CN115329112B - 一种无人机遥感图像高效存储方法 - Google Patents

一种无人机遥感图像高效存储方法 Download PDF

Info

Publication number
CN115329112B
CN115329112B CN202211252932.6A CN202211252932A CN115329112B CN 115329112 B CN115329112 B CN 115329112B CN 202211252932 A CN202211252932 A CN 202211252932A CN 115329112 B CN115329112 B CN 115329112B
Authority
CN
China
Prior art keywords
color
cluster
pixel
remote sensing
obtaining
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
CN202211252932.6A
Other languages
English (en)
Other versions
CN115329112A (zh
Inventor
宋建平
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.)
Jiangsu Philpo Internet Of Things Co ltd
Original Assignee
Jiangsu Philpo Internet Of Things Co ltd
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 Jiangsu Philpo Internet Of Things Co ltd filed Critical Jiangsu Philpo Internet Of Things Co ltd
Priority to CN202211252932.6A priority Critical patent/CN115329112B/zh
Publication of CN115329112A publication Critical patent/CN115329112A/zh
Application granted granted Critical
Publication of CN115329112B publication Critical patent/CN115329112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/005—Statistical coding, e.g. Huffman, run length coding
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据存储领域，具体涉及一种无人机遥感图像高效存储方法，该方法包括：根据遥感图像获得颜色集合，根据初始尺寸的聚类窗口和均值漂移聚类算法，对颜色集合进行聚类得到所有颜色类簇及其合适度；对所有颜色类簇的合适度进行判断，获得所有像素类簇和备选类簇，根据所有备选类簇得到新的尺寸；根据新的尺寸进行多次聚类操作，直至颜色集合为空，获得所有像素类簇以其特征颜色值；将像素类簇中的所有像素点的颜色值设置为特征颜色值；对重新设置颜色值后的平面遥感图像进行压缩。本发明根据颜色点的聚类结果，增加遥感图像中颜色值相同的像素点的数量，通过增加图像的冗余程度增大压缩率，同时使压缩后的遥感图像在视觉上无损。

Description

一种无人机遥感图像高效存储方法
技术领域
本发明涉及数据压缩领域，具体涉及一种无人机遥感图像高效存储方法。
背景技术
遥感图像由于其原始获取途径困难，往往需要最大限度的保留信息，但对于遥感图像的发布，往往要求图像的存储容量尽可能小，由此在对遥感图像进行发布存储时往往需要对其进行压缩。
传统压缩算法分为有损压缩与无算压缩，无损压缩不会破坏图像的原始信息，但相应的无损压缩的压缩率有限；有损压缩往往会破坏图像的原始信息，丢失部分细节信息，但相应的有损压缩的压缩率往往较大。由于遥感图像中存在较多噪声信息与灰度波动，故采用无损压缩会导致压缩率低，不利于存储与传输，而遥感图像中的部分细节又十分重要，有损压缩往往会另这些细节丢失，导致图像失去一定的参考价值。
针对上述情况，本发明提出了一种无人机遥感图像高效存储方法，通过对遥感图像进行聚类分割，并提供颜色宽容度进行聚类调整，根据聚类结果进行色彩转换，将人眼分辨不出来的不同色彩的像素点转换成相同色彩的像素点，既可以增大遥感图像的冗余程度，从而增大压缩率，又可以达到视觉无损的目的。
发明内容
为了解决上述问题，本发明提供一种无人机遥感图像高效存储方法，所述方法包括：
采集目标区域的遥感图像，对遥感图像进行预处理，得到平面遥感图像；
根据平面遥感图像获得像素集合和颜色集合，并获得颜色集合中每个颜色点的统计量；
S1:根据聚类窗口，获得颜色集合中所有颜色点的所有颜色类簇，包括：
将聚类窗口设置的大小为初始尺寸，根据聚类窗口，对颜色集合中的所有颜色点进行聚类，获得颜色集合中所有颜色点的所有颜色类簇；
S2:根据所有颜色类簇，获得所有像素类簇和所有备选类簇，以及新的尺寸，包括：
对于任意一个颜色类簇，获得颜色类簇中每个颜色点的频数；根据颜色类簇中所有颜色点的频数，获得颜色类簇的合适度；判断颜色类簇的合适度是否小于经验阈值:如果不是，则将颜色类簇中的所有颜色点对应的所有像素点组成的集合，记为像素类簇，并将所述颜色类簇中的所有颜色点从颜色集合中去除，同时，将频数最大的颜色点对应的所有像素点中的第一个像素点，记为像素类簇的特征点；如果是，则将颜色类簇记为备选类簇；
根据所有颜色类簇的合适度的判断结果，获得所有像素类簇和所有备选类簇，根据所有备选类簇得到窗口缩小系数，进而获得新的尺寸；
将新的尺寸作为初始尺寸，重复执行S1、S2，直至颜色集合为空时，获得所有像素类簇；
对于任意一个像素类簇，将像素类簇的特征点的颜色值，记为像素类簇的特征颜色值，将像素类簇中的所有像素点的颜色值设置为像素类簇的特征颜色值；对重新设置颜色值后的平面遥感图像进行压缩。
进一步地，所述获得颜色类簇中每个颜色点的频数的步骤包括:
以颜色类簇中的任意一个颜色点为目标颜色点，获取目标颜色点的颜色宽容度范围，获得颜色类簇中在所述宽容度范围内的所有颜色点，将所述所有颜色点在像素集合中对应的所有像素点的统计量之和，记为目标颜色点的频数；将颜色类簇中每个颜色点分别作为目标颜色点，获得颜色类簇中每个颜色点的频数。
进一步地，所述根据颜色类簇中所有颜色点的频数，获得颜色类簇的合适度的步骤包括：
所有颜色类簇中的第
Figure 100002_DEST_PATH_IMAGE001
个颜色类簇的合适度计算公式为：
Figure 100002_DEST_PATH_IMAGE003
式中，
Figure 596441DEST_PATH_IMAGE004
表示以自然常数为底的指数函数，/>
Figure 100002_DEST_PATH_IMAGE005
表示第/>
Figure 766522DEST_PATH_IMAGE001
个颜色类簇的合适度，/>
Figure 803748DEST_PATH_IMAGE006
表示第/>
Figure 19966DEST_PATH_IMAGE001
个颜色类簇中的颜色点的个数，/>
Figure 100002_DEST_PATH_IMAGE007
表示第/>
Figure 823843DEST_PATH_IMAGE001
个颜色类簇中第/>
Figure 441906DEST_PATH_IMAGE008
个颜色点的频数，/>
Figure 100002_DEST_PATH_IMAGE009
为超参数。
进一步地，所述根据所有备选类簇得到窗口缩小系数，进而获得新的尺寸的步骤包括：
新的尺寸的计算公式为：
Figure 100002_DEST_PATH_IMAGE011
式中，
Figure 56558DEST_PATH_IMAGE012
为所述根据所有备选类簇得到窗口缩小系数，其中，/>
Figure 100002_DEST_PATH_IMAGE013
表示所有备选类簇的个数，/>
Figure 415864DEST_PATH_IMAGE014
表示第/>
Figure 100002_DEST_PATH_IMAGE015
个备选类簇的合适度；/>
Figure 459650DEST_PATH_IMAGE016
表示初始尺寸，/>
Figure 100002_DEST_PATH_IMAGE017
表示新的尺寸。
进一步地，所述根据平面遥感图像获得像素集合和颜色集合，并获得颜色集合中每个颜色点的统计量的步骤包括：
将平面遥感图像中所有像素点组成的集合记为像素集合；根据像素点的红色通道值R、绿色通道值G和蓝色通道值B，将像素集合中的所有像素点转换到Lab色彩空间中的所有颜色点， 将Lab色彩空间中所有颜色点组成的集合记为颜色集合；获取颜色集合中每个颜色点在像素集合中对应的像素点的数量，记为每个颜色点的统计量。
进一步地，所述对遥感图像进行预处理，得到平面遥感图像的步骤包括：
对遥感图像进行空间稀疏采样，将原有遥感图像的三维立体信息转换为平面图像和控制点数据库，通过遥感图像坐标转换结果和确定的运动矩阵，得到消除影响的平面遥感图像。
本发明实施例至少具有如下有益效果：
本发明通过设置聚类窗口的初始尺寸，对遥感图像的颜色点进行聚类；并结合颜色宽容度，根据颜色类簇中所有颜色点的频数，获得颜色类簇的合适度；根据颜色类簇的合适度，保留在初始尺寸下，聚类效果好，即视觉上无损的颜色类簇；同时对于聚类效果不好的备选类簇，结合所有备选类簇的合适度，获得新的聚类窗口的尺寸，根据新的尺寸进行重复聚类，最终，将遥感图像的像素点划分为多个在视觉上无损的像素类簇，并根据像素类簇的特征颜色值，对所有像素点的颜色值进行重新设置。本发明通过对像素点的颜色值进行设置，增加遥感图像中颜色值相同的像素点的数量，即增加了遥感图像的冗余程度，进而增大遥感图像的压缩率，由于本发明的像素类簇保证了在视觉上的无损，同时像素类簇的特征颜色值也是根据颜色宽容度获得的，保证了重新设置颜色值后的像素点在视觉上的无损，最终使压缩后的遥感图像在视觉上无损。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例提供的一种无人机遥感图像高效存储方法的步骤流程图；
图2为本发明一个实施例提供的平面遥感图像；
图3为本发明一个实施例提供的平面遥感图像在Lab色彩空间中所有颜色点的分布图；
图4为本发明一个实施例提供的平面遥感图像的第一个类簇的二值图像；
图5为本发明一个实施例提供的平面遥感图像的第二个类簇的二值图像；
图6为本发明一个实施例提供的平面遥感图像的第三个类簇的二值图像；
图7为本发明一个实施例提供的平面遥感图像的第四个类簇的二值图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种无人机遥感图像高效存储方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种无人机遥感图像高效存储方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种无人机遥感图像高效存储方法的步骤流程图，该方法包括以下步骤：
S001，采集目标区域的遥感图像，对遥感图像进行预处理，得到平面遥感图像。
需要说明的是，遥感图像由于其原始获取途径困难，往往需要最大限度的保留信息，由于光学图像存在抖屏等现象，会影响遥感图像中质量，因此，需要对遥感图像进行预处理，即对遥感图像进行转换与增强。
在本实施例中，通过无人机采集目标区域的遥感图像；对遥感图像进行空间稀疏采样，将原有遥感图像的三维立体信息转换为平面图像和控制点数据库，通过遥感图像的坐标转换结果和确定的运动矩阵，得到消除影响后的遥感图像，并记为平面遥感图像，如图2所示，本发明是对彩色图像进行处理，图2为彩色图像灰度化后的灰度图。
S002，根据平面遥感图像获得像素集合和颜色集合，并获得颜色集合中每个颜色点的统计量。
需要说明的是，本实施例通过平面遥感图像中像素点的分布情况，确定调控方法，因此，需要将平面遥感图像中的像素点转换为Lab颜色空间中的颜色点，并获得获取颜色点的分布信息。
在本实施例中，采集到的平面遥感图像为RGB图像，将平面遥感图像中所有像素点组成的集合记为像素集合；根据平面遥感图像中的像素点的红色通道值R、绿色通道值G和蓝色通道值B，将平面遥感图像中的像素点转换到Lab色彩空间中的颜色点，如图所示，每个颜色点有
Figure 463378DEST_PATH_IMAGE018
三个分量，其中，/>
Figure 983352DEST_PATH_IMAGE013
分量为像素点的亮度，表示从纯黑到纯白，取值范围是[0,100]，/>
Figure DEST_PATH_IMAGE019
分量表示在红色到绿色的范围内的取值，取值范围是[127,-128]，/>
Figure 892271DEST_PATH_IMAGE020
分量表示从黄色到蓝色的范围内的取值，取值范围是[127,-128]。如图2的平面遥感图像在Lab色彩空间中所有颜色点如图3所示，将Lab色彩空间中所有颜色点组成的集合记为颜色集合；获取颜色集合中每个颜色点在像素集合中对应的像素点的数量，记为每个颜色点的统计量。
由于像素集合中的每个像素点的三通道值唯一确定，因此，像素集合中的每个像素点唯一对应颜色集合中的一个颜色点；且像素集合中存在多个像素点具有相同的三通道值，因此，像素集合中的多个像素点对应颜色集合中的一个颜色点，反之，颜色集合中的一个颜色点对应像素集合中的多个像素点。因此，对于颜色集合中的所有颜色点，可以获取每个颜色点在像素集合中对应的像素点的数量。
S003， 根据聚类窗口，获得颜色集合中所有颜色点的所有颜色类簇。
需要说明的是，对于平面遥感图像，图像中像素值相同的连续的像素点较少，此时图像的冗余程度较低，压缩率有限。对于人眼而言，对于颜色的辨识度有限，以灰度值为例，灰度值为10与灰度值为11、12、13时，人眼难以进行分辨，此时将灰度值全部转换为10对于人眼来说，在视觉上是无损的，因此，对于平面遥感图像而言，只需要达到视觉无损，即可将平面遥感图像中不同颜色值的像素点转换为相同颜色值的像素值，其中，具体的对那些像素点进行转换，以及转换后的颜色值为多少，可以结合颜色宽容度，通过均值漂移聚类算法对平面遥感图像的所有颜色点进行聚类实现。
在本实施例中，将聚类窗口设置为初始尺寸，根据聚类窗口和均值漂移聚类算法，对颜色集合中的所有颜色点进行聚类，获得颜色集合中所有颜色点的所有颜色类簇。
S004，获得颜色类簇中每个颜色点的频数，根据颜色类簇中所有颜色点的频数，获得颜色类簇的合适度，对颜色类簇的合适度进行判断，获得像素类簇和备选类簇，根据所有备选类簇得到窗口缩小系数，进而获得新的尺寸。
需要说明的是，传统采用均值漂移聚类算法进行聚类时，聚类窗口的大小是全局固定的，当聚类窗口大小固定为5时，如图2的平面遥感图像中所有的像素点被划分为4个类簇，4个类簇对应的二值图像分别如图4、图5、图6、图7所示，此时发现只有类别3对应的河流的划分效果较好，其他的划分效果很差，难以与原始图像形成对应。因此，本发明期望根据初始尺寸的聚类窗口进行聚类后，对于聚类效果好的类簇进行保留，对于聚类效果不好的类簇，根据颜色宽容度对聚类窗口的尺寸进行自适应调控，并根据新的尺寸的聚类窗口，进行再次聚类，获得平面遥感图像的最优的聚类结果。
（1）获得颜色类簇中每个颜色点的频数。
以颜色类簇中的一个颜色点为目标颜色点，获取目标颜色点的颜色宽容度范围，获得颜色类簇中在所述宽容度范围内的所有颜色点，将所述所有颜色点在像素集合中对应的所有像素点的统计量之和，记为目标颜色点的频数；将颜色类簇中每个颜色点作为目标颜色点，获得颜色类簇中每个颜色点的频数，进而获得颜色类簇中每个颜色点的频数。
（2）根据颜色类簇中所有颜色点的频数，获得颜色类簇的合适度。
对于任意一个颜色类簇，根据颜色类簇中所有颜色点的频数，获得颜色类簇的合适度。具体计算公式为：
Figure 382158DEST_PATH_IMAGE003
式中，
Figure 709234DEST_PATH_IMAGE004
表示以自然常数为底的指数函数，/>
Figure 649377DEST_PATH_IMAGE005
表示第/>
Figure 327483DEST_PATH_IMAGE001
个颜色类簇的合适度，/>
Figure 621062DEST_PATH_IMAGE006
表示第/>
Figure 31007DEST_PATH_IMAGE001
个颜色类簇中的颜色点的个数，/>
Figure 751839DEST_PATH_IMAGE007
表示第/>
Figure 917241DEST_PATH_IMAGE001
个颜色类簇中第/>
Figure 624297DEST_PATH_IMAGE008
个颜色点的频数，/>
Figure 457123DEST_PATH_IMAGE009
为超参数，经验值/>
Figure DEST_PATH_IMAGE021
。对于一个颜色类簇而言，颜色类簇中所有颜色点越属于同一个颜色宽容度区间，则说明颜色类簇中所有颜色点在视觉上的差异越小，则将颜色类簇中所有颜色点在像素集合中对应的所有像素点，转换为相同颜色值的像素点后，视觉无损效果越好，即这些像素点越适合被聚类为同一个类簇，相应的颜色类簇的合适度越大；反之，转换为相同颜色值的像素点后，视觉无损效果越不好，即这些像素点越不适合被聚类为同一个类簇，相应的颜色类簇的合适度越小。
（3）对颜色类簇的合适度进行判断，获得像素类簇和备选类簇。
设定合适的经验阈值，经验值
Figure 739069DEST_PATH_IMAGE022
；判断颜色类簇的合适度是否小于经验阈值:如果颜色类簇的合适度不小于经验阈值，则将颜色类簇中的所有颜色点对应的所有像素点组成的集合，记为像素类簇，以避免影响后续聚类效果，将所述颜色类簇中的所有颜色点从颜色集合中去除，同时，将频数最大的颜色点对应的所有像素点中的第一个像素点，记为像素类簇的特征点；如果颜色类簇的合适度小于经验阈值，则将颜色类簇记为备选类簇；根据所有颜色类簇的合适度的判断结果，获得所有像素类簇和所有备选类簇。
(4) 根据所有备选类簇得到窗口缩小系数，进而获得新的尺寸。
需要说明的是，颜色类簇的合适度小于经验阈值时，说明根据初始尺寸的聚类窗口进行聚类，获得的颜色类簇中的所有颜色点在视觉上的差异较大，当前颜色类簇中的颜色点不适合被聚类为一个颜色类簇，因此，需要调整聚类窗口的尺寸，并根据特征后的聚类窗口进行重新聚类，由于初始尺寸的聚类窗口为大窗口，故根据合适的窗口缩小系数获得新的尺寸。
新的尺寸的计算公式为：
Figure 391767DEST_PATH_IMAGE011
式中，
Figure 168093DEST_PATH_IMAGE012
为所述根据所有备选类簇得到窗口缩小系数，其中，/>
Figure 324268DEST_PATH_IMAGE013
表示所有备选类簇的个数，/>
Figure 386902DEST_PATH_IMAGE014
表示第/>
Figure 651530DEST_PATH_IMAGE015
个备选类簇的合适度；/>
Figure 90602DEST_PATH_IMAGE016
表示初始尺寸，/>
Figure 632442DEST_PATH_IMAGE017
表示新的尺寸。颜色类簇的合适度越低，说明当前颜色类簇的所有颜色点分布在越多的颜色宽容度内，则说明颜色类簇中所有颜色点在视觉上的差异越大，这些颜色点需要被划分到越多的颜色类簇中，因此，新的尺寸需要越小，相应的窗口缩小系数越小。
S005，根据新的尺寸进行多次聚类，获得所有像素类簇。
将新的尺寸作为初始尺寸，重复执行S003和S004，根据聚类窗口和均值漂移聚类算法，获得颜色集合中所有颜色点的所有颜色类簇，进而获得颜色类簇的合适度，对颜色类簇的合适度进行判断，获得像素类簇和备选类簇，根据所有备选类簇得到窗口缩小系数，进而获得新的尺寸，直至颜色集合为空，获得所有像素类簇。
S006，根据像素类簇的特征颜色值对像素点进行重新设置，对重新设置颜色值后的平面遥感图像进行压缩。
对于任意一个像素类簇，将像素类簇的特征点的颜色值，记为像素类簇的特征颜色值；将像素类簇中的所有像素点的颜色值设置为像素类簇的特征颜色值；对所有像素类簇中的所有像素点的颜色值进行重新设置，对重新设置颜色值后的平面遥感图像进行压缩。
由于像素类簇的特征点是对应的颜色类簇中，频数最大的颜色点对应的像素点；而颜色点的频数越大，说明在该颜色点的颜色宽容度范围内的像素点的数量越多，由于在同一颜色宽容度范围的像素点在视觉上的差异较小，即在视觉上是无损，因此，颜色点的频数越大，则该颜色点在视觉上无损的颜色点越多；进而可以知道，将该颜色点对应的像素点的颜色值作为像素类簇的特征颜色值，进而根据特征颜色值重新设置颜色值后的像素点，在视觉上的差异性较小，即在视觉上是无损。
此时的平面遥感图像中像素点的颜色值的冗余程度大大增加，同时基本上趋于视觉无损，通过对重新设置颜色值后的平面遥感图像进行压缩，大大提高压缩率。对压缩后的遥感图像进行存储，并进行遥感图像发布。
综上所述，本发明根据遥感图像获得颜色集合，根据初始尺寸的聚类窗口和均值漂移聚类算法，对颜色集合进行聚类得到所有颜色类簇及其合适度；对所有颜色类簇的合适度进行判断，获得所有像素类簇和备选类簇，根据所有备选类簇得到新的尺寸；根据新的尺寸进行多次聚类操作，直至颜色集合为空，获得所有像素类簇以其特征颜色值；将像素类簇中的所有像素点的颜色值设置为特征颜色值；对重新设置颜色值后的平面遥感图像进行压缩。本发明根据颜色点的聚类结果，增加遥感图像中颜色值相同的像素点的数量，通过增加图像的冗余程度增大压缩率，同时使压缩后的遥感图像在视觉上无损。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (4)

1.一种无人机遥感图像高效存储方法，其特征在于，所述方法包括：
采集目标区域的遥感图像，对遥感图像进行预处理，得到平面遥感图像；
根据平面遥感图像获得像素集合和颜色集合，并获得颜色集合中每个颜色点的统计量；
S1:根据聚类窗口，获得颜色集合中所有颜色点的所有颜色类簇，包括：
将聚类窗口的大小设置为初始尺寸，根据聚类窗口对颜色集合中的所有颜色点进行聚类，获得颜色集合中所有颜色点的所有颜色类簇；
S2:根据所有颜色类簇，获得所有像素类簇和所有备选类簇，以及新的尺寸，包括：
对于任意一个颜色类簇，获得颜色类簇中每个颜色点的频数；根据颜色类簇中所有颜色点的频数，获得颜色类簇的合适度；判断颜色类簇的合适度是否小于经验阈值:如果不是，则将颜色类簇中的所有颜色点对应的所有像素点组成的集合，记为像素类簇，并将所述颜色类簇中的所有颜色点从颜色集合中去除，同时，将频数最大的颜色点对应的所有像素点中的第一个像素点，记为像素类簇的特征点；如果是，则将颜色类簇记为备选类簇；
根据所有颜色类簇的合适度的判断结果，获得所有像素类簇和所有备选类簇，根据所有备选类簇得到窗口缩小系数，进而获得新的尺寸；
将新的尺寸作为初始尺寸，重复执行S1、S2，直至颜色集合为空时，获得所有像素类簇；
对于任意一个像素类簇，将像素类簇的特征点的颜色值，记为像素类簇的特征颜色值，将像素类簇中的所有像素点的颜色值设置为像素类簇的特征颜色值；对重新设置颜色值后的平面遥感图像进行压缩；
所述根据颜色类簇中所有颜色点的频数，获得颜色类簇的合适度的步骤包括：
所有颜色类簇中的第
Figure DEST_PATH_IMAGE001
个颜色类簇的合适度计算公式为：
Figure DEST_PATH_IMAGE003
式中,
Figure 606808DEST_PATH_IMAGE004
表示以自然常数为底的指数函数,
Figure DEST_PATH_IMAGE005
表示第
Figure 544151DEST_PATH_IMAGE001
个颜色类簇的合适度，
Figure 163351DEST_PATH_IMAGE006
表示第
Figure 479319DEST_PATH_IMAGE001
个颜色类簇中的颜色点的个数，
Figure DEST_PATH_IMAGE007
表示第
Figure 320630DEST_PATH_IMAGE001
个颜色类簇中第
Figure 35514DEST_PATH_IMAGE008
个颜色点的频数，
Figure DEST_PATH_IMAGE009
为超参数；
所述根据所有备选类簇得到窗口缩小系数，进而获得新的尺寸的步骤包括：
新的尺寸的计算公式为：
Figure DEST_PATH_IMAGE011
式中，
Figure 327080DEST_PATH_IMAGE012
为所述根据所有备选类簇得到窗口缩小系数，其中，
Figure DEST_PATH_IMAGE013
表示所有备选类簇的个数，
Figure 495457DEST_PATH_IMAGE014
表示第
Figure DEST_PATH_IMAGE015
个备选类簇的合适度；
Figure 216157DEST_PATH_IMAGE016
表示初始尺寸，
Figure DEST_PATH_IMAGE017
表示新的尺寸。
2.根据权利要求1所述的一种无人机遥感图像高效存储方法，其特征在于，所述获得颜色类簇中每个颜色点的频数的步骤包括:
以颜色类簇中的任意一个颜色点为目标颜色点，获取目标颜色点的颜色宽容度范围，获得颜色类簇中在所述宽容度范围内的所有颜色点，将所述所有颜色点在像素集合中对应的所有像素点的统计量之和，记为目标颜色点的频数；将颜色类簇中每个颜色点分别作为目标颜色点，获得颜色类簇中每个颜色点的频数。
3.根据权利要求1所述的一种无人机遥感图像高效存储方法，其特征在于，所述根据平面遥感图像获得像素集合和颜色集合，并获得颜色集合中每个颜色点的统计量的步骤包括：
将平面遥感图像中所有像素点组成的集合记为像素集合；根据像素点的红色通道值R、绿色通道值G和蓝色通道值B，将像素集合中的所有像素点转换到Lab色彩空间中的所有颜色点，将Lab色彩空间中所有颜色点组成的集合记为颜色集合；获取颜色集合中每个颜色点在像素集合中对应的像素点的数量，记为每个颜色点的统计量。
4.根据权利要求1所述的一种无人机遥感图像高效存储方法，其特征在于，所述对遥感图像进行预处理，得到平面遥感图像的步骤包括：
对遥感图像进行空间稀疏采样，将原有遥感图像的三维立体信息转换为平面图像和控制点数据库，通过遥感图像坐标转换结果和确定的运动矩阵，得到消除影响的平面遥感图像。
CN202211252932.6A 2022-10-13 2022-10-13 一种无人机遥感图像高效存储方法 Active CN115329112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211252932.6A CN115329112B (zh) 2022-10-13 2022-10-13 一种无人机遥感图像高效存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211252932.6A CN115329112B (zh) 2022-10-13 2022-10-13 一种无人机遥感图像高效存储方法

Publications (2)

Publication Number Publication Date
CN115329112A CN115329112A (zh) 2022-11-11
CN115329112B true CN115329112B (zh) 2023-03-24

Family

ID=83914474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211252932.6A Active CN115329112B (zh) 2022-10-13 2022-10-13 一种无人机遥感图像高效存储方法

Country Status (1)

Country Link
CN (1) CN115329112B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578476B (zh) * 2022-11-21 2023-03-10 山东省标筑建筑规划设计有限公司 一种用于城乡规划数据的高效存储方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6721448B2 (en) * 2001-02-20 2004-04-13 International Business Machines Corporation Color clustering and segmentation using sigma filtering
CN114022790B (zh) * 2022-01-10 2022-04-26 成都国星宇航科技有限公司 遥感图像中云层检测及图像压缩方法、装置和存储介质
CN115049674B (zh) * 2022-08-17 2022-12-13 南通万格环境科技有限公司 基于大数据的工业污水处理方法及系统

Also Published As

Publication number Publication date
CN115329112A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
JP3373008B2 (ja) 画像像域分離装置
US6244514B1 (en) Smart card for storage and retrieval of digitally compressed color images
US6356588B1 (en) Method for digital compression of color images
CN109842799B (zh) 颜色分量的帧内预测方法、装置及计算机设备
CN111260593B (zh) 图像处理方法、装置、电子设备及存储介质
EP3242482A1 (en) Method and apparatus for encoding/decoding a high dynamic range picture into a coded bitstream
CN110971901B (zh) 卷积神经网络的处理方法、装置、设备及存储介质
CN101953153A (zh) 摄像装置,摄像方法和用于存储程序的计算机可读取介质
CN107578451A (zh) 一种面向自然图像的自适应主色提取方法
US6697529B2 (en) Data compression method and recording medium with data compression program recorded therein
CN115329112B (zh) 一种无人机遥感图像高效存储方法
CN111260580B (zh) 图像去噪方法、计算机装置及计算机可读存储介质
CN112465727A (zh) 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法
CN114693816A (zh) 一种智能化图像大数据存储方法
CN115618051B (zh) 一种基于互联网的智慧校园监控视频存储方法
CN112738533A (zh) 一种机巡图像分区域压缩方法
CN111881920A (zh) 一种大分辨率图像的网络适配方法及神经网络训练装置
CN113674231B (zh) 基于图像增强的轧制过程中氧化铁皮检测方法与系统
CN100534206C (zh) 一种图像压缩方法
CN116456090A (zh) 一种基于目标检测算法的视频压缩方法
Richart et al. Image colorization with neural networks
CN112166598A (zh) 图像处理方法、系统、可移动平台和存储介质
CN114549386A (zh) 一种基于自适应光照一致性的多曝光图像融合方法
CN108304805A (zh) 一种大数据图像识别处理系统
CN111080560B (zh) 一种图像的处理与识别方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Shaochuo

Inventor after: Zhang Yunqiu

Inventor after: Song Jianping

Inventor before: Song Jianping