CN115578607A - 一种遥感影像有效像元覆盖范围快速提取方法 - Google Patents

一种遥感影像有效像元覆盖范围快速提取方法 Download PDF

Info

Publication number
CN115578607A
CN115578607A CN202211570753.7A CN202211570753A CN115578607A CN 115578607 A CN115578607 A CN 115578607A CN 202211570753 A CN202211570753 A CN 202211570753A CN 115578607 A CN115578607 A CN 115578607A
Authority
CN
China
Prior art keywords
remote sensing
effective
image
pixel
sensing image
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
Application number
CN202211570753.7A
Other languages
English (en)
Other versions
CN115578607B (zh
Inventor
李冠达
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.)
Third Institute Of Aerial Survey And Remote Sensing Ministry Of Natural Resources
Original Assignee
Third Institute Of Aerial Survey And Remote Sensing Ministry Of Natural Resources
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 Third Institute Of Aerial Survey And Remote Sensing Ministry Of Natural Resources filed Critical Third Institute Of Aerial Survey And Remote Sensing Ministry Of Natural Resources
Priority to CN202211570753.7A priority Critical patent/CN115578607B/zh
Publication of CN115578607A publication Critical patent/CN115578607A/zh
Application granted granted Critical
Publication of CN115578607B publication Critical patent/CN115578607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种遥感影像有效像元覆盖范围快速提取方法，属于遥感影像有效像元提取技术领域领域，解决了遥感影像有效像元覆盖范围提取效率低的问题；本发明通过降采样快速探测遥感影像有效范围边界，再对边界区域进行高精度检测提取准确的遥感影像有效像元覆盖范围，在保证准确性的同时，有效地减少了算法复杂度。相较于现有算法，本算法同时具有高精度与高速度的特点，尤其在针对大数据量的遥感影像运算中，本文算法的速度优势尤为显著，更适合应用于大规模的遥感影像生产与应用。值得一提的是，当应用于图幅巨大的遥感影像时，本算法可以通过多次降采样探测有效范围边界进一步提升算法速度。

Description

一种遥感影像有效像元覆盖范围快速提取方法
技术领域
本发明专利属于遥感影像有效像元提取技术领域，具体涉及一种遥感影像有效像元覆盖范围快速提取方法。
背景技术
遥感影像成图时，受传感器成像方式与状态、地形起伏、地球曲率、大气折射以及地球自转等因素的影响，原始影像相对于参照系统会产生几何形变。为消除地物形变对应用的影响，遥感影像需进行几何纠正形成正射遥感影像。纠正后的正射遥感影像仍然以像元矩阵存储，然而其有效信息边界必然发生形变，从而在影像边缘产生无效像元。在生产中，往往需要提取正射遥感影像的有效像元在空间地理上的覆盖范围，以便于后续遥感影像的镶嵌拼接等工作。此外，在实际应用中也需要按需提取遥感影像中特定的空间地理范围（如地理范围、行政区划范围、地物范围等）的像元信息，从而产生具有不规则有效像元范围的遥感影像，这些影像的有效像元覆盖范围同样需要被提取。因此，遥感影像有效像元覆盖范围的提取对于遥感分类、解译、影像拼接等多方面研究与测绘产品生产、管理、遥感影像统筹、自然资源监管等多方面应用具有重要作用。
目前，遥感影像有效范围像元覆盖范围提取或无效像元剔除算法主要有三种。
2012年高娟等提出区域生长法，该算法默认遥感影像若存在无效像元则四端点像元必为无效像元，并以四端点像元为种子点，向四邻域迭代增长探测遥感影像无效像元。该算法无法检测与四端点不连通的无效像元。
2014年王慧贤等提出扫描线法，该算法逐行从首尾两端对遥感影像进行逐像元扫描探测无效像元。该算法无法检测与边界点不能水平或竖直联通的像元，因此存在明显弊端，对于几何形状复杂的遥感影像有效范围边界无法进行准确检测。2015年，陶强强等在扫描线法基础上提出两阶段扫描法，有效解决了这一问题，但该算法仍然无法检测与边界无效像元不连通的无效像元。
2019年，高磊等提出阈值法，该算法对遥感影像进行逐像元检测，能够准探测出所有的有效像元与无效像元。2021年，饶锦蒙等在阈值法基础上提出矢量边界法，在准确检测出无效像元的同时也能够区分无效范围内的无效像元与有效范围内取值错误的无效值点。然而，这两种算法需要遍历每一个像元点，应用于数据量大的遥感影像时，需要耗费大量的计算资源。
发明内容
有鉴于此，本发明专利基于遥感影像有效范围的连续性，提出了一种快速准确的遥感影像有效像元覆盖范围提取方法。该方法在保证有效范围准确性的同时，有效降低了算法的时间复杂度，大大提高了遥感影像有效像元覆盖范围的提取效率。同时，该方法有效解决了遥感影像有效范围提取不准确，提取效率低等问题，具有较高的科学意义及实用价值。
本发明专利采用的技术方案如下：
一种遥感影像有效值空间覆盖范围快速提取方法，包括以下步骤：
步骤1：将原始影像经过降采样处理得到降采样影像，对降采样影像进行像元分类，初步确定有效像元；
步骤2：将初步确定的有效像元进行矢量化获得第一有效范围，提取第一有效范围的边界线并基于边界线建立缓冲区；
步骤3：将原始影像进行分块，将分块后的原始影像与缓冲区相交，获取各相交区域的最小外接矩形，根据所有最小外接矩形范围在原始影像中提取出像元矩阵，并获得像元矩阵的位置，对像元矩阵进行像元分类，进一步确定有效像元，将所述原始影像像元矩阵矢量化获得第二有效范围；
步骤4：利用降采样影像矢量化得到的第一有效范围，减去根据最小外接矩形提取的边界缓冲区，再加上原始影像像元矩阵矢量化获得的第二有效范围，获得准确的遥感影像有效像元覆盖范围；
步骤5：引入简化函数和简化误差，对获取的准确遥感影像有效范围进行简化处理。
所述步骤1具体包括以下步骤：
1.1：遥感影像的有效范围在空间上往往是连续，因此只需要探测出有效范围的边 界，便可以确定遥感影像的有效范围。本步骤为了快速探测出遥感影像有效范围边界，对遥 感影像
Figure DEST_PATH_IMAGE001
进行降采样处理得到降采样影像
Figure DEST_PATH_IMAGE002
，则有
Figure DEST_PATH_IMAGE003
，且满足公式：
Figure DEST_PATH_IMAGE004
式中
Figure DEST_PATH_IMAGE005
为降采样系数，且满足
Figure DEST_PATH_IMAGE006
为单位像元，
Figure DEST_PATH_IMAGE007
为原始遥感影像和降 采样影像关系模型。通过此步骤可得到一个像元更少的遥感影像，可以快速检测出精确度 较低的影像有效范围边界。与此同时，若有效范围中存在取值为无效值的个别误差像元，在 降采样后也会被有效剔除。
1.2：对降采样影像像元进行有效像元和无效像元分类可提高有效范围提取精度 及效率。标准的遥感影像往往会设定单一的无效像元的取值，称之为无效值，以避免有效像 元取值与无效值范围重叠，通过分类算法可将两类像元进行分类，分类算法
Figure DEST_PATH_IMAGE008
如公式所 示：
Figure DEST_PATH_IMAGE009
式中
Figure DEST_PATH_IMAGE010
为单位像元，
Figure DEST_PATH_IMAGE011
为单一的无效像元取值。
然而对于一些没有设定无效值甚至无效值不唯一的遥感影像，则需要判断其有效像元与无效像元的取值范围，并进行分类。一般遥感影像有效像元取值服从正态分布，无效像元的取值则服从脉冲分布，因此本步骤可进一步采用最大类间方差法（OTSU）对降采样影像的有效范围与无效范围进行有效分类。
依据最大类间方差法，则有分类算法
Figure DEST_PATH_IMAGE012
满足公式：
Figure DEST_PATH_IMAGE013
式中
Figure DEST_PATH_IMAGE014
为单位像元，
Figure DEST_PATH_IMAGE015
为有效像元的取值范围，
Figure DEST_PATH_IMAGE016
为类间方差。
所述步骤2具体包括以下步骤：
2.1：为获取降采样影像的有效范围
Figure DEST_PATH_IMAGE017
，该步骤首先对降采样影像
Figure DEST_PATH_IMAGE018
进行矢量 化得出其地理空间位置，设
Figure DEST_PATH_IMAGE019
的地理坐标与像元坐标的仿射变换为
Figure DEST_PATH_IMAGE020
，如公式所示：
Figure DEST_PATH_IMAGE021
其中
Figure DEST_PATH_IMAGE022
为影像左上角在地理坐标系横向的坐标，
Figure DEST_PATH_IMAGE023
为地理坐标系横向的像元分 辨率，
Figure DEST_PATH_IMAGE024
为地理坐标系横方向与影像坐标系行方向的夹角；
Figure DEST_PATH_IMAGE025
为影像左上角在地理坐标 系纵向的坐标，
Figure DEST_PATH_IMAGE026
为地理标系纵方向与影像坐标系列方向的夹角，
Figure DEST_PATH_IMAGE027
为地理坐标系纵向 的像元分辨率。一般情况下，校正后的遥感影像其像元坐标的行列方向与地理坐标系
Figure DEST_PATH_IMAGE028
轴、
Figure DEST_PATH_IMAGE029
轴方向一致，此时
Figure DEST_PATH_IMAGE030
与
Figure DEST_PATH_IMAGE031
的值为0，则有公式：
Figure DEST_PATH_IMAGE032
设有以下公式，其中
Figure DEST_PATH_IMAGE033
为像元所在列数，
Figure DEST_PATH_IMAGE034
为像元所在行数。
Figure DEST_PATH_IMAGE035
则可获得降采样影像第一有效范围
Figure DEST_PATH_IMAGE036
，满足以下关系式：
Figure DEST_PATH_IMAGE037
Figure DEST_PATH_IMAGE038
式中
Figure DEST_PATH_IMAGE039
为单位像元，
Figure DEST_PATH_IMAGE040
为有效像元的取值范围，
Figure DEST_PATH_IMAGE041
为遥感影像的地理坐标 与像元坐标的仿射变换关系，；
2.2：根据降采样影像第一有效范围
Figure DEST_PATH_IMAGE042
，对
Figure DEST_PATH_IMAGE043
提取边线便可得到精确度较低的 影像有效范围边界
Figure DEST_PATH_IMAGE044
，设提取边线算法为
Figure DEST_PATH_IMAGE045
，则满足以下公式：
Figure DEST_PATH_IMAGE046
2.3：设遥感影像
Figure DEST_PATH_IMAGE047
的分辨率为
Figure DEST_PATH_IMAGE048
，影像边界
Figure DEST_PATH_IMAGE049
误差
Figure DEST_PATH_IMAGE050
满足公式：
Figure DEST_PATH_IMAGE051
以
Figure DEST_PATH_IMAGE052
为缓冲区半径，对降采样影像第一有效范围边界
Figure DEST_PATH_IMAGE053
构建缓冲区，设构 建缓冲区算法为
Figure DEST_PATH_IMAGE054
，则有缓冲区
Figure DEST_PATH_IMAGE055
满足公式：
Figure DEST_PATH_IMAGE056
则遥感影像有效范围的精确边界
Figure DEST_PATH_IMAGE057
必然在缓冲区
Figure DEST_PATH_IMAGE058
内。
所述步骤3具体包括以下步骤：
3.1： 如图1所示，将原始遥感影像分块为
Figure DEST_PATH_IMAGE059
的像元矩阵
Figure DEST_PATH_IMAGE060
，其中
Figure DEST_PATH_IMAGE061
表示分块行数，
Figure DEST_PATH_IMAGE062
表示分块列数。
Figure DEST_PATH_IMAGE063
对像元矩阵
Figure DEST_PATH_IMAGE064
范围矢量化，则有对应的空间范围
Figure DEST_PATH_IMAGE065
，满足公式：
Figure DEST_PATH_IMAGE066
由于影像是一个像元矩阵，无法利用缓冲区
Figure DEST_PATH_IMAGE067
的范围直接提取像元数据，事实 上若完全依照
Figure DEST_PATH_IMAGE068
公式，仍然需要对影像的像元进行完全检测以判断哪些像元 是处于该范围内的。因此在算法的实现中，本步骤将缓冲区域分割为更小的矩形区域，从而 提取与这些矩形区域相对应的像元矩阵进行检测。
3.2：将
Figure DEST_PATH_IMAGE069
与所得的缓冲区
Figure DEST_PATH_IMAGE070
相交后获取最小外接矩形，便可获得在
Figure DEST_PATH_IMAGE071
尺 度下最小的分块，如公式所示，
Figure DEST_PATH_IMAGE072
为获取最小外接矩形函数。
Figure DEST_PATH_IMAGE073
3.3：对分割后的缓冲区块
Figure DEST_PATH_IMAGE074
进行反向的仿射变换获取其对应像元矩阵
Figure DEST_PATH_IMAGE075
的 行列位置
Figure DEST_PATH_IMAGE076
，设
Figure DEST_PATH_IMAGE077
如公式所示：
Figure DEST_PATH_IMAGE078
设有以下公式，其中
Figure DEST_PATH_IMAGE079
为地理坐标系横向的坐标，
Figure DEST_PATH_IMAGE080
为地理坐标系纵向的坐标。
Figure DEST_PATH_IMAGE081
则可得
Figure DEST_PATH_IMAGE082
对应的像元矩阵位置
Figure DEST_PATH_IMAGE083
，如下公式所示：
Figure DEST_PATH_IMAGE084
式中
Figure DEST_PATH_IMAGE085
为仿射变换的逆变换。
3.4：根据标准遥感影像设定的单一的无效像元取值，或无效像元取值的脉冲分布 特征，进一步对像元矩阵
Figure DEST_PATH_IMAGE086
进行像元分类，分为有效像元和无效像元。
3.5：对像元矩阵
Figure DEST_PATH_IMAGE087
进行矢量化处理，获得缓冲区分块
Figure DEST_PATH_IMAGE088
内的第二有效范围
Figure DEST_PATH_IMAGE089
，满足以下关系：
Figure DEST_PATH_IMAGE090
Figure DEST_PATH_IMAGE091
所述步骤4具体包括以下步骤：
4.1：利用降采样影像矢量化得到的第一有效范围
Figure DEST_PATH_IMAGE092
，减去分割后的边界缓冲区
Figure DEST_PATH_IMAGE093
，再加上像元矩阵
Figure DEST_PATH_IMAGE094
矢量化所得的第二有效范围
Figure DEST_PATH_IMAGE095
，最终获得准确的遥感影像有 效像元覆盖范围
Figure DEST_PATH_IMAGE096
，满足公式：
Figure DEST_PATH_IMAGE097
所述步骤5具体包括以下步骤：
5.1由于提取遥感影像有效范围是以像元为最小单位的，矢量化后的遥感影像有 效范围在斜边处会呈现矩形锯齿状，在实际应用中一般会进行矢量化的简化，且简化后的 矢量图形更加简单，有利于提高改进算法的速度，因此，本步骤引入简化函数
Figure DEST_PATH_IMAGE098
，简化误差 应为像元大小的一半，在空间坐标系下即为
Figure DEST_PATH_IMAGE099
，如公式所示：
Figure DEST_PATH_IMAGE100
那么边界
Figure DEST_PATH_IMAGE101
误差极限
Figure DEST_PATH_IMAGE102
则应加入简化误差，满足公式：
Figure DEST_PATH_IMAGE103
进而输出简化后的有效范围
Figure DEST_PATH_IMAGE104
。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明通过降采样快速探测遥感影像有效范围边界，再对边界区域进行高精度检测提取准确的遥感影像有效像元覆盖范围，在保证准确性的同时，有效地减少了算法复杂度。相较于现有算法，本算法同时具有高精度与高速度的特点，尤其在针对大数据量的遥感影像运算中，本文算法的速度优势尤为显著，更适合应用于大规模的遥感影像生产与应用。值得一提的是，当应用于图幅巨大的遥感影像时，本算法可以通过多次降采样探测有效范围边界进一步提升算法速度。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明的原始影像分块后与缓冲区求交时的示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本发明实施方式的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
实施例
本发明实施例中公开了一种遥感影像有效值空间覆盖范围快速提取方法，包括以下步骤：
步骤1：将原始影像经过降采样处理得到降采样影像，对降采样影像进行像元分类，初步确定有效像元；
步骤2：将初步确定的有效像元进行矢量化获得第一有效范围，提取第一有效范围的边界线并基于边界线建立缓冲区；
步骤3：将原始影像进行分块，将分块后的原始影像与缓冲区相交，获取各相交区域的最小外接矩形，根据所有最小外接矩形范围在原始影像中提取出像元矩阵，并获得像元矩阵的位置，对像元矩阵进行像元分类，进一步确定有效像元，将所述原始影像像元矩阵矢量化获得第二有效范围；
步骤4：利用降采样影像矢量化得到的第一有效范围，减去根据最小外接矩形提取的边界缓冲区，再加上原始影像像元矩阵矢量化获得的第二有效范围，获得准确的遥感影像有效像元覆盖范围；
步骤5：引入简化函数和简化误差，对获取的准确遥感影像有效范围进行简化处理。
所述步骤1具体包括以下步骤：
1.1：遥感影像的有效范围在空间上往往是连续，因此只需要探测出有效范围的边 界，便可以确定遥感影像的有效范围。本步骤为了快速探测出遥感影像有效范围边界，对遥 感影像
Figure DEST_PATH_IMAGE105
进行降采样处理得到降采样影像
Figure DEST_PATH_IMAGE106
，则有
Figure DEST_PATH_IMAGE107
，且满足公式：
Figure DEST_PATH_IMAGE108
式中
Figure DEST_PATH_IMAGE109
为降采样系数，且满足
Figure DEST_PATH_IMAGE110
为单位像元，
Figure DEST_PATH_IMAGE111
为原始遥感影像和降 采样影像关系模型。通过此步骤可得到一个像元更少的遥感影像，可以快速检测出精确度 较低的影像有效范围边界。与此同时，若有效范围中存在取值为无效值的个别误差像元，在 降采样后也会被有效剔除。
1.2：对降采样影像像元进行有效像元和无效像元分类可提高有效范围提取精度 及效率。标准的遥感影像往往会设定单一的无效像元的取值，称之为无效值，以避免有效像 元取值与无效值范围重叠，通过分类算法可将两类像元进行分类，分类算法
Figure DEST_PATH_IMAGE112
如公式所 示：
Figure DEST_PATH_IMAGE113
式中
Figure DEST_PATH_IMAGE114
为单位像元，
Figure DEST_PATH_IMAGE115
为单一的无效像元取值。
然而对于一些没有设定无效值甚至无效值不唯一的遥感影像，则需要判断其有效像元与无效像元的取值范围，并进行分类。一般遥感影像有效像元取值服从正态分布，无效像元的取值则服从脉冲分布，因此本步骤可进一步采用最大类间方差法（OTSU）对降采样影像的有效范围与无效范围进行有效分类。
依据最大类间方差法，则有分类算法
Figure DEST_PATH_IMAGE116
满足公式：
Figure DEST_PATH_IMAGE117
式中
Figure DEST_PATH_IMAGE118
为单位像元，
Figure DEST_PATH_IMAGE119
为有效像元的取值范围，
Figure DEST_PATH_IMAGE120
为类间方差。
所述步骤2具体包括以下步骤：
2.1：为获取降采样影像的有效范围
Figure DEST_PATH_IMAGE121
，该步骤首先对降采样影像
Figure DEST_PATH_IMAGE122
进行矢 量化得出其地理空间位置，设
Figure DEST_PATH_IMAGE123
的地理坐标与像元坐标的仿射变换为
Figure DEST_PATH_IMAGE124
，如公式所示：
Figure DEST_PATH_IMAGE125
其中
Figure DEST_PATH_IMAGE126
为影像左上角在地理坐标系横向的坐标，
Figure DEST_PATH_IMAGE127
为地理坐标系横向的像元 分辨率，
Figure DEST_PATH_IMAGE128
为地理坐标系横方向与影像坐标系行方向的夹角；
Figure DEST_PATH_IMAGE129
为影像左上角在地理坐 标系纵向的坐标，
Figure DEST_PATH_IMAGE130
为地理标系纵方向与影像坐标系列方向的夹角，
Figure DEST_PATH_IMAGE131
为地理坐标系纵 向的像元分辨率。一般情况下，校正后的遥感影像其像元坐标的行列方向与地理坐标系
Figure DEST_PATH_IMAGE132
轴、
Figure DEST_PATH_IMAGE133
轴方向一致，此时
Figure DEST_PATH_IMAGE134
与
Figure DEST_PATH_IMAGE135
的值为0，则有公式：
Figure DEST_PATH_IMAGE136
设有以下公式，其中
Figure DEST_PATH_IMAGE137
为像元所在列数，
Figure DEST_PATH_IMAGE138
为像元所在行数。
Figure DEST_PATH_IMAGE139
则可获得降采样影像第一有效范围
Figure DEST_PATH_IMAGE140
，满足以下关系式：
Figure DEST_PATH_IMAGE141
Figure DEST_PATH_IMAGE142
式中
Figure DEST_PATH_IMAGE143
为单位像元，
Figure DEST_PATH_IMAGE144
为有效像元的取值范围，
Figure DEST_PATH_IMAGE145
为遥感影像的地理坐标 与像元坐标的仿射变换关系；
2.2：根据降采样影像第一有效范围
Figure DEST_PATH_IMAGE146
，对
Figure DEST_PATH_IMAGE147
提取边线便可得到精确度较低的 影像有效范围边界
Figure DEST_PATH_IMAGE148
，设提取边线算法为
Figure DEST_PATH_IMAGE149
，则满足以下公式：
Figure DEST_PATH_IMAGE150
2.3：设遥感影像
Figure DEST_PATH_IMAGE151
的分辨率为
Figure DEST_PATH_IMAGE152
，影像边界
Figure DEST_PATH_IMAGE153
误差
Figure DEST_PATH_IMAGE154
满足公式：
Figure DEST_PATH_IMAGE155
以
Figure DEST_PATH_IMAGE156
为缓冲区半径，对降采样影像第一有效范围边界
Figure DEST_PATH_IMAGE157
构建缓冲区，设构建缓 冲区算法为
Figure DEST_PATH_IMAGE158
，则有缓冲区
Figure DEST_PATH_IMAGE159
满足公式：
Figure DEST_PATH_IMAGE160
则遥感影像有效范围的精确边界
Figure DEST_PATH_IMAGE161
必然在缓冲区
Figure DEST_PATH_IMAGE162
内。
所述步骤3具体包括以下步骤：
3.1：由于影像是一个像元矩阵，无法利用缓冲区
Figure DEST_PATH_IMAGE163
的范围直接提取像元数据，事 实上若完全依照
Figure DEST_PATH_IMAGE164
公式，仍然需要对影像的像元进行完全检测以判断哪些像 元是处于该范围内的。因此在算法的实现中，本步骤将缓冲区域分割为更小的矩形区域，从 而提取与这些矩形区域相对应的像元矩阵进行检测。
如图1所示，将原始遥感影像分块为
Figure DEST_PATH_IMAGE165
的像元矩阵
Figure DEST_PATH_IMAGE166
，其中
Figure DEST_PATH_IMAGE167
表 示分块行数，
Figure DEST_PATH_IMAGE168
表示分块列数。
Figure DEST_PATH_IMAGE169
对像元矩阵
Figure DEST_PATH_IMAGE170
范围矢量化，则有对应的空间范围
Figure DEST_PATH_IMAGE171
，满足公式：
Figure DEST_PATH_IMAGE172
3.2：将
Figure DEST_PATH_IMAGE173
与所得的缓冲区
Figure DEST_PATH_IMAGE174
相交后获取最小外接矩形，便可获得在
Figure DEST_PATH_IMAGE175
尺度 下最小的分块，如公式所示，
Figure DEST_PATH_IMAGE176
为获取最小外接矩形函数。
Figure DEST_PATH_IMAGE177
3.3：对分割后的缓冲区块
Figure DEST_PATH_IMAGE178
进行反向的仿射变换获取其对应像元矩阵
Figure DEST_PATH_IMAGE179
的 行列位置
Figure DEST_PATH_IMAGE180
，设
Figure DEST_PATH_IMAGE181
如公式所示：
Figure DEST_PATH_IMAGE182
设有以下公式，其中
Figure DEST_PATH_IMAGE183
为地理坐标系横向的坐标，
Figure DEST_PATH_IMAGE184
为地理坐标系纵向的坐标。
Figure DEST_PATH_IMAGE185
则可得
Figure DEST_PATH_IMAGE186
对应的像元矩阵位置
Figure DEST_PATH_IMAGE187
，如下公式所示：
Figure DEST_PATH_IMAGE188
式中
Figure DEST_PATH_IMAGE189
为仿射变换的逆变换。
3.4：根据标准遥感影像设定的单一的无效像元取值，或无效像元取值的脉冲分布 特征，进一步对像元矩阵
Figure DEST_PATH_IMAGE190
进行像元分类，分为有效像元和无效像元。
3.5：对像元矩阵
Figure DEST_PATH_IMAGE191
进行矢量化处理，获得缓冲区分块
Figure DEST_PATH_IMAGE192
内的第二有效范围
Figure DEST_PATH_IMAGE193
，满足以下关系：
Figure DEST_PATH_IMAGE194
Figure DEST_PATH_IMAGE195
所述步骤4具体包括以下步骤：
4.1：利用降采样影像矢量化得到的第一有效范围
Figure DEST_PATH_IMAGE196
，减去分割后的边界缓冲区
Figure DEST_PATH_IMAGE197
，再加上像元矩阵
Figure DEST_PATH_IMAGE198
矢量化所得的第二有效范围
Figure DEST_PATH_IMAGE199
，最终获得准确的遥感影像有 效像元覆盖范围
Figure DEST_PATH_IMAGE200
，满足公式：
Figure DEST_PATH_IMAGE201
所述步骤5具体包括以下步骤：
5.1由于提取遥感影像有效范围是以像元为最小单位的，矢量化后的遥感影像有 效范围在斜边处会呈现矩形锯齿状，在实际应用中一般会进行矢量化的简化，且简化后的 矢量图形更加简单，有利于提高改进算法的速度，因此，本步骤引入简化函数
Figure DEST_PATH_IMAGE202
，简化误差 应为像元大小的一半，在空间坐标系下即为
Figure DEST_PATH_IMAGE203
，如公式所示：
Figure DEST_PATH_IMAGE204
那么边界
Figure DEST_PATH_IMAGE205
误差极限
Figure DEST_PATH_IMAGE206
则应加入简化误差，满足公式：
Figure DEST_PATH_IMAGE207
进而输出简化后的有效范围
Figure DEST_PATH_IMAGE208
。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种遥感影像有效值空间覆盖范围快速提取方法，其特征在于，包括以下步骤：
步骤1：将原始影像经过降采样处理得到降采样影像，对降采样影像进行像元分类，初步确定有效像元；
步骤2：将初步确定的有效像元进行矢量化获得第一有效范围，提取第一有效范围的边界线并基于边界线建立缓冲区；
步骤3：将原始影像进行分块，将分块后的原始影像与缓冲区相交，获取各相交区域的最小外接矩形，根据所有最小外接矩形范围在原始影像中提取出像元矩阵，并获得像元矩阵的位置，对像元矩阵进行像元分类，进一步确定有效像元，将所述原始影像像元矩阵矢量化获得第二有效范围；
步骤4：利用降采样影像矢量化得到的第一有效范围，减去根据最小外接矩形提取的边界缓冲区，再加上原始影像像元矩阵矢量化获得的第二有效范围，获得准确的遥感影像有效像元覆盖范围；
步骤5：引入简化函数和简化误差，对获取的准确遥感影像有效范围进行简化处理。
2.根据权利要求1所述的一种遥感影像有效值空间覆盖范围快速提取方法，其特征在于，所述步骤1具体包括以下步骤：
步骤1.1：对遥感影像
Figure 139111DEST_PATH_IMAGE001
进行降采样处理得到降采样影像
Figure 102256DEST_PATH_IMAGE002
，两者满足以下关系：
Figure 413152DEST_PATH_IMAGE003
式中
Figure 605099DEST_PATH_IMAGE004
为降采样系数，且满足
Figure 966941DEST_PATH_IMAGE005
；
步骤1.2：根据标准遥感影像设定的单一的无效像元取值，或无效像元取值的脉冲分布 特征，进一步对降采样影像
Figure 586141DEST_PATH_IMAGE006
进行像元分类，分为有效像元和无效像元。
3.根据权利要求2所述的一种遥感影像有效值空间覆盖范围快速提取方法，其特征在于，所述步骤2具体包括以下步骤：
步骤2.1：对降采样影像进行矢量化处理得出其地理空间位置，获得降采样影像第一有 效范围
Figure 384333DEST_PATH_IMAGE007
，满足以下关系：
Figure 629239DEST_PATH_IMAGE008
Figure 829276DEST_PATH_IMAGE009
式中
Figure 619377DEST_PATH_IMAGE010
为单位像元，
Figure 655598DEST_PATH_IMAGE011
为有效像元的取值范围，
Figure 189347DEST_PATH_IMAGE012
为遥感影像的地理坐标与像元坐 标的仿射变换关系，
Figure 509470DEST_PATH_IMAGE013
为
Figure 719740DEST_PATH_IMAGE014
的导数，
Figure 758103DEST_PATH_IMAGE015
为
Figure 564385DEST_PATH_IMAGE016
的导数；
步骤2.2：根据降采样影像第一有效范围
Figure 755326DEST_PATH_IMAGE017
，提取其有效范围边界
Figure 621651DEST_PATH_IMAGE018
，设提取边线算法 为
Figure 147311DEST_PATH_IMAGE019
，则满足以下公式：
Figure 757283DEST_PATH_IMAGE020
式中，
Figure 301266DEST_PATH_IMAGE021
为第一有效范围；
步骤2.3：基于降采样影像第一有效范围边界
Figure 604071DEST_PATH_IMAGE022
，以
Figure 351448DEST_PATH_IMAGE023
为缓冲区半径构建缓冲区
Figure 515844DEST_PATH_IMAGE024
， 设构建缓冲区算法为
Figure 665065DEST_PATH_IMAGE025
，则缓冲区满足公式：
Figure 138772DEST_PATH_IMAGE026
式中，
Figure 622712DEST_PATH_IMAGE027
为缓冲区半径。
4.根据权利要求3所述的一种遥感影像有效值空间覆盖范围快速提取方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3.1：将原始遥感影像分块为
Figure 574487DEST_PATH_IMAGE028
的像元矩阵
Figure 578216DEST_PATH_IMAGE029
，其中
Figure 239135DEST_PATH_IMAGE030
表示分块行数，
Figure 695524DEST_PATH_IMAGE031
表示 分块列数，
对像元矩阵
Figure 716570DEST_PATH_IMAGE032
进行矢量化操作，获取分块像元矩阵
Figure 309225DEST_PATH_IMAGE033
的空间范围
Figure 374002DEST_PATH_IMAGE034
；
步骤3.2：将
Figure 583267DEST_PATH_IMAGE035
与缓冲区
Figure 142424DEST_PATH_IMAGE036
分块后求交，并获取求交后的最小外接矩形（矩形方向与像 元方向保持一直），得到
Figure 871477DEST_PATH_IMAGE037
，满足公式：
Figure 592308DEST_PATH_IMAGE038
式中
Figure 23289DEST_PATH_IMAGE039
为获取最小外接矩形的函数；
步骤3.3：对分割后的缓冲区块
Figure 635405DEST_PATH_IMAGE040
进行反向的仿射变换获取其对应像元矩阵
Figure 468232DEST_PATH_IMAGE041
的行 列位置
Figure 359964DEST_PATH_IMAGE042
，设如下公式所示：
Figure 543821DEST_PATH_IMAGE043
式中
Figure 195513DEST_PATH_IMAGE044
为仿射变换的逆变换；
步骤3.4：根据标准遥感影像设定的单一的无效像元取值，或无效像元取值的脉冲分布 特征，进一步对像元矩阵
Figure 882847DEST_PATH_IMAGE045
进行像元分类，分为有效像元和无效像元；
步骤3.5：对像元矩阵
Figure 211060DEST_PATH_IMAGE046
进行矢量化处理，获得缓冲区分块
Figure 865901DEST_PATH_IMAGE047
内的第二有效范围
Figure 570552DEST_PATH_IMAGE048
，满足以下关系：
Figure 112392DEST_PATH_IMAGE049
Figure 627818DEST_PATH_IMAGE050
式中，
Figure 255108DEST_PATH_IMAGE051
为像元矩阵。
5.根据权利要求4所述的一种遥感影像有效值空间覆盖范围快速提取方法，其特征在于，所述步骤4具体包括以下步骤：
步骤4.1：利用降采样影像矢量化得到的第一有效范围
Figure 763450DEST_PATH_IMAGE052
，减去分割后的边界缓冲区
Figure 159796DEST_PATH_IMAGE054
，再加上像元矩阵
Figure 79080DEST_PATH_IMAGE055
矢量化所得的第二有效范围
Figure 193666DEST_PATH_IMAGE056
，最终获得准确的遥感影像有效 像元覆盖范围
Figure 240119DEST_PATH_IMAGE057
，满足公式：
Figure 507284DEST_PATH_IMAGE058
式中，
Figure 613780DEST_PATH_IMAGE059
为第二有效范围。
6.根据权利要求5所述的一种遥感影像有效值空间覆盖范围快速提取方法，其特征在于，所述步骤5具体包括以下步骤：
步骤5.1对提取的遥感影像准确有效范围
Figure 215663DEST_PATH_IMAGE060
进行简化处理以消除锯齿边界，引入简化 函数和简化误差，设简化半径为
Figure 315075DEST_PATH_IMAGE061
，进而输出简化后的
Figure 686013DEST_PATH_IMAGE062
。
CN202211570753.7A 2022-12-08 2022-12-08 一种遥感影像有效像元覆盖范围快速提取方法 Active CN115578607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211570753.7A CN115578607B (zh) 2022-12-08 2022-12-08 一种遥感影像有效像元覆盖范围快速提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211570753.7A CN115578607B (zh) 2022-12-08 2022-12-08 一种遥感影像有效像元覆盖范围快速提取方法

Publications (2)

Publication Number Publication Date
CN115578607A true CN115578607A (zh) 2023-01-06
CN115578607B CN115578607B (zh) 2023-04-25

Family

ID=84590720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211570753.7A Active CN115578607B (zh) 2022-12-08 2022-12-08 一种遥感影像有效像元覆盖范围快速提取方法

Country Status (1)

Country Link
CN (1) CN115578607B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7813582B1 (en) * 2006-09-25 2010-10-12 Google Inc. Method and apparatus for enhancing object boundary precision in an image
CN102033898A (zh) * 2010-09-27 2011-04-27 华东师范大学 中分辨率成像光谱影像的局地云量信息元数据提取方法
CN102930540A (zh) * 2012-10-26 2013-02-13 中国地质大学（武汉） 城市建筑物轮廓检测的方法及系统
CN103400151A (zh) * 2013-08-16 2013-11-20 武汉大学 一体化的光学遥感影像与gis自动配准与水体提取方法
CN105551028A (zh) * 2015-12-09 2016-05-04 中山大学 一种基于遥感影像的地理空间数据动态更新的方法及系统
CN105631849A (zh) * 2014-11-06 2016-06-01 航天恒星科技有限公司 多边形目标的变化检测方法及装置
CN111339947A (zh) * 2020-02-26 2020-06-26 苏州中科天启遥感科技有限公司 遥感影像模糊边界地物的提取方法及系统、存储介质、设备
CN112883796A (zh) * 2021-01-19 2021-06-01 中国地质大学（武汉） 基于叠掩信息的sar图像多类型建筑物高度估计方法
CN113744144A (zh) * 2021-08-20 2021-12-03 长江大学 遥感影像建筑物边界优化方法、系统、设备及存储介质
CN114066910A (zh) * 2021-11-17 2022-02-18 武汉大势智慧科技有限公司 一种无人机摄影测量的模型有效区域自动提取方法和系统
CN114299394A (zh) * 2021-12-30 2022-04-08 珠海涵辰科技有限公司 一种遥感影像智能解译方法
CN114757923A (zh) * 2022-04-19 2022-07-15 南京大学 光谱端元自动提取方法及装置
CN114821355A (zh) * 2022-04-27 2022-07-29 生态环境部卫星环境应用中心 海岸线自动化识别方法和装置
CN115035340A (zh) * 2022-06-13 2022-09-09 电子科技大学 遥感影像分类结果验证方法
CN115223054A (zh) * 2022-07-15 2022-10-21 国家林业和草原局西南调查规划院 一种基于分区聚类与卷积的遥感影像变化检测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7813582B1 (en) * 2006-09-25 2010-10-12 Google Inc. Method and apparatus for enhancing object boundary precision in an image
CN102033898A (zh) * 2010-09-27 2011-04-27 华东师范大学 中分辨率成像光谱影像的局地云量信息元数据提取方法
CN102930540A (zh) * 2012-10-26 2013-02-13 中国地质大学（武汉） 城市建筑物轮廓检测的方法及系统
CN103400151A (zh) * 2013-08-16 2013-11-20 武汉大学 一体化的光学遥感影像与gis自动配准与水体提取方法
CN105631849A (zh) * 2014-11-06 2016-06-01 航天恒星科技有限公司 多边形目标的变化检测方法及装置
CN105551028A (zh) * 2015-12-09 2016-05-04 中山大学 一种基于遥感影像的地理空间数据动态更新的方法及系统
CN111339947A (zh) * 2020-02-26 2020-06-26 苏州中科天启遥感科技有限公司 遥感影像模糊边界地物的提取方法及系统、存储介质、设备
CN112883796A (zh) * 2021-01-19 2021-06-01 中国地质大学（武汉） 基于叠掩信息的sar图像多类型建筑物高度估计方法
CN113744144A (zh) * 2021-08-20 2021-12-03 长江大学 遥感影像建筑物边界优化方法、系统、设备及存储介质
CN114066910A (zh) * 2021-11-17 2022-02-18 武汉大势智慧科技有限公司 一种无人机摄影测量的模型有效区域自动提取方法和系统
CN114299394A (zh) * 2021-12-30 2022-04-08 珠海涵辰科技有限公司 一种遥感影像智能解译方法
CN114757923A (zh) * 2022-04-19 2022-07-15 南京大学 光谱端元自动提取方法及装置
CN114821355A (zh) * 2022-04-27 2022-07-29 生态环境部卫星环境应用中心 海岸线自动化识别方法和装置
CN115035340A (zh) * 2022-06-13 2022-09-09 电子科技大学 遥感影像分类结果验证方法
CN115223054A (zh) * 2022-07-15 2022-10-21 国家林业和草原局西南调查规划院 一种基于分区聚类与卷积的遥感影像变化检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高星宇: "遥感影像智能云掩膜方法研究与系统实现" *

Also Published As

Publication number Publication date
CN115578607B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN109752701B (zh) 一种基于激光点云的道路边沿检测方法
CN112766184B (zh) 基于多层级特征选择卷积神经网络的遥感目标检测方法
US6859555B1 (en) Fast dominant circle detection through horizontal and vertical scanning
CN110969624A (zh) 一种激光雷达三维点云分割方法
CN107248159A (zh) 一种基于双目视觉的金属工件缺陷检测方法
CN110853081B (zh) 基于单木分割的地面和机载LiDAR点云配准方法
CN111598770A (zh) 一种基于三维数据和二维图像的物体检测方法和装置
CN103295239A (zh) 一种基于平面基准影像的激光点云数据的自动配准方法
CN112464812A (zh) 一种基于车辆的凹陷类障碍物检测方法
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN113409332B (zh) 一种基于三维点云的建筑物平面分割方法
CN113884002A (zh) 基于二三维信息融合的受电弓滑板上表面检测系统及方法
CN111178193A (zh) 一种车道线的检测方法、检测装置及计算机可读存储介质
CN112017219A (zh) 一种激光点云配准方法
CN112767459A (zh) 基于2d-3d转换的无人机激光点云与序列影像配准方法
CN107765257A (zh) 一种基于反射强度辅助外部校准的激光探测与测量方法
CN117496467A (zh) 基于单目相机和3d lidar融合的异形车道线检测方法
US11699303B2 (en) System and method of acquiring coordinates of pupil center point
CN117288120A (zh) 基于多视角的三维成像测量系统及其标定方法
CN115578607A (zh) 一种遥感影像有效像元覆盖范围快速提取方法
CN104732190B (zh) 一种基于正交纹理相关分析的合成孔径声纳目标检测方法
CN114723794A (zh) 基于lsd直线检测的sar图像配准方法
CN113470056B (zh) 一种基于高斯模型卷积的亚像素边缘点检测方法
CN110619650A (zh) 一种基于线结构激光点云的边缘点提取方法和装置
CN118640878B (zh) 一种基于航空测绘技术的地形测绘方法

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