CN112651278A - 一种基于特征筛选的探测数据处理方法 - Google Patents

一种基于特征筛选的探测数据处理方法 Download PDF

Info

Publication number
CN112651278A
CN112651278A CN202010995449.1A CN202010995449A CN112651278A CN 112651278 A CN112651278 A CN 112651278A CN 202010995449 A CN202010995449 A CN 202010995449A CN 112651278 A CN112651278 A CN 112651278A
Authority
CN
China
Prior art keywords
key features
key
feature
detection
detection data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010995449.1A
Other languages
English (en)
Inventor
安庆
陈艳华
李强
王俊华
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.)
Wuchang University of Technology
Original Assignee
Wuchang University of Technology
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 Wuchang University of Technology filed Critical Wuchang University of Technology
Priority to CN202010995449.1A priority Critical patent/CN112651278A/zh
Publication of CN112651278A publication Critical patent/CN112651278A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于特征筛选的探测数据处理方法，涉及探测技术领域，包括以下步骤：S1：获取多个探测器的探测图像，提取关键特征；S2：获取出现率在第一阈值以上的关键特征；S3：依次判断是否有两个关键特征共同出现率低于第二阈值；若是输出上述两个关键特征，执行S4；反之执行S5；S4：将分别与上述两个关键特征共同出现的关键特征评分，保留评分高的关键特征，删除评分低的关键特征，执行S5；S5：将图像按照保留的关键特征点进行组合投票，获取投票结果第一的图像作为探测目标。本发明的遥感探测更加准确，误判几率小，在多源图像识别时，进行区别特征筛选，避免多个相反的结果之间相互干扰，可以适用于各类远程探测情况。

Description

一种基于特征筛选的探测数据处理方法
技术领域
本发明涉及远距离探测技术领域，
尤其是，本发明涉及一种基于特征筛选的探测数据处理方法。
背景技术
随着近年来传感器技术、无线通信技术和航空航天技术等相关学科的快速发展和创新，世界范围内已经成功发射并运行着大量的光学遥感卫星和合成孔径雷达(SyntheticAperture Radar,SAR)卫星。
光学数据与SAR数据是卫星遥感领域最常见的两种数据类型，由于各自的成像原理不同，两者在对地观测上各有千秋。SAR传感器具备全天时、全天候探测能力，能够穿透云层、雾气且不受阴影遮挡、光照时间的影响，但其纹理和地物辐射信息量不够，解译难度也较大。光学遥感影像能够直观的将纹理、颜色与形状等方面的信息反映给使用者，但由于光照和天气的限制，数据获取的能力有限。简而言之，SAR遥感影像在几何特性上具有明显优势，光学遥感影像在辐射特性上能够提取丰富的光谱信息，对于分类、解译更有利，一般的远程信息获取都是采用多源观测，然后综合计算得到最佳数据。
如公告号为CN110443201A的中国发明专利涉及多源影像目标识别方法。目的是为了解决现有舰船目标识别准确率低的问题。过程为：一、获取大量疑似舰船停靠码头的切片，并根据直线角度，旋转码头切片至水平；二、获取疑似舰船坐标，提取对应坐标的疑似舰船切片；三、将疑似舰船分类为舰船目标和非舰船目标；四、对分类为舰船的目标，提取光学切片，分别进行飞行甲板类型、船头尖角位置、船头轮廓类型、垂直发射装置位置检测，提取SAR切片，进行舰桥位置检测；五、进行多属性融合的舰船型号识别；六、基于五取投票结果最大的一类作为舰船型号识别结果。该发明用于遥感影像目标检测识别技术领域。
但是上述方法尽管可以大幅提高目标识别准确率，但是在超远距离探测或者仅仅依靠小型探测器获得的图像清晰度不够的情况下，很容易形成误判，或者多源图像之间相互干扰，并且在高精度遥感需求时，或者目标特征不明显时，可能造成错误判断，引发重大后果。
因此为了解决上述问题，设计一种合理的基于特征筛选的探测数据处理方法对我们来说是很有必要的。
发明内容
本发明的目的在于提供一种遥感探测更加准确，误判几率小，在多源图像识别时，进行区别特征筛选，避免多个相反的结果之间相互干扰，可以适用于各类远程探测情况的基于特征筛选的探测数据处理方法。
为达到上述目的，本发明采用如下技术方案得以实现的：
一种基于特征筛选的探测数据处理方法，包括以下步骤：
S1：获取多个探测器对于探测目标的探测图像，提取所有图像的关键特征；
S2：获取出现率在第一阈值以上的所有关键特征；
S3：依次判断是否有两个关键特征在同一幅图像上共同出现率低于第二阈值；若是，则输出上述两个关键特征，执行步骤S4；反之直接执行步骤S5；
S4：将分别与上述两个关键特征在同一幅图像上共同出现的关键特征进行评分，保留评分高的关键特征，删除评分低的关键特征，执行步骤S5；
S5：将图像按照保留的关键特征点进行组合投票，获取投票结果第一的图像作为探测目标。
作为本发明的优选，执行步骤S1时，探测器的数量不少于三个。
作为本发明的优选，执行步骤S1时，建立关键特征表格用于存储关键特征数据。
作为本发明的优选，执行步骤S2时，获取所有出现预定关键特征的图像数目，除以所有有效图像的总数，作为该关键特征的出现率。
作为本发明的优选，执行步骤S2之前，建立第一阈值。
作为本发明的优选，执行步骤S3时，遍历所有两个一组的关键特征进行对比，获取两个关键特征共同在一幅图像上出现的图像数目，除以所有有效图像的总数，作为两个关键特征的共同出现率。
作为本发明的优选，执行步骤S3之前，建立第二阈值。
作为本发明的优选，执行步骤S4时，对第一个关键特征在同一幅图像上共同出现的关键特征进行评分并全部相加得到获取第一评分，再对另一个关键特征在同一幅图像上共同出现的关键特征进行评分并全部相加得到获取第二评分，将第一评分与第二评分对比，评分高所对应的关键特征保留，评分低所对应的关键特征剔除。
作为本发明的优选，执行步骤S4时，评分因素包括与对应关键特征在同一幅图像上共同出现的关键特征数量以及与对应关键特征的共同出现率评分数值。
作为本发明的优选，执行步骤S5，将探测目标进行输出。
本发明一种基于特征筛选的探测数据处理方法有益效果在于：
遥感探测更加准确，误判几率小，在多源图像识别时，进行区别特征筛选，避免多个相反的结果之间相互干扰，可以适用于各类远程探测情况。
附图说明
图1为本发明一种基于特征筛选的探测数据处理方法的流程示意图。
具体实施方式
以下是本发明的具体实施例，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的模块和结构的相对布置不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法及系统可能不作详细讨论，但在适当情况下，技术、方法及系统应当被视为授权说明书的一部分。
实施例：如图1所示，仅仅为本发明的其中一个的实施例，一种基于特征筛选的探测数据处理方法，包括以下步骤：
S1：获取多个探测器对于探测目标的探测图像，提取所有图像的关键特征；
也就是同时通过多个探测器对同一个探测目标进行探测，并得到探测器探测到的探测图像，将所有探测图像进行编号，并通过识别技术提取出所有探测图像中的关键特征。
当然，执行步骤S1时，探测器的数量不少于三个。需要探测的精确度越高，或者探测目标的距离越远，则需要同时探测的探测器数量就越多，否则，探测目标识别精确度则不够，容易导致误判。
且执行步骤S1时，建立关键特征表格用于存储关键特征数据，一般根据探测图像的编号顺序进行存储，即1号图像上提取的关键特征分别列为1A、1B、1C、1D……以此类推。
S2：获取出现率在第一阈值以上的所有关键特征；
也就是获取所有出现预定关键特征的图像数目，除以所有有效图像的总数，作为该关键特征的出现率。例如，总共读取了10张探测图像，其中6张图像中均提取出了某一关键特征，则该关键特征的出现率为60％，需要注意的是，一张探测图像中出现了一次或者多次该关键特征，均一视同仁，仅视为出现了该关键特征。
当然，执行步骤S2之前，建立第一阈值，根据探测目标的距离和探测要求进行建立第一阈值，探测要求越高的时候，第一阈值也越高一些。
实际上，需要注意的是，1号图像上提取的关键特征1A、1B、1C、1D，这里的A、B、C、D特征依次按照出现率从高到低进行排列，也就是字母越靠前的关键特征，表明出现率越高。
例如，1号图像上提取的关键特征分别列为1A、1B、1C、1D…；2号图像上提取的关键特征分别列为2A、2B、2D……，即2号图像上没有出现C关键特征，但是出现了A、B、D关键特征，2A关键特征与1A关键特征相同。
一般来说，仅仅获取出现率在第一阈值以上的所有关键特征，后面编号为W、X、Y、Z的关键特征等等一般远低于第一阈值的，都可以剔除，忽略不计。
S3：依次判断是否有两个关键特征在同一幅图像上共同出现率低于第二阈值；若是，则输出上述两个关键特征，执行步骤S4；反之直接执行步骤S5；
也就是说，所有两个一组的关键特征进行对比，获取两个关键特征共同在一幅图像上出现的图像数目，除以所有有效图像的总数，作为两个关键特征的共同出现率，也就是对比关键特征A和B时，总共10张探测图像，其中有4张探测图像上均同时具有A关键特征和B关键特征，则两个关键特征的共同出现率为40％。
且依次将所有的两个关键特征进行对比，即将关键特征A依次与关键特征B、C、D、E等进行对比；再将将关键特征B依次与关键特征C、D、E、F等进行对比……以此类推，对比完所有可能之后，则完成该步操作。
这样是为了筛选出来对立特征，也就是大多数图像上有A没B，或者有B没A，则说明关键特征A和B是相互对立的，防止这样的对立特征相互干扰，导致判断准确度下降。
同样的，执行步骤S3之前，建立第二阈值。根据探测目标的距离和探测要求进行建立第一阈值，探测要求越高的时候，第二阈值也越低一些，也就是找出更多对立的关键特征。
S4：将分别与上述两个关键特征在同一幅图像上共同出现的关键特征进行评分，保留评分高的关键特征，删除评分低的关键特征，执行步骤S5；
也就是对第一个关键特征在同一幅图像上共同出现的关键特征进行评分并全部相加得到获取第一评分，再对另一个关键特征在同一幅图像上共同出现的关键特征进行评分并全部相加得到获取第二评分，将第一评分与第二评分对比，评分高所对应的关键特征保留，评分低所对应的关键特征剔除。
在这里，评分因素包括与对应关键特征在同一幅图像上共同出现的关键特征数量以及与对应关键特征的共同出现率评分数值。
例如，关键特征C和关键特征D的共同出现率低于第二阈值，则先获取与关键特征C在同一幅图像上共同出现的关键特征进行评分并全部相加得到获取C评分，也就是，关键特征A与关键特征C出现的图像上共出现了A1次且共同出现率为A2％，关键特征B与关键特征C出现的图像上共出现了B1次且共同出现率为B2％.....以此类推，得到的C评分＝A1+A2*100+B1+B2*100…以此类推。同样的，计算出D评分，最后将C评分与D评分进行对比，C评分高，则剔除D关键特征；反之剔除C关键特征。
需要注意的是，有时候，共同出现率低于第二阈值的两个关键特征可能有多组，例如关键特征C和关键特征D的共同出现率低于第二阈值，同时关键特征E和关键特征F的共同出现率也低于第二阈值，那么要经过两次的评分对比，剔除掉两个评分对比里面的得分低的关键特征项。
更或者，若是关键特征C和关键特征D的共同出现率低于第二阈值，同时关键特征C和关键特征F的共同出现率也低于第二阈值，此时可以延伸出更多的算法，算法一：若是某一关键特征C与其他n个关键特征的共同出现率均低于第二阈值，这个n的值大于一定值时，直接剔除掉该关键特征(X)；算法二：若是某一关键特征C和关键特征D的共同出现率低于第二阈值，且评分C低于评分D时，剔除C关键特征，那么所有与C关键特征共同出现率低于第二阈值的其他关键特征均不再进行比较评分，全部保留下来，除非这些关键特征里有两个相互对立，则将这两个相互对立的关键特征进行评分对比，剔除评分低的关键特征项。
S5：将图像按照保留的关键特征点进行组合投票，获取投票结果第一的图像作为探测目标。
经过所有的对比之后，剔除掉明显对探测结果不利的关键特征之后，将剩下来的所有关键特征点进行参数输入，对所有探测图像进行组合投票，获取投票结果第一的图像作为探测目标，此时的探测精确度更高，无干扰。
当然，执行步骤S5，将探测目标进行输出。
本发明一种基于特征筛选的探测数据处理方法的遥感探测更加准确，误判几率小，在多源图像识别时，进行区别特征筛选，避免多个相反的结果之间相互干扰，可以适用于各类远程探测情况。
本发明不局限于上述具体的实施方式，本发明可以有各种更改和变化。凡是依据本发明的技术实质对以上实施方式所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。

Claims (10)

1.一种基于特征筛选的探测数据处理方法，其特征在于，包括以下步骤：
S1：获取多个探测器对于探测目标的探测图像，提取所有图像的关键特征；
S2：获取出现率在第一阈值以上的所有关键特征；
S3：依次判断是否有两个关键特征在同一幅图像上共同出现率低于第二阈值；若是，则输出上述两个关键特征，执行步骤S4；反之直接执行步骤S5；
S4：将分别与上述两个关键特征在同一幅图像上共同出现的关键特征进行评分，保留评分高的关键特征，删除评分低的关键特征，执行步骤S5；
S5：将图像按照保留的关键特征点进行组合投票，获取投票结果第一的图像作为探测目标。
2.根据权利要求1所述的一种基于特征筛选的探测数据处理方法，其特征在于：
执行步骤S1时，探测器的数量不少于三个。
3.根据权利要求1所述的一种基于特征筛选的探测数据处理方法，其特征在于：
执行步骤S1时，建立关键特征表格用于存储关键特征数据。
4.根据权利要求1所述的一种基于特征筛选的探测数据处理方法，其特征在于：
执行步骤S2时，获取所有出现预定关键特征的图像数目，除以所有有效图像的总数，作为该关键特征的出现率。
5.根据权利要求1所述的一种基于特征筛选的探测数据处理方法，其特征在于：
执行步骤S2之前，建立第一阈值。
6.根据权利要求1所述的一种基于特征筛选的探测数据处理方法，其特征在于：
执行步骤S3时，将所有两个一组的关键特征进行对比，获取两个关键特征共同在一幅图像上出现的图像数目，除以所有有效图像的总数，作为两个关键特征的共同出现率。
7.根据权利要求1所述的一种基于特征筛选的探测数据处理方法，其特征在于：
执行步骤S3之前，建立第二阈值。
8.根据权利要求1所述的一种基于特征筛选的探测数据处理方法，其特征在于：
执行步骤S4时，对第一个关键特征在同一幅图像上共同出现的关键特征进行评分并全部相加得到获取第一评分，再对另一个关键特征在同一幅图像上共同出现的关键特征进行评分并全部相加得到获取第二评分，将第一评分与第二评分对比，评分高所对应的关键特征保留，评分低所对应的关键特征剔除。
9.根据权利要求1所述的一种基于特征筛选的探测数据处理方法，其特征在于：
执行步骤S4时，评分因素包括与对应关键特征在同一幅图像上共同出现的关键特征数量以及与对应关键特征的共同出现率评分数值。
10.根据权利要求1所述的一种基于特征筛选的探测数据处理方法，其特征在于：
执行步骤S5，将探测目标进行输出。
CN202010995449.1A 2020-09-21 2020-09-21 一种基于特征筛选的探测数据处理方法 Pending CN112651278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010995449.1A CN112651278A (zh) 2020-09-21 2020-09-21 一种基于特征筛选的探测数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010995449.1A CN112651278A (zh) 2020-09-21 2020-09-21 一种基于特征筛选的探测数据处理方法

Publications (1)

Publication Number Publication Date
CN112651278A true CN112651278A (zh) 2021-04-13

Family

ID=75346506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010995449.1A Pending CN112651278A (zh) 2020-09-21 2020-09-21 一种基于特征筛选的探测数据处理方法

Country Status (1)

Country Link
CN (1) CN112651278A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116089821A (zh) * 2023-02-23 2023-05-09 中国人民解放军63921部队 一种基于卷积神经网络的深空探测器状态监视识别的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308483A (zh) * 2018-07-11 2019-02-05 南京航空航天大学 基于卷积神经网络的双源图像特征提取及融合识别方法
CN111126234A (zh) * 2019-12-18 2020-05-08 河南大学 一种基于多源卫星影像的船舶自动识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308483A (zh) * 2018-07-11 2019-02-05 南京航空航天大学 基于卷积神经网络的双源图像特征提取及融合识别方法
CN111126234A (zh) * 2019-12-18 2020-05-08 河南大学 一种基于多源卫星影像的船舶自动识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
任超瑛: "低空复杂环境多源运动目标检测方法研究", 《信息科技》, no. 02, 15 February 2019 (2019-02-15), pages 138 - 1878 *
陈稳: "基于光学和SAR遥感影像融合的典型目标检测识别研究", 《工程科技Ⅱ辑;信息科技》, no. 02, 15 February 2020 (2020-02-15), pages 28 - 218 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116089821A (zh) * 2023-02-23 2023-05-09 中国人民解放军63921部队 一种基于卷积神经网络的深空探测器状态监视识别的方法
CN116089821B (zh) * 2023-02-23 2023-08-15 中国人民解放军63921部队 一种基于卷积神经网络的深空探测器状态监视识别的方法

Similar Documents

Publication Publication Date Title
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
Huang et al. Automated methods for measuring DBH and tree heights with a commercial scanning lidar
CN112288008B (zh) 一种基于深度学习的马赛克多光谱图像伪装目标检测方法
CN110443201B (zh) 基于多源影像联合形状分析与多属性融合的目标识别方法
CN114299417A (zh) 一种基于雷视融合的多目标跟踪方法
CN107092890A (zh) 基于红外视频的舰船检测及跟踪方法
CN101794437B (zh) 一种高光谱遥感影像异常探测方法
CN104536009A (zh) 一种激光红外复合的地面建筑物识别及导航方法
Huo et al. Towards low vegetation identification: A new method for tree crown segmentation from LiDAR data based on a symmetrical structure detection algorithm (SSD)
CN109520418A (zh) 一种基于二维激光扫描仪的托盘位姿识别方法
CN101770583B (zh) 一种基于场景全局特征的模板匹配方法
CN106886760A (zh) 一种基于空谱信息结合的高光谱舰船检测方法
CN113963222A (zh) 一种基于多策略组合的高分辨率遥感影像变化检测方法
CN102663740B (zh) 基于图切的sar图像变化检测方法
CN110443139A (zh) 一种面向分类的高光谱遥感影像噪声波段探测方法
CN112651277A (zh) 一种基于多源影像的遥感目标分析方法
CN112651278A (zh) 一种基于特征筛选的探测数据处理方法
US7783112B2 (en) Method for measuring the proximity of two contours and system for automatic identification of targets
Guo et al. Research on vehicle identification based on high resolution satellite remote sensing image
CN116343057A (zh) 一种联合sar与光学图像的舰船目标检测与识别方法
Ren et al. Building recognition from aerial images combining segmentation and shadow
CN111553421B (zh) 基于双层嵌套结构的sar装备任务失效成因推理方法
CN112907574B (zh) 一种飞行器的降落点寻找方法、装置、系统及存储介质
Zhao et al. Automatic extraction of floating ice at Antarctic continental margin from remotely sensed imagery using object-based segmentation
Trinder et al. Disaster change detection using airborne LiDAR

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