CN113362266A - 基于多属性一致性的水域检测方法及装置 - Google Patents

基于多属性一致性的水域检测方法及装置 Download PDF

Info

Publication number
CN113362266A
CN113362266A CN202010101281.5A CN202010101281A CN113362266A CN 113362266 A CN113362266 A CN 113362266A CN 202010101281 A CN202010101281 A CN 202010101281A CN 113362266 A CN113362266 A CN 113362266A
Authority
CN
China
Prior art keywords
water area
point
detected
attribute
characteristic
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
CN202010101281.5A
Other languages
English (en)
Inventor
潘英杰
邹雪峰
倪宇东
蓝益军
许银坡
田磊
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.)
China National Petroleum Corp
BGP Inc
Original Assignee
China National Petroleum Corp
BGP Inc
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 China National Petroleum Corp, BGP Inc filed Critical China National Petroleum Corp
Priority to CN202010101281.5A priority Critical patent/CN113362266A/zh
Publication of CN113362266A publication Critical patent/CN113362266A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于多属性一致性的水域检测方法及装置，其中，该方法包括：确定地表影像中至少一个水域特征点的多维水域属性特征值；确定地表影像中多个待检测点的多维水域属性特征值；根据至少一个水域特征点的多维水域属性特征值，以及地表影像中多个待检测点的多维水域属性特征值，确定与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点；根据至少一个水域特征点的水域，以及与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点的水域，得到地表影像的水域检测结果。上述技术方案实现了快速准确地进行水域检测，提高了水域检测的效率和准确率。

Description

基于多属性一致性的水域检测方法及装置
技术领域
本发明涉及石油物探技术领域，特别涉及一种基于多属性一致性的水域检测方法及装置。
背景技术
在地震勘探施工过程中，在进行观测系统设计之前需要进行实地踏勘和室内踏勘，将地表的障碍物标记出来，即将探区内的不能放炮或不适宜放炮的障碍物区域标定出来，其中水域，如河流、池塘、湖泊等是需要标定的一项重要内容，是在我国南方等多雨地区进行物探施工时需要大量标定的一种障碍物。对于水域障碍物的标定主要是将实际踏勘结果和室内卫星图片上手工标定的结果相结合，其中卫星图片上采取手工标定，工作单调，耗时，效率低，容易出错。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于多属性一致性的水域检测方法，用以快速准确地进行水域检测，该方法包括：
确定地表影像中至少一个水域特征点的多维水域属性特征值；
确定地表影像中多个待检测点的多维水域属性特征值；
根据至少一个水域特征点的多维水域属性特征值，以及地表影像中多个待检测点的多维水域属性特征值，确定与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点；
根据至少一个水域特征点的水域，以及与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点的水域，得到所述地表影像的水域检测结果。
本发明实施例还提供了一种基于多属性一致性的水域检测装置，用以实现快速准确地进行水域检测，该装置包括：
第一确定单元，用于确定地表影像中至少一个水域特征点的多维水域属性特征值；
第二确定单元，用于确定地表影像中多个待检测点的多维水域属性特征值；
检测单元，用于根据至少一个水域特征点的多维水域属性特征值，以及地表影像中多个待检测点的多维水域属性特征值，确定与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点；
处理单元，用于根据至少一个水域特征点的水域，以及与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点的水域，得到所述地表影像的水域检测结果。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于多属性一致性的水域检测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基于多属性一致性的水域检测方法的计算机程序。
本发明实施例提供技术方案通过：确定用户在地表影像中选取的至少一个水域特征点的多维水域属性特征值；确定地表影像中多个待检测点的多维水域属性特征值；根据至少一个水域特征点的多维水域属性特征值，以及地表影像中多个待检测点的多维水域属性特征值，确定与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点；根据至少一个水域特征点的水域，以及与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点的水域，得到所述地表影像的水域检测结果，实现了快速准确地进行水域检测，提高了水域检测的效率和准确率，进而提高了水域障碍物标定的效率和准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中基于多属性一致性的水域检测方法的流程示意图；
图2a是本发明实施例中基于多属性一致性的水域检测的原理示意图；
图2b是本发明实施例中种子点及相关概念的示意图；
图3a是一个例子中标准的检测结果示意图；
图3b是本发明实施例中基于多属性一致性的水域检测的效果示意图；
图4a是另一个例子中标准的检测结果示意图；
图4b是本发明另一实施例中基于多属性一致性的水域检测的效果示意图；
图5是本发明实施例中基于多属性一致性的水域检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于发明人考虑到了现有技术中水域检测方案存在的技术问题，因此，提出了一种基于多属性一致性的水域检测方案，该方案是石油物探领域在进行室内勘探时，在对地表影像进行水域障碍物标定过程中，提出的一种针对水域的检测技术与方法，该方案通过在卫星图片或者航拍图片上标定几个水域特征点，即通过给定水域的种子点，可以自动检查出和标定这些种子点所在的水域或类似的水域。具体地，通过用户在地表影像(如卫星图片、航拍图片)中添加水域种子点之后，通过自动计算地表影像图片中各待检测点的多维属性特征，如颜色、梯度等，并计算这些待检测点属性与种子点的属性相似度，来查找包含种子点属性特征的水域。
图1是本发明实施例中基于多属性一致性的水域检测方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤101：确定地表影像中至少一个水域特征点的多维水域属性特征值；
步骤102：确定地表影像中多个待检测点的多维水域属性特征值；
步骤103：根据至少一个水域特征点的多维水域属性特征值，以及地表影像中多个待检测点的多维水域属性特征值，确定与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点；
步骤104：根据至少一个水域特征点的水域，以及与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点的水域，得到所述地表影像的水域检测结果。
下面结合附图2a和图4b，对本发明实施例涉及的各个步骤进行详细介绍如下。
一、首先介绍在上述步骤101之前的准备步骤。
在上述步骤101之前，可以包括获取地表影像的步骤，在获取地表影像之后，用户打开地表影像，标定种子点，因此水域特征点即种子点，可以是用户在地表影像中选取的。
具体实施时，如图2a所示，加载并打开地表影像，用户可以利用鼠标对图像上水域进行种子点的标定，得到一个或多个种子点，如下面公式(1)所示。设置相似程度的阈值判别参数等。
Figure BDA0002386947450000041
其中，Ps是种子点的集合，s是种子点的个数，ps(x,y)是种子点ps的坐标(x,y)。
具体实施时，如图2b所示，如红圆圈为选定的一个种子点，而种子点周围3×3(或5×5或其它尺寸)的网格点即为种子点所在的小邻域(种子点所在的预设邻域)，邻域就是区域和范围的意思，小邻域就是周围一个范围的区域，小的相邻区域。后面步骤提到的待检测点及其小邻域(预设邻域)的概念请参见上述关于种子点及其小邻域概念的解释。
二、接着介绍上述步骤101。
具体实施时，在选定种子点之后，就需要计算这些种子点的多维属性特征值，然后，以这些多维属性特征值为标准来查找类似的数据或区域，具体地，计算这些种子点的多维属性特征值的详细方法请参见下面步骤102中计算待检测点的多维属性特征值的详细方法。
三、接着介绍上述步骤102。
在一个实施例中，所述多维水域属性特征可以包括以下特征的任意组合：颜色属性特征、梯度属性特征、基于局部标准差的统计属性特征和基于局部的信息熵属性特征。
具体实施时，利用颜色属性特征、梯度属性特征、基于局部标准差的统计属性特征和基于局部的信息熵属性特征的任意组合特征得到的多维水域属性特征值，进行水域检测，可以进一步提高水域检测的效率和准确率。
在一个实施例中，所述多维水域属性的任意组合特征还可以包括：角二阶矩属性特征。
具体实施时，将角二阶矩属性特征加入上述任意组合特征，可以进一步提高水域检测的效率和准确率。
在一个实施例中，确定地表影像中多个待检测点的多维水域属性特征值，可以包括按照如下方法确定地表影像中每一待检测点的多维水域属性特征值：
对于每一个待检测点执行各个特征分量值的计算步骤：
将地表影像转换到HSI色系空间，取HS两个分量，得到每一待检测点的颜色属性特征分量值；
将地表影像转换为灰度图，根据灰度图，得到每一待检测点的梯度属性特征分量值；
对每一待检测点所在预设邻域进行数据统计分析，根据分析结果，得到每一待检测点的基于局部标准差的统计属性特征分量值；
对每一待检测点所在预设邻域进行熵计算，根据计算结果，得到每一待检测点的基于局部的信息熵属性特征分量值；
对于每一个待检测点的各个特征分量值进行融合的步骤(该融合的步骤可以参见公式(11)的相关介绍)：对每一待检测点的颜色属性特征分量值、梯度属性特征分量值、基于局部标准差的统计属性特征分量值和基于局部的信息熵属性特征分量值进行融合，得到每一待检测点的多维水域属性特征值。
下面介绍如何得到各特征分量值，以及根据各特征分量值得到维水域属性特征值的过程。
具体实施时，计算图像中各点的多维水域属性特征值，并以此为依据与种子点进行属性相似度判别，来判别是否是与种子点类似的区域。
1、首先，介绍确定颜色属性特征分量值。
在一个实施例中，将地表影像转换到HSI色系空间，取HS两个分量，得到每一待检测点的颜色属性特征分量值，包括根据如下公式得到每一待检测点的颜色属性特征分量值：
Figure BDA0002386947450000061
Figure BDA0002386947450000062
具体实施时，将图像转换到HSI(色调、颜色饱和度和亮度)色系空间，并取HS两个分量作为颜色属性特征。HSI色彩空间是从人的视觉系统出发，用色调、颜色饱和度和亮度来描述色彩，水域的颜色特征在HIS色系下更加容易区分。在这里选用色调和饱和度两个分量作为特征分量。
具体实施时，将图像转换到HSI(色调、颜色饱和度和亮度)色系空间，并取HS(H：色调；S：颜色饱和度)两个分量作为颜色属性特征的优点是：在常用的RGB色系中，RGB分别表示红绿蓝三个分量的多少，颜色和这三个分量是混在一起的，颜色的区分比较困难。在HIS色系中色调、饱和度和亮度是相互独立的，颜色可以从色调中区分出来，颜色深浅可以从饱和度中区分出来。因此，进而进一步提高了水域检测的准确率和效率。
其中，在上述公式(2)和(3)中，H表示色调，S表示饱和度，R、G、B分别表示原图在RGB色系下红、绿和蓝三个颜色分量。
对H和S分别进行归一化处理，得到两个描述水域颜色的颜色属性特征PH和PS，其中PH表示颜色特征分量，PS表示饱和度特征分量。
2、接着，介绍确定梯度属性特征分量值。
在一个实施例中，将地表影像转换为灰度图，根据灰度图，得到每一待检测点的梯度属性特征分量值，包括根据如下公式确定梯度属性特征分量值：
Figure BDA0002386947450000063
具体实施时，将地表影像图像转换灰度图，计算各点的梯度特征K，对结果进行归一化处理，即可得到当前点(可以是待检测点也可以是种子点)的梯度属性特征PK。
其中，在上述公式(4)中，Kx和Ky分别为点(该点可以是种子点也可以是任一待检测点)在x、y方向上的梯度信息。
3、接着，介绍确定基于局部标准差的统计属性特征分量值。
在一个实施例中，对每一待检测点所在预设邻域进行数据统计分析，根据分析结果，得到每一待检测点的基于局部标准差的统计属性特征分量值，包括：根据如下公式得到基于局部标准差的统计属性特征分量值：
Figure BDA0002386947450000071
Figure BDA0002386947450000072
具体实施时，通过对目标点(目标点可以是待检测点，当然在计算种子点的属性特征时，该目标点也可以是种子点)所在的小邻域进行数据统计分析，得到该点的基于统计分析的属性特征，由于水域整体表示的比较一致，因此本发明采用局部标准差作为一个判别特征Pσ。
具体实施时，利用上述公式(5)和公式(6)进行统计分析：先计算目标点(种子点或待检测点)周围这个小区域(小邻域，预设邻域)中所有点的灰度数值和，再除以n(点个数)得到目标点所在的这个小区域的均值。然后，再利用公式(6)计算目标点所在的这个小区域的方差，即先求邻域中每个点减去公式(5)计算得到的均值的差的平方，再求和，然后除以n再开根号。
其中，在上述公式(5)和(6)中，n表示小邻域(预设的一个周围小区域)的大小，fi表示小邻域中第i个点的灰度值，μ为此小邻域(预设的一个周围小区域，可以通过预先设置)的均值，σ为此小邻域的方差。
4、接着，介绍确定基于局部的信息熵属性特征分量值。
在一个实施例中，对每一待检测点所在预设邻域进行熵计算，根据计算结果，得到每一待检测点的基于局部的信息熵属性特征分量值可以包括根据如下公式：得到基于局部的信息熵属性特征分量值：
Figure BDA0002386947450000073
具体实施时，通过对点(目标点：种子点或待检测点)所在的小邻域进行计算，在进行熵计算之前，需要对整个图进行直方图统计，得到每个图像中每个数值出现的概率。然后在目标点周围小邻域中计算各点的值(利用公式(7)中的p(fi)log(p(fi))，然后对结果求各，再求平均值)，可得到该点的信息熵属性特征，由于水域平坦，特征简单且相近，表现出相似的信息特征，本发明通过计算点(目标点：种子点或待检测点)所在小邻域的信息熵e作为其属性特征，如公式(7)所示，并对结果进行归一化映射处理，得到基于局部的信息熵属性特征Pe。
其中，在上述公式(7)中，n表示小邻域的大小，fi表示小邻域中第i个点的灰度值，p(fi)表示此灰度值对应的概率。
具体实施时，上述确定各个特征分量值的实施方式，进一步提高了水域检测的效率和准确率。
5、接着，介绍确定角二阶矩属性特征分量值。
在一个实施例中，对于每一个待检测点执行各个特征分量值的计算步骤还可以包括：
对每一待检测点所在预设邻域进行图像矩特征分析，根据分析结果，得到每一待检测点的角二阶矩属性特征分量值。
在一个实施例中，对每一待检测点所在预设邻域进行图像矩特征分析，根据分析结果，得到每一待检测点的角二阶矩属性特征分量值，包括根据如下公式得到每一待检测点的角二阶矩属性特征分量值：
Figure BDA0002386947450000081
具体实施时，由于角二阶矩是图像分布均匀程度和纹理粗细的一个度量，水域在图像中表现的比较平坦，因此可以将此特征作为一个判别依据，通过对点所在的小邻域进行计算，在进行计算之前需要对整个图进行直方图统计，得到每个图像中每个数值(这里面采用的是灰度纹理，为了提高算法的速度)出现的概率。然后在目标点周围小邻域中计算各点的值(利用式(8)中的p2(fi))，然后对结果求各，再求平均值，得到该点的矩属性特征M，如公式(8)所示，并对结果进行归一化映射处理，得到水域的角二阶矩属性特征PM。
其中，在上述公式(8)中，n表示小邻域的大小，fi表示小邻域中第i个点的灰度值，p(fi)表示此灰度值对应的概率。
6、接着，介绍对各个特征分量值进行融合得到多维水域属性特征值的步骤。
在一个实施例中，对于每一个待检测点的各个特征分量值进行融合的步骤可以包括：对每一待检测点的颜色属性特征分量值、梯度属性特征分量值、基于局部标准差的统计属性特征分量值、基于局部的信息熵属性特征分量值和角二阶矩属性特征分量值进行融合，得到每一待检测点的多维水域属性特征值。
在一个实施例中，对每一待检测点的颜色属性特征分量值、梯度属性特征分量值、基于局部标准差的统计属性特征分量值、基于局部的信息熵属性特征分量值和角二阶矩属性特征分量值进行融合，得到每一待检测点的多维水域属性特征值，包括根据如下公式得到每一待检测点的多维水域属性特征值：
p＝[PH Ps PK Pσ Pe PM]； (9)
r＝[rH rs rK rσ re rM]； (10)
P＝p×r＝[PH×rH Ps×rs PK×rK Pσ×rσ Pe×re PM×rM]； (11)
其中，在上述公式(10)和(11)中，r为特征分量权重系数。
具体实施时，上述确定角二阶矩属性特征分量值，以及进一步考虑角二阶矩属性特征分量值得到多维水域属性特征值的方案，进一步提高了水域检测的效率和准确率。
四、接着介绍上述步骤103和步骤104。
在一个实施例中，根据至少一个水域特征点的多维水域属性特征值，以及地表影像中多个待检测点的多维水域属性特征值，确定与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点，可以包括：
将一个水域特征点作为原始种子点加入水域集合；
以所述原始种子点为起点，执行如下水域检测的步骤：计算原始种子点的多维水域属性特征值与原始种子点对应区域内的一个当前待检测点的多维水域属性特征值的相似度；在确定相似度大于或等于预设阈值时，将当前待检测点的水域作为原始种子点对应的水域加入到所述水域集合，更新水域集合对应的多维水域属性特征值；
将所述当前待检测点作为新的种子点，重复执行所述水域检测的步骤，查找与新的种子点多维水域属性特征值相似度大于或等于所述预设阈值，或与更新水域集合对应的多维水域属性特征值相似度大于或等于所述预设阈值的待检测点，以此类推直到得到利用所述原始种子点检测到的所有待检测点。
下面详细介绍上述步骤103。
1、首先，介绍本发明实施例涉及的相似性判别方法。
在一个实施例中，可以通过如下公式计算待检测点与种子点或水域特征之间的相似性：
Figure BDA0002386947450000091
其中，P为待检测特征向量数据(待检测点的多维水域属性特征值，可以通过上述公式(11)得到)，Ps为标准的特征向量数据(可以是种子点的多维水域属性特征值，也可以通过公式(11)得到，标准的特征向量数据还可以是水域集合对应的多维水域属性特征值，即整个水域的多维水域属性特征值，可以通过下面公式(14)得到，详见下面例子的介绍)，EP为P的均值，EPs为Ps的均值，D(P)为P的方差，D(Ps)为Ps的方差，E()表示进行均值计算。s(P,Ps)为两个特征向量之间的相似性(相似度)。
2、其次，介绍基于相似性判别方法的水域查找(检测)方法。
具体实施时，通过用户交互得到一系列的原始种子点，以这些种子点为起始点分别进行水域的查找(检测)，当然一个原始种子点也可以。
①首先将图像划分成三个区域的并集：水域rw、非水域rn及未检测区域ru。
I＝{rw∪ru∪rn}； (13)
初至状态下，ru为整个图像区域，而水域rw和rn非水域为空集。
取一个原始种子点ps(x,y)将其添加待检队列中，作为起始点进行查找。并将其添加到水域集合rw当中。
上述步骤①即解释了上述：将一个水域特征点作为原始种子点加入水域集合。
②然后以种子点ps(x,y)为起始点，将其邻域中的未进行查找的点作为待生长的种子点(待检测点)，检测待生长点与种子点或整个水域特征(即水域集合对应的多维水域属性特征值，即利用式(11)对整个已经确定为水域的点计算出的特征特征向量)pw之间的相似系数(相似度)，计算公式如上述公式(12)所示，其中水域特征pw可以通过下面公式(14)来获得：
Figure BDA0002386947450000101
其中pw表示整个水域的特征，NRW(Number-Region-water)为水域中数据点(整个已经确定为水域的点)的个数，Pi表示水域中第i个点的特征向量(多维水域属性特征值，可以通过上述公式(11)得到)。
如果相似度极低(小于预设阈值)，直接将待检测点移入非水域集合rn中，如果将相似度极高(大于或等于预设阈值)，则将待检测点移入水域集合rw，然后更新pw值(随着将查找到的新的特征点加入到水域中之后，整个水域的特征会发生变化，因此需要计算和更新pw。因为新加入的点需要与水域的整体特征进行比较)，同时将该点添加到待检测的种子点队列，即该点成为了新的种子点。
上述步骤②即解释了：以所述原始种子点为起点，执行如下水域检测的步骤：计算原始种子点的多维水域属性特征值与原始种子点对应区域内的一个当前待检测点的多维水域属性特征值的相似度；在确定相似度大于或等于预设阈值时，将当前待检测点的水域作为原始种子点对应的水域加入到所述水域集合，更新水域集合对应的多维水域属性特征值。
③如果ps(x,y)邻域中点都已经检测完毕，则将种子点从待检队列中删除，从待检测集合中找到下一个待检测点重复步骤②。
如果待检队列(待检队列中存储的是原始的种子和临时加入的需要判别的待生长的种子点)中所有点均检测完毕，则从未检测区域(种子点之外所有没有检测的区域)中取出点作为待生长的种子点进行检测，重复步骤②。当所有点均检测完毕，可得到利用该种子点检测出的水域
Figure BDA0002386947450000111
该步骤③即描述了：将所述当前待检测点作为新的种子点，重复执行所述水域检测的步骤，查找与新的种子点多维水域属性特征值相似度大于或等于所述预设阈值，或与更新水域集合对应的多维水域属性特征值相似度大于或等于所述预设阈值的待检测点，直到得到利用所述原始种子点检测到的所有待检测点。
以上步骤①-③即为利用一个种子点检测水域的过程，即为检测一个种子点对应一个大的区域内所有水域的过程。
④当所有点均检测完毕，再从原始种子点集合中取下一个原始种子点从步骤①开始进行计算。
该步骤④介绍了当有多个种子点的时候，利用每个种子点检测水域的过程都如上述步骤①-③所示。
⑤当所有的点原始种子点均检测完成后，对所有检测到水域进行合并，即可以得到最终的检测结果。
Figure BDA0002386947450000112
其中：
Figure BDA0002386947450000113
表示种子点s对应的水域(包括找到的所有的种子点，其中包括：原始种子点(水域特征点)的水域，以及与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点的水域)，Iw表示找到的全部水域。
该步骤⑤即为上述步骤104。
五、接着介绍在上述步骤103和步骤104检测到水域之后，水域边界提取的步骤。
在一个实施例中，上述基于多属性一致性的水域检测方法还可以包括：在得到所述地表影像的水域检测结果之后，执行提取水域边界的操作处理。
具体实施时，在查找到水域之后，需要提取水域边界，利用结构算子Q对提取的水域图像Iw进行膨胀处理，然后再减去Iw即可得到水域边界。
Figure BDA0002386947450000121
其中：
Figure BDA0002386947450000122
最后，再整体介绍本发明实施例提供的技术方案。
1)数据准备：
打开待检图片(地表影像)，用户在图中用鼠标标定种子点(水域特征点)，给定判别属性相似度的阈值参数(例如预设阈值)。
2)基于多属性一致性的水域检测。
①求取图像各点的多维水域属性特征：计算图像中各点的颜色特征、梯度特征、统计特征、熵特征、矩特征。
②利用种子点按属性相似度进行水域的查找：从原始种子点开始查找其邻域中的各点，找到未查找且属性相似的点添加到水域当中，并将其设置为待查找的种子点进行递归查找，搜索完毕得到与当前原始种子点一致的水域，然后重复此步骤找到与所有原始种子点对应的水域，并对结果进行合并，得到最终的查找结果。
③提取水域边界：在找到水域之后利用形态学方法提取所找到的水域边界。
发明人经过了大量实验，通过本发明实施例中基于多属性一致性的水域检测的效果示意图3b与标准的效果图3a对比，以及通过本发明另一实施例中基于多属性一致性的水域检测的效果示意图4b与标准的效果图图4a对比，验证发现本发明实施例中基于多属性一致性的水域检测效果很好，效率和准确率高。
综上，本发明根据用户标定的水域种子，利用针对水域多维属性相似性的水域查找法来查找与种子类似的水域，并自动提取出水域边界。通过该方法用户仅通过标定几个鼠标点即可自动查找水域并提取对应边界。极大的提高了水域的查找速度和标定的精度。
基于同一发明构思，本发明实施例中还提供了一种基于多属性一致性的水域检测装置，如下面的实施例所述。由于基于多属性一致性的水域检测装置解决问题的原理与基于多属性一致性的水域检测方法相似，因此基于多属性一致性的水域检测装置的实施可以参见基于多属性一致性的水域检测方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是本发明实施例中基于多属性一致性的水域检测装置的结构示意图，如图5所示，该装置包括：
第一确定单元01，用于确定地表影像中至少一个水域特征点的多维水域属性特征值；
第二确定单元02，用于确定地表影像中多个待检测点的多维水域属性特征值；
检测单元03，用于根据至少一个水域特征点的多维水域属性特征值，以及地表影像中多个待检测点的多维水域属性特征值，确定与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点；
处理单元04，用于根据至少一个水域特征点的水域，以及与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点的水域，得到所述地表影像的水域检测结果。
在一个实施例中，所述多维水域属性特征包括以下特征的任意组合：颜色属性特征、梯度属性特征、基于局部标准差的统计属性特征和基于局部的信息熵属性特征。
在一个实施例中，所述多维水域属性特征还包括：角二阶矩属性特征。
在一个实施例中，所述第二确定单元具体用于确定地表影像中每一待检测点的多维水域属性特征值：所述第二确定单元包括：
特征分量计算单元，用于对于每一个待检测点执行各个特征分量值的计算步骤：
将地表影像转换到HSI色系空间，取HS两个分量，得到每一待检测点的颜色属性特征分量值；
将地表影像转换为灰度图，根据灰度图，得到每一待检测点的梯度属性特征分量值；
对每一待检测点所在预设邻域进行数据统计分析，根据分析结果，得到每一待检测点的基于局部标准差的统计属性特征分量值；
对每一待检测点所在预设邻域进行熵计算，根据计算结果，得到每一待检测点的基于局部的信息熵属性特征分量值；
融合处理单元，用于对于每一个待检测点的各个特征分量值进行融合的步骤：对每一待检测点的颜色属性特征分量值、梯度属性特征分量值、基于局部标准差的统计属性特征分量值和基于局部的信息熵属性特征分量值进行融合，得到每一待检测点的多维水域属性特征值。
在一个实施例中，所述特征分量计算单元还用于：
对每一待检测点所在预设邻域进行图像矩特征分析，根据分析结果，得到每一待检测点的角二阶矩属性特征分量值；
所述融合处理单元具体用于：对每一待检测点的颜色属性特征分量值、梯度属性特征分量值、基于局部标准差的统计属性特征分量值、基于局部的信息熵属性特征分量值和角二阶矩属性特征分量值进行融合，得到每一待检测点的多维水域属性特征值。
在一个实施例中，所述第二确定单元具体用于：按照如下方法确定与一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点：
将一个水域特征点作为原始种子点加入水域集合；
以所述原始种子点为起点执行如下水域检测的步骤：根据原始种子点的多维水域属性特征值，以及原始种子点对应区域内的一个当前待检测点的多维水域属性特征值，计算原始种子点的多维水域属性特征值与当前待检测点的多维水域属性特征值的相似度；在确定相似度大于或等于预设阈值时，将当前待检测点作为原始种子点对应的水域加入到所述水域集合，更新水域集合中的多维水域属性特征值；
将所述当前待检测点作为新的种子点，重复所述水域检测的步骤，查找与新的种子点多维水域属性特征值相似度大于或等于所述预设阈值，或与更新水域集合中的多维水域属性特征值相似度大于或等于所述预设阈值的待检测点，直到得到利用所述原始种子点检测到的所有待检测点。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于多属性一致性的水域检测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基于多属性一致性的水域检测方法的计算机程序。
本发明实施例提供技术方案的有益技术效果是：实现了快速准确地进行水域检测，提高了水域检测的效率和准确率，进而提高了水域障碍物标定的效率和准确率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，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之内。

Claims (14)

1.一种基于多属性一致性的水域检测方法，其特征在于，包括：
确定地表影像中至少一个水域特征点的多维水域属性特征值；
确定地表影像中多个待检测点的多维水域属性特征值；
根据至少一个水域特征点的多维水域属性特征值，以及地表影像中多个待检测点的多维水域属性特征值，确定与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点；
根据至少一个水域特征点的水域，以及与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点的水域，得到所述地表影像的水域检测结果。
2.如权利要求1所述的基于多属性一致性的水域检测方法，其特征在于，所述多维水域属性特征包括以下特征的任意组合：颜色属性特征、梯度属性特征、基于局部标准差的统计属性特征和基于局部的信息熵属性特征。
3.如权利要求2所述的基于多属性一致性的水域检测方法，其特征在于，所述多维水域属性特征还包括：角二阶矩属性特征。
4.如权利要求1所述的基于多属性一致性的水域检测方法，其特征在于，确定地表影像中多个待检测点的多维水域属性特征值，包括按照如下方法确定地表影像中每一待检测点的多维水域属性特征值：
对于每一个待检测点执行各个特征分量值的计算步骤：
将地表影像转换到HSI色系空间，取HS两个分量，得到每一待检测点的颜色属性特征分量值；
将地表影像转换为灰度图，根据灰度图，得到每一待检测点的梯度属性特征分量值；
对每一待检测点所在预设邻域进行数据统计分析，根据分析结果，得到每一待检测点的基于局部标准差的统计属性特征分量值；
对每一待检测点所在预设邻域进行熵计算，根据计算结果，得到每一待检测点的基于局部的信息熵属性特征分量值；
对于每一个待检测点的各个特征分量值进行融合的步骤：对每一待检测点的颜色属性特征分量值、梯度属性特征分量值、基于局部标准差的统计属性特征分量值和基于局部的信息熵属性特征分量值进行融合，得到每一待检测点的多维水域属性特征值。
5.如权利要求4所述的基于多属性一致性的水域检测方法，其特征在于，对于每一个待检测点执行各个特征分量值的计算步骤还包括：
对每一待检测点所在预设邻域进行图像矩特征分析，根据分析结果，得到每一待检测点的角二阶矩属性特征分量值；
对于每一个待检测点的各个特征分量值进行融合的步骤包括：对每一待检测点的颜色属性特征分量值、梯度属性特征分量值、基于局部标准差的统计属性特征分量值、基于局部的信息熵属性特征分量值和角二阶矩属性特征分量值进行融合，得到每一待检测点的多维水域属性特征值。
6.如权利要求1所述的基于多属性一致性的水域检测方法，其特征在于，根据至少一个水域特征点的多维水域属性特征值，以及地表影像中多个待检测点的多维水域属性特征值，确定与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点，包括：按照如下方法确定与一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点：
将一个水域特征点作为原始种子点加入水域集合；
以所述原始种子点为起点，执行如下水域检测的步骤：计算原始种子点的多维水域属性特征值与原始种子点对应区域内的一个当前待检测点的多维水域属性特征值的相似度；在确定相似度大于或等于预设阈值时，将当前待检测点的水域作为原始种子点对应的水域加入到所述水域集合，更新水域集合对应的多维水域属性特征值；
将所述当前待检测点作为新的种子点，重复执行所述水域检测的步骤，查找与新的种子点多维水域属性特征值相似度大于或等于所述预设阈值，或与更新水域集合对应的多维水域属性特征值相似度大于或等于所述预设阈值的待检测点，直到得到利用所述原始种子点检测到的所有待检测点。
7.一种基于多属性一致性的水域检测装置，其特征在于，包括：
第一确定单元，用于确定地表影像中至少一个水域特征点的多维水域属性特征值；
第二确定单元，用于确定地表影像中多个待检测点的多维水域属性特征值；
检测单元，用于根据至少一个水域特征点的多维水域属性特征值，以及地表影像中多个待检测点的多维水域属性特征值，确定与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点；
处理单元，用于根据至少一个水域特征点的水域，以及与至少一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点的水域，得到所述地表影像的水域检测结果。
8.如权利要求7所述的基于多属性一致性的水域检测装置，其特征在于，所述多维水域属性特征包括以下特征的任意组合：颜色属性特征、梯度属性特征、基于局部标准差的统计属性特征和基于局部的信息熵属性特征。
9.如权利要求8所述的基于多属性一致性的水域检测装置，其特征在于，所述多维水域属性特征还包括：角二阶矩属性特征。
10.如权利要求7所述的基于多属性一致性的水域检测装置，其特征在于，所述第二确定单元具体用于确定地表影像中每一待检测点的多维水域属性特征值：所述第二确定单元包括：
特征分量计算单元，用于对于每一个待检测点执行各个特征分量值的计算步骤：
将地表影像转换到HSI色系空间，取HS两个分量，得到每一待检测点的颜色属性特征分量值；
将地表影像转换为灰度图，根据灰度图，得到每一待检测点的梯度属性特征分量值；
对每一待检测点所在预设邻域进行数据统计分析，根据分析结果，得到每一待检测点的基于局部标准差的统计属性特征分量值；
对每一待检测点所在预设邻域进行熵计算，根据计算结果，得到每一待检测点的基于局部的信息熵属性特征分量值；
融合处理单元，用于对于每一个待检测点的各个特征分量值进行融合的步骤：对每一待检测点的颜色属性特征分量值、梯度属性特征分量值、基于局部标准差的统计属性特征分量值和基于局部的信息熵属性特征分量值进行融合，得到每一待检测点的多维水域属性特征值。
11.如权利要求10所述的基于多属性一致性的水域检测装置，其特征在于，所述特征分量计算单元还用于：
对每一待检测点所在预设邻域进行图像矩特征分析，根据分析结果，得到每一待检测点的角二阶矩属性特征分量值；
所述融合处理单元具体用于：对每一待检测点的颜色属性特征分量值、梯度属性特征分量值、基于局部标准差的统计属性特征分量值、基于局部的信息熵属性特征分量值和角二阶矩属性特征分量值进行融合，得到每一待检测点的多维水域属性特征值。
12.如权利要求7所述的基于多属性一致性的水域检测装置，其特征在于，所述第二确定单元具体用于：按照如下方法确定与一个水域特征点的多维水域属性特征值相似度大于或等于预设阈值的所有待检测点：
将一个水域特征点作为原始种子点加入水域集合；
以所述原始种子点为起点执行如下水域检测的步骤：根据原始种子点的多维水域属性特征值，以及原始种子点对应区域内的一个当前待检测点的多维水域属性特征值，计算原始种子点的多维水域属性特征值与当前待检测点的多维水域属性特征值的相似度；在确定相似度大于或等于预设阈值时，将当前待检测点作为原始种子点对应的水域加入到所述水域集合，更新水域集合中的多维水域属性特征值；
将所述当前待检测点作为新的种子点，重复所述水域检测的步骤，查找与新的种子点多维水域属性特征值相似度大于或等于所述预设阈值，或与更新水域集合中的多维水域属性特征值相似度大于或等于所述预设阈值的待检测点，直到得到利用所述原始种子点检测到的所有待检测点。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至6任一所述方法的计算机程序。
CN202010101281.5A 2020-02-19 2020-02-19 基于多属性一致性的水域检测方法及装置 Pending CN113362266A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010101281.5A CN113362266A (zh) 2020-02-19 2020-02-19 基于多属性一致性的水域检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010101281.5A CN113362266A (zh) 2020-02-19 2020-02-19 基于多属性一致性的水域检测方法及装置

Publications (1)

Publication Number Publication Date
CN113362266A true CN113362266A (zh) 2021-09-07

Family

ID=77523131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010101281.5A Pending CN113362266A (zh) 2020-02-19 2020-02-19 基于多属性一致性的水域检测方法及装置

Country Status (1)

Country Link
CN (1) CN113362266A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303184A (zh) * 2015-11-25 2016-02-03 中国矿业大学(北京) 一种卫星遥感影像中地物精确识别方法
CN107230214A (zh) * 2017-05-27 2017-10-03 西安电子科技大学 基于递归otsu算法的sar图像水域自动检测方法
CN108764132A (zh) * 2018-05-28 2018-11-06 河海大学 一种湖泊湿地遥感图像误差检测方法
CN108830876A (zh) * 2018-05-28 2018-11-16 河海大学 一种水域轮廓提取及面积检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303184A (zh) * 2015-11-25 2016-02-03 中国矿业大学(北京) 一种卫星遥感影像中地物精确识别方法
CN107230214A (zh) * 2017-05-27 2017-10-03 西安电子科技大学 基于递归otsu算法的sar图像水域自动检测方法
CN108764132A (zh) * 2018-05-28 2018-11-06 河海大学 一种湖泊湿地遥感图像误差检测方法
CN108830876A (zh) * 2018-05-28 2018-11-16 河海大学 一种水域轮廓提取及面积检测方法

Similar Documents

Publication Publication Date Title
CN110287932B (zh) 基于深度学习图像语义分割的道路阻断信息提取方法
Pitkänen et al. Adaptive methods for individual tree detection on airborne laser based canopy height model
Yurtseven et al. Determination and accuracy analysis of individual tree crown parameters using UAV based imagery and OBIA techniques
US20100207936A1 (en) Fusion of a 2d electro-optical image and 3d point cloud data for scene interpretation and registration performance assessment
US20110075882A1 (en) Geospatial information creating system and geospatial information creating method
US9652684B2 (en) Image processing for classification and segmentation of rock samples
WO2011078920A1 (en) Method and apparatus for for analyzing tree canopies with lidar data
Su et al. Extracting wood point cloud of individual trees based on geometric features
CN111060922B (zh) 基于机载激光雷达点云空间分布特征的树木点云提取方法
CN108830876A (zh) 一种水域轮廓提取及面积检测方法
CN106886794A (zh) 顾及高阶结构特征的异源遥感影像同名点匹配方法
JP2015152340A (ja) 林相解析装置、林相解析方法及びプログラム
CN112861810B (zh) 一种基于时序遥感观测数据的人工林种植时间自动检测方法
US20140294296A1 (en) Spatially varying log-chromaticity normals for use in an image process
CN111882573B (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
Zhou et al. Tree crown detection in high resolution optical and LiDAR images of tropical forest
Laux et al. Terrestrial laser scanning and fracture network characterisation–perspectives for a (semi-) automatic analysis of point cloud data from outcrops
Koc-San et al. Plastic and glass greenhouses detection and delineation from worldview-2 satellite imagery
CN114898118A (zh) 基于多源点云的输电线路房屋拆迁量自动统计方法及系统
CN111814666B (zh) 一种复杂林分下的单木参数提取方法、系统、介质及设备
CN117437489A (zh) 基于决策树模型的城市绿地提取方法
CN107657262B (zh) 一种计算机自动分类精度评价方法
CN113362266A (zh) 基于多属性一致性的水域检测方法及装置
CN115909099A (zh) 基于无人机巡检的边坡危岩识别与监测方法
CN113096027B (zh) 一种基于点云的农田土壤层水平校正及去除方法

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