对邻域进行降采样,根据特征点的主方向在每个降采样的网格里进行如式(4)所示计算;
式中m为当前网格内采样点总数,F(i)函数是对当前网格内信息提取操作,fg(i)为第i个网格内像素灰度均值,Lx(i)、Ly(i)分别为第i个网格在水平和垂直方向的一阶梯度,I(k)为k点的灰度值;
每个网格生成一个向量信息,将邻域内所有网格进行二值测试,第i个网格与第j个网格的二值测试如公式(5)所示:
S500:根据所述特征点采用汉明距离作相似性度量完成目标特征的匹配识别;
特征匹配阶段采用汉明距离来进行相似性度量,两个二进制字符串在相同位置上数值不同的个数之和,如果小于设定阈值代表相似度较高匹配成功,大于设定阈值则匹配失败。
2.根据权利要求1所述的一种基于降采样局部差分二进制的遥感图像目标识别方法,在步骤S100中,所述目标模板是包含待识别目标的图像表征,即一个含有特定目标的图像,目标区域占比大;目标模板是基于匹配识别方式都需要制作的对应目标模板。
3.根据权利要求2所述的一种基于降采样局部差分二进制的遥感图像目标识别方法,在步骤S200中,所述构建非线性尺度空间的步骤包括:采用托马斯算法求解非线性的偏微分方程,利用其在任意步长上的稳定性来构建非线性尺度空间。
4.根据权利要求3所述的一种基于降采样局部差分二进制的遥感图像目标识别方法,在步骤S400中,所述对特征点进行描述步骤包括:在特征点邻域内进行网格划分,然后以当前尺度参数来降采样,计算采样点的灰度均值以及水平、竖直方向上的一阶梯度,然后进行两两比对得到二进制比对结果。
5.根据权利要求4所述的一种基于降采样局部差分二进制的遥感图像目标识别方法,在步骤S400中,计算所述特征点的主方向的方法为:以特征点为中心半径为6σi的圆形范围,计算圆形邻域内像素点在x和y方向的一阶梯度,然后再以60度的扇形对梯度响应值进行扫描,计算所述特征点的一阶微分Lx和Ly高斯加权并将响应值累加,即向量的叠加操作,进而生成一个该扇形邻域内的最终向量,最长向量的方向为特征点主方向;所述最长向量为所有扇形邻域中向量模中最大的模,所述圆形邻域为以特征点为中心,当前特征点所在尺度参数的6倍值为半径的圆;所述扇形邻域为圆形邻域中以特征点为中心,6倍尺度参数,扇形角为60°的区域。
6.根据权利要求5所述的一种基于降采样局部差分二进制的遥感图像目标识别方法,在步骤S500中,特征的匹配识别步骤包括采用最近邻比值法对匹配上的特征进行提纯。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910627077.4A CN110490069B (zh) | 2019-07-11 | 2019-07-11 | 一种基于降采样局部差分二进制的遥感图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910627077.4A CN110490069B (zh) | 2019-07-11 | 2019-07-11 | 一种基于降采样局部差分二进制的遥感图像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490069A CN110490069A (zh) | 2019-11-22 |
CN110490069B true CN110490069B (zh) | 2023-07-14 |
Family
ID=68547143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910627077.4A Active CN110490069B (zh) | 2019-07-11 | 2019-07-11 | 一种基于降采样局部差分二进制的遥感图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490069B (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022342A (zh) * | 2016-05-05 | 2016-10-12 | 南京邮电大学 | 一种基于kaze算法的图像特征提取方法 |
CN107180436A (zh) * | 2017-04-14 | 2017-09-19 | 西安电子科技大学 | 一种改进的kaze图像匹配算法 |
-
2019
- 2019-07-11 CN CN201910627077.4A patent/CN110490069B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110490069A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
CN112508098B (zh) | 表盘定位与自动读数的指针式表计数值识别方法及系统 | |
CN109977997B (zh) | 基于卷积神经网络快速鲁棒的图像目标检测与分割方法 | |
CN108109163A (zh) | 一种航拍视频的运动目标检测方法 | |
CN112784869B (zh) | 一种基于注意力感知与对抗学习的细粒度图像识别方法 | |
CN107909018B (zh) | 一种稳健的多模态遥感影像匹配方法和系统 | |
CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN106257497B (zh) | 一种图像同名点的匹配方法及装置 | |
CN103778436A (zh) | 一种基于图像处理的行人姿态检测方法 | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
CN111967466A (zh) | 一种利用多方向稀疏低秩分解的红外弱小目标检测方法 | |
CN115019201B (zh) | 一种基于特征精细化深度网络的弱小目标检测方法 | |
CN113450269A (zh) | 一种基于3d视觉的点云关键点提取方法 | |
CN103679740A (zh) | 一种无人机对地目标roi提取方法 | |
CN108447092B (zh) | 视觉定位标识物的方法及装置 | |
CN112669452B (zh) | 一种基于卷积神经网络多分支结构的物体定位方法 | |
CN112184785B (zh) | 基于mcd度量和vtm的多模态遥感图像配准方法 | |
Marques et al. | Crater delineation by dynamic programming | |
CN110490069B (zh) | 一种基于降采样局部差分二进制的遥感图像目标识别方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN116295363A (zh) | 一种星点快速提取与高精度定位方法 | |
CN116128919A (zh) | 基于极线约束的多时相图像异动目标检测方法及系统 | |
CN115311553A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
Wu et al. | An accurate feature point matching algorithm for automatic remote sensing image registration | |
CN114255398A (zh) | 一种卫星视频图像的特征提取与匹配的方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230524 Address after: 518000 Shenmao Commercial Center 17F-A, H, No. 59 Xinxin Road, Meiling Community, Lianhua Street, Futian District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Ruiwo IOT Technology Co.,Ltd. Address before: 515063 University Road, Guangdong, Shantou Applicant before: SHANTOU University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |