CN114724048B - 一种高温异常区域的识别方法、装置以及存储介质 - Google Patents

一种高温异常区域的识别方法、装置以及存储介质 Download PDF

Info

Publication number
CN114724048B
CN114724048B CN202210374155.6A CN202210374155A CN114724048B CN 114724048 B CN114724048 B CN 114724048B CN 202210374155 A CN202210374155 A CN 202210374155A CN 114724048 B CN114724048 B CN 114724048B
Authority
CN
China
Prior art keywords
remote sensing
target
image
temperature abnormal
determining
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
Application number
CN202210374155.6A
Other languages
English (en)
Other versions
CN114724048A (zh
Inventor
孙丹峰
张平
孙强强
焦心
张永翔
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 Agricultural University
Original Assignee
China Agricultural University
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 Agricultural University filed Critical China Agricultural University
Priority to CN202210374155.6A priority Critical patent/CN114724048B/zh
Publication of CN114724048A publication Critical patent/CN114724048A/zh
Application granted granted Critical
Publication of CN114724048B publication Critical patent/CN114724048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Radiation Pyrometers (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本申请公开了一种高温异常区域的识别方法、装置以及存储介质，包括：获取目标区域的热红外遥感图像；在热红外遥感图像中检测第一影像区域，其中第一影像区域与目标区域中的高温异常区域对应；获取目标区域的可见光遥感图像；在可见光遥感图像中确定与高温异常区域对应的第二影像区域；以及根据第一影像区域和第二影像区域，确定高温异常区域的类型和属性。

Description

一种高温异常区域的识别方法、装置以及存储介质
技术领域
本申请涉及遥感检测领域，特别是涉及一种高温异常区域的识别方法、装置以及存储介质。
背景技术
面向新常态资源环境可持续管理及国家产业结构调整优化的战略需求，科研人员亟待探索开展基于卫星遥感的放热工业企业宏观生产的关键技术和数据库建设，以期有效支撑和落实国家钢铁去产能任务和常态化的政府监管平台。传统的通过成立实地督导检查组和统计电力部门信息等“自下而上”的方式获取数据需要耗费大量的人力和物力，并且在不同区域和部门间存在较大的数据偏差，特别是对于偏远、不发达区域和小企业的信息获取尤为困难，从而限制了钢铁宏观生产的监测监管以及钢铁企业的日常管理。
基于卫星的遥感检测技术为及时发现、排查、定位和监测工业放热企业生产活动提供了强有力的手段。目前，中粗分辨率卫星MODIS和VIIRS传感器提供了全球范围夜间火点和高温异常产品，通过应用该产品和地理时空检测技术，可以识别并建立稳定持续的工业热源数据集。此外，从企业生产活动的热力学视角出发建立空间高温异常遥感指标也可以对小面积工业企业，特别是工业作坊进行有效监测。
但是，单一的遥感热源检测指标难以实现快速、大尺度覆盖范围的工业热排放时空有效性检测，而现有的全球范围高温异常产品侧重于提供关于生物质燃烧方面的热源信息，较粗的空间分辨率和背景热噪音混淆使得工业高温异常检测准确率存在一定的挑战，且依靠热排放特征难以区别详细多样的工业高温异常类别，无法满足精准化和差异化管理的需求。同时，该种方式未能充分挖掘高分辨率可见光影像提供的工业企业空间结构形态方面的信息表征，对多种类型工业企业空间位置、斑块形状、生产状态、热排放强度等综合信息掌握不足限制了当前政府监管平台基础数据库建设、补充和更新。
针对上述的现有技术中存在的单一的遥感热源检测指标难以实现快速以及大尺度覆盖范围的工业热排放的有效性检测，以及无法区分和识别多种放热企业类型的技术问题，目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种高温异常区域的识别方法、装置以及存储介质，以至少解决现有技术中存在的单一的遥感热源检测指标难以实现快速以及大尺度覆盖范围的工业热排放的有效性检测，以及无法区分和识别多种放热企业类型的技术问题。
根据本公开实施例的一个方面，提供了一种高温异常区域的识别方法，包括：获取目标区域的热红外遥感图像；在热红外遥感图像中检测第一影像区域，其中第一影像区域与目标区域中的高温异常区域对应；获取目标区域的可见光遥感图像；在可见光遥感图像中确定与高温异常区域对应的第二影像区域；以及根据第二影像区域，确定高温异常区域的类型和属性。
根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。
根据本公开实施例的另一个方面，还提供了一种高温异常区域的识别装置，包括：热红外遥感图像获取模块，用于获取目标区域的热红外遥感图像；第一影像区域检测模块，用于在热红外遥感图像中检测第一影像区域，其中第一影像区域与目标区域中的高温异常区域对应；可见光遥感图像获取模块，用于获取目标区域的可见光遥感图像；以及第一确定模块，用于在可见光遥感图像中确定与高温异常区域对应的第二影像区域；以及第二确定模块，用于根据第二影像区域，确定高温异常区域的类型和属性。
根据本公开实施例的另一个方面，还提供了一种高温异常区域的识别装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取目标区域的热红外遥感图像；在热红外遥感图像中检测第一影像区域，其中第一影像区域与目标区域中的高温异常区域对应；获取目标区域的可见光遥感图像；在可见光遥感图像中确定与高温异常区域对应的第二影像区域；以及根据第二影像区域，确定高温异常区域的类型和属性。
在本公开实施例中，主要是获取目标区域的热红外遥感图像，并且在热红外遥感图像中检测第一影像区域。其中，热红外遥感图像中的第一影像区域与目标区域中的高温异常区域对应。然后再获取目标区域的可见光遥感图像，在可见光遥感图像中确定第二影像区域。然后根据第二影像区域确定高温异常区域的类型和属性。从而，通过上述操作达到了能够通过两种不同的技术手段获取目标区域的两种不同的遥感图像，然后通过两种不同的遥感图像能够快速以及大范围的确定高温异常区域的类型和属性的技术效果。进而解决了现有技术中存在的单一的遥感热源检测指标难以实现快速以及大尺度覆盖范围的工业热排放的有效性检测，以及无法区分和识别多种放热企业类型的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图；
图2A是根据本公开实施例1的第一个方面所述的高温异常监测系统的示意图；
图2B是根据本公开实施例求得第一个方面所述的卫星向服务器交互的示意图；
图3是根据本公开实施例1的第一个方面所述的高温异常区域的识别方法的流程示意图；
图4是根据本公开实施例1的第一个方面所述的热红外遥感图像的示意图；
图5A是根据本公开实施例1的第一个方面所述的与目标像元对应的第一组窗口的示意图；
图5B是根据本公开实施例1的第一个方面所述的与目标像元对应的第二组窗口的示意图；
图5C是根据本公开实施例1的第一个方面所述的与目标像元对应的第三组窗口的示意图；
图5D是根据本公开实施例1的第一个方面所述的与目标像元对应的第四组窗口的示意图；
图5E是根据本公开实施例1的第一个方面所述的与目标像元对应的第五组窗口的示意图；
图6是根据本公开实施例1的第一个方面所述的工业企业内部高温区域的三维的高温异常空间的示意图；
图7是根据本公开实施例1的第一个方面所述的工业企业内部高温区域的三维的高温异常空间的俯视图；
图8是根据本公开实施例1的第一个方面所述的工业企业内部高温区域的二维示意图；
图9是根据本公开实施例1的第一个方面所述的像元所表示的温度与该像元距离工业企业内部高温区域的中心像元之间的像元距离的反S型曲线的示意图；
图10是根据了本公开实施例1的第一个方面所述的根据从卫星200获取的遥感图像构建数据库的流程示意图；
图11是根据本公开实施例1的第一个方面所述的根据已有数据库和新提取的工业企业跟新数据库的流程示意图；
图12是根据本公开实施例2的第一个方面所述的高温异常区域的识别方法的模块示意图；以及
图13是根据本公开实施例3的第一个方面所述的高温异常区域的识别方法的装置图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，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，都应当属于本公开保护的范围。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例，提供了一种高温异常区域的分类和识别的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种用于实现高温异常区域的分类和识别的方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口（I/O接口）、通用串行总线（USB）端口（可以作为I/O接口的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。
存储器可用于存储应用软件的软件程序以及模块，如本公开实施例中的高温异常区域的分类和识别的方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的高温异常区域的分类和识别的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算设备可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算设备中的部件的类型。
图2A是根据本实施例所述的高温异常监测系统的示意图。参照图2A所示，该系统包括：卫星200以及与卫星200通信的服务器100。其中，卫星200通过遥感传感器采集所监测区域的遥感图像，并将遥感图像传输至服务器100。服务器100从卫星200获取遥感图像，并且对所接收的遥感图像进行处理，从而对目标区域内的高温异常进行检测。此外，进一步参考图2B所示，卫星200上设置的遥感传感器包括可见光影像传感器210和热红外影像传感器220。其中，可见光影像传感器210采集目标区域的可见光遥感图像；热红外影像传感器220采集目标区域的热红外遥感图像。并且卫星200将可见光影像传感器210和热红外影像传感器220采集的遥感图像传输至服务器100，以便服务器100对目标区域的高温异常进行识别。
需要说明的是，系统中的服务器100可适用上面所述的硬件结构。在上述运行环境下，根据本实施例的第一个方面，提供了一种高温异常区域的检测和识别的方法。该方法由图2A和图2B中所示的服务器100实现。图3示出了该方法的流程示意图，参考图3所示，该方法包括：
S302：获取目标区域的热红外遥感图像；
S304：在热红外遥感图像中检测第一影像区域，其中第一影像区域与目标区域中的高温异常区域对应；
S306：获取目标区域的可见光遥感图像；
S308：在可见光遥感图像中确定与高温异常区域对应的第二影像区域；以及
S310：根据第二影像区域，确定高温异常区域的类型和属性。
具体地，参考图2B所示，为了对高温异常区域进行检测，卫星200分别使用可见光影像传感器210和热红外影像传感器220分别对目标区域进行监测，并将热红外遥感图像和可见光遥感图像传输至服务器100。
首先，服务器100从卫星200获取目标区域的热红外遥感图像（S302）。其中，目标区域可以为包括一组或多组工业企业的区域。热红外遥感图像主要用于表征目标区域的地物信息、地表参数和热排放信息，并且热红外遥感图像中的每个像元都用于指示一个温度值。
然后，服务器100在热红外遥感图像中检测出与目标区域中的高温异常区域对应的第一影像区域（S304）。其中，高温异常区域例如可以对应于异常放热的工业企业，从而服务器100可以根据红外遥感图像中的各个像元确定用于表征目标区域中的高温异常区域的第一影像区域。
然后，服务器100获取目标区域的可见光遥感图像（S306）。例如，服务器100可以从卫星200获取目标区域的可见光遥感图像。其中，本公开技术方案的可见光影像传感器所采集的可见光遥感图像具有高分辨率（例如比热红外遥感图像更高的分辨率）以及能够提供清晰的空间纹理信息的特点，从而可见光遥感图像的特点弥补了热红外遥感图像的不足。并且服务器100能够根据可见光遥感图像清晰地确定目标区域的空间位置信息和类型等属性信息等。
从而，服务器100在获得目标区域的可见光遥感图像之后，在可见光遥感图像中确定与高温异常区域对应的第二影像区域（S308）。例如，当服务器100在热红外遥感图像中检测出第一影像区域后，就能够根据第一影像区域确定目标区域中的高温异常区域。而确定了目标区域中的高温异常区域后，就可以在可见光遥感图像上确定与高温异常区对应的第二影像区域。此时，第一影像区域为包含高温异常区域温度信息的图像，第二影像区域为包含高温异常区域的纹理、结构以及颜色等基本特征信息的图像。
最后，服务器100根据可见光遥感图像中的第二影像区域，确定高温异常区域的类型和属性（S310）。其中，由于可见光遥感图像能够提供高温异常区的纹理信息、结构信息和颜色信息等。因此，服务器100根据可见光遥感图像中的第二影像区域中的纹理信息、结构信息和颜色信息等就能够确定高温异常区域的类型和属性。其中，类型可以表示工业企业放热的热源的类型，属性可以表示工业企业的基本信息。因此，服务器100就能够根据第二影像区域。确定高温异常区域的类型和属性。
正如背景技术中所述的，单一的遥感热源检测指标难以实现快速、大尺度覆盖范围的工业热排放时空有效性检测，而现有的全球范围热异常产品侧重于提供关于生物质燃烧方面的热源信息，较粗的空间分辨率和背景热噪音混淆使得工业热异常检测准确率存在一定的挑战，且依靠热排放特征难以区别详细多样的工业热异常类别，无法满足精准化和差异化管理的需求。同时，该种方式未能充分挖掘高分辨率可见光影像提供的工业企业空间结构形态方面的信息表征，对多种类型工业企业空间位置、斑块形状、生产状态、热排放强度等综合信息掌握不足限制了当前政府监管平台基础数据库建设、补充和更新。
从而，有鉴于此，本公开的技术方案将热红外遥感图像与具有更高分辨率和更高覆盖范围的可见光和热红外遥感图像进行结合，对目标区域的高温异常进行监控。从而本公开的技术方案能够利用热红外遥感图像快速地确定目标区域中的高温异常区域，并且根据可见光遥感图像中与该高温长区域对应的影像区域中的纹理信息、结构信息以及颜色信息能够准确地确定高温异常区域的类型和属性的技术效果。进而解决了现有技术中存在的单一的遥感热源检测指标难以实现快速以及大尺度覆盖范围的工业热排放的有效性检测，以及无法区分和识别多种放热企业类型的技术问题。
可选地，在热红外遥感图像中检测所述第一影像区域的操作，包括：检测热红外遥感图像中的高温异常像元；以及根据高温异常像元确定第一影像区域。
具体地，服务器100所接收的热红外遥感图像包括包括温度正常像元和高温异常像元。其中温度正常像元所对应的温度为正常温度，而高温异常像元所对应的温度为高温异常温度。具体地，图4中示出了热红外遥感图像的示意图，其中标记黑点的像元为高温异常像元，而其他未标记黑点的像元为正常像元。从而服务器100可以根据热红外遥感图像的各个像元对应的温度值检测热红外遥感图像中的高温异常像元。然后服务器100可以根据所检测的高温异常像元，确定与高温异常区域对应的第一影像区域。例如，服务器100可以将高温异常像元彼此连接在一起的影像区域作为第一影像区域。从而，通过上述操作达到了能够根据由热红外遥感图像转化的热红外遥感图像中的高温异常像元，快速确定高温异常区域的温度信息值的技术效果。
可选地，检测高温异常像元的操作，包括：依次将热红外遥感图像中像元确定为待检测的目标像元，以及判定目标像元是否为高温异常像元。
具体地，参见图4所示，服务器100依次遍历热红外遥感图像中的各个像元，分别将各个像元作为目标像元，判定其是否为高温异常像元。例如，服务器100可以逐行遍历图4所示的各个像元，依次将各个像元作为目标像元判定是否为高温异常像元。
可选地，判定目标像元是否为高温异常像元的操作，包括：在热红外遥感图像中，确定与目标像元对应的多组窗口，其中每组窗口包括以目标像元为中心的多个大小不同的窗口，且相邻的窗口之间形成由热红外遥感图像的像元构成的环带；分别确定与各组窗口对应的残差均值方根，其中残差均值方根用于指示所对应的一组窗口中各个环带所表征的环带温度的分散程度；以及将残差均值方根最小的一组窗口作为目标窗口组，并根据目标窗口组判定目标像元是否为高温异常像元。
具体地，在本实施例中，服务器100为了确定一个目标像元是否为高温异常像元，会在热红外遥感图像中确定与该目标像元对应的N组窗口（其中N大于2）。例如在本实施例中，N=5，从而服务器100在热红外遥感图像中确定与目标像元对应的5组窗口。从而，图5A~图5E示出了以目标像元（图中黑色的像元即为目标像元）为中心的各组窗口的示意图。其中设定m j （j=1~N）为各组中窗口的个数。例如，图5A示出了第一组窗口的个数m 1 为5（其中目标像元自身也可以认为是一个窗口）；图5B示出了第二组窗口的个数m 2 为6；图5C示出了第三组窗口的个数m 3 为7；图5D示出了第四组窗口的个数m 4 为8；以及图5E示出了第五组窗口的个数m 5 为9。其中，为了能够准确地确定目标像元是否为高温异常像元，m j 最少不能少于5个。
从而，参考图5A~图5E所示，对于每一个窗口组，各个窗口的大小分别为
Figure 266079DEST_PATH_IMAGE002
（i=1,2,...,m j ）。例如，第一组中各个窗口的大小依次为：1个像元、3个像元、5个像元、7个 像元以及9个像元。第二组中各个窗口的大小依次为：1个像元、3个像元、5个像元、7个像元、 9个像元以及11个像元。第三组中各个窗口的大小依次为：1个像元、3个像元、5个像元、7个 像元、9个像元、11个像元以及13个像元。第四组中各个窗口的大小依次为：1个像元、3个像 元、5个像元、7个像元、9个像元、11个像元、13个像元以及15个像元。第五组中各个窗口的大 小依次为：1个像元、3个像元、5个像元、7个像元、9个像元、11个像元、13个像元、15个像元以 及17个像元。
并且参考图5A~图5E所示，每一组窗口中，不同大小的窗口之间形成环带
Figure 979957DEST_PATH_IMAGE004
， 即每一组中环带的数量也为m j （其中，目标像元可以独自看作是一个环带）。其中，图5A示例 性地示出了第一组中各个窗口之间形成的环带C 1 ~C 5 的示意图。此外，图5B~图5E中各个组内 的环带也参考图5A所示，此处不再赘述。
然后，以图5A中所示的第一组窗口为例，根据下面的公式计算各个环带C 1 ~C 5 的环带平均温度T 1 ~T 5 ：
Figure 572744DEST_PATH_IMAGE006
其中，
Figure 577740DEST_PATH_IMAGE008
为第i个环带的环带平均温度。P i 为第i个环带内的像元个数，其中
Figure 985588DEST_PATH_IMAGE010
，并且P 1 =1。T p 为第i个环带内的第p个像元所表示的温度。
然后，在计算出各个环带的平均温度T 1 ~T 5 ，可以根据以下公式计算第一组窗口所对应的残差均方根（RMSE）：
Figure 886679DEST_PATH_IMAGE012
其中对于附图5A所示的第一组窗口，j=1，并且m 1=5。
Figure 232340DEST_PATH_IMAGE014
为各个环带C i 的环带平均温 度T i 的平均值，即
Figure 41028DEST_PATH_IMAGE016
从而根据以上所述的公式（2）和公式（3）计算得到与附图5A所示的第一组窗口所对应的残差均方根（RMSE）。
然后，服务器100按照上述的方法，分别计算图5B~图5E所示出的各组窗口对应的残差均方根。并且选择残差均方根最小的一组窗口设为目标窗口组，并根据目标窗口组判定目标像元是否为高温异常像元。
工业企业放热形成的局部热扩散通常存在一定的尺度大小差异，因此，仅依靠于固定的滑动窗口进行热异常检测难以满足热扩散多尺度的空间异质性特征，导致小面积、低放热企业的漏检和其他热源噪音的误检。有鉴于此，根据本公开的技术方案，针对每个目标像元分别设置相应的不同大小的多组窗口。并且，将残差均方根最小的一组窗口作为目标窗口组，从而根据目标窗口组来判定目标像元是否为高温异常像元。由于残差均方根体现出了以目标像元为中心的各个环带的平均温度的集中程度，因此残差均方根越小，则意味该组窗口更适应于地面企业放热区域的大小，从而更加适于判定目标像元是否为高温异常像元。从而本公开通过自适应地选择合适大小的窗口来对目标像元进行判定，能够避免出现对小面积、低放热企业的漏检和其他热源噪音的误检。
可选地，根据目标窗口组判定目标像元是否为高温异常像元的操作，包括：构建与目标窗口组对应的反S型曲线，并利用目标窗口组的各个环带的环带平均温度以及各个环带与目标像元之间的像元距离对反S型曲线进行拟合；构建反S型曲线，并利用与各个环带对应环带平均温度以及像元距离对反S型曲线进行拟合；根据拟合的反S型曲线的参数，确定与目标像元对应的高温异常指数，并根据高温异常指数确定目标像元是否为高温异常像元。
具体地，例如图5A所示的第一组窗口为残差均值方根最小的目标窗口组（当然，当其他组窗口为目标窗口组时，也适用于以下所述的方法）。
首先，服务器100构建与目标窗口组对应的反S型曲线模型。具体地，服务器100设定各个环带C i 的半径r i 。其中，环带的半径r i 例如可以通过求取相应的环带C i 的各个像元与目标像元之间的像元距离的平均值来确定。然后服务器100构建环带的半径r i 与环带平均温度T i 的反S型曲线方程，方程可表示为：
Figure 303382DEST_PATH_IMAGE018
其中，a，b，c和d是反S型曲线的参数，并且a表示热红外遥感图像的温度差，b表示热红外遥感图像的温度聚集度。
然后，服务器100根据各个环带C i 的环带平均温度T i 以及半径r i ，利用非线性最小二乘拟合算法对该反S型曲线进行拟合，获取对反S型曲线拟合后的参数。其中，b还能表示该反S型曲线温度空间聚集度参数。因此，该反S曲线能够使用a和b共同确定当前窗口的中心点是否为高温异常点。具体地，服务器100可以根据参数a和b的值，计算目标像元的高温异常指数（HAI）：
Figure 629234DEST_PATH_IMAGE020
（5）
表示。其中，μ和η均是由样本训练得到的阈值，a表示热红外遥感图像的温度差，b表示热红外遥感图像的温度聚集度。
在a＞μ并且b＜η的情况下，高温异常指数为1，则说明此时窗口内的像元为高温异常像元；在a≤μ或b≥η的情况下，高温异常指数为0，则说明此时窗口内的像元不为高温异常像元。
从而在本实施例的技术方案中，服务器100对热红外遥感图像进行遍历，根据上面所述的方法逐个像元地计算相应的高温异常指数，并根据计算的高温异常指数判定该像元是否为高温异常像元。当然，对于热红外遥感图像边缘附近的像元，由于无法通过设置窗口的方式来判定，因此可以根据该像元表示的温度值是否大于预定阈值来判定其是否为高温异常像元。
具体地，通过实验数据的分析，发明人发现工业企业内部温度从中心的高值点到背景区呈现逐渐下降的梯度，因此企业内部形成了三维的温度异常空间。图6是根据本公开实施例1的第一个方面所述的三维的高温异常空间的示意图，图7是根据本公开实施例1的第一个方面所述的工业企业内部高温区域的三维的高温异常空间的俯视图，图8是根据本公开实施例1的第一个方面所述的设置有若干个窗口的热红外遥感图像示意图，图9是根据本公开实施例1的第一个方面所述的环带平均温度与像元距离的反S型曲线的示意图。参考图6、图7和图8和图9所示，在该空间中，通过中心点的剖面的一半可以视为反S曲线。其中，图6、图7和图9中，x为从像元点距离中心的高值点之间的像元距离，T为该像元点所表示的温度。
从而，本实施例中，通过根据与目标窗口组的各个环带的环带平均温度以及半径对反S型曲线进行拟合，并利用拟合得到的反S型曲线的参数来判定目标像元是否为异常像元，从而能够更加准确地对高温异常像元进行检测，避免了错检或者漏检现象的发生。
可选地，根据高温异常像元确定第一影像区域的操作，包括：在热红外遥感图像中确定由多个相邻的高温异常像元构成的第三影像区域；获取与工业企业相关的地理信息；以及根据地理信息以及第三影像区域确定第一影像区域。
具体地，服务器100在确定热红外遥感图像中的高温异常像元之后，可以将彼此邻接的高温异常像元进行连接，并得到高温异常图斑（即第三影像区域）。此外，优选地，服务器100可以将热红外图像中，像元数低于3个的图斑噪音去除，从而获得去除噪音后的高温异常图斑。
具体地，服务器100例如可以以百度地图或者高德地图为基础，获取全国范围内所有工业企业地理坐标感兴趣点（POI），和/或，服务器100还可以从其他途径获取已有企业的数据图斑（即获取与工业企业相关的地理信息）。
然后，服务器100将所得到的的高温异常图斑与所获取的工业企业地理坐标感兴趣点和/或已有企业的数据图斑进行叠加分析，得到用于表征工业热源的第一影像区域，作为工业热源的候选集合。
从而通过这种方式所确定的第一影像区域，能够准确地表征工业热源的热排放信息，从而便于对工业企业的热排放进行检测。
可选地，在所述可见光遥感图像中确定与所述高温异常区域对应的第二影像区域的操作，包括：根据所述可见光遥感图像中的纹理信息、结构信息以及颜色信息，结合所述第一影像区域，确定所述第二影像区域的纹理信息、结构信息以及颜色信息。
具体地，高分辨率的可见光遥感图像可以提供不同工业类别的详细空间结构和解译标志，从而提供各个工业企业的纹理信息、结构信息以及颜色信息。因此，服务器100可以从工业热源的候选集合中的每个工业热异常图斑（即第一影像区域）的地理坐标大数据的属性为基础，辅以高分辨率的可见光遥感图像提供的纹理信息、结构信息和/或颜色信息，从而确定作为工业热源的工业企业的边界信息、纹理信息、结构信息和/或颜色信息。进而可以对该工业企业的类型和属性进行更加准确地分析。
可选地，根据所述第二影像区域，确定所述高温异常区域的类型和属性的操作，包括：根据所述第二影像区域的边界信息、纹理信息、结构信息和/或颜色信息，确定所述高温异常区域的类型和属性。
从而服务器100在获取了与工业热源对应的工业企业的边界信息、纹理信息、结构信息和/或颜色信息后，可以进一步根据该信息确定该工业企业的类型和属性。
可选地，方法还包括：根据高温异常区域的类型和属性，构建数据库，其中数据库为存储有多个工业企业样本的集合。
具体地，由于高温异常区域实质上指的是包含高温异常的工业企业的区域，因此在根据第二影像区域确定完高温异常区域的类型和属性后，可以根据类型和属性构建工业企业的数据库。并且其中，数据库是包含多个工业企业样本的集合。综合了工业企业的POI数据、高分辨率的工业企业空间结构形态特征以及热红外遥感图像提供的热量反演信息后，就能够建立包含多种类型的工业企业的基础数据库，并且能够为数据库的实时更新做准备。
并且其中，构建数据库的主要方式就是ArcGIS—ArcCatalog地理空间数据库的结构化集成。数据库主要包含：1. 以WGS84为地理坐标的空间矢量特征集合；2. 针对从高分辨率影像矢量化采集的多种工业企业子类矢量数据，进行矢量斑块属性的赋值。主要包含对象有ID，企业名称、企业类型、地理坐标系和企业地理位置等。这些属性特征均以属性表的形式进行存储，并且按照国家统计局分类标准中的二级分类体系进行组织。
从而，通过上述操作达到了能够通过构建数据库，对工业企业数据进行整理及监测的技术效果。
其中，图10示出了根据从卫星200获取的遥感图像构建数据库的流程示意图。参考图10所示：将已有的工业企业的数据图斑、高温异常区的图斑和地理空间大数据（例如，由高德地图或百度地图等提供的数据）叠加分析，并根据叠加分析得出的结果对高温异常区域进行筛选。对高温异常区域进行筛选的结果分为：其它热源和工业企业热源。将高温异常区域中的其它热源剔除，仅留下工业企业热源。与此同时，通过可见光遥感影像得出高温异常区域的纹理信息、结构信息和颜色信息等属性信息。并利用高分辨率可见光影像提供的明确的空间位置、边界范围和形状大小将提取出的工业企业矢量化。再根据可见光遥感图像、地理空间大数据和工业企业目视矢量化共同构建数据库。其中，数据库是存储有多个工业企业样本的集合。
可选地，还包括：判定高温异常区域中的工业企业是否为未在数据库中的工业企业；在工业企业为在数据库中的工业企业的情况下，判定高温异常区域是否与数据库中的工业企业的矢量边界吻合；以及根据判定结果，更新已有的数据库。
具体地，图11是根据本公开实施例1的第一个方面所述的根据已有数据库和新提取的工业企业跟新数据库的流程示意图。参考图11所示，工业企业数据库的动态更新，可以利用下一季度/年份的高温异常区检测图像与已有数据库进行叠加分析。进行叠加分析后，可能会出现三种情况。
第一种情况：若高温异常区域中的工业企业不在工业企业数据库内，则为新增的工业企业。对该工业企业在高分辨率可见光影像中进一步验证和提取，并将其加入已有的数据库中实现数据库的动态更新。
第二种情况：若高温异常区域中的工业企业在工业企业数据库内，则需要进一步判定高温异常区域是否与数据库中的工业企业的矢量边界是否吻合。
可选地，在工业企业为数据库中的工业企业的情况下，判定高温异常区域是否与数据库中的工业企业的矢量边界吻合的操作包括：在高温异常区域与数据库中的工业企业的矢量边界吻合的情况下，则表示高温异常区域中的工业企业处于生产状态，并将高温异常区域中的带有“生产状态”标签的所述工业企业存储到数据库中；以及在高温异常区域与数据库中的工业企业的矢量边界不吻合的情况下，则表示高温异常区域中的工业企业的内部结构发生变化，对高温异常区域中的工业企业进行标注，并将高温异常区域中的工业企业存储到数据库中。
具体地，在第二种情况中，还需要进一步判定高温异常区域是否与数据库中的工业企业的矢量边界是否吻合。
若高温异常区域与数据库中的工业企业的矢量边界吻合，则表示高温异常区域中的工业企业处于“在生产状态”，并将属性为“在生产状态”的工业企业存储到数据库中。
若高温异常区域与数据库中的工业企业的矢量边界不吻合，则需要进一步结合高分辨率可见光影像和实地调研确定该工业企业的内部结构是否发生本质变化（例如，拆除或停产等），若该工业企业的内部结构发生了本质变化，则需要对该工业企业进行标注，并将该标注有该属性的工业企业存储到数据库中。
在本公开实施例中，主要是获取目标区域的热红外遥感图像，并且在热红外遥感图像中检测第一影像区域。然后再获取目标区域的可见光遥感图像，在可见光遥感图像中确定第二影像区域。然后根据第二影像区域确定高温异常区域的类型和属性。从而，通过上述操作达到了能够通过两种不同的技术手段获取目标区域的两种不同的遥感图像，然后通过两种不同的遥感图像能够快速以及大范围的确定高温异常区域的类型和属性的技术效果。进而解决了现有技术中存在的单一的遥感热源检测指标难以实现快速以及大尺度覆盖范围的工业热排放的有效性检测的技术问题。
此外，参考图1所示，根据本实施例的第三个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。
从而，通过上述操作达到了能够通过两种不同的技术手段获取目标区域的两种不同的遥感图像，然后通过两种不同的遥感图像能够快速以及大范围的确定高温异常区域的类型和属性的技术效果。进而解决了现有技术中存在的单一的遥感热源检测指标难以实现快速以及大尺度覆盖范围的工业热排放的有效性检测的技术问题。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
实施例2
图12示出了根据本实施例的第一个方面所述的高温异常区域的识别的装置120，该装置120与根据实施例1的第一个方面所述的方法相对应。参考图12所示，该装置120包括：热红外遥感图像获取模块121，用于获取目标区域的热红外遥感图像；第一影像区域检测模块122，用于在热红外遥感图像中检测第一影像区域，其中第一影像区域与目标区域中的高温异常区域对应；可见光遥感图像获取模块123，用于获取目标区域的可见光遥感图像；第一确定模块124，用于在可见光遥感图像中确定与高温异常区域对应的第二影像区域；以及第二确定模块125，用于根据第二影像区域，确定高温异常区域的类型和属性。
可选地，高温异常像元检测模块，用于检测热红外遥感图像中的高温异常像元；以及第三确定模块，用于根据高温异常像元确定所述第一影像区域。
可选地，检测所述高温异常像元的操作，包括：第四确定模块，用于依次将热红外遥感图像中像元确定为待检测的目标像元；以及目标像元判定模块，用于判定目标像元是否为高温异常像元。
可选地，判定所述目标像元是否为高温异常像元的操作，包括：第五确定模块，用于在热红外遥感图像中，确定与目标像元对应的多组窗口，其中每组窗口包括以目标像元为中心的多个大小不同的窗口，且相邻的窗口之间形成由热红外遥感图像的像元构成的环带；第六确定模块，用于分别确定与各组窗口对应的残差均值方根，其中残差均值方根用于指示所对应的一组窗口中各个环带所表征的环带温度的分散程度；以及目标窗口组定义模块，用于将残差均值方根最小的一组窗口作为目标窗口组，并根据目标窗口组判定目标像元是否为高温异常像元
可选地，根据残差均值方根最小的一组窗口，判定所述目标像元是否为高温异常像元的操作，包括：第七确定模块，用于确定目标窗口组的各个环带的环带平均温度，以及各个环带的像元与目标像元之间的像元距离，其中环带平均温度为环带内的像元所表示的温度的平均值；反S型曲线构建模块，用于构建反S型曲线，并利用与各个环带对应环带平均温度以及像元距离对反S型曲线进行拟合；以及第八确定模块，用于根据拟合的所述反S型曲线的参数，确定与所述目标像元对应的高温异常指数，并根据所述高温异常指数确定所述目标像元是否为高温异常像元。
可选地，数据库构建模块，用于根据高温异常区域的类型和属性，构建数据库，其中数据库为存储有多个工业企业样本的集合。
可选地，工业企业判定模块，用于判定高温异常区域中的工业企业是否为未在数据库中的工业企业；叠加分析模块，用于在工业企业为未在数据库中的工业企业的情况下，将未进入数据库的工业企业和已有的数据库进行叠加分析；以及数据库更新模块，用于根据叠加分析的结果，更新已有的数据库。
从而，通过上述操作达到了能够通过两种不同的技术手段获取目标区域的两种不同的遥感图像，然后通过两种不同的遥感图像能够快速以及大范围的确定高温异常区域的类型和属性的技术效果。进而解决了现有技术中存在的单一的遥感热源检测指标难以实现快速以及大尺度覆盖范围的工业热排放的有效性检测的技术问题。
实施例3
图13示出了根据本实施例的第一个方面所述的高温异常区域的识别的装置130，该装置130与根据实施例1的第一个方面所述的方法相对应。参考图13所示，该装置130包括：处理器131；以及存储器132，与处理器131连接，用于为处理器131提供处理以下处理步骤的指令：获取目标区域的热红外遥感图像；在热红外遥感图像中检测第一影像区域，其中第一影像区域与目标区域中的高温异常区域对应；获取目标区域的可见光遥感图像；在可见光遥感图像中确定与高温异常区域对应的第二影像区域；以及根据第二影像区域，确定高温异常区域的类型和属性。
从而，通过上述操作达到了能够通过两种不同的技术手段获取目标区域的两种不同的遥感图像，然后通过两种不同的遥感图像能够快速以及大范围的确定高温异常区域的类型和属性的技术效果。进而解决了现有技术中存在的单一的遥感热源检测指标难以实现快速以及大尺度覆盖范围的工业热排放的有效性检测的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种高温异常区域的识别方法，其特征在于，包括：
获取目标区域的热红外遥感图像；
在所述热红外遥感图像中检测第一影像区域，其中所述第一影像区域与所述目标区域中的高温异常区域对应；
在所述热红外遥感图像中检测所述第一影像区域的操作，包括：
检测所述热红外遥感图像中的高温异常像元；
根据所述高温异常像元确定所述第一影像区域；
检测所述热红外遥感图像中的高温异常像元的操作，包括：依次将所述热红外遥感图像中的像元确定为待检测的目标像元；以及判定所述目标像元是否为高温异常像元；
判定所述目标像元是否为高温异常像元的操作，包括：
在所述热红外遥感图像中，确定与所述目标像元对应的多组窗口，其中每组窗口包括以所述目标像元为中心的多个大小不同的窗口，且相邻的窗口之间形成由热红外遥感图像的像元构成的环带；
分别确定与各组窗口对应的残差均值方根，其中所述残差均值方根用于指示所对应的一组窗口中各个环带所表征的环带温度的分散程度；以及
将残差均值方根最小的一组窗口作为目标窗口组，并根据所述目标窗口组判定所述目标像元是否为高温异常像元；
根据所述目标窗口组判定所述目标像元是否为高温异常像元的操作，包括：
构建与所述目标窗口组对应的反S型曲线，并利用所述目标窗口组的各个环带的环带平均温度以及所述各个环带与所述目标像元之间的像元距离对所述反S型曲线进行拟合；以及
根据拟合的所述反S型曲线的参数，确定与所述目标像元对应的热异常指数，并根据所述热异常指数确定所述目标像元是否为高温异常像元；
获取所述目标区域的可见光遥感图像；
在所述可见光遥感图像中确定与所述高温异常区域对应的第二影像区域；以及
根据所述第二影像区域，确定所述高温异常区域的类型和属性。
2.根据权利要求1所述的方法，其特征在于，根据所述高温异常像元确定所述第一影像区域的操作，包括：
在所述热红外遥感图像中确定由多个相邻的高温异常像元构成的第三影像区域；
获取与工业企业相关的地理信息；以及
根据所述地理信息以及所述第三影像区域确定所述第一影像区域。
3.根据权利要求1所述的方法，其特征在于，在所述可见光遥感图像中确定与所述高温异常区域对应的第二影像区域的操作，包括：
根据所述可见光遥感图像中的纹理信息、结构信息和/或颜色信息，结合所述第一影像区域，确定所述第二影像区域的边界信息、纹理信息、结构信息和/或颜色信息；以及
根据所述第二影像区域，确定所述高温异常区域的类型和属性的操作，包括：根据所述第二影像区域的边界信息、纹理信息、结构信息和/或颜色信息，确定所述高温异常区域的类型和属性。
4.根据权利要求3所述的方法，其特征在于，还包括：
根据所述高温异常区域的类型和属性，构建数据库，其中所述数据库为存储有多个工业企业样本的集合。
5.根据权利要求4所述的方法，其特征在于，还包括：
判定所述高温异常区域中的所述工业企业是否存在于所述数据库中；
在所述数据库中不存在所述工业企业的情况下，将所述工业企业存储进所述数据库；
在所述数据库中存在所述工业企业的情况下，判定所述高温异常区域是否与所述数据库中的工业企业的矢量边界吻合；
在所述数据库存在所述工业企业的情况下，判定所述高温异常区域是否与所述数据库中的工业企业的矢量边界吻合的操作包括：
在所述高温异常区域与所述数据库中的工业企业的矢量边界吻合的情况下，则表示所述高温异常区域中的所述工业企业处于生产状态，并将所述高温异常区域中的带有“生产状态”标签的所述工业企业存储到所述数据库中；以及
在所述高温异常区域与所述数据库中的工业企业的矢量边界不吻合的情况下，则表示所述高温异常区域中的所述工业企业的内部结构发生变化，对所述高温异常区域中的所述工业企业进行标注，并将所述高温异常区域中的所述工业企业存储到所述数据库中。
6.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至5中任意一项所述的方法。
7.一种高温异常区域的识别装置，其特征在于，包括：
热红外遥感图像获取模块，用于获取目标区域的热红外遥感图像；
第一影像区域检测模块，用于在所述热红外遥感图像中检测第一影像区域，其中所述第一影像区域与所述目标区域中的高温异常区域对应；
在所述热红外遥感图像中检测所述第一影像区域的操作，包括：
检测所述热红外遥感图像中的高温异常像元；
根据所述高温异常像元确定所述第一影像区域；
检测所述热红外遥感图像中的高温异常像元的操作，包括：依次将所述热红外遥感图像中的像元确定为待检测的目标像元；以及判定所述目标像元是否为高温异常像元；
判定所述目标像元是否为高温异常像元的操作，包括：
在所述热红外遥感图像中，确定与所述目标像元对应的多组窗口，其中每组窗口包括以所述目标像元为中心的多个大小不同的窗口，且相邻的窗口之间形成由热红外遥感图像的像元构成的环带；
分别确定与各组窗口对应的残差均值方根，其中所述残差均值方根用于指示所对应的一组窗口中各个环带所表征的环带温度的分散程度；以及
将残差均值方根最小的一组窗口作为目标窗口组，并根据所述目标窗口组判定所述目标像元是否为高温异常像元；
根据所述目标窗口组判定所述目标像元是否为高温异常像元的操作，包括：
构建与所述目标窗口组对应的反S型曲线，并利用所述目标窗口组的各个环带的环带平均温度以及所述各个环带与所述目标像元之间的像元距离对所述反S型曲线进行拟合；以及
根据拟合的所述反S型曲线的参数，确定与所述目标像元对应的热异常指数，并根据所述热异常指数确定所述目标像元是否为高温异常像元；
可见光遥感图像获取模块，用于获取所述目标区域的可见光遥感图像；以及
第一确定模块，用于在所述可见光遥感图像中确定与所述高温异常区域对应的第二影像区域；以及
第二确定模块，用于根据所述第二影像区域，确定所述高温异常区域的类型和属性。
8.一种高温异常区域的识别装置，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
获取目标区域的热红外遥感图像；
在所述热红外遥感图像中检测第一影像区域，其中所述第一影像区域与所述目标区域中的高温异常区域对应；
在所述热红外遥感图像中检测所述第一影像区域的操作，包括：
检测所述热红外遥感图像中的高温异常像元；
根据所述高温异常像元确定所述第一影像区域；
检测所述热红外遥感图像中的高温异常像元的操作，包括：依次将所述热红外遥感图像中的像元确定为待检测的目标像元；以及判定所述目标像元是否为高温异常像元；
判定所述目标像元是否为高温异常像元的操作，包括：
在所述热红外遥感图像中，确定与所述目标像元对应的多组窗口，其中每组窗口包括以所述目标像元为中心的多个大小不同的窗口，且相邻的窗口之间形成由热红外遥感图像的像元构成的环带；
分别确定与各组窗口对应的残差均值方根，其中所述残差均值方根用于指示所对应的一组窗口中各个环带所表征的环带温度的分散程度；以及
将残差均值方根最小的一组窗口作为目标窗口组，并根据所述目标窗口组判定所述目标像元是否为高温异常像元；
根据所述目标窗口组判定所述目标像元是否为高温异常像元的操作，包括：
构建与所述目标窗口组对应的反S型曲线，并利用所述目标窗口组的各个环带的环带平均温度以及所述各个环带与所述目标像元之间的像元距离对所述反S型曲线进行拟合；以及
根据拟合的所述反S型曲线的参数，确定与所述目标像元对应的热异常指数，并根据所述热异常指数确定所述目标像元是否为高温异常像元；
获取所述目标区域的可见光遥感图像；
在所述可见光遥感图像中确定与所述高温异常区域对应的第二影像区域；以及
根据所述第二影像区域，确定所述高温异常区域的类型和属性。
CN202210374155.6A 2022-04-11 2022-04-11 一种高温异常区域的识别方法、装置以及存储介质 Active CN114724048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210374155.6A CN114724048B (zh) 2022-04-11 2022-04-11 一种高温异常区域的识别方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210374155.6A CN114724048B (zh) 2022-04-11 2022-04-11 一种高温异常区域的识别方法、装置以及存储介质

Publications (2)

Publication Number Publication Date
CN114724048A CN114724048A (zh) 2022-07-08
CN114724048B true CN114724048B (zh) 2023-07-07

Family

ID=82243623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210374155.6A Active CN114724048B (zh) 2022-04-11 2022-04-11 一种高温异常区域的识别方法、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN114724048B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027520A (zh) * 2019-12-27 2020-04-17 广东电网有限责任公司电力科学研究院 一种山火火点判识方法、装置和设备
CN111428600A (zh) * 2020-03-17 2020-07-17 北京都是科技有限公司 吸烟检测方法、系统、装置及热红外图像处理器
CN112418133A (zh) * 2020-12-01 2021-02-26 四川航天神坤科技有限公司 一种基于多源遥感影像的秸秆焚烧监测方法
CN113343945A (zh) * 2021-08-02 2021-09-03 航天宏图信息技术股份有限公司 水体识别方法、装置、电子设备及存储介质
CN114219847A (zh) * 2022-02-18 2022-03-22 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794437B (zh) * 2010-03-19 2012-01-11 武汉大学 一种高光谱遥感影像异常探测方法
CN102798470B (zh) * 2012-08-14 2015-04-22 中国神华能源股份有限公司 矿区热异常范围的监测方法及装置
CN103760619A (zh) * 2014-01-07 2014-04-30 中国神华能源股份有限公司 煤田火区的监测方法和装置
US10740898B2 (en) * 2015-06-29 2020-08-11 Quantum IR Technologies, LLC Methods and systems for hotspot detection
CN109101955A (zh) * 2018-09-12 2018-12-28 北京英视睿达科技有限公司 基于多源卫星遥感数据的工业热异常区域识别方法
CN111487199B (zh) * 2020-04-23 2022-12-20 中国科学院空天信息创新研究院 一种基于工业生产活动特征的钢铁厂遥感提取方法
CN113033381B (zh) * 2021-03-23 2021-09-10 生态环境部卫星环境应用中心 基于遥感数据的矿山和固废填埋场自动提取方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027520A (zh) * 2019-12-27 2020-04-17 广东电网有限责任公司电力科学研究院 一种山火火点判识方法、装置和设备
CN111428600A (zh) * 2020-03-17 2020-07-17 北京都是科技有限公司 吸烟检测方法、系统、装置及热红外图像处理器
CN112418133A (zh) * 2020-12-01 2021-02-26 四川航天神坤科技有限公司 一种基于多源遥感影像的秸秆焚烧监测方法
CN113343945A (zh) * 2021-08-02 2021-09-03 航天宏图信息技术股份有限公司 水体识别方法、装置、电子设备及存储介质
CN114219847A (zh) * 2022-02-18 2022-03-22 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质

Also Published As

Publication number Publication date
CN114724048A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Hofmann et al. Quantifying the robustness of fuzzy rule sets in object-based image analysis
Escobar-Wolf et al. Unmanned aerial vehicle (UAV)-based assessment of concrete bridge deck delamination using thermal and visible camera sensors: A preliminary analysis
CN113115225B (zh) 基于危险源监测与人员定位的电子围栏区域生成系统
US20130066592A1 (en) Method and system for evaluating the resemblance of a query object to reference objects
US20150243014A1 (en) Culture medium information registration system, colony detection device, program and sanitary management system
US20210248167A1 (en) System and method for generating data visualization and object detection
US11935378B2 (en) Intrusion detection methods and devices
CN111274934A (zh) 在仓储管理中智能监控叉车运行轨迹的实现方法和系统
CN114511784A (zh) 环境监测预警方法、装置、设备及存储介质
CN113727214A (zh) 大气污染的巡查方法、装置、设备及存储介质
CA3207512A1 (en) Detecting changes in forest composition
CN110910379B (zh) 一种残缺检测方法及装置
CN110321528B (zh) 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法
Chang et al. Safety risk assessment of electric power operation site based on variable precision rough set
CN117237925B (zh) 一种基于计算机视觉的智慧道路病害巡检方法及系统
CN114724048B (zh) 一种高温异常区域的识别方法、装置以及存储介质
Vogt Quantifying landscape fragmentation
CN109961073A (zh) 一种输电线路及杆塔信息的获取方法及装置
Liu et al. Intelligent monitoring method of tridimensional storage system based on deep learning
Busch et al. Automated verification of a topographic reference dataset: System design and practical results
CN111814764B (zh) 一种遗撒物确定系统
KR102011775B1 (ko) 공장 생산안정성 평가 방법, 이를 이용하는 서버 및 시스템
Yang et al. Geographical big data and data mining: A new opportunity for “water-energy-food” nexus analysis
Syrris et al. On the assessment of automatically processing HR/VHR imagery using low-resolution global reference data
Auccahuasi et al. Methodology for Monitoring Lagoon Dimensions by Means of Fractal Dimension Analysis

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