CN114936992B - 一种遥感影像可用域的建立方法 - Google Patents
一种遥感影像可用域的建立方法 Download PDFInfo
- Publication number
- CN114936992B CN114936992B CN202210875464.1A CN202210875464A CN114936992B CN 114936992 B CN114936992 B CN 114936992B CN 202210875464 A CN202210875464 A CN 202210875464A CN 114936992 B CN114936992 B CN 114936992B
- Authority
- CN
- China
- Prior art keywords
- area
- region
- available
- available domain
- remote sensing
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Abstract
本发明属于遥感图像处理和分析技术领域,公开了一种遥感影像可用域的建立方法。本发明质量检测算法从遥感影像中提取出第一问题区域,并对第一区域进行是否可修复判定,将不可修复第一问题区域确定为第二问题区域,并对第二问题区域取并集,得到第三问题区域,获取遥感影像中第三问题区域以外的区域,作为第一可用域,对所述第一可用域进行形态学迭代处理,直至达到迭代停止条件,得到第二可用域。本方法通过质量检测算法和形态学算法,从遥感影像中筛选出可用性较高的区域作为可用域,在一定程度解决了存在问题区域和几何特征点选取异常区域的遥感影像存在浪费信息通道和存储空间的问题。
Description
技术领域
本发明涉及遥感图像处理和分析技术领域,具体涉及一种遥感影像可用域的建立方法。
背景技术
随着航天科技技术的日益发展,人们获取更加丰富的空间信息,产生了海量规模的各级遥感影像数据。
在遥感影像采集过程中,由于传感器结构的缺陷或者成像方式的影响,采集到的遥感影像常常会出现问题区域。其原因有:(1)传感器本身的缺陷导致坏像素;(2)由于地物的成像光线受到其他物体的阻挡而无法在像片或传感器上成像。问题区域很难反映地面的真实情况,使后续的目标识别、图像分类和地面信息提取精度下降,甚至造成错误结果,严重影响遥感影像的可用性。
遥感影像的几何校正是遥感信息处理过程中的一个极其重要的环节,他的重要性体现在以下两个方面:(1)原始遥感影像存在几何畸变,为了消除这种畸变需要对原始遥感影像进行几何校正;(2)由于遥感影像的传感方式、光谱范围和成像时间的差异性,在变化监测或其他应用处理时,必须保持不同影像的几何一致性,需要进行图像间的几何配准。通常利用地面特征点对各种因素引起的遥感影像几何畸变进行校正,因此特征点选取异常会影响几何校正精度,进而影响遥感影像的可用性。
问题区域和特征点选取异常等问题的存在,会直接影响遥感影像的后续应用,同时,存在问题区域和特征点选取异常等问题的遥感影像还会占据信息通道和存储空间,浪费信道和地面设备资源。但是问题区域和特征点选取异常等问题往往是局部存在的,直接将存在局部问题的问题影像整景弃用会造成巨大的信息浪费。因此,如何在影像中除去局部受损数据,筛选出局部正常数据进行储存,是亟待解决的技术问题。
发明内容
本发明提供一种遥感影像可用域的建立方法,通过质量检测算法和形态学算法,从遥感影像中筛选出可用性较高的区域作为可用域,在一定程度解决了存在问题区域和几何特征点选取异常区域的遥感影像存在浪费信息通道和存储空间的问题。本方法包括:
S1获取遥感影像,基于质量检测算法对遥感影像进行判定,得到第一问题区域;
S2根据第一问题区域是否可修复将第一问题区域划分为可修复区域和不可修复区域,将不可修复区域确定为第二问题区域,并对第二问题区域取并集,得到第三问题区域,获取遥感影像中第三问题区域以外的区域,作为第一可用域;
S3对所述第一可用域进行形态学迭代处理,直至达到迭代停止条件,得到第二可用域。
进一步地,所述方法还包括:
S4基于第一约束和第二约束对第二可用域进行约束,得到第三可用域;
S41基于第一约束将第二可用域划分为第一区域和第二区域,将第一区域归入第三可用域;
S42基于第二约束将第二区域划分为第三区域和第四区域,将第三区域归入第三可用域。
进一步地,步骤S3包括:
S31对第一可用域进行形态学迭代处理,将第i次迭代结果定义为形态学区域Li;
S32统计遥感影像中形态学区域Li中影像块的总数量ni,并计算遥感影像中形态学区域Li中影像块的总面积ai;
S33计算得到面积变化率(ai+1-ai)/ai和数量变化率(ni+1-ni)/ni,并设置面积阈值和数量阈值;
S34当达到迭代停止条件,停止形态学迭代处理,得到第二可用域,其中,迭代停止条件为面积变化率小于面积阈值且数量变化率小于数量阈值。
进一步地,所述第一约束为面积约束,步骤S41包括:
S411获取第二可用域中每个影像块的面积;
S412获取第一阈值,第一阈值根据第二可用域中影像块的总面积和第二可用域中影像块的总数量之比、第二可用域中影像块的最小面积和第二可用域中影像块的总面积之比计算得到;
S413将第二可用域中面积大于第一阈值的影像块划分到第一区域;将第二可用域中面积小于第一阈值的影像块划分到第二区域;
S414将第一区域归入第三可用域。
进一步地,所述第二约束为几何特征约束,步骤S42包括:
S421利用特征点提取法对第二区域中的影像块进行特征点提取,根据影像块中提取的特征点计算得到几何特征值,并设置几何特征阈值,特征点提取法包括SIFT算法、SURF算法、Harris算法、深度学习方法;
S422将第二区域中几何特征值大于几何特征阈值的影像块划分到第三区域;将第二区域中几何特征值小于几何特征阈值的影像块划分到第四区域;
S423将第三区域归入第三可用域。
进一步地,步骤S421中几何特征值的计算步骤包括:
通过第二区域中影像块的特征点数量,计算得到第一几何特征指标;
通过第二区域中影像块的特征点分布,计算得到第二几何特征指标;
获取目标几何特征指标,所述目标几何特征指标包括第一几何特征指标和第二几何特征指标中至少一个;
根据运算方法对目标几何特征指标进行计算,得到几何特征值。
本发明产生的有益效果是:
(1)本方法通过设置迭代停止条件和形态学迭代处理,对第一可用域进行优化,得到第二可用域,相比现有的形态学处理,本方法有效避免了由于结构元素选取不当导致的形态学处理过度和不足的问题,在优化第一可用域的边界噪声和内部孔洞问题的同时,最大程度保留第一可用域的边界面积;
(2)本方法通过第一约束和第二约束对第二可用域进行进一步优化,得到符合几何配准精度要求的第三可用域,使得到的第三可用域兼具质量要求和几何配准要求。
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为本发明提供的一种遥感影像可用域的建立方法流程图。
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所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,本发明提供一种遥感影像可用域的建立方法的一具体实施例,具体步骤为:
S1获取遥感影像,基于质量检测算法对遥感影像进行判定,得到第一问题区域;
S2根据第一问题是否可修复将第一问题区域划分为可修复第一区域和不可修复第一区域,将不可修复第一问题区域确定为第二问题区域,并对第二问题区域取并集,得到第三问题区域,获取遥感影像中第三问题区域以外的区域,作为第一可用域;
S3对所述第一可用域进行形态学迭代处理,直至达到迭代停止条件,得到第二可用域。
通过实例对以上步骤进行具体说明:
S1获取遥感影像,基于质量检测算法对遥感影像进行判定,得到第一问题区域。
作为一种实现方式,步骤S1具体为:
利用质量检测算法对遥感影像进行质量检测,其中,质量检测算法包括云检测算法、阴影检测算法、条带检测算法、边缘异常检测算法、空值检测算法和曝光检测算法。
根据质量检测结果,提取出第一问题区域,包括云检测第一问题区域、阴影检测第一问题区域、条带检测第一问题区域、边缘异常检测第一问题区域、空值检测第一问题区域和曝光检测第一问题区域。
其中,遥感影像出现问题区域的原因有:(1)传感器本身的缺陷导致坏像素;(2)由于地物的成像光线受到其他物体的阻挡而无法在像片或传感器上成像。
S2根据第一问题是否可修复将第一问题区域划分为可修复第一区域和不可修复第一区域,将不可修复第一问题区域确定为第二问题区域,并对第二问题区域取并集,得到第三问题区域,获取遥感影像中第三问题区域以外的区域,作为第一可用域。
作为一种实现方式,步骤S2具体为:
S21根据第一问题是否可修复将第一问题区域划分为可修复第一区域和不可修复第一区域,将不可修复第一问题区域确定为第二问题区域。
在具体实现中,可修复第一区域包括满足可修复要求的曝光检测第一问题区域,不可修复第一区域包括云检测第一问题区域、阴影检测第一问题区域、不满足可修复要求的曝光检测第一问题区域;其中,可修复要求为:曝光检测第一问题区域内的平均灰度小于预设曝光阈值,其中预设曝光阈值通过人工经验设置。
在具体实现中,质量检测算法检测出来的第一问题区域包括可修复问题区域和不可修复问题区域,针对遥感影像的可用性而言,可修复的问题区域可以通过修复算法进行修复,不会对遥感影响的可用性产生影响,不可修复问题区域才是导致可用性降低的关键。
S22对第二问题区域取并集,得到第三问题区域。
在具体实现中,第二问题区域是不可修复的第一问题区域,针对遥感影像的可用性而言,无论哪种原因形成的第二问题区域,都会对遥感影像的可用性造成相同等级的影响,多种第二问题的叠加也不会改变该区域的不可用性质,所以需要对第二问题区域取并集,得到第三问题区域。
S23获取遥感影像中第三问题区域以外的区域,作为第一可用域。
S3对所述第一可用域进行形态学迭代处理,直至达到迭代停止条件,得到第二可用域:
S31对第一可用域进行形态学迭代处理,将第i次迭代结果定义为形态学区域Li;
S32统计遥感影像中形态学区域Li的总数量ni,并计算遥感影像中形态学区域Li的总面积ai.;
S33计算得到面积变化率(ai+1-ai)/ai和数量变化率(ni+1-ni)/ni,并设置面积阈值和数量阈值;
S34当形态学区域的面积变化率小于面积阈值且数量变化率小于数量阈值时,停止形态学迭代处理,得到第二可用域。
作为一种实现方式,步骤S3具体为:
S31对第一可用域进行形态学迭代处理,将第i次迭代结果定义为形态学区域Li。
作为一种实现方式,步骤S31包括:
S311将遥感影像从灰度图像转化为二值图像:根据像素块是否属于第一可用域对遥感影像所有像素块进行二值化处理,得到二值图像。
在具体实现中,将第一可用域的像素标记为白色像素,遥感影像中第一可用域之外的像素标记为黑色像素,将遥感影像转化为二值图像。
S312通过连通域标记算法对所述二值图像进行连通性标记,将第一可用域转化为第一连通域;
在具体实现中,基于行程的标记算法步骤为:
步骤一:遍历图像:
逐行扫描二值图像,我们把每一行中连续的白色像素组成一个序列,称为一个团,并记下它的行号,起点和终点;
对于除了第一行外的所有行里的团,如果它与前一行中的所有团都没有重合区域,则给它一个新的标号;如果它仅与上一行中一个团有重叠区域,则将上一行的那个团的标号赋予它;如果它与上一行的2个以上的团有重叠区域,则给当前团赋一个相连团的最小标号,并将上一行的这几个团的标号计入等价对,说明他们属于一类;
步骤二:消除等价对:
将等价对转换为等价序列,每一个序列需要给一相同的标号,因为他们都是等价的。从1开始,给每个等价序列一个标号;
遍历开始团的标号,查找等下序列,给予他们新的标号;
将每个团的标号填入标记图像中,标号最大值就是第一可用域中影像块的数量。
其中,步骤一的遍历图像中,对于每一行里的团,判断它是否与上一行中一个团有重叠区域,有两种重叠判断方法,一种是4邻域法,一种是8邻域法。每个像素的周围有8个临界像素,常见的邻接关系有两种,4邻域和8邻域。4邻域一共4个点,分别是上下左右,8邻域一共8个点,包括了对角线位置的点。
S312对第一连通域进行形态学迭代处理,包括开运算和闭运算,经过第i次形态学迭代处理,得到形态学区域Li。
在具体实现中,形态学处理有两种处理方式:开运算和闭运算。开运算:对第一连通域进行先腐蚀后膨胀的运算,用来消除面积较大的第一连通域边界处噪声,在纤细处分离相连的第三区域,同时不会明显改变其面积;闭运算:对第一连通域进行先膨胀后腐蚀的运算,用来填充第一连通域内的细小空洞,合并距离较近的第三区域,同时不明显改变其面积。
在具体实现中,对第一连通域迭代进行形态学处理,经过第i次形态学处理,得到形态学区域Li,经过第i+1次形态学处理,得到形态学区域Li+1。
S32统计遥感影像中形态学区域Li中影像块的总数量ni,并计算遥感影像中形态学区域Li中影像块的总面积ai;
经过第i次形态学处理,统计遥感影像中形态学区域Li中影像块总数量ni,并计算遥感影像中形态学区域Li的总面积ai.;
同理,经过第i+1次形态学处理,统计遥感影像中形态学区域Li+1中影像块的总数量ni+1,并计算遥感影像中形态学区域Li+1的面积,即形态学区域Li+1中影像块的总面积ai+1。
其中形态学区域Li中影像块总数量ni的获取参考步骤S312中的连通域标记算法,同理,经过连通域标记算法后的标号最大值就是形态学区域中影像块的总数量。
S33计算得到面积变化率(ai+1-ai)/ai和数量变化率(ni+1-ni)/ni,设置面积阈值和数量阈值。
作为一种实现方式,步骤S33具体为:
计算得到面积变化率(ai+1-ai)/ai,并通过人工经验设置面积阈值T1;
计算得到数量变化率(ni+1-ni)/ni,并通过人工经验设置数量阈值T2。
S34当达到迭代停止条件,停止形态学迭代处理,得到第二可用域,其中,迭代停止条件为面积变化率小于面积阈值且数量变化率小于数量阈值。
作为一种实现方式,步骤S34具体为:
利用面积变化率和面积阈值,以及数量变化率和数量阈值设置迭代停止条件:面积变化率小于面积阈值且数量变化率小于数量阈值,即(ai+1-ai)/ai<T1且(ni+1-ni)/ni<T2;
当达到上述迭代停止条件,停止形态学迭代处理,将此时的形态学区域Li+1作为第二可用域。
在具体实现中,当形态学区域的变化率小于某一阈值,说明此时的形态学区域既没有过多边界噪声可以被消除,也没有内部细小空洞可以被填充。
在具体实现中,步骤S1-S3完成第二可用域的建立,第二可用域剔除了不可修复的质检问题区域,对遥感影像而言有不错的可用性。但是,在实际应用中,特征点选取异常会影响几何校正精度,进而影响遥感影像的可用性。所以在步骤S4中基于特征点分布情况对第二可用域进行进一步约束,得到第三可用域。
优选地,所述遥感影像可用域的建立方法还包括:
S4基于第一约束和第二约束对第二可用域进行约束,得到第三可用域,包括:
S41基于第一约束将第二可用域划分为第一区域和第二区域,将第一区域归入第三可用域;
S42基于第二约束将第二区域划分为第三区域和第四区域,将第三区域归入第三可用域。
S41基于第一约束将第二可用域划分为第一区域和第二区域,将第一区域归入第三可用域。
在本发明一实施例中,第一约束为面积约束,步骤S41具体为:
S411获取第二可用域中每个影像块的面积aj;
S412获取第一阈值,第一阈值根据第二可用域中影像块的总面积和第二可用域中影像块的总数量之比、第二可用域中影像块的最小面积和第二可用域的总面积之比计算得到,包括:
计算得到第二可用域中影像块的总面积和第二可用域中影像块的总数量之比:
计算得到第二可用域中影像块的最小面积和第二可用域中影像块的总面积之比:
根据第二可用域中影像块的总面积和第二可用域中影像块的数量之比、第二可用域中影像块的最小面积和第二可用域中影像块的总面积之比计算得到第一阈值:
其中,m1为调节参数,用于修正k1。
其中,m1通过人工设置,用于修正k1的取值范围;k1根据第二可用域中影像块的最小面积和第二可用域中影像块的总面积计算得到,和m1共同作用调节第一阈值的大小。
在具体实现中,当第二可用域中影像块的最小面积和第二可用域中影像块的总面积之比较大时,第一阈值T3随之增大,实现调大第一阈值,放宽第一约束的约束范围的目的;当第二可用域中影像块的最小面积和第二可用域中影像块的总面积之比较小时,面积系数k1和第一阈值T3随之减小,实现调小第一阈值,收紧第一约束的约束范围的目的。
S413将第二可用域中面积大于第一阈值的影像块划分到第一区域;将第二可用域中面积小于第一阈值的影像块划分到第二区域。
S414将第一区域归入第三可用域。
在具体实现中,由于第一区域的面积大于第一阈值,根据经验常识认为第一区域中提取的特征点在很大概率上会符合几何配准要求,故不再对第一区域进行第二约束,直接将其归入第二可用域。
在具体实现中,直接对第二可用域进行特征点提取并进行特征点提取异常评估,会消耗大量的时间和精力,所以基于第一约束筛选出一部分最可能出现特征点提取异常的第二可用域,归入第二区域,再对第二区域进行特征点提取异常评估。第一约束和第二约束的设置缩小了特征点提取的范围,在一定程度上提高了第三可用域提取效率。
在本发明另一实施例中,第一约束为信息熵约束,步骤S41具体为:
计算得到第二可用域每个影像块的信息熵ej:
计算得到第二可用域中影像块的总信息熵和第二可用域中影像块的总数量之比:
其中n为第二可用域中影像块的总数量,ej为第二可用域中第j个影像块的信息熵,∑ej为遥感影像中第二可用域中影像块的总信息熵。
计算得到第二可用域中影像块的最大信息熵和第二可用域中影像块的总信息熵之比;
其中,emin为第二可用域中影像块的信息熵最小值。
根据第二可用域中影像块的总信息熵和第二可用域中影像块的总数量之比、第二可用域中影像块的最小信息熵和第二可用域中影像块的总信息熵之比计算得到第一阈值;
其中,m2为调节参数,用于修正k2。
其中,m2通过人工设置,用于修正k2的取值范围;k2根据第二可用域中影像块的最小信息熵和第二可用域中影像块的总信息熵计算得到,和m2共同作用下调节第一阈值的大小。
在具体实现中,当第二可用域中影像块的最小信息熵和第二可用域中影像块的总信息熵之比较大时,第一阈值T3随之增大,实现调大第一阈值,放宽第一约束的约束范围的目的;当第二可用域中影像块的最小信息熵和第二可用域中影像块的总信息熵之较小时,第一阈值T3随之减小,实现调小第一阈值,收紧第一约束的约束范围的目的。
将第二可用域中信息熵大于第一阈值的影像块划分到第一区域;将第二可用域中信息熵小于第一阈值的影像块划分到第二区域。
S42基于第二约束将第二区域划分为第三区域和第四区域,将第三区域归入第三可用域。
作为一种实现方式,第二约束为几何特征约束,步骤S42具体为:
S421利用特征点提取法对第二区域中的影像块进行特征点提取,根据影像块中提取的特征点计算得到几何特征值,并设置几何特征阈值,特征点提取法包括SIFT算法、SURF算法、Harris算法、深度学习方法;
S422将第二区域中几何特征值大于几何特征阈值的影像块划分到第三区域;将第二区域中几何特征值小于几何特征阈值的影像块划分到第四区域;
S423将第三区域归入第三可用域。
作为一种实现方式,步骤S421具体为:
(1)利用特征点提取法对第二区域中的影像块进行特征点提取,特征点提取法包括SIFT算法、SURF算法、Harris算法、深度学习方法;
(2)根据在第二区域中的影像块提取到的特征点数量,计算得到第一几何特征指标f1:
其中,m为第二区域中内一影像块提取出的特征点数量,a为第二区域中内该影像块的面积。
在具体实现中,第一几何特征指标f1是分析第二区域中影像块特征点提取数量的重要指标,对应上述第二项特征点提取要求,第一几何特征指标越大,表示影像块内单位面积内提取出的特征点数量越多,该影像块的可用性越大。
(3)根据在第二区域中的影像块提取到的特征点数量分布,计算得到特征点统计分布向量的方差V,具体包括以下四个步骤:
多向网格划分:指分别通过竖直、水平、45度、135度四个方向均匀分割,加上中心与外围均匀划分,一共五种均匀分割方式对影像块进行五次划分,每次均匀划分得到两个区域,多向网格划分共得到10个区域;
网格特征点统计:统计每个网格内的特征点数量;
特征点统计分布向量获取:将10个区域的特征点数量组成一个向量,得到特征点统计分布向量;
计算得到影像块中特征点统计分布向量的方差V。
(4)根据特征点统计分布向量的方差V,计算得到第二几何特征指标f2:
其中,V为特征点统计分布向量的方差。
在具体实现中,第二几何特征指标f2是分析影像块中特征点分布均匀度的重要指标,对应上述第三项特征点提取要求,第二几何特征指标越大,代表特征点分布均匀性越好,该影像块的可用性越大。
(5)根据至少一项几何特征指标计算得到几何特征值F,并设置几何特征阈值T4。
作为一种实现方式,步骤(5)具体为:
目标几何特征指标选择:选择第一几何特征指标f1和第二几何特征指标f2;
权重系数获取:通过主观赋权法得到权重系数pi,i=1,2;
在具体实现中,主观赋权法通过决策者的人工经验直接确定各项指标的权重系数,最大程度地反映了决策者的意向。
根据获取的目标几何特征指标计算几何特征值F:
其中,pj为几何特征指标fi的权重系数,i=1,2。
在具体实现中,本实施例选择了第一几何特征指标f1和第二几何特征指标f2作为目标几何特征指标用来计算几何特征值F,使几何特征值包含特征点数量和特征点分布均匀度两重信息,几何特征值F越大,代表该影像块中的特征点数量越多,其特征点分布越均匀。
S422将第二区域中几何特征值大于几何特征阈值的影像块划分到第三区域;将第二区域中几何特征值小于几何特征阈值的影像块划分到第四区域。
即将第二区域中符合F>T4的影像块划分到第三区域;将第二区域中符合F<T4的第二区域划分到第四区域。
在具体实现中,提取特征点的目的在于建立目标影像和参考影像的对应关系,用于目标影像的几何配准,所以为了更好地提高几何配准精度,提出三项特征点要求:一是提取易分辨且较精细的特征点,如河流的交汇点、道路、拐弯点、典型建筑物、湖泊边缘、城市轮廓等,二是在提取特征点的时候应该尽量的提取足够多的特征点,三是采集的特征点应该尽量均匀分布与整个遥感影像中,以保证几何校正的精度。本实施例中,通过约束特征点数量的第一几何特征指标和约束特征点分布均匀性的第二特征指标计算得到几何特征值,利用几何特征值对第二区域进行第二约束,得到特征点数量足够多且特征点分布足够均匀的第三区域。
S423将第三区域归入第三可用域。
Claims (5)
1.一种遥感影像可用域的建立方法,其特征在于,包括:
S1获取遥感影像,基于质量检测算法对遥感影像进行判定,得到第一问题区域;
S2根据第一问题区域是否可修复将第一问题区域划分为可修复区域和不可修复区域,将不可修复区域确定为第二问题区域,并对第二问题区域取并集,得到第三问题区域,获取遥感影像中第三问题区域以外的区域,作为第一可用域;
S3对所述第一可用域进行形态学迭代处理,直至达到迭代停止条件,得到第二可用域:
S31对第一可用域进行形态学迭代处理,将第i次迭代结果定义为形态学区域Li;
S32统计遥感影像中形态学区域Li中影像块的总数量ni,并计算遥感影像中形态学区域Li中影像块的总面积ai;
S33计算得到面积变化率(ai+1-ai)/ai和数量变化率(ni+1-ni)/ni,并设置面积阈值和数量阈值;
S34当达到迭代停止条件,停止形态学迭代处理,得到第二可用域,其中,迭代停止条件为面积变化率小于面积阈值且数量变化率小于数量阈值。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
S4基于第一约束和第二约束对第二可用域进行约束,得到第三可用域;
S41基于第一约束将第二可用域划分为第一区域和第二区域,将第一区域归入第三可用域;
S42基于第二约束将第二区域划分为第三区域和第四区域,将第三区域归入第三可用域。
3.根据权利要求2所述的方法,其特征在于,所述第一约束为面积约束,步骤S41包括:
S411获取第二可用域中每个影像块的面积;
S412获取第一阈值,第一阈值根据第二可用域中影像块的总面积和第二可用域中影像块的总数量之比、第二可用域中影像块的最小面积和第二可用域中影像块的总面积之比计算得到;
S413将第二可用域中面积大于第一阈值的影像块划分到第一区域;将第二可用域中面积小于第一阈值的影像块划分到第二区域;
S414将第一区域归入第三可用域。
4.根据权利要求3所述的方法,其特征在于,所述第二约束为几何特征约束,S42包括:
S421利用特征点提取法对第二区域中的影像块进行特征点提取,根据影像块中提取的特征点计算得到几何特征值,并设置几何特征阈值,特征点提取法包括SIFT算法、SURF算法、Harris算法、深度学习方法;
S422将第二区域中几何特征值大于几何特征阈值的影像块划分到第三区域;将第二区域中几何特征值小于几何特征阈值的影像块划分到第四区域;
S423将第三区域归入第三可用域。
5.根据权利要求4所述的方法,其特征在于,步骤S421中几何特征值的计算步骤包括:
通过第二区域中影像块的特征点数量,计算得到第一几何特征指标;
通过第二区域中影像块的特征点分布,计算得到第二几何特征指标;
获取目标几何特征指标,所述目标几何特征指标包括第一几何特征指标和第二几何特征指标中至少一个;
根据运算方法对目标几何特征指标进行计算,得到几何特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875464.1A CN114936992B (zh) | 2022-07-25 | 2022-07-25 | 一种遥感影像可用域的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875464.1A CN114936992B (zh) | 2022-07-25 | 2022-07-25 | 一种遥感影像可用域的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114936992A CN114936992A (zh) | 2022-08-23 |
CN114936992B true CN114936992B (zh) | 2022-10-11 |
Family
ID=82867907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210875464.1A Active CN114936992B (zh) | 2022-07-25 | 2022-07-25 | 一种遥感影像可用域的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936992B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423725B (zh) * | 2022-11-04 | 2023-03-17 | 北京数慧时空信息技术有限公司 | 一种遥感影像修复方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182436A (zh) * | 2017-12-29 | 2018-06-19 | 辽宁工程技术大学 | 一种高分辨率遥感图像分割方法 |
CN112989940A (zh) * | 2021-02-08 | 2021-06-18 | 国家海洋环境监测中心 | 基于高分三号卫星sar影像的筏式养殖区提取方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7602997B2 (en) * | 2005-01-19 | 2009-10-13 | The United States Of America As Represented By The Secretary Of The Army | Method of super-resolving images |
US9984473B2 (en) * | 2014-07-09 | 2018-05-29 | Nant Holdings Ip, Llc | Feature trackability ranking, systems and methods |
CN107481235A (zh) * | 2017-08-24 | 2017-12-15 | 河海大学 | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 |
CN107958183A (zh) * | 2017-12-02 | 2018-04-24 | 中国地质大学(北京) | 一种高分辨率遥感图像的城市路网信息自动提取方法 |
CN109165590A (zh) * | 2018-08-10 | 2019-01-08 | 广西师范学院 | 利用稀疏形态成分的高分辨率遥感图像道路提取方法 |
-
2022
- 2022-07-25 CN CN202210875464.1A patent/CN114936992B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182436A (zh) * | 2017-12-29 | 2018-06-19 | 辽宁工程技术大学 | 一种高分辨率遥感图像分割方法 |
CN112989940A (zh) * | 2021-02-08 | 2021-06-18 | 国家海洋环境监测中心 | 基于高分三号卫星sar影像的筏式养殖区提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114936992A (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN107452010B (zh) | 一种自动抠图算法和装置 | |
JP5458905B2 (ja) | 画像におけるシャドーの検知装置および検知方法 | |
CN113538429A (zh) | 基于图像处理的机械零件表面缺陷检测方法 | |
CN109191459A (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN115115644B (zh) | 一种基于人工智能的车辆焊接缺陷检测方法 | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
CN110443800B (zh) | 视频图像质量的评价方法 | |
CN109035196B (zh) | 基于显著性的图像局部模糊检测方法 | |
CN113538424B (zh) | 基于人工智能的木板节子分类数据识别方法 | |
CN114936992B (zh) | 一种遥感影像可用域的建立方法 | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN115147401B (zh) | 一种基于数字图像处理的土石坝坝料合格性智能检测方法 | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
CN111383244A (zh) | 一种目标检测跟踪方法 | |
KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
CN115311286A (zh) | 一种染色纺织品的染色缺陷识别方法 | |
CN115239729A (zh) | 一种基于直方图均衡化的新型建筑木材缺陷检测方法 | |
Kapoor et al. | Capturing banding in images: Database construction and objective assessment | |
Jiang et al. | Blind quality evaluator of tone-mapped HDR and multi-exposure fused images for electronic display | |
CN116309508A (zh) | 一种基于图像增广和图像重构的异常检测方法 | |
CN115880181A (zh) | 一种增强图像对比度的方法、装置及终端 | |
CN113034454B (zh) | 一种基于人类视觉感官的水下图像质量评价方法 |
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 |