CN114202704B - 一种人机交互的水体半自动提取方法及系统 - Google Patents
一种人机交互的水体半自动提取方法及系统 Download PDFInfo
- Publication number
- CN114202704B CN114202704B CN202210137821.4A CN202210137821A CN114202704B CN 114202704 B CN114202704 B CN 114202704B CN 202210137821 A CN202210137821 A CN 202210137821A CN 114202704 B CN114202704 B CN 114202704B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- water body
- boundary
- seed
- 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
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种人机交互的水体半自动提取方法及系统,所述水体半自动提取方法包括:S1、获取待提取水体的原始遥感影像,对所述原始遥感影像进行影像增强处理,得到增强影像;S2、对所述增强影像进行人工标记种子线或非种子线,基于所述种子线或非种子线自动定义运算区域,将所述运算区域内的增强影像定义为影像I,基于所述影像I的位置与大小,初始化形成单通道掩膜影像M,在所述掩膜影像M内采用分水岭算法进行运算,得到水域矢量边界;S3、对水域矢量边界进行矢量抽稀,得到水体轮廓。本发明的方法及系统充分利用人机协同的优势实现人机交互模式下高精度、高效率的水体轮廓实时半自动提取,简化了操作过程,降低了人工成本。
Description
技术领域
本发明涉及遥感影像信息提取领域,特别涉及一种人机交互的水体半自动提取方法及系统。
背景技术
水体提取作为水资源动态监测的重要部分,随着遥感技术的发展,从遥感影像中进行水体信息的提取逐渐变为水体信息提取的主要途径。目前,主要采用的提取方法包括人工解译提取法、半自动提取法和全自动提取法。其中,人工解译提取法几乎完全依赖于人工目视进行解译,不仅投入时间多、工作效率低,解译人员的主观影响也对提取结果有一定的影响,导致不同人员的提取结果具有一定的错判误差;全自动提取法提取速度快,但提取边界不准确,尤其在水体背景较为复杂的情况下,全自动提取法精度不高,更易造成遗漏和边界不准确的情况。半自动提取法可以在人机交互的基础上,通过人工进行辅助,很好的识别水体,防止出现边界不准确或错漏的问题,同时也具有较高的效率。目前,遥感影像的水体半自动提取方法主要采用指数模型法,通过计算遥感影像上水体的指数,选取一定的阈值,提取水体范围,但阈值在不同的遥感影像上差距较大,提取的水体范围精度不高,且选取不同的阈值耗时费力,同时,人工选取还会具有一定的主观性。
综上所述,现有技术中对于从遥感影像中提取水体信息还存在许多的问题。
发明内容
为了解决现有技术中存在的上述问题,本发明的目的是为了提供一种可以充分利用人机协同的优势实现人机交互模式下高精度、高效率的实时半自动提取的一种人机交互的水体半自动提取方法及系统。
为了实现上述目的,本发明采用了以下的技术方案:
根据本发明的第一方面,本发明提供了一种人机交互的水体半自动提取方法,包括:
S1、获取待提取水体的原始遥感影像,对所述原始遥感影像进行影像增强处理,得到增强影像;
S2、对所述增强影像进行人工标记种子线或非种子线,基于所述种子线或非种子线自动定义运算区域后,将所述运算区域内的增强影像定义为影像I,基于所述影像I的位置与大小,初始化形成单通道掩膜影像M,在所述掩膜影像M内采用分水岭算法进行运算,得到水域矢量边界;其中,所述定义运算区域具体包括:定义所述增强影像的外接矩形为区域A;定义所述种子线或非种子线的外接矩形为区域B;定义所述区域B上下左右四个方向均外扩m个像素的矩形为区域C;将所述区域A与所述区域C的交集定义为运算区域D;
S3、对所述水域矢量边界进行矢量抽稀,得到水体轮廓。
进一步地,所述影像增强处理包括:对所述原始遥感影像进行线性拉伸运算,采用归一化法,将影像像素的取值范围缩放到0~255,计算方法如下式:
其中,pixel'为增强影像的像素值,pixel为原始遥感影像的像素值,min为原始遥感影像上像素的最小值,max为原始遥感影像上像素的最大值。
进一步地,所述掩膜影像M的像素值全部初始化为0,所述掩膜影像M与影像I的大小、位置完全相同;
进一步地,所述在所述掩膜影像M内采用分水岭算法进行运算包括:
将所述掩膜影像M上下左右四个方向的边缘的10个像素的像素值设为1;
将第N次绘制的种子线或非种子线上的像素值设为N+1,其中,N为1,2,3……;
基于影像I和掩膜影像M,在掩膜影像M上采用分水岭算法进行区域增长得到掩膜影像M’,区域增长过程中,掩膜影像M中所有的种子线或非种子线会自动进行区域增长,同时,掩膜影像M边缘像素值为1的像素自动进行区域增长,得到掩膜影像M’;
当第N次绘制的为标记水域区域的种子线时,将掩膜影像M’中像素值为N+1的区域定义为增长区域E;
当第N次绘制的为标记非水域区域的非种子线时,将掩膜影像M’中像素值为N+1的区域定义为减少区域F。
进一步地,所述分水岭算法进行运算后还包括水体提取,所述水体提取具体为对增长区域E或减少区域F进行二值化,包括:
对绘制种子线得到的增长区域E二值化,得到增长区域E的边界;对绘制非种子线得到的减少区域F二值化,得到减少区域F的边界。
更进一步地,当所述水体提取完成后,人工判断水体提取是否充分,提取结果分为如下三种情况:
当水体提取不充分时,人工标记种子线,重复操作S2步骤,获取增长区域E的边界,并将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,直至第N次绘制种子线时水体提取充分,所述初始边界即为水域矢量边界;
当水体提取过度时,人工标记非种子线,重复操作S2步骤,获取减少区域F的边界,初始边界减去减少区域F的边界,直至准确提取水体,得到水域矢量边界;
当水体提取充分时,将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,初始边界即为水域矢量边界。
根据本发明的第二方面,本发明还提供了一种人机交互的水体半自动提取系统,包括:
影像增强模块,用于获取待提取水体的原始遥感影像,对所述原始遥感影像进行影像增强处理,得到增强影像;
半自动提取模块,用于对所述增强影像进行人工标记种子线或非种子线,基于所述种子线或非种子线自动定义运算区域后,将所述运算区域内的增强影像定义为影像I,基于所述影像I的位置与大小,初始化形成单通道掩膜影像M,在所述掩膜影像M内采用分水岭算法进行运算,得到水域矢量边界;其中,所述定义运算区域具体包括:定义所述增强影像的外接矩形为区域A;定义所述种子线或非种子线的外接矩形为区域B;定义所述区域B上下左右四个方向均外扩m个像素的矩形为区域C;将所述区域A与所述区域C的交集定义为运算区域D;
矢量抽稀模块,用于对所述水域矢量边界进行矢量抽稀,得到水体轮廓。
进一步地,所述影像增强处理包括:对所述原始遥感影像进行线性拉伸运算,采用归一化法,将影像像素的取值范围缩放到0~255,计算方法如下式:
其中,pixel'为增强影像的像素值,pixel为原始遥感影像的像素值,min为原始遥感影像上像素的最小值,max为原始遥感影像上像素的最大值。
进一步地,所述掩膜影像M的像素值全部初始化为0,所述掩膜影像M与影像I的大小、位置完全相同;
进一步地,所述在所述掩膜影像M内采用分水岭算法进行运算包括:
将所述掩膜影像M上下左右四个方向的边缘的10个像素的像素值设为1;
将第N次绘制的种子线或非种子线上的像素值设为N+1,其中,N为1,2,3……;
基于影像I和掩膜影像M,在掩膜影像M上采用分水岭算法进行区域增长得到掩膜影像M’,区域增长过程中,掩膜影像M中所有的种子线或非种子线会自动进行区域增长,同时,掩膜影像M边缘像素值为1的像素自动进行区域增长,得到掩膜影像M’;
当第N次绘制的为标记水域区域的种子线时,将掩膜影像M’中像素值为N+1的区域定义为增长区域E;
当第N次绘制的为标记非水域区域的非种子线时,将掩膜影像M’中像素值为N+1的区域定义为减少区域F。
进一步地,所述分水岭算法进行运算后还包括水体提取,所述水体提取具体为将增长区域E或减少区域F进行二值化,包括:
对绘制种子线得到的增长区域E二值化,得到增长区域E的边界;对绘制非种子线得到的减少区域F二值化,得到减少区域F的边界。
更进一步地,当所述水体提取完成后,还需人工判断水体提取是否充分,提取结果分为如下三种情况:
当水体提取不充分时,人工标记种子线,采用半自动提取模块获取增长区域E的边界,并将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,直至第N次绘制种子线时水体提取充分,所述初始边界即为水域矢量边界;
当水体提取过度时,人工标记非种子线,采用半自动提取模块获取减少区域F的边界,初始边界减去减少区域F的边界,直至准确提取水体,得到水域矢量边界;
当水体提取充分时,将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,初始边界即为水域矢量边界。
本发明提供的上述技术方案的有益效果至少包括:
通过人机交互与分水岭算法相结合的半自动提取方法及系统,可以充分利用人机协同的优势实现人机交互模式下高精度、高效率的水体轮廓实时半自动提取,简化了工作人员的操作过程,易于上手,大大降低了人工成本,可以有效防止工作人员的对于水体轮廓提取的主观影响,提高了工作效率和提取精度,能够准确的得到出水体轮廓,为遥感影像水体提取提供半自动化的手段。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍。通过阅读参照以下附图所作的对非限制性实施例的详细描述,本申请的其它特征、目的和优点将会变得更明显。
图1为本发明实施例提供的一种人机交互的水体半自动提取方法的流程示意图;
图2(a)-(b)为本发明实施例提供的影像增强处理前后对比示例图;其中,图2(a)为影像增强处理前的原始遥感影像示例图,图2(b)为影像增强处理后的增强影像示例图;
图3为本发明实施例提供的一种人机交互的水体半自动提取方法的具体流程图;
图4为本发明实施例提供的运算区域示例图;
图5(a)-(b)为本发明实施例提供的分水岭算法运算过程示例图;其中,图5(a)为掩膜影像M示例图,图5(b)为掩膜影像M’示例图;
图6为本发明实施例提供的水体提取不充分时提取过程示例图;
图7为本发明实施例提供的水体提取过度时提取过程示例图;
图8为本发明提供的一种人机交互的水体半自动提取系统的结构示意图。
具体实施方式
为了更好地理解本申请,将参考附图对本申请的各个方面做出更详细的说明。应理解,这些详细说明只是对本申请的示例性实施方式的描述,而非以任何方式限制本申请的范围。在说明书全文中,相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
在附图中,为了便于说明,已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的,用语“大致”、“大约”以及类似的用语用作表近似的用语,而不用作表程度的用语,并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外,在本申请中,各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序,除非有明确其它限定或者能够从上下文推导出的除外。
还应理解的是,诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述,其表示存在所陈述的特征、元件和/或部件,但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外,当诸如“...中的至少一个”的表述出现在所列特征的列表之后时,其修饰整列特征,而非仅仅修饰列表中的单独元件。此外,当描述本申请的实施方式时,使用“可”表示“本申请的一个或多个实施方式”。并且,用语“示例性的”旨在指代示例或举例说明。
除非另外限定,否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是,除非本申请中有明确的说明,否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义,而不应以理想化或过于形式化的意义解释。
需要说明的是,在不冲突的情况下,本申请中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本申请。
请参考图1,图1为本发明实施例提供的一种人机交互的水体半自动提取方法的流程示意图。如图1所示,本发明提供了一种人机交互的水体半自动提取方法,包括:
S1、获取待提取水体的原始遥感影像,对原始遥感影像进行影像增强处理,得到增强影像;
S2、对增强影像进行人工标记种子线或非种子线,基于种子线或非种子线自动定义运算区域后,将运算区域内的增强影像定义为影像I,基于影像I的位置与大小,初始化形成单通道掩膜影像M,在掩膜影像M内采用分水岭算法进行运算,得到水域矢量边界;其中,定义运算区域具体包括:定义增强影像的外接矩形为区域A;定义种子线或非种子线的外接矩形为区域B;定义区域B上下左右四个方向均外扩m个像素的矩形为区域C;将区域A与区域C的交集定义为运算区域D;
S3、对水域矢量边界进行矢量抽稀,得到水体轮廓。
进一步地,获取待提取水体的卫星原始遥感影像,为了使原始遥感影像视觉上更加清晰,更易于人机交互识别水体部分,需要对原始遥感影像进行影像增强处理。
请参考图2(a)-(b),图2(a)-(b)为本发明实施例提供的影像增强处理前后对比示例图;其中,图2(a)为影像增强处理前的原始遥感影像示例图,图2(b)为影像增强处理后的增强影像示例图。影像增强处理包括:为了方便运算,对原始遥感影像进行线性拉伸运算,采用归一化法,将影像像素的取值范围缩放到0~255,计算方法如下式:
其中,pixel'为增强影像的像素值,pixel为原始遥感影像的像素值,min为原始遥感影像上像素的最小值,max为原始遥感影像上像素的最大值。
进一步地,S2中进行了人机交互与分水岭算法相结合的水体半自动提取过程,请参考图3,图3为本发明实施例提供的一种人机交互的水体半自动提取方法的具体流程图,如图3所示,S2水体半自动提取步骤具体包括:
S21、标记水域种子线或非水域的非种子线,人工目视识别增强影像中的水域区域或非水域区域,在水域区域内操作鼠标左键标记种子线或在非水域区域内操作鼠标右键标记非种子线,计算机自动储存种子线或非种子线;
S22、定义运算区域,请参考图4,图4为本发明实施例提供的运算区域示例图,定义增强影像的外接矩形为区域A;定义种子线或非种子线的外接矩形为区域B;定义区域B上下左右四个方向均外扩m个像素的矩形为区域C;将区域A与区域C的交集定义为运算区域D;
其中,可以根据影像的分辨率、水域范围等适当调整外扩像素m,当m较大时,增长区域E较大,适合快速增长;当m较小时,增长区域E较小,适合对水体边界进行细微调整。一般情况下,当绘制种子线时,m默认取值为100;当绘制非种子线时,m默认取值为20;
S23、采用分水岭算法进行运算。请参考图5(a)-(b),图5(a)-(b)为本发明实施例提供的分水岭算法运算过程示例图,其中,图5(a)为掩膜影像M示例图;图5(b)为掩膜影像M’示例图;
将增强影像上运算区域D的矩形框内的影像定义为影像I,基于影像I的位置与大小,初始化形成单通道掩膜影像M,掩膜影像M的像素值全部初始化为0;其中,掩膜影像M与影像I的大小、位置完全相同,这里的位置是指影像I相对于增强影像的位置,大小是指影像I的宽和高;
将掩膜影像M上下左右四个方向的边缘的10个像素的像素值设为1;
将第N次绘制的种子线或非种子线上的像素值设为N+1,其中,N为1,2,3……;这里假定第N次绘制的种子线或非种子线为最新绘制的种子线或非种子线;例如,图5(a)中,掩膜影像M为第3次绘制种子线得到的掩膜影像M,第1次绘制的种子线,像素值为2;第2次绘制的种子线,像素值为3;第3次绘制的种子线,像素值为4;
基于影像I和掩膜影像M,在掩膜影像M上采用分水岭算法进行区域增长得到掩膜影像M’,区域增长过程中,掩膜影像M中所有的种子线或非种子线会自动进行区域增长,同时,掩膜影像M边缘像素值为1的像素自动进行区域增长,得到掩膜影像M’;其中,掩膜影像M中所有的种子线或非种子线并不局限于第N次绘制的种子线或非种子线,而是指第N次绘制的种子线或非种子线的掩膜影像M内包含的所有种子线或非种子线;
更进一步地,绘制种子线和绘制非种子线是相对独立的过程。当绘制种子线时,区域增长过程中,第N次绘制的种子线的掩膜影像M内包含的所有种子线同时进行区域增长,在掩膜影像M中形成具有不同像素值的区域,这些具有不同像素值的区域的像素值是由进行区域增长的种子线上的像素值决定的,具有不同像素值的区域的大小和形状是由影像I决定的,掩膜影像M边缘像素值为1的像素自动进行区域增长形成像素值为1的区域,此时,若第N次绘制的种子线的掩膜影像M内包含非种子线,非种子线并不会进行区域增长;当绘制非种子线时,区域增长过程中,第N次绘制的非种子线的掩膜影像M内包含的所有非种子线同时进行区域增长,在掩膜影像M中形成具有不同像素值的区域,这些具有不同像素值的区域的像素值是由进行区域增长的非种子线上的像素值决定的,具有不同像素值的区域的大小和形状是由影像I决定的,掩膜影像M边缘像素值为1的像素自动进行区域增长形成像素值为1的区域,此时,若第N次绘制的非种子线的掩膜影像M内包含种子线,种子线并不会进行区域增长;
当第N次绘制的为标记水域区域的种子线时,将掩膜影像M’中像素值为N+1的区域定义为增长区域E;当第N次绘制的为标记非水域区域的非种子线时,提取到的掩膜影像M’中像素值为N+1的区域定义为减少区域F;其中,增长区域E和减少区域F的形状和大小是由影像I决定的。例如,图5(b)中,掩膜影像M’为第3次绘制种子线得到的掩膜影像M’,掩膜影像M’中包含四部分区域,分别为:像素值为1的区域,基于第1次绘制的种子线得到的像素值为2的区域,基于第2次绘制的种子线得到的像素值为3的区域,基于第3次绘制的种子线得到的像素值为4的区域,其中,像素值为4的区域为增长区域E。
S24、水体提取,将增长区域E或减少区域F进行二值化,具体过程为:
对绘制种子线得到的增长区域E二值化,得到增长区域E的边界;对绘制非种子线得到的减少区域F二值化,得到减少区域F的边界。
更进一步地,当水体提取步骤完成时,需人工判断水体提取是否充分,提取结果分为如下三种情况:
a. 当水体提取不充分时,返回S21标记水域种子线,依次重复执行步骤S21、S22、S23和S24,并将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,直至第N次绘制种子线时水体提取充分,这时得到的初始边界即为水域矢量边界。请参考图6,图6为本发明实施例提供的水体提取不充分时提取过程示例图,其中,第1次标记种子线,得到基于第一种子线的运算区域,采用分水岭算法运算后得到的掩膜范围为第一个增长区域,水体提取结果为第一个增长区域的部分;第2次标记种子线,得到基于第二种子线的运算区域,采用分水岭算法运算后得到新增的掩膜范围为第二个增长区域,水体提取结果为第一次绘制种子线的水体提取结果加上第二个增长区域的总和的部分;第N次标记种子线,得到基于第N种子线的运算区域,采用分水岭算法运算后得到新增的掩膜范围为第N个增长区域,水体提取结果为第N-1次绘制种子线得到的水体提取结果加上第N个增长区域的总和的部分。在这个迭代过程中,累计存储种子线、定义运算区域、运算分水岭算法;
b. 当水体提取过度时,返回S21标记非种子线,依次重复执行步骤S22、S23、S24,得到减少区域F的边界,初始边界减去减少区域F的边界,直至准确提取水体,得到水域矢量边界;请参考图7,图7为本发明实施例提供的水体提取过度时提取过程示例图,第N+1次标记非种子线,得到基于第N+1非种子线的运算区域,采用分水岭算法运算后得到新增的掩膜范围为第N+1个减少区域,水体提取结果为第N次绘制种子线得到的水体提取结果减去第N+1个减少区域的部分;第N+2次标记非种子线,得到基于第N+2非种子线的运算区域,采用分水岭算法运算后得到新增的掩膜范围为第N+2个减少区域,水体提取结果为第N+1次绘制非种子线得到的水体提取结果减去第N+2个减少区域的部分;
c. 当水体提取充分时,将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,初始边界即为水域矢量边界,执行步骤S3。
进一步地,对水域矢量边界进行矢量抽稀具体是对S24中水体提取充分后得到的水域矢量边界进行矢量抽稀,在保留矢量形状不变的情况下,减少矢量点的数量,使矢量曲线更加光滑,从而得到较为平滑的水体轮廓。
更进一步地,矢量抽稀的方法包括但不限于圆柱法、垂距限值法、道格拉斯-普克法、线段过滤法和步长法。
本发明通过人机交互与分水岭算法相结合的半自动提取水体轮廓,可以充分利用人机协同的优势实现人机交互模式下高精度、高效率的水体轮廓实时半自动提取,简化了工作人员的操作过程,易于上手,大大降低了人工成本,可以有效防止工作人员的对于水体轮廓提取的主观影响,提高了工作效率和提取精度,能够准确的得到出水体轮廓,为遥感影像水体提取提供半自动化的手段。
请参考图8,图8为本发明提供的一种人机交互的水体半自动提取系统的结构示意图。如图8所示,本发明还提供了一种人机交互的水体半自动提取系统,包括:
影像增强模块,用于获取待提取水体的原始遥感影像,对原始遥感影像进行影像增强处理,得到增强影像;
半自动提取模块,用于对增强影像进行人工标记种子线或非种子线,基于种子线或非种子线自动定义运算区域后,将运算区域内的增强影像定义为影像I,基于影像I的位置与大小,初始化形成单通道掩膜影像M,在掩膜影像M内采用分水岭算法进行运算,得到水域矢量边界;其中,定义运算区域具体包括:定义增强影像的外接矩形为区域A;定义种子线或非种子线的外接矩形为区域B;定义区域B上下左右四个方向均外扩m个像素的矩形为区域C;将区域A与区域C的交集定义为运算区域D;
矢量抽稀模块,用于对水域矢量边界进行矢量抽稀,得到水体轮廓。
进一步地,影像增强处理包括:对原始遥感影像进行线性拉伸运算,采用归一化法,将原始影像像素的取值范围缩放到0~255,得到增强影像,计算方法如下式:
其中,pixel'为增强影像的像素值,pixel为原始遥感影像的像素值,min为原始遥感影像上像素的最小值,max为原始遥感影像上像素的最大值。
进一步地,掩膜影像M的像素值全部初始化为0,掩膜影像M与影像I的大小、位置完全相同;
进一步地,在掩膜影像M内采用分水岭算法进行运算包括:
将所述掩膜影像M上下左右四个方向的边缘的10个像素的像素值设为1;
将第N次绘制的种子线或非种子线上的像素值设为N+1,其中,N为1,2,3……;这里假定第N次绘制的种子线或非种子线为最新绘制的种子线或非种子线;
基于影像I和掩膜影像M,在掩膜影像M上采用分水岭算法进行区域增长得到掩膜影像M’,区域增长过程中,掩膜影像M中所有的种子线或非种子线会自动进行区域增长,同时,掩膜影像M边缘像素值为1的像素自动进行区域增长,得到掩膜影像M’;其中,掩膜影像M中所有的种子线或非种子线并不局限于第N次绘制的种子线或非种子线,而是指第N次绘制的种子线或非种子线的掩膜影像M内包含的所有种子线或非种子线;
其中,绘制种子线和绘制非种子线是相对独立的过程。当绘制种子线时,区域增长过程中,第N次绘制的种子线的掩膜影像M内包含的所有种子线同时进行区域增长,在掩膜影像M中形成具有不同像素值的区域,这些具有不同像素值的区域的像素值是由进行区域增长的种子线上的像素值决定的,具有不同像素值的区域的大小和形状是由影像I决定的,掩膜影像M边缘像素值为1的像素自动进行区域增长形成像素值为1的区域,此时,若第N次绘制的种子线的掩膜影像M内包含非种子线,非种子线并不会进行区域增长;当绘制非种子线时,区域增长过程中,第N次绘制的非种子线的掩膜影像M内包含的所有非种子线同时进行区域增长,在掩膜影像M中形成具有不同像素值的区域,这些具有不同像素值的区域的像素值是由进行区域增长的非种子线上的像素值决定的,具有不同像素值的区域的大小和形状是由影像I决定的,掩膜影像M边缘像素值为1的像素自动进行区域增长形成像素值为1的区域,此时,若第N次绘制的非种子线的掩膜影像M内包含种子线,种子线并不会进行区域增长;
当第N次绘制的为标记水域区域的种子线时,将掩膜影像M’中像素值为N+1的区域定义为增长区域E;
当第N次绘制的为标记非水域区域的非种子线时,将掩膜影像M’中像素值为N+1的区域定义为减少区域F。
进一步地,分水岭算法进行运算后还包括水体提取,水体提取具体为对增长区域E或减少区域F进行二值化,包括:
对绘制种子线得到的增长区域E二值化,得到增长区域E的边界;对绘制非种子线得到的减少区域F二值化,得到减少区域F的边界。
更进一步地,当水体提取完成后,还需人工判断水体提取是否充分,提取结果分为如下三种情况:
当水体提取不充分时,人工标记种子线,采用半自动提取模块获取增长区域E的边界,并将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,直至第N次绘制种子线时水体提取充分,所述初始边界即为水域矢量边界;
当水体提取过度时,人工标记非种子线,采用半自动提取模块获取减少区域F的边界,初始边界减去减少区域F的边界,直至准确提取水体,得到水域矢量边界;
当水体提取充分时,将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,初始边界即为水域矢量边界。
本发明通过人机交互与分水岭算法相结合的半自动提取水体轮廓,可以充分利用人机协同的优势实现人机交互模式下高精度、高效率的水体轮廓实时半自动提取,简化了工作人员的操作过程,易于上手,大大降低了人工成本,可以有效防止工作人员的对于水体轮廓提取的主观影响,提高了工作效率和提取精度,能够准确的得到出水体轮廓,为遥感影像水体提取提供半自动化的手段。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
Claims (4)
1.一种人机交互的水体半自动提取方法,其特征在于,包括:
S1、获取待提取水体的原始遥感影像,对所述原始遥感影像进行影像增强处理,得到增强影像;
S2、对所述增强影像进行人工标记种子线或非种子线,基于所述种子线或非种子线自动定义运算区域后,将所述运算区域内的增强影像定义为影像I,基于所述影像I的位置与大小,初始化形成单通道掩膜影像M,在所述掩膜影像M内采用分水岭算法进行运算,得到水域矢量边界;其中,所述定义运算区域具体包括:定义所述增强影像的外接矩形为区域A;定义所述种子线或非种子线的外接矩形为区域B;定义所述区域B上下左右四个方向均外扩m个像素的矩形为区域C;将所述区域A与所述区域C的交集定义为运算区域D;
其中,所述在所述掩膜影像M内采用分水岭算法进行运算包括:
将所述掩膜影像M上下左右四个方向的边缘的10个像素的像素值设为1;
将第N次绘制的种子线或非种子线上的像素值设为N+1,其中,N为1,2,3……;
基于影像I和掩膜影像M,在掩膜影像M上采用分水岭算法进行区域增长得到掩膜影像M’,区域增长过程中,掩膜影像M中所有的种子线或非种子线自动进行区域增长,同时,掩膜影像M边缘像素值为1的像素自动进行区域增长,得到掩膜影像M’;
当第N次绘制的为标记水域区域的种子线时,将掩膜影像M’中像素值为N+1的区域定义为增长区域E;
当第N次绘制的为标记非水域区域的非种子线时,将掩膜影像M’中像素值为N+1的区域定义为减少区域F;
所述采用分水岭算法进行运算后还包括水体提取步骤,所述水体提取步骤具体为对所述增长区域E或减少区域F进行二值化,包括:对绘制种子线得到的增长区域E二值化,得到增长区域E的边界;对绘制非种子线得到的减少区域F二值化,得到减少区域F的边界;
当所述水体提取步骤完成后,还需人工判断水体提取是否充分,提取结果分为如下三种情况:
当水体提取不充分时,人工标记种子线,重复操作S2步骤,获取增长区域E的边界,并将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,直至第N次绘制种子线时水体提取充分,所述初始边界即为水域矢量边界;
当水体提取过度时,人工标记非种子线,重复操作S2步骤,获取减少区域F的边界,初始边界减去减少区域F的边界,直至准确提取水体,得到水域矢量边界;
当水体提取充分时,将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,初始边界即为水域矢量边界;
S3、对所述水域矢量边界进行矢量抽稀,得到水体轮廓。
3.一种人机交互的水体半自动提取系统,其特征在于,包括:
影像增强模块,用于获取待提取水体的原始遥感影像,对所述原始遥感影像进行影像增强处理,得到增强影像;
半自动提取模块,用于对所述增强影像进行人工标记种子线或非种子线,基于所述种子线或非种子线自动定义运算区域后,将所述运算区域内的增强影像定义为影像I,基于所述影像I的位置与大小,初始化形成单通道掩膜影像M,在所述掩膜影像M内采用分水岭算法进行运算,得到水域矢量边界;其中,所述定义运算区域具体包括:定义所述增强影像的外接矩形为区域A;定义所述种子线或非种子线的外接矩形为区域B;定义所述区域B上下左右四个方向均外扩m个像素的矩形为区域C;将所述区域A与所述区域C的交集定义为运算区域D;
其中,所述在所述掩膜影像M内采用分水岭算法进行运算包括:
将所述掩膜影像M上下左右四个方向的边缘的10个像素的像素值设为1;
将第N次绘制的种子线或非种子线上的像素值设为N+1,其中,N为1,2,3……;
基于影像I和掩膜影像M,在掩膜影像M上采用分水岭算法进行区域增长得到掩膜影像M’,区域增长过程中,掩膜影像M中所有的种子线或非种子线会自动进行区域增长,同时,掩膜影像M边缘像素值为1的像素自动进行区域增长,得到掩膜影像M’;
当第N次绘制的为标记水域区域的种子线时,将掩膜影像M’中像素值为N+1的区域定义为增长区域E;
当第N次绘制的为标记非水域区域的非种子线时,将掩膜影像M’中像素值为N+1的区域定义为减少区域F;
所述分水岭算法进行运算后还包括水体提取,所述水体提取具体为对所述增长区域E或减少区域F进行二值化,包括:对绘制种子线得到的增长区域E二值化,得到增长区域E的边界;对绘制非种子线得到的减少区域F二值化,得到减少区域F的边界;
当所述水体提取完成后,还需人工判断水体提取是否充分,提取结果分为如下三种情况:
当水体提取不充分时,人工标记种子线,采用半自动提取模块获取增长区域E的边界,并将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,直至第N次绘制种子线时水体提取充分,所述初始边界即为水域矢量边界;
当水体提取过度时,人工标记非种子线,采用半自动提取模块获取减少区域F的边界,初始边界减去减少区域F的边界,直至准确提取水体,得到水域矢量边界;
当水体提取充分时,将每次绘制种子线得到的增长区域E的边界进行合并操作得到初始边界,初始边界即为水域矢量边界;
矢量抽稀模块,用于对所述水域矢量边界进行矢量抽稀,得到水体轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137821.4A CN114202704B (zh) | 2022-02-15 | 2022-02-15 | 一种人机交互的水体半自动提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137821.4A CN114202704B (zh) | 2022-02-15 | 2022-02-15 | 一种人机交互的水体半自动提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114202704A CN114202704A (zh) | 2022-03-18 |
CN114202704B true CN114202704B (zh) | 2022-05-17 |
Family
ID=80658977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210137821.4A Active CN114202704B (zh) | 2022-02-15 | 2022-02-15 | 一种人机交互的水体半自动提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202704B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696121A (zh) * | 2020-06-05 | 2020-09-22 | 中国人民解放军火箭军工程设计研究院 | 面状水域提取方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648347A (zh) * | 2019-09-24 | 2020-01-03 | 北京航天宏图信息技术股份有限公司 | 一种基于遥感影像的海岸线提取方法及装置 |
US11907819B2 (en) * | 2019-11-20 | 2024-02-20 | University Of Connecticut | Systems and methods to generate high resolution flood maps in near real time |
CN111862138A (zh) * | 2020-07-21 | 2020-10-30 | 北京吉威空间信息股份有限公司 | 一种遥感影像半自动水体提取方法 |
CN112785710B (zh) * | 2021-01-28 | 2021-12-21 | 湖北省国土测绘院 | Osgb三维模型建筑物快速单体化方法、系统、存储器及设备 |
-
2022
- 2022-02-15 CN CN202210137821.4A patent/CN114202704B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696121A (zh) * | 2020-06-05 | 2020-09-22 | 中国人民解放军火箭军工程设计研究院 | 面状水域提取方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114202704A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN107798326A (zh) | 一种轮廓视觉检测算法 | |
CN109378052A (zh) | 图像标注的预处理方法及系统 | |
CN110533601B (zh) | 一种激光光斑中心位置及轮廓获取方法 | |
CN108197567B (zh) | 用于图像处理的方法、装置和计算机可读介质 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN112308854B (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN116704516B (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN110569774A (zh) | 基于图像处理与模式识别的折线图图像自动数字化方法 | |
CN114202704B (zh) | 一种人机交互的水体半自动提取方法及系统 | |
CN112926694A (zh) | 基于改进的神经网络对图像中的猪只进行自动识别的方法 | |
CN103106663A (zh) | 计算机系统中基于图像处理实现sim卡缺陷检测的方法 | |
CN111444903B (zh) | 漫画气泡内文字定位方法、装置、设备及可读存储介质 | |
CN111062384B (zh) | 一种基于深度学习的车窗精确定位方法 | |
CN110852990B (zh) | 一种基于图像处理的橡胶树斜刀痕检测方法 | |
CN111738936A (zh) | 基于图像处理的多株水稻穗长的测量方法 | |
CN102955944B (zh) | 一种用于人体检测的人体局部特征提取方法 | |
Zuo et al. | Road surface defect detection based on large convolution kernel and YOLOv5 | |
CN118628489A (zh) | 基于机器视觉的包装盒烙封质量检测方法 | |
CN110059540B (zh) | 一种用于散堆抽芯铆钉识别定位的图像处理方法 | |
CN113379725A (zh) | 一种基于深度学习的变电站油计表读数方法 | |
CN117291884A (zh) | 一种光滑表面划痕宽度和密集度的检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |