CN116052001A - 一种基于类别方差比值法进行最优尺度选择的方法 - Google Patents
一种基于类别方差比值法进行最优尺度选择的方法 Download PDFInfo
- Publication number
- CN116052001A CN116052001A CN202310118218.6A CN202310118218A CN116052001A CN 116052001 A CN116052001 A CN 116052001A CN 202310118218 A CN202310118218 A CN 202310118218A CN 116052001 A CN116052001 A CN 116052001A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- variance ratio
- class
- class variance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000011160 research Methods 0.000 claims abstract description 51
- 238000011835 investigation Methods 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 229920000742 Cotton Polymers 0.000 description 4
- 241000219146 Gossypium Species 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000037663 Best vitelliform macular dystrophy Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 201000007790 vitelliform macular dystrophy Diseases 0.000 description 1
- 208000020938 vitelliform macular dystrophy 2 Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V10/40—Extraction of image or video 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
- G06V10/764—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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (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)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于类别方差比值法进行最优尺度选择的方法,属于遥感图像技术领域。包括以下步骤:用获取的多尺度遥感影像,通过目视解译与实地调研的方法,综合考虑进行研究区域的选择;将选择好研究区域的遥感影像作为输入数据,使用类别方差比值法对输入数据进行处理,首先计算影像中各类研究区域的标准差、均值和影像的总体均值,其次再计算出类间方差与类内方差,最终计算得到各个尺度下遥感影像的类别方差比值;根据类别方差比值的大小,进而选取适宜空间尺度的遥感影像,最后得到最优尺度的遥感影像。本研究提出的类别方差比值法适用于对目标图像进行分离最优空间尺度的判断,根据研究目的选取适宜的空间尺度影像进行有效信息的提取。
Description
技术领域
本发明涉及一种基于类别方差比值法进行最优尺度选择的方法,属于遥感图像技术领域。
背景技术
目前,应用较为广泛的图像分割算法有最大类间方差法。最大类间方差法对灰度直方图呈现双峰状态下的图像处理效果较好,但对呈现单峰条件下的图像分割并不理想。该方法忽略了图像的空间信息,同时将图像的灰度分布作为分割图像的依据,对噪声也相当敏感,当图像的目标与背景像素相近时,不能很好的进行图像分割。
遥感影像空间分辨率的大小能够反映出遥感影像信息的不同特征。在利用多尺度遥感数据进行影像信息调查研究中,部分学者使用基于重采样后生成的多尺度图像,对植被类型识别与空间尺度效应之间的关系进行相关的研究。随着米级、亚米级以及基于更细的空间分辨率的遥感影像获取难度减小,更多学者开展了在高空间分辨率影像下分类识别的研究,但并非空间分辨率越高,目标的识别精度就越高。遥感影像分辨率增高的同时,也会带来数据量处理过重的负担。如何平衡监测目标尺度与影像尺度之间的关系,选取简单有效的判别方法以及判定在何种分辨率上能够准确判别目标地物是目前需要解决的问题。
发明内容
本发明所要解决的是如何平衡监测目标尺度与影像尺度之间的关系,选取简单有效的判别方法以及判定在何种分辨率上能够准确判别目标地物。
为解决上述的技术问题,本发明提供的一种基于类别方差比值法进行最优尺度选择的方法,包括以下步骤:
步骤1:利用获取的多尺度遥感影像,通过目视解译与实地调研的方法,综合考虑进行研究区域的选择;
步骤2:将选择好研究区域的遥感影像作为输入数据,使用类别方差比值法对输入数据进行处理,首先计算影像中各类研究区域的标准差、均值和影像的总体均值,其次再计算出类间方差与类内方差,最终计算得到各个尺度下遥感影像的类别方差比值;
步骤3:根据步骤2得到的各个尺度下遥感影像的类别方差比值,比较类别方差比值的大小,进而选取适宜空间尺度的遥感影像,最后得到最优尺度的遥感影像。
步骤1中研究区域的选择,考虑到研究区域的一致性问题,要在完成预处理的遥感影像上选择相同地理位置的研究区域,首先在分辨率最高的无人机影像上进行研究区域的划定,再叠加到不同分辨率影像上进行自适应调整。
步骤2中类别方差比值法的具体步骤为:
步骤2.2:设影像中各类研究区的灰度均值为ui,则灰度均值ui为:
步骤2.3:设影像总体灰度均值为μ,则总体灰度均值μ为:
步骤3中类别方差比值法的评价准则为,当类别方差比值越大时,说明分割出的研究区之间的差别越大,即研究区之间的分割效果越好;反之类别方差比值越小,表示分割出的研究区之间的差别越小,即研究区之间的分割效果越差。
与现代技术相比,本发明的优点在于:
本发明能够更好的进行两类研究区域之间的分离,能够根据研究目的选取适宜的空间尺度影像,从而有效地进行信息提取。
附图说明
图1为本发明基于类别方差比值法进行最优尺度选择的方法的流程图。
图2为本发明实施例健康区域和病害区域选取的示意图,其中,图2(a)为无人机影像,图2(b)为有人机影像,图2(c)为Sentinel-2影像。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
为了探究不同空间尺度遥感影像对棉花根腐病识别的影响及其差异性,本实施例提出了一种基于类别方差比值法进行最优尺度选择的方法,如图1所示为本发明基于类别方差比值法进行最优尺度选择方法的流程图,主要包括以下步骤:
步骤1:利用获取的多尺度遥感影像,通过目视解译与实地调研的方法,综合考虑进行研究区域的选择;
具体地,本实施例以无人机影像、有人机影像和Sentinel-2影像为实验数据,它们的分辨率分别为0.029m、0.2m和10m。考虑到研究区域的一致性问题,要在完成预处理的遥感影像上选择相同地理位置的研究区域,首先在分辨率最高的无人机影像上进行研究区域的划定,再叠加到不同分辨率影像上进行自适应调整,三幅影像通过手动选择控制点的方式进行匹配,以确保地理位置完全相同,最后划分了健康和病害两个研究区域,如图2所示为本发明实施例健康区域和病害区域选取的示意图。
步骤2:将选择好研究区域的遥感影像作为输入数据,使用类别方差比值法对输入数据进行处理,首先计算影像中各类研究区域的标准差、均值和影像的总体均值,其次再计算出类间方差与类内方差,最终计算得到各个尺度下遥感影像的类别方差比值;
步骤2中类别方差比值法的具体步骤为:
步骤2.2:设影像中各类研究区的灰度均值为ui,则灰度均值ui为:
步骤2.3:设影像总体灰度均值为μ,则总体灰度均值μ为:
具体地,首先计算影像中健康区域与病害区域的标准差、均值,其次再计算总体均值、类间方差与类内方差,最终计算得到各个尺度下遥感影像的类别方差比值,详细统计数据如表1所示。
表1:无人机影像、有人机影像和Sentinel-2数据参数对比
步骤3:根据步骤2得到的各个尺度下遥感影像的类别方差比值,比较类别方差比值的大小,进而选取适宜空间尺度的遥感影像,最后得到最优尺度的遥感影像。
步骤3中类别方差比值法的评价准则为,当类别方差比值越大时,说明分割出的研究区之间的差别越大,即研究区之间的分割效果越好;反之类别方差比值越小,表示分割出的研究区之间的差别越小,即研究区之间的分割效果越差。
具体的,对比表1中三幅遥感影像的参数,发现有人机影像的类别方差比值最高,无人机影像的类别方差比值最低,Sentinel-2影像类别方差比值居中。无人机影像的分辨率最高,可以更有效地获取棉花植被信息,但背景信息的影响导致类别方差比值偏低。Sentinel-2影像分辨率较低,土壤和植被的可分离性较低,从而导致类别方差比值也偏低。有人机的分辨率居中,对于棉花病害区域与健康区域的拍摄基本不受背景效果的影响,计算所得的类别方差比值最高,成为了病害区域提取效果最好的遥感影像。本实施例基于类别方差比值法进行最优尺度选择的方法发现有人机数据是区分健康与病害区域的最优尺度影像,更适用于进行棉花根腐病健康与病害区域的分离。
由上述实施例可看出,本发明提供的基于类别方差比值法进行最优尺度选择的方法可以明显判断出适用于目标图像分离的空间尺度,对解决在多尺度影像数据中选取最优尺度影像等相关问题有很大帮助。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (4)
1.一种基于类别方差比值法进行最优尺度选择的方法,其特征在于,包含以下步骤:
步骤1:利用获取的多尺度遥感影像,通过目视解译与实地调研的方法,综合考虑进行研究区域的选择;
步骤2:将选择好研究区域的遥感影像作为输入数据,使用类别方差比值法对输入数据进行处理,首先计算影像中各类研究区域的标准差、均值和影像的总体均值,其次再计算出类间方差与类内方差,最终计算得到各个尺度下遥感影像的类别方差比值;
步骤3:根据步骤2得到的各个尺度下遥感影像的类别方差比值,比较类别方差比值的大小,进而选取适宜空间尺度的遥感影像,最后得到最优尺度的遥感影像。
2.根据权利要求1所述的基于类别方差比值法进行最优尺度选择的方法,其特征在于,步骤1中研究区域的选择,考虑到研究区域的一致性问题,要在完成预处理的遥感影像上选择相同地理位置的研究区域,首先在分辨率最高的影像上进行研究区域的划定,再叠加到不同分辨率影像上进行自适应调整。
3.根据权利要求1所述的基于类别方差比值法进行最优尺度选择的方法,其特征在于,步骤2中类别方差比值法的具体步骤为:
步骤2.2:设影像中各类研究区的灰度均值为ui,则灰度均值ui为:
步骤2.3:设影像总体灰度均值为μ,则总体灰度均值μ为:
4.根据权利要求1所述的基于类别方差比值法进行最优尺度选择的方法,其特征在于,步骤3中类别方差比值法的评价准则为,当类别方差比值越大时,说明分割出的研究区之间的差别越大,即研究区之间的分割效果越好;反之类别方差比值越小,表示分割出的研究区之间的差别越小,即研究区之间的分割效果越差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310118218.6A CN116052001B (zh) | 2023-02-10 | 2023-02-10 | 一种基于类别方差比值法进行最优尺度选择的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310118218.6A CN116052001B (zh) | 2023-02-10 | 2023-02-10 | 一种基于类别方差比值法进行最优尺度选择的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116052001A true CN116052001A (zh) | 2023-05-02 |
CN116052001B CN116052001B (zh) | 2023-11-17 |
Family
ID=86122231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310118218.6A Active CN116052001B (zh) | 2023-02-10 | 2023-02-10 | 一种基于类别方差比值法进行最优尺度选择的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052001B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354391A (zh) * | 2011-09-26 | 2012-02-15 | 武汉理工大学 | 基于全向搜索机制变异函数的最优遥感尺度选择方法 |
CN102982345A (zh) * | 2012-11-16 | 2013-03-20 | 福州大学 | 基于连续小波变换的时序遥感影像半自动分类方法 |
CN103646400A (zh) * | 2013-12-17 | 2014-03-19 | 中国地质大学(北京) | 面向对象遥感影像分析中的尺度分割参数自动选择方法 |
CN104881867A (zh) * | 2015-05-13 | 2015-09-02 | 华中科技大学 | 一种基于特征分布的遥感图像质量评价方法 |
WO2022141145A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳技术大学 | 面向对象的高分辨率遥感影像多尺度分割方法及系统 |
-
2023
- 2023-02-10 CN CN202310118218.6A patent/CN116052001B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354391A (zh) * | 2011-09-26 | 2012-02-15 | 武汉理工大学 | 基于全向搜索机制变异函数的最优遥感尺度选择方法 |
CN102982345A (zh) * | 2012-11-16 | 2013-03-20 | 福州大学 | 基于连续小波变换的时序遥感影像半自动分类方法 |
CN103646400A (zh) * | 2013-12-17 | 2014-03-19 | 中国地质大学(北京) | 面向对象遥感影像分析中的尺度分割参数自动选择方法 |
CN104881867A (zh) * | 2015-05-13 | 2015-09-02 | 华中科技大学 | 一种基于特征分布的遥感图像质量评价方法 |
WO2022141145A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳技术大学 | 面向对象的高分辨率遥感影像多尺度分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
施佩荣: "面向对象遥感影像多尺度分类方法研究", 中国优秀硕士学位论文全文数据库 * |
韩鹏;龚健雅;: "遥感尺度选择问题研究进展", 遥感信息, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116052001B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
US9449029B2 (en) | Method and system for diet management | |
CN103263278B (zh) | 一种从超声图像上自动测量胎儿颈背透明物厚度的图像处理方法 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN112818749B (zh) | 一年两熟地区大宗粮油作物复种模式遥感监测方法 | |
CN110363088B (zh) | 基于多特征融合的自适应皮肤炎症区域检测方法 | |
CN110120042A (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN103578110A (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN116958572B (zh) | 一种果树繁育中叶片病虫害区域分析方法 | |
CN106845366B (zh) | 基于图像的甘蔗覆盖度自动检测方法 | |
CN109447111A (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN110866547B (zh) | 基于多特征和随机森林的中药饮片自动分类系统及方法 | |
CN110991463B (zh) | 一种超像素图引导下的多尺度引导滤波特征提取方法 | |
Wang et al. | Improved rotation kernel transformation directional feature for recognition of wheat stripe rust and powdery mildew | |
CN107330431B (zh) | 一种基于K-means聚类拟合的显著性检测优化方法 | |
CN108492288A (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
CN115205528A (zh) | 一种用于面向地理对象影像分析的特征选择方法 | |
CN110516648A (zh) | 基于无人机遥感和模式识别的苎麻株数识别方法 | |
CN116052001B (zh) | 一种基于类别方差比值法进行最优尺度选择的方法 | |
Jamil et al. | A rule-based segmentation method for fruit images under natural illumination |
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 |