CN116051976A - 一种融合高程信息的遥感影像的处理方法 - Google Patents

一种融合高程信息的遥感影像的处理方法 Download PDF

Info

Publication number
CN116051976A
CN116051976A CN202211476563.9A CN202211476563A CN116051976A CN 116051976 A CN116051976 A CN 116051976A CN 202211476563 A CN202211476563 A CN 202211476563A CN 116051976 A CN116051976 A CN 116051976A
Authority
CN
China
Prior art keywords
elevation information
segmentation
elevation
remote sensing
processing
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
CN202211476563.9A
Other languages
English (en)
Other versions
CN116051976B (zh
Inventor
赵宗泽
方明源
王双亭
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.)
Henan University of Technology
Original Assignee
Henan University of Technology
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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN202211476563.9A priority Critical patent/CN116051976B/zh
Publication of CN116051976A publication Critical patent/CN116051976A/zh
Application granted granted Critical
Publication of CN116051976B publication Critical patent/CN116051976B/zh
Priority to PCT/CN2023/126119 priority patent/WO2024109419A1/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本申请公开了一种融合高程信息的遥感影像处理方法，步骤包括：获取图像数据集，并对图像数据集进行预处理，得到图像集；对图像集进行SLIC分割处理，在SLIC分割处理过程中加权引入高程信息并设置阈值，得到预分割结果；基于预分割结果，利用邻域数组的数据结构，及时更新聚类间的邻接关系，并且建立加权结合高程特征的综合相似性准则；最后针对具有复杂高程的地物，根据相邻聚类间高程差设置合并前的判定条件，依据判定结果在综合相似性指数中设置不同大小的权重系数进行区域合并完成图像处理。本申请有效地克服了仅依赖光谱信息产生的误分割，提高了遥感影像分割的准确性。

Description

一种融合高程信息的遥感影像的处理方法
技术领域
本申请涉及遥感影像处理领域，具体涉及一种融合高程信息的遥感影像的处理方法。
背景技术
影像分割是光学遥感影像解译重要的基础处理步骤。超像素分割已经成为计算机视觉领域中广泛使用的预处理步骤，彩色图像分割是图像视觉领域的研究热点，利用遥感影像数据的光谱信息可以将影像分割成许多聚类区域。由于超像素区域更能反映图像的拓扑结构，可以提供更好的局部空间信息，因此，超像素分割方法逐渐成为遥感影像区域分割或分类的初始预分割分析步骤。传统的超像素分割在遥感图像分割方面仅考虑了地物的光谱信息，对具有一定高度的地物分割结果不够准确。在对影像数据进行超像素预分割后，可以建立邻接区域相似性准则和合并策略，对各种尺度对象进行精确分割。传统的区域合并方法都没有考虑地物的高程信息，当具有一定高差的地物区域间光谱特征相似时，区域合并准则的判定结果会出现错误。
发明内容
本申请在传统的仅基于光谱特征的遥感影像分割算法上融合了高程信息，以实现提高大区域遥感影像分割的准确性和泛化性。
为实现上述目的，本申请提供了一种融合高程信息的遥感影像的处理方法，步骤包括：
获取图像数据集，并对所述图像数据集进行预处理，得到图像集；
对所述图像集进行SLIC分割处理；在所述SLIC分割处理过程中加权引入高程信息并设置阈值，得到预分割结果；
基于所述预分割结果，进行区域合并，完成图像处理。
优选的，所述预处理的方法包括：针对获取的所述图像数据集中带有光谱波段的点云数据通过点云网格化；还包括：针对光谱影像数据，通过融合数字地表模型，输出为含有R、G、B和高程信息的四波段的遥感影像网格数据，得到所述图像集。
优选的，所述SLIC分割处理的方法包括：在预设范围内建立像素点间的光谱特征向量和三维空间特征向量；统计每个像素与聚类中心的光谱欧式距离和三维空间欧式距离，将像素分配到特征相似的分割区域；进行多次迭代对所述聚类中心进行优化；遍历全域去除尺寸过小的区域。
优选的，得到所述预分割结果的方法包括：进行所述SLIC分割过程时，在距离计算中引入高程信息并设置光谱加权结合高程信息的综合阈值；同时在二维平面和光谱欧式距离的基础上，增加高程信息建立六维特征向量。
优选的，对初始超像素范围内的像素i和像素j，计算所述光谱欧氏距离、所述二维平面和所述高程信息，分别表示为：
Figure BDA0003959448140000021
Figure BDA0003959448140000022
dz＝zi-zj
式中，l、a、b表示像元的光谱波段取值、x和y表示像元行列号，z表示像元对应高程值。
优选的，所述区域合并的方法包括：在所述预分割结果的基础上，建立相邻超像素间的融合了高程信息的相似性指标，将过分割的大尺度地物进行区域合并；所述相似性指标在计算时，结合光谱信息和高程信息。
优选的，在进行所述区域合并时，采用邻域数组的数据结构，及时更新相邻聚类，利用长度可变的列表存储相邻区域的标签；所述区域合并在进行判定时，具备低时间复杂度和低空间复杂度。
优选的，建立所述相似性指标的方法包括：采用邻域数组NA的数据结构，在每个区域单独建立长度可变的列表用于存储相邻区域标签。
与现有技术相比，本申请的有益效果如下：
本申请首先在超像素预分割步骤中引入高程信息，有效地克服了仅依赖光谱信息产生的误分割，提高了遥感影像分割的准确性，进而在预分割的结果上利用邻域数组的数据结构，及时更新聚类间的邻接关系，并且建立加权结合高程特征的综合相似性准则，最后针对具有复杂高程的地物，根据相邻聚类间高程差设置合并前的判定条件，依据判定结果在综合相似性指数中设置不同大小的权重系数进行区域合并。通过目视法对结果进行对比分析，实验结果表明，本申请具备一定的泛化性，相比传统的仅基于光谱信息阈值的遥感影像分割与区域合并申请，对大面积的具有复杂光谱信息和高程信息的遥感影像分割结果较准确。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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申请的一些实施例，实施例一为初始分割实例，实施例二为区域合并实例，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他的附图。
图1为本申请实施例一和例二的方法流程示意图；
图2为本申请实施例一和实施例二的实验数据示意图；其中，(a)为Hessigheim 3D(H3D)点云网格化数据示意图；(b)为融合数字地表模型DSM(Digital Surface Model)的震后遥感影像数据示意图；(c)震后区域DSM示意图；
图3为H3D数据的传统的基于光谱信息的SLIC分割结果示意图；
图4为H3D数据的在融合高程信息后的SLIC分割结果示意图；
图5为震后遥感影像数据的SLIC分割结果示意图；
图6为融合高程信息后的SLIC分割结果示意图；
图7为本申请实施例二中采取的区域合并方法示意图；
图8为本申请采用所述H3D数据和融合DSM的震后影像数据进行实施例二的区域合并实验结果示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
下面将结合本实施例一初始分割实例和实施例二区域合并实例，利用实验来详细说明本申请的技术效果。首先，获取ISPRS的公开数据集Hessigheim 3D(H3D)激光点云和3D纹理网格。该数据集点云的平均密度约为每平方米800个点，本实施例一和实施例二中，数据为截取2019年三月Hessigheim的村庄中有大量建筑物的部分区域的点云数据。针对带有光谱波段的点云数据，通过点云网格化输出为含有R、G、B和高程信息的四波段的遥感影像网格数据，影像栅格大小为2519pixels*2055pixels。实验数据集2为融合DSM(DigitalSurface Model)的震后低空遥感影像数据，每个像元的波段分别为R、G、B和高程波段，影像栅格大小为2377pixels*3553pixels，如图2所示。
如图1所示，为本申请实施例一和实施例二的方法流程示意图，步骤包括：获取图像数据集，并对图像数据集进行预处理，得到图像集；对图像集进行SLIC分割处理；在SLIC分割处理过程中加权引入高程信息并设置阈值，得到预分割结果；基于预分割结果，进行区域合并，完成图像处理。
实施例一
首先，对收集到的图像数据集进行预处理，针对带有光谱波段的点云数据，通过点云网格化输出为含有R、G、B和高程信息的四波段的遥感影像网格数据；针对光谱遥感影像数据，通过将光谱影像数据融合数字表面模型DSM得到含高程信息的多波段影像栅格，得到图像集。
之后对图像集进行SLIC(Simple Linear Iterative Clustering)分割处理。基本上的SLIC处理方法步骤包括：在特定范围内规定光谱和平面空间特征向量；统计每个像素与聚类中心的欧式距离，并与预设值进行比较，将像素分配到特征相似的分割区域；由于最初的聚类中心是均匀分布的，且搜索范围限制在聚类中心的固定半径内，因此需进行多次迭代对聚类中心进行优化；最后，遍历全域去除尺寸过小的区域，有效地解决像素级分割策略带来“椒盐噪声”的问题。
而在上述SLIC分割过程中，在进行距离计算时，加权引入高程信息并设置合适的阈值，达到更加精确的分割效果。融合高程信息的低空遥感影像SLIC分割方法在二维平面和光谱欧式距离的基础上，增加高程信息建立六维特征向量[l ab x y z]，其中，l、a、b为像元的光谱波段取值(假设为三个波段)，x和y分别为像元行列号，z为像元对应高程值，因此，像素i与像素j之间的光谱、平面和高程距离可以分别表示为：
Figure BDA0003959448140000061
Figure BDA0003959448140000062
dz＝zi-zj   (3)
在特征相似度量Dz中引入高程距离度量，计算公式包括：
Figure BDA0003959448140000071
式中，m表示光谱权重；s表示步长；λ为高程权重。
在本实施例中，将原始的SLIC超像素分割算法(m＝80,k＝2000)和引入高程信息后的初始分割算法(m＝80,k＝2000,λ＝5)作对比，对H3D实验数据和融合DSM的震后低空遥感影像数据进行初始分割实验，初始分割实验的结果及其典型地物对比结果如图3、图4、图5和图6所示。
由初始分割实验结果图可以看到，本实施例方法对大面积的地物的影像分割也具备一定的泛化能力。可以看到在分割方法引入高程信息后，对于具有复杂光谱信息的建筑物(图3中a1和图4中b1对比)，能避免由于光线明暗等问题引起的误分割，准确的拟合建筑物边界；对于阴影区域的地物(图3中a2和图4中b2对比)，能避免仅依赖光谱难以划分的情况，准确地识别出阴影区域内的具有一定高度的地物；对于某些仅通过光谱特征进行相似性判断，与其他地物相似的区域如道路与浅色草地(图3中a3和图4中b3对比)，能获取更多的地物信息，可以准确地进行划分；对于光谱相似的植被区域的树木与草地(图3中a4和图4中b4对比)，可以由树木和草地的高程差等信息来拟合树木的边界；对于震后影像中局部建筑物(图5中c1、c2、c3、c4与图6中d1、d2、d3、d4对比)，即使区域具备复杂的光谱信息，依然较好地拟合建筑物边界。因此，在面对在对具有复杂光谱信息和高程信息的大范围区域，本实施例方法对地物边界的拟合效果更好。传统的基于灰度梯度的遥感影像阈值分割，处于光线阴影的区域、具有复杂光谱信息的表面的地物和顶面不平整的地物会导致误分割结果，本文提出的融合高程信息的遥感影像阈值分割，一定程度上能克服光线阴影、亮度等带来的影响，在高程差不是很大的情况下，光谱差异越小，属于同一地物的可能性较大；在高程差较大的时候，光谱特征相差不大，可以利用高程差进行像元的相似性判断，当依赖光谱信息难以区分时，有效利用了地物高程信息来进行地物边界的较精确拟合。由于最终的地物分割结果由预分割的超像素来进行合并，因此，预分割步骤的分割质量具有决定性的意义。预分割实验结果表明，本实施例一的引入高程信息的初始分割方法作为后续实施例二区域合并的基础步骤是合适的。
实施例二
之后，在实施例一预分割结果的基础上，进行实施例二的区域合并，建立相邻超像素间的相似性指标，将过分割的大尺度地物合并，可有效提高分割结果的视觉效果和地物的分割精度。具体步骤包括：
1)邻域列表记录相邻区域
在本实施例中，采取了更高运算效率的邻域数组NA(NeighborhoodArray)的数据结构。如图7邻接示意图和表1区域邻接列表所示，每个区域单独建立长度可变的列表Li来存储相邻区域标签，这种数据结构仅需要遍历当前区域，相比RAG需要遍历全局，在长度上有所降低，在进行合并之后，降低了某些区域列表的长度和区域个数，增加了区域合并算法的效率。通过设置合并阈值，在合并准则判定时，记录每个区域邻域的容器会不断更新，具备较低的时间和空间复杂度。
表1
Figure BDA0003959448140000091
2)高程分级双阈值合并策略
对于遥感影像而言，区域相似性准则可以综合影像各种特征进行考虑。在得到SLIC分割区域后，可以统计每个分割区域所有像元的光谱均值和高程均值，作为分割区域的属性值。分割区域r的第i波段的均值属性
Figure BDA0003959448140000092
统计公式为：
Figure BDA0003959448140000093
由此，针对本实施例的四个波段的影像数据的初始分割结果，可以通过每个分割区域的光谱和高程均值属性值来计算相似度，由相邻区域i与j的光谱相似度
Figure BDA0003959448140000094
和高程相似度
Figure BDA0003959448140000095
建立光谱加权融合高程的相似性指数Ci,j,计算公式如：
Figure BDA0003959448140000101
Figure BDA0003959448140000102
Figure BDA0003959448140000103
式中，α为光谱特征权重，β为高程特征权重；设置系数δ(在本实施例中，δ设置为10)来保持光谱和高程相似性度量在数值量纲上的统一，使各自的变化程度给综合相似度带来的数值上的变化程度近似保持一致。当设置单个相似性阈值T时，会导致光谱和高程特征权重不同，但统计出的相似性度量Ci,j在数值上相同，出现区域合并错误的结果，对于遥感影像地物分割处理而言，地物之间高差越小，属于同一地物的可能性越大；反之，高差越大，属于同一地物的可能性越小，因此，本实施例结合光谱和高程不同权重系数的相似性指数
Figure BDA0003959448140000104
和
Figure BDA0003959448140000105
提出高程分级的双阈值合并策略。
高程分级的双阈值合并策略针对基于光谱相似性的利用空间信息的不足和结合光谱与高程信息的综合单阈值合并鲁棒性不强的缺点，在根据相似性阈值T进行合并之前，引入高程阈值Tz作为合并前的判定条件，Zi,j为相邻的两个聚类的平均高程属性差的绝对值，当Zi,j小于Tz时，相邻聚类的相似度计算方式采用相似性指数
Figure BDA0003959448140000106
此时光谱相似性指数权重α设置更大；反之，采用相似性指数
Figure BDA0003959448140000107
此时高程相似性指数β设置更大。如果相似性指数小于T，则执行区域合并语句。其中，θ为阈值自增系数(本实施例中设置为1.2)，阈值T随每次迭代合并尺度的增加迭代自增。本实施例二区域合并方法主要流程如表2。
表2
Figure BDA0003959448140000111
图8为两个数据集局部典型地物分割合并结果，由图8(a)和(b)可知，在传统的基于光谱特征的相似性准则中，引入高程特征后，当建筑物顶面区域与地面区域在光谱上相似时，可以通过区域之间高程属性差来进行区分，例如红色矩形内处于阴影中的道路与建筑物光谱相似，但高程相差大，可以通过高程属性进行区分；由图8(c)和(d)可知，对草地的边界和水面的边界都能较准确的拟合，蓝色矩形内具有一定高度的树木和草地没有产生误合并；由图8(e)和(f)可以看到在面对具有复杂光谱信息和高程信息的区域，同样能较完整的保持建筑物区域的边界。因此，在处理过程中，没有产生误合并现象，可以获取较好的分割结果。在本实施例融合高程信息的预分割的基础上，建立光谱信息加权结合高程信息的区域相似性指标，考虑了地物的高程变化，更充分地利用了影像数据信息，针对高程设置不同的阈值，采用基于高程阈值分级的策略进行区域合并处理，对大区域影像具备一定的泛化能力，可以较准确的对具有复杂光谱和高程信息的地物进行分割处理。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。

Claims (8)

1.一种融合高程信息的遥感影像的处理方法，其特征在于，步骤包括：
获取图像数据集，并对所述图像数据集进行预处理，得到图像集；
对所述图像集进行SLIC分割处理；在所述SLIC分割处理过程中加权引入高程信息并设置阈值，得到预分割结果；
基于所述预分割结果，进行区域合并，完成图像处理。
2.根据权利要求1所述的融合高程信息的遥感影像的处理方法，其特征在于，所述预处理的方法包括：针对获取的所述图像数据集中带有光谱波段的点云数据通过点云网格化；还包括：针对光谱影像数据，通过融合数字地表模型，输出为含有R、G、B和高程信息的四波段的遥感影像网格数据，得到所述图像集。
3.根据权利要求1所述的融合高程信息的遥感影像的处理方法，其特征在于，所述SLIC分割处理的方法包括：在预设范围内建立像素点间的光谱特征向量和三维空间特征向量；统计每个像素与聚类中心的光谱欧式距离和三维空间欧式距离，将像素分配到特征相似的分割区域；进行多次迭代对所述聚类中心进行优化；遍历全域去除尺寸过小的区域。
4.根据权利要求3所述的融合高程信息的遥感影像的处理方法，其特征在于，得到所述预分割结果的方法包括：进行所述SLIC分割过程时，在距离计算中引入高程信息并设置光谱加权结合高程信息的综合阈值；同时在二维平面和光谱欧式距离的基础上，增加高程信息建立六维特征向量。
5.根据权利要求4所述的融合高程信息的遥感影像的处理方法，其特征在于，对初始超像素范围内的像素i和像素j，计算所述光谱欧氏距离、所述二维平面和所述高程信息，分别表示为：
Figure FDA0003959448130000021
Figure FDA0003959448130000022
dz＝zi-zj
式中，l、a、b表示像元的光谱波段取值、x和y表示像元行列号，z表示像元对应高程值。
6.根据权利要求1所述的融合高程信息的遥感影像的处理方法，其特征在于，所述区域合并的方法包括：在所述预分割结果的基础上，建立相邻超像素间的融合了高程信息的相似性指标，将过分割的大尺度地物进行区域合并；所述相似性指标在计算时，结合光谱信息和高程信息。
7.根据权利要求6所述的融合高程信息的遥感影像的处理方法，其特征在于，在进行所述区域合并时，采用邻域数组的数据结构，及时更新相邻聚类，利用长度可变的列表存储相邻区域的标签；所述区域合并在进行判定时，具备低时间复杂度和低空间复杂度。
8.根据权利要求7所述的融合高程信息的遥感影像的处理方法，其特征在于，建立所述相似性指标的方法包括：采用邻域数组NA的数据结构，在每个区域单独建立长度可变的列表用于存储相邻区域标签。
CN202211476563.9A 2022-11-23 2022-11-23 一种融合高程信息的遥感影像的处理方法 Active CN116051976B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211476563.9A CN116051976B (zh) 2022-11-23 2022-11-23 一种融合高程信息的遥感影像的处理方法
PCT/CN2023/126119 WO2024109419A1 (zh) 2022-11-23 2023-10-24 一种融合高程信息的遥感影像的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211476563.9A CN116051976B (zh) 2022-11-23 2022-11-23 一种融合高程信息的遥感影像的处理方法

Publications (2)

Publication Number Publication Date
CN116051976A true CN116051976A (zh) 2023-05-02
CN116051976B CN116051976B (zh) 2023-09-19

Family

ID=86130246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211476563.9A Active CN116051976B (zh) 2022-11-23 2022-11-23 一种融合高程信息的遥感影像的处理方法

Country Status (2)

Country Link
CN (1) CN116051976B (zh)
WO (1) WO2024109419A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116784075A (zh) * 2023-06-12 2023-09-22 淮阴工学院 一种基于ros的多光谱无人机智能定点施肥方法及施肥装置
CN116977852A (zh) * 2023-07-25 2023-10-31 广州方圆生态科技有限公司 基于人工智能的森林蓄积量检测方法及系统
CN117609411A (zh) * 2023-12-08 2024-02-27 苏州空天信息研究院 一种用于多源地理高程信息的集成与融合系统及方法
WO2024109419A1 (zh) * 2022-11-23 2024-05-30 河南理工大学 一种融合高程信息的遥感影像的处理方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118446938B (zh) * 2024-07-08 2024-09-10 浙江国遥地理信息技术有限公司 一种遥感影像的阴影区域修复方法、装置及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053412A (zh) * 2018-01-02 2018-05-18 河南理工大学 融合多定量评价指标的遥感影像最优分割结果确定方法
CN108961286A (zh) * 2018-06-27 2018-12-07 武汉大学 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法
CN109766824A (zh) * 2019-01-08 2019-05-17 河南理工大学 基于模糊证据理论的主被动遥感数据融合分类方法
CN111428762A (zh) * 2020-03-12 2020-07-17 武汉大学 联合深度数据学习和本体知识推理的可解释性遥感影像地物分类方法
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
CN112329791A (zh) * 2020-10-30 2021-02-05 中国电子科技集团公司第五十四研究所 一种高光谱影像水域自动提取方法
US20210166020A1 (en) * 2019-06-25 2021-06-03 Southeast University Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images
CN113222871A (zh) * 2021-05-31 2021-08-06 哈尔滨工程大学 一种多视卫星影像数字表面模型融合方法
WO2022041598A1 (zh) * 2020-08-24 2022-03-03 中国科学院深圳先进技术研究院 一种遥感影像分割方法、系统、终端以及存储介质
CN114581773A (zh) * 2022-02-28 2022-06-03 西安电子科技大学 基于图卷积网络的多模态遥感数据分类方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104006802B (zh) * 2014-05-06 2016-04-27 国家基础地理信息中心 一种基于信息融合的地表三维变化检测方法及系统
CN110796181B (zh) * 2019-06-28 2022-05-03 北京建筑大学 基于纹理的文物病害高精度自动提取方法
AU2020103026A4 (en) * 2020-10-27 2020-12-24 Nanjing Forestry University A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
WO2022104251A1 (en) * 2020-11-16 2022-05-19 Ai Clearing Inc. Image analysis for aerial images
CN114283213A (zh) * 2021-12-23 2022-04-05 陈林霞 联合LiDAR点云与光学图像的房屋自适应矢量化方法
CN116051976B (zh) * 2022-11-23 2023-09-19 河南理工大学 一种融合高程信息的遥感影像的处理方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053412A (zh) * 2018-01-02 2018-05-18 河南理工大学 融合多定量评价指标的遥感影像最优分割结果确定方法
CN108961286A (zh) * 2018-06-27 2018-12-07 武汉大学 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法
CN109766824A (zh) * 2019-01-08 2019-05-17 河南理工大学 基于模糊证据理论的主被动遥感数据融合分类方法
US20210166020A1 (en) * 2019-06-25 2021-06-03 Southeast University Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images
CN111428762A (zh) * 2020-03-12 2020-07-17 武汉大学 联合深度数据学习和本体知识推理的可解释性遥感影像地物分类方法
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
WO2022041598A1 (zh) * 2020-08-24 2022-03-03 中国科学院深圳先进技术研究院 一种遥感影像分割方法、系统、终端以及存储介质
CN112329791A (zh) * 2020-10-30 2021-02-05 中国电子科技集团公司第五十四研究所 一种高光谱影像水域自动提取方法
CN113222871A (zh) * 2021-05-31 2021-08-06 哈尔滨工程大学 一种多视卫星影像数字表面模型融合方法
CN114581773A (zh) * 2022-02-28 2022-06-03 西安电子科技大学 基于图卷积网络的多模态遥感数据分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JUNJUN YIN ET AL.: "SLIC Superpixel Segmentation for Polarimetric SAR Images", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 60, pages 1 - 17, XP011891242, DOI: 10.1109/TGRS.2020.3047126 *
刘大伟等: "一种基于邻域数组的区域合并新方法", 《测绘科学》, vol. 41, no. 06, pages 113 - 116 *
刘鹏等: "基于超像素分割与多信息融合的叠掩和阴影区域检测方法", 《测绘学报》, pages 1 - 19 *
董志鹏等: "简单线性迭代聚类的高分辨率遥感影像分割", 《遥感信息》, vol. 31, no. 6, pages 1 - 6 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024109419A1 (zh) * 2022-11-23 2024-05-30 河南理工大学 一种融合高程信息的遥感影像的处理方法
CN116784075A (zh) * 2023-06-12 2023-09-22 淮阴工学院 一种基于ros的多光谱无人机智能定点施肥方法及施肥装置
CN116784075B (zh) * 2023-06-12 2024-06-28 淮阴工学院 一种基于ros的多光谱无人机智能定点施肥方法及施肥装置
CN116977852A (zh) * 2023-07-25 2023-10-31 广州方圆生态科技有限公司 基于人工智能的森林蓄积量检测方法及系统
CN117609411A (zh) * 2023-12-08 2024-02-27 苏州空天信息研究院 一种用于多源地理高程信息的集成与融合系统及方法
CN117609411B (zh) * 2023-12-08 2024-06-11 苏州空天信息研究院 一种用于多源地理高程信息的集成与融合系统及方法

Also Published As

Publication number Publication date
WO2024109419A1 (zh) 2024-05-30
CN116051976B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN116051976B (zh) 一种融合高程信息的遥感影像的处理方法
CN109146948B (zh) 基于视觉的作物长势表型参数量化与产量相关性分析方法
CN107038717B (zh) 一种基于立体栅格自动分析3d点云配准误差的方法
CN107330875B (zh) 基于遥感图像正反向异质性的水体周边环境变化检测方法
CN110443810B (zh) 基于快速邻接体素查询的点云平面分割方法
CN111047695B (zh) 一种城市群高度空间信息及等高线的提取方法
CN109389062B (zh) 利用高分辨率星载sar图像提取湖泊水陆分割线的方法
CN111738332B (zh) 基于特征级融合的水下多源声学图像底质分类方法及系统
CN107273813A (zh) 基于高分卫星遥感数据的地理空间要素提取系统
CN106294705A (zh) 一种批量遥感影像预处理方法
CN107464249A (zh) 一种羊只无接触体尺测量方法
CN113409332B (zh) 一种基于三维点云的建筑物平面分割方法
CN110570462A (zh) 基于极化雷达遥感影像的洪水淹没范围自动提取方法
CN111882573B (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
CN109584253A (zh) 油液磨粒图像分割方法
CN115049925A (zh) 田块田坎提取方法、电子设备及存储介质
Lei et al. Extraction of maize leaf base and inclination angles using terrestrial laser scanning (TLS) data
Lombard et al. Mangrove zonation mapping in West Africa, at 10-m resolution, optimized for inter-annual monitoring
CN113673358A (zh) 一种基于卫星遥感影像的高原盐湖范围提取方法及系统
CN117541786A (zh) 一种融合多源点云数据的单株植被精细化分割方法
CN106846325A (zh) 一种遥感影像最优分割结果确定的自动化方法
CN113408419A (zh) 利用多特征融合进行建筑物高度测算的方法
CN114119634A (zh) 结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统
CN112560740A (zh) 一种基于PCA-Kmeans的可见光遥感影像变化检测方法
Hua et al. Automatic Geometric Correction of Complex Sea Condition Remote Sensing Image Based on Decision Tree Classification

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