CN115457381A - 一种高速公路违法用地检测方法、系统、装置及存储介质 - Google Patents
一种高速公路违法用地检测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN115457381A CN115457381A CN202210991068.5A CN202210991068A CN115457381A CN 115457381 A CN115457381 A CN 115457381A CN 202210991068 A CN202210991068 A CN 202210991068A CN 115457381 A CN115457381 A CN 115457381A
- Authority
- CN
- China
- Prior art keywords
- mask image
- image
- land
- illegal
- area
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高速公路违法用地检测方法、系统、装置及存储介质,高速公路违法用地检测方法通过对单时相正射影像的待检测图像对应的用地红线进行二值化处理得到第一掩膜图像,根据第一掩膜图像和待检测图像背景区域的二值图,基于形态学处理得到用地红线标记的合法施工区域,即第四掩膜图像,进而根据第四掩膜图像和待检测图像的裸土区域得到违法用地区域,实现了基于单时相正射影像的高速公路违法用地检测,并且无需依赖海量的训练样本,提高了高速公路违法用地检测的准确性和可靠性。本发明可广泛应用于图像处理技术领域。
Description
技术领域
本申请涉及图像处理技术领域,尤其是一种高速公路违法用地检测方法、系统、装置及存储介质。
背景技术
高速公路项目具有点多、线长、面广等建设特点,其建设周期长,区域跨度大,涉及单位较多,沿线多为城区、山川、河流以及生态保护区等用地监管严格区域。在实际施工过程中,不良地质路段、施工方案优化、征地拆迁困难以及其他工程变更因素都会引起工程永久占用的红线用地范围与设计图纸发生偏移,还可能引起工程临时占地变动选址。由于施工单位较缺乏对于项目土地审批和使用政策的认识以及节约用地的意识,施工过程中易造成土地使用的超界和浪费,甚至需要承担较大的法律风险和责任。
目前,采用卫星图像的违法用地检测主要通过基于多时相影像的对比检测算法和基于神经网络的目标检测算法来实现。其中,基于多时相影像的对比检测方法通过对比两期间隔拍摄的卫星正射影像,自动检测影像变化区域,得到两期影像之间的变化图斑,并将变化图斑与土地利用现状矢量数据进行空间叠加分析,得到每一个变化图斑内土地利用现状类型,并对不同类型的土地面积进行统计;基于神经网络的目标检测算法以海量影像数据为样本建立样本数据库,通过影像分割技术提取、分割目标物,过滤无效识别,对设定场景中的违法用地行为进行智能识别。然而,基于多时相影像的对比检测算法由于需要获取两期影像数据进行对比,对前后影像的精度统一性要求高,后期仍需通过人工进行空间分析,智能化程度不足,并且高速公路建设区域地貌变化快,易造成无效识别或误差;基于神经网络的目标检测算法依赖于海量训练样本,应用于单一的高速公路建设项目中时存在训练样本不足、计算量大等问题,检测结果的准确性和可靠性较低。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种高速公路违法用地检测方法、系统、装置及存储介质,实现了基于单时相正射影像的高速公路违法用地检测,且不依赖海量训练样本。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
一方面,本发明实施例提供了一种高速公路违法用地检测方法,包括以下步骤:
对待检测图像的用地红线进行二值化处理,生成第一掩膜图像,所述待检测图像为单时相的正射影像;
对所述待检测图像进行颜色空间转换,生成第二掩膜图像和第三掩膜图像,所述第二掩膜图像为高速公路背景区域的二值图,所述第三掩膜图像为裸土区域的二值图;
根据所述第一掩膜图像和所述第二掩膜图像,基于形态学处理生成第四掩膜图像,所述第四掩膜图像为所述用地红线标记的合法施工区域;
根据所述第三掩膜图像和所述第四掩膜图像得到违法用地区域,完成违法用地检测。
本发明实施例的一种高速公路违法用地检测方法,通过对单时相正射影像的待检测图像对应的用地红线进行二值化处理得到第一掩膜图像,根据第一掩膜图像和待检测图像背景区域的二值图,基于形态学处理得到用地红线标记的合法施工区域,即第四掩膜图像,进而根据第四掩膜图像和待检测图像的裸土区域得到违法用地区域,实现了基于单时相正射影像的高速公路违法用地检测,并且无需依赖海量的训练样本,提高了高速公路违法用地检测的准确性和可靠性。
另外,根据本发明上述实施例的一种高速公路违法用地检测方法,还可以具有以下附加的技术特征:
进一步地,本发明实施例的一种高速公路违法用地检测方法中,所述对待检测图像的用地红线进行二值化处理,生成第一掩膜图像,包括:
根据所述用地红线的矢量范围,提取用地红线坐标;
根据所述用地红线坐标将所述用地红线进行二值化处理,生成第五掩膜图像,所述第五掩膜图像为所述用地红线的二值影像图;
对所述第五掩膜图像中位于图像边际的标记点之间进行连线处理,生成所述第一掩膜图像。
进一步地,在本发明的一个实施例中,所述对所述待检测图像进行颜色空间转换,生成第二掩膜图像和第三掩膜图像,包括:
基于HSV颜色空间,挑选出所述待检测图像H通道数值落在颜色空间模型绿色和蓝色对应扇区内的像素点,生成所述第二掩膜图像;
获取所述第二掩膜图像以外的区域,生成所述第三掩膜图像。
进一步地,在本发明的一个实施例中,所述根据所述第一掩膜图像和所述第二掩膜图像,基于形态学处理生成第四掩膜图像,包括:
将所述第一掩膜图像取反,生成第六掩膜图像;
对所述第六掩膜图像进行形态学的连通域检测,获取所述第六掩膜图像的若干个子区域;
将所述子区域的像素分别与所述第二掩膜图像的像素相乘,并计算乘积之和占所述第六掩膜图像的像素点之和的比例;
获取比例最大值对应的区域,并将所述比例最大值对应的区域以外的区域作为所述用地红线标记的合法施工区域,生成所述第四掩膜图像。
进一步地,在本发明的一个实施例中,所述根据所述第三掩膜图像和所述第四掩膜图像得到违法用地区域,包括:
对所述第三掩膜图像进行形态学的连通域检测后去除离散区域,生成第七掩膜图像;
将所述第七掩膜图像与所述第四掩膜图像做差,得到所述违法用地区域。
进一步地,在本发明的一个实施例中,在所述将所述第七掩膜图像与所述第四掩膜图像做差,得到所述违法用地区域这一步骤之后,所述方法还包括:
对所述违法用地区域进行形态学的连通域检测,生成连通域集合;
将所述连通域集合中区域面积小于预设值的连通域去除。
进一步地,在本发明的一个实施例中,在所述根据所述第三掩膜图像和所述第四掩膜图像得到违法用地区域,完成违法用地检测这一步骤之后,所述方法还包括:
根据国土三调数据的二值图像和所述违法用地区域,识别所述违法用地区域的违法用地类型;
基于HSV颜色空间,识别所述违法用地区域的违法严重性;
根据行政区域的二值图像和所述违法用地区域,识别所述违法用地区域所在的行政区域。
另一方面,本发明实施例提出了一种高速公路违法用地检测系统,包括:
第一模块,用于对待检测图像的用地红线进行二值化处理,生成第一掩膜图像,所述待检测图像为单时相的正射影像;
第二模块,用于对所述待检测图像进行颜色空间转换,生成第二掩膜图像和第三掩膜图像,所述第二掩膜图像为高速公路背景区域的二值图,所述第三掩膜图像为裸土区域的二值图;
第三模块,用于根据所述第一掩膜图像和所述第二掩膜图像,基于形态学处理生成第四掩膜图像,所述第四掩膜图像为所述用地红线标记的合法施工区域;
第四模块,用于根据所述第三掩膜图像和所述第四掩膜图像得到违法用地区域,完成违法用地检测。
另一方面,本发明实施例提供了一种高速公路违法用地检测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现所述的一种高速公路违法用地检测方法。
另一方面,本发明实施例提供了一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于实现所述的一种高速公路违法用地检测方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到:
本发明实施例通过对单时相正射影像的待检测图像对应的用地红线进行二值化处理得到第一掩膜图像,根据第一掩膜图像和待检测图像背景区域的二值图,基于形态学处理得到用地红线标记的合法施工区域,即第四掩膜图像,进而根据第四掩膜图像和待检测图像的裸土区域得到违法用地区域,实现了基于单时相正射影像的高速公路违法用地检测,并且无需依赖海量的训练样本,提高了高速公路违法用地检测的准确性和可靠性。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案,下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明一种高速公路违法用地检测方法具体实施例的流程示意图;
图2为本发明一种高速公路违法用地检测方法具体实施例的用地红线示意图;
图3为本发明一种高速公路违法用地检测方法具体实施例的第六掩膜图像示意图;
图4为本发明一种高速公路违法用地检测方法具体实施例的第四掩膜图像示意图;
图5为本发明一种高速公路违法用地检测方法具体实施例的高速公路沿线农田分布图;
图6为本发明一种高速公路违法用地检测方法具体实施例的违法用地类型识别示意图;
图7为本发明一种高速公路违法用地检测方法具体实施例的检测结果与现有的高速公路违法用地检测方法的检测结果的对比示意图;
图8为本发明一种高速公路违法用地检测系统具体实施例的结构示意图;
图9为本发明一种高速公路违法用地检测装置具体实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
目前,采用卫星图像的违法用地检测主要通过基于多时相影像的对比检测算法和基于神经网络的目标检测算法来实现。其中,基于多时相影像的对比检测方法通过对比两期间隔拍摄的卫星正射影像,自动检测影像变化区域,得到两期影像之间的变化图斑,并将变化图斑与土地利用现状矢量数据进行空间叠加分析,得到每一个变化图斑内土地利用现状类型,并对不同类型的土地面积进行统计;基于神经网络的目标检测算法以海量影像数据为样本建立样本数据库,通过影像分割技术提取、分割目标物,过滤无效识别,对设定场景中的违法用地行为进行智能识别。然而,基于多时相影像的对比检测算法由于需要获取两期影像数据进行对比,对前后影像的精度统一性要求高,后期仍需通过人工进行空间分析,智能化程度不足,并且高速公路建设区域地貌变化快,易造成无效识别或误差;基于神经网络的目标检测算法依赖于海量训练样本,应用于单一的高速公路建设项目中时存在训练样本不足、计算量大等问题,检测结果的准确性和可靠性较低。为此,本发明提出了一种高速公路违法用地检测方法、系统、装置及存储介质,通过对单时相正射影像的待检测图像对应的用地红线进行二值化处理得到第一掩膜图像,根据第一掩膜图像和待检测图像背景区域的二值图,基于形态学处理得到用地红线标记的合法施工区域,即第四掩膜图像,进而根据第四掩膜图像和待检测图像的裸土区域得到违法用地区域,实现了基于单时相正射影像的高速公路违法用地检测,并且无需依赖海量的训练样本,提高了高速公路违法用地检测的准确性和可靠性。
下面参照附图详细描述根据本发明实施例提出的一种高速公路违法用地检测方法、系统、装置及存储介质,首先将参照附图描述根据本发明实施例提出的一种高速公路违法用地检测方法。
参照图1,本发明实施例中提供一种高速公路违法用地检测方法,本发明实施例中的一种高速公路违法用地检测方法,可应用于终端中,也可应用于服务器中,还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等,但并不局限于此。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。本发明实施例中的一种高速公路违法用地检测方法主要包括以下步骤:
S101、对待检测图像的用地红线进行二值化处理,生成第一掩膜图像;
其中,待检测图像为单时相的正射影像。
在本发明的实施例中,将第一掩膜图像标记为Img1。
S101可以进一步划分为以下步骤S1011-S1013:
步骤S1011、根据用地红线的矢量范围,提取用地红线坐标;
可选地,用地红线包括审批红线和补征地红线。
参照图2,在本发明的实施例中,根据审批红线和补征地红线的矢量范围,提取用地红线的坐标,记为loc。
步骤S1012、根据用地红线坐标将用地红线进行二值化处理,生成第五掩膜图像;
其中,第五掩膜图像为用地红线的二值影像图,标记为Img5。
在本发明的实施例中,第五掩膜图像Img5的图像大小为Rmax和Camx,像素赋值如下:
其中,x和y为第五掩膜图像的像素点坐标。
步骤S1013、对第五掩膜图像中位于图像边际的标记点之间进行连线处理,生成第一掩膜图像。
具体地,在本发明的实施例中,对于第五掩膜图像中处于图像边际的标记线,在标记点之间进行连线处理以增加标记线,使得用地红线保持连续,从而生成第一掩膜图像。
可选地,第一掩膜图像通过以下计算生成:
S102、对待检测图像进行颜色空间转换,生成第二掩膜图像和第三掩膜图像;
其中,第二掩膜图像为高速公路背景区域的二值图,第三掩膜图像为裸土区域的二值图。
S102可以进一步划分为以下步骤S1021-S1022:
步骤S1021、基于HSV颜色空间,挑选出待检测图像H通道数值落在颜色空间模型绿色和蓝色对应扇区内的像素点,生成第二掩膜图像;
可以理解的是,高速公路沿线多为农田、森林、湖泊和既有道路。在本发明的实施例中,通过基于HSV颜色空间的图像颜色空间转换,挑选出待检测图像H通道数值落在颜色空间模型绿色和蓝色对应扇区内的像素点,转换公式如下:
V=Dmax
其中:
R′=R/255
G′=G/255
B′=B/255
Dmax=max(R′,G′,B′)
Dmin=min(R′,G′,B′)
Δ=Dmax-Dmin
通过转换公式进行计算可得高速公路背景区域的二值图,保存为第二掩膜图像,标记为Img2。
步骤S1022、获取第二掩膜图像以外的区域,生成第三掩膜图像。
根据步骤S1021,可以理解的是,高速公路背景区域以外的区域即为裸土区域,在本发明的实施例中,通过获取第二掩膜图像以外的区域,得到裸土区域的二值图,并保存为第三掩膜图像,标记为Img3。
S103、根据第一掩膜图像和第二掩膜图像,基于形态学处理生成第四掩膜图像;
其中,第四掩膜图像为用地红线标记的合法施工区域。
具体地,本发明实施例通过第一掩膜图像将图像分为用地红线内合法施工区域以及用地红线外区域。
S103可以进一步划分以下步骤S1031-S1034:
步骤S1031、将第一掩膜图像取反,生成第六掩膜图像;
具体地,将第六掩膜图像标记为Img6。图3示出了本发明实施例的第六掩膜图像,其中包括用地红线划分的不同区域。
步骤S1032、对第六掩膜图像进行形态学的连通域检测,获取第六掩膜图像的若干个子区域;
步骤S1033、将子区域的像素分别与第二掩膜图像的像素相乘,并计算乘积之和占第六掩膜图像的像素点之和的比例;
具体地,乘积之和占第六掩膜图像的像素点之和的比例:
其中,i表示图像行坐标,j表示图像列坐标,Imax表示图像最大行坐标,Jmax表示图像最大列坐标。
步骤S1034、获取比例最大值对应的区域,并将比例最大值对应的区域以外的区域作为用地红线标记的合法施工区域,生成第四掩膜图像。
图4示出了本发明实施例的第四掩膜图像。
根据步骤S1033,参照图4,可以理解的是,比例Part最大值对应的区域为背景区域,背景区域以外的区域为用地红线标记的合法施工区域。
S104、根据第三掩膜图像和第四掩膜图像得到违法用地区域,完成违法用地检测。
S104可以进一步划分以下步骤S1041-S1042:
步骤S1041、对第三掩膜图像进行形态学的连通域检测后去除离散区域,生成第七掩膜图像;
根据步骤S1022可知,第三掩膜图像为裸土区域的二值图。可以理解的是,背景区域(如植被)中可能存在裸土区域,如植被的裸露部分。
上述的背景区域中的裸土区域呈离散状态,本发明实施例通过对第三掩膜图像进行形态学的连通域检测,识别出背景区域中离散的裸土区域(离散区域),并将离散区域去除,保留剩余的裸土区域,生成第七掩膜图像并标记为Img7。
步骤S1042、将第七掩膜图像与第四掩膜图像做差,得到违法用地区域。
具体地,将第七掩膜图像与代表合法施工区域的第四掩膜图像做差,即可得到违法用地区域Img_temp:
Img_temp=Img7-Img4
在本发明的实施例中,在得到违法用地区域Img_temp后,还包括以下处理:
1)对违法用地区域进行形态学的连通域检测,生成连通域集合;
2)将连通域集合中区域面积小于预设值的连通域去除。
本发明实施例通过对违法用地区域进行连通域检测去除面积小于预设值的区域,减小了因施工土壤、灰尘溢出造成的违法用地检测误差。
可选地,设违法用地区域中的像素分辨率为pix-size,连通域集合中某个连通域占据的像素点的数量为pixels,去除pixels×pix_size<预设值的连通域。
在本发明的一个实施例中,将经过上述步骤1)-2)处理后的违法用地区域Img_temp标记为Img8。
可以理解的是,违法用地面积计算如下:
在本发明的实施例中,得到违法用地区域后,识别违法用地类型、违法严重性以及违法用地区域所在的行政区域,具体包括:
1)根据国土三调数据的二值图像和违法用地区域,识别违法用地区域的违法用地类型;
根据先验知识可知,国土三调数据包含了所有土地类型,例如,图5示出了高速公路沿线的农田分布图。本发明实施例通过对国土三调数据中包含农田、林地、环境敏感点等数据的区域进行二值化,得到国土三调数据的二值图像,进而通过提取国土三调数据的二值图像的节点坐标识别违法用地区域的违法用地类型。
可选地,参照图6,通过提取国土三调数据的二值图像的节点坐标并进行节点连接形成轮廓线,依次选择违法用地区域中的像素点,若该像素点所在的水平线从两侧分别穿过轮廓线,则判断两侧的交点数是否为奇数;若是,则认为该像素点位于轮廓线对应的区域,即违法用地类型为轮廓线对应的区域的土地类型;若否(两侧的交点数为偶数),则认为该像素点位于轮廓线对应的区域以外的区域。
2)基于HSV颜色空间,识别违法用地区域的违法严重性;
可以理解的是,在违法用地区域中,可能存在裸土区域和混凝土区域,裸土区域与混凝土区域的颜色存在很大的区别,因此,本发明实施例通过颜色判别违法用地区域的违法严重性。
可以理解的是,混凝土一般是灰色,对于HSV颜色空间,灰色主要由饱和度(Saturation)和明度(Value)两个分量决定。其中,饱和度S表示颜色接近光谱色的程度。颜色可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高。通常饱和度的取值范围为0%~100%,值越大,颜色越饱和。明度表示颜色明亮的程度,对于光源色,明度值与发光体的光亮度有关;对于物体色,明度值和物体的透射比或反射比有关。通常取值范围为0%(黑)到100%(白)。具体地,灰色对应的饱和度数值范围在0~43,亮度范围则是46~220。因此,本发明实施例计算违法用地区域内像素点的饱和度和亮度,并计算硬化系数harden,具体如下:
harden=h1×h2
式中h1为饱和度系数,h2为明度系数。饱和度系数非1即0。1表示在范围内,0表示不在范围内。明度系数经式中处理,也非1即0。1表示在范围内,0表示不在范围内。因此,硬化系数为1时才可能为混凝土区域。
式中Sat为饱和度,Value为明度。
3)根据行政区域的二值图像和违法用地区域,识别违法用地区域所在的行政区域。
具体地,在本发明的实施例中,根据既有行政区域线划图,参照步骤S103获取第四掩膜图像的方法,将获取的行政区域的二值图像标记为Maskk(k=1,....,Kmax,Kmax为行政区域的总数。通过下式计算违法用地区域所在的行政区域:
式中admin表示违法用地区域所属行政区。将行政区域二值图与处理后的违法用地区域(Img8)进行元素相乘再计算行政区域内的违法用地面积(标记为acreage):
图7示出了本发明实施例的一种高速公路违法用地检测方法的检测结果(图7(b)、(d)、(f))与现有的高速公路违法用地检测方法的检测结果(图7(a)、(c)、(e))(国土执法部门提供的疑似违法区域的检测结果)对比,结合步骤S101-S104所述的一种高速公路违法用地检测方法可知,本发明通过对单时相正射影像的待检测图像对应的用地红线进行二值化处理得到第一掩膜图像,根据第一掩膜图像和待检测图像背景区域的二值图,基于形态学处理得到用地红线标记的合法施工区域,即第四掩膜图像,进而根据第四掩膜图像和待检测图像的裸土区域得到违法用地区域,实现了基于单时相正射影像的高速公路违法用地检测,并且无需依赖海量的训练样本,提高了高速公路违法用地检测的准确性和可靠性。
其次,参照附图描述根据本申请实施例提出的一种高速公路违法用地检测系统。
图8是本申请一个实施例的一种高速公路违法用地检测系统结构示意图。
所述系统具体包括:
第一模块801,用于对待检测图像的用地红线进行二值化处理,生成第一掩膜图像,所述待检测图像为单时相的正射影像;
第二模块802,用于对所述待检测图像进行颜色空间转换,生成第二掩膜图像和第三掩膜图像,所述第二掩膜图像为高速公路背景区域的二值图,所述第三掩膜图像为裸土区域的二值图;
第三模块803,用于根据所述第一掩膜图像和所述第二掩膜图像,基于形态学处理生成第四掩膜图像,所述第四掩膜图像为所述用地红线标记的合法施工区域;
第四模块804,用于根据所述第三掩膜图像和所述第四掩膜图像得到违法用地区域,完成违法用地检测。
可见,上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图9,本申请实施例提供了一种高速公路违法用地检测装置,包括:
至少一个处理器901;
至少一个存储器902,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器901执行时,使得所述至少一个处理器901实现步骤S101-S104所述的一种高速公路违法用地检测方法。
同理,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本申请的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本申请,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能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,本申请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,包括若干程序用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行程序的定序列表,可以具体实现在任何计算机可读介质中,以供程序执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统)使用,或结合这些程序执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于所述实施例,熟悉本领域的技术人员在不违背本申请精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种高速公路违法用地检测方法,其特征在于,包括以下步骤:
对待检测图像的用地红线进行二值化处理,生成第一掩膜图像,所述待检测图像为单时相的正射影像;
对所述待检测图像进行颜色空间转换,生成第二掩膜图像和第三掩膜图像,所述第二掩膜图像为高速公路背景区域的二值图,所述第三掩膜图像为裸土区域的二值图;
根据所述第一掩膜图像和所述第二掩膜图像,基于形态学处理生成第四掩膜图像,所述第四掩膜图像为所述用地红线标记的合法施工区域;
根据所述第三掩膜图像和所述第四掩膜图像得到违法用地区域,完成违法用地检测。
2.根据权利要求1所述的一种高速公路违法用地检测方法,其特征在于,所述对待检测图像的用地红线进行二值化处理,生成第一掩膜图像,包括:
根据所述用地红线的矢量范围,提取用地红线坐标;
根据所述用地红线坐标将所述用地红线进行二值化处理,生成第五掩膜图像,所述第五掩膜图像为所述用地红线的二值影像图;
对所述第五掩膜图像中位于图像边际的标记点之间进行连线处理,生成所述第一掩膜图像。
3.根据权利要求1所述的一种高速公路违法用地检测方法,其特征在于,所述对所述待检测图像进行颜色空间转换,生成第二掩膜图像和第三掩膜图像,包括:
基于HSV颜色空间,挑选出所述待检测图像H通道数值落在颜色空间模型绿色和蓝色对应扇区内的像素点,生成所述第二掩膜图像;
获取所述第二掩膜图像以外的区域,生成所述第三掩膜图像。
4.根据权利要求1所述的一种高速公路违法用地检测方法,其特征在于,所述根据所述第一掩膜图像和所述第二掩膜图像,基于形态学处理生成第四掩膜图像,包括:
将所述第一掩膜图像取反,生成第六掩膜图像;
对所述第六掩膜图像进行形态学的连通域检测,获取所述第六掩膜图像的若干个子区域;
将所述子区域的像素分别与所述第二掩膜图像的像素相乘,并计算乘积之和占所述第六掩膜图像的像素点之和的比例;
获取比例最大值对应的区域,并将所述比例最大值对应的区域以外的区域作为所述用地红线标记的合法施工区域,生成所述第四掩膜图像。
5.根据权利要求1所述的一种高速公路违法用地检测方法,其特征在于,所述根据所述第三掩膜图像和所述第四掩膜图像得到违法用地区域,包括:
对所述第三掩膜图像进行形态学的连通域检测后去除离散区域,生成第七掩膜图像;
将所述第七掩膜图像与所述第四掩膜图像做差,得到所述违法用地区域。
6.根据权利要求5所述的一种高速公路违法用地检测方法,其特征在于,在所述将所述第七掩膜图像与所述第四掩膜图像做差,得到所述违法用地区域这一步骤之后,所述高速公路违法用地检测方法还包括:
对所述违法用地区域进行形态学的连通域检测,生成连通域集合;
将所述连通域集合中区域面积小于预设值的连通域去除。
7.根据权利要求1所述的一种高速公路违法用地检测方法,其特征在于,在所述根据所述第三掩膜图像和所述第四掩膜图像得到违法用地区域,完成违法用地检测这一步骤之后,所述高速公路违法用地检测方法还包括:
根据国土三调数据的二值图像和所述违法用地区域,识别所述违法用地区域的违法用地类型;
基于HSV颜色空间,识别所述违法用地区域的违法严重性;
根据行政区域的二值图像和所述违法用地区域,识别所述违法用地区域所在的行政区域。
8.一种高速公路违法用地检测系统,其特征在于,包括:
第一模块,用于对待检测图像的用地红线进行二值化处理,生成第一掩膜图像,所述待检测图像为单时相的正射影像;
第二模块,用于对所述待检测图像进行颜色空间转换,生成第二掩膜图像和第三掩膜图像,所述第二掩膜图像为高速公路背景区域的二值图,所述第三掩膜图像为裸土区域的二值图;
第三模块,用于根据所述第一掩膜图像和所述第二掩膜图像,基于形态学处理生成第四掩膜图像,所述第四掩膜图像为所述用地红线标记的合法施工区域;
第四模块,用于根据所述第三掩膜图像和所述第四掩膜图像得到违法用地区域,完成违法用地检测。
9.一种高速公路违法用地检测装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7中任一项所述的一种高速公路违法用地检测方法。
10.一种存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-7中任一项所述的一种高速公路违法用地检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210991068.5A CN115457381B (zh) | 2022-08-18 | 2022-08-18 | 一种高速公路违法用地检测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210991068.5A CN115457381B (zh) | 2022-08-18 | 2022-08-18 | 一种高速公路违法用地检测方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115457381A true CN115457381A (zh) | 2022-12-09 |
CN115457381B CN115457381B (zh) | 2023-09-05 |
Family
ID=84298523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210991068.5A Active CN115457381B (zh) | 2022-08-18 | 2022-08-18 | 一种高速公路违法用地检测方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457381B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170053807A (ko) * | 2015-11-06 | 2017-05-17 | 주식회사 지오멕스소프트 | 동적 배경을 가진 영상의 대상 객체 검출 방법 |
US20180018505A1 (en) * | 2015-10-26 | 2018-01-18 | Tencent Technology (Shenzhen) Company Limited | Method for detecting skin region and apparatus for detecting skin region |
KR20180082089A (ko) * | 2017-01-10 | 2018-07-18 | (주)베라시스 | 영상 기반 색상정보를 이용한 초지 경계 검출 방법 |
CN109271937A (zh) * | 2018-09-19 | 2019-01-25 | 深圳市赢世体育科技有限公司 | 基于图像处理的运动场地标志物识别方法及系统 |
CN110619651A (zh) * | 2019-09-09 | 2019-12-27 | 博云视觉(北京)科技有限公司 | 一种基于监控视频的行车道路分割方法 |
CN111144305A (zh) * | 2019-12-26 | 2020-05-12 | 京东数字科技控股有限公司 | 训练数据生成方法、装置、电子设备和介质 |
CN111672109A (zh) * | 2020-06-10 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 一种游戏地图生成的方法、游戏测试的方法以及相关装置 |
CN112257515A (zh) * | 2020-09-29 | 2021-01-22 | 河南大学 | 一种基于复杂地形的sar图像地物分类方法及装置 |
CN114066841A (zh) * | 2021-11-12 | 2022-02-18 | 百果园技术(新加坡)有限公司 | 一种天空检测方法、装置、计算机设备和存储介质 |
-
2022
- 2022-08-18 CN CN202210991068.5A patent/CN115457381B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180018505A1 (en) * | 2015-10-26 | 2018-01-18 | Tencent Technology (Shenzhen) Company Limited | Method for detecting skin region and apparatus for detecting skin region |
KR20170053807A (ko) * | 2015-11-06 | 2017-05-17 | 주식회사 지오멕스소프트 | 동적 배경을 가진 영상의 대상 객체 검출 방법 |
KR20180082089A (ko) * | 2017-01-10 | 2018-07-18 | (주)베라시스 | 영상 기반 색상정보를 이용한 초지 경계 검출 방법 |
CN109271937A (zh) * | 2018-09-19 | 2019-01-25 | 深圳市赢世体育科技有限公司 | 基于图像处理的运动场地标志物识别方法及系统 |
CN110619651A (zh) * | 2019-09-09 | 2019-12-27 | 博云视觉(北京)科技有限公司 | 一种基于监控视频的行车道路分割方法 |
CN111144305A (zh) * | 2019-12-26 | 2020-05-12 | 京东数字科技控股有限公司 | 训练数据生成方法、装置、电子设备和介质 |
CN111672109A (zh) * | 2020-06-10 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 一种游戏地图生成的方法、游戏测试的方法以及相关装置 |
CN112257515A (zh) * | 2020-09-29 | 2021-01-22 | 河南大学 | 一种基于复杂地形的sar图像地物分类方法及装置 |
CN114066841A (zh) * | 2021-11-12 | 2022-02-18 | 百果园技术(新加坡)有限公司 | 一种天空检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
ANDREY A.KUREKIN, BENJAMIN R.LOVEDAY AND ET AL: ""operational monitoring of illegal fishing in Ghana through Exploritation of Satellite Earth Observation and AIS Data"", "REMOTES ENS", vol. 11, no. 3 * |
Also Published As
Publication number | Publication date |
---|---|
CN115457381B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marconcini et al. | Outlining where humans live, the World Settlement Footprint 2015 | |
Inostroza et al. | Urban sprawl and fragmentation in Latin America: A dynamic quantification and characterization of spatial patterns | |
Flanagan et al. | Subpixel impervious surface mapping | |
Pande et al. | Assessment of land-use and land-cover changes in Pangari watershed area (MS), India, based on the remote sensing and GIS techniques | |
CN113177183B (zh) | 一种基于海洋遥感图像的海水污染监测预警方法及系统 | |
CN111931709B (zh) | 遥感影像的水体提取方法、装置、电子设备及存储介质 | |
Brewer et al. | Predicting road quality using high resolution satellite imagery: A transfer learning approach | |
CN108831183A (zh) | 基于机器视觉的停车场管理系统 | |
Erfani et al. | ATLANTIS: A benchmark for semantic segmentation of waterbody images | |
Aina et al. | Using multisource data and the VIS model in assessing the urban expansion of Riyadh city, Saudi Arabia | |
Herrault et al. | Automatic extraction of forests from historical maps based on unsupervised classification in the CIELab color space | |
Mantas et al. | A geospatial approach to monitoring impervious surfaces in watersheds using Landsat data (the Mondego Basin, Portugal as a case study) | |
Obiahu et al. | Spatiotemporal analysis of land use land cover changes and built-up expansion projection in predominantly dystric nitosol of Ebonyi state, Southeastern, Nigeria | |
CN111242223B (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
Zhao et al. | Annual 30-m big Lake Maps of the Tibetan Plateau in 1991–2018 | |
CN113705990A (zh) | 自然资源信息处理方法、装置、电子设备及存储介质 | |
Li et al. | RoadID: a dedicated deep convolutional neural network for multipavement distress detection | |
CN112085778A (zh) | 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统 | |
Ye et al. | A new perspective to map the supply and demand of artificial night light based on Loujia1-01 and urban big data | |
CN115457381B (zh) | 一种高速公路违法用地检测方法、系统、装置及存储介质 | |
Zhou et al. | An assessment of impervious surface areas in Rhode Island | |
Habib et al. | Quantifying peatland land use and CO2 emissions in Irish raised bogs: mapping insights using Sentinel-2 data and Google Earth Engine | |
McKay et al. | An automated approach to extracting river bank locations from aerial imagery using image texture | |
Singh et al. | The managed clearing: An overlooked land-cover type in urbanizing regions? | |
Sun et al. | A 10-m resolution impervious surface area map for the greater Mekong subregion from remote sensing images |
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 |