CN113297407A - 遥感影像优选方法和装置 - Google Patents
遥感影像优选方法和装置 Download PDFInfo
- Publication number
- CN113297407A CN113297407A CN202110555526.6A CN202110555526A CN113297407A CN 113297407 A CN113297407 A CN 113297407A CN 202110555526 A CN202110555526 A CN 202110555526A CN 113297407 A CN113297407 A CN 113297407A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- strategy
- sensing image
- area
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种遥感影像优选方法和装置,属于遥感领域。该方法首先对遥感影像预处理和标准化,获得影像特征参数;结合优选特征指标,构建基于决策树的影像优选策略模型;利用初步查询条件进行第一次查询,快速获得全部有效遥感影像清单;利用影像优选策略模型,进行第二次空间复合运算查询,获得精准的优选遥感影像清单;计算每一种优选策略的优选遥感影像清单的评价指标,形成指标评价决策矩阵;利用评价指标决策矩阵选择最佳影像优选结果;获得优选后的影像清单,获得优选后的影像优选区域矢量边界及信息。本发明实现了大范围区域海量卫星遥感影像的自动化快速优选,大大节省了人力、物力、财力投入,提高了海量卫星遥感影像的优选查询效率。
Description
技术领域
本发明涉及卫星遥感领域,特别是指一种遥感影像优选方法和装置。
背景技术
随着对地观测技术的发展,人类对地球的综合观测能力达到了空前水平。卫星遥感影像数据具有多源、多尺度、数据量大、用途广等特点,卫星遥感领域已经步入了大数据时代,同时,对卫星遥感数据的应用领域不断拓展,对海量遥感数据的管理与查询检索需求不断提高。
由于单颗卫星资源有限,且单景遥感影像覆盖范围有限,往往需要将多景遥感影像镶嵌成一幅覆盖更大范围的影像。同时,受云雨天气的影响,特别是在我国西南地区,遥感影像通常含云量较高,很难获得一景完整的无云影像,云层的遮挡会降低遥感影像中地面目标信息的可用性,这对遥感技术的应用带来了很大的局限性。
通常在大范围卫星遥感影像应用中,通常涉及多星多载荷数据的综合查询,一方面,要保障查询到所需区域范围的全部影像数据,另一方面,需要去除有云区域,保证所需区域范围均有无云影像覆盖,最后,要根据实际需求筛选出最佳覆盖的影像清单。因此,海量的多源多级卫星遥感影像的优选查询是卫星遥感技术在各业务领域应用中的基础性工作,也是卫星遥感影像产品分发服务的关键内容之一。
通常,在卫星遥感影像数据库建设中,入库影像元数据信息包括卫星、传感器、空间分辨率、成像时间、景四角坐标、云量统计、产品级别等信息。在生态环境、国土调查、农业估产、地质矿产等领域业务应用中,通常涉及多星、多载荷、多时相、云量限制等数据的综合查询应用,需要最新成像时间、最高空间分辨率、最小重叠面积等不同影像类型筛选需求。
传统的卫星遥感影像查询方法,首先根据产品范围、成像时间、空间分辨率、云量等查询条件,通过关键词进行属性信息穷举查询,筛选出满足需求的全部影像数据,得到一个大而全的数据查询清单;然后,通过人工手动挑选方式,从海量的遥感影像清单中,单景逐一叠加影像快视图,分析影像位置、时相、云覆盖区域等信息,反复挑选符合条件的影像,直至所有位置都至少存在一景无云覆盖影像,最后生成最优的影像筛选清单。
传统的卫星遥感影像管理和查询效率与日益新增的多源海量的卫星遥感影像的应用需求存在严重的矛盾。传统的卫星遥感影像查询方式存在以下缺点:
1、传统影像查询结果是一个大而全的数据清单,只能通过人工手动挑选有效影像,耗费人力物力,对于大范围的影像优选,往往存在多选和漏选的问题,无法利用计算机通过影像有效区域的空间查询得到所需范围的精确数据,查询效率低下。
2、传统的影像元数据中所存在的云量是一个统计值,没有实际云覆盖区域的空间范围。若设置云量范围查询条件,则有些云量较大的影像可能在初步筛选中就被整景被完全丢弃,影像利用效率低;若不设置云量范围查询条件,则所有影像都会被检索出来,大大增加了后续数据二次挑选的工作量。
3、卫星遥感影像(特别是高分辨率遥感影像)数据量特别大,影像的挑选结果直接决定了影像传输和处理的效率。传统的影像查询方法效率低下,降低了卫星遥感数据的实时性的应用价值,在一定程度上制约了卫星遥感技术的业务化应用。
发明内容
为解决上述技术问题,本发明提供一种遥感影像优选方法和装置,本发明实现了大范围区域海量卫星遥感影像的自动化快速优选,大大节省了人力、物力、财力投入,提高了海量卫星遥感影像的优选查询效率。
本发明提供技术方案如下:
一种遥感影像优选方法,所述方法包括:
S1:获取待优选遥感影像集中每景遥感影像的特征参数,所述特征参数包括卫星、传感器、空间分辨率、成像时间、产品级别、有云范围、有云面积、云量、有效成像范围、有效成像面积;
S3:确定初步查询条件,并根据所述初步查询条件对待优选遥感影像集进行筛选,得到符合初步查询条件的有效遥感影像清单;
S4:对每一种优选策略,按照该优选策略的优选特征指标的先后排序,将有效遥感影像清单中的遥感影像按照从上到下的叠加顺序排序;
S5:对每一种优选策略,按照该优选策略的叠加顺序,从上到下依次将遥感影像的有效成像范围叠加到影像查询区域,直到覆盖整个影像查询区域为止;
S6:对每一种优选策略,选取参与叠加到影像查询区域的所有遥感影像作为该优选策略的优选遥感影像清单;
S7:根据所述优选特征指标确定评价指标,并计算每一种优选策略的每项评价指标的统计值;
其中,ci为第i种优选策略,i∈(1,z),pj为第j项评价指标,j∈(1,n),Sk为在优选策略ci下第k景遥感影像的评价指标pj的评估值,f为评价指标的评估函数,m为优选遥感影像清单最上层可见的遥感影像景数,qij为第i种优选策略的第j项评价指标的统计值;
S8:将评价指标的统计值按照从低到高分成z个级别,并按照级别从低到高赋予从小到大的分数,得到各种优选策略的各项评价指标的分数组成的矩阵W;
其中,wi,j为第i种优选策略的第j项评价指标的分数;
S9:根据评价指标的相对重要性,确定每项评价指标pj的相对重要性权重bj;
S10:将各种优选策略的各项评价指标的分数与对应的评价指标相的对重要性权重相乘,得到各种优选策略的各项评价指标的相对重要性分数组成的评价指标决策矩阵R;
其中,bjwi,j为第i种优选策略的第j项评价指标的相对重要性分数;
S11:对每一种优选策略,将该优选策略的所有评价指标的相对重要性分数相加,获得各种优选策略的综合分数;
Si=b1wi,1+…+bnwi,n
其中,Si为第i种优选策略的综合分数;
S12:将综合分数最大的优选策略的优选遥感影像清单作为影像优选结果,提取影像优选结果中所有遥感影像的最上层可见的有效成像范围组成的区域,得到影像优选区域。
进一步的,所述S1包括:
S101:对遥感影像进行标准化处理,通过遥感影像的元数据信息获取所述特征参数中的卫星、传感器、成像时间、空间分辨率、产品级别;
S102:对遥感影像进行几何校正处理,获取影像成像范围的四角坐标;根据所述四角坐标,生成影像成像范围,并计算获得影像成像范围面积;
S103:利用云检测算法对遥感影像进行处理,得到云检测二值化图像,将所述云检测二值化图像转换为多边形矢量,得到有云范围,并计算得到有云面积,将有云面积和影像成像范围面积相比,得到云量;
S104:将影像成像范围和有云范围进行空间相减,得到有效成像范围,并计算得到有效成像面积。
进一步的,所述S2包括:
S201:根据遥感影像的特征参数确定优选特征指标,所述优选特征指标包括成像时间、空间分辨率、有效面积;
S202:将优选特征指标的每一种排列方式作为一种优选策略,得到6种优选策略,其中:
优选策略c1为:成像时间>有效面积>空间分辨率;
优选策略c2为:成像时间>空间分辨率>有效面积;
优选策略c3为:空间分辨率>成像时间>有效面积;
优选策略c4为:空间分辨率>有效面积>成像时间;
优选策略c5为:有效面积>空间分辨率>成像时间;
优选策略c6为:有效面积>成像时间>空间分辨率。
进一步的,所述S3包括:
S301:确定初步查询条件,所述初步查询条件包括遥感影像元数据信息的范围;
S302:利用遥感影像的元数据信息与所述初步查询条件求交集,对遥感影像逐景筛选过滤,排除不符合条件的遥感影像,得到符合初步查询条件的有效遥感影像清单。
进一步的,所述评价指标包括成像时间统计、空间分辨率统计、重叠面积统计、产品级别统计。
一种遥感影像优选装置,所述装置包括:
预处理模块,用于获取待优选遥感影像集中每景遥感影像的特征参数,所述特征参数包括卫星、传感器、空间分辨率、成像时间、产品级别、有云范围、有云面积、云量、有效成像范围、有效成像面积;
初步查询模块,用于确定初步查询条件,并根据所述初步查询条件对待优选遥感影像集进行筛选,得到符合初步查询条件的有效遥感影像清单;
顺序调整模块,用于对每一种优选策略,按照该优选策略的优选特征指标的先后排序,将有效遥感影像清单中的遥感影像按照从上到下的叠加顺序排序;
叠加模块,用于对每一种优选策略,按照该优选策略的叠加顺序,从上到下依次将遥感影像的有效成像范围叠加到影像查询区域,直到覆盖整个影像查询区域为止;
优选遥感影像清单确定模块,用于对每一种优选策略,选取参与叠加到影像查询区域的所有遥感影像作为该优选策略的优选遥感影像清单;
评价指标统计模块,用于根据所述优选特征指标确定评价指标,并计算每一种优选策略的每项评价指标的统计值;
其中,ci为第i种优选策略,i∈(1,z),pj为第j项评价指标,j∈(1,n),Sk为在优选策略ci下第k景遥感影像的评价指标pj的评估值,f为评价指标的评估函数,m为优选遥感影像清单最上层可见的遥感影像景数,qij为第i种优选策略的第j项评价指标的统计值;
赋值模块,用于将评价指标的统计值按照从低到高分成z个级别,并按照级别从低到高赋予从小到大的分数,得到各种优选策略的各项评价指标的分数组成的矩阵W;
其中,wi,j为第i种优选策略的第j项评价指标的分数;
权重确定模块,用于根据评价指标的相对重要性,确定每项评价指标pj的相对重要性权重bj;
评价指标决策矩阵计算模块,用于将各种优选策略的各项评价指标的分数与对应的评价指标相的对重要性权重相乘,得到各种优选策略的各项评价指标的相对重要性分数组成的评价指标决策矩阵R;
其中,bjwi,j为第i种优选策略的第j项评价指标的相对重要性分数;
综合分数计算模块,用于对每一种优选策略,将该优选策略的所有评价指标的相对重要性分数相加,获得各种优选策略的综合分数;
Si=b1wi,1+…+bnwi,n
其中,Si为第i种优选策略的综合分数;
影像优选模块,用于将综合分数最大的优选策略的优选遥感影像清单作为影像优选结果,提取影像优选结果中所有遥感影像的最上层可见的有效成像范围组成的区域,得到影像优选区域。
进一步的,所述预处理模块包括:
标准化处理单元,用于对遥感影像进行标准化处理,通过遥感影像的元数据信息获取所述特征参数中的卫星、传感器、成像时间、空间分辨率、产品级别;
几何校正单元,用于对遥感影像进行几何校正处理,获取影像成像范围的四角坐标;根据所述四角坐标,生成影像成像范围,并计算获得影像成像范围面积;
云检测单元,用于利用云检测算法对遥感影像进行处理,得到云检测二值化图像,将所述云检测二值化图像转换为多边形矢量,得到有云范围,并计算得到有云面积,将有云面积和影像成像范围面积相比,得到云量;
空间运算单元,用于将影像成像范围和有云范围进行空间相减,得到有效成像范围,并计算得到有效成像面积。
进一步的,所述优选策略确定模块包括:
优选特征指标确定单元,用于根据遥感影像的特征参数确定优选特征指标,所述优选特征指标包括成像时间、空间分辨率、有效面积;
优选策略确定单元,用于将优选特征指标的每一种排列方式作为一种优选策略,得到6种优选策略,其中:
优选策略c1为:成像时间>有效面积>空间分辨率;
优选策略c2为:成像时间>空间分辨率>有效面积;
优选策略c3为:空间分辨率>成像时间>有效面积;
优选策略c4为:空间分辨率>有效面积>成像时间;
优选策略c5为:有效面积>空间分辨率>成像时间;
优选策略c6为:有效面积>成像时间>空间分辨率。
进一步的,所述初步查询模块包括:
初步查询条件确定单元,用于确定初步查询条件,所述初步查询条件包括遥感影像元数据信息的范围;
筛选单元,用于利用遥感影像的元数据信息与所述初步查询条件求交集,对遥感影像逐景筛选过滤,排除不符合条件的遥感影像,得到符合初步查询条件的有效遥感影像清单。
进一步的,所述评价指标包括成像时间统计、空间分辨率统计、重叠面积统计、产品级别统计。
本发明具有以下有益效果:
本发明实现了大范围区域海量卫星遥感影像的自动化快速优选,大大节省了人力、物力、财力投入,同时提高了海量卫星遥感影像的优选查询效率。利用有效成像范围进行空间运算查询,提高有云影像中无云像素的利用率,同时提高了影像的优选质量。结合常用影像优选特征参数,利用多种优选策略,可满足不同应用场景的遥感影像数据优选需求。利用评价指标决策矩阵获得精准的数据优选清单和边界,将有效减少数据存储量,缩短处理时间,提高影像应用效率。本发明充分挖掘海量卫星遥感影像的应用价值,有效支撑生态环境监测、国土资源调查行业应用中卫星遥感影像数据的全覆盖优选、固定区域定期观测实时筛选等业务需求,进一步推进卫星遥感技术在各行业的业务化应用能力。
附图说明
图1为本发明的遥感影像优选方法的流程图;
图2为效遥感影像清单的一个示例的示意图;
图3为有效遥感影像清单从上到下按成像时间从新到旧排序的示意图;
图4为最终得到的影像优选结果的示意图;
图5为本发明的遥感影像优选装置的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
实施例1:
本发明实施例提供一种遥感影像优选方法,如图1所示,该方法包括:
S1:获取待优选遥感影像集中每景遥感影像的特征参数,特征参数包括卫星、传感器、空间分辨率、成像时间、产品级别、有云范围、有云面积、云量、有效成像范围、有效成像面积。
本步骤用于对卫星遥感影像进行预处理和标准化,获得遥感影像的优选特征参数,本步骤一种具体的实现方式可以为:
S101:对遥感影像进行标准化处理,通过遥感影像的元数据信息获取特征参数中的卫星、传感器、成像时间、空间分辨率、产品级别等参数。
S102:对遥感影像进行几何校正处理,获取影像成像范围的四角坐标;根据四角坐标,生成影像成像范围,该影像成像范围为矢量数据,并计算获得影像成像范围面积。
S103:利用云检测算法对遥感影像进行处理,得到云检测二值化图像,该云检测二值化图像为栅格数据,将云检测二值化图像转换为多边形矢量,得到有云范围,并计算得到有云面积,将有云面积和影像成像范围面积相比,得到云量。
S104:利用矢量多边形空间运算,将影像成像范围和有云范围进行空间相减,得到有效成像范围,并计算得到有效成像面积。
本步骤用于确定优选特征指标,按照优选特征指标优先级,构建基于决策树的影像优选策略模型。
优选特征指标根据特征参数确定,可以是特征参数中的一种或多种,可以包括成像时间最新、空间分辨率最高、重叠面积最小、产品级别最高等n个优选特征指标s1,s2,...,sn。
按照优选特征指标的优先级排序,构建优选特征指标集S={s1,s2,...,sn},作为优选策略模型的输入。其中,按照优选特征指标,自顶向下递归方式构造决策树,直至所有优选特征指标划分结束为止,则共有种影像优选策略。设定优选策略组合集C={c1,c2,...,cz},其中
示例性的,本步骤的一种具体实现方式如下:
S201:根据遥感影像的特征参数确定优选特征指标,优选特征指标包括成像时间、空间分辨率、有效面积。
S202:将优选特征指标的每一种排列方式作为一种优选策略,得到6种优选策略,其中:
优选策略c1为:成像时间>有效面积>空间分辨率;
优选策略c2为:成像时间>空间分辨率>有效面积;
优选策略c3为:空间分辨率>成像时间>有效面积;
优选策略c4为:空间分辨率>有效面积>成像时间;
优选策略c5为:有效面积>空间分辨率>成像时间;
优选策略c6为:有效面积>成像时间>空间分辨率。
S3:确定初步查询条件,并根据初步查询条件对待优选遥感影像集进行筛选,得到符合初步查询条件的有效遥感影像清单。
本步骤用于初步锁定遥感影像查询范围,进行第一次查询,快速获得全部有效遥感影像清单。
本步骤的一种具体实现方式如下:
S301:确定初步查询条件,初步查询条件包括遥感影像元数据信息的范围。
例如,初步查询条件可以是影像查询范围、成像时间范围、空间分辨率范围等条件信息。
S302:利用遥感影像的元数据信息与初步查询条件求交集,对遥感影像逐景筛选过滤,排除不符合条件的遥感影像,快速得到符合初步查询条件的有效遥感影像清单。
前述的S3为第一次查询,得到有效遥感影像清单。后文的S4~S12为利用影像优选策略模型,对上述有效遥感影像清单进行第二次空间复合运算查询,获得精准的影像优选结果。
S4:对每一种优选策略,按照该优选策略的优选特征指标的先后排序,将有效遥感影像清单中的遥感影像按照从上到下的叠加顺序排序。
本步骤根据选定的优选策略,按照优选特征指标先后排序,对有效遥感影像清单中的遥感影像重新调整空间叠加顺序,确保影像层次从上到下按优选级别先后排序。
以前述的优选策略c1为例:
首先将遥感影像按照成像时间从新到旧的顺序从上到下叠加。
然后保持成像时间从新到旧的顺序不变的前提下,按照有效面积从大到小的顺序重新调整遥感影像的叠加顺序(也就是将成像时间相同的遥感影像按照有效面积从大到小的顺序从上到下叠加)。
然后保持成像时间从新到旧的顺序不变以及有效面积从大到小的顺序不变的前提下,按照空间分辨率从大到小的顺序重新调整遥感影像的叠加顺序(也就是将成像时间相同、有效面积相同的遥感影像按照空间分辨率从大到小的顺序从上到下叠加),完成优选策略c1的全部叠加顺序。
S5:对每一种优选策略,按照该优选策略的叠加顺序,从上到下依次将遥感影像的有效成像范围叠加到影像查询区域,直到覆盖整个影像查询区域为止。
本步骤按照遥感影像的空间叠加顺序,从最上层遥感影像开始将遥感影像的有效成像范围叠加到待研究的影像查询区域,从上到下依次叠加,直到覆盖整个影像查询区域。
S6:对每一种优选策略,选取参与叠加到影像查询区域的所有遥感影像作为该优选策略的优选遥感影像清单。
S7:根据优选特征指标确定评价指标,并计算每一种优选策略的每项评价指标的统计值。
本步骤根据优选特征指标构建优选策略的优选遥感影像清单的评价指标体系,评价指标与优选特征指标一一对应,数量相同,可以包括成像时间统计、空间分辨率统计、重叠面积统计、产品级别统计等,形成评价指标集P={p1,p2,...,pn}。
然后计算每一种优选策略的评价指标的统计值qij
其中,ci为第i种优选策略,i∈(1,z),,pj为第j项评价指标,j∈(1,n),Sk为在优选策略ci下第k景遥感影像的评价指标pj的评估值,f为评价指标的评估函数,m为优选遥感影像清单最上层可见的遥感影像景数,qij为第i种优选策略的第j项评价指标的统计值,也就是采用第i种优选策略时,优选遥感影像清单最上层可见的所有遥感影像的第j项评价指标的统计值。
各个qij组成如下的矩阵的形式:
S8:将评价指标的统计值按照从低到高分成z个级别,并按照级别从低到高赋予从小到大的分数,得到各种优选策略的各项评价指标的分数组成的矩阵W。
其中,wi,j为第i种优选策略的第j项评价指标的分数。
示例性的,首先设定各个级别的范围,例如[a1,a2)、[a2,a3)、...、[az,az+1),若qij∈[a1,a2),则为第一级别,赋予第一级别的分数,以此类推,若qij∈[az,az+1),则属于第z级别,赋予第z级别的分数。从第一级别到第z级别,赋予的分数从小到大。
S9:根据评价指标的相对重要性,确定每项评价指标pj的相对重要性权重bj。
本步骤针对n个评价指标的相对重要性,确定评价指标的相对重要性权重,获得重要性权重向量B=(b1,...,bn)。相对重要性权重越大代表评价指标越优选。相对重要性权重可以根据需要设定,不一定要为各项评价指标打不同的分数,可以将不需要的评价指标打0分。
S10:将各种优选策略的各项评价指标的分数与对应的评价指标相的对重要性权重相乘,得到各种优选策略的各项评价指标的相对重要性分数组成的评价指标决策矩阵R;
其中,bjwi,j为第i种优选策略的第j项评价指标的相对重要性分数。
S11:对每一种优选策略,将该优选策略的所有评价指标的相对重要性分数相加,获得各种优选策略的综合分数;
Si=b1wi,1+…+bnwi,n
其中,Si为第i种优选策略的综合分数。
本步骤实际就是将评价指标决策矩阵R的每行分别累加,得到各种优选策略的综合分数组成的一个列向量S;
S=[S1S2...SZ]T
S12:将综合分数最大的优选策略的优选遥感影像清单作为影像优选结果,提取影像优选结果中所有遥感影像的最上层可见的有效成像范围组成的区域,得到影像优选区域。
根据影像优选结果,获取优选后的遥感影像名称、景序列号、成像时间等信息,获得优选后影像清单。并通过遥感影像有效范围空间运算,提取最上层可见的有效范围的影像区域作为影像优选区域,获得优选后的影像优选区域矢量边界,包括空间分辨率、产品级别等空间属性信息。
本发明的遥感影像优选方法用于海量卫星遥感影像的优选,该方法首先对遥感影像预处理和标准化,获得影像特征参数;结合优选特征指标,构建基于决策树的影像优选策略模型;利用初步查询条件进行第一次查询,快速获得全部有效遥感影像清单;利用影像优选策略模型,进行第二次空间复合运算查询,获得精准的优选遥感影像清单;计算每一种优选策略的优选遥感影像清单的评价指标,形成指标评价决策矩阵;根据实际业务应用需求,利用评价指标决策矩阵选择最佳影像优选结果;获得优选后的影像清单,获得优选后的影像优选区域矢量边界及信息。
本发明实现了大范围区域海量卫星遥感影像的自动化快速优选,大大节省了人力、物力、财力投入,同时提高了海量卫星遥感影像的优选查询效率。利用有效成像范围进行空间运算查询,提高有云影像中无云像素的利用率,同时提高了影像的优选质量。结合常用影像优选特征参数,利用多种优选策略,可满足不同应用场景的遥感影像数据优选需求。利用评价指标决策矩阵获得精准的数据优选清单和边界,将有效减少数据存储量,缩短处理时间,提高影像应用效率。本发明充分挖掘海量卫星遥感影像的应用价值,有效支撑生态环境监测、国土资源调查行业应用中卫星遥感影像数据的全覆盖优选、固定区域定期观测实时筛选等业务需求,进一步推进卫星遥感技术在各行业的业务化应用能力。
下面通过一个具体的示例对本发明的方法进行详细说明,本示例以查询2020年8-9月份北京市全覆盖影像优选为例,优选条件为空间分辨率最高。
1、卫星遥感影像预处理和标准化,获得影像优选特征参数,包括卫星、传感器、空间分辨率、成像时间、产品级别、有云范围、有云面积、云量、有效成像范围、有效成像面积等。
c1优选策略为“成像时间>有效面积>空间分辨率”;
c2优选策略为“成像时间>空间分辨率>有效面积”;
c3优选策略为“空间分辨率>成像时间>有效面积”;
c4优选策略为“空间分辨率>有效面积>成像时间”;
c5优选策略为“有效面积>空间分辨率>成像时间”;
c6优选策略为“有效面积>成像时间>空间分辨率”。
3、选定初步查询条件进行第一次元数据属性信息查询,快速获得全部有效遥感影像清单,为31景,如图2所示。其中,选定初步查询为:影像查询范围为北京市,成像时间范围为2020年8月1日至2020年12月31日,空间分辨率为优于等于2米。
4、基于有效遥感影像清单,按照影像优选策略,进行第二次空间复合运算查询,获得不同优选策略的优选遥感影像清单。
成像时间最新优选:根据有效遥感影像清单,按影像成像时间先后排序,重新调整影像的空间叠加顺序,将影像的有效成像范围叠加到影像查询区域,确保影像层次从上到下按成像时间从新到旧排序,如图3所示。
空间分辨率最高优选:根据有效遥感影像清单,按照影像的空间分辨率高低顺序,重新调整影像的空间叠加顺序,将影像的有效成像范围叠加到影像查询区域,确保影像层次从上到下按空间分辨率由高到低排序。
有效面积最大优选:根据有效遥感影像清单,逐景计算影像的在影像查询区域的实际有效覆盖面积大小,将实际有效覆盖面积最大影像填充到影像查询区域;然后重新计算影像查询区域的未覆盖区域,重新计算每景影像在未覆盖区域的有实际效覆盖面积大小,将实际有效覆盖面积最大的影像填充到影像查询区域;然后按照上述方法,逐步遍历并迭代其他影像范围,直到全部影像查询区域被填充为止,并确保影像层次从上到下按实际有效覆盖面积从大到小排序。
5、根据优选特征指标,构建评价指标体系,计算每一种优选策略的优选遥感影像清单的评价指标,评价指标包括成像时间统计、空间分辨率统计、有效面积统计,形成优选遥感影像清单评价指标统计值。
6、优选遥感影像清单评价指标统计值,通过数值分级与赋分,与评价指标的相对重要性权重相乘,获得评价指标决策矩阵。其中,选择评价指标相对重要性权重赋值为“成像时间最新>空间分辨率最高>有效面积最大”。
7、根据评价指标决策矩阵,选择最佳影像优选结果,共12景,如图所示。获得优选后的影像清单,获得优选后的影像优选区域矢量边界及信息。
实施例2:
本发明实施例提供一种遥感影像优选装置,如图5所示,该装置包括:
预处理模块1,用于获取待优选遥感影像集中每景遥感影像的特征参数,特征参数包括卫星、传感器、空间分辨率、成像时间、产品级别、有云范围、有云面积、云量、有效成像范围、有效成像面积。
初步查询模块3,用于确定初步查询条件,并根据初步查询条件对待优选遥感影像集进行筛选,得到符合初步查询条件的有效遥感影像清单。
顺序调整模块4,用于对每一种优选策略,按照该优选策略的优选特征指标的先后排序,将有效遥感影像清单中的遥感影像按照从上到下的叠加顺序排序。;
叠加模块5,用于对每一种优选策略,按照该优选策略的叠加顺序,从上到下依次将遥感影像的有效成像范围叠加到影像查询区域,直到覆盖整个影像查询区域为止。
优选遥感影像清单确定模块6,用于对每一种优选策略,选取参与叠加到影像查询区域的所有遥感影像作为该优选策略的优选遥感影像清单。
评价指标统计模块7,用于根据优选特征指标确定评价指标,并计算每一种优选策略的每项评价指标的统计值;
其中,ci为第i种优选策略,i∈(1,z),pj为第j项评价指标,j∈(1,n),Sk为在优选策略ci下第k景遥感影像的评价指标pj的评估值,f为评价指标的评估函数,m为优选遥感影像清单最上层可见的遥感影像景数,qij为第i种优选策略的第j项评价指标的统计值。
赋值模块8,用于将评价指标的统计值按照从低到高分成z个级别,并按照级别从低到高赋予从小到大的分数,得到各种优选策略的各项评价指标的分数组成的矩阵W;
其中,wi,j为第i种优选策略的第j项评价指标的分数。
权重确定模块9,用于根据评价指标的相对重要性,确定每项评价指标pj的相对重要性权重bj;
评价指标决策矩阵计算模块10,用于将各种优选策略的各项评价指标的分数与对应的评价指标相的对重要性权重相乘,得到各种优选策略的各项评价指标的相对重要性分数组成的评价指标决策矩阵R;
其中,bjwi,j为第i种优选策略的第j项评价指标的相对重要性分数;
综合分数计算模块11,用于对每一种优选策略,将该优选策略的所有评价指标的相对重要性分数相加,获得各种优选策略的综合分数;
Si=b1wi,1+…+bnwi,n
其中,Si为第i种优选策略的综合分数。
影像优选模块12,用于将综合分数最大的优选策略的优选遥感影像清单作为影像优选结果,提取影像优选结果中所有遥感影像的最上层可见的有效成像范围组成的区域,得到影像优选区域。
作为本发明实施例的一种具体实现方式,前述的预处理模块包括:
标准化处理单元,用于对遥感影像进行标准化处理,通过遥感影像的元数据信息获取特征参数中的卫星、传感器、成像时间、空间分辨率、产品级别。
几何校正单元,用于对遥感影像进行几何校正处理,获取影像成像范围的四角坐标;根据四角坐标,生成影像成像范围,并计算获得影像成像范围面积。
云检测单元,用于利用云检测算法对遥感影像进行处理,得到云检测二值化图像,将云检测二值化图像转换为多边形矢量,得到有云范围,并计算得到有云面积,将有云面积和影像成像范围面积相比,得到云量。
空间运算单元,用于将影像成像范围和有云范围进行空间相减,得到有效成像范围,并计算得到有效成像面积。
进一步的,优选策略确定模块包括:
优选特征指标确定单元,用于根据遥感影像的特征参数确定优选特征指标,优选特征指标包括成像时间、空间分辨率、有效面积。
优选策略确定单元,用于将优选特征指标的每一种排列方式作为一种优选策略,得到6种优选策略,其中:
优选策略c1为:成像时间>有效面积>空间分辨率;
优选策略c2为:成像时间>空间分辨率>有效面积;
优选策略c3为:空间分辨率>成像时间>有效面积;
优选策略c4为:空间分辨率>有效面积>成像时间;
优选策略c5为:有效面积>空间分辨率>成像时间;
优选策略c6为:有效面积>成像时间>空间分辨率。
作为本发明实施例的一种改进,初步查询模块包括:
初步查询条件确定单元,用于确定初步查询条件,初步查询条件包括遥感影像元数据信息的范围。
筛选单元,用于利用遥感影像的元数据信息与初步查询条件求交集,对遥感影像逐景筛选过滤,排除不符合条件的遥感影像,得到符合初步查询条件的有效遥感影像清单。
在其中一个示例中,评价指标包括成像时间统计、空间分辨率统计、重叠面积统计、产品级别统计。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例1中相应内容。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,前述描述的装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
需要说明的是,本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照方法实施例的描述,在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类、存储介质+程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定按照要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。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。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本底和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种遥感影像优选方法,其特征在于,所述方法包括:
S1:获取待优选遥感影像集中每景遥感影像的特征参数,所述特征参数包括卫星、传感器、空间分辨率、成像时间、产品级别、有云范围、有云面积、云量、有效成像范围、有效成像面积;
S3:确定初步查询条件,并根据所述初步查询条件对待优选遥感影像集进行筛选,得到符合初步查询条件的有效遥感影像清单;
S4:对每一种优选策略,按照该优选策略的优选特征指标的先后排序,将有效遥感影像清单中的遥感影像按照从上到下的叠加顺序排序;
S5:对每一种优选策略,按照该优选策略的叠加顺序,从上到下依次将遥感影像的有效成像范围叠加到影像查询区域,直到覆盖整个影像查询区域为止;
S6:对每一种优选策略,选取参与叠加到影像查询区域的所有遥感影像作为该优选策略的优选遥感影像清单;
S7:根据所述优选特征指标确定评价指标,并计算每一种优选策略的每项评价指标的统计值;
其中,ci为第i种优选策略,i∈(1,z),pj为第j项评价指标,j∈(1,n),Sk为在优选策略ci下第k景遥感影像的评价指标pj的评估值,f为评价指标的评估函数,m为优选遥感影像清单最上层可见的遥感影像景数,qij为第i种优选策略的第j项评价指标的统计值;
S8:将评价指标的统计值按照从低到高分成z个级别,并按照级别从低到高赋予从小到大的分数,得到各种优选策略的各项评价指标的分数组成的矩阵W;
其中,wi,j为第i种优选策略的第j项评价指标的分数;
S9:根据评价指标的相对重要性,确定每项评价指标pj的相对重要性权重bj;
S10:将各种优选策略的各项评价指标的分数与对应的评价指标相的对重要性权重相乘,得到各种优选策略的各项评价指标的相对重要性分数组成的评价指标决策矩阵R;
其中,bjwi,j为第i种优选策略的第j项评价指标的相对重要性分数;
S11:对每一种优选策略,将该优选策略的所有评价指标的相对重要性分数相加,获得各种优选策略的综合分数;
Si=b1wi,1+…+bnwi,n
其中,Si为第i种优选策略的综合分数;
S12:将综合分数最大的优选策略的优选遥感影像清单作为影像优选结果,提取影像优选结果中所有遥感影像的最上层可见的有效成像范围组成的区域,得到影像优选区域。
2.根据权利要求1所述的遥感影像优选方法,其特征在于,所述S1包括:
S101:对遥感影像进行标准化处理,通过遥感影像的元数据信息获取所述特征参数中的卫星、传感器、成像时间、空间分辨率、产品级别;
S102:对遥感影像进行几何校正处理,获取影像成像范围的四角坐标;根据所述四角坐标,生成影像成像范围,并计算获得影像成像范围面积;
S103:利用云检测算法对遥感影像进行处理,得到云检测二值化图像,将所述云检测二值化图像转换为多边形矢量,得到有云范围,并计算得到有云面积,将有云面积和影像成像范围面积相比,得到云量;
S104:将影像成像范围和有云范围进行空间相减,得到有效成像范围,并计算得到有效成像面积。
3.根据权利要求2所述的遥感影像优选方法,其特征在于,所述S2包括:
S201:根据遥感影像的特征参数确定优选特征指标,所述优选特征指标包括成像时间、空间分辨率、有效面积;
S202:将优选特征指标的每一种排列方式作为一种优选策略,得到6种优选策略,其中:
优选策略c1为:成像时间>有效面积>空间分辨率;
优选策略c2为:成像时间>空间分辨率>有效面积;
优选策略c3为:空间分辨率>成像时间>有效面积;
优选策略c4为:空间分辨率>有效面积>成像时间;
优选策略c5为:有效面积>空间分辨率>成像时间;
优选策略c6为:有效面积>成像时间>空间分辨率。
4.根据权利要求3所述的遥感影像优选方法,其特征在于,所述S3包括:
S301:确定初步查询条件,所述初步查询条件包括遥感影像元数据信息的范围;
S302:利用遥感影像的元数据信息与所述初步查询条件求交集,对遥感影像逐景筛选过滤,排除不符合条件的遥感影像,得到符合初步查询条件的有效遥感影像清单。
5.根据权利要求4所述的遥感影像优选方法,其特征在于,所述评价指标包括成像时间统计、空间分辨率统计、重叠面积统计、产品级别统计。
6.一种遥感影像优选装置,其特征在于,所述装置包括:
预处理模块,用于获取待优选遥感影像集中每景遥感影像的特征参数,所述特征参数包括卫星、传感器、空间分辨率、成像时间、产品级别、有云范围、有云面积、云量、有效成像范围、有效成像面积;
初步查询模块,用于确定初步查询条件,并根据所述初步查询条件对待优选遥感影像集进行筛选,得到符合初步查询条件的有效遥感影像清单;
顺序调整模块,用于对每一种优选策略,按照该优选策略的优选特征指标的先后排序,将有效遥感影像清单中的遥感影像按照从上到下的叠加顺序排序;
叠加模块,用于对每一种优选策略,按照该优选策略的叠加顺序,从上到下依次将遥感影像的有效成像范围叠加到影像查询区域,直到覆盖整个影像查询区域为止;
优选遥感影像清单确定模块,用于对每一种优选策略,选取参与叠加到影像查询区域的所有遥感影像作为该优选策略的优选遥感影像清单;
评价指标统计模块,用于根据所述优选特征指标确定评价指标,并计算每一种优选策略的每项评价指标的统计值;
其中,ci为第i种优选策略,i∈(1,z),pj为第j项评价指标,j∈(1,n),Sk为在优选策略ci下第k景遥感影像的评价指标pj的评估值,f为评价指标的评估函数,m为优选遥感影像清单最上层可见的遥感影像景数,qij为第i种优选策略的第j项评价指标的统计值;
赋值模块,用于将评价指标的统计值按照从低到高分成z个级别,并按照级别从低到高赋予从小到大的分数,得到各种优选策略的各项评价指标的分数组成的矩阵W;
其中,wi,j为第i种优选策略的第j项评价指标的分数;
权重确定模块,用于根据评价指标的相对重要性,确定每项评价指标pj的相对重要性权重bj;
评价指标决策矩阵计算模块,用于将各种优选策略的各项评价指标的分数与对应的评价指标相的对重要性权重相乘,得到各种优选策略的各项评价指标的相对重要性分数组成的评价指标决策矩阵R;
其中,bjwi,j为第i种优选策略的第j项评价指标的相对重要性分数;
综合分数计算模块,用于对每一种优选策略,将该优选策略的所有评价指标的相对重要性分数相加,获得各种优选策略的综合分数;
Si=b1wi,1+…+bnwi,n
其中,Si为第i种优选策略的综合分数;
影像优选模块,用于将综合分数最大的优选策略的优选遥感影像清单作为影像优选结果,提取影像优选结果中所有遥感影像的最上层可见的有效成像范围组成的区域,得到影像优选区域。
7.根据权利要求6所述的遥感影像优选装置,其特征在于,所述预处理模块包括:
标准化处理单元,用于对遥感影像进行标准化处理,通过遥感影像的元数据信息获取所述特征参数中的卫星、传感器、成像时间、空间分辨率、产品级别;
几何校正单元,用于对遥感影像进行几何校正处理,获取影像成像范围的四角坐标;根据所述四角坐标,生成影像成像范围,并计算获得影像成像范围面积;
云检测单元,用于利用云检测算法对遥感影像进行处理,得到云检测二值化图像,将所述云检测二值化图像转换为多边形矢量,得到有云范围,并计算得到有云面积,将有云面积和影像成像范围面积相比,得到云量;
空间运算单元,用于将影像成像范围和有云范围进行空间相减,得到有效成像范围,并计算得到有效成像面积。
8.根据权利要求7所述的遥感影像优选装置,其特征在于,所述优选策略确定模块包括:
优选特征指标确定单元,用于根据遥感影像的特征参数确定优选特征指标,所述优选特征指标包括成像时间、空间分辨率、有效面积;
优选策略确定单元,用于将优选特征指标的每一种排列方式作为一种优选策略,得到6种优选策略,其中:
优选策略c1为:成像时间>有效面积>空间分辨率;
优选策略c2为:成像时间>空间分辨率>有效面积;
优选策略c3为:空间分辨率>成像时间>有效面积;
优选策略c4为:空间分辨率>有效面积>成像时间;
优选策略c5为:有效面积>空间分辨率>成像时间;
优选策略c6为:有效面积>成像时间>空间分辨率。
9.根据权利要求8所述的遥感影像优选装置,其特征在于,所述初步查询模块包括:
初步查询条件确定单元,用于确定初步查询条件,所述初步查询条件包括遥感影像元数据信息的范围;
筛选单元,用于利用遥感影像的元数据信息与所述初步查询条件求交集,对遥感影像逐景筛选过滤,排除不符合条件的遥感影像,得到符合初步查询条件的有效遥感影像清单。
10.根据权利要求9所述的遥感影像优选装置,其特征在于,所述评价指标包括成像时间统计、空间分辨率统计、重叠面积统计、产品级别统计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110555526.6A CN113297407B (zh) | 2021-05-21 | 2021-05-21 | 遥感影像优选方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110555526.6A CN113297407B (zh) | 2021-05-21 | 2021-05-21 | 遥感影像优选方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297407A true CN113297407A (zh) | 2021-08-24 |
CN113297407B CN113297407B (zh) | 2021-11-26 |
Family
ID=77323423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110555526.6A Active CN113297407B (zh) | 2021-05-21 | 2021-05-21 | 遥感影像优选方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297407B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114003755A (zh) * | 2021-10-25 | 2022-02-01 | 中国自然资源航空物探遥感中心 | 多源卫星分景影像数据组织存储与检索方法、系统及设备 |
CN114443648A (zh) * | 2021-12-29 | 2022-05-06 | 中科星通(廊坊)信息技术有限公司 | 一种卫星遥感数据的智能检索方法 |
CN114882379A (zh) * | 2022-07-04 | 2022-08-09 | 北京数慧时空信息技术有限公司 | 一种遥感影像组的精确筛选方法 |
CN115344732A (zh) * | 2022-10-18 | 2022-11-15 | 北京数慧时空信息技术有限公司 | 基于任务驱动的遥感影像推荐方法 |
CN115660721A (zh) * | 2022-12-11 | 2023-01-31 | 北京数慧时空信息技术有限公司 | 基于用户需求的遥感影像统筹系统及方法 |
CN116467477A (zh) * | 2023-04-11 | 2023-07-21 | 北京数慧时空信息技术有限公司 | 基于蒙特卡洛树搜索的影像组优选方法 |
CN117112820A (zh) * | 2023-10-19 | 2023-11-24 | 北京观微科技有限公司 | 遥感影像确定方法、装置及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171731A (zh) * | 2017-09-28 | 2018-06-15 | 中国矿业大学(北京) | 一种顾及拓扑几何多要素约束的最小影像集自动优选方法 |
CN109491994A (zh) * | 2018-11-28 | 2019-03-19 | 中国科学院遥感与数字地球研究所 | Landsat-8卫星精选遥感数据集最简化筛选方法 |
CN109542932A (zh) * | 2018-11-28 | 2019-03-29 | 中国科学院遥感与数字地球研究所 | Landsat-8卫星精选遥感数据集定制化筛选方法 |
CN109614513A (zh) * | 2018-12-06 | 2019-04-12 | 武汉大学 | 一种面向区域覆盖的遥感影像数据选取方法和系统 |
CN110008297A (zh) * | 2019-03-26 | 2019-07-12 | 武汉大学 | 一种基于地理网格的最优覆盖卫星影像筛选方法 |
CN110413828A (zh) * | 2019-07-31 | 2019-11-05 | 中国电子科技集团公司第五十四研究所 | 基于优化遗传算法的遥感海量影像自动筛选方法 |
WO2020013024A1 (en) * | 2018-07-10 | 2020-01-16 | Sony Corporation | Information processing apparatus, information processing method, and program |
CN111539100A (zh) * | 2020-04-17 | 2020-08-14 | 重庆地质矿产研究院 | 井场虚拟建设模型的生成方法、装置、设备及存储介质 |
CN112380367A (zh) * | 2020-10-27 | 2021-02-19 | 中南大学 | 一种基于熵的遥感影像数据筛选方法 |
CN112579677A (zh) * | 2020-11-27 | 2021-03-30 | 福建省星云大数据应用服务有限公司 | 一种卫星遥感影像自动处理方法 |
-
2021
- 2021-05-21 CN CN202110555526.6A patent/CN113297407B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171731A (zh) * | 2017-09-28 | 2018-06-15 | 中国矿业大学(北京) | 一种顾及拓扑几何多要素约束的最小影像集自动优选方法 |
WO2020013024A1 (en) * | 2018-07-10 | 2020-01-16 | Sony Corporation | Information processing apparatus, information processing method, and program |
CN109491994A (zh) * | 2018-11-28 | 2019-03-19 | 中国科学院遥感与数字地球研究所 | Landsat-8卫星精选遥感数据集最简化筛选方法 |
CN109542932A (zh) * | 2018-11-28 | 2019-03-29 | 中国科学院遥感与数字地球研究所 | Landsat-8卫星精选遥感数据集定制化筛选方法 |
CN109614513A (zh) * | 2018-12-06 | 2019-04-12 | 武汉大学 | 一种面向区域覆盖的遥感影像数据选取方法和系统 |
CN110008297A (zh) * | 2019-03-26 | 2019-07-12 | 武汉大学 | 一种基于地理网格的最优覆盖卫星影像筛选方法 |
CN110413828A (zh) * | 2019-07-31 | 2019-11-05 | 中国电子科技集团公司第五十四研究所 | 基于优化遗传算法的遥感海量影像自动筛选方法 |
CN111539100A (zh) * | 2020-04-17 | 2020-08-14 | 重庆地质矿产研究院 | 井场虚拟建设模型的生成方法、装置、设备及存储介质 |
CN112380367A (zh) * | 2020-10-27 | 2021-02-19 | 中南大学 | 一种基于熵的遥感影像数据筛选方法 |
CN112579677A (zh) * | 2020-11-27 | 2021-03-30 | 福建省星云大数据应用服务有限公司 | 一种卫星遥感影像自动处理方法 |
Non-Patent Citations (3)
Title |
---|
李峰 等: ""遥感影像区域覆盖最优数据集的筛选模型"", 《测控遥感与导航定位》 * |
柴栋 等: ""使用贝叶斯优化对遥感影像目标进行精确定位"", 《遥感技术与应用》 * |
郑雄伟 等: ""基于多源海量国产卫星影像智能优选实现"", 《国土资源遥感》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114003755A (zh) * | 2021-10-25 | 2022-02-01 | 中国自然资源航空物探遥感中心 | 多源卫星分景影像数据组织存储与检索方法、系统及设备 |
CN114443648A (zh) * | 2021-12-29 | 2022-05-06 | 中科星通(廊坊)信息技术有限公司 | 一种卫星遥感数据的智能检索方法 |
CN114443648B (zh) * | 2021-12-29 | 2022-11-29 | 中科星通(廊坊)信息技术有限公司 | 一种卫星遥感数据的智能检索方法 |
CN114882379A (zh) * | 2022-07-04 | 2022-08-09 | 北京数慧时空信息技术有限公司 | 一种遥感影像组的精确筛选方法 |
WO2024007598A1 (zh) * | 2022-07-04 | 2024-01-11 | 北京数慧时空信息技术有限公司 | 一种遥感影像组的精确筛选方法 |
CN115344732A (zh) * | 2022-10-18 | 2022-11-15 | 北京数慧时空信息技术有限公司 | 基于任务驱动的遥感影像推荐方法 |
CN115344732B (zh) * | 2022-10-18 | 2022-12-13 | 北京数慧时空信息技术有限公司 | 基于任务驱动的遥感影像推荐方法 |
CN115660721A (zh) * | 2022-12-11 | 2023-01-31 | 北京数慧时空信息技术有限公司 | 基于用户需求的遥感影像统筹系统及方法 |
CN116467477A (zh) * | 2023-04-11 | 2023-07-21 | 北京数慧时空信息技术有限公司 | 基于蒙特卡洛树搜索的影像组优选方法 |
CN117112820A (zh) * | 2023-10-19 | 2023-11-24 | 北京观微科技有限公司 | 遥感影像确定方法、装置及电子设备 |
CN117112820B (zh) * | 2023-10-19 | 2024-01-23 | 北京观微科技有限公司 | 遥感影像确定方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113297407B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113297407B (zh) | 遥感影像优选方法和装置 | |
Li et al. | Pythagorean fuzzy power Muirhead mean operators with their application to multi-attribute decision making | |
Nie et al. | Resampling and data augmentation for short-term PV output prediction based on an imbalanced sky images dataset using convolutional neural networks | |
CN109816226B (zh) | 一种公园绿地防灾避险能力的评价方法及系统 | |
CN102929587B (zh) | 数据处理系统和数据处理方法 | |
CN110413828A (zh) | 基于优化遗传算法的遥感海量影像自动筛选方法 | |
CN103390271A (zh) | 遥感影像分割方法及装置 | |
CN115169230A (zh) | 异常工况的工艺参数推荐方法和装置、芯片、介质和程序 | |
Zhou et al. | ASSD-YOLO: a small object detection method based on improved YOLOv7 for airport surface surveillance | |
CN110275868A (zh) | 一种智能工厂中多模态制造数据预处理的方法 | |
CN117172591A (zh) | 多维度绩效评价方法、装置、计算机设备和存储介质 | |
CN116452991A (zh) | 注意力增强与多尺度特征融合的人为扰动地遥感提取方法 | |
CN117058235A (zh) | 跨多种室内场景的视觉定位方法 | |
CN111599015A (zh) | 一种约束条件下的空间多边形网格化填充方法和装置 | |
CN110347676A (zh) | 基于关系r树的不确定性时态数据管理与查询方法 | |
CN104933110A (zh) | 一种基于MapReduce的数据预取方法 | |
CN111190952B (zh) | 一种基于图像金字塔提取城市画像多尺度特征并持久化的方法 | |
CN112560213B (zh) | 基于模型系统工程和超网络理论的体系建模方法及系统 | |
Qiu et al. | Efficient Remote Sensing Segmentation With Generative Adversarial Transformer | |
Lee et al. | Development of two artificial neural network methods for landslide susceptibility analysis | |
CN115033728A (zh) | 全球卫星影像搜索引擎数据爬取与归一化方法及系统 | |
CN110146102B (zh) | 路径规划方法、装置、设备和存储介质 | |
CN108108472B (zh) | 数据处理方法以及服务器 | |
US20180189326A1 (en) | Classification technique for multi-band raster data for sorting and processing of colorized data for display | |
KR102704964B1 (ko) | 대량의 그래픽데이터의 고속디스플레이장치 및 그 방법 |
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 |