CN115578660A - 基于遥感图像的土地地块分割方法 - Google Patents
基于遥感图像的土地地块分割方法 Download PDFInfo
- Publication number
- CN115578660A CN115578660A CN202211394728.8A CN202211394728A CN115578660A CN 115578660 A CN115578660 A CN 115578660A CN 202211394728 A CN202211394728 A CN 202211394728A CN 115578660 A CN115578660 A CN 115578660A
- Authority
- CN
- China
- Prior art keywords
- image
- super
- pixel region
- channel image
- images
- 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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于遥感图像的土地地块分割方法,该方法包括:获取遥感图像的HSV图像及其各个通道图像,获取优化后的照明分量因子,并利用同态滤波法对V通道图像处理得到目标V通道图像,获取归一化V通道图像,并得到提升指标,根据提升指标对HSV图像的S通道图像的像素点的饱和度进行优化得到优化后的S通道图像,根据H通道图像、优化后的S通道图像、归一化V通道图像获得RGB图像,对RGB图像进行超像素分割得到多个超像素区域及区域类型,根据区域类型对土地地块进行分割,本发明实现了对遥感图像的边缘细节纹理进行增强,实现对土地地块进行准确分割。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于遥感图像的土地地块分割方法。
背景技术
利用卫星遥感图像可以识别提取土地,并对土地进行遥感制图,准确的获取土地分布,能够为某些部门提供重要支撑,同时从高分辨率遥感图像中提取土地面积是实现精准农业等领域的一项基本任务。
目前高精度的土地信息提取、分割主要还是依靠人工进行处理分割,其为一项手工活动,需要耗费大量的人力、财力,分割效率低下,还有一些基于目标的图像分析严重依赖于图像分割方法,如超像素分割,在超像素分割过程中,由于遥感图像在采集过程中,其采集距离是非常远的,且或采集时的环境复杂,如在雾天、雨天的恶劣的情况下采集时,会导致利用传统的图像分割方法难以实现对土地地块的精确分割。
故,需要提供一种基于遥感图像的土地地块分割方法。
发明内容
本发明提供一种基于遥感图像的土地地块分割方法,以解决现有的难以实现对土地地块的精确分割的问题。
本发明的一种基于遥感图像的土地地块分割方法采用如下技术方案:
获取遥感图像的HSV图像及其各个通道图像;
根据V通道图像的亮度均值对照明分量因子进行优化,根据优化后的照明分量因子及同态滤波法对V通道图像进行同态滤波处理得到目标V通道图像;
对目标V通道图像进行归一化得到归一化V通道图像,将归一化V通道图像与目标V通道图像中对应像素点的亮度值的比值作为提升指标,根据提升指标对HSV图像的S通道图像的像素点的饱和度进行优化得到优化后的S通道图像;
对H通道图像、优化后的S通道图像、归一化V通道图像进行颜色空间转换得到RGB图像,并对RGB图像进行超像素分割得到多个超像素区域,获取每个超像素区域的区域类型,根据区域类型对土地地块进行分割。
优选的,超像素区域的区域类型的获取步骤为:
将每个超像素区域中的像素点的灰度值均值作为对应超像素区域的灰度指标;
对超像素区域进行卷积处理得到多个不同尺度的卷积图像;
根据所有卷积图像获取超像素区域中每个像素点的特征向量;
将每两个特征向量的内积作为特征表征值,并构建特征表征矩阵;
根据每两个超像素区域的特征表征矩阵之间的距离及灰度指标差值获取两个超像素区域之间的相似度;
根据相似度对超像素区域进行聚类得到超像素区域类别;
获取每个超像素区域类别中的最大相似度的超像素区域的区域类型,并作为对应类别的超像素区域的区域类型。
优选的,每个超像素区域类别中的最大相似度的超像素区域的区域类型的获取步骤为:
构建神经网络模型;
将每个超像素区域类别中的最大相似度对应的超像素区域作为神经网络模型的输入,将最大相似度对应的超像素区域对应的区域类型作为神经网络模型输出,并对神经网络模型进行训练;
利用训练好的神经网络对待识别的超像素区域所在的超像素区域类别中的最大相似度对应的超像素区域进行识别得到待识别的超像素区域对应的区域类型。
优选的,根据相似度对超像素区域进行划分得到超像素区域的步骤为:
设定相似度阈值;
将相似度大于或者等于预设相似度阈值的两个超像素区域进行划分至一起得到一个超像素区域,相似度小于预设相似度阈值的保持不变。
优选的,两个超像素区域之间的相似度的表达式为:
优选的,多个不同尺度的卷积图像的获取步骤为:
利用多个尺度滤波核对超像素区域进行卷积处理得到每个尺度滤波核卷积处理对应的卷积图像。
优选的,超像素区域中每个像素点的特征向量的获取步骤为:
获取超像素区域中的每个像素点在对应卷积图像中的卷积值;
根据像素点在所有卷积图像中的卷积值得到像素点的特征向量。
优选的,优化后的S通道图像的获取步骤为:
设定调节因子;
将调节因子、提升指标、S通道图像中每个像素点的饱和度的乘积作为优化后的每个像素点的饱和度;
根据优化后的像素点的饱和度得到优化后的S通道图像。
优选的,目标V通道图像的获取步骤为:
根据照明分量、反射分量及优化后的照明分量因子表征V通道图像;
对V通道图像对数变换得到对数变换图像;
将对数变换图像进行低通滤波处理得到低通滤波处理图像;
根据对数变换图像与低通滤波处理图像得到显著高频图像;
对显著高频图像进行指数变换得到目标V通道图像。
优选的,优化后的照明分量因子的获取步骤为:
设置超参数;
将超参数与V通道图像的亮度均值的比值作为优化后的照明分量因子。
本发明的一种基于遥感图像的土地地块分割方法的有益效果是:
1、通过对照明分量因子进行优化,根据优化后的照明分量因子并利用同态滤波处理方法对遥感图像的V通道图像进行显著处理得到目标V通道图像,实现对图像进行整体的增强处理,提高遥感图像的整体对比度。
2、在显著处理后的目标V通道图像后的遥感图像的基础上,对遥感图像的S通道图像进行自适应增强处理,即不同的像素点的饱和度进行自适应的优化,从而提高遥感图像的增强效果,同时保证对图像中边缘细节纹理信息的增强。
3、对增强处理的后得到的RGB图像进行超像素分割,并利用相似度对超像素区域进行聚类得到多个类别,然后根据对每个类别中得最大相似度对应的超像素区域进行区域类型的获取,减少计算量,从而实现快速精确对土地地块进行分割。
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,下面将对实施例或现有技术描述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为本发明的一种基于遥感图像的土地地块分割方法的实施例的结构示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种基于遥感图像的土地地块分割方法的实施例,如图1所示,本实施例包括:
S1、获取遥感图像的HSV图像及其各个通道图像。
其中,本实施例通过无人机搭载相机获取所需要检测区域的遥感图像,需要说明的是,本实施例这里采集的遥感图像为RGB图像。
对于遥感图像,考虑到图像采集为远距离采集,由于作用距离的原因会导致所采集的图像清晰度不足够,同时,图像采集也极易受到环境中的空气各种因素的影响,为实现对遥感图像中各区域进行精确划分,本发明将先对遥感图像进行显著处理,以提高遥感图像中边缘细节信息的显著度,具体的,为更加贴合人眼视觉特性对遥感图像进行直观分析,将遥感图像转换到HSV空间(颜色空间)得到HSV图像,其中,HSV图像中的H表示的是图像的色调、S表示的是饱和度、V表示的是亮度,然后得到各个通道的通道图像,即H通道图像、V通道图像及S通道图像。
S2、根据V通道图像的亮度均值对照明分量因子进行优化,根据优化后的照明分量因子及同态滤波法对V通道图像进行同态滤波处理得到目标V通道图像。
本发明主要是基于同态滤波的处理方法在V通道图像对遥感图像进行显著处理,以提高遥感图像中边缘细节信息的显著度,然而,在传统的基于同态滤波的处理方法,图像的边缘细节信息的显著效果与照明分量因子有关,即照明分量因子能够影响图像的显著效果,考虑到遥感图像在采集过程中,作用距离较远,环境较为复杂,在雾天等较为恶劣的情况下,利用传统的基于同态滤波的处理方法通过人为给定的固定照明分量因子对V通道图像进行显著处理,存在适应度低的问题,不能够对不同照度的图像进行自适应的显著分析。故,本实施例需要对照明分量因子进行优化处理,以实现基于图像特征信息自适应的对照度分量因子进行调控,提高对不同V通道图像显著处理的适应度。
具体的,对照明分量因子进行优化处理的步骤为:设置参数;将参数与V通道图像的亮度均值的比值作为优化后的照明分量因子,其中,优化后的照明分量因子的计算公式为:
需要说明的是,正常情况下所采集的遥感图像一定具有一定的亮度信息,因此本
实施例中所对应的V通道图像的亮度均值不会出现为零的情况,而照明分量因子主要用于
对图像的光照信息进行补偿,当图像自身亮度值越高时,则对其进行补偿的光照信息越小,
故本实施例中,设定超参数取1,实施者亦可进行自行设定,通过优化照度分量因子来实现
对不同的V通道图像进行针对性的处理,以提高显著处理的适应性。
由于,本发明主要对图像中的边缘细节纹理信息进行显著度提升,因此,需要基于
对数变换之后的图像进行高频信息的提取,基于先验可知,考虑到图像中的照明分量往往
具有变化缓慢的特征,而反射分量对应的像素点的灰度以及亮度变化较为剧烈,其多为图
像中的边缘细节,故通过低通滤波器实现对数变化图像的滤波处理得到低通滤波处理图
像,根据对数变化图像与低通滤波处理图像得到显著高频图像,以提取对数变换图像中的
高频信息,本实施例中将显著高频图像记为,则显著高频图像的表达式为:
其中,在低通滤波处理过程,低通滤波器的选取、对数变换过程均为现有公知技
术,低通滤波器有很多,巴特沃斯滤波器和切比雪夫滤波器,实施者可根据实际情况自行选
取,本发明中选取巴特沃斯低通滤波器来实现对数变换图像的低通滤波处理,然后对于得
到的显著高频图像进行指数变换,以获取目标V通道图像,其中,目标V通道图像记为,目标V通道图像的表达式为:
S3、对目标V通道图像进行归一化得到归一化V通道图像,将归一化V通道图像与目标V通道图像中对应像素点的亮度值的比值作为提升指标,根据提升指标对HSV图像的S通道图像的像素点的饱和度进行优化得到优化后的S通道图像。
为提高V通道图像的显著处理效果,避免显著处理后V通道图像亮度不均衡的问题,本实施例对目标V通道图像进行归一化得到归一化V通道图像。
其次,本发明考虑到根据颜色空间转换特征,HSV图像的亮度通道与饱和度通道具
有较为紧密的相关性,在对遥感图像所对应的V通道图像进行显著性分析时,会出现颜色失
真情况,为保证显著性处理更加符合人眼视觉观察效果,便于对遥感图像中土地地块的准
确分割,因此,在进行基于V通道分量进行显著性分析时,需要考虑对图像的S通道图像进行
相应的处理分析,故,本实施例,将归一化V通道图像与目标V通道图像中对应像素点的亮度
值的比值作为提升指标,根据提升指标对HSV图像的S通道图像的像素点的饱和度进行优化
得到优化后的S通道图像,具体的,优化后的S通道图像记为,则优化后的S通道图像
的表达式为:
需要说明的是,V通道图像中像素点的提升指标越高,则对应像素点的饱和度进行优化的优化程度越大,在本实施例中在目标V通道图像的基础上再进行S通道图像的优化,以提高图像显著性的同时保证图像的视觉效果,进而提高显著处理的适应性。
S4、对H通道图像、优化后的S通道图像、归一化V通道图像进行颜色空间转换得到RGB图像,并对RGB图像进行超像素分割得到多个超像素区域,获取超像素区域的区域类型。
具体的,由于在进行超像素分割过程中,传统超像素分割极易出现过分割现象,导致分割结果划分准确性较低,因此,对于每个超像素块,本实施例将对其进行特征提取,以实现对遥感图像的精确划分。
故,超像素区域的获取步骤为:将H通道图像、优化后的S通道图像、归一化V通道图像进行颜色空间转换得到RGB图像转化为灰度图像;对灰度图像进行超像素分割得到多个超像素区域;将每个超像素区域中的像素点的灰度值均值作为对应超像素区域的灰度指标;对超像素区域进行卷积处理得到多个不同尺度的卷积图像;根据所有卷积图像获取超像素区域中每个像素点的特征向量;将每两个特征向量的内积作为特征表征值,并构建特征表征矩阵;根据每两个超像素区域的特征表征矩阵之间的距离及灰度指标差值获取两个超像素区域之间的相似度;根据相似度对超像素区域进行聚类得到超像素区域类别;获取每个超像素区域类别中的最大相似度的超像素区域的区域类型,并作为对应类别的超像素区域的区域类型。
其中,本实施例以超像素区域c为例(后续均以超像素块c为例进行详细说明),本
发明将获取其内部区域特征进行提取,所述区域特征具体为:首先,本发明先获取超像素区
域c内每个像素点的特征信息,获取每个像素点的灰度值,代表超像素块c内像素点i
的灰度值,将超像素块c内的所有像素点的灰度均值作为超像素区域c的灰度指标。
其中,通过多尺度Gabor滤波器对灰度图像进行滤波处理,本实施例设置4个不同
的时域窗尺度(也即对应4个不同的中心频率:0.15、0.3、0.45、0.6),4个方向(0°、°、°、°),构成16个Gabor滤波核,其中,频率以及方向的设定实施者可进行自行设置,通过16
个Gabor滤波核分别对每个超像素区域进行卷积操作,获取每个滤波核卷积处理所对应的
卷积图像,获取超像素区域中的每个像素点在16张卷积图像中对应的卷积值;根据像素点
在所有卷积图像中的卷积值得到像素点的特征向量,其中,超像素区域内的每个像素点将
对应一个的特征向量,即能得到各个像素点的特征向量。
由于,特征向量之间的内积可以体现各特征向量之间的相关性,也即对像素点之
间的特征关联状况,故,本实施例以每两个特征向量的内积作为特征表征值构建超像素区
域c的特征表征矩阵,用于对超像素区域c的像素点分布特征进行表征,超像素区域c的特
征表征矩阵具体为:
其中,根据每两个超像素区域的特征表征矩阵之间的距离及灰度指标差值获取两个超像素区域之间的相似度,具体的,相似度计算公式为:
需要说明的是,超像素区域之间的灰度差异越小,则两个超像素区域越相似,且空间距离越近,两个超像素区域之间越相似。
根据相似度对超像素区域进行划分得到超像素区域类别,具体的,设定相似度阈值,本实施例中,利用相似度计算公式实现对相似度进行归一化处理,保证相似度处于(0,1),故本实施例中设定相似度阈值为0.75,将相似度大于或者等于预设相似度阈值的两个超像素区域进行划分至一起得到一个超像素区域类别,相似度小于预设相似度阈值的保持不变,即能得到超像素区域。
其中,获取超像素区域的区域类型的步骤为:构建神经网络模型;将每个超像素区域类别中的最大相似度对应的超像素区域作为神经网络模型的输入,将最大相似度对应的超像素区域对应的区域类型作为神经网络模型输出,并对神经网络模型进行训练;利用训练好的神经网络对待识别的超像素区域所在的超像素区域类别中的最大相似度对应的超像素区域进行识别得到待识别的超像素区域对应的区域类型,其中,最大相似度对应的超像素区域,指的是根据相似度计算公式计算的两个区域类型为:土地区域、建筑区域、林木区域、水体区域以及其他区域,从而根据区域类型对土地地块进行智能分割,本发明中采用的神经网络模型为分类神经网络,其为现有神经网络,训练过程中网络输入为与每个超像素区域的最大相似度对应的超像素区域,网络输出为超像素区域对应的区域类型,标签的制作通过人工进行标注获取,网络的训练监督为现有技术,不在本发明保护范围内,本发明不做相关阐述。
本发明的一种基于遥感图像的土地地块分割方法,通过对照明分量因子进行优化,根据优化后的照明分量因子并利用同态滤波处理方法对遥感图像的V通道图像进行显著处理得到目标V通道图像,实现对图像进行整体的增强处理,提高遥感图像的整体对比度,同时,在显著处理后的目标V通道图像后的遥感图像的基础上,对遥感图像的S通道图像进行自适应增强处理,即不同的像素点的饱和度进行自适应的优化,从而在提高遥感图像的增强效果的同时,保证对图像中边缘细节纹理信息的增强,最后,对增强处理的后得到的RGB图像进行超像素分割,并利用相似度对超像素区域进行聚类得到多个类别,然后根据对每个类别中得最大相似度对应的超像素区域进行区域类型的获取,从而实现快速精确对土地地块进行分割。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于遥感图像的土地地块分割方法,其特征在于,该方法包括:
获取遥感图像的HSV图像及其各个通道图像;
根据V通道图像的亮度均值对照明分量因子进行优化,根据优化后的照明分量因子及同态滤波法对V通道图像进行同态滤波处理得到目标V通道图像;
对目标V通道图像进行归一化得到归一化V通道图像,将归一化V通道图像与目标V通道图像中对应像素点的亮度值的比值作为提升指标,根据提升指标对HSV图像的S通道图像的像素点的饱和度进行优化得到优化后的S通道图像;
对H通道图像、优化后的S通道图像、归一化V通道图像进行颜色空间转换得到RGB图像,并对RGB图像进行超像素分割得到多个超像素区域,获取每个超像素区域的区域类型,根据区域类型对土地地块进行分割。
2.根据权利要求1所述的一种基于遥感图像的土地地块分割方法,其特征在于,超像素区域的区域类型的获取步骤为:
将每个超像素区域中的像素点的灰度值均值作为对应超像素区域的灰度指标;
对超像素区域进行卷积处理得到多个不同尺度的卷积图像;
根据所有卷积图像获取超像素区域中每个像素点的特征向量;
将每两个特征向量的内积作为特征表征值,并构建特征表征矩阵;
根据每两个超像素区域的特征表征矩阵之间的距离及灰度指标差值获取两个超像素区域之间的相似度;
根据相似度对超像素区域进行聚类得到超像素区域类别;
获取每个超像素区域类别中的最大相似度的超像素区域的区域类型,并作为对应类别的超像素区域的区域类型。
3.根据权利要求2所述的一种基于遥感图像的土地地块分割方法,其特征在于,每个超像素区域类别中的最大相似度的超像素区域的区域类型的获取步骤为:
构建神经网络模型;
将每个超像素区域类别中的最大相似度对应的超像素区域作为神经网络模型的输入,将最大相似度对应的超像素区域对应的区域类型作为神经网络模型输出,并对神经网络模型进行训练;
利用训练好的神经网络对待识别的超像素区域所在的超像素区域类别中的最大相似度对应的超像素区域进行识别得到待识别的超像素区域对应的区域类型。
4.根据权利要求2所述的一种基于遥感图像的土地地块分割方法,其特征在于,根据相似度对超像素区域进行划分得到超像素区域的步骤为:
设定相似度阈值;
将相似度大于或者等于预设相似度阈值的两个超像素区域进行划分至一起得到一个超像素区域,相似度小于预设相似度阈值的保持不变。
6.根据权利要求2所述的一种基于遥感图像的土地地块分割方法,其特征在于,多个不同尺度的卷积图像的获取步骤为:
利用多个尺度滤波核对超像素区域进行卷积处理得到每个尺度滤波核卷积处理对应的卷积图像。
7.根据权利要求2所述的一种基于遥感图像的土地地块分割方法,其特征在于,超像素区域中每个像素点的特征向量的获取步骤为:
获取超像素区域中的每个像素点在对应卷积图像中的卷积值;
根据像素点在所有卷积图像中的卷积值得到像素点的特征向量。
8.根据权利要求1所述的一种基于遥感图像的土地地块分割方法,其特征在于,优化后的S通道图像的获取步骤为:
设定调节因子;
将调节因子、提升指标、S通道图像中每个像素点的饱和度的乘积作为优化后的每个像素点的饱和度;
根据优化后的像素点的饱和度得到优化后的S通道图像。
9.根据权利要求1所述的一种基于遥感图像的土地地块分割方法,其特征在于,目标V通道图像的获取步骤为:
根据照明分量、反射分量及优化后的照明分量因子表征V通道图像;
对V通道图像对数变换得到对数变换图像;
将对数变换图像进行低通滤波处理得到低通滤波处理图像;
根据对数变换图像与低通滤波处理图像得到显著高频图像;
对显著高频图像进行指数变换得到目标V通道图像。
10.根据权利要求1所述的一种基于遥感图像的土地地块分割方法,其特征在于,优化后的照明分量因子的获取步骤为:
设置超参数;
将超参数与V通道图像的亮度均值的比值作为优化后的照明分量因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211394728.8A CN115578660B (zh) | 2022-11-09 | 2022-11-09 | 基于遥感图像的土地地块分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211394728.8A CN115578660B (zh) | 2022-11-09 | 2022-11-09 | 基于遥感图像的土地地块分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578660A true CN115578660A (zh) | 2023-01-06 |
CN115578660B CN115578660B (zh) | 2023-04-07 |
Family
ID=84589927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211394728.8A Active CN115578660B (zh) | 2022-11-09 | 2022-11-09 | 基于遥感图像的土地地块分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578660B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129278A (zh) * | 2023-04-10 | 2023-05-16 | 牧马人(山东)勘察测绘集团有限公司 | 一种基于遥感影像的土地利用分类识别系统 |
CN116630311B (zh) * | 2023-07-21 | 2023-09-19 | 聊城市瀚格智能科技有限公司 | 用于高速公路路政管理的路面破损识别告警方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780417A (zh) * | 2016-11-22 | 2017-05-31 | 北京交通大学 | 一种光照不均图像的增强方法及系统 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN111696123A (zh) * | 2020-06-15 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 超像素分类识别的遥感图像水域分割提取方法 |
CN112037230A (zh) * | 2019-06-04 | 2020-12-04 | 北京林业大学 | 一种基于超像素和超度量轮廓图的林区图像分割算法 |
CN112465711A (zh) * | 2020-10-30 | 2021-03-09 | 南京理工大学 | 一种针对雾天环境下的降质图像增强方法 |
CN114187222A (zh) * | 2021-12-13 | 2022-03-15 | 安徽大学 | 一种低照度图像的增强方法、系统及可存储介质 |
CN114972370A (zh) * | 2022-02-08 | 2022-08-30 | 黄河水利职业技术学院 | 一种用于神经网络推理的遥感图像自适应分割方法 |
CN114998310A (zh) * | 2022-07-11 | 2022-09-02 | 道格特半导体科技(江苏)有限公司 | 基于图像处理的显著性检测方法及系统 |
CN115170805A (zh) * | 2022-07-26 | 2022-10-11 | 南京邮电大学 | 一种结合超像素和多尺度分层特征识别的图像分割方法 |
-
2022
- 2022-11-09 CN CN202211394728.8A patent/CN115578660B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780417A (zh) * | 2016-11-22 | 2017-05-31 | 北京交通大学 | 一种光照不均图像的增强方法及系统 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN112037230A (zh) * | 2019-06-04 | 2020-12-04 | 北京林业大学 | 一种基于超像素和超度量轮廓图的林区图像分割算法 |
CN111696123A (zh) * | 2020-06-15 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 超像素分类识别的遥感图像水域分割提取方法 |
CN112465711A (zh) * | 2020-10-30 | 2021-03-09 | 南京理工大学 | 一种针对雾天环境下的降质图像增强方法 |
CN114187222A (zh) * | 2021-12-13 | 2022-03-15 | 安徽大学 | 一种低照度图像的增强方法、系统及可存储介质 |
CN114972370A (zh) * | 2022-02-08 | 2022-08-30 | 黄河水利职业技术学院 | 一种用于神经网络推理的遥感图像自适应分割方法 |
CN114998310A (zh) * | 2022-07-11 | 2022-09-02 | 道格特半导体科技(江苏)有限公司 | 基于图像处理的显著性检测方法及系统 |
CN115170805A (zh) * | 2022-07-26 | 2022-10-11 | 南京邮电大学 | 一种结合超像素和多尺度分层特征识别的图像分割方法 |
Non-Patent Citations (3)
Title |
---|
YANG W D 等: "Research on Removing Shadow in Workpiece Image Based on Homomorphic Filtering" * |
张绍堂 等: "机器视觉系统中低照度彩色图像自适应增强" * |
李华烁: "基于小波与多尺度Retinex融合算法的低照度图像增强研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129278A (zh) * | 2023-04-10 | 2023-05-16 | 牧马人(山东)勘察测绘集团有限公司 | 一种基于遥感影像的土地利用分类识别系统 |
CN116630311B (zh) * | 2023-07-21 | 2023-09-19 | 聊城市瀚格智能科技有限公司 | 用于高速公路路政管理的路面破损识别告警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115578660B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578660B (zh) | 基于遥感图像的土地地块分割方法 | |
CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN110268420B (zh) | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 | |
Mythili et al. | Color image segmentation using ERKFCM | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN111275652B (zh) | 一种去除城市遥感图像中雾霾的方法 | |
CN111080696B (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
CN113344810A (zh) | 基于动态数据分布的图像增强方法 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN115908186A (zh) | 一种遥感测绘图像增强方法 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN115908155A (zh) | Nsst域结合gan及尺度相关系数的低照度图像增强及去噪方法 | |
CN111046726B (zh) | 一种基于ai智能视觉的水下海参识别及定位方法 | |
Toure et al. | Coastline detection using fusion of over segmentation and distance regularization level set evolution | |
CN108133467B (zh) | 基于粒计算的水下图像增强系统及增强方法 | |
CN113379785A (zh) | 一种融合边界先验与频域信息的显著性目标检测方法 | |
CN109359583B (zh) | 一种遥感影像中显著性面状特定目标提取方法 | |
Liang et al. | A Self-Adaption Single Image Dehaze Method Based on Clarity-evaluation-function of Image | |
Jiang | Region Enhancement Methods of Color Blurred Image Based on Visual Communication | |
CN115797345B (zh) | 一种海鲜烘烤异常识别方法 | |
CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 |
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 |