CN111157524B - 基于高分影像的道路材质识别方法及装置和电子设备 - Google Patents
基于高分影像的道路材质识别方法及装置和电子设备 Download PDFInfo
- Publication number
- CN111157524B CN111157524B CN202010020829.3A CN202010020829A CN111157524B CN 111157524 B CN111157524 B CN 111157524B CN 202010020829 A CN202010020829 A CN 202010020829A CN 111157524 B CN111157524 B CN 111157524B
- Authority
- CN
- China
- Prior art keywords
- wave band
- light wave
- road
- image
- near infrared
- 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
- 239000000463 material Substances 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 58
- 238000003066 decision tree Methods 0.000 claims abstract description 58
- 238000002310 reflectometry Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 14
- 239000004568 cement Substances 0.000 claims description 12
- 239000010426 asphalt Substances 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000000443 aerosol Substances 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- -1 dirt Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种基于高分影像的道路材质识别方法及装置和电子设备,通过对高空间分辨率影像进行处理,得到地表反射率图像,根据地表反射率图像中道路中心线处的像元的蓝、绿、红和近红外四个波段的地表反射率值以及预置的决策树分类模型实现了道路材质识别,该方法在保证道路材质识别精度的同时,使得道路材质识别方法的通用性增强,适用于高分一号,高分二号,高分六号,资源三号,高景一号和wordview等卫星拍摄的遥感影像。
Description
技术领域
本申请涉及信息处理技术领域,更具体地说,涉及一种基于高分影像的道路材质识别方法及装置和电子设备。
背景技术
道路路面材质识别以及道路损毁检测一直是公路交通研究中的难点问题。而公路路面材质识别是道路损毁检测的前提,只有先识别公路路面材质,才能进一步分析道路的不同损毁情况。
目前已有的研究主要集中在利用地面实测高光谱数据识别道路材质。高光谱数据的光谱分辨率高,是具有很多很窄的电磁波波段的遥感数据,通常具有数百甚至上千个波段,因而,基于高光谱数据可以提取出非常窄的波段用于道路材质识别。而目前多数卫星(比如,高分一号GF1,高分二号GF2,资源三号ZY3,高景一号,wordview等)获取的高分辨率遥感影像均是高分辨率多光谱遥感影像,高分辨率遥感影像的光谱分辨率较低,通常只具有几个波段。比如,高分辨率遥感影像包含红波段,绿波段,蓝波段,近红外等波段,而高光谱数据则相当于对上述多个波段中每个波段又细分为若干个小的波段,显然,高分辨率遥感影像所携带的信息量远远低于高光谱数据所携带的信息量,因而,利用目前的地面实测高光谱数据识别道路材质的方法并不适用于高分辨率遥感影像,目前的道路材质识别方法的应用范围小,通用性差。
因而,提供一种具有通用性的道路材质识别方法成为亟待解决的技术问题。
发明内容
本申请的目的是提供一种基于高分影像的道路材质识别方法及装置和电子设备,包括如下技术方案:
一种基于高分影像的道路材质识别方法,包括:
获得目标区域的全色影像和多光谱影像;
对所述全色影像和多光谱影像进行处理,得到地表反射率图像;
在所述地表反射率图像中确定道路中心线;
将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到各个像元处的道路材质识别结果;所述决策树分类模型基于路面实测的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,以及所述路面的高分辨率遥感影像中的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值得到。
上述方法,优选的,所述决策树分类模型被配置为:
对应输入所述决策树分类模型的每个一像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,若该像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值的平均值大于第一阈值,判断该像元的红光波段的地表反射率值与蓝光波段的地表反射率值的比值是否大于第二阈值;
若所述比值大于所述第二阈值,确定该像元处的路面材质为土路;
若所述比值小于或等于所述第二阈值,确定该像元处的路面材质为水泥路;
若所述平均值小于或等于所述第一阈值,且所述平均值大于第三阈值,确定该像元处的路面材质为砂石路;其中,所述第三阈值小于所述第一阈值;
若所述平均值小于或等于所述第三阈值,确定该像元处的路面材质为沥青路。
上述方法,优选的,所述将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,包括:
将所述道路中心线处的非异常区域的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到所述非异常区域内各个像元处的道路材质识别结果;异常区域为阴影区域或路面上的覆盖物区域。
上述方法,优选的,还包括:
根据所述异常区域周围的非异常区域的道路材质识别结果,确定所述异常区域的路面材质。
上述方法,优选的,所述对所述全色影像和多光谱影像进行处理,得到地表反射率图像,包括:
对所述多光谱影像的所述蓝光波段、绿光波段、红光波段和近红外波段的影像进行几何配准,得到配准后的多光谱影像;
将所述全色影像和所述配准后的多光谱影像进行融合,得到融合图像;
对所述融合图像进行几何精校正,得到校正后的融合图像;
利用相对辐射归一化算法对所述校正后的融合图像进行大气校正,得到所述地表反射率图像。
一种基于高分影像的道路材质识别装置,包括:
获得模块,用于获得目标区域的全色影像和多光谱影像;
预处理模块,用于对所述全色影像和多光谱影像进行处理,得到地表反射率图像;
确定模块,用于在所述地表反射率图像中确定道路中心线;
识别模块,用于将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到各个像元处的道路材质识别结果;所述决策树分类模型基于路面实测的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,以及所述路面的高分辨率遥感影像中的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值得到。
上述装置,优选的,所述识别模块具体包括:
输入单元,用于将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型;
所述决策树分类模型具体用于:
对应输入所述决策树分类模型的每个一像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,若该像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值的平均值大于第一阈值,判断该像元的红光波段的地表反射率值与蓝光波段的地表反射率值的比值是否大于第二阈值;
若所述比值大于所述第二阈值,确定该像元处的路面材质为土路;
若所述比值小于或等于所述第二阈值,确定该像元处的路面材质为水泥路;
若所述平均值小于或等于所述第一阈值,且所述平均值大于第三阈值,确定该像元处的路面材质为砂石路;其中,所述第三阈值小于所述第一阈值;
若所述平均值小于或等于所述第三阈值,确定该像元处的路面材质为沥青路。
上述装置,优选的,所述识别模块将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型时,具体用于:
将所述道路中心线处的非异常区域的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到所述非异常区域内各个像元处的道路材质识别结果;异常区域为阴影区域或路面上的覆盖物区域。
上述装置,优选的,所述预处理模块包括:
几何配准单元,用于对所述多光谱影像的所述蓝光波段、绿光波段、红光波段和近红外波段的影像进行几何配准,得到配准后的多光谱影像;
融合单元,用于将所述全色影像和所述配准后的多光谱影像进行融合,得到融合图像;
几何校正单元,用于对所述融合图像进行几何精校正,得到校正后的融合图像;
大气校正单元,用于利用相对辐射归一化算法对所述校正后的融合图像进行大气校正,得到所述地表反射率图像。
一种电子设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如上任一项所述的基于高分影像的道路材质识别方法的各个步骤。
通过以上方案可知,本申请提供的一种基于高分影像的道路材质识别方法及装置和电子设备,通过对高空间分辨率影像进行处理,得到地表反射率图像,根据地表反射率图像中道路中心线处的像元的蓝、绿、红和近红外四个波段的地表反射率值以及预置的决策树分类模型实现了道路材质识别,该方法在保证道路材质识别精度的同时,使得道路材质识别方法的通用性增强,适用于高分一号,高分二号,高分六号,资源三号,高景一号和wordview等卫星拍摄的遥感影像。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。
图1为本申请实施例提供的基于高分影像的道路材质识别方法的一种实现流程图;
图2为本申请实施例提供的在蓝、绿、红和近红外四个波段,砂石路、土路、水泥路和沥青路的反射率示意图;
图3为本申请实施例提供的决策树分类模型的一种示意图;
图4为本申请实施例提供的对全色影像和多光谱影像进行处理,得到地表反射率图像的一种实现流程图;
图5为本申请实施例提供的基于高分影像的道路材质识别装置的一种结构示意图;
图6为本申请实施例提供的电子设备的硬件结构框图。
说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例,能够以除了在这里图示的以外的顺序实施。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供的基于高分影像的道路材质识别方法的一种实现流程图如图1所示,可以包括:
步骤S11:获得目标区域的全色影像(Panchromatic image,PAN)和多光谱影像(Multi-spectral image,MS)。
目标区域即为待研究的地理区域。全色影像和多光谱影像是同一时刻采集的所述目标区域的高空间分辨率遥感影像(简称高分影像)。
步骤S12:对全色影像和多光谱影像进行处理,得到地表反射率图像。
对全色影像和多光谱影像进行处理包括:对全色影像和多光谱影像进行融合得到融合影像,然后对融合影像进行几何精校正,得到校正后的融合影像,对校正后的融合影像进行大气校正,得到地表反射率图像。
步骤S13:在地表反射率图像中确定道路中心线。
可选的,如果目标区域已经关联存储有该目标区域的道路中心线矢量数据,可以通过导入已有的道路中心线矢量数据的方式确定道路中心线。
如果目标区域未关联存储有该目标区域的道路中心线矢量数据,可以通过手绘的方式确定道路中心线,并在绘制道路中心线后,保存该道路中心线的矢量数据,以便下次需要确定该目标区域的道路中心线时,可以直接读取道路中心线的矢量数据来确定,无需再手绘,提高道路中心线提取效率。
步骤S14:将道路中心线处的像元的蓝光波段(波长范围为450nm-520nm)、绿光波段(波长范围为520nm-590nm)、红光波段(波长范围为630nm-690nm)和近红外波段(波长范围为770nm-890nm)的地表反射率值输入预置的决策树分类模型,得到各个像元处的道路材质识别结果;所述决策树分类模型基于路面实测的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,以及所述路面的高分辨率遥感影像中的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值得到。
本申请实施例中,预先在野外实测出不同道路材质(水泥、砂石、沥青、土路)的地表反射率,然后利用高分影像各波段的光谱响应函数模拟等效出不同道路材质在遥感影像上的反射率,利用模拟等效得到的反射率值构建用于道路材质识别的初始决策树分类模型,然后对高分一号(GF1)卫星多光谱相机,高分二号(GF2)卫星多光谱相机以及高分六号(GF6)卫星多光谱相机在实测地表反射率时采集的被测道路的遥感影像进行大气校正,利用大气校正后的遥感影像中的路面在蓝光波段、绿光波段、红光波段和近红外波段的反射率对初始决策树分类模型进行优化,得到用于道路材质识别的最终的决策树分类模型。
也就是说,本申请实施例中,决策树分类模型是利用对道路(为便于叙述,记为被测道路)进行实际测试得到的蓝光波段、绿光波段、红光波段和近红外波段的反射率,以及被测道路的高分辨率遥感影像中的蓝光波段、绿光波段、红光波段和近红外波段的反射率构建的。
请参阅图2,图2为本申请实施例提供的在蓝、绿、红和近红外四个波段,砂石路、土路、水泥路和沥青路的反射率示意图。本申请的发明人研究发现,在蓝(图2中的用Blue-PMS1表征)、绿(图2中的用Green-PMS1表征)、红(图2中的用Red-PMS1表征)和近红外(图2中的用NIR-PMS1表征)四个波段,砂石路、土路、水泥路和沥青路具有如下特征:土路和水泥路都具有较高的地表反射率,但不同的是,水泥路在350nm-600nm波段缓慢升高,而土路在350-550nm波段升高速度较快;砂石路具有中等反射率特征,而沥青路具有低反射率的特征。本申请实施例根据每种道路材质的反射率在四个波段的均值存在显著差异这一特点而建立了决策树分类模型,基于该决策树分类模型进行道路材质识别。
本申请实施例提供的基于高分影像的道路材质识别方法,通过对高空间分辨率影像进行处理,得到地表反射率图像,根据地表反射率图像中道路中心线处的像元的蓝、绿、红和近红外四个波段的地表反射率值以及预置的决策树分类模型实现了道路材质识别,该方法在保证道路材质识别精度的同时,使得道路材质识别方法的通用性增强,适用于高分一号,高分二号,高分六号,资源三号,高景一号和wordview等卫星拍摄的遥感影像。
在一可选的实施例中,请参看图3图3为本申请实施例提供的决策树分类模型的一种示意图,图3中,B1,B2,B3,B4分别为经过大气校正后高分影像的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率的值,具体的,AV(B1,B2,B3,B4)为四个波段的地表反射率的平均值,N1,N2,T均为阈值。
基于此,前述在构建初始决策树分类模型后,利用高分一号(GF1)卫星多光谱相机,高分二号(GF2)卫星多光谱相机以及高分六号(GF6)卫星多光谱相机的大气校正后的遥感影像中的路面在蓝光波段、绿光波段、红光波段和近红外波段的反射率对初始决策树分类模型进行优化,具体是对决策树分类模型中的阈值N1,N2,T进行优化,使得决策树分类模型与遥感影像中的路面在蓝光波段、绿光波段、红光波段和近红外波段的反射率相适应。具体优化算法可以参看已有的一些优化算法,这里不再详述。
具体的,本申请实施例中,上述决策树分类模型被配置为:
对应输入决策树分类模型的每个一像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,计算该像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值的平均值,若平均值大于第一阈值N1,判断该像元的红光波段的地表反射率值与蓝光波段的地表反射率值的比值是否大于第二阈值T。
若比值大于所述第二阈值T,确定该像元处的路面材质为土路。
若比值小于或等于第二阈值T,确定该像元处的路面材质为水泥路。
若平均值小于或等于第一阈值N1,且平均值大于第三阈值N2,确定该像元处的路面材质为砂石路;其中,第三阈值N2小于第一阈值N1。
若平均值小于或等于第三阈值N2,确定该像元处的路面材质为沥青路。
可选的,第一阈值N1可以为0.22,第二阈值T可以是1.4,第三阈值N2可以是0.15。需要说明的是,这里第一阈值N1、第二阈值T和第三阈值N2的具体取值只是一种可选的实现方式,具体使用的时候,可以进行微调,基于微调后的阈值进行道路材质识别。
本申请的发明人研究发现,实际的道路路面上会有建筑物、树木等物体的阴影,多数道路上还有交通标记线等覆盖物,这些均会对道路材质识别产生影响。为了减少阴影或覆盖物对道路材质识别的影响,本申请实施例提供的将道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,具体可以包括:
将道路中心线处的非异常区域的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到所述非异常区域内各个像元处的道路材质识别结果;异常区域为阴影区域或路面上的覆盖物区域。
也就说,在确定道路中心线后,先将道路中心线中位于阴影区域或覆盖物区域的剔除,仅将非阴影区域且非覆盖物区域的中心线中的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到非异常区域的路面材质识别结果。
对应异常区域的路面材质,由于道路通常是连续的,一条道路的材质通常也是单一的,因此,根据异常区域周围的非异常区域的道路材质识别结果就可以确定该异常区域的道路材质识别结果。通常,异常区域的道路材质识别结果与其周围的非异常区域的道路材质识别结果相同。
在一可选的实施例中,上述对全色影像和多光谱影像进行处理,得到地表反射率图像的一种实现流程图如图4所示,可以包括:
步骤S41:对多光谱影像进行波段间的几何配准,具体包括:
对多光谱影像的蓝光波段、绿光波段、红光波段和近红外波段的影像进行几何配准,得到配准后的多光谱影像。
本申请实施例中,可以采用已有的商业软件进行波段间的几何配准。
步骤S42:将全色影像和配准后的多光谱影像进行融合,得到融合图像。
利用现有的对遥感影像融合方法对全色影像和多光谱影像进行融合时,融合后光谱的保真度差,得到的融合图像容易出现晕染的情况。本申请的发明人研究发现,导致晕染情况的主要原因是遥感影像的蓝、绿、红和近红外波段各个波段之间的几何配准存在细小的误差(主要表现是,不同波段的影像之间存在细小的错位,比如,如果四个波段的影像不存在错位的话,这四个波段的影像的中心应该是重叠的,但如果有波段出现错位,则相应波段的中心也会出现错位),该误差往往在一个像素内,而现有的对遥感影像的融合方法默认不存在这个几何配准误差,导致融合前后同一位置点的DN值(即遥感影像像元亮度值)变化较大,出现晕染情况。为了降低晕染情况出现的概率,本申请实施例中,在进行融合前,先对多光谱影像进行波段间的几何配准,即先将多光谱影像的蓝、绿、红、近红四个波段的影像进行几何对齐,消除错位。经验证后发现,先进行波段间的几何配准再进行融合,融合前后同一位置处的DN值误差控制在1%以内,大大降低了晕染情况出现的概率,基本不会出现晕染情况。
步骤S43:对融合图像进行几何精校正,得到校正后的融合图像。
考虑到单景影像的绝对定位(经纬度)精度,还需要兼顾多景影像的接边精度,以便可以保证覆盖某个较大区域拼接后的影像几何精度整体较高,需要对融合图像进行几何精校正。可以采用已有的商业软件进行几何精校正。
步骤S44:利用相对辐射归一化算法对校正后的融合图像进行大气校正,得到地表反射率图像。
基于气溶胶光学厚度进行大气校正是常用的一种大气校正方法,准确的大气校正需要实测的气溶胶厚度数据,显然,气溶胶厚度数据不易获取,或者说,气溶胶厚度数据的获取成本高。
本申请实施例中,利用相对辐射归一化算法对校正后的融合图像进行大气校正,该方法不需要输入包括气溶胶光学厚度在内的任何参数。
与方法实施例相对应,本申请实施例还提供一种基于高分影像的道路材质识别装置。本申请实施例提供的基于高分影像的道路材质识别装置的一种结构示意图如图5所示,可以包括:
获得模块51,预处理模块52,确定模块53和识别模块54;其中,
获得模块51用于获得目标区域的全色影像和多光谱影像;
预处理模块52用于对所述全色影像和多光谱影像进行处理,得到地表反射率图像;
确定模块53用于在所述地表反射率图像中确定道路中心线;
识别模块54用于将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到各个像元处的道路材质识别结果;所述决策树分类模型基于路面实测的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,以及所述路面的高分辨率遥感影像中的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值得到。
本申请实施例提供的基于高分影像的道路材质识别装置,通过对高空间分辨率影像进行处理,得到地表反射率图像,根据地表反射率图像中道路中心线处的像元的蓝、绿、红和近红外四个波段的地表反射率值以及预置的决策树分类模型实现了道路材质识别,该方法在保证道路材质识别精度的同时,使得道路材质识别方法的通用性增强,适用于高分一号,高分二号,高分六号,资源三号,高景一号和wordview等卫星拍摄的遥感影像。
在一可选的实施例中,识别模块54具体可以包括:
输入单元,用于将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型;
所述决策树分类模型具体用于:
对应输入所述决策树分类模型的每个一像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,若该像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值的平均值大于第一阈值,判断该像元的红光波段的地表反射率值与蓝光波段的地表反射率值的比值是否大于第二阈值;
若所述比值大于所述第二阈值,确定该像元处的路面材质为土路;
若所述比值小于或等于所述第二阈值,确定该像元处的路面材质为水泥路;
若所述平均值小于或等于所述第一阈值,且所述平均值大于第三阈值,确定该像元处的路面材质为砂石路;其中,所述第三阈值小于所述第一阈值;
若所述平均值小于或等于所述第三阈值,确定该像元处的路面材质为沥青路。
在一可选的实施例中,所述识别模块54将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型时,具体用于:
将所述道路中心线处的非异常区域的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到所述非异常区域内各个像元处的道路材质识别结果;异常区域为阴影区域或路面上的覆盖物区域。
进一步,识别模块54还可以用于:
根据所述异常区域周围的非异常区域的道路材质识别结果,确定所述异常区域的路面材质。
在一可选的实施例中,预处理模块52可以包括:
几何配准单元,用于对所述多光谱影像的所述蓝光波段、绿光波段、红光波段和近红外波段的影像进行几何配准,得到配准后的多光谱影像;
融合单元,用于将所述全色影像和所述配准后的多光谱影像进行融合,得到融合图像;
几何校正单元,用于对所述融合图像进行几何精校正,得到校正后的融合图像;
大气校正单元,用于利用相对辐射归一化算法对所述校正后的融合图像进行大气校正,得到所述地表反射率图像。
与方法实施例相对应,本发明实施例还提供一种电子设备,该电子设备可以配置上述基于高分影像的道路材质识别装置。本发明实施例提供的电子设备的硬件结构框图的示例图如图6所示,可以包括:
处理器1,通信接口2,存储器3和通信总线4;
其中处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
可选的,通信接口2可以为通信模块的接口,如GSM模块的接口;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC
(Application Specific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
其中,存储器3存储有程序,处理器1可调用存储器3存储的程序,所述程序用于:
获得目标区域的全色影像和多光谱影像;
对所述全色影像和多光谱影像进行处理,得到地表反射率图像;
在所述地表反射率图像中确定道路中心线;
将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到各个像元处的道路材质识别结果;所述决策树分类模型基于路面实测的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,以及所述路面的高分辨率遥感影像中的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值得到。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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。
应当理解,本申请实施例中,从权、各个实施例、特征可以互相组合结合,都能实现解决前述技术问题。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于高分影像的道路材质识别方法,其特征在于,包括:
获得目标区域的全色影像和多光谱影像;
对所述全色影像和多光谱影像进行处理,得到地表反射率图像;
在所述地表反射率图像中确定道路中心线;
将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到各个像元处的道路材质识别结果;所述决策树分类模型基于路面实测的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,以及所述路面的高分辨率遥感影像中的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值得到;
所述决策树分类模型被配置为:
对应输入所述决策树分类模型的每个一像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,若该像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值的平均值大于第一阈值,判断该像元的红光波段的地表反射率值与蓝光波段的地表反射率值的比值是否大于第二阈值;
若所述比值大于所述第二阈值,确定该像元处的路面材质为土路;
若所述比值小于或等于所述第二阈值,确定该像元处的路面材质为水泥路;
若所述平均值小于或等于所述第一阈值,且所述平均值大于第三阈值,确定该像元处的路面材质为砂石路;其中,所述第三阈值小于所述第一阈值;
若所述平均值小于或等于所述第三阈值,确定该像元处的路面材质为沥青路。
2.根据权利要求1所述的方法,其特征在于,所述将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,包括:
将所述道路中心线处的非异常区域的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到所述非异常区域内各个像元处的道路材质识别结果;异常区域为阴影区域或路面上的覆盖物区域。
3.根据权利要求2所述的方法,其特征在于,还包括:
根据所述异常区域周围的非异常区域的道路材质识别结果,确定所述异常区域的路面材质。
4.根据权利要求1所述的方法,其特征在于,所述对所述全色影像和多光谱影像进行处理,得到地表反射率图像,包括:
对所述多光谱影像的所述蓝光波段、绿光波段、红光波段和近红外波段的影像进行几何配准,得到配准后的多光谱影像;
将所述全色影像和所述配准后的多光谱影像进行融合,得到融合图像;
对所述融合图像进行几何精校正,得到校正后的融合图像;
利用相对辐射归一化算法对所述校正后的融合图像进行大气校正,得到所述地表反射率图像。
5.一种基于高分影像的道路材质识别装置,其特征在于,包括:
获得模块,用于获得目标区域的全色影像和多光谱影像;
预处理模块,用于对所述全色影像和多光谱影像进行处理,得到地表反射率图像;
确定模块,用于在所述地表反射率图像中确定道路中心线;
识别模块,用于将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到各个像元处的道路材质识别结果;所述决策树分类模型基于路面实测的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,以及所述路面的高分辨率遥感影像中的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值得到;
所述识别模块具体包括:
输入单元,用于将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型;
所述决策树分类模型具体用于:
对应输入所述决策树分类模型的每个一像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值,若该像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值的平均值大于第一阈值,判断该像元的红光波段的地表反射率值与蓝光波段的地表反射率值的比值是否大于第二阈值;
若所述比值大于所述第二阈值,确定该像元处的路面材质为土路;
若所述比值小于或等于所述第二阈值,确定该像元处的路面材质为水泥路;
若所述平均值小于或等于所述第一阈值,且所述平均值大于第三阈值,确定该像元处的路面材质为砂石路;其中,所述第三阈值小于所述第一阈值;
若所述平均值小于或等于所述第三阈值,确定该像元处的路面材质为沥青路。
6.根据权利要求5所述的装置,其特征在于,所述识别模块将所述道路中心线处的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型时,具体用于:
将所述道路中心线处的非异常区域的像元的蓝光波段、绿光波段、红光波段和近红外波段的地表反射率值输入预置的决策树分类模型,得到所述非异常区域内各个像元处的道路材质识别结果;异常区域为阴影区域或路面上的覆盖物区域。
7.根据权利要求5所述的装置,其特征在于,所述预处理模块包括:
几何配准单元,用于对所述多光谱影像的所述蓝光波段、绿光波段、红光波段和近红外波段的影像进行几何配准,得到配准后的多光谱影像;
融合单元,用于将所述全色影像和所述配准后的多光谱影像进行融合,得到融合图像;
几何校正单元,用于对所述融合图像进行几何精校正,得到校正后的融合图像;
大气校正单元,用于利用相对辐射归一化算法对所述校正后的融合图像进行大气校正,得到所述地表反射率图像。
8.一种电子设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1-4中任一项所述的基于高分影像的道路材质识别方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020829.3A CN111157524B (zh) | 2020-01-09 | 2020-01-09 | 基于高分影像的道路材质识别方法及装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020829.3A CN111157524B (zh) | 2020-01-09 | 2020-01-09 | 基于高分影像的道路材质识别方法及装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111157524A CN111157524A (zh) | 2020-05-15 |
CN111157524B true CN111157524B (zh) | 2022-09-27 |
Family
ID=70562038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010020829.3A Active CN111157524B (zh) | 2020-01-09 | 2020-01-09 | 基于高分影像的道路材质识别方法及装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111157524B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539403B (zh) * | 2020-07-13 | 2020-10-16 | 航天宏图信息技术股份有限公司 | 农业大棚的识别方法、装置及电子设备 |
CN113063741B (zh) * | 2021-03-12 | 2022-09-09 | 中国科学院空天信息创新研究院 | 一种基于光谱特征的城市建筑材质提取方法及装置 |
CN113159044A (zh) * | 2021-04-01 | 2021-07-23 | 中国公路工程咨询集团有限公司 | 一种基于深度学习的卷积神经网络的道路材质识别方法 |
CN114663767A (zh) * | 2022-04-03 | 2022-06-24 | 国交空间信息技术(北京)有限公司 | 一种遥感影像沙埋路段识别方法 |
CN114821333B (zh) * | 2022-05-16 | 2022-11-18 | 中国人民解放军61540部队 | 一种高分辨率遥感影像道路材质识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103901420A (zh) * | 2014-04-18 | 2014-07-02 | 山东科技大学 | 先验地表反射率支持的动态阈值法遥感数据云识别方法 |
WO2018077308A1 (zh) * | 2016-10-26 | 2018-05-03 | 纳恩博(北京)科技有限公司 | 一种电子设备的控制方法、电子设备和计算机存储介质 |
CN109522787A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的细小道路识别方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL190756A0 (en) * | 2008-04-09 | 2009-08-03 | Rafael Advanced Defense Sys | Gas detection, identification and concentration estimation based on spectral spatial misregistration |
KR101291219B1 (ko) * | 2012-03-16 | 2013-07-31 | 한국항공우주연구원 | 전정색영상과 다분광영상의 융합 방법 및 그 장치 |
CN106124454B (zh) * | 2016-06-30 | 2018-10-16 | 国交空间信息技术(北京)有限公司 | 一种基于遥感影像的沥青路面老化状况监测方法 |
WO2018028191A1 (zh) * | 2016-08-10 | 2018-02-15 | 福州大学 | 一种基于波段比模型和太阳高度角的tavi计算方法 |
CN106680273B (zh) * | 2016-08-29 | 2019-12-27 | 中国科学院遥感与数字地球研究所 | 一种高空间分辨率卫星地表反射率反演方法 |
CN106803097A (zh) * | 2016-12-28 | 2017-06-06 | 中国科学院深圳先进技术研究院 | 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备 |
CN106997466B (zh) * | 2017-04-12 | 2021-05-04 | 百度在线网络技术(北京)有限公司 | 用于检测道路的方法和装置 |
CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
FR3081590B1 (fr) * | 2018-05-22 | 2020-06-19 | Airbus Ds Geo Sa | Procede d’augmentation de resolution spatiale d’une image multi-spectrale a partir d’une image panchromatique |
CN109190481B (zh) * | 2018-08-06 | 2021-11-23 | 中国交通通信信息中心 | 一种遥感影像道路材质提取方法和系统 |
CN109740645A (zh) * | 2018-12-20 | 2019-05-10 | 核工业北京地质研究院 | 一种适用于高分一号影像的cart决策树分类方法 |
CN109933639B (zh) * | 2019-03-22 | 2022-12-27 | 合肥工业大学 | 一种面向图层叠加的多光谱图像与全色图像自适应融合方法 |
CN110646380B (zh) * | 2019-10-17 | 2022-02-11 | 安徽岩芯光电技术有限公司 | 道路标线逆反射光检测系统和道路标线逆反光检测仪 |
-
2020
- 2020-01-09 CN CN202010020829.3A patent/CN111157524B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103901420A (zh) * | 2014-04-18 | 2014-07-02 | 山东科技大学 | 先验地表反射率支持的动态阈值法遥感数据云识别方法 |
WO2018077308A1 (zh) * | 2016-10-26 | 2018-05-03 | 纳恩博(北京)科技有限公司 | 一种电子设备的控制方法、电子设备和计算机存储介质 |
CN109522787A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的细小道路识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111157524A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111157524B (zh) | 基于高分影像的道路材质识别方法及装置和电子设备 | |
US8594375B1 (en) | Advanced cloud cover assessment | |
CN109374537B (zh) | 城市黑臭水体识别方法及装置 | |
Barnsley et al. | Inferring urban land use from satellite sensor images using kernel-based spatial reclassification | |
CN110120046B (zh) | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 | |
CN111274865A (zh) | 一种基于全卷积神经网络的遥感图像云检测方法及装置 | |
WO2020062360A1 (zh) | 一种图像融合分类的方法及装置 | |
US8503761B2 (en) | Geospatial modeling system for classifying building and vegetation in a DSM and related methods | |
US20200065946A1 (en) | Image processing device, image processing method and storage medium | |
CN114937038B (zh) | 面向可用性的遥感影像质量评价方法 | |
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 | |
Bandyopadhyay et al. | Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery | |
CN108847031B (zh) | 交通行为监控方法、装置、计算机设备和存储介质 | |
Courtrai et al. | Morphological path filtering at the region scale for efficient and robust road network extraction from satellite imagery | |
CN109118457A (zh) | 遥感影像处理方法及装置 | |
CN113255452A (zh) | 一种目标水体的提取方法及提取系统 | |
Tullis et al. | Expert system house detection in high spatial resolution imagery using size, shape, and context | |
CN113902759B (zh) | 一种空谱信息联合的星载高光谱影像分割与聚类方法 | |
CN117576394A (zh) | 一种利用全局信息提升地类语义分割的方法 | |
Gamba et al. | Limits and challenges of optical high-resolution satellite remote sensing for urban applications | |
CN111178175A (zh) | 基于高景卫星影像的自动化建筑物信息提取方法及系统 | |
Hashim et al. | Geometric and radiometric evaluation of RazakSAT medium-sized aperture camera data | |
Xiao et al. | Utilizing edge to extract roads in high-resolution satellite imagery | |
Fasbender et al. | Bayesian data fusion: Spatial and temporal applications | |
Liu | Random forest and watershed transformations for mapping quasi-circular vegetation patch using fused multispectral CBERS-04 images |
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 |