CN116188495A - 一种国土监测数据高效处理方法 - Google Patents
一种国土监测数据高效处理方法 Download PDFInfo
- Publication number
- CN116188495A CN116188495A CN202310429188.0A CN202310429188A CN116188495A CN 116188495 A CN116188495 A CN 116188495A CN 202310429188 A CN202310429188 A CN 202310429188A CN 116188495 A CN116188495 A CN 116188495A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- value
- target
- initial
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000003672 processing method Methods 0.000 title abstract description 5
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims description 88
- 238000000034 method Methods 0.000 claims description 58
- 238000010606 normalization Methods 0.000 claims description 21
- 230000006872 improvement Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 104
- 238000004364 calculation method Methods 0.000 description 38
- 230000008569 process Effects 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000009519 fu-yuan Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种国土监测数据高效处理方法,该方法根据每个初始超像素块之间的差异分布特征得到超像素块相似度和均匀性特征值,根据超像素块相似度对初始超像素块进行区域合并得到合并超像素块,根据合并超像素块中均匀性特征值的分布状况对SLIC超像素分割算法中的距离衡量值计算进行改进,进一步根据超像素分割结果将图像数据区块处理任务分配不同的并行运算节点,进行国土检测数据处理。本发明通过改进距离衡量值对SLIC超像素分割算法进行优化,减少了并行计算节点间的数据交换,并且提高了并行计算的运算效率。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种国土监测数据高效处理方法。
背景技术
国土监测数据包括对地表、地下、大气、水体等自然资源和环境要素进行长期、系统、动态监测所获取的数据,在自然灾害防治、土体利用动态变化预测和土地管理与保护方面具有重要作用。国土监测数据中的地表信息通常通过采集对应的遥感影像数据进行获取,但是由于国土监测数据的广泛性,对应的遥感影像数据的数据量较为庞大,所以通常通过并行运算处理对应的遥感影像数据,也因此需要对所采集到的遥感影像进行区块分割,将分割得到的所有区块的运算过程合理划分给每个并行运算节点。现有技术通常通过SLIC超像素分割算法对所采集到的遥感影像进行区块分割。
现有技术在通过SLIC超像素块分割算法对尺寸较大的图像进行处理时,通常对图像进行相同大小的划分,但是由于遥感影像对应的图像中不同地物分布特征区域所需要的分割效率和准确性不同,例如河流、建筑物、道路等不同的地物分布特征区域,因此采用传统的SLIC超像素分割算法对遥感图像进行分割,会造成后续所分配的并行计算节点运行效率低下,并且可能因为区块之间数据重叠,导致需要更多的并行节点间数据交换,从而进一步降低并行运算节点的运行效率。所以现有技术通过传统的SLIC超像素分割算法对遥感影像对应的图像划分的方法,会使得后续并行运算节点运行效率较低。
发明内容
为了解决现有技术通过传统的SLIC超像素分割算法对遥感影像对应的图像划分的方法,会使得后续并行节点运行效率较低的技术问题,本发明的目的在于提供一种国土监测数据高效处理方法,所采用的技术方案具体如下:
本发明提出了一种国土监测数据高效处理方法,所述方法包括:
获取用于国土监测的地表图像,将所述地表图像划分为预设划分数量的初始超像素块;
获取每个初始超像素块的像素值序列,选取任意一个初始超像素块作为目标初始超像素块;根据目标初始超像素块的像素值序列和邻接初始超像素块的像素值序列中元素的连续差异分布特征,得到所述目标初始超像素块和所述邻接初始超像素块之间的超像素块相似度;根据目标初始超像素块的像素值序列和邻接初始超像素块的像素值序列中相似元素的位置差异分布特征,得到所述目标初始超像素块和所述邻接初始超像素块之间的均匀性特征值;根据所述超像素块相似度将所有初始超像素块划分为至少两个合并超像素块;根据每个合并超像素块中对应的所有均匀性特征值的数值分布特征,得到每个合并超像素块的均匀程度特征值;
根据超像素分割算法计算所述地表图像中每个像素点的距离衡量值;当所述像素点所处的合并超像素块中存在至少两个初始超像素块时,根据所述像素点所处合并超像素块中均匀性特征值的分布状况和对应的均匀程度特征值,对所述距离衡量值进行改进;
根据所有像素点改进后的距离衡量值完成对所述地表图像的超像素分割得到最终超像素块,将所有最终超像素块分配到不同的并行运算节点,进行国土监测数据处理。
进一步地,所述像素值序列中每个元素包含索引值和R、G、B三个颜色通道的三维像素值。
进一步地,所述超像素块相似度的获取方法包括:
在目标初始超像素块中任选一个像素值序列记为目标像素值序列,将所述邻接初始超像素块的像素值序列记为邻接像素值序列;将所述目标像素值序列划分为至少两个预设第一长度的像素值子序列,通过预设第一长度的滑窗在所述邻接像素值序列中进行遍历,根据每个像素值子序列中每个元素与每个滑窗对应位置元素之间的元素差异度,得到每个像素值子序列对应序列差异度最小的滑窗对应的像素值子序列,作为最近邻子序列,将每个像素值子序列与对应的最近邻子序列之间的序列差异度的均值进行负相关归一化,得到所述目标初始超像素块和所述邻接初始超像素块的超像素块相似度。
进一步地,所述序列差异度的获取方法包括:
在目标像素值序列的所有像素值子序列中选取任意一个像素值子序列作为目标像素值子序列,在所述邻接像素值序列的所有滑窗中任选一个滑窗作为目标滑窗,统计目标像素值子序列和目标滑窗中所有元素的索引值和三维像素值,根据所述目标像素值子序列中每个元素与目标滑窗中对应位置元素之间的索引值差异和三维像素值差异的欧氏范数,得到目标像素值子序列中每个元素与目标滑窗对应位置元素之间的元素差异度,根据所有元素差异度的累加值,得到目标像素值子序列和目标滑窗的序列差异度;
改变目标像素值子序列和目标滑窗得到每个像素值子序列和每个滑窗的序列差异度。
进一步地,所述均匀性特征值的获取方法包括:
将所述目标像素值序列和所述邻接像素值序列的首个元素对齐,连接每个像素值子序列与对应的最近邻子序列的中间位置,得到至少两条连接线,统计所有连接线的斜率绝对值倒数;
计算所述目标像素值序列中所有连接线的斜率绝对值倒数的数值熵得到斜率分布混乱度,根据所有斜率绝对值倒数的均值和所述斜率分布混乱度的比值,得到所述目标初始超像素块和所述邻接初始超像素块之间的均匀性特征值。
进一步地,所述根据所述超像素块相似度将所有初始超像素块划分为至少两个合并超像素块包括:
统计所有邻接的两个初始超像素块之间的超像素块相似度,选取任意邻接的两个初始超像素块作为目标邻接的两个初始超像素块,当目标邻接的两个初始超像素块之间的存在超像素块相似度大于或等于预设合并阈值时,将目标邻接的两个初始超像素块进行合并;
改变目标邻接的两个初始超像素块完成对所有邻接的两个初始超像素块的合并,得到至少两个合并超像素块。
进一步地,所述均匀程度特征值的获取方法包括:
选取任意一个合并超像素块作为目标合并超像素块,统计目标合并超像素块中每个初始超像素与邻接的所有超像素块的均匀性特征值,将所有均匀性特征值的方差进行负相关归一化,得到目标合并超像素块的均匀程度特征值;
改变目标合并超像素块得到所有合并超像素块的均匀程度特征值。
进一步地,所述对所述距离衡量值进行改进包括:
统计所述像素点对应的合并超像素块的均匀程度特征值,统计所述合并超像素块中每个初始超像素块对应的所有均匀性特征值,计算每个初始超像素块对应的所有均匀性特征值的均值,作为每个初始超像素块的均匀性分布特征值,计算合并超像素块中所有初始超像素块对应的均匀性分布特征值均值,将所述像素点所处初始超像素块的均匀性分布特征值与所述均匀性分布特征值均值的差异进行归一化,得到所述像素点的均匀性偏离程度,将所述均匀性偏离程度和所述均匀程度特征值的乘积,作为所述像素点的距离衡量值的权重对所述距离衡量值进行加权。
本发明具有如下有益效果:
考虑到不同地物分布特征区域所需要的分割效率和准确性不同,本发明实施例将所有初始超像素块划分为至少两个合并超像素块,通过对像素点所处合并超像素块中的均匀性特征分布状况和对应的均匀程度特征值,对超像素分割算法中距离衡量值的获取方法进行改进,降低了后续迭代过程中的重叠区域,减少了后续并行节点间的数据交换,进一步提高了并行计算节点运行效率。本发明实施例通过初始超像素块之间的像素值序列中元素的连续差异分布特征,计算初始超像素块之间的超像素块相似度,并根据超像素块相似度得到合并超像素块,通过像素值序列进行初始超像素块之间相似度计算的衡量,能够使得相似的初始像素块之间的超像素块相似度更大,不相似的初始超像素块之间的超像素块相似度更小,使得对合并超像素块划分更为准确,进一步提高了后续的并行计算的运算效率。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种国土监测数据高效处理方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种国土监测数据高效处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种国土监测数据高效处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种国土监测数据高效处理方法流程图,该方法包括:
步骤S1:获取用于国土监测的地表图像,将地表图像划分为预设划分数量的初始超像素块。
本发明旨在提供一种国土监测数据高效处理方法,根据国土监测数据对应的图像中不同地物分布特征区域的区域特征,对传统的SLIC超像素分割算法中每个像素点距离衡量值的计算方法进行改进,进一步实现对国土监测数据对应图像的区块分割,根据分割结果将不同区块划分到并行计算节点中,进一步通过对图像并行计算提高对国土监测数据的处理效率。
现有的图像并行计算的过程包括:数据分割、并行计算任务分配、节点之间的通信和数据的合并和处理。其中,数据分割包括将国土检测数据对应的图像划分为多个图像数据区块,每个图像数据区块都可以在并行计算环境中分别处理;并行计算任务分配包括将划分出的多个图像数据区块作为图像处理任务分配到不同的并行计算节点中,进行并行计算;节点之间的通信包括通过通信协议实现不同并行计算节点之间的数据传输,确保能够完成的处理图像数据;数据的合并和处理包括在各个并行计算节点图像处理任务处理完成后,将处理结果进行合并,并进一步对合并后的数据进行处理和分析。需要说明的是,本发明实施例的应用场景将采集到国土检测数据对应的图像数据进行数据分割的过程,且其他图像并行计算过程为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
因此首先需要获取国土监测数据对应的图像,本发明实施例首先获取用于国土监测的地表图像。需要说明的是,本发明实施例对应的图像数据处理方法适用于所有尺寸较大,且具有鲜明区域特征的图像,国土监测的地表图像仅为本发明一个实施例对应的描述对象,实施者可根据具体所需要处理图像的特征改变图像数据处理的图像,在此不做进一步赘述。
本发明实施例获取用于国土监测的地表图像的方法具体为:通过卫星遥感或航空摄影系统采集地表的遥感影像数据,进一步地对地表的遥感影像数据进行大气校正、几何校正、辐射定标等预处理操作,得到用于国土监测的地表图像。需要说明的是,大气校正、几何校正、辐射定标等预处理操作为本领域技术人员所熟知的现有技术,在此不做进一步赘述。
进一步需要将用于国土检测的地表图像分割为多个图像区块,传统的SLIC超像素分割算法首先对图像进行均匀大小的划分,但是考虑到不同地物分布特征区域所需要的分割效率和准确性不同,本发明实施例对传统的SLIC超像素分割算法进行优化,在将地表图像均匀划分为大小相同的多个图像区块之后,根据图像区块之间的相似程度进行合并,根据合并结果得到最终的图像区块划分结果,进一步根据划分结果进行分析计算,完成对国土检测图像数据的处理。所以首先需要将国土检测的地表图像均匀划分为多个图像区块。
本发明实施例将地表图像划分为预设划分数量的初始超像素块,初始超像素块之间形状大小相同。在本发明实施例中,所有的地表图像均为矩形图像,所划分的所有初始超像素块为大小相同的矩形区域。需要说明的是,本发明实施例设置初始超像素块和地表图像形状为矩形的目的是方便后续分析,实施者可根据具体实施情况具体设置超像素块的形状,在此不做进一步赘述。此外,预设划分数量需要根据实施者的具体实施环境中并行计算节点的数量和每个并行计算节点所需分配的图像处理任务数量决定,且预设划分数量应当大于并行计算节点的数量和每个并行节点的图像处理任务数量的乘积,在此不做进一步限定和赘述。
步骤S2:获取每个初始超像素块的像素值序列,选取任意一个初始超像素块作为目标初始超像素块;根据目标初始超像素块的像素值序列和邻接初始超像素块的像素值序列中元素的连续差异分布特征,得到目标初始超像素块和邻接初始超像素块之间的超像素块相似度;根据目标初始超像素块的像素值序列和邻接初始超像素块的像素值序列中相似元素的位置差异分布特征,得到目标初始超像素块和邻接初始超像素块之间的均匀性特征值;根据超像素块相似度将所有初始超像素块划分为至少两个合并超像素块;根据每个合并超像素块中对应的所有均匀性特征值的数值分布特征,得到每个合并超像素块的均匀程度特征值。
由于初始超像素块在地表图像中是均匀分布的,但是不同地物分布特征区域所需要的分割效率与准确性不同,所以需要对初始超像素块进行合并分析,将相似的初始超像素块划分为同一个区域,以提高后续的并行节点运算效率。例如,地表图像中的河流区域会均匀的分布在几个初始超像素块中,而对应的河流区域特征通常是均匀分布的,即河流区域对应的几个初始超像素块之间特征相似且分布比较均匀,因此可将河流区域通过较大的超像素块进行划分,降低冗余分割的过程。即本发明实施例需要计算不同初始超像素块之间的相似度并进一步进行合并分析。
每个初始超像素块都由多个像素点组成,且每个像素点都对应一个像素值,即每个初始像素块可通过一个顺序排列的像素值序列表示。当两个初始超像素块之间越相似时,对应的像素值序列的像素值分布越相似。所以本发明实施例通过获取每个初始超像素块的像素值序列,进行进一步地超像素块相似度计算。在本发明一个实施例中,将每个初始超像素块像素点的像素值按照从左到右、从上到下的顺序进行排列,得到每个初始超像素块的像素值序列。需要说明的是,像素值序列中元素的排列顺序可由实施者自行设置,但是需要保证所有初始超像素块的像素值序列中元素的排列顺序一致。需要说明的是,由于所有的初始超像素块形状大小相同,因此所有初始超像素块对应的像素值序列的长度相同,即本发明实施例中所有的像素值序列长度相同。
优选地,像素值序列中每个元素包含索引值和R、G、B三个颜色通道的三维像素值。索引值即为像素值序列中每个元素的序号对应的数值,用于表征每个元素的位置,进一步引入三个颜色通道作为进一步的相似度计算基础,能够使得后续的相似度计算更加准确。需要说明的是,每个元素的三维像素值除了能够通过RGB颜色空间进行表征外,还可通过其他颜色空间进行表征,包括但不限于Lab颜色空间、YIQ颜色空间和Luv颜色空间,实施者可根据具体实施环境自行选择,且RGB颜色空间、Lab颜色空间、YIQ颜色空间和Luv颜色空间为本领域技术人员常用的技术名词,在此不做进一步赘述。
考虑到地表图像中特征区域是均匀分布的,因此每个特征区域合并后的超像素块中的初始超像素块应当是相邻的,即在获取每个初始超像素块的像素值序列后,需要根据邻接的初始超像素块之间像素值序列的相似程度,对邻接的初始超像素块进行合并。而对于像素值序列之间的相似程度计算,若仅根据像素值序列整体元素的分布进行相似度的计算,对应的相似度计算条件较为苛刻,在计算结果上表现为适合合并的初始超像素块较小,且本应属于同一特征区域的超像素块被分割出来,对应的分割效果较差。而像素值序列之间单个元素的相似程度计算的参考意义不大,不适合作为整体像素值序列差异度的分析基础。而本发明实施例考虑到像素值序列中连续的像素点的分布作为像素的计算基础,即通过邻接的两个超像素块中的局部像素点分布特征进行超像素块相似度的计算,能够使得属于同一特征区域的超像素块合并的同时,具有一定的参考意义。
因此本发明实施例选取任意一个初始超像素块作为目标初始超像素块,根据目标初始超像素块的像素值序列和邻接初始超像素块的像素值序列中元素的连续差异分布特征,得到目标初始超像素块和邻接初始超像素块之间的超像素块相似度。需要说明的是,邻接初始超像素块为与目标初始超像素块四邻域的其中一个初始超像素块。
优选地,超像素块相似度的获取方法包括:
将目标初始超像素块的像素值序列记为目标像素值序列,将邻接初始超像素块的像素值序列记为邻接像素值序列。即首先需要获取待合并两个初始超像素块对应的像素值序列,作为计算超像素块相似度的计算对象。
将目标像素值序列划分为至少两个预设第一长度的像素值子序列。该过程的目的是获取目标初始超像素块的局部像素点分布特征,即连续的像素点的分布特征。在本发明实施例中,由于初始超像素块为矩形区域,将预设第一长度设置为对应矩形区域的长度。需要说明的是,本发明实施例将预设第一长度设置为对应矩形区域的长度的目的是方便后续分析,实施者根据具体实施环境可自行设置预设第一长度,在此不做进一步限定和赘述。
通过预设第一长度的滑窗在邻接像素值序列中进行遍历,根据每个像素值子序列中每个元素与每个滑窗对应位置元素之间的元素差异度,得到每个像素值子序列对应序列差异度最小的滑窗对应的像素值子序列,作为最近邻子序列。将滑窗的长度与像素值子序列的长度设置为相同,能够保证邻接的两个初始超像素块之间的相似度是根据连续的像素点分布特征的相似度得到的。进一步根据每个像素值子序列与每个滑窗对应的序列进行相似度的计算,即对应后续的序列差异度,使得每个像素值子序列都能够得到一个最相似的或差异度最小的最近邻子序列。且当目标初始超像素块对应的每个像素值子序列与对应的最近邻子序列越相似或差异度越小时,说明目标初始超像素块与对应的邻接初始超像素块之间的相似度越高,越可能合并为一个合并超像素块。
优选地,序列差异度的获取方法包括:
在目标像素值序列的所有像素值子序列中选取任意一个像素值子序列作为目标像素值子序列,在邻接像素值序列的所有滑窗中任选一个滑窗作为目标滑窗,统计目标像素值子序列和目标滑窗中所有元素的索引值和三维像素值。在本发明实施例中,三维像素值即R、G、B三个颜色通道的像素值,通过三个颜色通道能够具体的表征像素值序列中每个元素的像素信息,索引值能够表征像素值序列中每个元素的位置信息,通过三维像素值和索引值能够表征每个元素的详细像素信息和位置信息,使得后续分析过程中所计算出的序列差异度更加准确,且能够结合位置信息,方便后续对均匀性特征的计算。
根据目标像素值子序列中每个元素与目标滑窗中对应位置元素之间的索引值差异和三维像素值差异的欧氏范数,得到目标像素值子序列中每个元素与目标滑窗对应位置元素之间的元素差异度,根据所有元素差异度的累加值,得到目标像素值子序列和目标滑窗的序列差异度。该过程根据目标像素值子序列和目标滑窗的元素在索引值差异和三维像素值差异计算序列差异度,通过差异的欧氏范数将差异量化为元素差异度,并计算出每个元素对应元素差异度的累加值,使得对序列差异度的表征更加直观。且当目标像素值子序列和目标滑窗对应位置元素之间对应差异的欧氏范数越小,说明两两元素之间的元素差异度的越小,即目标像素值子序列和目标滑窗对应的序列差异度越小,说明目标初始超像素块和邻接初始超像素块越相似。需要说明的是,欧氏范数和累加值仅为本发明一个实施例所采用的技术手段,除欧氏范数之外,实施者还可通过其他差异计算指标计算对应位置元素之间的差异;且除累加值之外,实施者也可通过元素差异度的均值表征对应的序列差异度,在此不做进一步赘述。
在本发明实施例中,元素差异度的获取方法在公式上表现为:
其中,为元素/>与元素/>之间的元素差异度,/>为元素/>在/>颜色通道的/>通道中对应的像素值,/>为元素/>在/>颜色通道的/>通道中对应的像素值,/>为元/>在/>颜色通道的/>通道中对应的像素值,/>为元素/>在/>颜色通道的/>通道中对应的像素值,/>为元素/>在/>颜色通道的/>通道中对应的像素值,/>为元素/>在/>颜色通道的/>通道中对应的像素值,/>为元素/>在目标像素值序列中的索引值,即序号;/>为元素/>在邻接像素值序列中的索引值,也为序号。
进一步地改变改变目标像素值子序列和目标滑窗得到每个像素值子序列和每个滑窗的序列差异度。最近邻子序列即为邻接超像素块对应的邻接像素值序列中与目标像素值子序列差异度最低的子序列,即能够表现出邻接像素值序列与目标像素值序列中的最近邻特征,进一步使得后续对超像素块相似度的计算更加准确。
在得到每个像素值子序列对应的最近邻子序列之后,将每个像素值子序列与对应的最近邻子序列之间的序列差异度的均值进行负相关归一化,得到目标初始超像素块和邻接初始超像素块的超像素块相似度。在本发明实施例中,负相关采用数值1与归一化后的均值进行相减进行表征。均值能够表征序列差异度整体的分布状况,能够明显的体现出两个初始超像素块之间的相似度特征,而负相关归一化则是根据对应关系进行调整所设置的。需要说明的是,除了均值之外,实施者也可通过累加值进行超像素块相似度的表征,均值和累加值都能表征序列差异度整体的分布情况;归一化方法包括但不限于线性归一化、零-均值归一化和非线性归一化,且均为本领域技术人员所熟知的现有技术,本发明实施例采用线性归一化方法;而负相关映射也可通过函数等常规负相关方法进行负相关映射,在此不做进一步赘述。
进一步地,在本发明实施例中,目标初始超像素块与邻接初始超像素块之间的超像素块相似度的获取方法在公式上表现为:
其中,为目标初始超像素块与邻接初始超像素块之间的超像素块相似度,/>为像素值序列的长度,即像素值序列中元素的数量;/>为预设第一长度,即像素值子序列和每个滑窗对应元素的数量;/>表示目标像素值序列的第/>个像素值子序列,/>表示邻接像素值序列的第/>个滑窗,/>表示目标像素值序列的第/>个像素值子序列中第/>个元素,/>表示邻接像素值序列的第/>个滑窗中第/>个元素,/>即为第/>个像素值子序列和/>个滑窗在第/>个元素位置处对应的元素差异度;/>为最小值选取函数,/>为归一化函数。由于滑窗是以预设第一长度/>在长度为/>的邻接像素值序列中进行滑动遍历的,所以每个邻接像素值序列中可以得到/>个滑窗;由于像素值子序列是通过对长度为/>的目标像素值序列等分得到的,且每个像素值子序列的长度为/>,所以每个目标像素值序列可以得到/>个滑窗。通过最小值选取函数/>得到每个像素值子序列与对应的最近邻子序列之间的序列差异度,进一步通过每像素值子序列对应的序列差异度均值并进行负相关归一化得到超像素块相似度。/>的目的是进行负相关归一化,使得所得到的超像素块相似度符合相似程度的定义。需要说明的是,归一化的具体方法有很多,且均为本领域技术人员所熟知的现有技术,实施者可根据具体实施情况具体设置归一化方法,在此不做进一步限定和赘述。
对初始超像素块进行相似程度的衡量时需要对比两个超像素块之间的像素值分布,且通常通过连续的像素点分布的相似性进行相邻初始超像素块之间的相似度的衡量,但是二维图像中通过二维滑窗进行像素点分布的对比,会因为滑窗之间的相对的欧氏距离较近导致最终相似度的衡量很难考虑到位置的分布情况,因此本发明实施例将初始超像素块降维为序列的形式进行相似程度的衡量,能够放大连续的像素点分布之间的距离因素,使得相似的初始像素块之间的相似度更高,不相似的初始超像素块之间的相似度更低,即增强了超像素块相似度对相似程度表征的准确性。
进一步地考虑到后续需要根据超像素块相似度将初始超像素块进行合并,为了使得合并后的合并超像素块能够更加准确的表征对应的地物分布特征区域的区域特征,所以需要对合并后的合并超像素块中的地物分布信息进行均匀程度的衡量,即需要衡量每个合并后的合并超像素块中所有初始超像素块的差异分布情况。本发明实施例根据目标初始超像素块的像素值序列和邻接初始超像素块的像素值序列中相似元素的位置差异分布特征,得到目标初始超像素块和邻接初始超像素块之间的均匀性特征值。通过均匀性特征值表征相邻的两个初始超像素块之间局部相似分布特征。
优选地,均匀性特征值的获取方法包括:
将目标像素值序列和邻接像素值序列的首个元素对齐。在本发明实施例中,为了使得后续的连接线的获取过程更加具体,将目标像素值序列与邻接像素值序列之间的预设间隔长度设置为预设第一长度,即对应本发明实施例中对应初始超像素块矩形区域的长度。本发明实施例将目标像素值序列和邻接像素值序列的首个元素对齐目的是统一度量,且方便后续计算。需要说明的是,实施者也可自行调节预设间隔长度的具体设置,本发明实施例将预设间隔长度设置为预设第一长度能够减少冗余参数的干扰,降低具体实施过程的复杂程度,在此不做进一步赘述。
连接每个像素值子序列与对应的最近邻子序列的中间位置,得到至少两条连接线,统计所有连接线的斜率绝对值倒数。连接线的斜率能够体现出像素值子序列和对应的最近邻子序列之间在位置分布上的偏差程度,但是为了使得斜率与偏差程度进行对应,且为了防止像素值子序列与最近邻子序列位置偏差程度为0导致斜率为正无穷的情况出现,本发明实施例通过斜率绝对值倒数进行进一步计算。对应初始超像素块之间的相似的局部区域在分布上的位置偏差,并且当连接线的斜率绝对值倒数越大,说明对应的像素值子序列与最近邻子序列之间的位置偏差越大,即说明两个初始超像素块之间分布越不均匀。需要说明的是,本发明实施例连接像素值子序列和最近邻子序列中间位置的目的是统一连接线的获取方法,实施者可连接像素值子序列和最近邻子序列的首位、末尾或任意一个对应位置,但需要保证连接两个序列的位置是对应的,在此不做进一步赘述。
计算目标像素值序列中所有连接线的斜率绝对值倒数的数值熵得到斜率分布混乱度,根据所有斜率绝对值倒数的均值和斜率分布混乱度的比值,得到目标初始超像素块和邻接初始超像素块之间的均匀性特征值。如果单纯的通过斜率绝对值倒数的大小作为两个初始超像素块之间均匀性特征值的衡量,会存在两个初始超像素块对的相似像素值子序列规律错位,造成整体相似但是斜率绝对值倒数整体较大的情况,不符合实际的均匀性特征计算要求,因此本发明实施例通过引入对斜率绝对值倒数数值熵的计算,减少由于相似像素值子序列错位对整体均匀性特征值计算的影响。数值熵能够表征斜率绝对值倒数在数值上的混乱程度,当数值熵越大时,说明斜率绝对值倒数的分布越混乱,即两个初始超像素块之间的局部分布越不均匀,对应的均匀性特征值越小。需要说明的是,除了通过斜率绝对值倒数的数值熵表征布的混乱情况进行均匀性特征值的计算外,也可通过方差表征斜率绝对值倒数的分布的混乱情况;数值熵和方差都能表现出斜率绝对值倒数的数值在分布上的均匀特征,且方差和数值熵的计算方法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
在本发明实施例中,均匀性特征值的获取方法在公式上表现为:
其中,表示目标初始超像素块和邻接初始超像素块之间的均匀性特征值,/>表示目标初始超像素块和邻接初始超像素块之间斜率绝对值倒数的数量,即连接线的数量,也对应目标初始超像素块中像素值子序列的数量;/>表示目标初始超像素块和邻接初始超像素块之间第/>个斜率绝对值倒数;/>为预设调节参数,防止分母为0的情况,在本发明实施例中,预设调节参数/>取0.01;/>为斜率绝对值倒数的数值熵,即斜率分布混乱度。需要说明的是,实施者也可通过斜率绝对值倒数的均值与斜率分布混乱度的比值之外的方式表征对应的均匀性特征值,例如通过斜率绝对值倒数的均值与斜率分布混乱度的差值作为均匀性特征值,但是需要保证斜率绝对值倒数的均值与均匀性特征值呈正比,斜率分布混乱度与均匀性特征值呈反比,在此不做进一步赘述。
进一步地根据目标初始超像素块与邻接初始超像素块之间超像素块相似度和均匀性特征值的获取方法,得到所有邻接的两个初始超像素块之间的超像素块相似度和均匀性特征值。考虑到计算超像素块相似度的目的是将初始超像素块进行合并,因此本发明实施例根据超像素块相似度将所有初始超像素块划分为至少两个合并超像素块。
优选地,超像素块相似度将所有初始超像素块划分为至少两个合并超像素块包括:
统计所有邻接的两个初始超像素块之间的超像素块相似度,选取任意邻接的两个初始超像素块作为目标邻接的两个初始超像素块;当目标邻接的两个初始超像素块之间的存在超像素块相似度大于或等于预设合并阈值时,将目标邻接的两个初始超像素块进行合并。在本发明实施例中,由于超像素块相似度为归一化后的数值,所以将预设合并阈值设置为0.7。需要说明的是,实施者可根据具体实时环境自行改变预设合并阈值,在此不做进一步赘述。
改变目标邻接的两个初始超像素块完成对所有邻接的两个初始超像素块的合并,得到至少两个合并超像素块。若一个初始超像素块能够同时满足与两个初始超像素块的合并条件,则三个初始超像素块属于同一个合并超像素块,即一个合并超像素块中可能存在数量大于两个初始超像素块的情况。
至此,在地表图像得到至少两个合并超像素块和一些不符合合并条件的独立的初始超像素块,根据SILC超像素分割算法在所得到的每个合并超像素块和独立的初始超像素块中均选取一个种子点进行进一步地分析计算。需要说明的是,选取种子点为SILC超像素分割算法中的必要过程,且SILC超像素分割算法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
进一步地为了能够使得合并后的合并超像素块能够更好的表征地物分布特征区域的区域特征,且考虑到均匀性特征值表征相邻的两个初始超像素块之间局部相似分布特征,因此可通过每个合并超像素块中的所有均匀性特征值的情况,表征对应地物分布特征区域的区域特征,本发明实施例根据每个合并超像素块对应的所有均匀性特征值的数值分布特征,得到每个合并超像素块的均匀程度特征值。
优选地,均匀程度特征值的获取方法包括:
选取任意一个合并超像素块作为目标合并超像素块,统计目标合并超像素块中每个初始超像素与邻接的所有超像素块的均匀性特征值,将所有均匀性特征值的方差,作为目标合并超像素块的均匀程度特征值;改变目标合并超像素块得到所有合并超像素块的均匀程度特征值。由于均匀性特征值表征两两初始超像素块之间的整体的分布均匀性,但是合并超像素块中的初始超像素块的整体在形态上又属于合并超像素块的局部区域,因此均匀性特征值即表征合并超像素块的局部均匀特征。为得到表征合并超像素块整体均匀特征的均匀程度特征值,本发明实施例通过计算所有均匀特征值的方差,表征局部均匀特征在整体的分布的均匀情况。需要说明的是,除了方差之外,实施例也可通过表征数值分布差异的其他计量方式进行计算,比如标准差等,在此不做进一步赘述。
在本发明实施例中,均匀程度特征值的获取方法在公式上表现为:
其中,为合并超像素块/>对应的均匀程度特征值,/>表示合并超像素块/>中对应的所有均匀性特征值的方差,/>为归一化函数,/>的目的是进行负相关归一化。当合并超像素块中对应的所有均匀性特征值的方差越小,说明合并超像素块的均匀性越高,特征的差异越小,对应的均匀程度特征值越大。
步骤S3:根据超像素分割算法计算地表图像中每个像素点的距离衡量值;当像素点所处的合并超像素块中存在至少两个初始超像素块时,根据像素点所处合并超像素块中均匀性特征值的分布状况和对应的均匀程度特征值,对距离衡量值进行改进。
至此,通过步骤S2在地表图像得到至少两个合并超像素块和一些不符合合并条件的独立的初始超像素块,以及各个合并超像素块的均匀程度。由于最后用于并行计算的图像数据块是通过SLIC超像素分割算法进行迭代后所得到的最终超像素块,为了使得所得的最终超像素块时能够考虑到地物分布特征区域的区域特征,因此本发明实施例需要对后续迭代过程中对每个像素点的距离衡量值进行计算时,通过表征合并超像素块整体特征的均匀程度特征值和表征局部特征的均匀性特征值对距离衡量值的计算进行校正,使得符合均匀性的像素点更倾向于被划分为该合并超像素块中,进一步使得最终超像素块进行划分时,属于不同特征区域的像素点更容易被区分开,从而减少最终超像素块之间的重叠区域,进一步减少节点之间数据通信交换,提高并行运算效率。而对于独立的初始超像素块,即偏离性较高的初始超像素块中的像素点,则需要减少均匀程度特征值和均匀性特征值对距离衡量值计算的影响。
基于上述分析,本发明实施例根据超像素分割算法计算地表图像中每个像素点的距离衡量值;当像素点所处的合并超像素块中存在至少两个初始超像素块时,根据像素点所处合并超像素块中均匀性特征值的分布状况和对应的均匀程度特征值,对距离衡量值进行改进。需要说明的是,每个像素点的距离衡量值的计算为SILC超像素分割算法中的现有技术,在此不做进一步限定和赘述;且在步骤S2中以及完成种子点的选取过程,即距离衡量值计算的前提已经确立。
优选地,对距离衡量值进行改进包括:
统计像素点对应的合并超像素块的均匀程度特征值,统计合并超像素块中每个初始超像素块对应的所有均匀性特征值。需要说明的是,每个初始超像素块对应的所有均匀性特征值包括初始超像素块与邻接的所有初始像素块之间的均匀性特征值,即每个初始超像素块对应至少两个均匀性特征值。
计算每个初始超像素块对应的所有均匀性特征值的均值,作为每个初始超像素块的均匀性分布特征值。通过均值计算对应的均匀性分布特征值能够表征每个初始超像素块对应的所有均匀性特征值的整体特征,即对应合并超像素块的局部均匀性特征。
计算合并超像素块中所有初始超像素块对应的均匀性分布特征值均值,进一步再根据均匀性分布特征值均值,将合并超像素块的局部均匀性特征结合,表征合并超像素块整体的均匀性特征值的分布状况。
将像素点所处初始超像素块的均匀性分布特征值与均匀性分布特征值均值的差异进行归一化,得到像素点的均匀性偏离程度,将均匀性偏离程度和均匀程度特征值的乘积,作为像素点的距离衡量值的权重对距离衡量值进行加权。由于处于合并超像素块中的像素点一定处于初始超像素块中,因此为了能够使得对像素点的距离衡量值表征更加准确,在引入合并超像素块整体特征的均匀程度特征值时,也需要考虑到像素点所处初始超像素块对应的均匀性特征值的分布情况,即均匀性偏差程度。需要说明的是,本发明采用乘积进行距离衡量值权值的计算原因是:均匀性偏差程度和均匀程度特征值与改进的距离衡量值是呈正相关的;实施者也可通过加权求和或者加法进行距离衡量值权值的计算,在此不做进一步赘述。
在本发明实施例中,对距离衡量值进行改进在公式上表现为:
其中,表示像素点/>改进后的距离衡量值,/>表示像素点/>改进前的距离衡量值,/>表示像素点/>所处合并超像素块/>对应的均匀程度特征值,/>表示像素点/>所处初始超像素块/>对应的均匀性分布特征值,即初始超像素块/>对应的所有均匀性特征值的均值;/>为像素点/>所处合并超像素块/>中所有初始超像素块对应的均匀性分布特征值的均值,即合并超像素块/>中包含的所有均匀性特征值的均值;/>为归一化函数,由于均匀程度特征值/>本身为归一化后的数值,因此此处归一化函数的目的是为了统一量纲;/>对应将像素点所处初始超像素块的均匀性分布特征值与均匀性分布特征值均值的差异归一化的过程,即/>表征均匀性偏离程度;/>即为距离衡量值权值。
此外,对于没有处于合并超像素块的像素点,即处于不符合合并条件的独立的初始超像素块的像素点,由于所处区域不具有特定的地物分布特征,或对应的地物分布特征不够明显,本发明实施例不对其距离衡量值进行改进,采用传统SLIC超像素分割算法的距离衡量值进行进一步的迭代运算。
步骤S4:根据所有像素点改进后的距离衡量值完成对地表图像的超像素分割得到最终超像素块,将所有最终超像素块分配到不同的并行运算节点,进行国土监测数据处理。
至此,通过步骤S2和步骤S3得到后续SLIC超像素分割算法中每个像素点距离衡量值和每个像素点对应的种子点,进一步地依据SLIC超像素分割算法根据所有像素点的距离衡量值和种子点完成对地表图像的超像素分割得到最终超像素块。需要说明的是,后续的SLIC超像素分割算法过程为本领域技术人员所数值的现有技术,在此不做进一步限定和赘述。
在得到最终超像素块之后,需要将所有最终超像素块分配到不同的并行运算计算节点,进行国土监测数据处理。本发明实施例将最终得到的超像素块按照数量平均划分到各个并行运算节点,进一步进行后续的图像并行计算过程,能够最大程度的避免并行计算节点的运算资源浪费,提高并行运算节点的计算效率,使得对国土监测数据处理更加高效。需要说明的是,实施者可根据后续的图像处理或图像分析的需求自行设置并行运算节点的分配方式,在此不做进一步限定和赘述。
进一步地通过并行计算将每个并行运算节点的最终超像素块数据处理任务处理完后,将各个并行运算节点上处理后的最终超像素块进行拼接,得到并行计算后无损复原的高效处理后的用于国土检测数据的地表图像。在本发明实施例中,根据每一个并行运算节点的最终超像素块的序列索引与对应的最终超像素块在对应的地表图像中对应的整体索引,对国土检测数据对应的图像进行拼接复原。需要说明的是,根据每个并行节点对应的超像素块对图像进行拼接复原属于基于并行运算的图像融合算法中的内容,基于并行运算的图像融合算法可参考2006年程英蕾、胡伏原等人提出了一种基于小波包的变换的计算机群并行计算方法,在此不做进一步赘述。
至此,本发明完成。
综上,本发明根据每个初始超像素块之间的差异分布特征得到超像素块相似度和均匀性特征值,根据超像素块相似度对初始超像素块进行区域合并得到合并超像素块,根据合并超像素块中均匀性特征值的分布状况对SLIC超像素分割算法中的距离衡量值计算进行改进,进一步根据超像素分割结果将图像数据区块处理任务分配不同的并行运算节点,进行国土检测数据处理。本发明通过改进距离衡量值对SLIC超像素分割算法进行优化,减少了并行计算节点间的数据交换,并且提高了并行计算的运算效率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.一种国土监测数据高效处理方法,其特征在于,所述方法包括:
获取用于国土监测的地表图像,将所述地表图像划分为预设划分数量的初始超像素块;
获取每个初始超像素块的像素值序列,选取任意一个初始超像素块作为目标初始超像素块;根据目标初始超像素块的像素值序列和邻接初始超像素块的像素值序列中元素的连续差异分布特征,得到所述目标初始超像素块和所述邻接初始超像素块之间的超像素块相似度;根据目标初始超像素块的像素值序列和邻接初始超像素块的像素值序列中相似元素的位置差异分布特征,得到所述目标初始超像素块和所述邻接初始超像素块之间的均匀性特征值;根据所述超像素块相似度将所有初始超像素块划分为至少两个合并超像素块;根据每个合并超像素块中对应的所有均匀性特征值的数值分布特征,得到每个合并超像素块的均匀程度特征值;
根据超像素分割算法计算所述地表图像中每个像素点的距离衡量值;当所述像素点所处的合并超像素块中存在至少两个初始超像素块时,根据所述像素点所处合并超像素块中均匀性特征值的分布状况和对应的均匀程度特征值,对所述距离衡量值进行改进;
根据所有像素点改进后的距离衡量值完成对所述地表图像的超像素分割得到最终超像素块,将所有最终超像素块分配到不同的并行运算节点,进行国土监测数据处理。
2.根据权利要求1所述的一种国土监测数据高效处理方法,其特征在于,所述像素值序列中每个元素包含索引值和R、G、B三个颜色通道的三维像素值。
3.根据权利要求2所述的一种国土监测数据高效处理方法,其特征在于,所述超像素块相似度的获取方法包括:
在目标初始超像素块中任选一个像素值序列记为目标像素值序列,将所述邻接初始超像素块的像素值序列记为邻接像素值序列;将所述目标像素值序列划分为至少两个预设第一长度的像素值子序列,通过预设第一长度的滑窗在所述邻接像素值序列中进行遍历,根据每个像素值子序列中每个元素与每个滑窗对应位置元素之间的元素差异度,得到每个像素值子序列对应序列差异度最小的滑窗对应的像素值子序列,作为最近邻子序列,将每个像素值子序列与对应的最近邻子序列之间的序列差异度的均值进行负相关归一化,得到所述目标初始超像素块和所述邻接初始超像素块的超像素块相似度。
4.根据权利要求3所述的一种国土监测数据高效处理方法,其特征在于,所述序列差异度的获取方法包括:
在目标像素值序列的所有像素值子序列中选取任意一个像素值子序列作为目标像素值子序列,在所述邻接像素值序列的所有滑窗中任选一个滑窗作为目标滑窗,统计目标像素值子序列和目标滑窗中所有元素的索引值和三维像素值,根据所述目标像素值子序列中每个元素与目标滑窗中对应位置元素之间的索引值差异和三维像素值差异的欧氏范数,得到目标像素值子序列中每个元素与目标滑窗对应位置元素之间的元素差异度,根据所有元素差异度的累加值,得到目标像素值子序列和目标滑窗的序列差异度;
改变目标像素值子序列和目标滑窗得到每个像素值子序列和每个滑窗的序列差异度。
5.根据权利要求3所述的一种国土监测数据高效处理方法,其特征在于,所述均匀性特征值的获取方法包括:
将所述目标像素值序列和所述邻接像素值序列的首个元素对齐,连接每个像素值子序列与对应的最近邻子序列的中间位置,得到至少两条连接线,统计所有连接线的斜率绝对值倒数;
计算所述目标像素值序列中所有连接线的斜率绝对值倒数的数值熵得到斜率分布混乱度,根据所有斜率绝对值倒数的均值和所述斜率分布混乱度的比值,得到所述目标初始超像素块和所述邻接初始超像素块之间的均匀性特征值。
6.根据权利要求1所述的一种国土监测数据高效处理方法,其特征在于,所述根据所述超像素块相似度将所有初始超像素块划分为至少两个合并超像素块包括:
统计所有邻接的两个初始超像素块之间的超像素块相似度,选取任意邻接的两个初始超像素块作为目标邻接的两个初始超像素块,当目标邻接的两个初始超像素块之间的存在超像素块相似度大于或等于预设合并阈值时,将目标邻接的两个初始超像素块进行合并;
改变目标邻接的两个初始超像素块完成对所有邻接的两个初始超像素块的合并,得到至少两个合并超像素块。
7.根据权利要求1所述的一种国土监测数据高效处理方法,其特征在于,所述均匀程度特征值的获取方法包括:
选取任意一个合并超像素块作为目标合并超像素块,统计目标合并超像素块中每个初始超像素与邻接的所有超像素块的均匀性特征值,将所有均匀性特征值的方差进行负相关归一化,得到目标合并超像素块的均匀程度特征值;
改变目标合并超像素块得到所有合并超像素块的均匀程度特征值。
8.根据权利要求1所述的一种国土监测数据高效处理方法,其特征在于,所述对所述距离衡量值进行改进包括:
统计所述像素点对应的合并超像素块的均匀程度特征值,统计所述合并超像素块中每个初始超像素块对应的所有均匀性特征值,计算每个初始超像素块对应的所有均匀性特征值的均值,作为每个初始超像素块的均匀性分布特征值,计算合并超像素块中所有初始超像素块对应的均匀性分布特征值均值,将所述像素点所处初始超像素块的均匀性分布特征值与所述均匀性分布特征值均值的差异进行归一化,得到所述像素点的均匀性偏离程度,将所述均匀性偏离程度和所述均匀程度特征值的乘积,作为所述像素点的距离衡量值的权重对所述距离衡量值进行加权。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310429188.0A CN116188495B (zh) | 2023-04-21 | 2023-04-21 | 一种国土监测数据高效处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310429188.0A CN116188495B (zh) | 2023-04-21 | 2023-04-21 | 一种国土监测数据高效处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188495A true CN116188495A (zh) | 2023-05-30 |
CN116188495B CN116188495B (zh) | 2023-07-04 |
Family
ID=86452351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310429188.0A Active CN116188495B (zh) | 2023-04-21 | 2023-04-21 | 一种国土监测数据高效处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188495B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117097901A (zh) * | 2023-10-18 | 2023-11-21 | 江苏若发科技发展有限公司 | 一种道路图像数据压缩存储方法 |
CN117192423A (zh) * | 2023-11-07 | 2023-12-08 | 深圳市美尔泰电子有限公司 | 一种移动电源剩余电量准确检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080094503A (ko) * | 2007-04-20 | 2008-10-23 | 국방과학연구소 | 영역확장을 기반으로 지형지물의 영상을 추출하여 판정하는방법 |
CN111915629A (zh) * | 2020-07-06 | 2020-11-10 | 天津大学 | 基于边界检测的超像素分割方法 |
CN112561919A (zh) * | 2019-09-10 | 2021-03-26 | 中科星图股份有限公司 | 一种图像分割方法、设备和计算机可读存储介质 |
US20210248729A1 (en) * | 2018-04-24 | 2021-08-12 | Superannotate Ai, Inc. | Superpixel merging |
CN114693816A (zh) * | 2022-04-02 | 2022-07-01 | 河南睿焓电子科技有限公司 | 一种智能化图像大数据存储方法 |
CN115598025A (zh) * | 2022-12-13 | 2023-01-13 | 四川亿欣新材料有限公司(Cn) | 图像处理方法及使用该方法的碳酸钙粉质检系统 |
CN115619807A (zh) * | 2022-10-31 | 2023-01-17 | 盐城工学院 | 基于遗传算法的超像素图像分割方法 |
CN115661173A (zh) * | 2022-11-10 | 2023-01-31 | 菏泽市土地储备中心 | 一种基于遥感图像的地块分割方法 |
CN115841490A (zh) * | 2023-02-23 | 2023-03-24 | 山东泗水山岭石材厂 | 基于图像处理的采矿过程矿石颗粒分割方法及系统 |
-
2023
- 2023-04-21 CN CN202310429188.0A patent/CN116188495B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080094503A (ko) * | 2007-04-20 | 2008-10-23 | 국방과학연구소 | 영역확장을 기반으로 지형지물의 영상을 추출하여 판정하는방법 |
US20210248729A1 (en) * | 2018-04-24 | 2021-08-12 | Superannotate Ai, Inc. | Superpixel merging |
CN112561919A (zh) * | 2019-09-10 | 2021-03-26 | 中科星图股份有限公司 | 一种图像分割方法、设备和计算机可读存储介质 |
CN111915629A (zh) * | 2020-07-06 | 2020-11-10 | 天津大学 | 基于边界检测的超像素分割方法 |
CN114693816A (zh) * | 2022-04-02 | 2022-07-01 | 河南睿焓电子科技有限公司 | 一种智能化图像大数据存储方法 |
CN115619807A (zh) * | 2022-10-31 | 2023-01-17 | 盐城工学院 | 基于遗传算法的超像素图像分割方法 |
CN115661173A (zh) * | 2022-11-10 | 2023-01-31 | 菏泽市土地储备中心 | 一种基于遥感图像的地块分割方法 |
CN115598025A (zh) * | 2022-12-13 | 2023-01-13 | 四川亿欣新材料有限公司(Cn) | 图像处理方法及使用该方法的碳酸钙粉质检系统 |
CN115841490A (zh) * | 2023-02-23 | 2023-03-24 | 山东泗水山岭石材厂 | 基于图像处理的采矿过程矿石颗粒分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
DELIANG XIANG 等: "Adaptive Statistical Superpixel Merging Method for PolSAR Image Segmentation", 《2019 6TH ASIA-PACIFIC CONFERENCE ON SYNTHETIC APERTURE RADAR (APSAR)》, pages 1 - 5 * |
谢旻旻 等: "基于改进OTSU算法的多时相立体卫星图像分割", 《计算机仿真》, pages 228 - 232 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117097901A (zh) * | 2023-10-18 | 2023-11-21 | 江苏若发科技发展有限公司 | 一种道路图像数据压缩存储方法 |
CN117097901B (zh) * | 2023-10-18 | 2024-01-30 | 江苏若发科技发展有限公司 | 一种道路图像数据压缩存储方法 |
CN117192423A (zh) * | 2023-11-07 | 2023-12-08 | 深圳市美尔泰电子有限公司 | 一种移动电源剩余电量准确检测方法 |
CN117192423B (zh) * | 2023-11-07 | 2024-01-26 | 深圳市美尔泰电子有限公司 | 一种移动电源剩余电量准确检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116188495B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116188495B (zh) | 一种国土监测数据高效处理方法 | |
CN104751478A (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN107392887B (zh) | 一种基于同质像素点转化的异质遥感图像变化检测方法 | |
CN115661173B (zh) | 一种基于遥感图像的地块分割方法 | |
CN116188496A (zh) | 基于土地利用类型的遥感影像自适应分割方法 | |
CN113052859A (zh) | 基于自适应种子点密度聚类超像素分割方法 | |
CN106846246B (zh) | 一种基于对象的遥感影像超分辨率制图方法 | |
CN111476182B (zh) | 一种基于多源数据和多向纹理滤波分析的梯田提取方法 | |
CN106940782B (zh) | 基于变差函数的高分sar新增建设用地提取软件 | |
CN106372612A (zh) | 一种fcm结合mrf模型的多时相遥感影像变化检测方法 | |
CN110490061B (zh) | 一种遥感影像特征的不确定性建模与度量方法 | |
CN117292137B (zh) | 一种航拍遥感影像优化分割处理方法 | |
CN109658446B (zh) | 一种高分辨率遥感影像几何配准方法及装置 | |
CN104715476A (zh) | 一种基于直方图幂函数拟合的显著目标检测方法 | |
CN117333504A (zh) | 一种复杂地形遥感图像精准分割方法 | |
CN104392209A (zh) | 一种目标与背景的图像复杂度评价模型 | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
CN112837353A (zh) | 一种基于多阶特征点线匹配的异源影像匹配方法 | |
CN117274820A (zh) | 一种测绘地理信息地图数据采集方法及系统 | |
CN105260714B (zh) | 一种可见光遥感图像信息提取性能变化检测方法 | |
CN110120067B (zh) | 岩石自然结构面磨损体积确定方法、装置和计算机设备 | |
CN103400389A (zh) | 一种高分辨率遥感图像分割方法 | |
CN113592744B (zh) | 一种适用于高分辨率遥感影像的几何精校正方法 | |
CN114119577B (zh) | 高铁隧道漏缆卡扣检测方法 | |
CN114511803A (zh) | 一种面向视觉跟踪任务的目标遮挡检测方法 |
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 |