CN116051838A - 面向对象的高分辨率无人机图像多尺度分割方法及系统 - Google Patents
面向对象的高分辨率无人机图像多尺度分割方法及系统 Download PDFInfo
- Publication number
- CN116051838A CN116051838A CN202310019315.XA CN202310019315A CN116051838A CN 116051838 A CN116051838 A CN 116051838A CN 202310019315 A CN202310019315 A CN 202310019315A CN 116051838 A CN116051838 A CN 116051838A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- heterogeneity
- image
- vehicle 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.)
- Withdrawn
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
- G06V10/20—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
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- 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
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种面向对象的高分辨率无人机图像多尺度分割方法及系统,通过提取无人机图像的光谱特征、形状特征、纹理特征、边缘特征以及角点特征,在多个尺度上对无人机图像进行分割,获得异质度图像以表征分割后的对象和层次结构。根据边缘特征生成边缘强度图,根据角点特征生成角点强度图,融合时不仅考虑了光谱特征、形状特征和纹理特征,还考虑了边缘强度和角点强度。与现有技术相比,充分利用了无人机图像中地物的边缘特征,对无人机图像中地物边缘的定位将更加精确,对纹理信息丰富的高分辨率无人机图像,图像对象识别准确、分割精度高。
Description
技术领域
本发明涉及无人机图像分割技术领域,尤其涉及的是一种面向对象的高分辨率无人机图像多尺度分割方法及系统。
背景技术
在对无人机图像进行影像分析的操作中,对无人机图像进行面向对象的多尺度分割是面向对象的高分辨率无人机图像分析的前提和核心。好的无人机图像分割结果可以为后续更深入的影像分析如地物分类、目标识别、信息提取等打下良好的基础。
随着影像空间分辨率的提高,地物细节信息在影像中更加清晰,与此同时地物在影像中的表现也更加复杂化和多样化,“同物异谱”和“同谱异物”的现象更为普遍。传统的分割方法仅考虑影像中像素的形状特征或光谱特征,关注的特征较为单一,图像对象识别不准确,分割精度低。
因此,现有技术有待改进和提高。
发明内容
本发明的主要目的在于提供一种面向对象的高分辨率无人机图像多尺度分割方法、系统、智能终端及计算机可读存储介质,旨在解决现有的分割方法图像对象识别不准确,分割精度低的问题。
为了实现上述目的,本发明第一方面提供一种面向对象的高分辨率无人机图像多尺度分割方法,包括:
获取无人机图像;
提取所述无人机图像的光谱特征、形状特征、纹理特征、边缘特征以及角点特征;
分别计算所述光谱特征、所述形状特征、所述纹理特征的异质度,并根据所有的所述异质度分割所述无人机图像,获得若干异质度图像;
根据所述边缘特征计算所述无人机图像的边缘强度,生成边缘强度图;
根据所述角点特征计算所述无人机图像的角点强度,生成角点强度图;
融合所述异质度图像、所述边缘强度图和所述角点强度图,获得所述无人机图像的分割特征图并输出。
可选的,所述提取所述无人机图像的纹理特征,包括:
根据所述无人机图像中每个像素的灰度值与该像素所在的局部窗口中周围像素灰度分布的综合特征,计算每个像素的二维信息熵,获得每个像素对应的纹理特征。
可选的,所述根据所述边缘特征计算所述无人机图像的边缘强度,生成边缘强度图,包括:
对所述无人机图像进行二阶微分,获得所述无人机图像的梯度的散度;
对所述无人机图像进行高斯滤波的卷积,获得平滑影像;
根据梯度的散度及平滑影像计算所述无人机图像的边缘强度及法向量,获得边缘强度初步图;
根据非极大值抑制的放大对所述边缘强度初步图进行细化处理,获得无人机图像的边缘强度图。
可选的,所述融合所述异质度图像、所述边缘强度图和所述角点强度图,包括:
计算光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值;
根据光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值计算总体异质度增长值;
根据所述边缘强度图、所述角点强度图及所述总体异质度增长值计算对象合并代价;
当对象合并代价最小时,对所述异质度图像、所述边缘强度图和所述角点强度图进行合并。
可选的,所述计算纹理特征的异质度的增长值,包括:
获取所述无人机图像内各种纹理特征对应的纹理区域;
分别计算每个所述纹理区域对应的纹理异质度;
根据纹理异质度计算纹理特征的异质度的增长值。
可选的,所述根据所述边缘强度图、所述角点强度图及所述总体异质度增长值计算对象合并代价,包括:
根据所述边缘强度图计算边缘合并代价;
根据所述角点强度图计算角点合并代价;
对所述边缘合并代价、所述角点合并代价和所述总体异质度增长值进行加权累计,获得所述对象合并代价。
本发明第二方面提供一种面向对象的高分辨率无人机图像多尺度分割系统,其中,上述系统包括:
无人机图像获取模块,用于获取无人机图像;
特征提取模块,用于提取所述无人机图像的光谱特征、形状特征、纹理特征、边缘特征以及角点特征;
异质度图像模块,用于分别计算所述光谱特征、所述形状特征、所述纹理特征的异质度,并根据异质度分割所述无人机图像,获得若干异质度图像;
边缘强度图模块,用于根据所述边缘特征计算所述无人机图像的边缘强度,生成边缘强度图;
角点强度图模块,用于根据所述角点特征计算所述无人机图像的角点强度,生成角点强度图;
分割特征图模块,用于融合所述异质度图像、所述边缘强度图和所述角点强度图,获得所述无人机图像的分割特征图并输出。
可选的,所述分割特征图模块包括:异质度增长值计算单元、总体异质度增长值计算单元、对象合并代价计算单元及合并单元;所述异质度增长值计算单元用于计算光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值;所述总体异质度增长值计算单元用于根据光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值计算总体异质度增长值;所述对象合并代价计算单元用于根据所述边缘强度图、所述角点强度图及所述总体异质度增长值计算对象合并代价;所述合并单元用于当对象合并代价最小时,对所述异质度图像、所述边缘强度图和所述角点强度图进行合并。
本发明第三方面提供一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的面向对象的高分辨率无人机图像多尺度分割程序,上述面向对象的高分辨率无人机图像多尺度分割程序被上述处理器执行时实现任意一项上述面向对象的高分辨率无人机图像多尺度分割方法的步骤。
本发明第四方面提供一种计算机可读存储介质,上述计算机可读存储介质上存储有面向对象的高分辨率无人机图像多尺度分割程序,上述面向对象的高分辨率无人机图像多尺度分割程序被处理器执行时实现任意一项上述面向对象的高分辨率无人机图像多尺度分割方法的步骤。
由上可见,本发明通过提取无人机图像的光谱特征、形状特征、纹理特征、边缘特征以及角点特征,在多个尺度上对无人机图像进行分割,获得异质度图像以表征分割后的对象和层次结构。根据边缘特征生成边缘强度图,根据角点特征生成角点强度图,融合时不仅考虑了光谱特征、形状特征和纹理特征,还考虑了边缘强度和角点强度。与现有技术相比,充分利用了无人机图像中地物的边缘特征,对无人机图像中地物边缘的定位将更加精确,对纹理信息丰富的高分辨率无人机图像,图像对象识别准确、分割精度高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的面向对象的高分辨率无人机图像多尺度分割方法流程示意图;
图2是图1实施例的步骤S400的具体流程示意图;
图3是图1实施例的步骤S600的具体流程示意图;
图4是图1实施例的三组实验样本图;
图5是图1实施例的Brodatz纹理合成影像的分割结果示意图;
图6是图1实施例的无人机纹理合成影像的分割结果示意图;
图7是图1实施例的卫星无人机图像的分割结果示意图;
图8为图1实施例的三组实验的参考分割结果;
图9是本发明实施例提供的面向对象的高分辨率无人机图像多尺度分割系统的结构示意图;
图10是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图,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的一部分实施例,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它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
随着影像空间分辨率的提高,地物细节信息在影像中更加清晰,与此同时地物在影像中的表现也更加复杂化和多样化,“同物异谱”和“同谱异物”的现象更为普遍,仅根据单个像素的光谱特征来判断影像中的地物类别已经无法达到满意的精度。
而传统的分割方法仅考虑影像中像素的形状特征或光谱特征,关注的特征较为单一,有错分割率较高,分割精度差,不再适用于对高分辨率遥感影像进行分割。
针对上述问题,本发明提供了一种面向对象的高分辨率无人机图像多尺度分割方法,综合考虑无人机影像的光谱、形状、纹理等多种特征,将无人机图像中的每个子区域视为一个对象,通过统计每个对象的特征并采取不同的分裂、合并策略进行分割,在不同的尺度下对影像进行分割以得到多尺度的分割结果,以在不同尺度下对遥感影像进行分析。分割结果中的子区域,具有对象级别的特征一致性,对象级别的特征可以包含光谱、纹理、形状、边缘、结构、拓扑关系等多种特征。相比于单一尺度的分割方法,能够在对象层级对影像中的地物在多种尺度下进行描述,高分辨率的无人机图像对象识别准确、分割精度高,更适用于高分辨率遥感影像分析。
示例性方法
本实施例提供一种面向对象的高分辨率无人机图像多尺度分割方法,安装于智能终端或服务器等电子设备上。如图1所示,本实施例具体包括如下步骤:
步骤S100:获取无人机图像;
具体地,无人机作为一种新兴的航空遥感平台,具有高效、灵活、快速、低成本的特点,机上搭载的数码相机、数码摄像机可以获取高分辨率遥感影像。上述无人机图像可以是遥感影像,也可以是对遥感影像进行处理后获得的无人机图像集合。
步骤S200:提取无人机图像的光谱特征、形状特征、纹理特征、边缘特征以及角点特征;
具体地,将无人机图像输入神经网络模型,获得无人机图像的光谱特征、形状特征和边缘特征。神经网络模型的具体架构不限,可以采用现有技术中各种视觉识别神经网络模型。
提取纹理特征时,根据无人机图像中每个像素的灰度值与该像素所在的局部窗口中周围像素灰度分布的综合特征来计算每个像素的二维信息熵,从而获得每个像素对应的纹理特征,所有像素的纹理特征构成无人机图像的纹理特征。
具体过程为:在每一个局部窗口中,先对局部窗口内的像素值做量化,量化到譬如3位(8级),然后通过二维信息熵的公式计算出局部熵,用熵值表征纹理的丰富程度,影像中的每一个像素均具有对应的纹理特征。
每个局部窗口内的像素的二维信息熵具体计算公式为:
其中,(2+1)×(2n+1)为局部窗口的大小,E(x,y)为无人机图像中坐标(,y)处的纹理特征E,i表示像素的灰度值(0<=i<=255),j表示邻域灰度均值(0<=j<=255),pi,j表示灰度值与其周围像素灰度分布的综合特征。
提取角点特征时,使用一个圆形模板在无人机图像上移动,获得无人机图像上每个点对应的角点特征。具体地,根据圆模板内任何一点的灰度值与圆模板的中心点的灰度值的灰度差值小于等于设定常数t来判断该点是否属于USAN区域,即通过判断像素点与圆模板的中心点的灰度值是否满足相似比较函数来判断是否属于USAN区域。相似比较函数表达式为:
其中,I(r)其中是中心像素,(r0)是圆模板内的其他像素,t是一个像素差异阈值(通常对于对比度比较低的区域,选取较小的t;反之,则t的阈值可以选择大些)。
对圆模板内的每个点进行相似比较后再进行统计即可得到圆模板的中心点对应的USAN面积,即角点特征,具体公式为:
n(r0)=∑rc(r,r0),
n(r0)越大,即USAN区域越大,表示在圆模板内的点与圆心的像素值差值很小的点比较多,故可以判定圆心的角点特征为内部区域。反之当n(r0)越小,则表示在圆模板内的点与圆心的像素值差值很小的点比较少,圆心的角点特征可能是边缘区域或者角点区域。
步骤S300:分别计算光谱特征、形状特征、纹理特征的异质度,并根据异质度分割无人机图像,得到若干异质度图像;
具体地,针对形状特征,可以采用两种形状特征的异质度(以下简称形状异质度)度量标准:紧凑异质度hcmpct和平滑异质度hsmootg,紧凑异质度和平滑异质度的计算方法为本领域的常规技术手段,在此不再赘述。
其中,光谱特征的异质度(以下简称光谱异质度)描述了影像对象内部光谱的异质程度,光谱异质度计算公式为:
hcolor=∑cωcσc,∑cωc=1,
其中,ωc表示第c个光谱波段的权重因子,c表示影像对象在第c个波段的光谱值的标准差。
其中,每种纹理特征的异质度(以下简称纹理异质度)计算公式为:
htexture=∑ωσ,∑ω=1,
其中,ω表示纹理特征的权重因子,0≤ω≤1,σ表示影像对象针对该纹理特征的标准差。
获得形状异质度、光谱异质度、纹理异质度后,分别根据形状异质度、光谱异质度、纹理异质度分割无人机图像,获得三种异质度图像。例如根据像素点的形状异质度、光谱异质度、纹理异质度值对像素点进行聚类或进行阈值分割以分割无人机图像。这些异质度图像可以表征从不同尺度分割无人机图像获得的不同的分割后对象以及对象的层次结构。而现有的基于对象的视觉注意模型中,对象及其层次结构通常在视觉注意开始之前就被人工给定,存在对象及其层次结构如何确定的问题。
步骤S400:根据边缘特征计算无人机图像的边缘强度,生成边缘强度图;
具体地,在一幅影像中,不同类别的区域之间往往具有明显的边界,在边界处存在不连续的灰度变化,即构成了影像中的边缘。利用影像不同区域间的灰度级的不连续性,通过寻找区域间的边界来进行分割对象。在面向对象的影像分割中,一旦确定了影像对象的边缘,则对象的形状也随之确定。
对影像的边缘检测是确定影像对象的边缘至关重要的步骤。边缘检测的目的是检测出影像中像素灰度有阶跃变化或屋顶状变化的像素点(边缘点)。利用边缘点灰度变化的二阶导数的特点,通过对影像进行二阶微分来计算每个边缘点的强度,获得边缘强度图。
本实施例中,如图2所示,生成边缘强度图具体包括:
步骤S410:对无人机图像进行二阶微分,得到无人机图像的梯度的散度;
具体地,对无人机图像的边缘特征进行二阶微分得到无人机图像的梯度的散度Δf,无人机图像在点(,y)梯度的散度定义如下:
步骤S420:对无人机图像进行高斯滤波的卷积,获得平滑影像;
fs(x,y)=(x,y)*(x,y)。
步骤S430:根据梯度的散度及平滑影像计算无人机图像的边缘强度及法向量,得到边缘强度初步图;
代入梯度的散度,得到在点(,y)处的边缘强度M和法向量θ分别为:
所有点的边缘强度M和法向量θ的集合构成边缘强度初步图。
步骤S440:根据非极大值抑制的放大对边缘强度初步图进行细化处理,获得无人机图像的边缘强度图。
具体地,使用非极大值抑制的方法对边缘强度图进行细化处理,将细化后的结果作为无人机图像的边缘强度图。
步骤S500:根据角点特征计算无人机图像的角点强度,生成角点强度图;
具体地,根据每个点的角点特征,通过响应函数进行特征提取,获得角点强度,所有点的角点强度构成角点强度图。
通过响应函数R(r)对角点特征进行阈值化,获得圆模板内的中心点对应的角点强度,响应函数表达式为
其中,g称为几何门限,它决定了输出角点的USAN区域的最大值。即圆模板中相似点数的最大值。
步骤S600:融合异质度图像、边缘强度图和角点强度图,获得无人机图像分割特征图并输出;
具体地,影像对象内部不仅在光谱特征、形状特征上具有异质性,当一个影像对象内存在两种不同的纹理区域时,该对象在纹理特征上同样具有异质性。现有的无人机图像分割方法无法在顾及影像光谱特征和形状特征的同时充分利用无人机图像中地物的纹理信息以区分影像中不同的纹理区域。
本实施例基于提出的“纹理异质度”的概念,综合考虑了无人机图像的光谱特征、形状特征、角点特征和纹理特征,改进了分形网络演化方法的异质度准则,通过改进后的合并准则对影像进行面向对象的多尺度分割,获得无人机图像分割特征图。通过在光谱特征、形状特征、纹理特征、角点特征及边缘特征等多个尺度上对图像进行分割,确定了分割后的对象,从而能够在后续的处理中构造对象层次网络,因此在应用于视觉注意模型中时,能够确定对象及其层次结构。
本实施例中,如图3所示,融合异质度图像、边缘强度图和角点强度图,具体包括如下步骤:
步骤S610:计算光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值;
具体地,计算纹理特征的异质度的增长值具体步骤包括:
步骤S611:获取无人机图像内各种纹理特征对应的纹理区域;
步骤S612:分别计算每个纹理区域对应的纹理异质度;
步骤S613:根据纹理异质度计算纹理特征的异质度的增长值;
具体地,根据每种纹理特征对无人机图像进行分割,获得各种纹理特征对应的纹理区域。然后计算每个纹理区域对应的纹理异质度,每种纹理特征的纹理异质度计算公式为:
htexture=∑ωσ,∑ω=1,
其中,ω表示纹理特征的权重因子,0≤ω≤1,σ表示影像对象在纹理特征的标准差。
可选的,在基于统计的纹理描述方法中,纹理区域的灰度直方图、灰度均值、标准差等统计量均可作为纹理特征描述子。
然后根据纹理异质度计算每种纹理特征的异质度的增长值,计算纹理特征的异质度的增长值具体计算公式为:
Δhtexture=∑ω(nMerge.σMerge-(nObj1.σObj1+nObj2.σobj2)),
其中,nobj1,nobj2和nMerge分别为对象Obj1,对象Obj2以及合并后对象的像素数,σObj1、σObj2和σMerge分别为对象Obj1,对象Obj2以及合并后对象纹理特征的标准差。
与计算纹理特征的异质度的增长值相类似,计算光谱特征的异质度的增长值的计算公式为:
其中,c为光谱波段,nobj1,nobj2和nMerge分别为对象Obj1,对象Obj2以及合并后对象的像素数,σObj1、σObj2和σMerge分别为对象Obj1,对象Obj2以及合并后对象光谱特征的标准差。
形状特征的异质度的增长值的方法为:对紧凑异质度增长值和平滑异质度增长值进行加权求和,获得形状特征的异质度的增长值Δhshape。
步骤S620:根据光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值计算总体异质度增长值;
具体地,根据光谱权重因子、形状权重因子、纹理权重因子及光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值计算总体异质度增长值,具体计算公式为:
f=ωcolor.Δhcolor+ωshape.Δhshape+ωtexture.Δhtexture,
其中,ωcolor、ωshape和ωtexture分别为光谱权重因子、形状权重因子和纹理权重因子,根据经验值设定,满足0≤ωcolor≤1,0≤ωshape≤1,0≤ωtexture≤1并且ωcolor+ωshape+ωtexture=1,Δhcolor、Δhshape、Δhtexture分别代表光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值。
步骤S630:根据边缘强度图、角点强度图及总体异质度增长值计算对象合并代价;
步骤S640:在对象合并代价最小时,对异质度图像及边缘强度图、角点强度图进行合并。
具体地,在影像对象的合并过程中,不仅存在因合并导致的对象内部光谱、纹理等特征的异质度增长,如果在两个相邻对象的公共边界处存在不连续的灰度变化(即边缘),那么在合并时会产生相应的边缘合并代价。
根据边缘强度图中各个点的边缘强度,计算对象Obj1和对象Obj2合并时的边缘合并代价,具体计算公式为:
EdgeCost(Obj1,Obj2)=∑(x,y)∈CommonEdgeIntensity(x,y),
其中,EdgeIntensity(x,y)表示无人机图像在点(,y)处的边缘强度,Common表示对象Obj1和对象Obj2中相互邻接的点的集合,可称作邻接边缘。
根据角点强度图中各个点的角点强度,计算对象Obj1和对象Obj2合并时的角点合并代价,具体计算公式为:
CornerCost(Obj1,Obj2)=∑(x,y)∈CommonCornerIntensity(x,y),
其中,CotnerIntensity(x,y)表示影像在点(,y)处的角点强度,Common表示对象Obj1和对象Obj2中相互邻接的点的集合,可称作邻接边缘。
根据边缘合并代价和角点合并代价及总体异质度增长值计算对象合并代价,计算公式为:
F=f+ωedge.EdgeCost(Obj1,Obj2)+ωcorner.CornerCost(Obj1,Obj2),
其中,f为总体异质度增长值,ωedge为边缘合并代价的权重因子,ωcorner为角点合并代价的权重因子。
当对象合并代价F最小时,对异质度图像及边缘强度图、角点强度图进行合并,如对各个图中同一像素进行加权合并,获得合并后的每个像素点值,所有像素点值的集合构成合并结果。
本实施例在自底向上的区域合并时,采用“对象合并代价最小”准则作为区域合并策略,将边缘合并代价、角点合并代价及异质度准则相结合形成新的合并准则,不仅综合考虑了影像对象的光谱、形状、纹理、角点等特征,并且充分利用了影像中地物的边缘特征,对影像中地物边缘的定位将更加精确。
可选的,在一些实施例中,也可以只使用边缘合并代价和总体异质度增长值计算对象合并代价,具体计算公式为:
F=f+ωedge.EdgeCost(Obj1,Obj2),
其中,f为总体异质度增长值,ωedge为边缘合并代价的权重因子。
综上所述,本实施例通过提取无人机图像的光谱特征、形状特征、纹理特征、边缘特征以及角点特征,在多个尺度上对无人机图像进行分割,获得异质度图像以表征分割后的对象和层次结构。根据边缘特征生成边缘强度图,根据角点特征生成角点强度图,融合时不仅考虑了光谱特征、形状特征和纹理特征,还考虑了边缘强度和角点强度,充分利用了无人机图像中地物的边缘特征,对无人机图像中地物边缘的定位将更加精确,对纹理信息丰富的影像具有更好的分割效果,图像对象识别准确、分割精度高。适用于高分辨率遥感影像分析。
以下对本申请实施例提供的面向对象的高分辨率无人机图像多尺度分割方法进行验证,在本实施例中,采用了三组数据对方法进行实验。实验一选取了Brodatz标准纹理库中的5种不同纹理合成为纹理影像,如图4左边图。实验二选取了无人机图像中的两种典型纹理:建筑区和林地,合成为纹理影像,如图4中间图。其中无人机纹理区域选取自IKONOS卫星无人机图像,影像空间分辨率为1米。实验三选取了一幅武汉地区的资源三号(ZY-3)卫星无人机图像的一部分,影像空间分辨率为2.1米,如图4右边图。
为了分析本实施例所提方法和分形网络演化方法在对具有丰富纹理信息的影像进行分割时的效果,选用了eCognition Developer 8.8软件(以下简称eCognition软件)中的多尺度分割方法(multiresolution segmentation algorithm)作为对比实验,并对三组实验结果进行了比较和分析。
图5为Brodatz纹理合成影像的分割结果示意图。其中图5左边图和图5中间图为使用eCognition软件在不同尺度下的分割结果。图5左边图的参数设置为尺度s=30,权重因子ωshape=0.9,ωcmpct=0.5。图5中间图的参数设置为尺度s=70,权重因子ωshape=0.8,ωcmpct=0.5。图5右边图为本实施例所提方法分割结果,参数设置为尺度s=100,权重因子ωshape=0.05,ωtexture=0.95,ωcmpct=0.5。从图5中可以看出,本实施例所提方法将5种不同的纹理类型分割为5块独立完整的区域。而eCognition软件的分割结果在不同尺度下均未能得到完整的纹理区域,在纹理区域的边界处存在较严重的错分割。
图6为无人机纹理合成影像的分割结果。其中图6左边图和图6中间图为使用eCognition软件在不同尺度下的分割结果。图6左边图的参数设置为尺度s=50,权重因子ωshape=0.8,ωcmpct=0.5。图6中间图的参数设置为尺度s=80,权重因子ωshape=0.2,ωcmpct=0.5。图6右边图为本实施例所提方法分割结果,参数设置为尺度s=50,权重因子ωshape=0.05,ωtexture=0.95,ωcmpct=0.7。从图6中可以看出,本实施例所提方法可以较好地区分出建筑区和林地两种不同无人机纹理,并将影像分割为4块独立完整的区域。而eCognition软件的分割结果在不同尺度下均未能得到完整的纹理区域,在纹理区域的边界处亦存在较明显的错分割。
图7为无人机纹理合成影像的分割结果。其中图7左边图和图7中间图为使用eCognition软件在不同尺度下的分割结果。图7左边图的参数设置为尺度s=61,权重因子ωshape=0.7,ωcmpct=0.0。图7中间图的参数设置为尺度s=80,权重因子ωshape=0.3,ωcmpct=0.5。图7右边图为本实施例所提方法分割结果,参数设置为尺度s=150,权重因子ωshape=0.1,ωtexture=0.8,ωcmpct=0.3。从图7中可以看出,本实施例所提方法可以较好地区分出建筑区和林地两种不同无人机纹理,并将影像分割为4块独立完整的区域。而eCognition软件的分割结果在不同尺度下均未能得到完整的纹理区域,在纹理区域的边界处亦存在较明显的错分割。
本实施例采用监督评价的方式,基于像素数量误差,通过错分割率(Mis-segementRatio,MR)和区域数比(Regions Ratio,RR)两项指标评价影像分割结果的精度。
错分割率为错分割像素在影像中所占的比率。将分割结果与参考结果叠加,针对分割结果中每一块区域,认为在参考结果中与其重叠面积最大的区域是该区域的正确分割结果(即认为该分割区域中的像素应被分类为该参考类别),不在正确分割区域中的像素则为错分割像素。错分割率越低,则影像分割的整体精度越高,反之亦然。错分割率的计算公式如下:
式中,Cij表示参考类别为j的像素被分为i类的像素总数,Ckk表示参考结果区域数(即参考类别数)。
同时,采用区域数比综合评价影像分割中是否存在过分割(over-segmentation)或欠分割(under-segmentation)的现象。区域数比是分割结果的区域数与参考结果区域数的比值。区域数比大于1,说明分割结果存在过分割现象。区域数比小于1,说明分割结果存在欠分割现象。区域数比越接近1,说明分割结果越好。区域数比的计算公式如下:
图8中第一列为三组实验数据的参考分割结果,第二列、第三列为三组实验数据的eCognition软件分割结果的错分割图,第四列为本实施例所提方法分割结果的错分割图,其中白色部分为错分割像素。
表1对三组实验的分割结果进行了评价。从表1中可看出,本实施例所提方法的分割结果在三组实验中的错分割率均低于使用eCognition软件得到的分割结果。在第一及第二组实验中,本实施例所提方法对合成影像进行分割得到了和参考分割结果相同的区域数,区域数比为1。而eCognition软件的分割结果更加细碎,区域数比相对较高,存在过分割的现象。在第三组实验中,本实施例方法将影像中的建筑区分割为2块区域,而eCognition软件将建筑区分割为多块区域,其分割结果的区域数比高于本实施例方法。
综上所述,由于影像中具有丰富纹理信息的区域在光谱特征上表现出不同的光谱异质性,而传统的面向对象多尺度分割方法并未充分考虑影像中地物的纹理信息,故而在对具有丰富纹理信息的影像进行分割时会产生过分割现象。本实施例提出的结合纹理特征的面向对象多尺度分割方法在顾及影像光谱特征和形状特征的同时,将纹理特征加入合并准则,对纹理信息丰富的影像具有更好的分割效果,分割精度高。
示例性设备
如图9所示,对应于上述面向对象的高分辨率无人机图像多尺度分割方法,本发明实施例还提供一种面向对象的高分辨率无人机图像多尺度分割系统,上述面向对象的高分辨率无人机图像多尺度分割系统包括:
无人机图像获取模块600,用于获取无人机图像;
特征提取模块610,用于提取所述无人机图像的光谱特征、形状特征、纹理特征、边缘特征以及角点特征;
异质度图像模块620,用于分别计算所述光谱特征、所述形状特征、所述纹理特征的异质度,并根据异质度分割所述无人机图像,获得若干异质度图像;
边缘强度图模块630,用于根据所述边缘特征计算所述无人机图像的边缘强度,生成边缘强度图;
角点强度图模块640,用于根据所述角点特征计算所述无人机图像的角点强度,生成角点强度图;
分割特征图模块650,用于融合所述异质度图像、所述边缘强度图和所述角点强度图,获得所述无人机图像的分割特征图并输出。
可选的,分割特征图模块650包括:异质度增长值计算单元、总体异质度增长值计算单元、对象合并代价计算单元及合并单元;异质度增长值计算单元用于计算光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值;总体异质度增长值计算单元用于根据光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值计算总体异质度增长值;对象合并代价计算单元用于根据所述边缘强度图、所述角点强度图及所述总体异质度增长值计算对象合并代价;合并单元用于当对象合并代价最小时,对所述异质度图像、所述边缘强度图和所述角点强度图进行合并。
进一步地,异质度增长值计算单元包括:纹理区域获取子单元、纹理异质度获取子单元、异质度增长值计算子单元;纹理区域获取子单元用于获取所述无人机图像内各种纹理特征对应的纹理区域;纹理异质度获取子单元用于分别计算每个所述纹理区域对应的纹理异质度;异质度增长值计算子单元用于根据纹理异质度计算纹理特征的异质度的增长值。
进一步地,对象合并代价计算单元包括:边缘合并代价计算子单元、角点合并代价计算子单元、合并子单元,边缘合并代价计算子单元用于根据所述边缘强度图计算边缘合并代价,角点合并代价计算子单元用于根据所述角点强度图计算角点合并代价,合并子单元用于对所述边缘合并代价、所述角点合并代价和所述总体异质度增长值进行加权累计,获得所述对象合并代价。
可选的,边缘强度图模块630包括:微分单元、卷积单元、边缘强度初步图生成单元及边缘细化单元;微分单元用于对无人机图像进行二阶微分,得到无人机图像梯度的散度;卷积单元用于对无人机图像进行高斯滤波的卷积,得到平滑影像;边缘强度初步图生成单元用于根据梯度的散度及平滑影像计算无人机图像的边缘强度及法向量,获得边缘强度初步图;细化单元用于根据非极大值抑制的放大对边缘强度初步图进行细化处理,获得无人机图像的边缘强度图。
具体的,本实施例中,上述面向对象的高分辨率无人机图像多尺度分割系统的各模块的具体功能可以参照上述面向对象的高分辨率无人机图像多尺度分割方法中的对应描述,在此不再赘述。
基于上述实施例,本发明还提供了一种智能终端,上述智能终端包括通过处理器、存储器。其中,处理器用于提供计算和控制能力。存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和面向对象的高分辨率无人机图像多尺度分割程序。该内存储器为非易失性存储介质中的操作系统和面向对象的高分辨率无人机图像多尺度分割程序的运行提供环境。该面向对象的高分辨率无人机图像多尺度分割程序被处理器执行时实现上述任意一种面向对象的高分辨率无人机图像多尺度分割方法的步骤。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图10所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和面向对象的高分辨率无人机图像多尺度分割程序。该内存储器为非易失性存储介质中的操作系统和面向对象的高分辨率无人机图像多尺度分割程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该面向对象的高分辨率无人机图像多尺度分割程序被处理器执行时实现上述任意一种面向对象的高分辨率无人机图像多尺度分割方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图10中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有面向对象的高分辨率无人机图像多尺度分割程序,上述面向对象的高分辨率无人机图像多尺度分割程序被处理器执行时实现本发明实施例提供的任意一种面向对象的高分辨率无人机图像多尺度分割方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述集成的模块/单元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存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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,并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.面向对象的高分辨率无人机图像多尺度分割方法,其特征在于,包括:
获取无人机图像;
提取所述无人机图像的光谱特征、形状特征、纹理特征、边缘特征以及角点特征;
分别计算所述光谱特征、所述形状特征、所述纹理特征的异质度,并根据所有的所述异质度分割所述无人机图像,获得若干异质度图像;
根据所述边缘特征计算所述无人机图像的边缘强度,生成边缘强度图;
根据所述角点特征计算所述无人机图像的角点强度,生成角点强度图;
融合所述异质度图像、所述边缘强度图和所述角点强度图,获得所述无人机图像的分割特征图并输出。
2.如权利要求1所述的面向对象的高分辨率无人机图像多尺度分割方法,其特征在于,所述提取所述无人机图像的纹理特征,包括:
根据所述无人机图像中每个像素的灰度值与该像素所在的局部窗口中周围像素灰度分布的综合特征,计算每个像素的二维信息熵,获得每个像素对应的纹理特征。
3.如权利要求1所述的面向对象的高分辨率无人机图像多尺度分割方法,其特征在于,所述根据所述边缘特征计算所述无人机图像的边缘强度,生成边缘强度图,包括:
对所述无人机图像进行二阶微分,获得所述无人机图像的梯度的散度;
对所述无人机图像进行高斯滤波的卷积,获得平滑影像;
根据梯度的散度及平滑影像计算所述无人机图像的边缘强度及法向量,获得边缘强度初步图;
根据非极大值抑制的放大对所述边缘强度初步图进行细化处理,获得无人机图像的边缘强度图。
4.如权利要求1所述的面向对象的高分辨率无人机图像多尺度分割方法,其特征在于,所述融合所述异质度图像、所述边缘强度图和所述角点强度图,包括:
计算光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值;
根据光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值计算总体异质度增长值;
根据所述边缘强度图、所述角点强度图及所述总体异质度增长值计算对象合并代价;
当对象合并代价最小时,对所述异质度图像、所述边缘强度图和所述角点强度图进行合并。
5.如权利要求4所述的面向对象的高分辨率无人机图像多尺度分割方法,其特征在于,所述计算纹理特征的异质度的增长值,包括:
获取所述无人机图像内各种纹理特征对应的纹理区域;
分别计算每个所述纹理区域对应的纹理异质度;
根据纹理异质度计算纹理特征的异质度的增长值。
6.如权利要求4所述的面向对象的高分辨率无人机图像多尺度分割方法,其特征在于,所述根据所述边缘强度图、所述角点强度图及所述总体异质度增长值计算对象合并代价,包括:
根据所述边缘强度图计算边缘合并代价;
根据所述角点强度图计算角点合并代价;
对所述边缘合并代价、所述角点合并代价和所述总体异质度增长值进行加权累计,获得所述对象合并代价。
7.面向对象的高分辨率无人机图像多尺度分割系统,其特征在于,所述系统包括:
无人机图像获取模块,用于获取无人机图像;
特征提取模块,用于提取所述无人机图像的光谱特征、形状特征、纹理特征、边缘特征以及角点特征;
异质度图像模块,用于分别计算所述光谱特征、所述形状特征、所述纹理特征的异质度,并根据异质度分割所述无人机图像,获得若干异质度图像;
边缘强度图模块,用于根据所述边缘特征计算所述无人机图像的边缘强度,生成边缘强度图;
角点强度图模块,用于根据所述角点特征计算所述无人机图像的角点强度,生成角点强度图;
分割特征图模块,用于融合所述异质度图像、所述边缘强度图和所述角点强度图,获得所述无人机图像的分割特征图并输出。
8.如权利要求7所述的面向对象的高分辨率无人机图像多尺度分割系统,其特征在于,所述分割特征图模块包括:异质度增长值计算单元、总体异质度增长值计算单元、对象合并代价计算单元及合并单元;
所述异质度增长值计算单元用于计算光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值;
所述总体异质度增长值计算单元用于根据光谱特征的异质度的增长值、形状特征的异质度的增长值、纹理特征的异质度的增长值计算总体异质度增长值;
所述对象合并代价计算单元用于根据所述边缘强度图、所述角点强度图及所述总体异质度增长值计算对象合并代价;
所述合并单元用于当对象合并代价最小时,对所述异质度图像、所述边缘强度图和所述角点强度图进行合并。
9.智能终端,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的面向对象的高分辨率无人机图像多尺度分割程序,所述面向对象的高分辨率无人机图像多尺度分割程序被所述处理器执行时实现如权利要求1-6任意一项所述面向对象的高分辨率无人机图像多尺度分割方法的步骤。
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有面向对象的高分辨率无人机图像多尺度分割程序,所述面向对象的高分辨率无人机图像多尺度分割程序被处理器执行时实现如权利要求1-6任意一项所述面向对象的高分辨率无人机图像多尺度分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310019315.XA CN116051838A (zh) | 2023-01-06 | 2023-01-06 | 面向对象的高分辨率无人机图像多尺度分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310019315.XA CN116051838A (zh) | 2023-01-06 | 2023-01-06 | 面向对象的高分辨率无人机图像多尺度分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116051838A true CN116051838A (zh) | 2023-05-02 |
Family
ID=86112801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310019315.XA Withdrawn CN116051838A (zh) | 2023-01-06 | 2023-01-06 | 面向对象的高分辨率无人机图像多尺度分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051838A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381013A (zh) * | 2020-11-18 | 2021-02-19 | 南通市测绘院有限公司 | 基于高分辨率遥感影像的城市植被反演方法及系统 |
CN115527276A (zh) * | 2022-10-19 | 2022-12-27 | 天津中科智能识别有限公司 | 基于面部光流场与纹理特性融合的深伪视频检测方法 |
-
2023
- 2023-01-06 CN CN202310019315.XA patent/CN116051838A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381013A (zh) * | 2020-11-18 | 2021-02-19 | 南通市测绘院有限公司 | 基于高分辨率遥感影像的城市植被反演方法及系统 |
CN115527276A (zh) * | 2022-10-19 | 2022-12-27 | 天津中科智能识别有限公司 | 基于面部光流场与纹理特性融合的深伪视频检测方法 |
Non-Patent Citations (1)
Title |
---|
沈小乐: "视觉注意机制下面向对象高分辨率遥感影像建筑物提取", 《中国优秀博士论文全文数据库》, pages 43 - 69 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6660313B2 (ja) | 画像解析を用いた核のエッジの検出 | |
EP3101594A1 (en) | Saliency information acquisition device and saliency information acquisition method | |
CN109978890B (zh) | 基于图像处理的目标提取方法、装置及终端设备 | |
CN106683119B (zh) | 基于航拍视频图像的运动车辆检测方法 | |
CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
CN108230292B (zh) | 物体检测方法和神经网络的训练方法、装置及电子设备 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN108629286B (zh) | 一种基于主观感知显著模型的遥感机场目标检测方法 | |
WO2022141145A1 (zh) | 面向对象的高分辨率遥感影像多尺度分割方法及系统 | |
CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 | |
CN107742113A (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN110349188A (zh) | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 | |
Fengping et al. | Road extraction using modified dark channel prior and neighborhood FCM in foggy aerial images | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
JP2013080389A (ja) | 消失点推定方法、消失点推定装置及びコンピュータプログラム | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN111047614A (zh) | 一种基于特征提取的复杂场景图像的目标角点提取方法 | |
CN116310832A (zh) | 遥感图像处理方法、装置、设备、介质及产品 | |
CN116051838A (zh) | 面向对象的高分辨率无人机图像多尺度分割方法及系统 | |
CN114554188A (zh) | 基于图像传感器像素阵列的手机摄像头检测方法及装置 | |
CN113793372A (zh) | 异源图像的优化配准方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230502 |
|
WW01 | Invention patent application withdrawn after publication |