CN112052777B - 一种基于高分辨率遥感影像的跨水桥梁提取方法和装置 - Google Patents

一种基于高分辨率遥感影像的跨水桥梁提取方法和装置 Download PDF

Info

Publication number
CN112052777B
CN112052777B CN202010902843.6A CN202010902843A CN112052777B CN 112052777 B CN112052777 B CN 112052777B CN 202010902843 A CN202010902843 A CN 202010902843A CN 112052777 B CN112052777 B CN 112052777B
Authority
CN
China
Prior art keywords
water body
water
bridge
image
region
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
Application number
CN202010902843.6A
Other languages
English (en)
Other versions
CN112052777A (zh
Inventor
郑慧
袁胜古
米素娟
蔡红玥
郭晓惠
孙晓月
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.)
Guojiao Space Information Technology Beijing Co ltd
Original Assignee
Guojiao Space Information Technology Beijing Co ltd
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 Guojiao Space Information Technology Beijing Co ltd filed Critical Guojiao Space Information Technology Beijing Co ltd
Priority to CN202010902843.6A priority Critical patent/CN112052777B/zh
Publication of CN112052777A publication Critical patent/CN112052777A/zh
Application granted granted Critical
Publication of CN112052777B publication Critical patent/CN112052777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于高分辨率遥感影像的跨水桥梁提取方法，方法包括：对原始遥感影像进行分割，生成分割图像；计算分割图像中的桥梁宽度；通过水体膨胀将分割图像中水体区域进行连通，得到连通的水体区域图像；对连通的水体区域和分割图像进行差分处理，标记出差分区域；从差分区域中进行桥梁提取。以此方式，可以对不同遥感图像中水体的自动化准确识别，结合统计方法准确获取桥梁宽度，采用桥梁膨胀、腐蚀再图像差分的方式进行桥梁的提取，准确提取桥梁位置，实现了遥感图像中水上桥梁自动化提取；本方法不仅能适用于不同宽度、不同长度水上桥梁的自动化准确提取，也能适用于米级和亚米级空间分辨率的高分遥感影像的桥梁提取。

Description

一种基于高分辨率遥感影像的跨水桥梁提取方法和装置
技术领域
本发明的实施例一般涉及遥感影像应用技术领域，并且更具体地，涉及一种基于高分辨率遥感影像的跨水桥梁提取方法和装置。
背景技术
桥梁作为重要的交通基础设施，开展桥梁的空间位置、数量、技术等级等信息的管理与更新是交通部门的重要工作之一。随着高分辨率遥感技术的发展，利用高分影像进行桥梁识别和提取是遥感领域一项重要的研究内容。在基于遥感影像的水上桥梁提取中，目前较常用的方法主要有面向对象的桥梁提取方法、基于道路的桥梁提取方法、基于知识的桥梁提取方法等。
现有面向对象的桥梁提取方法，难以确定分割尺度使之适用于所有桥梁的提取，提取工作大多属于半自动化提取，人工干预较多。基于道路的桥梁提取方法，使用前提是图像中的道路信息已知，限制了目标选择的范围。骆剑承等人采用基于知识的桥梁提取方法，其主要依据桥梁与河流相连的知识，在提取出河流信息的基础上细化影像，通过限制宽度检测桥梁主线，并且对桥梁主线矢量化、特征表达，从而得到桥梁信息，该方法用单一固定的桥梁宽度限制参数很难将所有规模的桥梁全部提出，且对于部分桥梁的提取会导致提取出的桥梁主方向与原始影像有偏差。
发明内容
根据本发明的实施例，提供了一种基于高分辨率遥感影像的跨水桥梁提取方案。
在本发明的第一方面，提供了一种基于高分辨率遥感影像的跨水桥梁提取方法。该方法包括：
对原始遥感影像进行分割，生成分割图像；所述分割图像包括非水体区域以及被所述非水体区域分隔出的若干水体区域；
计算所述分割图像中的桥梁宽度；
通过水体膨胀将所述分割图像中若干水体区域进行连通，并对所述水体区域中靠近非水体区域的边缘进行恢复，得到连通的水体区域图像；
对所述连通的水体区域和所述分割图像进行差分处理，标记出差分区域；
从所述差分区域中进行桥梁提取。
进一步地，所述对原始遥感影像进行分割，包括：
对原始遥感影像中的水体区域和非水体区域进行识别，得到初始分割图像；
设置小图斑去除阈值，将所述初始分割图像中像素个数小于所述小图斑去除阈值的图斑进行去除；
设置亮度阈值，根据桥梁的亮度特征，对所述非水体区域中靠近水体区域的非桥体区域进行剔除，得到分割图像。
进一步地，所述对原始遥感影像中的水体区域和非水体区域进行识别，包括：
采用聚类算法对原始遥感影像进行初始聚类，统计出初始聚类特征；
根据水体与非水体光谱特征，从所述初始聚类特征中识别出包含水体的初始聚类特征；
对水体区域和非水体区域进行分割，生成初始分割图像；所述水体特征阈值用于区分水体区域和非水体区域。
进一步地，所述根据水体与非水体光谱特征，从所述初始聚类特征中识别出包含水体的初始聚类特征，包括：
计算各个聚类中像素的蓝波段DN值与绿波段DN值比值的均值；将所述比值均值中的最小的聚类作为候选水体区域聚类；
计算所述候选水体区域聚类中每个像素的蓝波段DN值与绿波段DN值差值的均值；如果所述差值的均值大于预设水体特征阈值，则所述候选水体区域为水体区域。
进一步地，所述计算所述分割图像中的桥梁宽度，包括：
通过八邻域区域生长对所述分割图像中的若干个水体区域进行标记；
提取水体区域的边界点；所述水体区域的边界点为当前像素的八邻域中存在非水体像素点的点；
计算每两个不同水体区域边界点之间的距离，并存储于距离数组中；
通过距离直方图对所述距离数组进行统计，得到距离值集合和次数集合；
选择第一个波峰区域的距离值和所选距离值出现的次数进行求均值，得到桥梁宽度；所述第一个波峰区域为所述距离直方图中的距离最小值到第一个局部统计次数最小值之间的区域。
进一步地，所述通过水体膨胀将所述分割图像中若干水体区域进行连通，并对所述水体区域中靠近非水体区域的边缘进行恢复，得到连通的水体区域图像，包括：
将所述桥梁宽度作为水体膨胀操作的卷积核尺度参数，对所述水体区域进行水体膨胀操作，将每两个水体区域进行连通；
将所述桥梁宽度作为水体腐蚀操作的卷积核尺度参数，对所述水体区域进行腐蚀操作，得到连通的水体区域图像。
进一步地，所述桥梁提取，包括：
对所述差分区域进行最小外包络椭圆拟合，得到椭圆的长半轴和短半轴；
计算最小外包络椭圆长半轴与短半轴的比值；
根据桥梁的几何特征，设置桥梁提取阈值，将所述最小外包络椭圆长半轴与短半轴的比值大于所述桥梁提取阈值的差分区域提取为桥梁。
进一步地，所述差分区域为在所述分割图像中为非水体区域且在所述连通的水体区域图像中为水体区域的区域。
在本发明的第二方面，提供了一种基于高分辨率遥感影像的跨水桥梁提取装置。该装置包括：
分割模块，用于对原始遥感影像进行分割，生成分割图像；所述分割图像包括非水体区域以及被所述非水体区域分隔出的若干水体区域；
计算模块，用于计算所述分割图像中的桥梁宽度；
水体连通模块，用于通过水体膨胀将所述分割图像中若干水体区域进行连通，并对所述水体区域中靠近非水体区域的边缘进行恢复，得到连通的水体区域图像；
差分模块，用于对所述连通的水体区域和所述分割图像进行差分处理，标记出差分区域；
提取模块，用于从所述差分区域中进行桥梁提取。
在本发明的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
本发明在对遥感图像进行图像分割的基础上，对不同遥感图像中水体的自动化准确识别，结合统计方法准确获取桥梁宽度，采用桥梁膨胀、腐蚀再图像差分的方式进行桥梁的提取，准确提取桥梁位置，实现了遥感图像中水上桥梁自动化提取；本方法不仅能适用于不同宽度、不同长度水上桥梁的自动化准确提取，也能适用于米级和亚米级空间分辨率的高分遥感影像的桥梁提取。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本发明的实施例的基于高分辨率遥感影像的跨水桥梁提取方法的流程图；
图2示出了根据本发明的实施例的原始遥感图像示意图；
图3示出了根据本发明的实施例的初始分割图像示意图；
图4示出了根据本发明的实施例的分割图像示意图；
图5示出了根据本发明的实施例的桥梁宽度的计算流程图；
图6示出了根据本发明的实施例的分割图像中标记的水体区域示意图；
图7示出了根据本发明的实施例的不同水体区域边界距离统计直方图；
图8示出了根据本发明的实施例的水体膨胀结果示意图；
图9示出了根据本发明的实施例的水体腐蚀结果示意图；
图10示出了根据本发明的实施例的出差分区域的候选桥梁示意图；
图11示出了根据本发明的实施例的桥梁提取流程图；
图12示出了根据本发明的实施例的桥梁提取结果示意图；
图13示出了根据本发明的实施例的基于高分辨率遥感影像的跨水桥梁提取装置的方框图；
图14示出了能够实施本发明的实施例的示例性电子设备的方框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明中，在对遥感图像进行图像分割的基础上，对不同遥感图像中水体的自动化准确识别，结合统计方法准确获取桥梁宽度，采用桥梁膨胀、腐蚀再图像差分的方式进行桥梁的提取，准确提取桥梁位置，实现了遥感图像中水上桥梁自动化提取；本方法不仅能适用于不同宽度、不同长度水上桥梁的自动化准确提取，也能适用于米级和亚米级空间分辨率的高分遥感影像的桥梁提取。
图1示出了本发明实施例的基于高分辨率遥感影像的跨水桥梁提取方法的流程图。
该方法包括：
S101，对原始遥感影像进行分割，生成分割图像。
所述分割图像包括非水体区域以及被所述非水体区域分隔出的若干水体区域。将非水体区域和水体区域用二值化处理。
S101-1，对原始遥感影像中的水体区域和非水体区域进行识别，得到初始分割图像；所述原始遥感影像如图2所示。
S101-1-1，采用聚类算法对原始遥感影像进行初始聚类，统计出初始聚类特征；
S101-1-2，根据水体与非水体光谱特征，从所述初始聚类特征中识别出包含水体的初始聚类特征；
S101-1-3，对水体区域和非水体区域进行分割，生成初始分割图像，如图3所示；所述水体特征阈值用于区分水体区域和非水体区域。
作为本发明的一种实施例，对原始遥感影像进行初始聚类，得到5个聚类，并计算每个聚类的区域均值；聚类中各个像素有RGB三种波段组成，计算各个聚类中每个像素的蓝波段DN值与绿波段DN值的比值，并计算每个聚类中比值的均值，得到5个比值均值。选出5个比值均值中的最小值，其对应的聚类作为候选水体区域的聚类。需要进一步判断所述候选水体区域是否为水体区域，此时需要计算所述候选水体区域的聚类中每个像素的蓝波段DN值与绿波段DN值的差值，并计算所述候选水体区域的聚类中该差值的均值。预设水体特征阈值，如果所述差值的均值大于预设水体特征阈值，则该候选水体区域为水体区域，否则该候选水体区域为非水体区域。如果候选水体区域为非水体区域，则说明当前原始遥感影像中无水体区域。
通过上述普适性的水体与非水体提取方法，不依赖于影像中水体的像素值，根据水体和非水体的特征差异，提出利用蓝波段与绿波段的比值和差值作为水体识别的两个因素，实现了不同影像中水体的自动化准确识别，可用于不同传感器拍摄的高分辨率遥感影像的水体提取。
S101-2，设置小图斑去除阈值，将所述初始分割图像中像素个数小于所述小图斑去除阈值的图斑进行去除。
作为本发明的一种实施例，设置小图斑去除阈值参数为30个像素，判断所述初始分割图像中像素个数是否小于30个像素，如果是，则将该像素个数小于30的小图斑进行去除，以减少小图斑的干扰。
S101-3，设置亮度阈值，根据桥梁的亮度特征，对所述非水体区域中靠近水体区域的非桥体区域进行剔除，得到分割图像，如图4所示。
作为本发明的一种实施例，根据桥体的亮度特征设置亮度阈值为BN，例如BN为55，则对八邻域内有水且亮度小于BN的像素进行剔除，以消除桥梁阴影及其他物体产生的阴影对桥梁提取的影响。
S102，计算所述分割图像中的桥梁宽度。
所述桥梁宽度的计算过程，如图5所示，包括：
S102-1：通过八邻域区域生长对所述分割图像中的若干个水体区域进行标记；如图6所示，例如所述分割图像中包括两水体区域，分别为水体区域A和水体区域B；以及一非水体区域。
S102-2：提取水体区域的边界点；所述水体区域的边界点为当前像素的八邻域中存在非水体像素点的点。
在本实施例中，如图6所示，水体区域A和水体区域B均有若干个边界点，这些边界点可以认为是当前像素的八邻域中存在非水体像素点的点。按此方法提取水体区域A中的边界点a1,a2,……,ai,……,an，提取水体区域B中的边界点b1,b2,……,bj,……,bm。
S102-3：计算每两个不同水体区域边界点之间的距离，并存储于距离数组中。
在本实施例中，如图6所示，若计算水体区域A与水体区域B的边界点距离，则需要依次计算a1,a2,……,ai,……,an与点b1,b2,……,bj,……,bm之间的距离，用表示，将所有计算的距离放入一个数组ArrayDis中，所述数组ArrayDis即为距离数组，用于存储两个水体区域的边界点之间的距离。
在上述实施例中，包含两个水体区域A和B，如果水体区域的个数超过两个，则需根据上述方法依次计算每两个水体区域的边界点之间的距离。
S102-4：通过距离直方图对所述距离数组进行统计，得到距离值集合和次数集合。
在上述实施例中，已经得到距离数组ArrayDis，对所述距离数组ArrayDis进行直方图统计，得到所有的距离值{D1,D2,……,Dk}出现的次数如图7所示。
S102-5：选择第一个波峰区域的距离值和所选距离值出现的次数进行求均值，得到桥梁宽度；
一般取所述距离值最小值作为桥体宽度，但此种方式容易产生误差，导致桥体宽度不精确。本申请根据经验，认为被桥体分隔开的两块水体区域间的最近距离为桥体宽度，同时考虑到桥体有一定长度，会计算出多个桥体的宽度。取统计直方图结果中第一个波峰区域的所有距离值{D1,D2,……,Dm}和该距离的出现次数求第一个波峰区域所有距离的距离均值D，即为当前水上桥梁的宽度。例如，如图6中，水体区域A和水体区域B之间的存在四组边界点，存在4个边界点之间的最短距离。因此取该4个距离的均值D，即为当前桥梁的宽度。
所述第一个波峰区域为所述距离直方图中的距离最小值到第一个局部统计次数最小值之间的区域，如图7中虚线框中区域；所述第一个波峰区域的距离值为在所述第一个波峰区域内距离值的均值。
本发明适用于不同宽度桥梁的提取，采用不同水体区域的边界点计算距离，并结合统计方法准确获取桥梁宽度，保证此算法对不同宽度的水上桥梁均可准确提取。用水域边界像元间的距离分布图中第一个波峰的数据，得到桥梁准确的宽度值，进而保证本方法可用于不同宽度的桥梁提取。
S103，通过水体膨胀将所述分割图像中若干水体区域进行连通，并对所述水体区域中靠近非水体区域的边缘进行恢复，得到连通的水体区域图像。
S103-1：将计算得到的桥梁的宽度D作为水体膨胀操作的卷积核尺度参数对水体区域进行膨胀操作，将桥梁区域膨胀为水体，实现被桥梁分隔开水体区域的连通。
形态学变换膨胀采用向量加法对两个集合进行合并，膨胀X⊕B是所有向量加之和的几何。本方法中，二值影像中的水体区域为X，B是边长为桥梁宽度D的正方形卷积核，把X的每个点放到B中心点，以B结构外扩实现水体区域X的膨胀。水体膨胀结果示意图如图8所示。
S103-2：将所述桥梁宽度作为水体腐蚀操作的卷积核尺度参数，对所述水体区域进行腐蚀操作，得到连通的水体区域图像。
通过上述水体区域的膨胀，将二值化的分割图像中的桥梁区域去除，同时也将水体岸线后移，如图8所示。为了恢复水体岸线，将所述桥梁的宽度D作为水体腐蚀操作的卷积核尺度参数，对所述水体区域进行腐蚀操作，即对水体区域X，采用边长为桥梁宽度D的正方形卷积核B，进行向量减法操作，得到水体岸线基本不变，桥梁消失的连通水体区域，如图9所示。
本方法中，准确计算桥梁宽度非常重要，在水体膨胀操作中，只有采用了准确的卷积核尺度参数才能保证既完全腐蚀掉水上桥梁，又不对水体岸线等非水体产生更多的变化，确保采用水体腐蚀操作后最大限度的恢复水体岸线，使提取桥梁与桥梁实际位置几乎一致，为下一步操作打下好的基础。
S104，对所述连通的水体区域和所述分割图像进行差分处理，标记出差分区域；所述差分区域为在所述分割图像中为非水体区域且在所述连通的水体区域图像中为水体区域的区域。
对恢复水体岸线后连通的水体图像和S101-3步骤中得到的所述分割图像进行差分处理。通过差分处理，将在S101-3步骤中为非水体区域、在S103-2中为水体的区域进行标记，标记为候选桥梁，如图10所示。
S105，从所述差分区域中进行桥梁提取。
如图11所示，所述桥梁提取包括以下步骤：
S105-1：对所述差分区域进行最小外包络椭圆拟合，得到椭圆的长半轴和短半轴；
S105-2：计算最小外包络椭圆长半轴与短半轴的比值；
S105-3：根据桥梁的几何特征，设置桥梁提取阈值，将所述最小外包络椭圆长半轴与短半轴的比值大于所述桥梁提取阈值的差分区域提取为桥梁。
作为本发明的一种实施例，根据桥梁特点和经验，桥梁提取阈值设置为4。桥梁的几何特征包括长方形、低密度等。判断在差分区域中，最小外包络椭圆长半轴与短半轴的比值大于桥梁提取阈值的区域，将这些区域作为桥梁进行提取，提取的桥梁部分如图12所示。
根据本发明的实施例，在水上桥梁提取过程中，实现了水上桥梁的自动化提取，在图像进行二值化处理的基础上，利用桥梁的光谱特征和几何特征剔除了桥体阴影和小斑块的干扰，并创新性的采用水域边界像元间的距离分布图中第一个波峰的数据，得到桥梁准确的宽度值，进而保证本方法可用于不同宽度的桥梁提取。因此，本方法不仅能适用于不同宽度、不同长度水上桥梁的自动化准确提取，也能适用于米级和亚米级空间分辨率的高分遥感影像的桥梁提取。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
如图13所示，装置1300包括：
分割模块1310，用于对原始遥感影像进行分割，生成分割图像；所述分割图像包括非水体区域以及被所述非水体区域分隔出的若干水体区域。
在本实施例中，分割模块1310还包括：
初始分割模块1311，用于对原始遥感影像中的水体区域和非水体区域进行识别，得到初始分割图像。所述对原始遥感影像中的水体区域和非水体区域进行识别，包括：
采用聚类算法对原始遥感影像进行初始聚类，统计出初始聚类特征；
根据水体与非水体光谱特征，从所述初始聚类特征中识别出包含水体的初始聚类特征；计算各个聚类中像素的蓝波段DN值与绿波段DN值比值的均值；将所述比值均值中的最小的聚类作为候选水体区域聚类；
计算所述候选水体区域聚类中每个像素的蓝波段DN值与绿波段DN值差值的均值；如果所述差值的均值大于预设水体特征阈值，则所述候选水体区域为水体区域。
对水体区域和非水体区域进行分割，生成初始分割图像；所述水体特征阈值用于区分水体区域和非水体区域。
小图斑去除模块1312，用于设置小图斑去除阈值，将所述初始分割图像中像素个数小于所述小图斑去除阈值的图斑进行去除；
阴影去除模块1313，用于设置亮度阈值，根据桥梁的亮度特征，对所述非水体区域中靠近水体区域的非桥体区域进行剔除，得到分割图像。
计算模块1320，用于计算所述分割图像中的桥梁宽度。
在本发明实施例中，所述计算模块1320还包括：
标记模块1321，用于通过八邻域区域生长对所述分割图像中的若干个水体区域进行标记；
提取模块1322，用于提取水体区域的边界点；所述水体区域的边界点为当前像素的八邻域中的非水体像素点；
距离计算模块1323，用于计算每两个不同水体区域边界点之间的距离，并存储于距离数组中；
直方图统计模块1324，用于通过距离直方图对所述距离数组进行统计，得到距离值集合和次数集合；
均值计算模块1325，用于选择第一个波峰区域的距离值和所选距离值出现的次数进行求均值，得到桥梁宽度；所述第一个波峰区域为所述距离直方图中的距离最小值到第一个局部统计次数最小值之间的区域，如图7中虚线框中区域；所述第一个波峰区域的距离值为在所述第一个波峰区域内距离值的均值。
水体连通模块1330，用于通过水体膨胀将所述分割图像中若干水体区域进行连通，并对所述水体区域中靠近非水体区域的边缘进行恢复，得到连通的水体区域图像。
在本发明实施例中，所述水体连通模块1330还包括：
水体膨胀模块1331，用于将所述桥梁宽度作为水体膨胀操作的卷积核尺度参数，对所述水体区域进行水体膨胀操作，将每两个水体区域进行连通；
水体腐蚀模块1332，用于将所述桥梁宽度作为水体腐蚀操作的卷积核尺度参数，对所述水体区域进行腐蚀操作，得到连通的水体区域图像。
差分模块1340，用于对所述连通的水体区域和所述分割图像进行差分处理，标记出差分区域；所述差分区域为在所述分割图像中为非水体区域且在所述连通的水体区域图像中为水体区域的区域。
提取模块1350，用于从所述差分区域中进行桥梁提取。
在本发明的实施例中，所述提取模块1350，还包括：
椭圆拟合模块1351，用于对所述差分区域进行最小外包络椭圆拟合，得到椭圆的长半轴和短半轴；
比值计算模块1352，用于计算最小外包络椭圆长半轴与短半轴的比值；
比较模块1353，用于根据桥梁的几何特征，设置桥梁提取阈值，将所述最小外包络椭圆长半轴与短半轴的比值大于所述桥梁提取阈值的差分区域提取为桥梁。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
如图14所示，电子设备包括中央处理单元(CPU)，其可以根据存储在只读存储器(ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
设备中的多个部件连接至I/O接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元执行上文所描述的各个方法和处理，例如方法S101～S105。例如，在一些实施例中，方法S101～S105可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的方法S101～S105的一个或多个步骤。备选地，在其他实施例中，CPU可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S101～S105。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (9)

1.一种基于高分辨率遥感影像的跨水桥梁提取方法，其特征在于，包括：
对原始遥感影像进行分割，生成分割图像；所述分割图像包括非水体区域以及被所述非水体区域分隔出的若干水体区域；
计算所述分割图像中的桥梁宽度；所述计算所述分割图像中的桥梁宽度，包括：通过八邻域区域生长对所述分割图像中的若干个水体区域进行标记；提取水体区域的边界点；所述水体区域的边界点为当前像素的八邻域中存在非水体像素点的点；计算每两个不同水体区域边界点之间的距离，并存储于距离数组中；通过距离直方图对所述距离数组进行统计并进行直方图平滑处理，得到距离值集合和次数集合；选择第一个波峰区域的距离值和所选距离值出现的次数进行求均值，得到桥梁宽度；所述第一个波峰区域为所述距离直方图中的距离最小值到第一个局部统计次数最小值之间的区域；
通过水体膨胀将所述分割图像中若干水体区域进行连通，并对所述水体区域中靠近非水体区域的边缘进行恢复，得到连通的水体区域图像；
对所述连通的水体区域和所述分割图像进行差分处理，标记出差分区域；
从所述差分区域中进行桥梁提取。
2.根据权利要求1所述的方法，其特征在于，所述对原始遥感影像进行分割，包括：
对原始遥感影像中的水体区域和非水体区域进行识别，得到初始分割图像；
设置小图斑去除阈值，将所述初始分割图像中像素个数小于所述小图斑去除阈值的图斑进行去除；
设置亮度阈值，根据桥梁的亮度特征，对所述非水体区域中靠近水体区域的非桥体区域进行剔除，得到分割图像。
3.根据权利要求2所述的方法，其特征在于，所述对原始遥感影像中的水体区域和非水体区域进行识别，包括：
采用聚类算法对原始遥感影像进行初始聚类，统计出初始聚类特征；
根据水体与非水体光谱特征，从所述初始聚类特征中识别出包含水体的初始聚类特征；
对水体区域和非水体区域进行分割，生成初始分割图像；所述水体特征阈值用于区分水体区域和非水体区域。
4.根据权利要求3所述的方法，其特征在于，所述根据水体与非水体光谱特征，从所述初始聚类特征中识别出包含水体的初始聚类特征，包括：
计算各个聚类中像素的蓝波段DN值与绿波段DN值比值的均值；将所述比值均值中的最小的聚类作为候选水体区域聚类；
计算所述候选水体区域聚类中每个像素的蓝波段DN值与绿波段DN值差值的均值；如果所述差值的均值大于预设水体特征阈值，则所述候选水体区域为水体区域。
5.根据权利要求1所述的方法，其特征在于，所述通过水体膨胀将所述分割图像中若干水体区域进行连通，并对所述水体区域中靠近非水体区域的边缘进行恢复，得到连通的水体区域图像，包括：
将所述桥梁宽度作为水体膨胀操作的卷积核尺度参数，对所述水体区域进行水体膨胀操作，将每两个水体区域进行连通；
将所述桥梁宽度作为水体腐蚀操作的卷积核尺度参数，对所述水体区域进行腐蚀操作，得到连通的水体区域图像。
6.根据权利要求1所述的方法，其特征在于，所述桥梁提取，包括：
对所述差分区域进行最小外包络椭圆拟合，得到椭圆的长半轴和短半轴；
计算最小外包络椭圆长半轴与短半轴的比值；
根据桥梁的几何特征，设置桥梁提取阈值，将所述最小外包络椭圆长半轴与短半轴的比值大于所述桥梁提取阈值的差分区域提取为桥梁。
7.根据权利要求1或6所述的方法，其特征在于，所述差分区域为在所述分割图像中为非水体区域且在所述连通的水体区域图像中为水体区域的区域。
8.一种基于高分辨率遥感影像的跨水桥梁提取装置，其特征在于，包括：
分割模块，用于对原始遥感影像进行分割，生成分割图像；所述分割图像包括非水体区域以及被所述非水体区域分隔出的若干水体区域；
计算模块，用于计算所述分割图像中的桥梁宽度；所述计算所述分割图像中的桥梁宽度，包括：通过八邻域区域生长对所述分割图像中的若干个水体区域进行标记；提取水体区域的边界点；所述水体区域的边界点为当前像素的八邻域中存在非水体像素点的点；计算每两个不同水体区域边界点之间的距离，并存储于距离数组中；通过距离直方图对所述距离数组进行统计并进行直方图平滑处理，得到距离值集合和次数集合；选择第一个波峰区域的距离值和所选距离值出现的次数进行求均值，得到桥梁宽度；所述第一个波峰区域为所述距离直方图中的距离最小值到第一个局部统计次数最小值之间的区域；
水体连通模块，用于通过水体膨胀将所述分割图像中若干水体区域进行连通，并对所述水体区域中靠近非水体区域的边缘进行恢复，得到连通的水体区域图像；
差分模块，用于对所述连通的水体区域和所述分割图像进行差分处理，标记出差分区域；
提取模块，用于从所述差分区域中进行桥梁提取。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。
CN202010902843.6A 2020-09-01 2020-09-01 一种基于高分辨率遥感影像的跨水桥梁提取方法和装置 Active CN112052777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010902843.6A CN112052777B (zh) 2020-09-01 2020-09-01 一种基于高分辨率遥感影像的跨水桥梁提取方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010902843.6A CN112052777B (zh) 2020-09-01 2020-09-01 一种基于高分辨率遥感影像的跨水桥梁提取方法和装置

Publications (2)

Publication Number Publication Date
CN112052777A CN112052777A (zh) 2020-12-08
CN112052777B true CN112052777B (zh) 2024-05-10

Family

ID=73607149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010902843.6A Active CN112052777B (zh) 2020-09-01 2020-09-01 一种基于高分辨率遥感影像的跨水桥梁提取方法和装置

Country Status (1)

Country Link
CN (1) CN112052777B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822204B (zh) * 2021-09-26 2024-09-03 中国科学院空天信息创新研究院 一种桥梁目标检测中桥梁边缘线的精确拟合方法
CN115661666B (zh) * 2022-12-12 2023-04-07 航天宏图信息技术股份有限公司 遥感影像中桥梁的识别方法、装置、电子设备及介质
CN116434065B (zh) * 2023-04-19 2023-12-19 北京卫星信息工程研究所 全色几何校正遥感影像的水体分割方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159009A (zh) * 2007-11-09 2008-04-09 西北工业大学 从遥感图像中检测桥梁的方法
CN101430763A (zh) * 2008-11-10 2009-05-13 西安电子科技大学 遥感图像中水上桥梁目标检测方法
CN101976347A (zh) * 2010-10-21 2011-02-16 西北工业大学 基于Mean Shift分割的遥感图像中水上桥梁识别方法
CN103020605A (zh) * 2012-12-28 2013-04-03 北方工业大学 基于决策层融合的桥梁识别方法
CN104361589A (zh) * 2014-11-12 2015-02-18 河海大学 一种基于尺度间映射的高分辨率遥感影像分割方法
CN105374024A (zh) * 2015-09-24 2016-03-02 四川航天系统工程研究所 高分辨率卫星影像水上桥梁提取的方法
CN107507200A (zh) * 2017-08-31 2017-12-22 电子科技大学 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法
CN108919266A (zh) * 2018-07-20 2018-11-30 国交空间信息技术（北京）有限公司 一种基于PSInSAR技术的桥梁安全预警方法
KR20200063682A (ko) * 2018-11-28 2020-06-05 홍익대학교 산학협력단 인공위성 영상을 이용한 하천의 유량추정방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9196050B2 (en) * 2014-04-09 2015-11-24 Google Inc. Image-based bridge identification and boundary detection

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159009A (zh) * 2007-11-09 2008-04-09 西北工业大学 从遥感图像中检测桥梁的方法
CN101430763A (zh) * 2008-11-10 2009-05-13 西安电子科技大学 遥感图像中水上桥梁目标检测方法
CN101976347A (zh) * 2010-10-21 2011-02-16 西北工业大学 基于Mean Shift分割的遥感图像中水上桥梁识别方法
CN103020605A (zh) * 2012-12-28 2013-04-03 北方工业大学 基于决策层融合的桥梁识别方法
CN104361589A (zh) * 2014-11-12 2015-02-18 河海大学 一种基于尺度间映射的高分辨率遥感影像分割方法
CN105374024A (zh) * 2015-09-24 2016-03-02 四川航天系统工程研究所 高分辨率卫星影像水上桥梁提取的方法
CN107507200A (zh) * 2017-08-31 2017-12-22 电子科技大学 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法
CN108919266A (zh) * 2018-07-20 2018-11-30 国交空间信息技术（北京）有限公司 一种基于PSInSAR技术的桥梁安全预警方法
KR20200063682A (ko) * 2018-11-28 2020-06-05 홍익대학교 산학협력단 인공위성 영상을 이용한 하천의 유량추정방법 및 장치

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Extraction and Recognition of Bridges over Water in High Resolution SAR Image;Zhang, XiongMei 等;《Advances in multimedia, software engineering and computing. Vol. 1, Proceedings of the 2011 MSEC International Conference on Multimedia, Software Engineering and Computing》;20111207;第1卷;19-24 *
一种针对多光谱遥感图像的桥梁快速识别算法;孙艳丽 等;《海军航空工程学院学报》;20160720(第04期);451-455 *
从高分辨率遥感图像中自动识别水上桥梁;彭碧发 等;《应用科学学报》;20100730(第04期);354-360 *
基于数学形态学的SPOT影像桥梁提取;杨朝辉;;《苏州科技学院学报(自然科学版)》;20090315(第01期);53-57 *
基于知识的中高分辨率光学卫星遥感影像桥梁目标识别研究;吴樊 等;《电子与信息学报》;20060420(第04期);587-591 *

Also Published As

Publication number Publication date
CN112052777A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN112052777B (zh) 一种基于高分辨率遥感影像的跨水桥梁提取方法和装置
CN108986119B (zh) 图像分割方法及装置、计算机设备及可读存储介质
CN103543394A (zh) 一种高压电气设备放电紫外成像量化参数提取方法
CN109389163B (zh) 一种基于地形图的无人机影像分类系统及方法
CN109543676B (zh) 一种基于图像处理的字轮型水表数字字符识别方法
CN108416784B (zh) 城市建成区边界快速提取方法、装置及终端设备
CN109697717B (zh) 一种基于图像自动搜索的衬砌裂缝识别方法
CN111539330B (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN112686264B (zh) 数字式仪表读数方法、装置、计算机设备和存储介质
CN114862889A (zh) 基于遥感图像的道路边缘提取方法和装置
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN113449639B (zh) 一种物联网网关对仪表的无接触数据采集方法
CN115690012A (zh) 一种电能表接错线的检测方法
CN114519694B (zh) 基于深度学习的七段数码管液晶显示屏识别方法及系统
CN112785548B (zh) 一种基于车载激光点云的路面裂缝检测方法
CN112418226B (zh) 一种鱼眼分合闸状态识别的方法及装置
CN113610052A (zh) 一种基于深度学习的隧道渗漏水自动识别方法
CN116434085B (zh) 基于纹理特征分析的坑槽识别方法、装置、设备及介质
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法
CN116758423A (zh) 一种基于白点率法的输电线路异物检测方法
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质
CN111507287B (zh) 一种航空影像中道路斑马线角点提取方法及系统
CN115423765A (zh) 一种基于模板图像的晶粒缺陷量化分割方法
CN111062309B (zh) 一种雨天交通标志检测方法、存储介质及系统
CN112651936A (zh) 基于图像局部熵的钢板表面缺陷图像分割方法及系统

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