CN112581468B - 一种面向遥感影像提取信息的处理方法及装置 - Google Patents
一种面向遥感影像提取信息的处理方法及装置 Download PDFInfo
- Publication number
- CN112581468B CN112581468B CN202011600894.XA CN202011600894A CN112581468B CN 112581468 B CN112581468 B CN 112581468B CN 202011600894 A CN202011600894 A CN 202011600894A CN 112581468 B CN112581468 B CN 112581468B
- Authority
- CN
- China
- Prior art keywords
- main direction
- processing
- vector
- polygon vector
- polygon
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种面向遥感影像提取信息的处理方法及装置,方法包括:对遥感影像提取信息依次进行二值图矢量化、形态学处理,对形态学处理后的多边形矢量进行顶点抽稀,去除顶点抽稀后的多边形矢量中大于第一预设阈值的钝角和小于第二预设阈值的边,得到边角处理后的多边形矢量,对形态学处理后的多边形矢量进行插点处理,根据多边形矢量的点集对边角处理后的多边形矢量进行位置拟合,根据设定的主方向边的个数,确定出主方向边,根据主方向边的方向调整待处理边的方向。本申请将多边形矢量形式的遥感影像提取信息作为处理的输入,使输入更加简单,提高遥感影像提取信息的处理效率,可以考虑到更全面的地物信息,提高遥感影像提取信息处理的准确性。
Description
技术领域
本发明涉及遥感影像处理技术领域,尤其涉及一种面向遥感影像提取信息的处理方法及装置。
背景技术
基于遥感影像的地理信息提取是遥感影像处理领域的一项重要内容,能够为社会生产和生活所需的各个方面提供基础地理信息。近年来随着遥感影像基础地理信息需求的不断增加,遥感影像信息提取结果作为遥感影像基础地理信息的重要内容,受到越来越多的关注。而遥感影像信息初始提取结果中存在噪声、边界不规整等问题,因此,对遥感影像信息初始提取结果的处理操作成为遥感影像提取中的关键点。对遥感影像信息初始提取结果进行处理,此处的遥感影像信息可以包括形状规则地物和其他一般地物,这些地物在提取结果中呈多边形,因此对遥感影像的多边形地物提取结果的处理很重要。遥感影像的价值是将遥感影像包括的地理信息转换成各领域所接受的专题信息图,这些专题信息图的电子格式多存储为多边形矢量形式,因此多边形矢量处理尤为重要。
现有技术中,对遥感影像信息提取结果的处理有两种方法:第一种是通过形态学处理对遥感影像的栅格提取结果进行处理,具体为通过膨胀、腐蚀和骨架提取等算法去除遥感影像的初始提取结果中的不平滑的地方,或从遥感影像的初始提取结果中提取目标边界。第二种是通过顶点抽稀方法对遥感影像的多边形矢量提取结果进行处理,具体为通过多边形的顶点进行抽稀,使多边形矢量相对平滑。
上述第一种方法存在的问题为:形态学处理的输入遥感影像为栅格形式,而栅格形式的遥感影像作为处理的输入,需要遍历遥感影像上的所有像素点,使得对遥感影像的处理更加复杂,导致遥感影像的处理效率较低。上述第二种方法存在的问题为:考虑地物边界的信息不全面,使得处理后的多边形矢量在形状上仍和目标地物具有较大的差距,导致处理的准确性低。
发明内容
本申请实施例的目的是提供一种面向遥感影像提取信息的处理方法及装置,解决现有技术遥感影像提取信息的处理的效率低以及准确性低的问题。
为解决上述技术问题,本申请实施例提供如下技术方案:
本申请第一方面提供一种面向遥感影像提取信息的处理方法,包括:
对遥感影像提取信息进行二值图矢量化,得到二值图矢量化后的多边形矢量;
对所述二值图矢量化后的多边形矢量进行形态学处理,得到形态学处理后的多边形矢量;
对所述形态学处理后的多边形矢量进行顶点抽稀,得到顶点抽稀后的多边形矢量;
去除所述抽顶点稀后的多边形矢量中大于第一预设阈值的钝角以及小于第二预设阈值的边,得到边角处理后的多边形矢量;
对所述形态学处理后的多边形矢量进行插点处理,得到插点处理后的多边形矢量,所述插点处理后的多边形矢量包括多边形矢量的点集;
根据所述多边形矢量的点集对所述边角处理后的多边形矢量进行位置拟合,得到位置拟合后的多边形矢量,所述位置拟合后的多边形矢量包括主方向边和待处理边,所述待处理边为除了所述主方向边外的边;
根据设定的主方向边的个数,确定出所述主方向边;根据所述主方向边的方向调整待处理边的方向。
在本申请第一方面的一些变更实施方式中,所述去除所述顶点抽稀后的多边形矢量中大于第一预设阈值的钝角,包括:
获取所述大于第一预设阈值的角的顶点;
确定所述角的顶点的两侧相邻边的中点的连接线段;
用所述连接线段和连接线段的延长线段替换所述角的顶点两侧相邻边。
在本申请第一方面的一些变更实施方式中,所述对所述顶点抽稀后的多边形矢量去除小于第二预设阈值的边,包括:
获取所述小于第二预设阈值的边;
根据所述边确定所述边的两个顶点;
用所述边的相邻两边的延长线交点,或者所述边的中点替换所述边的两个顶点。
在本申请第一方面的一些变更实施方式中,所述根据所述多边形矢量的点集对所述边角处理后的多边形矢量进行位置拟合,包括:
确定所述多边形矢量的点集的个数;
判断所述点集的个数是否小于第三预设阈值;
若否,则确定所述点集为位置拟合点集;
通过所述位置拟合点集对所述边角处理后的多边形矢量的边进行最小二乘法拟合。
在本申请第一方面的一些变更实施方式中,所述形态学处理的参数包括正方形滑动窗口,
所述对所述二值图矢量化后的多边形矢量进行形态学处理,包括:
从二值图矢量化后的多边形矢量中获取四至边框和遍历次数;
将所述二值图矢量化后的多边形矢量的像素空间分辨率作为正方形滑动窗口的步长;
按照所述步长将所述正方形滑动窗口在所述四至边框上进行滑动遍历。
在本申请第一方面的一些变更实施方式中,述对所述形态学处理后的多边形矢量进行插点处理,包括:
对所述形态学处理后的多边形矢量的每单位空间分辨率长度下插入设定数量的点。
在本申请第一方面的一些变更实施方式中,所述设定的主方向边的个数为主方向边集合中的主方向边的个数,
所述根据设定的主方向边的个数,确定出所述主方向边,包括:
从位置拟合后的多边形矢量获取最长的边作为第一主方向边,存入主方向边集合中,将除了第一主方向边外的其他边存入待定主方向边集合中,所述待定主方向边集合为将除了第一主方向边外的其他边按照从长到短排列的集合;
设定所述主方向边集合中存放主方向边的个数,当主方向边个数大于1时,根据所述主方向边个数确定夹角关系;所述夹角关系为当设定所述主方向边个数为n(n>=2)时,所述主方向边之间的最佳夹角关系为等于90°/n,设定一个缓冲角度θ,限制各主方向边之间夹角均应设置在90°/n-θ到90°-(90°/n-θ)之间的关系。
按照从长到短的顺序依次遍历待定主方向边集合中的边,判断所述待定主方向边集合中的最长边与所述主方向边集合中的所有边是否满足所述夹角关系,若是,则将所述待定主方向边集合中最长边存入所述主方向边集合中确定为主方向边,并将所述最长边从所述待定主方向边集合中删除;若否,则将所述最长边从所述待定主方向边集合中删除,直至遍历结束,得到主方向边集合中的所述主方向边。
本申请第二方面提供一种面向遥感影像提取信息的处理装置,包括:
二值图矢量化模块,用于对遥感影像提取信息进行二值图矢量化,得到二值图矢量化后的多边形矢量;
形态学处理模块,用于对所述二值图矢量化后的多边形矢量进行形态学处理,得到形态学处理后的多边形矢量;
顶点抽稀模块,用于对所述形态学处理后的多边形矢量进行顶点抽稀,得到顶点抽稀后的多边形矢量;
去除模块,用于去除所述抽顶点稀后的多边形矢量中大于第一预设阈值的钝角以及小于第二预设阈值的边,得到边角处理后的多边形矢量;
插点处理模块,用于对所述形态学处理后的多边形矢量进行插点处理,得到插点处理后的多边形矢量,所述插点处理后的多边形矢量包括多边形矢量的点集;
位置拟合模块,用于根据所述多边形矢量的点集对所述边角处理后的多边形矢量进行位置拟合,得到位置拟合后的多边形矢量,所述位置拟合后的多边形矢量包括主方向边和待处理边,所述待处理边为除了所述主方向边外的边;
确定模块,用于在所述根据所述多边形矢量的点集对所述边角处理后的多边形矢量进行线性拟合之后,根据设定的主方向边的个数,确定出所述主方向边;
调整模块,用于根据所述主方向边的方向调整待处理边的方向。
本申请第三方面提供一种电子设备,所述电子设备包括:至少一个处理器;以及与所述处理器连接的至少一个存储器、总线;其中,所述处理器、存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行上述第一方面或第一方面任一种可选的实施例所述的面向遥感影像提取信息的处理方法。
本申请第四方面提供一种计算机可读存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述第一方面或第一方面任一种可选的实施例所述的面向遥感影像提取信息的处理方法。
相较于现有技术,本申请第一方面提供的面向遥感影像提取信息的处理方法,通过对遥感影像提取信息进行二值图矢量化,对二值图矢量化后的多边形矢量进行形态学处理,对形态学处理后的多边形矢量进行顶点抽稀,去除抽顶点稀后的多边形矢量中大于第一预设阈值的钝角以及小于第二预设阈值的边,得到边角处理后的多边形矢量,对形态学处理后的多边形矢量进行插点处理,得到插点处理后的多边形矢量,插点处理后的多边形矢量包括多边形矢量的点集,根据多边形矢量的点集对边角处理后的多边形矢量进行位置拟合,根据设定的主方向边的个数,确定出主方向边,根据主方向边的方向调整待处理边的方向;能够将多边形矢量形式的遥感影像提取信息作为处理的输入,只需要遍历遥感影像的多边形矢量的顶点,不需要遍历遥感影像上的所有像素点,使得处理的输入更加简单,提高了遥感影像提取信息的处理效率,还可以考虑到更加全面的地物信息,使得多边形矢量的边界在位置上不会超过规定的偏移,进而使得处理后的多边形矢量在形状上和目标地物更加接近,提高遥感影像提取信息处理的准确性;能够解决遥感影像提取信息的处理的效率低以及准确性低的问题。
本申请第二方面提供的面向遥感影像提取信息的处理装置,与本申请第一方面提供的面向遥感影像提取信息的处理方法有相同的有益效果。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,相同或对应的标号表示相同或对应的部分,其中:
图1示意性地示出了面向遥感影像提取信息的处理方法的流程图一;
图2示意性地示出了面向遥感影像提取信息的处理方法的流程图二;
图3示意性地示出了面向遥感影像提取信息的处理方法的流程图三;
图4示意性地示出了面向遥感影像提取信息的处理方法的建筑物矢量化信息处理流程图;
图5示意性地示出了面向遥感影像提取信息的处理方法的建筑物输出图;
图6示意性地示出了面向遥感影像提取信息的处理方法的去大钝角原理图;
图7示意性地示出了面向遥感影像提取信息的处理方法的去短边原理图;
图8示意性地示出了面向遥感影像提取信息的处理方法的交点策略原理图;
图9示意性地示出了面向遥感影像提取信息的处理装置的结构图;
图10示意性地示出了电子设备的结构图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是:除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面对本发明实施例中的方法进行详细说明。
图1示意性地示出了本发明实施例中的面向遥感影像提取信息的处理方法的流程图一,参见图1所示,面向遥感影像提取信息的处理方法可以包括:
S101、对遥感影像提取信息进行二值图矢量化,得到二值图矢量化后的多边形矢量。
具体的,对初始提取的栅格形式的遥感影像提取信息进行二值图矢量化,得到二值图矢量化后的多边形矢量,也称为4-连接Freeman链码编码的多边形矢量。
S102、对二值图矢量化后的多边形矢量进行形态学处理,得到形态学处理后的多边形矢量。
具体的,对步骤S101得到的二值图矢量化后的多边形矢量即4-连接Freeman链码编码的多边形矢量进行形态学处理,得到形态学处理后的多边形矢量。
可以将二值图矢量化后的多边形矢量即多边形矢量形式的遥感影像提取信息作为处理的输入,只需要遍历遥感影像的多边形矢量的顶点,不需要遍历遥感影像上的所有像素点,使得处理的输入更加简单,提高了遥感影像的处理效率。
S103、对形态学处理后的多边形矢量进行顶点抽稀,得到顶点抽稀后的多边形矢量。
具体的,对步骤S102得到的形态学处理后的多边形矢量进行顶点抽稀,得到顶点抽稀后的多边形矢量。
S104、去除顶点抽稀后的多边形矢量中大于第一预设阈值的钝角以及小于第二预设阈值的边,得到边角处理后的多边形矢量。
具体的,遍历步骤S103得到的构成每个顶点抽稀后的多边形矢量的所有角和边,去除掉顶点抽稀后的多边形矢量中大于第一预设阈值的钝角以及小于第二预设阈值的边,得到边角处理后的多边形矢量。
示例性的,构成顶点抽稀后的多边形矢量的所有角为50°、172°、58°和80°,所有边为1.5m、3m、5m和2m,第一预设阈值为170°,第二预设阈值为1.8m,则去除掉172°的角以及1.5m的短边,得到边角处理后的多边形矢量,边角处理后的多边形矢量包括50°、58°和80°的角,以及3m、5m和2m的边。
S105、对形态学处理后的多边形矢量进行插点处理,得到插点处理后的多边形矢量。
其中,插点处理后的多边形矢量包括多边形矢量的点集,此处多边形矢量的点集为组成插点处理后的多边形矢量的点集。
具体的,对步骤S102得到的形态学处理后的多边形矢量进行插点处理,得到插点处理后的多边形矢量。
S106、根据多边形矢量的点集对边角处理后的多边形矢量进行位置拟合,得到位置拟合后的多边形矢量。
其中,位置拟合后的多边形矢量包括主方向边和待处理边,待处理边为除了主方向边外的边。
具体的,根据步骤S105得到的组成插点处理后的多边形矢量的点集,对步骤S104得到的边角处理后的多边形矢量进行位置拟合,得到位置拟合后的多边形矢量。
S107、根据设定的主方向边的个数,确定出主方向边。
具体的,在位置优化后判断遥感图像的提取信息是否为形状规则地物,若是,则进行形状优化,若否,则不做任何处理。
具体的,根据设定的主方向边的个数,确定出步骤S106得到的位置拟合后的多边形矢量中的主方向边。
S108、根据主方向边的方向调整待处理边的方向。
具体的,根据步骤S107确定出主方向边后,根据主方向边的方向调整除主方向边外的待处理边的方向,具体为:待处理边若与主方向边接近垂直,则调整为与主方向边垂直,主方向边与待处理边有交点;若待处理边与主方向边接近平行,则调整为与主方向边平行,主方向边与待处理边无交点,需要用交点策略确定调整后的点。本发明实施例提供的面向遥感影像提取信息的处理方法,通过对遥感影像提取信息进行二值图矢量化,对二值图矢量化后的多边形矢量进行形态学处理,对形态学处理后的多边形矢量进行顶点抽稀,去除抽顶点稀后的多边形矢量中大于第一预设阈值的钝角以及小于第二预设阈值的边,得到边角处理后的多边形矢量,对形态学处理后的多边形矢量进行插点处理,得到插点处理后的多边形矢量,插点处理后的多边形矢量包括多边形矢量的点集,根据多边形矢量的点集对边角处理后的多边形矢量进行位置拟合,根据设定的主方向边的个数,确定出主方向边,根据主方向边的方向调整待处理边的方向;能够将多边形矢量形式的遥感影像作为处理的输入,只需要遍历遥感影像的多边形矢量的顶点,不需要遍历遥感影像上的所有像素点,使得处理的输入更加简单,提高了遥感影像的处理效率,还可以考虑到更加全面的地物信息,使得多边形矢量的边界在位置上不会超过规定的偏移,进而使得处理后的多边形矢量在形状上和目标地物更加接近,提高遥感图像提取信息处理的准确性;能够解决遥感影像提取信息的处理的效率低以及准确性低的问题。
进一步地,作为图1所示方法的细化和扩展,本发明实施例还提供了一种面向遥感影像提取信息的处理方法。
图2示意性地示出了本发明实施例中的面向遥感影像提取信息的处理方法的流程图二,参见图2所示面向遥感影像提取信息的处理方法可以包括:
S201、对遥感影像提取信息进行二值图矢量化,得到二值图矢量化后的多边形矢量。
具体的,对初始提取的栅格形式的遥感影像进行二值图矢量化,得到二值图矢量化后的多边形矢量输出,也称为4-连接Freeman链码编码的多边形矢量输出。
作为本发明实施例一种可选的实施方式,可以通过深度学习模型获得4-连接Freeman链码编码的多边形矢量输出。具体为,对遥感影像进行UNet模型信息提取和阈值处理,可以获得二值化的遥感影像信息初始提取结果。此处的阈值处理具体可以为通过UNet模型后输出栅格形式的遥感影像信息提取结果,设定阈值,对于大于设定阈值的进行保留,进而将栅格形式的遥感影像信息提取结果转化为多边形矢量信息提取结果。
4-连接Freeman链码编码的多边形矢量上的边是严格按照栅格的像素边界获取到的,因此获得的多边形矢量的任意相邻两边均呈垂直状态,这样便于后续处理。
S202、从二值图矢量化后的多边形矢量中获取四至边框和遍历次数。
步骤S202、S203和S204为形态学处理,其中,形态学处理的参数包括正方形滑动窗口。
具体的,从步骤S201得到的二值图矢量化后的多边形矢量中获取四至边框和遍历次数。遍历次数也称为迭代次数,可以为1次、2次等。
S203、将二值图矢量化后的多边形矢量的像素空间分辨率作为正方形滑动窗口的步长。
具体的,将步骤S201得到的二值图矢量化后的多边形矢量的遥感影像像素空间分辨率作为正方形滑动窗口的步长。
示例性的,得到二值图矢量化后的多边形矢量的遥感影像像素空间分辨率为0.8米,可以将0.8米作为正方形滑动窗口的步长。
S204、按照步长将正方形滑动窗口在四至边框上进行滑动遍历。
具体的,按照步骤S203得到的步长将正方形滑动窗口在步骤S202获取的四至边框上根据遍历次数进行滑动遍历。
示例性的,正方形滑动窗口的步长为0.8,遍历次数为1次,按照步长为0.8,将正方形滑动窗口在四至边框上遍历1次。
对步骤S201得到的二值图矢量化后的多边形矢量依次进行步骤S202、S203和S204处理,即进行形态学处理,得到形态学处理后的多边形矢量。
本申请实施例用到的形态学处理具体为形态学增长和形态学收缩,本申请实施例以先形态学增长后形态学收缩的处理顺序为例进行说明,当然还可以是先形态学收缩后形态学增长的处理顺序,本发明实施例不做具体的限定。
形态学处理时先形态学增长后形态学收缩的处理顺序,是先从步骤S201得到的二值图矢量化后的多边形矢量中获取四至边框和遍历次数,将得到二值图矢量化后的多边形矢量的遥感影像像素空间分辨率作为正方形滑动窗口的步长,按照该步长将正方形滑动窗口在四至边框上进行滑动遍历,得到形态学增长后的多边形矢量,实现以多边形矢量为输入的形态学增长。再从形态学增长后的多边形矢量中获取四至边框和遍历次数,同样将遥感影像像素空间分辨率作为正方形滑动窗口的步长,按照该步长将正方形滑动窗口在四至边框上进行滑动遍历,得到形态学收缩后的多边形矢量,实现以多边形矢量为输入的形态学收缩。
示例性的,形态学增长和收缩的遍历次数都可以为1,形态学增长和收缩的像素空间分辨率都可以为0.8,而形态学增长的正方形滑动窗口半径(单位是个像素)为5,形态学收缩的正方形滑动窗口半径为3。
形态学增长可以对步骤S201得到的二值图矢量化后的多边形矢量进行细小孔洞、缝隙的添充,获得边界更平滑的多边形矢量。形态学收缩可以对形态学增长后的多边形矢量进行细小凸起、毛刺的平滑,获得边界更平滑的多边形矢量。
S205、对形态学处理后的多边形矢量进行顶点抽稀,得到顶点抽稀后的多边形矢量。
具体的,对步骤S202、S203和S204得到的形态学处理后的多边形矢量进行顶点抽稀,得到顶点抽稀后的多边形矢量。
顶点抽稀包括磨角插值、高斯平滑和Douglas-Peucker抽稀。对步骤S202、S203和S204得到的形态学处理后的多边形矢量仍为4-连接Freeman链码编码格式,矢量中相邻线段的夹角仍为直角,磨角插值是取相邻线段上距其相交的直角顶点1/4倍空间分辨率的两个点代替相应直角顶点,得到磨角插值后的多边形矢量。高斯平滑,是遍历磨角插值后的多边形矢量的顶点,获取当前遍历点B的坐标为(XB,YB),以及当前遍历点的左右相邻两个点的坐标为(XA,YA)、(XC,YC),移动B点至坐标(0.25XA+0.5XB+0.25XC,0.25YA+0.5YB+0.25YC)的位置,如此迭代3次,得到高斯平滑后的多边形矢量。Douglas-Peucker抽稀,是对高斯平滑后的多边形矢量进行Douglas-Peucker抽稀,得到抽稀后的多边形矢量输出。对于Douglas-Peucker抽稀可以参考现有技术中公开的内容,本申请实施例不作具体的限定。
对形态学处理后的多边形矢量进行顶点抽稀,能够去除形态学处理后的多边形矢量中的冗余顶点,保留多边形矢量中代表地物形状特征的顶点,尽量在减少顶点的情况下仍能最大限度的不破坏目标提取结果的形状特性,提高遥感图像地物形状特征的准确性。
S206、获取大于第一预设阈值的角的顶点。
具体的,从步骤S205得到的顶点抽稀后的多边形矢量中,获取大于第一预设阈值的角的顶点。
示例性的,顶点抽稀后的多边形矢量为五边形ABCDE,∠A=172°,∠B=35°,∠C=135°,∠D=150°,∠E=48°,第一预设阈值为170°,果顶点抽稀后的多边形矢量中的角A的角度大于170°,则获取角A的顶点。
作为本发明实施例一种可选的实施方式,也可以获取大于第一预设阈值的多边形的顶点。例如,多边形为三角形ABC,∠A=5°,∠B=172°,∠C=3°,角B为大于170°的角,获取三角形ABC的顶点A、顶点B、顶点C。
S207、确定角的顶点的两侧相邻边的中点的连接线段。
具体的,确定步骤S206得到的角的顶点的两侧相邻边的中点的连接线段。
示例性的,承接步骤S206的示例,顶点抽稀后的多边形矢量为五边形ABCDE,∠A=172°,∠B=35°,∠C=135°,∠D=150°,∠E=48°,确定角A顶点的两侧相邻边为边AB和边AE,边AB的中点为点F,边AE的中点为点G,中点的连接线段为FG。
作为本发明实施例一种可选的实施方式,承接步骤S206的一种可选的实施方式的例子,顶点抽稀后的多边形矢量为三角形ABC,∠A=5°,∠B=172°,∠C=3°,确定角B顶点的两侧相邻边为边BA和边BC,边BA的中点为点D,边BC的中点为点E,中点的连接线段为DE,也可以说是确定角B顶点的两侧相邻边的等腰线DE。
S208、用连接线段和连接线段的延长线段替换角的顶点两侧相邻边。
具体的,用步骤S207确定的连接线段和连接线段的延长线段替换角的顶点两侧相邻边。
示例性的,承接步骤S207的示例,顶点抽稀后的多边形矢量为五边形ABCDE,边AE的相邻边DE的延长线与连接线段FG的延长线段有交点,交点为E′,则FE′为FG一边的延长线段。边AB的相邻边CB的延长线与连接线段FG的延长线段有交点,交点为B′,则GB′为FG另一边的延长线段。连接线段FG的延长线段为FE′和GB′,则用形成的新线段E′B′(即连接线段和连接线段的延长线段FG+FE′+GB′)替换角的顶点两侧相邻边AE和AB,就能去除掉大钝角,得到新的四边形E′B′CD。
作为本发明实施例一种可选的实施方式,承接步骤S207的一种可选的实施方式的例子,顶点抽稀后的多边形矢量为三角形ABC,连接线段(即等腰线)DE和BA与BC的相邻边均为AC是没有交点的,即是平行的,则用连接线段DE和DE的延长线段为替换角的顶点两侧相邻边BA和BC,就能去除掉大钝角,得到连接线段DE和DE的延长线段以及边AC。
步骤S206、S207和S208为去除大钝角的操作。
S209、获取小于第二预设阈值的边。
具体的,从步骤S205得到的顶点抽稀后的多边形矢量中,获取小于第二预设阈值的边。
示例性的,顶点抽稀后的多边形矢量为五边形ABCDE,第二预设阈值为3m,边AB=4m,边BC=2.8m,边CD=3.1m,边DE=3.5m,边EA=3.7m,由于边BC小于3m,则获取边BC。
示例性的,顶点抽稀后的多边形矢量为三角形ABC,第二预设阈值为3m,AB=2.8m,边BC=3.1m,边CD=4m,由于边AB小于3m,则获取边AB。
S210、根据边确定边的两个顶点。
具体的,根据步骤S209获取的边确定该边的两个顶点。
示例性的,承接步骤S209的第一个示例,顶点抽稀后的多边形矢量为五边形ABCDE,根据边BC确定出两个顶点为顶点B、顶点C。
示例性的,承接步骤S209的第二个示例,顶点抽稀后的多边形矢量为三角形ABC,根据边AB确定出两个顶点为顶点A、顶点B。
S211、用边的相邻两边的延长线交点,或者边的中点替换边的两个顶点。
具体的,用步骤S209获取的边的相邻两边的延长线的交点,或者步骤S209获取的边的中点替换该边的两个顶点。
示例性的,承接步骤S210的第一个示例,顶点抽稀后的多边形矢量为五边形ABCDE,边BC的相邻两边为DC和AB,边DC的延长线与边AB的延长线的交点为B′,边BC的中点为C′,用交点B′或者中点C′替换掉边BC的两个顶点B和顶点C,就能去除掉短边,得到新的四边形AB′DE或者四边形AC′DE。
示例性的,承接步骤S210的第二个示例,顶点抽稀后的多边形矢量为三角形ABC,边AB的相邻两边为CB和CA,判断边CB的延长线与边CA的延长线没有交点,则不能用边AB的相邻两边的延长线交点替换边的两个顶点,则需要用边AB的中点D替换掉边的两个顶点A和顶点B,得到边CD。
步骤S209、S210和S211为去除短边的操作。
步骤S206、S207、S208、S209、S210和S211为边角优化的操作。
S212、对形态学处理后的多边形矢量进行插点处理,得到插点处理后的多边形矢量。
其中,插点处理后的多边形矢量包括多边形矢量的点集。
具体的,对经过步骤S202、S203和S204得到的形态学处理后的多边形矢量进行插点处理,得到插点处理后的多边形矢量。
作为本发明实施例的一种可选的实施方式,对所述形态学处理后的多边形矢量的每单位空间分辨率长度下插入设定数量的点。具体的,设定每单位空间分辨率长度下插入的点个数,在形态学处理后的多边形矢量中每单位空间分辨率长度的线段中等间距插入设定个数的点。例如,设定每单位空间分辨率长度下插入的点个数为4,在形态学处理后的多边形矢量中每单位空间分辨率长度的线段中等间距插入4个点。
插入设定的点,可以使线性拟合拥有足够数量的点,使线性拟合更加准确。
S213、确定多边形矢量的点集的个数。
具体的,在线性拟合之前需要确定待被修正边界拟合的点集的个数,即确定插点处理后的多边形矢量的点集的个数。
S214、判断点集的个数是否小于第三预设阈值,若否,则执行步骤S215,若是,则执行步骤S217。
在位置优化中,若点集的个数小于第三预设阈值,则不进行位置拟合,但是对于形状规则地物,若点集的个数小于第三预设阈值,则不进行位置拟合,但必须要进行形状优化。
具体的,判断步骤S213确定的点集的个数是否小于第三预设阈值,若否,则执行步骤S215,若是,则不做位置拟合,执行步骤S217。示例性的,设定第三预设阈值为15,如果点集的个数为18,大于第三预设阈值15,则需要执行步骤S215,如果点集的个数为10,小于第三预设阈值为15,则对此点集不做位置拟合。
S215、确定点集为位置拟合点集。
具体的,根据步骤S214判断点集的个数不小于第三预设阈值,则确定点集为位置拟合点集。
示例性的,设定第三预设阈值为15,如果点集的个数为18,不小于第三预设阈值15,则此点集需要做位置拟合,确定此点集为需要位置拟合的点集。
S216、通过位置拟合点集对边角处理后的多边形矢量的边进行最小二乘法拟合。
具体的,通过步骤S215确定的位置拟合点集对经过步骤S206、S207、S208、S209、S210和S211操作的边角处理后的多边形矢量的边进行最小二乘法拟合,来调整边角处理后的多边形矢量的边界的方向和位置,得到位置拟合后的多边形矢量。
步骤S212、S213、S214、S215和S216为位置优化的操作,经过步骤S212到S216的操作得到位置拟合后的多边形矢量。
S217、根据设定的主方向边的个数,确定出主方向边。
其中,位置拟合后的多边形矢量包括主方向边和待处理边,待处理边为除了主方向边外的边。
作为本发明实施例的一种可选的实施方式,在位置优化后判断遥感图像的提取信息是否为形状规则地物,若是,则进行形状优化,若否,则不做任何处理,结束操作。构建针对规则地物和不规则地物的遥感影像提取结果的处理,能够规范信息提取过程,提高自动化程度,有效节约人力和时间成本。
具体的,根据设定的主方向边的个数,确定出经过步骤S212到S216的操作得到的位置拟合后的多边形矢量中的主方向边。
示例性的,位置拟合后的多边形矢量为三角形ABC,包括边AB、边BC和边CA,设定主方向边AB的个数为1,则边BC和边CA为待处理边,即位置拟合后的多边形矢量中最多可获得1个主方向边,确定出主方向边是一个为AB。
作为本发明实施例的一种可选的实施方式,设定主方向边集合中存放主方向边的个数,当主方向边个数大于1时,规定主方向边之间的夹角应满足以下关系:当设定主方向边个数为n(n>=2)时,理论上主方向边之间的最佳夹角关系为等于90°/n,设定一个缓冲角度θ,限制各主方向边之间夹角均应设置在90°/n-θ到90°-(90°/n-θ)之间。S218、根据主方向边的方向调整待处理边的方向。
具体的,根据步骤S217确定的主方向边的方向调整除主方向边外的待处理边的方向,具体为:待处理边若与主方向边接近垂直,则调整为与主方向边垂直,主方向边与待处理边有交点;若待处理边与主方向边接近平行,则调整为与主方向边平行,主方向边与待处理边无交点,需要用交点策略求最终的顶点。
上述用交点策略求最终的顶点,具体可以为,例如,顶点A、顶点B与顶点C,这三个顶点相邻,边AB与边BC为相邻边,边AB与边BC接近平行,边AB为主方向边,边BC为待处理边,则需要调边BC的方向,边BC调整后为边B′C,边B′C与边AB平行,要确定边B′C与边AB的交点,由于这两条边平行则没有交点,而边B′C与边AB会产生梯度,梯度存在两个点为点B′和点C,将这两个点代替交点,即原来的顶点A、顶点B与顶点C这3个顶点就变成了四个顶点为顶点A、顶点B、顶点C与顶点B′。步骤S217和S218为形状优化的操作,经过步骤S217和S218的操作得到形状优化后的多边形矢量输出作为建筑物提取最终优化结果。
本申请实施例还可以对多边形矢量进行边角处理、位置优化和形状优化的更加精细的处理操作,使得可以考虑到更加全面的地物信息,使得多边形矢量的边界在位置上不会超过规定的偏移,进而使得处理后的多边形矢量在形状上和目标地物更加接近,提高遥感图像处理的准确性。
图3示意性地示出了本发明实施例中的遥感影像的处理方法的流程图三,参见图3所示遥感影像的处理方法可以包括:首先,对遥感影像初始分类二值图进行矢量化,可以得到4-连接Freeman链码编码的多边形矢量,也可以说初始分类二值图获得初始面矢量。接着,对得到的初始面矢量进行形态学处理,对形态学处理后的面矢量进行矢量抽稀。最后,判断矢量抽稀后的面矢量是否为形状规则地物,若是,则对矢量抽稀后的面矢量依次进行边角优化、位置优化和形状优化;若否,也就是说矢量抽稀后的面矢量是其他一般地物,则对矢量抽稀后的面矢量依次进行边角优化和位置优化。
下面对本发明提供的面向遥感影像提取信息的处理方法的又一实施例进行介绍,为了更加清楚地说明本发明实施例在具体生产实践中的应用,下面将以UNet的深度学习语义分割模型提取的0.8米分辨率的北京二号北京市昌平区单体建筑物二值图为例,详细说明本发明实施例在遥感信息中的应用。对于单体建筑物提取结果的总用时约为34分钟,其中位置优化占据了90%以上的用时,若跳过位置优化环节,则本次遥感影像的处理只需3分钟左右用时。图4示意性地示出了本发明实施例中的面向遥感影像提取信息的处理方法的建筑物矢量化信息处理流程图,参见图4所示遥感影像提取信息的建筑物矢量化信息处理方法可以包括以下步骤:
步骤一、对遥感影像提取信息进行二值图矢量化,得到4-连接Freeman链码编码的多边形矢量输出。
具体的,图5示意性地示出了本发明实施例中的面向遥感影像提取信息的处理方法的建筑物输出图,图5(a)为二值图矢量化后的多边形矢量,可以在深度学习模型预测影像时直接获得初始状态的矢量输出。具体操作是将对北京二号卫星影像经过UNet模型提取并通过阈值处理完成二值化的初始栅格提取结果转换成多边形矢量形式,即转换成建筑物提取二值图,也可以称为二值图矢量化,得到4-连接Freeman链码编码的多边形矢量。4-连接Freeman链码编码的多边形矢量上的边是严格按照栅格的像素边界获取到的,因此获得的多边形矢量的任意相邻两边均呈垂直状态,这样便于后续处理。通过阈值具体可以为通过UNet模型后输出栅格形式的遥感影像,栅格形式的遥感影像的像素不是二值图,而是0到1的概率形式图,可以设定阈值为0.5,对于大于设定阈值0.5的进行保留,得到将栅格形式的遥感影像二值图转化为多边形矢量。步骤一的二值图矢量化获得面矢量图斑的个数为20542个。
步骤二、形态学处理,以步骤一的4-连接Freeman链码编码的输出多边形矢量为输入,对多边形矢量的边界进行相对平滑的修饰,这一步处理时间大约用时2分钟,处理时间与图斑数量成正比。
具体的,形态学处理包括形态学增长和形态学收缩。图5(b)为形态学处理后的多边形矢量,是经过形态学增长和形态学收缩后得到的多边形矢量,能够将多边形矢量形式的遥感影像作为处理的输入,只需要遍历遥感影像的多边形矢量的像素点,不需要遍历遥感影像上的所有像素点,使得处理的输入更加简单,提高了遥感影像的处理效率。
具体操作为:形态学增长,是获得多边形矢量的四至边框和遍历次数,使正方形滑动窗口在四至边框上按像素空间分辨率为步长滑动遍历,以此模仿栅格遍历,实现以多边形矢量为输入的形态学增长。具体的,调用形态学增长方法时所需的参数包括步骤一的多边形矢量输出、滑动窗口半径(单位是“个像素”)=5、迭代次数=1、影像空间分辨率=0.8,滑动窗口半径=5即相当于尺寸为11×11的滑动窗口,该操作能够对步骤一输出的多边形矢量进行细小孔洞、缝隙的添充,获得形态学处理后的多边形矢量输出。
形态学收缩,也是获得多边形矢量的四至边框和遍历次数,使正方形滑动窗口在四至边框上按像素空间分辨率为步长滑动遍历,以此模仿栅格遍历,实现以多边形矢量为输入的形态学增长。具体的,调用形态学收缩方法时所需的参数包括形态学增长的多边形矢量输出、滑动窗口半径(单位是“个像素”)=3、迭代次数=1、影像空间分辨率=0.8,滑动窗口半径=3即相当于尺寸为7×7的滑动窗口,改操作可以对多边形矢量进行细小凸起、毛刺的平滑,获得处理后的多边形矢量输出。
步骤三、矢量抽稀,包括磨角插值、高斯平滑和Douglas-Peucker抽稀三步,对步骤二获得的平滑多边形矢量作进行顶点抽稀,使其尽量在减少顶点的情况下仍能最大限度的不破坏目标提取结果的形状特性,这一步用时大约1分钟左右。
具体的,磨角插值,是经步骤二中形态学处理后的多边形矢量仍为4-连接Freeman链码编码格式,矢量中相邻线段的夹角仍为直角,取相邻线段上距其相交的直角顶点1/4倍空间分辨率的两个点代替相应直角顶点完成磨角插值操作,得到磨角插值后的多边形矢量输出。
高斯平滑,是对磨角插值后的多边形矢量输出中,遍历磨角插值后的多边形矢量的顶点,当前遍历点B的坐标为(XB,YB),当前遍历点的左右两个相邻点的坐标为(XA,YA)、(XC,YC),移动B点至坐标(0.25XA+0.5XB+0.25XC,0.25YA+0.5YB+0.25YC)的位置,如此迭代3次,得到高斯平滑后的多边形矢量输出。
Douglas-Peucker抽稀,是对高斯平滑后的多边形矢量输出进行Douglas-Peucker抽稀,距离限值设为1个空间分辨率长度,即0.8米,获得抽稀后的多边形矢量输出。
图5(c)为矢量抽稀后的多边形矢量,即依次经过磨角插值、高斯平滑和Douglas-Peucker抽稀得到的多边形矢量,能够去除形态学处理后的多边形矢量中的冗余顶点,保留多边形矢量中代表地物形状特征的顶点,尽量在减少顶点的情况下仍能最大限度的不破坏目标提取结果的形状特性,提高遥感图像地物形状特征的准确性。
步骤四、边角优化,以步骤三矢量抽稀后多边形矢量输出为输入,对上述处理结果的多边形矢量中存在的一些近似180°的大钝角和小于一定阈值的短边做进一步处理,这一步大约用时10秒左右。
具体的,边角优化包括去大钝角和去短边。
去大钝角,调用该方法时设定角度阈值=170°,搜索大于该角度阈值的多边形顶点,取顶点两侧相邻线段的等腰线的延长线作为代替两相邻边的新线段,以此去除掉多边形的大钝角;
去短边,调用该方法时设定边长阈值=3米、角度阈值1=80°、角度阈值2=3°,经过用短边两侧相邻边的延长线交点或短边的中点代替组成短边的两个顶点后将多边形中小于边长阈值的短边消隐掉。
图5(d)为边角后的多边形矢量,还可以考虑到对多边形矢量的边角处理,使得可以考虑到更加全面的地物信息,考虑到更多的地物细节,使得处理后的多边形矢量在形状上和目标地物更加接近。
步骤五、位置优化,以边角优化后多边形矢量输出和形态学处理多边形矢量输出为输入,以形态学处理获得的多边形矢量输出对上一步优化结果的多边形矢量边界进行位置拟合操作,这一步用时约30分钟。
具体的,设定每单位空间分辨率长度下插入的点个数=4,即在形态学处理输出的多边形矢量中每单位空间分辨率长度的线段中等间距插入4个点,在每单位空间分辨率长度的边界上插入一定数量的顶点,使得线性拟合拥有足够数量的点。在线性拟合之前寻找参与待被修正边界拟合的点集,设定最少参与线性拟合的点个数=15,即对于少于15个点的点集不做线性拟合操作,对于大于15个点的点集确定为待被修正边界拟合的点集,要做线性拟合操作。通过形态学处理输出多边形矢量提供的待被修正边界拟合的点集,对经过步骤四边角优化后所得的多边形矢量的边进行最小二乘法线性拟合,调整边角优化输出多边形矢量的边界方向和位置,获得位置优化后的多边形矢量输出。
图5(e)为位置优化后的多边形矢量,使用位置优化算法对经过多个环节处理后的多边形矢量的边界位置进行微调,使得多边形边界在位置上不会随着一系列的后处理操作超过规定的偏移,进而使得处理后的多边形矢量在形状上和目标地物更加接近,提高遥感图像处理的准确性。
步骤六、形状优化,若多边形矢量表示类别为形状规则的地物,则以步骤五位置优化后多边形矢量输出为输入,通过主方向的集合调整上一步多边形矢量优化结果的边界,获得相对规则化的图形,这一步用时大约5秒左右。
具体的,在调整多边形矢量边界之前还包括多边形矢量主方向边集合的确定,以确保多边形矢量边界调整的基准。
设定所述主方向边集合中存放主方向边的个数,当主方向边个数大于1时,根据所述主方向边个数确定夹角关系;所述夹角关系为当设定所述主方向边个数为n(n>=2)时,所述主方向边之间的最佳夹角关系为等于90°/n,设定一个缓冲角度θ,限制各主方向边之间夹角均应设置在90°/n-θ到90°-(90°/n-θ)之间的关系。
在调整多边形矢量边界时还包括交点策略的操作,以确保调整后的边界与相邻边界有正确的交点。交点策略的操作具体可以包括依据主方向边调整多边形矢量中边的方向,判断调整后的待处理边和主方向边是否有交点,如果调整前的待处理边和主方向边相交即有交点,而调整后的待处理边和主方向边平行没有交点,则可以确定出此时的交点从有变成了没有交点。此处交点策略还包括主方向边为垂直,调整后的待处理边和主方向边保持一致,当然还可以包括主方向边为其他相交的特定角度的方式,此处对主方向边的个数和方向不做具体限定,根据实际情况确定。
图5(f)为形状优化后的多边形矢量,还可以考虑到对多边形矢量的形状优化,使得可以考虑到更加全面的地物信息,考虑到更多的地物细节,使得处理后的多边形矢量在形状上和目标地物更加接近,提高遥感图像处理的准确性。
下面对本发明提供的面向遥感影像提取信息的处理方法的又一实施例进行介绍,面向遥感影像提取信息的处理方法可以包括以下步骤:
步骤1、二值图矢量化:将遥感信息提取二值图矢量化为基于4-连接Freeman链码编码的多边形矢量作为初始多边形矢量。
步骤2、形态学处理:包括形态学增长和形态学收缩两个步骤,该方法只能处理4-连接Freeman链码编码的多边形矢量。
具体的,步骤2中形态学增长在使用时应输入滑动窗口半径(单位是“个像素”)、迭代次数、影像空间分辨率,所述步骤2中形态学增长的实现步骤如下:
步骤21a、计算多边形矢量的四至边框,用Xmin、Xmax、Ymin、Ymax表示多边形矢量的四至范围,通过Xmax-Xmin和影像空间分辨率的比值经四舍五入得到的整数表示滑动窗口的行遍历次数,通过Ymax-Ymin和影像空间分辨率的比值经四舍五入得到的整数表示滑动窗口的列遍历次数;
步骤22a、使正方形滑动窗口以中心点表示的像素在四至边框上滑动遍历,若滑动窗口中心点位于多边形矢量外部则执行步骤23a,否则继续遍历直至一次遍历结束获得形态学增长后多边形矢量;
步骤23a、求多边形矢量与滑动窗口交集的面积,若面积大于滑动窗口面积的一半则将滑动窗口中心点位于的像素与多边形矢量合并,否则不做任何操作;
步骤24a、对步骤22a获得的矢量继续执行步骤21a到23a,直至达到指定的迭代次数。
具体的,步骤2中形态学收缩在使用时应输入滑动窗口半径(单位是“个像素”)、迭代次数、影像空间分辨率,所述步骤2中形态学收缩的实现步骤如下:
步骤21b、计算多边形矢量的四至边框,用Xmin、Xmax、Ymin、Ymax表示多边形矢量的四至范围,通过Xmax-Xmin和影像空间分辨率的比值经四舍五入得到的整数表示滑动窗口的行遍历次数,通过Ymax-Ymin和影像空间分辨率的比值经四舍五入得到的整数表示滑动窗口的列遍历次数;
步骤22b、使正方形滑动窗口以中心点表示的像素在四至边框上滑动遍历,若滑动窗口中心点位于多边形矢量内部则执行步骤23b,否则继续遍历直至一次遍历结束获得形态学增长后多边形矢量;
步骤23b、求多边形矢量与滑动窗口交集的面积,若面积小于滑动窗口面积的一半则将滑动窗口中心点位于的像素从多边形矢量中去除,否则不做任何操作;
步骤24b、对步骤22b获得的矢量继续执行步骤21b到23b,直至达到指定的迭代次数。
步骤3、矢量抽稀,对步骤2所得多边形矢量做抽稀处理,去除多边形矢量中的冗余顶点,保留多边形矢量中代表地物形状特征的顶点。
步骤4、边角优化,在步骤3所得多边形矢量的基础上,遍历构成每个多边形矢量的角和边,根据人工设定角度阈值剔除多边形矢量中大于角度阈值的大钝角,再根据人工设定短边阈值剔除多边形矢量中小于短边阈值的短边。
具体的,图6示意性地示出了本发明实施例中的面向遥感影像提取信息的处理方法的去大钝角原理图,步骤4中去除多边形矢量大钝角时,应先设定角度阈值,参见图6所示面向遥感影像提取信息的处理方法的去大钝角实现步骤如下:
步骤41a、遍历多边形矢量的顶点,以当前点B和前点A后点C组成∠ABC,以小于等于180°的值作为∠ABC的度数,若∠ABC大于设定角度阈值则执行步骤(2),否则继续遍历直至结束;
步骤42a、连接边AB和CD的中点得到一条直线,用该直线和AB的前一条边所在直线的交点A′代替顶点点A,用该直线和BC的后一条边所在直线的交点C′代替顶点点C。
具体的,图7示意性地示出了本发明实施例中的面向遥感影像提取信息的处理方法的去短边原理图,步骤4中去除多边形矢量短边时,应考虑使多边形矢量的拓扑正确,实现该操作时应先设定边长阈值、角度阈值1、角度阈值2,参见图7所示面向遥感影像提取信息的处理方法的去短边的具体实现步骤如下:
步骤41b、遍历多边形矢量的边,若边长小于设定边长阈值,则执行步骤42b,否则继续遍历直至结束;
步骤42b、根据图7a所示的以当前边BC和前一条边AB、后一条边CD组成局部模型,计算直线AB和CD小于等于180°数值的夹角,若大于设定角度阈值1,则计算AB和CD延长线交点B′并执行步骤43b,否则继续遍历直至结束;
步骤43b、根据图7b所示的若线段B′B和B′C的长度均大于线段BC时,则计算顶点B和C连线的中点T并执行步骤45b,否则执行步骤44b;
步骤44b、根据图7c所示的若点A在线段B′B中或点D在线段B′C中时,则计算B和C点的中点T并执行步骤45b,否则用点B′代替B和C;
步骤45b、根据图7d所示的若∠TAB或∠TDC大于设定角度阈值2时,则返回步骤1继续遍历,根据图7e所示的若∠TAB=∠TDC时,则删除顶点B与C,否则用点T代替B与C点。
步骤5、位置优化,对经过形态学处理所得的多边形矢量进行插点,获得插点后的多边形矢量,以组成所述插点后多边形矢量的点对经过边角优化后所得的多边形矢量的边进行最小二乘法线性拟合,调整所述边角优化后多边形矢量边界的方向和位置,在使用该方法时应先设定每单位空间分辨率长度下插入的点个数和最少参与线性拟合的点个数,具体实现步骤如下:
步骤51、为了使线性拟合有足够多数量的点,先对经过形态学处理所得的多边形矢量进行插点,使每单位空间分辨率长度下插入设定数量的点;
步骤52、遍历边角优化后多边形矢量的边,在每条边的基础处上,遍历插点后多边形矢量的顶点,计算每个顶点到边角优化后多边形矢量各条边的距离,判断距离每一点最近的线段是否为当前遍历边,从而获得距离当前遍历边最近的点集;
步骤53、计算步骤52所得点集中各点到当前遍历边的距离,计算该距离集合的标准差,使用3倍标准差原则去除点集中距离当前遍历边较远的异常点;
步骤54、若当前遍历边对应的点集内点数大于最少参与线性拟合的点个数,则用最小二乘法将该点集拟合一条直线,并求与当前遍历边的前一条边和后一条边的两个交点,用两交点构成的线段代替当前遍历边,否则继续遍历并执行步骤51到步骤54直至结束。
步骤6、形状优化,若多边形矢量表示类别为形状规则的地物,如建筑物、耕地,则在经过位置优化所得多边形矢量的基础上,确定多边形矢量的主方向,根据所述主方向对所述位置优化所得多边形进行形状规则化改善。
形状优化中包括主方向边集合的确定,在实践中考虑到建筑物的拐角不可能都是直角,因此本发明在确定多边形矢量的主方向时不限于只寻找一个主方向,本发明将多边形内最长的边作为第一主方向边,然后依据条件依次判断剩余边是否可作为主方向边,最终构成主方向边集合。
形状优化中还包括通过交点策略计算修正后相邻边之间的交点,依据条件,多边形矢量修正后两相邻边可相交得1或2个交点。
使用形状优化方法前应先设定的参数为主方向边个数,具体实现步骤如下:
步骤61、主方向边集合的确定,具体实现步骤如下:
步骤61a、从多边形矢量找到最长的边作为第一主方向边,将其置于主方向边集合中,将剩余边按照从长倒短置于待定主方向边集合中;
步骤61b、设定主方向边集合中最多存放主方向边的个数,当主方向边个数大于1,规定主方向边之间的夹角应满足以下关系:设置θ=5°,当设定主方向边个数等于2时,使各主方向边之间夹角均应满足在范围(40°,50°)之间;当设定主方向边个数等于3时,使各主方向边之间夹角均应满足在范围(25°,65°)之间;当设定主方向边个数等于4时,使各主方向边之间夹角均应满足在范围(17.5°,72.5°)之间。
步骤61c、按照从长到短依次遍历待定主方向边集合中的边,若当前待定主方向边集合中最长边与当前主方向边集合中所有边均满足步骤61b中规定条件时,将当前待定主方向边集合中最长边置于当前主方向边集合中,并将该边从当前待定主方向边集合中删除,若不满足条件,则将该边从当前待定主方向边集合中删除,直至遍历结束,得到主方向边集合。
步骤62、遍历多边形矢量中的边,以边的中点为旋转中心,并分别计算当前边和主方向边集合中各主方向边的夹角,使当前边旋转至方向同对应夹角最小的主方向边一致;
步骤63、通过交点策略计算当前边修正后同前一条修正后边的交点;具体的,图8示意性地示出了本发明实施例中的面向遥感影像提取信息的处理方法的交点策略原理图,参见图8所示面向遥感影像提取信息的处理方法的交点策略的具体实现步骤如下:
根据图8a所示的若边AB是边BC的邻边,B′C′是BC修正后的边,计算直线B′C′和直线AB的交点时,若∠TAB=0°,则用折线ATC′代替折线ABC。根据图8b所示的若∠TAB=180°,则计算过B点的B′C′的垂线与B′C′的交点B″时,则用折线ABB″C′代替折线ABC。根据图8c所示的若B′C′与AB平行,则计算过B点的B′C′的垂线与B′C′的交点B″时,则用折线ABB″C′代替折线ABC。
基于同一发明构思,作为对上述面向遥感影像提取信息的处理方法的实现,本发明实施例还提供了一种面向遥感影像提取信息的处理装置。图9为本发明实施例中的装置的结构图,参见图9所示,该装置可以包括:二值图矢量化模块901,用于对遥感影像提取信息进行二值图矢量化,得到二值图矢量化后的多边形矢量;形态学处理模块902,用于对所述二值图矢量化后的多边形矢量进行形态学处理,得到形态学处理后的多边形矢量;顶点抽稀模块903,用于对所述形态学处理后的多边形矢量进行顶点抽稀,得到顶点抽稀后的多边形矢量;去除模块904,用于去除所述抽顶点稀后的多边形矢量中大于第一预设阈值的钝角以及小于第二预设阈值的边,得到边角处理后的多边形矢量;插点处理模块905,用于对所述形态学处理后的多边形矢量进行插点处理,得到插点处理后的多边形矢量,所述插点处理后的多边形矢量包括多边形矢量的点集;位置拟合模块906,用于根据所述多边形矢量的点集对所述边角处理后的多边形矢量进行位置拟合,得到位置拟合后的多边形矢量,所述位置拟合后的多边形矢量包括主方向边和待处理边,所述待处理边为除了所述主方向边外的边;确定模块907,用于在所述根据所述多边形矢量的点集对所述边角处理后的多边形矢量进行线性拟合之后,根据设定的主方向边的个数,确定出所述主方向边;调整模块908,用于根据所述主方向边的方向调整待处理边的方向。
作为本发明实施例一种可选的实施例方式,所述去除模块904,具体用于获取所述大于第一预设阈值的角的顶点;确定所述角的顶点的两侧相邻边的中点的连接线段;用所述连接线段和连接线段的延长线段替换所述角的顶点两侧相邻边。
作为本发明实施例一种可选的实施例方式,所述去除模块904,具体用于获取所述小于第二预设阈值的边;根据所述边确定所述边的两个顶点;用所述边的相邻两边的延长线交点,或者所述边的中点替换所述边的两个顶点。
作为本发明实施例一种可选的实施例方式,所述位置拟合模块906,具体用于确定所述多边形矢量的点集的个数;判断所述点集的个数是否小于第三预设阈值;若否,则确定所述点集为位置拟合点集;通过所述位置拟合点集对所述边角处理后的多边形矢量的边进行最小二乘法拟合。
作为本发明实施例一种可选的实施例方式,所述形态学处理的参数包括正方形滑动窗口,所述形态学处理模块902,具体用于从二值图矢量化后的多边形矢量中获取四至边框和遍历次数;将所述初始多边形矢量的像素空间分辨率作为正方形滑动窗口的步长;按照所述步长将所述正方形滑动窗口在所述四至边框上进行滑动遍历。
基于同一发明构思,本发明实施例还提供了一种电子设备。图10为本发明实施例中的电子设备的结构图,参见图10所示,该电子设备100可以包括:至少一个处理器1001;以及与处理器1001连接的至少一个存储器1002、总线1003;其中,处理器1001、存储器1002通过总线1003完成相互间的通信;处理器1001用于调用存储器1002中的程序指令,以执行上述一个或多个实施例中的面向遥感影像提取信息的处理方法。
这里需要指出的是:以上遥感影像的处理装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本发明实施例的面向遥感影像提取信息的处理装置的实施例中未披露的技术细节,请参照本发明方法实施例的描述而理解。
基于同一发明构思,本发明实施例还提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述一个或多个实施例中的方法。
这里需要指出的是:以上计算机可读存储介质实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本发明实施例的计算机可读存储介质的实施例中未披露的技术细节,请参照本发明方法实施例的描述而理解。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种面向遥感影像提取信息的处理方法,其特征在于,包括:
对遥感影像提取信息进行二值图矢量化,得到二值图矢量化后的多边形矢量;
对所述二值图矢量化后的多边形矢量进行形态学处理,得到形态学处理后的多边形矢量;
对所述形态学处理后的多边形矢量进行顶点抽稀,得到顶点抽稀后的多边形矢量;
去除所述顶点抽稀后的多边形矢量中大于第一预设阈值的钝角以及小于第二预设阈值的边,得到边角处理后的多边形矢量;
对所述形态学处理后的多边形矢量进行插点处理,得到插点处理后的多边形矢量,所述插点处理后的多边形矢量包括多边形矢量的点集;
根据所述多边形矢量的点集对所述边角处理后的多边形矢量进行位置拟合,得到位置拟合后的多边形矢量,所述位置拟合后的多边形矢量包括主方向边和待处理边,所述待处理边为除了所述主方向边外的边;
根据设定的主方向边的个数,确定出所述主方向边;
根据所述主方向边的方向调整待处理边的方向;
所述设定的主方向边的个数为主方向边集合中的主方向边的个数,所述根据设定的主方向边的个数,确定出所述主方向边,包括:
从位置拟合后的多边形矢量获取最长的边作为第一主方向边,存入主方向边集合中,将除了第一主方向边外的其他边存入待定主方向边集合中,所述待定主方向边集合为将除了第一主方向边外的其他边按照从长到短排列的集合;
设定所述主方向边集合中存放主方向边的个数,当主方向边个数大于1时,根据所述主方向边个数确定夹角关系;所述夹角关系为当设定所述主方向边个数为n(n>=2)时,所述主方向边之间的最佳夹角关系为等于,设定一个缓冲角度θ,限制各主方向边之间夹角均应设置在/>到/>之间的关系;
按照从长到短的顺序依次遍历待定主方向边集合中的边,判断所述待定主方向边集合中的最长边与所述主方向边集合中的所有边是否满足所述夹角关系,若是,则将所述待定主方向边集合中最长边存入所述主方向边集合中确定为主方向边,并将所述最长边从所述待定主方向边集合中删除;若否,则将所述最长边从所述待定主方向边集合中删除,直至遍历结束,得到主方向边集合中的所述主方向边。
2.根据权利要求1所述的方法,其特征在于,所述去除所述顶点抽稀后的多边形矢量中大于第一预设阈值的钝角,包括:
获取所述大于第一预设阈值的角的顶点;
确定所述角的顶点的两侧相邻边的中点的连接线段;
用所述连接线段和连接线段的延长线段替换所述角的顶点两侧相邻边。
3.根据权利要求1所述的方法,其特征在于,所述对所述顶点抽稀后的多边形矢量去除小于第二预设阈值的边,包括:
获取所述小于第二预设阈值的边;
根据所述边确定所述边的两个顶点;
用所述边的相邻两边的延长线交点,或者所述边的中点替换所述边的两个顶点。
4.根据权利要求1所述的方法,其特征在于,所述根据所述多边形矢量的点集对所述边角处理后的多边形矢量进行位置拟合,包括:
确定所述多边形矢量的点集的个数;
判断所述点集的个数是否小于第三预设阈值;
若否,则确定所述点集为位置拟合点集;
通过所述位置拟合点集对所述边角处理后的多边形矢量的边进行最小二乘法拟合。
5.根据权利要求1所述的方法,其特征在于,所述形态学处理的参数包括正方形滑动窗口,
所述对所述二值图矢量化后的多边形矢量进行形态学处理,包括:
从二值图矢量化后的多边形矢量中获取四至边框和遍历次数;
将所述二值图矢量化后的多边形矢量的像素空间分辨率作为正方形滑动窗口的步长;
按照所述步长将所述正方形滑动窗口在所述四至边框上进行滑动遍历。
6.根据权利要求1所述的方法,其特征在于,所述对所述形态学处理后的多边形矢量进行插点处理,包括:
对所述形态学处理后的多边形矢量的每单位空间分辨率长度下插入设定数量的点。
7.一种面向遥感影像提取信息的处理装置,其特征在于,包括:
二值图矢量化模块,用于对遥感影像提取信息进行二值图矢量化,得到二值图矢量化后的多边形矢量;
形态学处理模块,用于对所述二值图矢量化后的多边形矢量进行形态学处理,得到形态学处理后的多边形矢量;
顶点抽稀模块,用于对所述形态学处理后的多边形矢量进行顶点抽稀,得到顶点抽稀后的多边形矢量;
去除模块,用于去除所述顶点抽稀后的多边形矢量中大于第一预设阈值的钝角以及小于第二预设阈值的边,得到边角处理后的多边形矢量;
插点处理模块,用于对所述形态学处理后的多边形矢量进行插点处理,得到插点处理后的多边形矢量,所述插点处理后的多边形矢量包括多边形矢量的点集;
位置拟合模块,用于根据所述多边形矢量的点集对所述边角处理后的多边形矢量进行位置拟合,得到位置拟合后的多边形矢量,所述位置拟合后的多边形矢量包括主方向边和待处理边,所述待处理边为除了所述主方向边外的边;
确定模块,用于在所述根据所述多边形矢量的点集对所述边角处理后的多边形矢量进行线性拟合之后,根据设定的主方向边的个数,确定出所述主方向边;
调整模块,用于根据所述主方向边的方向调整待处理边的方向;
所述确定模块,具体用于从位置拟合后的多边形矢量获取最长的边作为第一主方向边,存入主方向边集合中,将除了第一主方向边外的其他边存入待定主方向边集合中,所述待定主方向边集合为将除了第一主方向边外的其他边按照从长到短排列的集合;设定所述主方向边集合中存放主方向边的个数,当主方向边个数大于1时,根据所述主方向边个数确定夹角关系;所述夹角关系为当设定所述主方向边个数为n(n>=2)时,所述主方向边之间的最佳夹角关系为等于,设定一个缓冲角度θ,限制各主方向边之间夹角均应设置在到/>之间的关系;按照从长到短的顺序依次遍历待定主方向边集合中的边,判断所述待定主方向边集合中的最长边与所述主方向边集合中的所有边是否满足所述夹角关系,若是,则将所述待定主方向边集合中最长边存入所述主方向边集合中确定为主方向边,并将所述最长边从所述待定主方向边集合中删除;若否,则将所述最长边从所述待定主方向边集合中删除,直至遍历结束,得到主方向边集合中的所述主方向边,所述设定的主方向边的个数为主方向边集合中的主方向边的个数。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;
以及与所述处理器连接的至少一个存储器、总线;
其中,所述处理器、存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行如权利要求1至6中任一项所述的面向遥感影像提取信息的处理方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如权利要求1至6中任一项所述的面向遥感影像提取信息的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011600894.XA CN112581468B (zh) | 2020-12-29 | 2020-12-29 | 一种面向遥感影像提取信息的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011600894.XA CN112581468B (zh) | 2020-12-29 | 2020-12-29 | 一种面向遥感影像提取信息的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112581468A CN112581468A (zh) | 2021-03-30 |
CN112581468B true CN112581468B (zh) | 2023-09-22 |
Family
ID=75144145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011600894.XA Active CN112581468B (zh) | 2020-12-29 | 2020-12-29 | 一种面向遥感影像提取信息的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581468B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990141B (zh) * | 2021-04-30 | 2021-08-03 | 图兮数字科技(北京)有限公司 | 图像识别方法、装置、设备及存储介质 |
CN113190639B (zh) * | 2021-05-13 | 2022-12-13 | 重庆市勘测院 | 居民地制图综合方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871086A (zh) * | 2014-02-18 | 2014-06-18 | 中国林业科学研究院资源信息研究所 | 基于fpga构建的分层次栅格转矢量处理方法 |
CN111091497A (zh) * | 2019-12-12 | 2020-05-01 | 深圳震有科技股份有限公司 | 一种地图的矢量线面抽稀方法、智能终端及储存介质 |
CN111339947A (zh) * | 2020-02-26 | 2020-06-26 | 苏州中科天启遥感科技有限公司 | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 |
CN111652250A (zh) * | 2020-06-09 | 2020-09-11 | 星际空间(天津)科技发展有限公司 | 基于多边形的遥感影像建筑物提取方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136156B (zh) * | 2018-02-02 | 2020-12-01 | 北京三快在线科技有限公司 | 一种多边形区域检测方法及装置 |
-
2020
- 2020-12-29 CN CN202011600894.XA patent/CN112581468B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871086A (zh) * | 2014-02-18 | 2014-06-18 | 中国林业科学研究院资源信息研究所 | 基于fpga构建的分层次栅格转矢量处理方法 |
CN111091497A (zh) * | 2019-12-12 | 2020-05-01 | 深圳震有科技股份有限公司 | 一种地图的矢量线面抽稀方法、智能终端及储存介质 |
CN111339947A (zh) * | 2020-02-26 | 2020-06-26 | 苏州中科天启遥感科技有限公司 | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 |
CN111652250A (zh) * | 2020-06-09 | 2020-09-11 | 星际空间(天津)科技发展有限公司 | 基于多边形的遥感影像建筑物提取方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
朱忠国 ; 吕京国 ; .腐蚀算法在遥感影像建筑物边缘提取中的应用.城市勘测.2014,(第06期),全文. * |
荣岳成 ; .大数据量遥感分类图像的动态矢量化算法.测绘学报.2012,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112581468A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581468B (zh) | 一种面向遥感影像提取信息的处理方法及装置 | |
Mokhtarian et al. | Robust image corner detection through curvature scale space | |
CN109146963B (zh) | 一种基于快速特征匹配的图像位置偏移检测方法 | |
Tombre et al. | Stable and robust vectorization: How to make the right choices | |
Siddiqi et al. | Geometric shock-capturing ENO schemes for subpixel interpolation, computation and curve evolution | |
CN114170279A (zh) | 一种基于激光扫描的点云配准方法 | |
CN102682428B (zh) | 一种基于方向场的指纹图像计算机自动化修补方法 | |
Han et al. | Skeleton generation of engineering drawings via contour matching | |
Dal Poz et al. | Automated extraction of road network from medium-and high-resolution images | |
CN109712143B (zh) | 一种基于超像素多特征融合的快速图像分割方法 | |
CN105719306A (zh) | 一种高分辨率遥感影像中的建筑物快速提取方法 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN114529925A (zh) | 一种全线表表格结构识别方法 | |
Wei et al. | A concentric loop convolutional neural network for manual delineation-level building boundary segmentation from remote-sensing images | |
CN113723399A (zh) | 一种车牌图像矫正方法、车牌图像矫正装置和存储介质 | |
CN115525951A (zh) | 建筑物轮廓优化及特征边重构的规则化方法及装置 | |
CN111462153A (zh) | 一种基于图像轮廓Freeman链码的角点特征提取方法 | |
WO2024120437A1 (zh) | 三维点云的底面分割方法、装置、电子设备及存储介质 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN114581331A (zh) | 一种适用于多种场景的点云降噪方法及装置 | |
CN116452604B (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN112767462B (zh) | 基于脊谷特征与深度特征描述符的点云单点对齐方法 | |
CN111612083A (zh) | 一种手指静脉识别方法、装置及设备 | |
CN116167944A (zh) | 分段线性图像边缘保持的全弯曲滤波方法、装置及系统 | |
CN112085816B (zh) | 一种字形曲线生成方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |