CN115344732B - 基于任务驱动的遥感影像推荐方法 - Google Patents

Abstract

本发明公开了一种基于任务驱动的遥感影像推荐方法，涉及遥感影像推荐领域，该方法包括：通过类内合并策略对遥感影像池进行筛选，将筛选得到的遥感影像作为当前任务的第一影像池；通过召回策略对遥感影像池进行筛选，将筛选得到的遥感影像作为当前任务的第二影像池；通过对当前任务的第一影像池和当前任务的第二影像池进行合并，得到推荐影像候选池；基于预设目标区域，通过优选策略对推荐影像候选池进行优选，得到当前任务的推荐影像池。该方法充分挖掘了历史数据的信息，大大提高影像推荐的效率。

Description

基于任务驱动的遥感影像推荐方法

技术领域

本发明涉及遥感影像处理领域，具体涉及一种基于任务驱动的遥感影像推荐方法。

背景技术

在互联网的快速发展的背景下，产生海量的遥感影像，由于数量大大增长，产生的速度已经远远超过了用户可以获取的速度，用户在面对海量遥感影像集无所适从，如何实现高效的遥感影像推荐成为亟待解决的难题。

传统的基于用户查询内容的推荐方法需要用户有着专业的领域知识，去识别想要获取的遥感影像的属性信息，而且，通过一次查询得到的推荐结果往往不能满足用户需要，需要用户不断地对查询内容进行外扩和重筛选，得到最终的推荐结果，这种方法大大降低了影像推荐的效率。

历史的推荐结果往往蕴含丰富的可复用信息，历史的推荐结果与用户输入的查询内容和推荐任务的名称有一定的相关关系，其中所述查询内容包括影像时间、影像分辨率、行政区域、星源、历史检索时间，所述推荐任务的名称包括DEM生产、DSM生产、镶嵌图生产和美化影像。利用这种相关关系进行影像推荐，可以充分挖掘历史数据的信息，大大提高影像推荐的效率。

发明内容

为了解决上述问题，本发明的目的在于提出一种基于任务驱动的遥感影像推荐方法，将客户查询内容与任务名称合并为任务进行统一管理与推荐，充分挖掘现有的推荐任务与历史的推荐任务之间的交互关系中隐藏的信息，提高遥感影像推荐的准确度。

为了实现上述目的，提供一种基于任务驱动的遥感影像推荐方法，所述方法包括：

S1获取历史数据，所述历史数据包括历史任务、历史任务的任务类别、遥感影像池、历史任务和遥感影像间的交互关系，其中，遥感影像池由与历史任务有交互关系的遥感影像组成，历史任务的任务类别是根据历史任务进行聚类得到的；

S2获取当前任务，对当前任务与任务类别进行第一相似度计算，基于第一相似度计算结果得到当前任务的任务类别；

S3基于当前任务的任务类别以及历史任务和遥感影像间的交互关系，通过类内合并策略对遥感影像池进行筛选，将筛选得到的遥感影像作为当前任务的第一影像池；

S4通过召回策略对遥感影像池进行筛选，将筛选得到的遥感影像作为当前任务的第二影像池；

S5将当前任务的第一影像池和当前任务的第二影像池进行合并，得到当前任务的推荐影像候选池；

S6根据优选策略对当前任务的推荐影像候选池进行筛选，得到当前任务的推荐影像池。

进一步地，所述召回策略包括单路召回和多路召回。

进一步地，当召回策略为单路召回，步骤S4为：

通过单路评分策略对遥感影像池的遥感影像进行评分，得到当前任务对遥感影像池的遥感影像的预测评分；

基于当前任务对遥感影像的预测评分对遥感影像池进行筛选，将筛选得到的遥感影像作为当前任务的第二影像池。

进一步地，所述单路评分策略包括：

从当前任务的第一影像池获取参考影像，从遥感影像池中获取目标影像；

通过对参考影像进行推荐频率计算，得到当前任务的任务类别对参考影像的实际评分；

对所述目标影像和参考影像进行第二相似度计算，得到目标影像和参考影像之间的相似度；

利用当前任务的任务类别对参考影像的实际评分以及目标影像和参考影像之间的相似度进行计算，得到当前任务的任务类别对目标影像的预测评分，将其作为当前任务对遥感影像的预测评分。

进一步地，所述推荐频率计算包括：

获取当前任务的任务类别中历史任务的数量；

获取当前任务的任务类别中与参考影像有交互关系的历史任务的数量；

通过当前任务的任务类别中历史任务的数量以及当前任务的任务类别中与参考影像有交互关系的历史任务的数量，计算得到当前任务的任务类别对参考影像的实际评分。

进一步地，所述第二相似度计算包括：

通过历史任务和遥感影像间的交互关系，获取同时与目标影像和参考影像有交互关系的任务类别的数量，以及与参考影像有交互关系的任务类别的数量；

通过同时与目标影像和参考影像有交互关系的任务类别的数量，以及与参考影像有交互关系的任务类别的数量，计算得到目标影像和参考影像之间的相似度。

进一步地，当召回方法为多路召回时，步骤S4为：

通过多个召回算法分别对遥感影像进行评分，得到当前任务对遥感影像的多个子预测评分，所述多个召回算法包括向量召回、矩阵分解召回、所述单路召回中至少两个；

基于当前任务对遥感影像的多个子预测评分，分别对遥感影像池进行筛选，得到多个召回影像池；

将多个召回影像池进行合并，得到第二影像池；

对当前任务对遥感影像的多个子预测评分取平均值，得到当前任务对遥感影像的预测评分。

进一步地，所述历史任务和当前任务通过用户输入的查询内容和任务名称构建，所述查询内容包括影像时间、影像分辨率、行政区域、星源、历史检索时间，所述任务名称包括DEM生产、DSM生产、镶嵌图生产和美化影像。

进一步地，所述类内合并方法包括：

S31获取当前任务的任务类别的历史任务，作为当前任务的类内任务；

S32获取与类内任务有交互关系的遥感影像作为当前任务的类内遥感影像；

S33将当前任务的类内遥感影像合并，得到当前任务的第一影像池。

进一步地，步骤S6包括：

S61预设目标区域，将推荐影像候选池的遥感影像作为路径搜索算法的影像节点，放入开启列表中，根据当前任务对遥感影像的预测评分对影像节点进行评价，得到影像节点的第一评价分数；

S62根据第一评价分数从小到大的顺序进行排序，选取第一个第一评价分数对应的影像节点作为路径搜索算法的起点，将该起点放入关闭列表中；

S63根据关闭列表中所有影像节点的第一评价分数和开启列表的影像节点的第一评价分数，得到开启列表的影像节点的第一价值；

S64根据关闭列表中所有影像节点和开启列表影像节点对目标区域的有效覆盖率，得到开启列表的影像节点的第二价值；

S65通过运算方法对开启列表影像节点的第一价值和第二价值进行计算，得到开启列表影像节点的第二评价分数，其中，所述运算方法包括估值函数计算；

S66根据第二评价分数的降序对开启列表中的影像节点进行排序，选取第一个影像节点放入关闭列表，更新开启列表影像节点的第二评价分数；

S67重复执行步骤S63-步骤S66，直至关闭列表中的影像节点对目标区域的覆盖率达到预设覆盖率。

本发明的有益效果：

（1）本发明提供了一种基于任务驱动的遥感影像推荐方法，通过类内合并策略和召回策略对遥感影像池进行筛选，得到推荐影像候选池，提高当前任务的推荐准确率，相比传统遥感影像检索方法，本发明充分利用历史任务与遥感影像的交互关系中蕴含的信息；

（2）本发明提供了一种基于任务驱动的遥感影像推荐方法，通过优选策略对当前任务的推荐影像候选池进行筛选，得到当前任务的推荐影像池，通过当前任务对遥感影像的预测评分和遥感影像对目标区域的有效覆盖对遥感影像进行进一步优选，得到推荐影像。

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为本发明所述的基于任务驱动的遥感影像推荐方法流程示意图。

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。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

请参阅图1，图1是本发明所述的基于任务驱动的遥感影像推荐方法流程示意图，该方法相对于传统的通过用户查询的推荐方法，能够最大程度的利用历史任务蕴含的信息，提高影像推荐的准确率，该方法包括以下步骤：

S1获取历史数据，所述历史数据包括历史任务、历史任务的任务类别、遥感影像池、历史任务和遥感影像间的交互关系，其中，遥感影像池由与历史任务有交互关系的遥感影像组成，历史任务的任务类别是根据历史任务进行聚类得到的。

步骤S1包括：

S11获取历史任务、历史任务和遥感影像间的交互关系；

在具体实现中，所述历史任务通过历史的用户输入的查询内容和任务名称构建，所述查询内容包括影像时间、影像分辨率、行政区域、星源、历史检索时间，所述任务名称包括DEM生产、DSM生产、镶嵌图生产和美化影像。

S12获取与历史任务有交互关系的遥感影像，组成遥感影像池；

S13利用特征提取方法对历史任务进行特征提取，得到历史任务特征；

S14对历史任务特征之间进行相似性计算，根据相似性计算结果对历史任务特征进行聚类，得到任务类别。

在本发明一具体实施例中，步骤S14包括：

S141随机选择一个历史任务特征作为第一个初始聚类中心；

S142通过余弦相似度计算方法计算每个历史任务特征与已有的初始聚类中心的最近相似度，即与最相似的一个初始聚类中心的相似度：

其中，t_i为历史任务特征，t'_j为与t_i最相似的一个初始聚类中心；

t_i和t'_j的向量夹角的余弦值越大，两个向量夹角越趋近于0，表示历史任务特征t_i和当前初始聚类中心t'_j的相似度越大；

S143选择最近相似度最小的历史任务特征t_i作为新的初始聚类中心：

S144重复执行步骤S142-步骤S143，直到选择出k个初始聚类中心；

S145针对每个历史任务特征，计算它到当前聚类中心的相似度，并将其分到相似度最大的聚类中心所对应的类别中；

S146针对每个类别，根据该类别内的已有历史任务特征进行计算得到该类别的质心，将该类别的质心作为该类别新的聚类中心：

其中，c_j为类别t'_j中历史任务特征t_i的个数；

S147重复执行步骤S145-步骤S146，直到聚类中心的变化值小于预设阈值；

S148将当前的聚类中心作为任务类别。

S2获取当前任务，对当前任务与任务类别进行第一相似度计算，基于第一相似度计算结果得到当前任务的任务类别；

所述当前任务通过当前的用户输入的查询内容和任务名称构建。

在本发明一具体实施例中，第一相似度计算余弦相似度计算，步骤S2包括：

S21利用特征提取方法对当前任务进行特征提取，得到当前任务特征；

S22通过余弦相似度计算方法对当前任务与任务类别进行进行相似性计算，计算得到相似度最大的任务类别，即为当前任务的任务类别；

S221计算当前任务与每个任务类别的相似度：

其中，t_i为当前任务特征，T_j为任务类别；

S222选择相似度最大的任务类别作为当前任务的任务类别；

。

S3基于当前任务的任务类别以及历史任务和遥感影像间的交互关系，通过类内合并策略对遥感影像池进行筛选，将筛选得到的遥感影像作为当前任务的第一影像池。

步骤S3包括：

S31获取当前任务的任务类别的历史任务，作为当前任务的类内任务；

S32获取与类内任务有交互关系的遥感影像作为当前任务的类内遥感影像；

S33将当前任务的类内遥感影像合并，得到当前任务的第一影像池。

通过类内合并策略，筛选得到当前任务的任务类别中的历史任务选择过的遥感影像进行推荐，类内合并策略认为，同一任务类别内的任务对遥感影像的喜好相同，因此将与该任务类别有交互关系的遥感影像全部推荐给当前任务。

S4通过召回策略对遥感影像池进行筛选，将筛选得到的遥感影像作为当前任务的第二影像池。

所述召回方法包括单路召回和多路召回，所述单路召回通过单个召回算法进行召回，所述多路召回通过多个召回算法进行召回。

在本发明一具体实施例中，召回方法为单路召回，步骤S4为：

S41通过单路评分策略对遥感影像池的遥感影像进行评分，得到当前任务对遥感影像池的遥感影像的预测评分。

S411从当前任务的第一影像池获取参考影像，从遥感影像池中获取目标影像；

S412通过对参考影像进行推荐频率计算，得到当前任务的任务类别对参考影像的实际评分。

获取当前任务的任务类别中历史任务的数量；

获取当前任务的任务类别中与参考影像有交互关系的历史任务的数量；

通过当前任务的任务类别中历史任务的数量以及当前任务的任务类别中与参考影像有交互关系的历史任务的数量，计算得到当前任务的任务类别对参考影像的实际评分。

在本发明一具体实施例中，通过建立历史任务-遥感影像关系表，将历史任务和遥感影像间的交互关系具象化，用于获取当前任务的任务类别中历史任务的数量和当前任务的任务类别中与参考影像有交互关系的历史任务的数量，步骤S412包括：

根据所述历史任务和遥感影像间的交互关系，建立历史任务-遥感影像关系表；

表1 历史任务-遥感影像关系表

在具体实现中，根据历史任务t_i和遥感影像p_j间的交互关系，将历史任务和遥感影像的交互记录用表格的方法记录下来，将有交互关系设为1，无交互关系设为0，得到如表1所示的历史任务-遥感影像关系表。

通过历史任务-遥感影像关系表，获取当前任务的任务类别T中历史任务t_i的数量M(T)。

通过历史任务-遥感影像关系表，获取当前任务的任务类别T中与参考影像p有交互关系的历史任务的数量m(T,p)。

通过当前任务的任务类别中历史任务的数量M(T)，以及当前任务的任务类别中与参考影像有交互关系的历史任务的数量m(T,p)，计算得到当前任务的任务类别对参考影像的实际评分：

其中，m(T,p)为任务类别T中与遥感影像p有交互关系的历史任务的数量，M(T)为任务类别T中历史任务t_i的数量，α(T,p)为任务类别T对第一影像池中遥感影像p的实际评分。

参考表1，以遥感影像p₂和任务类别T₁为例说明类内推荐频率计算，其中任务类别T₁内与遥感影像p₂有交互关系的历史任务（包括历史任务t₁和t₃）的数量为2，任务类别T₁内的历史任务（包括历史任务t₁、t₂和t₃）的数量为3，根据上式，任务类别T₁对遥感影像p₂的实际评分为0.67。

S413对所述目标影像和参考影像进行第二相似度计算，得到目标影像和参考影像之间的相似度。

获取同时与目标影像和参考影像有交互关系的任务类别的数量，以及与参考影像有交互关系的任务类别的数量；

通过同时与目标影像和参考影像有交互关系的任务类别的数量，以及与参考影像有交互关系的任务类别的数量，计算得到目标影像和参考影像之间的相似度。

在本发明一具体实施例中，通过构建任务类别-遥感影像关系表直观地表述任务类别和遥感影像之间的交互关系，用于获取同时与目标影像和参考影像有交互关系的任务类别的数量，以及与参考影像有交互关系的任务类别的数量，步骤S413包括：

根据历史任务和遥感影像间的交互关系以及历史任务与任务类别的关系，构建任务类别-遥感影像关系表；

任务类别-遥感影像关系表如表2 所示，用于直观地表述任务类别和遥感影像之间的交互关系。

表2 任务类别-遥感影像关系表

在具体实现中，请参考表2，同时与遥感影像p_i和遥感影像p_j有交互关系的任务类别的数量n(p_i,p_j)，根据n(p_i,p_j)得到如表3所示的影像共现矩阵，用于直观地表述遥感影像之间的相关关系。

表3 影像共现矩阵

通过查表3，得到同时与目标影像和参考影像有交互关系的任务类别的数量；

通过查表3，得到与参考影像有交互关系的任务类别的数量；

通过同时与目标影像和参考影像有交互关系的任务类别的数量，以及与参考影像有交互关系的任务类别的数量，计算得到目标影像和参考影像之间的相似度：

其中，n(p_i,p_j)为同时与遥感影像p_i和遥感影像p_j有交互关系的任务类别的数量，n(p_i,p_j)=n(p_j,p_i)，n(p_i)为与遥感影像p_i有交互关系的任务类别的数量。

第二相似度用于计算遥感影像之间的相似度，其相似度计算依据不同遥感影像与任务类别的交互记录的重叠程度，如果两张遥感影像交互过的任务类别的种类重合度越高，第二相似度越大，认为该两张遥感影像相似性越高。

S414利用当前任务的任务类别对参考影像的实际评分以及目标影像和参考影像之间的相似度进行计算，得到当前任务的任务类别对目标影像的预测评分，将其作为当前任务对遥感影像的预测评分：

其中，α(T,p_i)为任务类别T对遥感影像p_i的实际评分，W(p_i,p_j)为遥感影像p_i与遥感影像p_i之间的相似度。

S42基于当前任务对遥感影像的预测评分对遥感影像池进行筛选，将筛选得到的遥感影像作为当前任务的第二影像池。

在具体实现中，根据预测评分降序对遥感影像进行排列，按照正序取k张遥感影像推荐给当前任务，得到当前任务的第二影像池。

在本发明另一具体实施例中，召回方法为多路召回，步骤S4为：

S41通过多个召回算法分别对遥感影像进行评分，得到当前任务对遥感影像的多个子预测评分，所述多个召回算法包括向量召回、矩阵分解召回、所述单路召回中至少两个；

S42基于当前任务对遥感影像的多个子预测评分，分别对遥感影像池进行筛选，得到多个召回影像池；

S43将多个召回影像池进行合并，得到第二影像池；

S44对当前任务对遥感影像的多个子预测评分取平均值，得到当前任务对遥感影像的预测评分。

S5通过对当前任务的历史影像池和当前任务的召回影像池进行合并，得到推荐影像候选池。

S6通过优选策略对推荐影像候选池进行筛选，得到当前任务的推荐影像池。

步骤S6包括：

S61预设目标区域，将推荐影像候选池的遥感影像作为路径搜索算法的影像节点，放入开启列表中，根据当前任务对遥感影像的预测评分对影像节点进行评价，得到影像节点的第一评价分数；

通过用户勾画或者用户范围选择得到目标区域；

S62根据第一评价分数从小到大的顺序进行排序，选取第一个第一评价分数对应的影像节点作为路径搜索算法的起点，将该起点放入关闭列表中；

S63根据关闭列表中所有影像节点的第一评价分数和开启列表中第j个影像节点的第一评价分数，得到开启列表中第j个影像节点的第一价值；

其中n为关闭列表中影像节点的数量，g_i为关闭列表中第i个影像节点的第一评价分数，q_j为开启列表第j个影像节点的第一评价分数，x_i和y_j为权重。

S64根据关闭列表中所有影像节点和开启列表中第j个影像节点对目标区域的有效覆盖率，得到开启列表中第j个影像节点的第二价值；

S641获取关闭列表中所有影像节点和开启列表中第j个影像节点的重复区域；

S642基于所述重复区域进行去重操作，得到去重区域，利用去重区域的面积和目标区域的面积得到有效覆盖率；

S65通过运算方法对开启列表影像节点的第一价值和第二价值进行计算，得到开启列表影像节点的第二评价分数，其中，所述运算方法包括估值函数计算：

其中V_1j为开启列表中第j个影像节点的第一价值，V_2j为开启列表中j个影像节点的第二价值，R_j为关闭列表所有影像节点与开启列表第j个影像节点的综合价值，即第二评价分数。

S66根据第二评价分数的降序对开启列表中的影像节点进行排序，选取第一个影像节点放入关闭列表，更新开启列表影像节点的第二评价分数；

S67重复执行步骤S63-步骤S66，直至关闭列表中的影像节点对目标区域的覆盖率达到预设覆盖率。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种基于任务驱动的遥感影像推荐方法，所述方法包括：

S1获取历史数据，所述历史数据包括历史任务、历史任务的任务类别、遥感影像池、历史任务和遥感影像间的交互关系，其中，遥感影像池由与历史任务有交互关系的遥感影像组成，历史任务的任务类别是根据历史任务进行聚类得到的；

S2获取当前任务，对当前任务与任务类别进行第一相似度计算，基于第一相似度计算结果得到当前任务的任务类别；

S3基于当前任务的任务类别以及历史任务和遥感影像间的交互关系，通过类内合并策略对遥感影像池进行筛选，将筛选得到的遥感影像作为当前任务的第一影像池；

S4通过召回策略对遥感影像池进行筛选，将筛选得到的遥感影像作为当前任务的第二影像池；

S5将当前任务的第一影像池和当前任务的第二影像池进行合并，得到当前任务的推荐影像候选池；

S6根据优选策略对当前任务的推荐影像候选池进行筛选，得到当前任务的推荐影像池。

2.根据权利要求1所述的方法，所述召回策略包括单路召回和多路召回。

3.根据权利要求2所述的方法，当召回策略为单路召回，步骤S4为：

通过单路评分策略对遥感影像池的遥感影像进行评分，得到当前任务对遥感影像的预测评分；

基于当前任务对遥感影像的预测评分对遥感影像池进行筛选，将筛选得到的遥感影像作为当前任务的第二影像池。

4.根据权利要求3所述的方法，所述单路评分策略包括：

从当前任务的第一影像池获取参考影像，从遥感影像池中获取目标影像；

通过对参考影像进行推荐频率计算，得到当前任务的任务类别对参考影像的实际评分；

对所述目标影像和参考影像进行第二相似度计算，得到目标影像和参考影像之间的相似度；

利用当前任务的任务类别对参考影像的实际评分以及目标影像和参考影像之间的相似度进行计算，得到当前任务的任务类别对目标影像的预测评分，将其作为当前任务对遥感影像的预测评分。

5.根据权利要求4所述的方法，所述推荐频率计算包括：

获取当前任务的任务类别中历史任务的数量；

获取当前任务的任务类别中与参考影像有交互关系的历史任务的数量；

通过当前任务的任务类别中历史任务的数量以及当前任务的任务类别中与参考影像有交互关系的历史任务的数量，计算得到当前任务的任务类别对参考影像的实际评分。

6.根据权利要求4所述的方法，所述第二相似度计算包括：

通过历史任务和遥感影像间的交互关系，获取同时与目标影像和参考影像有交互关系的任务类别的数量，以及与参考影像有交互关系的任务类别的数量；

通过同时与目标影像和参考影像有交互关系的任务类别的数量，以及与参考影像有交互关系的任务类别的数量，计算得到目标影像和参考影像之间的相似度。

7.根据权利要求3所述的方法，当召回方法为多路召回时，步骤S4为：

通过多个召回算法分别对遥感影像进行评分，得到当前任务对遥感影像的多个子预测评分，所述多个召回算法包括向量召回、矩阵分解召回、所述单路召回中至少两个；

基于当前任务对遥感影像的多个子预测评分，分别对遥感影像池进行筛选，得到多个召回影像池；

将多个召回影像池进行合并，得到第二影像池；

对当前任务对遥感影像的多个子预测评分取平均值，得到当前任务对遥感影像的预测评分。

8.根据权利要求1所述的方法，所述历史任务和当前任务通过用户输入的查询内容和任务名称构建，所述查询内容包括影像时间、影像分辨率、行政区域、星源、历史检索时间，所述任务名称包括DEM生产、DSM生产、镶嵌图生产和美化影像。

9.根据权利要求1所述的方法，所述第一相似度计算包括余弦相似度、欧氏距离、曼哈顿距离。

10.根据权利要求1所述的方法，所述类内合并策略 包括：

S31获取当前任务的任务类别的历史任务，作为当前任务的类内任务；

S32获取与类内任务有交互关系的遥感影像作为当前任务的类内遥感影像；

S33将当前任务的类内遥感影像合并，得到当前任务的第一影像池。

11.根据权利要求4或权利要求7所述的方法，步骤S6包括：

S61预设目标区域，将推荐影像候选池的遥感影像作为路径搜索算法的影像节点，放入开启列表中，根据当前任务对遥感影像的预测评分对影像节点进行评价，得到影像节点的第一评价分数；

S62根据第一评价分数从小到大的顺序进行排序，选取第一个第一评价分数对应的影像节点作为路径搜索算法的起点，将该起点放入关闭列表中；

S63根据关闭列表中所有影像节点的第一评价分数和开启列表的影像节点的第一评价分数，得到开启列表的影像节点的第一价值；

S64根据关闭列表中所有影像节点和开启列表影像节点对目标区域的有效覆盖率，得到开启列表的影像节点的第二价值；

S65通过运算方法对开启列表影像节点的第一价值和第二价值进行计算，得到开启列表影像节点的第二评价分数，其中，所述运算方法包括估值函数计算；

S66根据第二评价分数的降序对开启列表中的影像节点进行排序，选取第一个影像节点放入关闭列表，更新开启列表影像节点的第二评价分数；

S67重复执行步骤S63-步骤S66，直至关闭列表中的影像节点对目标区域的覆盖率达到预设覆盖率。

Images