CN115393737B - 一种遥感对象确定方法 - Google Patents
一种遥感对象确定方法 Download PDFInfo
- Publication number
- CN115393737B CN115393737B CN202211324912.5A CN202211324912A CN115393737B CN 115393737 B CN115393737 B CN 115393737B CN 202211324912 A CN202211324912 A CN 202211324912A CN 115393737 B CN115393737 B CN 115393737B
- Authority
- CN
- China
- Prior art keywords
- sparse
- region
- pixel
- pixel points
- neighborhood
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种遥感对象确定方法。该方法对经由遥感设备识别得到的遥感图像数据进行获取,然后对获取的数据进行处理分析,侧重点是对获取数据后的数据处理方法进行改进,在将遥感图像转换得到颜色样本空间并确定稀疏区域后,进一步确定了稀疏区域中稀疏像素点的稀疏程度以及其邻域内密集像素点对其的距离影响因子,以所确定的稀疏程度以及距离影响因子分别进行两种稀疏像素点所属聚类簇的聚类投票,以更高投票值对应的聚类簇作为稀疏像素点的簇分类,有效结合了邻域像素点所在样本空间的位置与稀疏程度两方面因素为稀疏像素点划分更为准确的聚类簇,实现了对遥感图像中不同的关注区域也即不同的遥感对象的更准确确定。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种遥感对象确定方法。
背景技术
当前遥感定位过程中,在获取卫星遥感图像数据后,经常需要对数据进行聚类处理以完成对数据中待定位对象的数量以及其轮廓和对应位置的确定。当前聚类处理过程中因均值漂移聚类无需给出聚类簇的数量而具备较强通用性,是最常用的聚类方法。
但均值漂移聚类在实际应用过程中对一些稀疏点的分类是通过簇类的访问频率,对于一个样本点,将访问频率最高的簇类作为其分类簇的。该种对稀疏点的分类方式会导致大量稀疏点的分类错乱,从而导致聚类分割效果较差,最终导致无法完成对遥感过程中需检测对象的位置与轮廓的准确确定。
发明内容
本发明提供了一种遥感对象确定方法,用以解决现有遥感定位过程中对定位对象的位置与轮廓定位准确度较差的技术文体,所采用的技术方案具体如下:
本发明的一种遥感对象确定方法,包括以下步骤:
获取遥感图像数据,将遥感图像数据映射到三维颜色空间得到颜色样本空间;
对颜色样本空间中的像素点进行密度判断确定颜色样本空间中的稀疏区域,然后确定稀疏区域的稀疏程度并将稀疏区域的稀疏程度作为稀疏区域中稀疏像素点的稀疏程度;
确定稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子;
根据稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子对稀疏像素点所属簇类进行第一类投票,根据稀疏像素点的稀疏程度对稀疏像素点所属簇类进行第二类投票,选取两类投票结果中的较大值所对应的簇类作为稀疏像素点的簇分类;
以均值漂移聚类方法对颜色样本空间中非稀疏区域内的像素点进行聚类,以所确定的各个稀疏像素点的簇分类对所有稀疏像素点进行聚类,完成对遥感过程中不同的遥感对象的确定;
所述对颜色样本空间中的像素点进行密度判断确定颜色样本空间中的稀疏区域的方法为:
从颜色样本空间中任选一个样本点P,判断样本点P的邻域半径中的样本点数量M,如果样本点数量M大于密度阈值m,则将样本点P的邻域半径内的邻域区域记为密集区域并不再被选取,但该邻域区域内的样本点判断样本点数量时会被计算,已经被确定为稀疏区域的像素点不会被再更改为密集区域;如果样本点数量M不大于密度阈值m,则将样本点P的邻域半径内的邻域区域记为稀疏区域,但该邻域区域内的样本点判断样本点数量时会被计算,且已经被确定为密集区域的像素点依然会被再更改为稀疏区域;
在未被标记的区域中继续选取样本点并进行稀疏区域与密集区域的判断,直到所有的样本点都进行了区域标记,完成颜色样本空间中稀疏区域的确定;
所述确定稀疏区域的稀疏程度并将稀疏区域的稀疏程度作为稀疏区域中稀疏像素点的稀疏程度的方法为:
首先使用稀疏区域中像素点数量值与确定稀疏区域时所使用的邻域半径来确定稀疏区域的密集程度也即稀疏区域中像素点的密集程度值:
对所有稀疏区域的密集程度也即稀疏区域中像素点的密集程度进行归一化处理,然后确定各个稀疏区域的稀疏程度也即稀疏区域中稀疏像素点的稀疏程度:
本发明的有益效果为:
本发明首先对遥感图像数据进行数据获取,然后将所获取的遥感图像数据映射到三维颜色空间得到颜色样本空间,根据颜色样本空间中像素点的密度确定稀疏区域,然后根据稀疏区域中稀疏像素点的稀疏程度,以及稀疏像素点邻域内密集像素点对其的距离影响因子,分别对稀疏像素点所属聚类簇进行了两类方式的确定,并以两类方式中所确定的聚类簇投票值中的较大值对应的聚类簇作为稀疏像素点所属聚类簇,可有效结合邻域像素点所在样本空间的位置与稀疏程度两方面因素为稀疏像素点划分更为准确的聚类簇,实现对遥感图像中不同的关注区域也即不同的遥感对象的更准确确定。
进一步的,确定所述稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子的方法为:
计算稀疏像素点到其8邻域内密集像素点之间的距离:
进一步的,所述进行第二类投票的方法为:
所述进行第一类投票的方法为:
附图说明
图1是本发明该种遥感对象确定方法的流程图。
具体实施方式
本发明的构思为:
本发明首先对遥感图像数据进行数据获取,然后将所获取的遥感图像数据映射到三维颜色空间得到颜色样本空间,根据颜色样本空间中像素点的密度确定稀疏区域,然后根据稀疏区域中稀疏像素点的稀疏程度,以及稀疏像素点邻域内密集像素点对其的距离影响因子,分别对稀疏像素点所属聚类簇进行了两类方式的确定,并以两类方式中所确定的聚类簇投票值中的较大值对应的聚类簇作为稀疏像素点所属聚类簇,可有效结合邻域像素点所在样本空间的位置与稀疏程度两方面因素为稀疏像素点划分更为准确的聚类簇,实现对遥感图像中不同的关注区域也即不同的遥感对象的更准确确定。
下面结合附图及实施例,对本发明的一种遥感对象确定方法进行详细说明。
方法实施例:
本发明的一种遥感对象确定方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,获取遥感图像的数据,将遥感图像数据映射到三维颜色空间,得到颜色样本空间。
对于一张遥感影像,根据其图像数据对其进行初步的分割是期望可以将同类像素点合并为一类,即可以通过簇类选择得到不同的关注区域像素信息,也即确定不同待定位对象所对应的像素点,同时也可以将像素值邻近的点使用相同像素值以达到压缩图像的作用。
遥感定位过程中遥感卫星初始获取的是陆地表面的俯拍平面图,为了更为有效地完成稀疏像素点与稠密像素点的区别处理,本实施例将所获取的遥感图像的数据向三位颜色空间进行映射处理,得到颜色样本空间。
在颜色样本空间中,可以更为直观地观察到稀疏像素点。
步骤二,确定颜色样本空间中的稀疏区域,然后确定稀疏区域的稀疏程度也即稀疏区域中稀疏像素点的稀疏程度。
对样本空间中的像素点进行密度判断需要提前确定进行判断的邻域与密度阈值,这里将邻域半径记为,将密度阈值记为,即当一个像素点的邻域内的像素点少于时,即将这个像素点的邻域记为稀疏区域,稀疏区域中所有的像素点即为稀疏像素点。
具体的,从颜色样本空间中任选一个样本点P,判断样本点P的邻域半径中的样本点数量M,如果样本点数量M大于密度阈值m,则将样本点P的邻域半径内的邻域区域记为密集区域并不再被选取,但该邻域区域内的样本点判断样本点数量时会被计算,已经被确定为稀疏区域的像素点不会被再更改为密集区域;如果样本点数量M不大于密度阈值m,则将样本点P的邻域半径内的邻域区域记为稀疏区域,但该邻域区域内的样本点判断样本点数量时会被计算,且已经被确定为密集区域的像素点依然会被再更改为稀疏区域。
在未被标记的区域中继续选取样本点并进行稀疏区域与密集区域的判断,直到所有的样本点都进行了区域标记。
首先使用稀疏区域中像素点数量值与确定稀疏区域时所使用的邻域半径来确定稀疏区域中像素点的密集程度值:
根据所得所有稀疏区域中像素点的密集程度值,对所有稀疏区域的密集程度也即稀疏区域的像素点的密集程度值进行归一化处理,然后确定各个稀疏区域的稀疏程度也即稀疏区域中稀疏像素点的稀疏程度:
步骤三,获取稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子。
稀疏像素点也即稀疏区域中的像素点,获取稀疏像素点的投票权重,能够更准确地确定稀疏像素点所属簇类。对于稀疏像素点可以根据其图像中的邻域信息对比其颜色样本空间中的距离,并以此作为一部分分簇依据,另外一部分分簇依据仍然由投票信息获取,不过要在原有投票信息上加入稀疏程度的影响。
对于一个稀疏像素点,获取其在原图像中8邻域内其它像素点对应在颜色样本空间的位置,稀疏像素点对应在颜色样本空间的位置距离其8邻域内其它像素点对应在颜色样本空间的簇类越接近,则该稀疏像素点越应该分于相应簇类。
如果稀疏像素点其8邻域内的其它像素点在颜色样本空间中全部属于一个簇类,则该稀疏像素点也属于该簇类。如果稀疏像素点其8邻域内的其它像素点在颜色样本空间中分属于不同簇类,那么判断稀疏像素点其8邻域内的其它像素点在颜色样本空间中与稀疏像素点在颜色样本空间中位置距离最接近的其它像素点所属簇类,具体如下:
将距离集合中的值进行不同程度划分,因为一个稀疏像素点所在邻域的影响更倾向于距离最近的像素点,通过函数表示其不同的划分程度,可以凸显距离最近的像素点的影响,同时降低距离更远的像素点的影响,并且可以保证其加和为1:
步骤四,根据稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子对稀疏像素点所属簇类进行第一类投票,根据稀疏像素点的稀疏程度对稀疏像素点所属簇类进行第二类投票,选取两类投票结果中的较大值所对应的簇类作为稀疏像素点的簇分类。
同时,考虑到稀疏像素点其邻域像素点对其的影响,如果稀疏像素点8邻域内其它密集像素点对该稀疏像素点的距离影响因子中的最大值所对应的样本点所在簇类为,则以稀疏像素点8邻域内其它密集像素点对该稀疏像素点的距离影响因子对稀疏像素点属于簇类的票数进行确定:
步骤五,以均值漂移聚类方法对颜色样本空间中非稀疏区域内的像素点进行聚类,以所确定的各个稀疏像素点的簇分类对所有稀疏像素点进行聚类,确定遥感过程中不同的遥感对象。
颜色样本空间中非稀疏区域也即密集区域,其中的像素点属于密集像素点,所以使用现有的均值漂移聚类方法便可很好地完成对其中像素点的分类簇的确定。
而对于颜色样本空间中稀疏区域内的稀疏像素点,则根据本实施例所特别给出的确定每个稀疏像素点分类簇的方法,完成对稀疏区域中所有稀疏像素点的聚类,最终完成对遥感图像中所有像素点的聚类,确定遥感过程中不同的关注区域也即不同的遥感对象。
以上所述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 (3)
1.一种遥感对象确定方法,其特征在于,包括以下步骤:
获取遥感图像数据,将遥感图像数据映射到三维颜色空间得到颜色样本空间;
对颜色样本空间中的像素点进行密度判断确定颜色样本空间中的稀疏区域,然后确定稀疏区域的稀疏程度并将稀疏区域的稀疏程度作为稀疏区域中稀疏像素点的稀疏程度;
确定稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子;
根据稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子对稀疏像素点所属簇类进行第一类投票,根据稀疏像素点的稀疏程度对稀疏像素点所属簇类进行第二类投票,选取两类投票结果中的较大值所对应的簇类作为稀疏像素点的簇分类;
以均值漂移聚类方法对颜色样本空间中非稀疏区域内的像素点进行聚类,以所确定的各个稀疏像素点的簇分类对所有稀疏像素点进行聚类,完成对遥感过程中不同的遥感对象的确定;
所述对颜色样本空间中的像素点进行密度判断确定颜色样本空间中的稀疏区域的方法为:
从颜色样本空间中任选一个样本点P,判断样本点P的邻域半径中的样本点数量M,如果样本点数量M大于密度阈值m,则将样本点P的邻域半径内的邻域区域记为密集区域并不再被选取,但该邻域区域内的样本点判断样本点数量时会被计算,已经被确定为稀疏区域的像素点不会被再更改为密集区域;如果样本点数量M不大于密度阈值m,则将样本点P的邻域半径内的邻域区域记为稀疏区域,但该邻域区域内的样本点判断样本点数量时会被计算,且已经被确定为密集区域的像素点依然会被再更改为稀疏区域;
在未被标记的区域中继续选取样本点并进行稀疏区域与密集区域的判断,直到所有的样本点都进行了区域标记,完成颜色样本空间中稀疏区域的确定;
所述确定稀疏区域的稀疏程度并将稀疏区域的稀疏程度作为稀疏区域中稀疏像素点的稀疏程度的方法为:
首先使用稀疏区域中像素点数量值与确定稀疏区域时所使用的邻域半径来确定稀疏区域的密集程度也即稀疏区域中像素点的密集程度值:
对所有稀疏区域的密集程度也即稀疏区域中像素点的密集程度进行归一化处理,然后确定各个稀疏区域的稀疏程度也即稀疏区域中稀疏像素点的稀疏程度:
2.根据权利要求1所述的遥感对象确定方法,其特征在于,确定所述稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子的方法为:
计算稀疏像素点到其8邻域内密集像素点之间的距离:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211324912.5A CN115393737B (zh) | 2022-10-27 | 2022-10-27 | 一种遥感对象确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211324912.5A CN115393737B (zh) | 2022-10-27 | 2022-10-27 | 一种遥感对象确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115393737A CN115393737A (zh) | 2022-11-25 |
CN115393737B true CN115393737B (zh) | 2022-12-23 |
Family
ID=84128585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211324912.5A Active CN115393737B (zh) | 2022-10-27 | 2022-10-27 | 一种遥感对象确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393737B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325095B (zh) * | 2013-06-24 | 2016-02-03 | 西南交通大学 | 一种结合方向因子的样本块稀疏性图像修复方法 |
CN105389550B (zh) * | 2015-10-29 | 2018-07-17 | 北京航空航天大学 | 一种基于稀疏指引与显著驱动的遥感目标检测方法 |
CN107239781B (zh) * | 2017-05-03 | 2020-07-28 | 北京理工大学 | 一种基于rgb图像的超光谱反射率重建方法 |
CN115131566A (zh) * | 2022-07-25 | 2022-09-30 | 北京帝测科技股份有限公司 | 基于超像素和改进模糊c均值聚类的自动图像分割方法 |
-
2022
- 2022-10-27 CN CN202211324912.5A patent/CN115393737B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115393737A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
Varnousfaderani et al. | Weighted color and texture sample selection for image matting | |
CN111402267B (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
CN110796667B (zh) | 基于改进小波聚类的彩色图像分割方法 | |
CN111709420A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN109934278B (zh) | 一种信息增益混合邻域粗糙集的高维度特征选择方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN115713694B (zh) | 一种土地测绘信息管理方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN116758045B (zh) | 一种半导体发光二极管的表面缺陷检测方法及系统 | |
CN114359288B (zh) | 基于人工智能的医学影像脑动脉瘤检测和定位方法 | |
CN111784711A (zh) | 一种基于深度学习的肺部病理图像分类与分割方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN110619648B (zh) | 一种基于rgb变化趋势划分图像区域的方法 | |
CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
CN110634142B (zh) | 一种复杂车路图像边界优化方法 | |
CN116932492B (zh) | 用于版式文件识别数据存储优化方法 | |
CN115393737B (zh) | 一种遥感对象确定方法 | |
CN116109933B (zh) | 一种用于废弃矿山生态修复的动态识别方法 | |
CN113435479A (zh) | 基于区域特征表达约束的特征点匹配方法与系统 | |
CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
CN108154188B (zh) | 基于fcm的复杂背景下人工文本提取方法 | |
CN115631197A (zh) | 一种图像处理方法、装置、介质、设备及系统 | |
Fetisov et al. | Unsupervised Prostate Cancer Histopathology Image Segmentation via Meta-Learning |
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 |