CN113743351B - 一种基于边缘方向语义信息的遥感影像场景识别的方法 - Google Patents

Abstract

本申属于计算机技术领域。具体涉及一种基于边缘方向语义信息的遥感影像场景识别的方法及装置，获取遥感影像；根据遥感影像，提取影像的边缘像素点，得到边缘像素点的方向导数；根据方向导数建立方向直方图；判断直方图是否服从均匀分布，得到判断结果；若判断结果为直方图服从均匀分布，则判定遥感影像为自然地物；若所述判断结果为直方图不符合均匀分布，则判定所述遥感影像为人工地物。本发明不需要训练样本，并省略了训练过程，特征提取后直接进行自然地物和人工地物的识别，节省大量的人力和物力成本，提高遥感地物识别的准确率，以更好地满足实际生产的应用需求。

Description

一种基于边缘方向语义信息的遥感影像场景识别的方法

技术领域

本申请属于计算机技术领域，具体涉及一种基于边缘方向语义信息的遥感影像场景识别的方法。

背景技术

当前，在测绘地理信息行业，遥感影像上地物的识别目前仍然主要依靠人工解译的方法进行识别。这种技术一方面需要投入大量的人力和物力成本，另一方面需要较长的周期。因此，该技术难以适应当前我国快速发展的国民经济对快速更新测绘地理信息的需求，特别是对于当前我国地理国情监测的需求。

现有的技术是利用机器学习模式识别或深度学习等理论方法，通过一定或大量数量的训练样本进行训练和学习，得到相应的判别函数，在此基础上对未知样本或测试样本进行识别或测试。现有的方法有：最小距离法、最大似然法、神经网络、支持向量机、贝叶斯网络和目前流行的深度学习方法。这些方法在某些具体的问题或工程中发挥了一定的作用。

目前现有技术一方面需要一定数量的样本，特别是对于目前流行的深度学习方法，则需要大量的训练样本。然而，在测绘地理信息领域，在全国野外通过人工地方式均匀地采集一定的训练样本需要投入大量的人力和物力成本。另一方面，遥感影像上地物的自动识别准确率还有待提高，以满足实际生产的应用。

发明内容

为至少在一定程度上克服相关技术中存在的问题，本申请提供一种基于边缘方向语义信息的遥感影像场景识别的方法，便于自动识别遥感影像上的地物，提高地物识别的准确率。

为实现以上目的，本申请采用如下技术方案：

第一方面，一种基于边缘方向语义信息的遥感影像场景识别的方法，所述方法包括：

获取遥感影像；

提取影像的边缘像素点，得到所述边缘像素点的方向导数；

根据所述方向导数建立方向直方图；

判断所述直方图是否服从均匀分布；

若所述直方图服从均匀分布，则判定所述遥感影像为自然地物；

若所述直方图不符合均匀分布，则判定所述遥感影像为人工地物。

进一步地，所述获取遥感影像为利用ImageReader函数打开并读取遥感影像，记为I(x,y)，其中，x为所述遥感影像的行号，y为所述遥感影像的列号。

进一步地，所述提取影像的边缘像素点，得到所述边缘像素点的方向导数，包括：

用可分离滤波方法对图像和高斯平滑滤波器g(x,y；σ)进行卷积，得到一个已平滑的数据矩阵G(x,y)，公式如下：

G(x,y)＝g(x,y；σ)*I(x,y) (1)

其中，σ是高斯函数的散布参数，它控制着平滑程度；

平滑后计算G(x,y)的梯度,用2×2的一阶有限差分近似式来计算x方向和y方向的偏微分值P(x,y)和Q(x,y)，即：

进一步地，还包括：

计算幅值和方向角，在这个2×2正方形内求得有效差分的均值，以便在图像中的同一点计算x和y的偏导数梯度，幅值和方向角用直角坐标到极坐标的坐标转换公式来计算：

θ(x,y)＝arctan(Q(x,y)/P(x,y)) (5)

其中，M(x,y)为幅值；θ(x，y)为方向角，θ∈(-90°,90°)，而边缘像素点的方向梯度角θ与该点的边缘线条方向

垂直，所以线条方向/>

进一步地，所述根据所述方向导数建立方向直方图，包括：

根据图像的边缘线条方向角，计算线条方向角

的分布直方图。

进一步地，在判断所述直方图是否服从均匀分布之前，包括：

统计边缘方向角度出现的次数，并根据所述边缘方向角度出现的次数选取统计量；

具体地，设将N个观测结果分为k组，x_i为第i组的边缘方向角度出现的次数，原假设H₀是观测结果落在第i组的概率为

原假设H₀为真的假定下，T近似地满足χ²分布，χ²分布的密度函数为

其中n为χ²分布的自由度。一般在

的条件下，n＝k-1。由此将T记为χ²(n)，m_i＝Np_i为第i组的理论频数。

进一步地，还包括：

χ²分布的临界区域R，选取χ²分布的右尾，得到统计量

的概率为α

进一步地，判断所述直方图是否服从均匀分布，包括：

若

则/>

的概率α′为

第二方面，一种基于边缘方向语义信息的遥感影像场景识别的装置，所述装置包括：

获取模块，用于获取遥感影像；

提取模块，用于提取影像的边缘像素点，得到所述边缘像素点的方向导数；

建立直方图模块，用于根据所述方向导数建立方向直方图；

判断模块，判断所述直方图是否服从均匀分布，得到判断结果；

若所述判断结果为直方图服从均匀分布，则判定所述遥感影像为自然地物；

若所述判断结果为直方图不符合均匀分布，则判定所述遥感影像为人工地物。

第三方面，一种计算机，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如第一方面中中任一项所述基于边缘方向语义信息的遥感影像场景识别方法的步骤。

本申请采用以上技术方案，至少具备以下有益效果：

一种基于边缘方向语义信息的遥感影像场景识别的方法，所述方法包括：

获取遥感影像；提取影像的边缘像素点，得到所述边缘像素点的方向导数；根据所述方向导数建立方向直方图；判断所述直方图是否服从均匀分布；若所述直方图服从均匀分布，则判定所述遥感影像为自然地物；若所述直方图不符合均匀分布，则判定所述遥感影像为人工地物。本发明提出的方法把人们在目视判读过程中利用的一些简单经验知识或语义信息转换为边缘方向直方图是否服从均匀分布这一假设检验问题，从而把目视判读的部分经验知识、特征提取和地物的识别有机地融为一体。本申请所提供的方法不需要训练样本，并省略了训练过程，特征提取后直接进行自然地物和居民地物的识别，大幅度降低了野外人工采集样本的成本和周期，节省大量的人力和物力成本，提高遥感地物识别的准确率，以更好地满足实际生产的应用需求，进一步提供生产力。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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是根据一示例性实施例示出一种基于边缘方向语义信息的遥感影像场景识别的方法步骤流程图。

图2是根据一示例性实施例示出一种基于边缘方向语义信息的遥感影像场景识别的方法步骤流程图。

图3是根据一示例性实施例示出一种基于边缘方向语义信息的遥感影像场景识别的装置结构图。

图4是根据一示例性实施例示出一种基于边缘方向语义信息的遥感影像场景识别的计算机结构图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。

请参阅图1，图1是根据一示例性实施例示出一种基于边缘方向语义信息的遥感影像场景识别的方法步骤流程图。

所述方法包括：

步骤S11、获取遥感影像；

步骤S12、提取影像的边缘像素点，得到所述边缘像素点的方向导数；

步骤S13、根据所述方向导数建立方向直方图；

步骤S14、判断所述直方图是否服从均匀分布；

步骤S15、若所述直方图服从均匀分布，则判定所述遥感影像为自然地物；

步骤S16、若所述直方图不符合均匀分布，则判定所述遥感影像为人工地物。

现有的技术是利用机器学习模式识别或深度学习等理论方法，通过一定或大量数量的训练样本进行训练和学习，得到相应的判别函数，在此基础上对未知样本或测试样本进行识别或测试。现有的方法有：最小距离法、最大似然法、神经网络、支持向量机、贝叶斯网络和目前流行的深度学习方法。现有技术一方面需要一定数量的样本，特别是对于目前流行的深度学习方法，则需要大量的训练样本。然而，在测绘地理信息领域，在全国野外通过人工地方式均匀地采集一定的训练样本需要投入大量的人力和物力成本。另一方面，遥感影像上地物的自动识别准确率还有待提高，以满足实际生产的应用。

本发明提供的一种基于边缘方向语义信息的遥感影像场景识别的方法，通过边缘检测器来提取影像的边缘像素点，同时得到边缘点的方向导数，然后统计图像边缘点的方向直方图的分布是否服从均匀分布来判别影像是否属于自然地物。与传统的最大似然等方法相比，本发明提出的方法不需要训练样本，并省略了训练过程，特征提取后直接进行灌木和居民地的识别，因为该方法把人们在目视判读过程中利用的一些简单经验知识或语义信息转换为边缘方向直方图是否服从均匀分布这一假设检验问题，从而把目视判读的部分经验知识、特征提取和地物的识别有机地融为一体。

一些实施例中，所述获取遥感影像为利用ImageReader函数打开并读取遥感影像，记为I(x,y)，其中，x为所述遥感影像的行号，y为所述遥感影像的列号。

ImageReader可以直接获取遥感影像,得到遥感影像后，可以对图像进行计算。

作为上述实施例的进一步改进，如图2所示，图2是根据一示例性实施例示出一种基于边缘方向语义信息的遥感影像场景识别的方法步骤流程图。

步骤S21、获取遥感影像；

根据所述遥感影像，提取影像的边缘像素点，得到所述边缘像素点的方向导数，包括：

步骤221、卷积运算，利用可分离滤波方法对图像和高斯平滑滤波器g(x,y；σ)进行卷积，得到一个已平滑的数据矩阵G(x,y)，公式如下：

G(x,y)＝g(x,y；σ)*I(x,y) (1)

其中，σ是高斯函数的散布参数，它控制着平滑程度；

步骤222、计算偏微分值平滑后计算G(x,y)的梯度,用2×2的一阶有限差分近似式来计算x和y的偏微分值P(x,y)和Q(x,y)，即：

步骤223、计算幅值和方向角，在这个2×2正方形内求得有效差分的均值，以便在图像中的同一点计算x方向和y方向的偏导数梯度，幅值和方向角用直角坐标到极坐标的坐标转换公式来计算：

θ(x,y)＝arctan(Q(x,y)/P(x,y)) (5)

其中,M(x,y)为幅值；θ(x，y)为方向角，θ∈(-90°,90°)，而边缘像素点的方向梯度角θ与该点的边缘线条方向

垂直，所以线条方向/>

由于人们对线条角度的感知具有一定的模糊性，因此以5°为单位对线条方向直方图进行量化。

步骤23、根据所述方向导数建立方向直方图，

具体地，根据图像的边缘线条方向角，计算线条方向角

的分布直方图。

在直方图变换中，为了进一步反映出相互垂直线段的语义信息，可以对边缘方向直方图作一个变换技巧，把边缘方向为

与方向为/>

的两种方向视为同一个方向，即将边缘方向直方图以90°为中心进行对折，这样便不仅可以在直方图中反映出平行线的峰值特性，而且直方图对折后也可以反映出垂直线段的特性，从而使得原先的峰值更加突出、明显，进而提高后续的均匀分布检验的准确率，减少犯假设检验中第二类错误(纳伪)的可能性。

步骤S24、统计边缘方向角度出现的次数，并根据所述边缘方向角度出现的次数选取统计量；

在判断所述直方图是否服从均匀分布之前，包括：

首先设定原假设和备择假设：

根据样本x₁，x₂，...，x_n来检验关于总体分布的假设，其原假设和备择假设为：

H₀：总体x的分布函数为均匀分布F(x)，即影像为自然地物；

H₁：总体x的分布函数不是均匀分布F(x)，即影像为人工地物；

设将N个观测结果分为k组，x_i为第i组的边缘方向角度出现的次数，原假设H₀是观测结果落在第i组的概率为

在原假设H₀为真的假定下，T近似地满足χ²分布，χ²分布的密度函数为

其中n为χ²分布的自由度，在

的条件下，n＝k-1，将T记为χ²(n)，m_i＝Np_i为第i组的理论频数。

一些实施例中，选择χ²分布的临界区域R。一般选择χ²分布的右尾，即选择

(上侧α分位点)，得到统计量/>

的概率为α，

步骤S25、判断所述直方图是否服从均匀分布；

具体地，若

则/>

的概率α′为

可以理解为，本步骤为作出决策：一般将α取得很小。事实上，若|x_i-m|越大，则由式(8)确定的χ²(n)值

也越大，如果/>

那么/>

的概率α′有

步骤S26、若所述直方图服从均匀分布，则判定所述遥感影像为自然地物；

步骤S27、若所述直方图不符合均匀分布，则判定所述遥感影像为人工地物。

本发明对于遥感影像上人工地物和自然地物的识别任务，由于不需要训练样本，大幅度降低了野外人工采集样本的成本和周期，所以本发明可以使得一方面可以节省大量的人力和物力成本，另一方面可以进一步提高遥感地物识别的准确率，以更好地满足实际生产的应用需求，进一步提供生产力。

请参阅图3，图3是根据一示例性实施例示出的一种基于边缘方向语义信息的遥感影像场景识别的装置结构图，所述装置包括：

获取模块31，用于获取遥感影像；

提取模块32，用于提取影像的边缘像素点，得到所述边缘像素点的方向导数；

建立直方图模块33，用于根据所述方向导数建立方向直方图；

判断模块34，判断所述直方图是否服从均匀分布，得到判断结果；

若所述判断结果为直方图服从均匀分布，则判定所述遥感影像为自然地物；

若所述判断结果为直方图不符合均匀分布，则判定所述遥感影像为人工地物。

关于上述实施例中的一种基于边缘方向语义信息的遥感影像场景识别的装置，其中各个模块执行操作的具体方式已经在上述相关方法的实施例中进行了详细描述，此处将不做详细阐述说明。

请参阅图4，图4是根据一示例性实施例示出的一种计算机框图示意图，该计算机4包括：

包括存储器41和处理器42，所述存储器41中存储有计算机可读指令，所述计算机可读指令被所述处理器42执行时，使得所述处理器执行如上任一项所述方法的步骤。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”、“多”的含义是指至少两个。

应该理解，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者可能同时存在居中元件；当一个元件被称为“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件,此外，这里使用的“连接”可以包括无线连接；使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为：表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

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申请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不一定指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何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种基于边缘方向语义信息的遥感影像场景识别的方法，其特征在于，所述方法包括：

获取遥感影像；

根据所述遥感影像，提取影像的边缘像素点，得到所述边缘像素点的方向导数；

根据所述方向导数建立方向直方图；

判断所述直方图是否服从均匀分布，得到判断结果；

若所述判断结果为直方图服从均匀分布，则判定所述遥感影像为自然地物；

若所述判断结果为直方图不符合均匀分布，则判定所述遥感影像为人工地物；

其中，所述根据所述方向导数建立方向直方图，包括：

根据图像的边缘线条方向角，计算线条方向角

的分布直方图；

在判断所述直方图是否服从均匀分布之前，包括：

统计边缘方向角度出现的次数，并根据所述边缘方向角度出现的次数选取统计量；

具体地，将N个观测结果分为k组，x_i为第i组的边缘方向角度出现的次数，原假设H₀是观测结果落在第i组的概率为

在原假设H₀为真的假定下，T近似地满足χ²分布，χ²分布的密度函数为

其中n为χ²分布的自由度，在

的条件下，n＝k-1，将T记为χ²(n)，m_i＝Np_i为第i组的理论频数；

通过选择χ²分布的临界区域R，选取χ²分布的右尾，得到统计量

的概率为α

判断所述直方图是否服从均匀分布，包括：

若

则拒绝原假设H₀，并认为直方图不服从均匀分布；

若

则接受原假设H₀，并认为直方图服从均匀分布。

2.根据权利要求1所述的方法，其特征在于，所述获取遥感影像为利用ImageReader函数打开并读取遥感影像，记为I(x,y)，其中，x为所述遥感影像的行号，y为所述遥感影像的列号。

3.根据权利要求1所述的方法，其特征在于，所述提取影像的边缘像素点，得到所述边缘像素点的方向导数，包括：

利用可分离滤波方法对图像和高斯平滑滤波器g(x,y；σ)进行卷积，得到一个已平滑的数据矩阵G(x,y)，公式如下：

G(x,y)＝g(x,y；σ)*I(x,y) (1)

其中，σ是高斯函数的散布参数，用于控制着平滑程度；

平滑后计算G(x,y)的梯度,用2×2的一阶有限差分近似式来计算图像x方向和y方向的偏微分值P(x,y)和Q(x,y)，即：

4.根据权利要求3所述的方法，其特征在于，还包括：

计算图像上的幅值和方向角，在这个2×2正方形内求得有效差分的均值，以便在图像中的同一点计算x和y的偏导数梯度，幅值和方向角用直角坐标到极坐标的坐标转换公式来计算：

θ(x,y)＝arctan(Q(x,y)/P(x,y)) (5)

其中,M(x,y)为幅值；θ(x，y)为方向角，θ∈(-90°,90°)，而边缘像素点的方向角θ与该点的边缘线条方向角

垂直，所以线条方向角/>

5.一种基于边缘方向语义信息的遥感影像场景识别的装置，其特征在于，所述装置包括：

获取模块，用于获取遥感影像；

提取模块，用于提取影像的边缘像素点，得到所述边缘像素点的方向导数；

建立直方图模块，用于根据所述方向导数建立方向直方图，其中，所述根据所述方向导数建立方向直方图，包括：根据图像的边缘线条方向角，计算线条方向角

的分布直方图；

判断模块，判断所述直方图是否服从均匀分布，得到判断结果，其中，在判断所述直方图是否服从均匀分布之前，包括：

统计边缘方向角度出现的次数，并根据所述边缘方向角度出现的次数选取统计量；

具体地，将N个观测结果分为k组，x_i为第i组的边缘方向角度出现的次数，原假设H₀是观测结果落在第i组的概率为

在原假设H₀为真的假定下，T近似地满足χ²分布，χ²分布的密度函数为

其中n为χ²分布的自由度，在

的条件下，n＝k-1，将T记为χ²(n)，m_i＝Np_i为第i组的理论频数；

通过选择χ²分布的临界区域R，选取χ²分布的右尾，得到统计量

的概率为α

判断所述直方图是否服从均匀分布，包括：

若

则拒绝原假设H₀，并认为直方图不服从均匀分布；

若

则接受原假设H₀，并认为直方图服从均匀分布；

若所述判断结果为直方图服从均匀分布，则判定所述遥感影像为自然地物；

若所述判断结果为直方图不符合均匀分布，则判定所述遥感影像为人工地物。

6.一种计算机，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述基于边缘方向语义信息的遥感影像场景识别方法的步骤。

Images