CN110826509A - 一种基于高分遥感影像的草原围栏信息提取系统及方法 - Google Patents

一种基于高分遥感影像的草原围栏信息提取系统及方法 Download PDF

Info

Publication number
CN110826509A
CN110826509A CN201911099925.5A CN201911099925A CN110826509A CN 110826509 A CN110826509 A CN 110826509A CN 201911099925 A CN201911099925 A CN 201911099925A CN 110826509 A CN110826509 A CN 110826509A
Authority
CN
China
Prior art keywords
image
remote sensing
module
sensing image
grassland
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.)
Pending
Application number
CN201911099925.5A
Other languages
English (en)
Inventor
王建雄
张辅霞
李建华
廖丽君
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.)
Yunnan Agricultural University
Original Assignee
Yunnan Agricultural University
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 Yunnan Agricultural University filed Critical Yunnan Agricultural University
Priority to CN201911099925.5A priority Critical patent/CN110826509A/zh
Publication of CN110826509A publication Critical patent/CN110826509A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于高分遥感影像技术领域，公开了一种基于高分遥感影像的草原围栏信息提取系统及方法，所述基于高分遥感影像的草原围栏信息提取系统包括：遥感影像采集模块、主控模块、影像校正模块、影像增强模块、影像识别模块、影像分割模块、影像提取模块、影像分析模块、影像显示模块。本发明通过影像识别模块提高了在对草原围栏遥感影像进行识别时，在保证能够不损失草原围栏遥感影像的信息的情况下，降低了提取特征向量所需要的时间，提高了提取效率，进而提高了识别效率；同时，通过影像分析模块获得分析结果的速度较快。

Description

一种基于高分遥感影像的草原围栏信息提取系统及方法
技术领域
本发明属于高分遥感影像技术领域，尤其涉及一种基于高分遥感影像的草原围栏信息提取系统及方法。
背景技术
遥感(remote sensing)是指非接触的，远距离的探测技术。一般指运用传感器/遥感器对物体的电磁波的辐射、反射特性的探测。遥感是通过遥感器这类对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标地物。获取其反射、辐射或散射的电磁波信息(如电场、磁场、电磁波、地震波等信息)，并进行提取、判定、加工处理、分析与应用的一门科学和技术。遥感影像(简称：RS，英文：Remote Sensing Image)是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片。然而，现有草原围栏遥感影像的信息种类繁多信息量很大，这使得整个提取过程运算量大且运算时间长，严重影响草原围栏遥感影像的识别效率；同时，针对完整的草原围栏遥感影像进行分析，由于草原围栏遥感影像文件通常比较大，导致分析过程较慢。
综上所述，现有技术存在的问题是：
(1)现有草原围栏遥感影像的信息种类繁多信息量很大，这使得整个提取过程运算量大且运算时间长，严重影响草原围栏遥感影像的识别效率。
(2)针对完整的草原围栏遥感影像进行分析，由于草原围栏遥感影像文件通常比较大，导致分析过程较慢。
发明内容
针对现有技术存在的问题，本发明提供了一种基于高分遥感影像的草原围栏信息提取系统及方法。
本发明是这样实现的，一种基于高分遥感影像的草原围栏信息提取方法，所述基于高分遥感影像的草原围栏信息提取方法包括以下步骤：
第一步，通过遥感影像采集模块利用遥感器采集草原围栏遥感影像；
第二步，主控模块通过影像校正模块利用校正程序对采集的草原围栏遥感影像进行校正；用于通过校正程序对采集的草原围栏遥感影像进行校正的影像校正模块对草原围栏影像中畸变的校正方法，具体过程如下：找出草原围栏影像中畸变图的对称中心，将畸变图代表的地址空间关系转换为以对称中心为原点的空间关系；对输入的图像上像素重新排列以恢复原空间关系；对空间变换后的像素赋予相应的灰度值以恢复原位置的灰度值；
第三步，通过影像增强模块利用影像增强程序对采集的草原围栏遥感影像进行增强处理；
第四步，通过影像识别模块利用识别程序对采集的草原围栏遥感影像进行识别；
第五步，通过影像分割模块利用分割程序对采集的草原围栏遥感影像元素进行分割；通过影像提取模块利用提取程序提取采集的草原围栏遥感影像的特征；用于通过分割程序对采集的草原围栏遥感影像元素进行分割的影像分割模块对图像分割的具体过程如下：首先，利用小波变换将草原围栏遥感影像分割成不同层次的小波系数；然后，根据分割基本原则和小波系数选择阈值门限；最后，通过阈值对草原围栏遥感影像分割的区域进行标记；整个草原围栏遥感影像从粗到细，由尺度变化控制；根据一定的程序判断分割的图像是否达到分割标准，利用直方图在子空间上的小波系数逐步细化图像分割；
第六步，通过影像分析模块利用分析程序对采集的草原围栏遥感影像进行分析；
第七步，通过影像显示模块利用显示器显示采集的草原围栏遥感影像。
进一步，所述通过影像识别模块利用识别程序对采集的草原围栏遥感影像进行识别的方法包括：
(1)通过识别程序接收草原围栏遥感影像数据；
(2)分别利用不同的卷积神经网络算法对草原围栏遥感影像数据进行处理，获取多个特征向量，其中，每个特征向量对应一种类型的语义信息；
(3)分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果；
(4)对多个预测结果进行融合，获取所述草原围栏遥感影像数据的影像类型。
进一步，所述语义信息包括以下信息中的至少一种：光谱语义信息、纹理语义信息、形状语义信息；
相应的，所述分别利用不同的卷积神经网络算法对所述草原围栏遥感影像数据进行处理，获取多个特征向量之前，还包括：
在预存的卷积神经网络算法库中调取与所述语义信息类型相应的卷积神经网络算法。
进一步，分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果，包括：
分别在预设的影像类型样本库中获取与每个特征向量匹配的若干个影像类型及对应的匹配概率，获得每个特征向量的影像类型概率分布信息；
相应的，所述对所述多个预测结果进行融合，获取所述草原围栏遥感影像数据的影像类型，包括：
利用不确定性推理算法对获取的各个特征向量匹配的影像类型概率分布信息进行处理，获取所述草原围栏遥感影像数据的影像类型；
获得每个特征向量匹配的影像类型概率分布信息之后，还包括：
对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正，获得每个特征向量的影像类型概率分布修正信息；
相应的，所述利用不确定性推理算法对获取的各个特征向量的影像类型概率分布信息进行处理，获取所述草原围栏遥感影像数据的影像类型，包括：
利用不确定性推理算法对获取的各个特征向量的影像类型概率分布修正信息进行处理，获取所述草原围栏遥感影像数据的影像类型；
对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正，包括：
删除每个特征向量匹配的影像类型概率分布信息中相互矛盾的影像类型及对应的匹配概率。
进一步，所述通过影像分析模块利用分析程序对采集的草原围栏遥感影像进行分析方法如下：
1)获取针对第一网格的查询请求；
2)确定所述第一网格的一维编码；
3)根据所述第一网格的一维编码从数据库中获取所述第一网格的遥感影像；
4)根据所述查询请求类型，从所述第一网格的遥感影像中分析获取遥感影像图像、遥感影像矢量以及遥感影像信息中一种或多种作为所述第一网格的遥感影像分析结果。
进一步，根据所述第一网格的一维编码从数据库中获取所述第一网格的遥感影像，包括：
根据所述第一网格的一维编码从数据库中获取所述第一网格的指定波段的遥感影像；
分析方法还包括：
将所述第一网格的遥感影像分析结果保存到结果数据库中，所述第一网格的遥感影像分析结果在所述结果数据库中的索引与所述第一网格的一维编码一致；
建立空间网格体系，所述空间网格体系共包括2n级网格，所述建立空间网格体系的方式为：在地球地理范围内将经度间隔1度且纬度间隔1度的各个区域作为基准网格，将所述基准网格作为空间网格体系的第9级网格，将所述基准网格逐次向上四叉树聚合分别生成所述空间网格体系的第8级网格至第1级网格，将所述基准网格逐次向下四叉树划分分别生成所述空间网格体系第10级网格至第2n级网格；n为大于3的整数；
在接收到遥感影像文件后，根据所述空间网格体系，建立所述遥感影像文件对应的各级网格的网格索引，所述网格索引为各个网格的一维编码。
本发明的另一目的在于提供一种实施所述基于高分遥感影像的草原围栏信息提取方法的基于高分遥感影像的草原围栏信息提取系统，所述基于高分遥感影像的草原围栏信息提取系统包括：
遥感影像采集模块，与主控模块连接，用于通过遥感器采集草原围栏遥感影像；
主控模块，与遥感影像采集模块、影像校正模块、影像增强模块、影像识别模块、影像分割模块、影像提取模块、影像分析模块、影像显示模块连接，用于通过主控机控制各个模块正常工作；
影像校正模块，与主控模块连接，用于通过校正程序对采集的草原围栏遥感影像进行校正；
影像增强模块，与主控模块连接，用于通过影像增强程序对采集的草原围栏遥感影像进行增强处理；
影像识别模块，与主控模块连接，用于通过识别程序对采集的草原围栏遥感影像进行识别；
影像分割模块，与主控模块连接，用于通过分割程序对采集的草原围栏遥感影像元素进行分割；
影像提取模块，与主控模块连接，用于通过提取程序提取采集的草原围栏遥感影像的特征；
影像分析模块，与主控模块连接，用于通过分析程序对采集的草原围栏遥感影像进行分析；
影像显示模块，与主控模块连接，用于通过显示器显示采集的草原围栏遥感影像。
进一步，所述影像增强模块设置有灰度增强系统包括：
线性灰度增强模块，将输入草原围栏遥感影像中所有点的灰度按照线性灰度变换函数进行变换；利用线性单值函数对草原遥感影像内的每一个像素做线性拓展；
分段线灰度增强模块，将输入草原围栏遥感影像进行细节灰度扩展，增强对比度，将不需要的遥感影像细节灰度进行压缩；
非线性灰度增强模块，利用指数函数非线性变换，使输入草原围栏遥感影像的低灰度范围得到扩展，高灰度范围得到压缩，使整体草原围栏遥感影像灰度得到增强。
进一步，所述特征影像提取模块包括：
图像颜色特征提取模块，将草原围栏遥感图像转换成HSV颜色空间，利用累加颜色直方图法进行颜色特征提取；
图像纹理特征提取模块，建立相应对应的草原围栏遥感图像纹理特征提取函数，对图像的能量谱函数进行计算，提取纹理的粗细度及方向性特征参数；
图像形状特征提取模块，利用小波变换算法得到多尺度草原围栏边缘影像，计算提取每一尺度的7个变矩，再转化为10个相对矩，将所有尺度上的相对矩作为图像特征向量，从而统一区域封闭，不封闭结构；
图像空间关系特征提取模块，对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引。
本发明的另一目的在于提供一种应用所述基于高分遥感影像的草原围栏信息提取方法的信息数据处理终端。
本发明的优点及积极效果为：本发明通过影像识别模块提高了在对草原围栏遥感影像进行识别时，在保证能够不损失草原围栏遥感影像的信息的情况下，降低了提取特征向量所需要的时间，提高了提取效率，进而提高了识别效率；同时，通过影像分析模块以地理网格为单位进行草原围栏遥感影像的分析，一方面分析的是某一地理网格范围内的草原围栏遥感影像，所分析的数据量较小，获得分析结果的速度较快，另一方面草原围栏遥感影像分析结果是具有地理信息的，可以获取到该地区的多种不同的草原围栏遥感影像分析结果，在统一的地理网格体系下便于不同行业分析结果的结合使用，使草原围栏遥感影像分析产生更大的价值。
本发明中影像校正模块对草原围栏影像中畸变的校正方法，可以纠正影像中出现的畸变，提高影像的正确度。本发明通过分割程序对采集的草原围栏遥感影像元素进行分割的影像分割模块利用小波变换将草原围栏遥感影像分割成不同层次的小波系数；根据分割基本原则和小波系数选择阈值门限；通过阈值对草原围栏遥感影像分割的区域进行标记；整个草原围栏遥感影像从粗到细，由尺度变化控制；根据一定的程序判断分割的图像是否达到分割标准，利用直方图在子空间上的小波系数逐步细化图像分割，可以提高分割的精度，避免影像边缘出现缺陷，丢失草原围栏影像的信息。
附图说明
图1是本发明实施例提供的基于高分遥感影像的草原围栏信息提取方法流程图。
图2是本发明实施例提供的基于高分遥感影像的草原围栏信息提取系统结构框图；
图中：1、遥感影像采集模块；2、主控模块；3、影像校正模块；4、影像增强模块；5、影像识别模块；6、影像分割模块；7、影像提取模块；8、影像分析模块；9、影像显示模块。
图3是本发明实施例提供的影像增强模块的结构示意图。
图4是本发明实施例提供的特征影像提取模块的结构示意图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的基于高分遥感影像的草原围栏信息提取方法包括以下步骤：
S101：通过遥感影像采集模块利用遥感器采集草原围栏遥感影像；
S102：主控模块通过影像校正模块利用校正程序对采集的草原围栏遥感影像进行校正；
S103：通过影像增强模块利用影像增强程序对采集的草原围栏遥感影像进行增强处理；
S104：通过影像识别模块利用识别程序对采集的草原围栏遥感影像进行识别；
S105：通过影像分割模块利用分割程序对采集的草原围栏遥感影像元素进行分割；通过影像提取模块利用提取程序提取采集的草原围栏遥感影像的特征；
S106：通过影像分析模块利用分析程序对采集的草原围栏遥感影像进行分析；
S107：通过影像显示模块利用显示器显示采集的草原围栏遥感影像。
如图2所示，本发明实施例提供的基于高分遥感影像的草原围栏信息提取系统包括：遥感影像采集模块1、主控模块2、影像校正模块3、影像增强模块4、影像识别模块5、影像分割模块6、影像提取模块7、影像分析模块8、影像显示模块9。
遥感影像采集模块1，与主控模块2连接，用于通过遥感器采集草原围栏遥感影像；
主控模块2，与遥感影像采集模块1、影像校正模块3、影像增强模块4、影像识别模块5、影像分割模块6、影像提取模块7、影像分析模块8、影像显示模块9连接，用于通过主控机控制各个模块正常工作；
影像校正模块3，与主控模块2连接，用于通过校正程序对采集的草原围栏遥感影像进行校正；
影像增强模块4，与主控模块2连接，用于通过影像增强程序对采集的草原围栏遥感影像进行增强处理；
影像识别模块5，与主控模块2连接，用于通过识别程序对采集的草原围栏遥感影像进行识别；
影像分割模块6，与主控模块2连接，用于通过分割程序对采集的草原围栏遥感影像元素进行分割；
影像提取模块7，与主控模块2连接，用于通过提取程序提取采集的草原围栏遥感影像的特征；
影像分析模块8，与主控模块2连接，用于通过分析程序对采集的草原围栏遥感影像进行分析；
影像显示模块9，与主控模块2连接，用于通过显示器显示采集的草原围栏遥感影像。
本发明提供的与主控模块2连接，用于通过校正程序对采集的草原围栏遥感影像进行校正的影像校正模块3对草原围栏影像中畸变的校正方法，具体过程如下：
找出草原围栏影像中畸变图的对称中心，将畸变图代表的地址空间关系转换为以对称中心为原点的空间关系；
对输入的图像上像素重新排列以恢复原空间关系；
对空间变换后的像素赋予相应的灰度值以恢复原位置的灰度值。
如图3所示，本发明提供的用于通过影像增强程序对采集的草原围栏遥感影像进行增强处理的影像增强模块4设置有灰度增强系统包括：
线性灰度增强模块，将输入草原围栏遥感影像中所有点的灰度按照线性灰度变换函数进行变换。利用线性单值函数对草原遥感影像内的每一个像素做线性拓展。
分段线灰度增强模块，将输入草原围栏遥感影像进行细节灰度扩展，增强对比度，将不需要的遥感影像细节灰度进行压缩。
非线性灰度增强模块，利用指数函数非线性变换，使输入草原围栏遥感影像的低灰度范围得到扩展，高灰度范围得到压缩，使整体草原围栏遥感影像灰度得到增强。
本发明提供的影像识别模块5识别方法如下：
(1)通过识别程序接收草原围栏遥感影像数据；
(2)分别利用不同的卷积神经网络算法对所述草原围栏遥感影像数据进行处理，获取多个特征向量，其中，每个特征向量对应一种类型的语义信息；
(3)分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果；
(4)对所述多个预测结果进行融合，获取所述草原围栏遥感影像数据的影像类型。
本发明提供的语义信息包括以下信息中的至少一种：光谱语义信息、纹理语义信息、形状语义信息；
相应的，所述分别利用不同的卷积神经网络算法对所述草原围栏遥感影像数据进行处理，获取多个特征向量之前，还包括：
在预存的卷积神经网络算法库中调取与所述语义信息类型相应的卷积神经网络算法。
本发明提供的分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果，包括：
分别在预设的影像类型样本库中获取与每个特征向量匹配的若干个影像类型及对应的匹配概率，获得每个特征向量的影像类型概率分布信息；
相应的，所述对所述多个预测结果进行融合，获取所述草原围栏遥感影像数据的影像类型，包括：
利用不确定性推理算法对获取的各个特征向量匹配的影像类型概率分布信息进行处理，获取所述草原围栏遥感影像数据的影像类型。
本发明提供的获得每个特征向量匹配的影像类型概率分布信息之后，还包括：
对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正，获得每个特征向量的影像类型概率分布修正信息；
相应的，所述利用不确定性推理算法对获取的各个特征向量的影像类型概率分布信息进行处理，获取所述草原围栏遥感影像数据的影像类型，包括：
利用不确定性推理算法对获取的各个特征向量的影像类型概率分布修正信息进行处理，获取所述草原围栏遥感影像数据的影像类型。
本发明提供的对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正，包括：
删除每个特征向量匹配的影像类型概率分布信息中相互矛盾的影像类型及对应的匹配概率。
本发明的与主控模块2连接，用于通过分割程序对采集的草原围栏遥感影像元素进行分割的影像分割模块6对图像分割的具体过程如下：
首先，利用小波变换将草原围栏遥感影像分割成不同层次的小波系数；
然后，根据分割基本原则和小波系数选择阈值门限；
最后，通过阈值对草原围栏遥感影像分割的区域进行标记；
整个草原围栏遥感影像从粗到细，由尺度变化控制；根据一定的程序判断分割的图像是否达到分割标准，利用直方图在子空间上的小波系数逐步细化图像分割。
本发明提供的与主控模块2连接，用于通过提取程序提取采集的草原围栏遥感影像的特征影像提取模块7包括：
图像颜色特征提取模块，将草原围栏遥感图像转换成HSV颜色空间，利用累加颜色直方图法进行颜色特征提取。
图像纹理特征提取模块，建立相应对应的草原围栏遥感图像纹理特征提取函数，对图像的能量谱函数进行计算，提取纹理的粗细度及方向性等特征参数。
图像形状特征提取模块，利用小波变换算法得到多尺度草原围栏边缘影像，计算提取每一尺度的7个变矩，再转化为10个相对矩，将所有尺度上的相对矩作为图像特征向量，从而统一区域封闭，不封闭结构。
图像空间关系特征提取模块，对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引。
本发明提供的影像分析模块8分析方法如下：
1)获取针对第一网格的查询请求；
2)确定所述第一网格的一维编码；
3)根据所述第一网格的一维编码从数据库中获取所述第一网格的遥感影像；
4)根据所述查询请求类型，从所述第一网格的遥感影像中分析获取遥感影像图像、遥感影像矢量以及遥感影像信息中一种或多种作为所述第一网格的遥感影像分析结果。
本发明提供的根据所述第一网格的一维编码从数据库中获取所述第一网格的遥感影像，包括：
根据所述第一网格的一维编码从数据库中获取所述第一网格的指定波段的遥感影像。
本发明提供的分析方法还包括：
将所述第一网格的遥感影像分析结果保存到结果数据库中，所述第一网格的遥感影像分析结果在所述结果数据库中的索引与所述第一网格的一维编码一致；
建立空间网格体系，所述空间网格体系共包括2n级网格，所述建立空间网格体系的方式为：在地球地理范围内将经度间隔1度且纬度间隔1度的各个区域作为基准网格，将所述基准网格作为空间网格体系的第9级网格，将所述基准网格逐次向上四叉树聚合分别生成所述空间网格体系的第8级网格至第1级网格，将所述基准网格逐次向下四叉树划分分别生成所述空间网格体系第10级网格至第2n级网格；n为大于3的整数；
在接收到遥感影像文件后，根据所述空间网格体系，建立所述遥感影像文件对应的各级网格的网格索引，所述网格索引为各个网格的一维编码。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种基于高分遥感影像的草原围栏信息提取方法，其特征在于，所述基于高分遥感影像的草原围栏信息提取方法包括以下步骤：
第一步，通过遥感影像采集模块利用遥感器采集草原围栏遥感影像；
第二步，主控模块通过影像校正模块利用校正程序对采集的草原围栏遥感影像进行校正；用于通过校正程序对采集的草原围栏遥感影像进行校正的影像校正模块对草原围栏影像中畸变的校正方法，具体过程如下：找出草原围栏影像中畸变图的对称中心，将畸变图代表的地址空间关系转换为以对称中心为原点的空间关系；对输入的图像上像素重新排列以恢复原空间关系；对空间变换后的像素赋予相应的灰度值以恢复原位置的灰度值；
第三步，通过影像增强模块利用影像增强程序对采集的草原围栏遥感影像进行增强处理；
第四步，通过影像识别模块利用识别程序对采集的草原围栏遥感影像进行识别；
第五步，通过影像分割模块利用分割程序对采集的草原围栏遥感影像元素进行分割；通过影像提取模块利用提取程序提取采集的草原围栏遥感影像的特征；用于通过分割程序对采集的草原围栏遥感影像元素进行分割的影像分割模块对图像分割的具体过程如下：首先，利用小波变换将草原围栏遥感影像分割成不同层次的小波系数；然后，根据分割基本原则和小波系数选择阈值门限；最后，通过阈值对草原围栏遥感影像分割的区域进行标记；整个草原围栏遥感影像从粗到细，由尺度变化控制；根据一定的程序判断分割的图像是否达到分割标准，利用直方图在子空间上的小波系数逐步细化图像分割；
第六步，通过影像分析模块利用分析程序对采集的草原围栏遥感影像进行分析；
第七步，通过影像显示模块利用显示器显示采集的草原围栏遥感影像。
2.如权利要求1所述的基于高分遥感影像的草原围栏信息提取方法，其特征在于，所述通过影像识别模块利用识别程序对采集的草原围栏遥感影像进行识别的方法包括：
(1)通过识别程序接收草原围栏遥感影像数据；
(2)分别利用不同的卷积神经网络算法对草原围栏遥感影像数据进行处理，获取多个特征向量，其中，每个特征向量对应一种类型的语义信息；
(3)分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果；
(4)对多个预测结果进行融合，获取所述草原围栏遥感影像数据的影像类型。
3.如权利要求2所述的基于高分遥感影像的草原围栏信息提取方法，其特征在于，所述语义信息包括以下信息中的至少一种：光谱语义信息、纹理语义信息、形状语义信息；
相应的，所述分别利用不同的卷积神经网络算法对所述草原围栏遥感影像数据进行处理，获取多个特征向量之前，还包括：
在预存的卷积神经网络算法库中调取与所述语义信息类型相应的卷积神经网络算法。
4.如权利要求2所述的基于高分遥感影像的草原围栏信息提取方法，其特征在于，分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果，包括：
分别在预设的影像类型样本库中获取与每个特征向量匹配的若干个影像类型及对应的匹配概率，获得每个特征向量的影像类型概率分布信息；
相应的，所述对所述多个预测结果进行融合，获取所述草原围栏遥感影像数据的影像类型，包括：
利用不确定性推理算法对获取的各个特征向量匹配的影像类型概率分布信息进行处理，获取所述草原围栏遥感影像数据的影像类型；
获得每个特征向量匹配的影像类型概率分布信息之后，还包括：
对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正，获得每个特征向量的影像类型概率分布修正信息；
相应的，所述利用不确定性推理算法对获取的各个特征向量的影像类型概率分布信息进行处理，获取所述草原围栏遥感影像数据的影像类型，包括：
利用不确定性推理算法对获取的各个特征向量的影像类型概率分布修正信息进行处理，获取所述草原围栏遥感影像数据的影像类型；
对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正，包括：
删除每个特征向量匹配的影像类型概率分布信息中相互矛盾的影像类型及对应的匹配概率。
5.如权利要求1所述的基于高分遥感影像的草原围栏信息提取方法，其特征在于，所述通过影像分析模块利用分析程序对采集的草原围栏遥感影像进行分析方法如下：
1)获取针对第一网格的查询请求；
2)确定所述第一网格的一维编码；
3)根据所述第一网格的一维编码从数据库中获取所述第一网格的遥感影像；
4)根据所述查询请求类型，从所述第一网格的遥感影像中分析获取遥感影像图像、遥感影像矢量以及遥感影像信息中一种或多种作为所述第一网格的遥感影像分析结果。
6.如权利要求5所述的基于高分遥感影像的草原围栏信息提取方法，其特征在于，根据所述第一网格的一维编码从数据库中获取所述第一网格的遥感影像，包括：
根据所述第一网格的一维编码从数据库中获取所述第一网格的指定波段的遥感影像；
分析方法还包括：
将所述第一网格的遥感影像分析结果保存到结果数据库中，所述第一网格的遥感影像分析结果在所述结果数据库中的索引与所述第一网格的一维编码一致；
建立空间网格体系，所述空间网格体系共包括2n级网格，所述建立空间网格体系的方式为：在地球地理范围内将经度间隔1度且纬度间隔1度的各个区域作为基准网格，将所述基准网格作为空间网格体系的第9级网格，将所述基准网格逐次向上四叉树聚合分别生成所述空间网格体系的第8级网格至第1级网格，将所述基准网格逐次向下四叉树划分分别生成所述空间网格体系第10级网格至第2n级网格；n为大于3的整数；
在接收到遥感影像文件后，根据所述空间网格体系，建立所述遥感影像文件对应的各级网格的网格索引，所述网格索引为各个网格的一维编码。
7.一种实施权利要求1～6任意一项所述基于高分遥感影像的草原围栏信息提取方法的基于高分遥感影像的草原围栏信息提取系统，其特征在于，所述基于高分遥感影像的草原围栏信息提取系统包括：
遥感影像采集模块，与主控模块连接，用于通过遥感器采集草原围栏遥感影像；
主控模块，与遥感影像采集模块、影像校正模块、影像增强模块、影像识别模块、影像分割模块、影像提取模块、影像分析模块、影像显示模块连接，用于通过主控机控制各个模块正常工作；
影像校正模块，与主控模块连接，用于通过校正程序对采集的草原围栏遥感影像进行校正；
影像增强模块，与主控模块连接，用于通过影像增强程序对采集的草原围栏遥感影像进行增强处理；
影像识别模块，与主控模块连接，用于通过识别程序对采集的草原围栏遥感影像进行识别；
影像分割模块，与主控模块连接，用于通过分割程序对采集的草原围栏遥感影像元素进行分割；
影像提取模块，与主控模块连接，用于通过提取程序提取采集的草原围栏遥感影像的特征；
影像分析模块，与主控模块连接，用于通过分析程序对采集的草原围栏遥感影像进行分析；
影像显示模块，与主控模块连接，用于通过显示器显示采集的草原围栏遥感影像。
8.如权利要求7所述的基于高分遥感影像的草原围栏信息提取系统，其特征在于，所述影像增强模块设置有灰度增强系统包括：
线性灰度增强模块，将输入草原围栏遥感影像中所有点的灰度按照线性灰度变换函数进行变换；利用线性单值函数对草原遥感影像内的每一个像素做线性拓展；
分段线灰度增强模块，将输入草原围栏遥感影像进行细节灰度扩展，增强对比度，将不需要的遥感影像细节灰度进行压缩；
非线性灰度增强模块，利用指数函数非线性变换，使输入草原围栏遥感影像的低灰度范围得到扩展，高灰度范围得到压缩，使整体草原围栏遥感影像灰度得到增强。
9.如权利要求7所述的基于高分遥感影像的草原围栏信息提取系统，其特征在于，所述特征影像提取模块包括：
图像颜色特征提取模块，将草原围栏遥感图像转换成HSV颜色空间，利用累加颜色直方图法进行颜色特征提取；
图像纹理特征提取模块，建立相应对应的草原围栏遥感图像纹理特征提取函数，对图像的能量谱函数进行计算，提取纹理的粗细度及方向性特征参数；
图像形状特征提取模块，利用小波变换算法得到多尺度草原围栏边缘影像，计算提取每一尺度的7个变矩，再转化为10个相对矩，将所有尺度上的相对矩作为图像特征向量，从而统一区域封闭，不封闭结构；
图像空间关系特征提取模块，对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引。
10.一种应用权利要求1～6任意一项所述基于高分遥感影像的草原围栏信息提取方法的信息数据处理终端。
CN201911099925.5A 2019-11-12 2019-11-12 一种基于高分遥感影像的草原围栏信息提取系统及方法 Pending CN110826509A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911099925.5A CN110826509A (zh) 2019-11-12 2019-11-12 一种基于高分遥感影像的草原围栏信息提取系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911099925.5A CN110826509A (zh) 2019-11-12 2019-11-12 一种基于高分遥感影像的草原围栏信息提取系统及方法

Publications (1)

Publication Number Publication Date
CN110826509A true CN110826509A (zh) 2020-02-21

Family

ID=69554242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911099925.5A Pending CN110826509A (zh) 2019-11-12 2019-11-12 一种基于高分遥感影像的草原围栏信息提取系统及方法

Country Status (1)

Country Link
CN (1) CN110826509A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428627A (zh) * 2020-03-23 2020-07-17 西北大学 一种山地地貌遥感提取方法及系统
CN111476197A (zh) * 2020-04-24 2020-07-31 中科天盛卫星技术服务有限公司 基于多源卫星遥感影像油棕识别及面积提取的方法和系统
CN111597284A (zh) * 2020-04-29 2020-08-28 武汉子雨科技有限公司 一种快速提取测绘地理信息数据的方法
CN112634349A (zh) * 2020-12-22 2021-04-09 福建省星云大数据应用服务有限公司 一种基于遥感影像的茶园面积估计方法及系统
CN116320987A (zh) * 2023-04-07 2023-06-23 中国公路工程咨询集团有限公司 基于高分遥感、北斗和电子围栏的空侧施工器械调度方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001008098A1 (en) * 1999-07-21 2001-02-01 Obvious Technology, Inc. Object extraction in images
CN105118067A (zh) * 2015-09-22 2015-12-02 成都融创智谷科技有限公司 一种基于高斯平滑滤波的图像分割方法
CN107645634A (zh) * 2017-10-09 2018-01-30 深圳市天视通电子科技有限公司 一种无畸变广角网络摄像机及安防监控系统
US20180144478A1 (en) * 2016-06-29 2018-05-24 Shenzhen University Method and system for sea background modeling and suppression on high-resolution remote sensing sea images
CN109146889A (zh) * 2018-07-13 2019-01-04 洛阳中科龙网创新科技有限公司 一种基于高分辨率遥感图像的农田边界提取方法
CN109508582A (zh) * 2017-09-15 2019-03-22 中国公路工程咨询集团有限公司 遥感影像的识别方法及装置
CN109753975A (zh) * 2019-02-02 2019-05-14 杭州睿琪软件有限公司 一种训练样本获得方法、装置、电子设备和存储介质
CN110059596A (zh) * 2019-04-03 2019-07-26 北京字节跳动网络技术有限公司 一种图像识别方法、装置、介质和电子设备
CN110110016A (zh) * 2018-01-23 2019-08-09 北京云游九州空间科技有限公司 一种遥感影像分析方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001008098A1 (en) * 1999-07-21 2001-02-01 Obvious Technology, Inc. Object extraction in images
CN105118067A (zh) * 2015-09-22 2015-12-02 成都融创智谷科技有限公司 一种基于高斯平滑滤波的图像分割方法
US20180144478A1 (en) * 2016-06-29 2018-05-24 Shenzhen University Method and system for sea background modeling and suppression on high-resolution remote sensing sea images
CN109508582A (zh) * 2017-09-15 2019-03-22 中国公路工程咨询集团有限公司 遥感影像的识别方法及装置
CN107645634A (zh) * 2017-10-09 2018-01-30 深圳市天视通电子科技有限公司 一种无畸变广角网络摄像机及安防监控系统
CN110110016A (zh) * 2018-01-23 2019-08-09 北京云游九州空间科技有限公司 一种遥感影像分析方法及装置
CN109146889A (zh) * 2018-07-13 2019-01-04 洛阳中科龙网创新科技有限公司 一种基于高分辨率遥感图像的农田边界提取方法
CN109753975A (zh) * 2019-02-02 2019-05-14 杭州睿琪软件有限公司 一种训练样本获得方法、装置、电子设备和存储介质
CN110059596A (zh) * 2019-04-03 2019-07-26 北京字节跳动网络技术有限公司 一种图像识别方法、装置、介质和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵子娟，刘东，杭中桥: "作物遥感识别方法研究现状及展望", 《江苏农业科学》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428627A (zh) * 2020-03-23 2020-07-17 西北大学 一种山地地貌遥感提取方法及系统
CN111428627B (zh) * 2020-03-23 2023-03-24 西北大学 一种山地地貌遥感提取方法及系统
CN111476197A (zh) * 2020-04-24 2020-07-31 中科天盛卫星技术服务有限公司 基于多源卫星遥感影像油棕识别及面积提取的方法和系统
CN111597284A (zh) * 2020-04-29 2020-08-28 武汉子雨科技有限公司 一种快速提取测绘地理信息数据的方法
CN112634349A (zh) * 2020-12-22 2021-04-09 福建省星云大数据应用服务有限公司 一种基于遥感影像的茶园面积估计方法及系统
CN116320987A (zh) * 2023-04-07 2023-06-23 中国公路工程咨询集团有限公司 基于高分遥感、北斗和电子围栏的空侧施工器械调度方法
CN116320987B (zh) * 2023-04-07 2023-09-29 中国公路工程咨询集团有限公司 基于高分遥感、北斗和电子围栏的空侧施工器械调度方法

Similar Documents

Publication Publication Date Title
CN111767801B (zh) 一种基于深度学习的遥感影像水域自动提取方法及系统
CN110826509A (zh) 一种基于高分遥感影像的草原围栏信息提取系统及方法
US4912770A (en) Method of detecting change using image
CN109740639B (zh) 一种风云卫星遥感影像云检测方法、系统及电子设备
CN111310666B (zh) 一种基于纹理特征的高分辨率影像地物识别与分割方法
CN111523414A (zh) 人脸识别方法、装置、计算机设备和存储介质
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
CN108428220B (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
CN106780503A (zh) 基于后验概率信息熵的遥感图像最优分割尺度确定方法
CN110110618B (zh) 一种基于pca和全局对比度的sar目标检测方法
CN107025445B (zh) 基于类信息熵的多源遥感图像组合选择方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN114240940B (zh) 一种基于遥感影像的云及云阴影检测方法和装置
CN115311553A (zh) 目标检测方法、装置、电子设备及存储介质
CN113822361B (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
CN117496154A (zh) 基于概率图表征边缘的高分辨率遥感影像语义分割方法
CN106960443B (zh) 基于全极化时序sar图像的非监督变化检测的方法及装置
CN112200845A (zh) 一种图像配准方法和装置
CN116129280B (zh) 一种遥感影像雪检测的方法
CN116758419A (zh) 针对遥感图像的多尺度目标检测方法、装置和设备
CN113569600A (zh) 物体重识别的方法、装置、电子设备及存储介质
Tang et al. Comparison of visual features for image-based visibility detection
CN112686222B (zh) 星载可见光探测器对船舶目标检测的方法和系统
CN115601655A (zh) 基于卫星遥感的水体信息识别方法、装置和可读介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200221

RJ01 Rejection of invention patent application after publication