CN112287904B - 基于卫星影像的机场目标识别方法和装置 - Google Patents

基于卫星影像的机场目标识别方法和装置 Download PDF

Info

Publication number
CN112287904B
CN112287904B CN202011478939.0A CN202011478939A CN112287904B CN 112287904 B CN112287904 B CN 112287904B CN 202011478939 A CN202011478939 A CN 202011478939A CN 112287904 B CN112287904 B CN 112287904B
Authority
CN
China
Prior art keywords
image
satellite
pixel
satellite image
images
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
CN202011478939.0A
Other languages
English (en)
Other versions
CN112287904A (zh
Inventor
严华
王慧静
杨晓冬
杨斌
张丽莎
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.)
Beijing Daoda Tianji Technology Co ltd
Original Assignee
Beijing Daoda Tianji Technology 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 Beijing Daoda Tianji Technology Co ltd filed Critical Beijing Daoda Tianji Technology Co ltd
Priority to CN202011478939.0A priority Critical patent/CN112287904B/zh
Publication of CN112287904A publication Critical patent/CN112287904A/zh
Application granted granted Critical
Publication of CN112287904B publication Critical patent/CN112287904B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/13—Satellite images
    • 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
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本公开提供了基于卫星影像的机场目标识别方法和装置。所述方法包括：获取待识别的卫星影像；对所述待识别的卫星影像进行预处理，生成标准卫星影像，其中，预处理的过程包括建立直方图查找表，确定相对辐射标定系数，根据所述相对辐射标定系数对所述卫星影像进行相对辐射校正；对相对辐射校正后的卫星影像进行丢线处理；对丢线处理后的卫星影像进行局部条带处理，补充丢失的影像；对局部条带处理后的卫星影像进行去重叠和去色差；将所述标准卫星影像输入到预先训练的机场目标识别模型，输出识别结果。以此方式，能够对卫星影像中的机场目标进行准确识别。

Description

基于卫星影像的机场目标识别方法和装置
技术领域
本公开的实施例一般涉及图像处理技术领域，并且更具体地，涉及基于卫星影像的机场目标识别方法和装置。
背景技术
机场作为一种重要的交通工具和军用设施，在各个领域尤其是基础信息、航空安全、国防建设领域具有非常重要的作用，因此快速准确的从海量遥感影像中对机场进行识别定位具有非常重要的意义。传统的遥感图像目标检测方法一般分为三个步骤：一是区域搜索，二是特征提取，三是分类器判定。方法上主要有两大类，一种是基于图像的灰度特征，通过图像分割或视觉显著机制等确定机场的疑似区域，然后通过提取疑似区域的某种特征，用分类器进行类别判定，得到该区域的最终判定结果；另一种是基于机场跑道的结构特征，通过Hough变换等直线检测手段提取出机场的边缘信息，然后再通过直线拟合、区域增长等方法得到机场最终的位置和轮廓。
现有技术中，由于用于机场目标识别的卫星影像本身在成像过程中易受到相机光学空间响应不均匀、各像素响应不同等因素的影响，导致获取的卫星影像经常具有明显的条纹或带状辐射差异现象，使得根据卫星影像识别出的机场目标的轮廓不精确。
发明内容
根据本公开的实施例，提供了一种能够准确识别机场目标的地面轮廓的基于卫星影像的机场目标识别方案。
在本公开的第一方面，提供了一种基于卫星影像的机场目标识别方法，包括：
获取待识别的卫星影像，所述待识别的卫星影像中包括多个影像区域，每个影像区域中的一个像素对应一个卫星探元；
对所述待识别的卫星影像进行预处理，生成标准卫星影像；其中，预处理的过程包括建立直方图查找表，确定相对辐射标定系数，根据所述相对辐射标定系数对所述卫星影像进行相对辐射校正；对相对辐射校正后的卫星影像进行丢线处理；对丢线处理后的卫星影像进行局部条带处理，补充丢失的影像；对局部条带处理后的卫星影像进行去重叠和去色差；
将所述标准卫星影像输入到预先训练的机场目标识别模型，输出识别结果。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述机场目标识别模型通过以下方式训练得到：
以预先标注好的标准卫星影像作为训练样本，输入到神经网络模型中对神经网络模型的参数进行训练，输出标准卫星影像中的机场目标的地面轮廓；
将模型输出的机场目标的地面轮廓与标注的地面轮廓进行对比，判断模型输出的机场目标的地面轮廓相对于标注的地面轮廓的损失函数是否小于预设阈值；
响应于损失函数不小于预设阈值，对神经网络模型的参数进行调整，并利用标注好的标准卫星影像对神经网络模型进行重复训练，直到损失函数小于预设阈值，完成对机场目标识别模型的训练。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括：
根据输出的识别结果确定机场目标的轮廓的特征点对应的大地坐标。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述建立直方图查找表，确定相对辐射标定系数，包括：
确定多个影像区域的统计直方图，所述统计直方图为所述影像区域内的像素的灰度值的统计直方图；
选取一个统计直方图为基准探元期望直方图，将其他统计直方图与所述基准探元期望直方图进行匹配，使其他统计直方图的像素灰度值的概率密度函数与所述基准探元期望直方图的概率密度函数相同；
计算每个统计直方图中像素灰度值的累计概率密度函数和所述基准探元期望直方图的累计概率密度函数；
根据每个统计直方图中的累计概率密度函数进行最小二乘线性拟合，计算增益系数和偏置系数，所述增益系数和偏置系数即为相对辐射标定系数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述相对辐射标定系数对所述卫星影像进行相对辐射校正，包括：
采用公式
Figure 418543DEST_PATH_IMAGE002
对所述卫星影像的每个影像区域进行相对辐射校正，其中，L p 为相对辐射校正后第p个像素的灰度值，DN p 为原始第p个像素的灰度值，a p 为第p个像素的增益系数，b p 为第p个像素的偏置系数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对相对辐射校正后的卫星影像进行丢线处理，包括：
对于丢失一行的影像数据，利用丢失行的上下行的影像数据，通过插值的方法予以弥补，实现丢线处理，对于丢失的多行影像数据，利用多项式拟合的方法，对丢失的影像数据进行弥补。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括：
采用公式
Figure DEST_PATH_IMAGE003
判断相对辐射校正后的卫星影像是否存在丢线，G ij 表示相对辐射校正后的第i行第j列像素的灰度值，g ij 表示为某一像素被计算前的输入灰度值，M表示整个影像所有像素灰度值的平均值，D表示整个影像所有像素灰度值的标准偏差，m i 表示每条扫描线上像素灰度平均值，d i 表示每条扫描线上像素灰度的标准偏差，i表示像素的横坐标，j表示像素的纵坐标；
若G ij 的值等于整个像幅灰度值得平均值M，则第i行存在丢线。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对丢线处理后的卫星影像进行局部条带处理，补充丢失的影像，包括：
对于条带的左边界的第k列像素和右边界的第l列像素，分别向左右扩展h列，确定对应的第m列像素和第n列像素，作为参考列；
计算参考列像素值的标准差
Figure 487868DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE005
和均值
Figure 870439DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
；
计算参考列之间的标准差
Figure 522393DEST_PATH_IMAGE008
和均值
Figure DEST_PATH_IMAGE009
，其中：
Figure 306810DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
；
计算每个局部条带列的标准差和均值的理想统计量
Figure 15877DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
，其中，
Figure 885744DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
，
x为 k和 l之间的数；
由理想统计量计算局部条带列的增益系数和偏置系数a x 和b x ，其中，
Figure 341390DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
；
利用公式
Figure 714734DEST_PATH_IMAGE018
对局部条带列中的每个像素列进行校正，实现地物的均匀变化。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对局部条带处理后的卫星影像进行去重叠和去色差，包括：
利用特征区域匹配算法对卫星影像的子影像进行配准，并对配准后的子影像进行去色差，具体包括：
在相邻子影像上选取相同数量的影像块，分别统计这些影像块的标准差σr、σf和均值ur、uf，其中，r和f表示子影像的编号；
然后计算相邻子影像的增益系数a l 和偏置系数b l ，其中，
Figure DEST_PATH_IMAGE019
，
Figure 627326DEST_PATH_IMAGE020
，
最后通过公式
Figure DEST_PATH_IMAGE021
实现子影像间的校正处理，其中，a l 和b l 分别为第l+1个子影像相对于第l个子影像的增益系数和偏置系数，I l 和I l+1 分别为第l个和第l+1个子影像的灰度值。
在本公开的第二方面，提供了一种基于卫星影像的机场目标识别装置，包括：
卫星影像获取模块，用于获取待识别的卫星影像，所述待识别的卫星影像中包括多个影像区域，每个影像区域中的一个像素对应一个卫星探元；
卫星影像预处理模块，用于对所述待识别的卫星影像进行预处理，生成标准卫星影像；其中，预处理的过程包括建立直方图查找表，确定相对辐射标定系数，根据所述相对辐射标定系数对所述卫星影像进行相对辐射校正；对相对辐射校正后的卫星影像进行丢线处理；对丢线处理后的卫星影像进行局部条带处理，补充丢失的影像；对局部条带处理后的卫星影像进行去重叠和去色差；
机场目标识别模块，用于将所述标准卫星影像输入到预先训练的机场目标识别模型，输出识别结果。
在本公开的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行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公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
通过本公开的基于卫星影像的机场目标识别方法，能够对卫星影像中的机场目标的地面轮廓进行精确识别。
附图说明
结合附图并参考以下详细说明，本公开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示出了本公开实施例一的基于卫星影像的机场目标识别方法的流程图；
图2示出了本公开实施例二的相对辐射标定系数确定方法的流程图；
图3示出了本公开实施例三的基于卫星影像的机场目标识别装置的功能结构示意图；
图4示出了本公开实施例四的基于卫星影像的机场目标识别设备的结构示意图；
图5为丢线处理前的卫星影像；
图6为丢线处理后的卫星影像；
图7为局部条带列处理前的卫星影像；
图8为局部条带列处理后的卫星影像。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
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。
本公开实施例的基于卫星影像的机场目标识别方法，能够对卫星影像中的机场目标进行准确识别。
具体地，如图1所示，为本公开实施例一的基于卫星影像的机场目标识别方法的流程图。从图1中可以看出，本实施例的方法，可以包括以下步骤：
S101：获取待识别的卫星影像，所述待识别的卫星影像中包括多个影像区域，每个影像区域中的一个像素对应一个卫星探元。
当利用卫星影像对机场目标的分布状态进行统计时，首先需要获取待识别的卫星影像，所述卫星影像中包括多个影像区域，每个影像区域中的一个像素对应一个卫星探元。
S102：对所述待识别的卫星影像进行预处理，生成标准卫星影像；其中，预处理的过程包括建立直方图查找表，确定相对辐射标定系数，根据所述相对辐射标定系数对所述卫星影像进行相对辐射校正；对相对辐射校正后的卫星影像进行丢线处理；对丢线处理后的卫星影像进行局部条带处理，补充丢失的影像；对局部条带处理后的卫星影像进行去重叠和去色差。
具体地，由于卫星影像存在明显的条纹或带状辐射差异现象，并且存在色差，因此，需要先对卫星影像进行相对辐射校正。通常情况下，卫星影像中的DN是卫星影像像素亮度值，记录着地物的灰度值，是一个整数值，值大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率等有关。这里需要明确的是卫星图像的内容就是记录DN值后反映的。然而当考虑形成DN值结果时物理因素的干扰，就会发现其实DN值并未真正反映地物的灰度值，比如说传感器、大气、地形和高度角所造成的能量的损失，都会使最终被量化的辐射能量减小。
辐射亮度值是卫星上接受的辐射亮度，是辐射定标的结果之一，表示某一个面积辐射能量的总和，其具体含义是单位面积，单位波长，单位立体角的辐射通量，单位为W/cm2.um.sr(瓦特/平方厘米.微米.球面度)，辐射亮度值包括物体反射的辐射能量，还包括临近地物的贡献值，也包含云层的影响。
由于高分六号卫星包括三个分系统：高分相机分系统、宽幅相机分系统和数据传输分系统。其中高分相机分系统由一台TDI-CCD推扫式相机组成，宽幅相机分系统由一台线阵CMOS推扫式相机组成。线阵推扫式传感器在成像过程中易受到相机光学空间响应不均匀、各像素响应不同等因素的影响，导致获取的卫星影像经常具有明显的条纹或带状辐射差异现象。这种条带包括探测器之间、扫描线之间及多个扫描行的条带，此现象也会造成不同的CCD片间的色差。
因此，卫星影像往往需要进行相对辐射校正。即将未定标的DN图像转成辐射亮度值图像。在校正过程中，首先需要获取待校正的卫星影像，所述卫星影像包括多个影像区域，每个影像区域中的一个像素对应一个卫星探元。即卫星影像是由探元阵列采集到的辐射亮度值一条一条拼接而成的，每个影像区域为探元阵列一次采集到的辐射亮度值，并且每个影像区域中的一个像素对应探元阵列中的一个探元。
建立直方图查找表，确定相对辐射标定系数，根据所述相对辐射标定系数对所述卫星影像进行相对辐射校正。
由于探元阵列中的探元之间存在辐射响应差异，因此探元阵列中的探元采集到的辐射亮度值也不准确，例如，一个探元采集到的辐射亮度值偏大，而另一探元采集到的辐射亮度值偏小，并且这两个探元采集到的辐射亮度值可能都不是真实的地物的灰度值，因此，需要对探元阵列中的探元采集到的辐射亮度值进行校正。将未定标的DN图像转成辐射亮度值图像，需要用一个线性转换公式及偏移和增益就可以完成，偏移和增益系数一般在元数据文件中获取。在本实施例中，通过建立直方图查找表的形式确定偏移系数和增益系数（即相对辐射标定系数）。具体地，如图2所示，为本公开实施例二的相对辐射标定系数确定方法的流程图。
本实施例的确定相对辐射标定系数的方法，可以包括以下步骤：
S201：确定多个影像区域的统计直方图，所述统计直方图为所述影像区域内的像素的灰度值的统计直方图。
以某个像素的直方图作为期望直方图，其他像素的直方图可以看作是原始直方图，将每个像素的原始直方图匹配到期望直方图上，可以得到该像素的直方图查找表。具体地，先确定像素阵列中每个像素在多个影像区域中对应的DN值（辐射亮度值），然后对每个像素的DN值进行统计，生成统计直方图，生成的统计直方图为像素在各个影像区域中的DN值、同一DN值的数量以及对应数量的占比。例如，某像素的DN值包括36、78、156，对应的数量分别为4、15、36，占比分别为7.3%、27.3%和65.4%。
S202：选取一个统计直方图为基准探元期望直方图，将其他统计直方图与所述基准探元期望直方图进行匹配，使其他统计直方图的像素灰度值的概率密度函数与所述基准探元期望直方图的概率密度函数相同。
S203：计算每个统计直方图中像素灰度值的累计概率密度函数和所述基准探元期望直方图的累计概率密度函数。
S204：根据每个统计直方图中的累计概率密度函数进行最小二乘线性拟合，计算增益系数和偏置系数，所述增益系数和偏置系数即为相对辐射标定系数。
在本实施例中，当生成统计直方图后，可以选取一个统计直方图为基准探元期望直方图，将其他统计直方图与所述基准探元期望直方图进行匹配，使其他统计直方图的像素灰度值的概率密度函数与所述基准探元期望直方图的概率密度函数相同。
具体地，求取影像每个统计直方图的概率密度和期望直方图的概率密度p i (k)，
Figure 217445DEST_PATH_IMAGE022
，其中，k为像素编号，i为像素直方图的编号，N i 为像素k在i个像素直方图中的灰度值的总和，
Figure DEST_PATH_IMAGE023
为像素k在像素直方图i中对应的灰度值；
某个设定探元对应的统计直方图作为期望直方图，概率密度函数P(l)，
Figure 975317DEST_PATH_IMAGE024
，其中，l为探元编号，m l 为探元l对应的像素的灰度值，M为探元l在统计直方图中的灰度值的总和；
求取每个探元的直方图的累计概率密度
Figure DEST_PATH_IMAGE025
和基准探元期望直方图的累计概率密度V l
Figure 970211DEST_PATH_IMAGE026
，其中，i为探元编号，j为探元直方图的编号，k为探元直方图的总数；
Figure DEST_PATH_IMAGE027
，其中，j为探元直方图的编号，l为探元直方图的总数，m j 为探元j对应的像素的灰度值，M为探元j在像素直方图中的灰度值的总和；
对照查找表的生成，用同样的方法处理所有的像素，这样就可以获得该影像的直方图查找表。
将直方图查找表进行最小二乘线性拟合计算增益系数a p 和偏置系数b p 。
利用相对辐射定标系数，构建相对辐射校正模型，解算传感器各像素间的增益系数和偏置系数，对待校正CCD子影像各像素DN值进行转换，消除像素间辐射响应差异，实现相对辐射校正。
相对辐射校正模型如下式所示。
Figure 788125DEST_PATH_IMAGE028
，
其中，L p 为相对辐射校正后第p个像素的DN（灰度）值，DN p 为原始第p个像素的灰度值，a p 为第p个像素的增益系数，b p 为第p个像素的偏置系数。
对相对辐射校正后的卫星影像进行丢线处理。
在完成对卫星影像的相对辐射校正后，可以进一步对辐射校正后的卫星影像进行丢线处理。具体地，高分六号卫星影像成像时，时而会出现分段或整行、多行黑线，这些均称为影像丢行。这可能是由于某一扫描线上故障造成的扫描线脱落。在本实施例中，当丢失一行时，可以利用上下行的影像数据，通过插值的方法予以弥补，当丢失2~5行时，可以利用多项式拟合的方法，对丢失的影像数据进行弥补，当丢失多余5行或是由空洞引起的丢行问题就不再加以处理。
在本实施例中，可以利用公式
Figure DEST_PATH_IMAGE029
对是否丢线进行判断，其中，G ij 表示相对辐射校正后的第i行第j列像素的灰度值，g ij 表示为某一像素被计算前的输入灰度值，M表示整个影像所有像素灰度值的平均值，D表示整个影像所有像素灰度值的标准偏差，m i 表示每条扫描线上像素灰度平均值，d i 表示每条扫描线上像素灰度的标准偏差，i表示像素的横坐标，j表示像素的纵坐标。
按照上面查找丢行的公式。如果第i行丢失数据，由于该行上所有像素都是零级灰值，故m i 和d i 计算出来也为零值，最后计算的G ij 的灰度值等于整个像幅灰度值得平均值M，即计算出来第i行的所有像素的灰度值都相等（也即等于某一常数时），说明第i行需进行丢行修补。
如图5所示为丢线处理前的卫星影像，图6所示为丢线处理后的卫星影像。从图5和图6中可以看出，丢线处理后的卫星影像中消除了之前存在的黑线。
对丢线处理后的卫星影像进行局部条带处理，补充丢失的影像。
受卫星相机镜头畸变的影响，中心成像和边缘成像的辐射特性存在较大的区别，故使影像区域间产生局部条带，需进行局部条带处理。
为了降低局部条带现象对影像质量的影响，利用像素之间的相关性对局部条带的子影像进行校正处理。
具体地，已知条带的左右边界k，l分别向外扩展一定的列数。找到正常像素所对应的两列（m列，n列）。
以选出的两列（m列，n列）作为参考列，分别计算参考列像素DN值得标准差
Figure 865540DEST_PATH_IMAGE004
、
Figure 223840DEST_PATH_IMAGE005
和均值
Figure 634093DEST_PATH_IMAGE006
、
Figure 198409DEST_PATH_IMAGE007
。
计算参考列之间的标准差
Figure 61323DEST_PATH_IMAGE030
和均值
Figure DEST_PATH_IMAGE031
。
Figure 160997DEST_PATH_IMAGE010
，
Figure 658713DEST_PATH_IMAGE032
计算每个局部条带列的标准差和均值的理想统计量：
Figure DEST_PATH_IMAGE033
Figure 818430DEST_PATH_IMAGE015
x为 k和 l之间的数；
由理想统计量计算局部条带列的增益系数和偏置系数a x 和b x ，其中，
Figure 903060DEST_PATH_IMAGE016
，
Figure 370207DEST_PATH_IMAGE017
；
对局部条带列中的每个像素列进行校正，实现地物的均匀变化：
Figure 489473DEST_PATH_IMAGE018
。
对于整幅影像，每遇到一个局部条带区域，重复上述步骤，直至整幅影像的局部条带区域处理完毕。
如图7所示，为局部条带列处理前的卫星影像，图8为局部条带处理后的卫星影像。对比图7和图8可以明显看出局部条带处理后消除了图7中存在的局部条带。
局部条带处理后的卫星影像进行去重叠和去色差，从而使得卫星影像的整体辐射达到一致。
高分六号卫星相机的相邻的像区域一般都有一定的重合区域，当重合区域完全匹配时，两幅影像也就能够完全拼接，所以拼接问题的实质是重叠区的配准问题。
在匹配的过程中，将左边的影像作为参考影像，参考影像位置保持不变，右侧影像为浮动影像，对二者的特征区域进行匹配。以GF-6卫星全色2米分辨率影像为例，影像之间设定搭接像素为120个像素，为保证选择的特征区域大部分在重叠区域内，设定浮动影像左侧的5个像素宽度范围为可能的重叠区域。设定特征区域大小为50×50个像素。根据各个特征区域匹配情况，可以判断待拼接影像是否存在重叠区域，当重叠区配准算法返回没有重叠的区域后，需要根据相邻CCD片配准的情况推断配准参数。
卫星高分相机焦面由8片全色多光谱集成TDI-CCD，宽幅相机焦面由8片多光谱八色集成CMOS，均采用反射镜光学拼接。不同的CCD片对地物响应的不一致性会造成影像的CCD片出现不同程度的色差，这样不仅影响了整幅影响的视觉效果，也掩盖了影像真实的辐射信息和光谱信息，相对辐射校正处理中需要去除CCD片间的色差。
为了使多个CCD子影像灰度均匀分布，根据相邻CCD子影像数据统计特征，以其中一个CCD子影像为标准对他们进行辐射校正。对所有CCD进行处理，完成整景影像的校正处理，得到灰度分布均匀的影像，步骤如下：
在相邻CCD影像上均匀地选取相同数量的影像块，分别统计这些影像块的标准差σr、σf和均值ur、uf，其中，r和f表示子影像的编号。
Figure 616829DEST_PATH_IMAGE019
，
Figure 454335DEST_PATH_IMAGE020
，
计算相邻CCD的增益系数al和偏置系数b l 。
Figure 456664DEST_PATH_IMAGE021
进一步通过公式实现CCD片间的校正处理。
a l 和b l 分别为第l+1个子影像相对于第l个子影像的增益系数和偏置系数，I l 和I l+1 分别为第l个和第l+1个子影像的灰度值。
对所有CCD影像按上述步骤处理，完成整景影像的校正处理，使影响在视觉上均匀一致。
S103：将所述标准卫星影像输入到预先训练的机场目标识别模型，输出识别结果，即机场目标的地面轮廓。
在完成所述卫星影像进行校正，生成标准卫星影像后，可以通过图像处理技术对生成的标准卫星影像进行识别，确定所述标准卫星影像中的机场目标的地面轮廓。
具体地，所述机场目标识别模型通过以下方式训练得到：
以预先标注好的标准卫星影像作为训练样本，输入到神经网络模型中对神经网络模型的参数进行训练，输出标准卫星影像中的机场目标的地面轮廓；
将模型输出的机场目标的地面轮廓与标注的地面轮廓进行对比，判断模型输出的机场目标的地面轮廓相对于标注的地面轮廓的损失函数是否小于预设阈值；
响应于损失函数不小于预设阈值，对神经网络模型的参数进行调整，并利用标注好的标准卫星影像对神经网络模型进行重复训练，直到损失函数小于预设阈值，完成对机场目标识别模型的训练。
由于进行机场目标识别是校正后的卫星影像，因此，能够准确识别卫星影像中的机场目标的地面轮廓，进而能够精确确定机场目标在大地坐标系下的坐标。
此外，作为本公开的一个可选实施例，在上述实施例中，还可以包括：根据输出的识别结果确定机场目标的轮廓的特征点对应的大地坐标。在本实施例中，当从卫星影像中识别出机场目标后，可以根据卫星影像中机场目标的地面轮廓的特征点确定机场目标在大地坐标系下的位置坐标。本实施例中的特征点可以是机场目标的地面轮廓线上的极值点，即轮廓线的拐点，此外还可以是符合其他条件的特征点，例如按照机场目标的地面轮廓线的总长平均分段后的点。
本实施例的方法，能够对卫星影像中的机场目标的地面轮廓进行准确识别，进而能够精确确定机场目标在大地坐标系下的坐标。
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，本公开并不受所描述的动作顺序的限制，因为依据本公开，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公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
如图3所示，为本公开实施例三的基于卫星影像的机场目标识别装置的功能结构示意图，本实施例的基于卫星影像的机场目标别装置，包括：
卫星影像获取模块301，用于获取待识别的卫星影像，所述待识别的卫星影像中包括多个影像区域，每个影像区域中的一个像素对应一个卫星探元。
卫星影像预处理模块302，用于对所述待识别的卫星影像进行预处理，生成标准卫星影像；其中，预处理的过程包括建立直方图查找表，确定相对辐射标定系数，根据所述相对辐射标定系数对所述卫星影像进行相对辐射校正；对相对辐射校正后的卫星影像进行丢线处理；对丢线处理后的卫星影像进行局部条带处理，补充丢失的影像；对局部条带处理后的卫星影像进行去重叠和去色差。
机场目标识别模块303，用于将所述标准卫星影像输入到预先训练的机场目标识别模型，输出识别结果。
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。
图4示出了本公开实施例四的基于卫星影像的机场目标识别设备的结构示意图。图4示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统包括中央处理单元（CPU）401，其可以基于存储在只读存储器（ROM）402中的程序或者从存储部分408加载到随机访问存储器（RAM）403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也基于需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，基于需要安装在驱动器410上，以便于从其上读出的计算机程序基于需要被安装入存储部分408。
特别地，基于本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元（CPU）401执行时，执行本申请的方法中限定的上述功能。
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。
用于实施本公开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。
在本公开的上下文中，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公开的范围的限制。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)

1.一种基于卫星影像的机场目标识别方法，其特征在于，包括：
获取待识别的卫星影像，所述待识别的卫星影像中包括多个影像区域，每个影像区域中的一个像素对应一个卫星探元；
对所述待识别的卫星影像进行预处理，生成标准卫星影像；其中，预处理的过程包括建立直方图查找表，确定相对辐射标定系数，根据所述相对辐射标定系数对所述卫星影像进行相对辐射校正；对相对辐射校正后的卫星影像进行丢线处理，包括采用公式
Figure 249397DEST_PATH_IMAGE001
判断相对辐射校正后的卫星影像是否存在丢线，G ij 表示相对辐射校正后的第i行第j列像素的灰度值，g ij 表示为某一像素被计算前的输入灰度值，M表示整个影像所有像素灰度值的平均值，D表示整个影像所有像素灰度值的标准偏差，m i 表示每条扫描线上像素灰度平均值，d i 表示每条扫描线上像素灰度的标准偏差，i表示像素的横坐标，j表示像素的纵坐标；若G ij 的值等于整个像幅灰度值得平均值M，则第i行存在丢线；对丢线处理后的卫星影像进行局部条带处理，补充丢失的影像；对局部条带处理后的卫星影像进行去重叠和去色差；
将所述标准卫星影像输入到预先训练的机场目标识别模型，输出识别结果。
2.根据权利要求1所述的基于卫星影像的机场目标识别方法，其特征在于，所述机场目标识别模型通过以下方式训练得到：
以预先标注好的标准卫星影像作为训练样本，输入到神经网络模型中对神经网络模型的参数进行训练，输出标准卫星影像中的机场目标的地面轮廓；
将模型输出的机场目标的地面轮廓与标注的地面轮廓进行对比，判断模型输出的机场目标的地面轮廓相对于标注的地面轮廓的损失函数是否小于预设阈值；
响应于损失函数不小于预设阈值，对神经网络模型的参数进行调整，并利用标注好的标准卫星影像对神经网络模型进行重复训练，直到损失函数小于预设阈值，完成对机场目标识别模型的训练。
3.根据权利要求1所述的基于卫星影像的机场目标识别方法，其特征在于，还包括：
根据输出的识别结果确定机场目标的轮廓的特征点对应的大地坐标。
4.根据权利要求1所述的基于卫星影像的机场目标识别方法，其特征在于，所述建立直方图查找表，确定相对辐射标定系数，包括：
确定多个影像区域的统计直方图，所述统计直方图为所述影像区域内的像素的灰度值的统计直方图；
选取一个统计直方图为基准探元期望直方图，将其他统计直方图与所述基准探元期望直方图进行匹配，使其他统计直方图的像素灰度值的概率密度函数与所述基准探元期望直方图的概率密度函数相同；
计算每个统计直方图中像素灰度值的累计概率密度函数和所述基准探元期望直方图的累计概率密度函数；
根据每个统计直方图中的累计概率密度函数进行最小二乘线性拟合，计算增益系数和偏置系数，所述增益系数和偏置系数即为相对辐射标定系数。
5.根据权利要求4所述的基于卫星影像的机场目标识别方法，其特征在于，所述根据所述相对辐射标定系数对所述卫星影像进行相对辐射校正，包括：
采用公式
Figure 437933DEST_PATH_IMAGE002
=a p *DN p +b p 对所述卫星影像的每个影像区域进行相对辐射校正，其中，
Figure 574123DEST_PATH_IMAGE002
为相对辐射校正后第p个像素的灰度值，DN p 为原始第p个像素的灰度值，a p 为第p个像素的增益系数，b p 为第p个像素的偏置系数。
6.根据权利要求5所述的基于卫星影像的机场目标识别方法，其特征在于，所述对相对辐射校正后的卫星影像进行丢线处理，包括：
对于丢失一行的影像数据，利用丢失行的上下行的影像数据，通过插值的方法予以弥补，实现丢线处理，对于丢失的多行影像数据，利用多项式拟合的方法，对丢失的影像数据进行弥补。
7.根据权利要求1所述的基于卫星影像的机场目标识别方法，其特征在于，所述对丢线处理后的卫星影像进行局部条带处理，补充丢失的影像，包括：
对于条带的左边界的第k列像素和右边界的第l列像素，分别向左右扩展h列，确定对应的第m列像素和第n列像素，作为参考列；
计算参考列像素值的标准差
Figure 97377DEST_PATH_IMAGE003
、
Figure 88466DEST_PATH_IMAGE004
和均值
Figure 616662DEST_PATH_IMAGE005
、
Figure 35005DEST_PATH_IMAGE006
；
计算参考列之间的标准差
Figure 779976DEST_PATH_IMAGE007
和均值
Figure 840336DEST_PATH_IMAGE008
，其中：
Figure 366913DEST_PATH_IMAGE009
，
Figure 471004DEST_PATH_IMAGE010
；
计算每个局部条带列的标准差和均值的理想统计量
Figure 719583DEST_PATH_IMAGE011
和
Figure 803208DEST_PATH_IMAGE012
，其中，
Figure 945476DEST_PATH_IMAGE013
，
Figure 236780DEST_PATH_IMAGE014
，
x为 k和 l之间的数；
由理想统计量计算局部条带列的增益系数和偏置系数a x 和b x ，其中，
Figure 189299DEST_PATH_IMAGE015
Figure 325882DEST_PATH_IMAGE016
；
利用公式
Figure 916133DEST_PATH_IMAGE017
对局部条带列中的每个像素列进行校正，实现地物的均匀变化。
8.根据权利要求7所述的基于卫星影像的机场目标识别方法，其特征在于，所述对局部条带处理后的卫星影像进行去重叠和去色差，包括：
利用特征区域匹配算法对卫星影像的子影像进行配准，并对配准后的子影像进行去色差，具体包括：
在相邻子影像上选取相同数量的影像块，分别统计这些影像块的标准差σr、σf和均值ur、uf，其中，r和f表示子影像的编号；
然后计算相邻子影像的增益系数a l 和偏置系数b l ，其中，
Figure 378338DEST_PATH_IMAGE018
，
Figure 86662DEST_PATH_IMAGE019
，
最后通过公式
Figure 151570DEST_PATH_IMAGE020
实现子影像间的校正处理，其中，a l 和b l 分别为第l+1个子影像相对于第l个子影像的增益系数和偏置系数，I l 和I l+1 分别为第l个和第l+1个子影像的灰度值。
9.一种基于卫星影像的机场目标识别装置，其特征在于，包括：
卫星影像获取模块，用于获取待识别的卫星影像，所述待识别的卫星影像中包括多个影像区域，每个影像区域中的一个像素对应一个卫星探元；
卫星影像预处理模块，用于对所述待识别的卫星影像进行预处理，生成标准卫星影像；其中，预处理的过程包括建立直方图查找表，确定相对辐射标定系数，根据所述相对辐射标定系数对所述卫星影像进行相对辐射校正；对相对辐射校正后的卫星影像进行丢线处理，包括采用公式
Figure 612638DEST_PATH_IMAGE021
判断相对辐射校正后的卫星影像是否存在丢线，G ij 表示相对辐射校正后的第i行第j列像素的灰度值，g ij 表示为某一像素被计算前的输入灰度值，M表示整个影像所有像素灰度值的平均值，D表示整个影像所有像素灰度值的标准偏差，m i 表示每条扫描线上像素灰度平均值，d i 表示每条扫描线上像素灰度的标准偏差，i表示像素的横坐标，j表示像素的纵坐标；若G ij 的值等于整个像幅灰度值得平均值M，则第i行存在丢线；对丢线处理后的卫星影像进行局部条带处理，补充丢失的影像；对局部条带处理后的卫星影像进行去重叠和去色差；
机场目标识别模块，用于将所述标准卫星影像输入到预先训练的机场目标识别模型，输出识别结果。
CN202011478939.0A 2020-12-15 2020-12-15 基于卫星影像的机场目标识别方法和装置 Active CN112287904B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011478939.0A CN112287904B (zh) 2020-12-15 2020-12-15 基于卫星影像的机场目标识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011478939.0A CN112287904B (zh) 2020-12-15 2020-12-15 基于卫星影像的机场目标识别方法和装置

Publications (2)

Publication Number Publication Date
CN112287904A CN112287904A (zh) 2021-01-29
CN112287904B true CN112287904B (zh) 2021-04-02

Family

ID=74426245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011478939.0A Active CN112287904B (zh) 2020-12-15 2020-12-15 基于卫星影像的机场目标识别方法和装置

Country Status (1)

Country Link
CN (1) CN112287904B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486728A (zh) * 2021-06-15 2021-10-08 北京道达天际科技有限公司 基于特征融合的地表三维变化检测方法和装置
CN113569731A (zh) * 2021-07-27 2021-10-29 广东电网有限责任公司 卫星影像杆塔智能识别方法、系统、设备及介质
CN114792327B (zh) * 2022-06-23 2022-11-04 中国科学院空天信息创新研究院 图像处理方法及系统
CN115100266B (zh) * 2022-08-24 2022-12-06 珠海翔翼航空技术有限公司 基于神经网络的数字化机场模型构建方法、系统和设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101442608A (zh) * 2008-12-31 2009-05-27 中国资源卫星应用中心 一种对ccd相机的相对辐射校正进行改进的方法
JP2015088029A (ja) * 2013-10-31 2015-05-07 日本電気株式会社 放射歪み補正装置、道路環境認識装置、放射歪み補正方法およびプログラム
CN104820970A (zh) * 2015-04-15 2015-08-05 北京空间机电研究所 基于在轨分类统计的红外影像相对辐射矫正方法
CN106778835A (zh) * 2016-11-29 2017-05-31 武汉大学 融合场景信息和深度特征的遥感图像机场目标识别方法
CN107507152A (zh) * 2017-09-13 2017-12-22 鲁东大学 一种基于多图像局部插值的遥感图像缺失数据修复方法
CN109829074A (zh) * 2019-01-22 2019-05-31 苏州中科天启遥感科技有限公司 目标区域正射影像检索方法、存储介质、电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101442608A (zh) * 2008-12-31 2009-05-27 中国资源卫星应用中心 一种对ccd相机的相对辐射校正进行改进的方法
JP2015088029A (ja) * 2013-10-31 2015-05-07 日本電気株式会社 放射歪み補正装置、道路環境認識装置、放射歪み補正方法およびプログラム
CN104820970A (zh) * 2015-04-15 2015-08-05 北京空间机电研究所 基于在轨分类统计的红外影像相对辐射矫正方法
CN106778835A (zh) * 2016-11-29 2017-05-31 武汉大学 融合场景信息和深度特征的遥感图像机场目标识别方法
CN107507152A (zh) * 2017-09-13 2017-12-22 鲁东大学 一种基于多图像局部插值的遥感图像缺失数据修复方法
CN109829074A (zh) * 2019-01-22 2019-05-31 苏州中科天启遥感科技有限公司 目标区域正射影像检索方法、存储介质、电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
三线阵CCD摄影测量卫星的数据传输与预处理研究;胡国军;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20111215(第S2期);第45-67页 *
高分辨率立体测绘卫星影像质量提升和典型要素提取;王伟;《中国博士学位论文全文数据库 基础科学辑》;20190115(第1期);第45-59页 *

Also Published As

Publication number Publication date
CN112287904A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN112287904B (zh) 基于卫星影像的机场目标识别方法和装置
CN112529807B (zh) 卫星影像的相对辐射校正方法和装置
CN111553922B (zh) 一种卫星遥感影像自动云检测方法
US20200265562A1 (en) Image processing device, image processing method and storage medium
CN106940887B (zh) 一种gf-4卫星序列图像云与云下阴影检测方法
CN109712084B (zh) 一种图像修复方法、图像修复系统及平板探测器
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN112529827A (zh) 遥感图像融合模型的训练方法及装置
CN113255452A (zh) 一种目标水体的提取方法及提取系统
Wierzbicki et al. Method of radiometric quality assessment of NIR images acquired with a custom sensor mounted on an unmanned aerial vehicle
CN113326807A (zh) 一种黑臭水体识别方法、装置及电子设备
Cui et al. Multiscale Intensity Propagation to Remove Multiplicative Stripe Noise From Remote Sensing Images.
Gauci et al. A Machine Learning approach for automatic land cover mapping from DSLR images over the Maltese Islands
Kurmi et al. Pose error reduction for focus enhancement in thermal synthetic aperture visualization
Wang et al. The impact of variable illumination on vegetation indices and evaluation of illumination correction methods on chlorophyll content estimation using UAV imagery
Chandelier et al. Radiometric aerial triangulation for the equalization of digital aerial images and orthoimages
CN115988334B (zh) 一种自校正的数字化相机移动遥感系统及方法
CN114937038B (zh) 面向可用性的遥感影像质量评价方法
CN115115542A (zh) 一种基于云平台遥感影像镶嵌后色差条带的快速修复方法
CN112669237B (zh) 一种Landsat 7 SLC-off条带修复方法
CN114445394A (zh) 一种地表变化检测方法和系统
CN113486728A (zh) 基于特征融合的地表三维变化检测方法和装置
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
CN113469899A (zh) 一种基于辐射能量重构的光学遥感卫星相对辐射校正方法
JP2723174B2 (ja) 異種センサ画像間レジストレーション補正方法

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
CP01 Change in the name or title of a patent holder

Address after: 100085 room 703, 7 / F, block C, 8 malianwa North Road, Haidian District, Beijing

Patentee after: Beijing daoda Tianji Technology Co.,Ltd.

Address before: 100085 room 703, 7 / F, block C, 8 malianwa North Road, Haidian District, Beijing

Patentee before: Beijing daoda Tianji Technology Co.,Ltd.

CP01 Change in the name or title of a patent holder