CN116188496A - 基于土地利用类型的遥感影像自适应分割方法 - Google Patents
基于土地利用类型的遥感影像自适应分割方法 Download PDFInfo
- Publication number
- CN116188496A CN116188496A CN202310449767.1A CN202310449767A CN116188496A CN 116188496 A CN116188496 A CN 116188496A CN 202310449767 A CN202310449767 A CN 202310449767A CN 116188496 A CN116188496 A CN 116188496A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- area
- target
- layer
- connected domain
- 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 49
- 230000011218 segmentation Effects 0.000 title claims abstract description 44
- 238000004891 communication Methods 0.000 claims description 43
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims 2
- 238000003709 image segmentation Methods 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 9
- 239000003086 colorant Substances 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000012937 correction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06V10/762—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
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域中的图像分割技术领域,具体涉及一种基于土地利用类型的遥感影像自适应分割方法,对土地遥感图像基于颜色信息进行初步聚类分割,得到田地区域和山地区域的目标连通域,获取目标连通域对应的疑似阴影区域连通域,将疑似阴影区域连通域划分为至少两层像素点,然后计算得到疑似阴影区域连通域对应的目标区域属于山地区域的概率;根据概率对模糊C均值聚类模型进行修正,基于修正后的模糊C均值聚类模型进行图像再分割,根据田地区域和山地区域的地形的差异进行局部范围特征分析,对模糊C均值聚类模型进行修正,即便是颜色较为相近,仍能根据修正后的模糊C均值聚类模型进行图像分割,提升图像分割准确性。
Description
技术领域
本发明涉及图像处理技术领域中的图像分割技术领域,具体涉及一种基于土地利用类型的遥感影像自适应分割方法。
背景技术
伴随遥感技术水平的发展,高分辨率遥感影像在农业资源调查、土地利用类型识别等方面的应用逐渐增加,而常用的图像分割方式多是通过区域聚类进行分割,基于像素之间的相似性来形成局部区域,从而获取分割结果,比如应用较为广泛的、基于模糊C均值聚类方式进行的图像分割方法。
传统的模糊C均值聚类中,当基于土地利用类型的目的进行区域分割时,往往是基于像素的颜色信息进行区域聚类和分割。但是所采集的遥感图像中,山地与田地的颜色通常较为接近,对于这种情况,若采用仅基于颜色信息进行区域分割的方式,只能将山地与田地分割为相同类型的区域,分割结果不准。
发明内容
有鉴于此,为了解决现有的仅基于颜色信息进行图像分割的方式的分割准确性较低的技术问题,本发明提供一种基于土地利用类型的遥感影像自适应分割方法。
所采用的技术方案具体如下:
一种基于土地利用类型的遥感影像自适应分割方法,包括:
对获取到的土地遥感图像基于颜色信息进行初步聚类分割,得到目标区域的目标连通域,所述目标区域包括田地区域和山地区域;
基于灰度值差异,获取与所述目标连通域相邻且对应的疑似阴影区域连通域;
基于位置关系,获取相互邻接的所述目标连通域的第一边缘像素点和所述疑似阴影区域连通域中的第二边缘像素点,并基于各所述第二边缘像素点,将所述疑似阴影区域连通域划分为至少两层像素点;
根据各层像素点中各像素点对应的阴影区域宽度和灰度值计算得到所述疑似阴影区域连通域对应的目标区域属于山地区域的概率;
根据所述概率对模糊C均值聚类模型中的像素点在颜色空间中的位置信息进行修正,得到目标模糊C均值聚类模型;
基于所述目标模糊C均值聚类模型对所述目标区域进行图像再分割。
在一个实施例中,所述基于灰度值差异,获取与所述目标连通域相邻且对应的疑似阴影区域连通域,包括:
对于所述目标连通域的任意一个边缘像素点,以该边缘像素点为中心,获取该边缘像素点邻域范围内最小灰度值的邻域像素点;
以所述邻域像素点为中心像素点,获取满足预设要求的像素点,定义为目标像素点,并以新确定的目标像素点为中心像素点,获取满足所述预设要求的像素点,以此类推,直至没有像素点满足所述预设要求;所述中心像素点构成所述疑似阴影区域连通域;
所述预设要求为:所述中心像素点的邻域范围内、与所述中心像素点的灰度值差值绝对值小于预设差值阈值。
在一个实施例中,所述基于位置关系,获取相互邻接的所述目标连通域的第一边缘像素点和所述疑似阴影区域连通域中的第二边缘像素点,包括:
对于所述疑似阴影区域连通域的任意一个边缘像素点,以该边缘像素点为中心,若邻域范围内存在所述目标连通域中的像素点,则将该边缘像素点记为所述第二边缘像素点,并将所述邻域范围内存在的所述目标连通域中的像素点记为第一边缘像素点。
在一个实施例中,所述基于各所述第二边缘像素点,将所述疑似阴影区域连通域划分为至少两层像素点,包括:
将各所述第二边缘像素点划分构成第一层像素点;以各所述第二边缘像素点为中心,将邻域范围内未划分的且属于所述疑似阴影区域连通域中的像素点划分构成第二层像素点;以所述第二层像素点中的各像素点为中心,将邻域范围内未划分的且属于所述疑似阴影区域连通域中的像素点构成第三层像素点;以此类推,直至完成所述疑似阴影区域连通域中的所有像素点的划分。
在一个实施例中,所述各层像素点中各像素点对应的阴影区域宽度的获取过程,包括:
沿所述第一边缘像素点的梯度方向,获取所述梯度方向上属于所述疑似阴影区域连通域的像素点的数量,确定为所述第一边缘像素点对应的阴影区域宽度;
将各层像素点中各像素点所处的所述第一边缘像素点的梯度方向对应的所述阴影区域宽度,确定为各层像素点中各像素点对应的阴影区域宽度;
相应地,所述根据各层像素点中各像素点对应的阴影区域宽度和灰度值计算得到所述疑似阴影区域连通域对应的目标区域属于山地区域的概率,包括:
根据各层像素点中各像素点对应的阴影区域宽度,获取各层像素点的阴影区域宽度均值,以及各层像素点的最大阴影区域宽度;
获取各层像素点的灰度均值;
基于每两个相邻层像素点的灰度均值的差值绝对值,所述各层像素点的阴影区域宽度均值,以及各层像素点的最大阴影区域宽度,计算得到所述疑似阴影区域连通域对应的目标区域属于山地区域的概率。
在一个实施例中,所述疑似阴影区域连通域对应的目标区域属于山地区域的概率的计算公式如下:
其中,q为所述疑似阴影区域连通域对应的目标区域属于山地区域的概率,I为所
述疑似阴影区域连通域中像素点的总层数,i为第i层像素点,为第i+1层像素点的灰度
均值,为第i层像素点的灰度均值,为第i层像素点的阴影区域宽度均值,为第i
层像素点的最大阴影区域宽度。
在一个实施例中,所述目标模糊C均值聚类模型,包括:
其中,c为聚类簇数,N为对应的目标区域的像素点数量,t为对应的目标区域的第t
个像素点,j为第j个簇类,为第t个像素点在颜色空间中的位置,m为幂指数,为第j个簇
类的中心在颜色空间中的位置,q为属于山地区域的概率,为第t个像素点属于第j个簇
类的隶属度。
在一个实施例中,所述对获取到的土地遥感图像基于颜色信息进行初步聚类分割,包括:
采用所述模糊C均值聚类模型,对获取到的土地遥感图像基于颜色信息进行初步聚类分割。
本发明实施例至少具有如下有益效果:由于土地遥感图像中,田地区域和山地区域的颜色较为接近,因此,先对获取到的土地遥感图像基于颜色信息进行初步聚类分割,得到目标区域的目标连通域,得到颜色较为接近的田地区域和山地区域这两种目标区域,然后,基于灰度值差异,获取与目标连通域相邻且对应的疑似阴影区域连通域,疑似阴影区域连通域对应到土地遥感图像中,疑似为山地区域对应的因峰峦高度而遮挡形成的阴影区域,那么,后续就需要对疑似阴影区域连通域进行图像处理,以确定该疑似阴影区域连通域对应的目标区域属于山地区域的概率,能够准确得到该疑似阴影区域连通域对应的目标区域属于山地区域的概率;其中,目标连通域和疑似阴影区域连通域中相互邻接的边缘像素点由于位置关系比较密切,对两者需要先确定出来,后续根据确定得到的相互邻接的目标连通域的第一边缘像素点和疑似阴影区域连通域中的第二边缘像素点进行概率计算,可以保证计算结果的准确性,而且,由于山地区域中从山脚到外侧,像素点灰度值呈逐渐增大的变化趋势,且疑似阴影区域连通域的形状和大小也相应影响到属于山地区域的概率,因此,将阴影区域宽度中的各个像素点划分为多层像素点,结合各层像素点中各像素点对应的阴影区域宽度和灰度值计算得到属于山地区域的概率,能够使得计算结果与各个影响因素相匹配,保证概率计算的合理性和准确性,最后根据得到的概率对模糊C均值聚类模型中的像素点在颜色空间中的位置信息进行修正,得到目标模糊C均值聚类模型,以根据目标模糊C均值聚类模型进行图像再分割。相较于仅通过颜色差异进行图像分割,本发明根据田地区域和山地区域的地形的差异进行局部范围特征分析,对模糊C均值聚类模型进行修正,即便是颜色较为相近,仍然能够根据修正后的模糊C均值聚类模型进行图像分割,提升图像分割的准确性。而且,本发明并非对常规的模糊C均值聚类模型进行程度较大的改进,而是在原有基础上引进了基于空间局部特征的修正量,降低运算复杂度,提升数据处理效率,降低数据处理程序执行过程中出现bug的可能性。
附图说明
图1是本发明提供的一种基于土地利用类型的遥感影像自适应分割方法的流程图;
图2是目标连通域、疑似阴影区域连通域、第一边缘像素点和第二边缘像素点的位置关系示意图;
图3是目标连通域与疑似阴影区域连通域中的各层像素点的位置关系示意图。
具体实施方式
本实施例提供一种基于土地利用类型的遥感影像自适应分割方法,以下简称为遥感影像自适应分割方法。该遥感影像自适应分割方法用于对土地遥感图像进行精准分割,以识别得到颜色较为接近的田地区域和山地区域。作为一个具体应用场景,该遥感影像自适应分割方法主要针对城区、耕地、山地这类综合地形。基于土地利用类型进行分割时,现有的基于图像颜色信息进行分割的方式中,但当出现田地、山地这类颜色信息较为接近的土地类型时,因为没有考虑到空间分布特征,所以分割结果往往是不准确的。
如图1所示,遥感影像自适应分割方法包括如下步骤:
步骤S1:对获取到的土地遥感图像基于颜色信息进行初步聚类分割,得到目标区域的目标连通域,所述目标区域包括田地区域和山地区域:
本实施例中,通过无人机获取土地遥感图像。土地遥感图像为RGB图像。应当理解,在满足能够获取到较为清晰有效的土地遥感图像的基础上,本实施例不对无人机的图像采集高度作为限定。
该遥感影像自适应分割方法的执行主体可以为处理器芯片、计算机设备、服务器等等。其中,若为处理器芯片,则具有如下两种实现方式,第一种:该处理器芯片为无人机中的处理器芯片,则该无人机同时执行图像采集以及图像处理,最终输出的是经过该遥感影像自适应分割方法之后的分割图像,第二种:该处理器芯片为与无人机无线通信连接的终端设备中的处理器芯片,则无人机负责图像采集,并将获取到的土地遥感图像无线发送至终端设备,终端设备执行该遥感影像自适应分割方法。若该遥感影像自适应分割方法的执行主体为计算机设备或者服务器,则该计算机设备或者服务器与无人机无线通信连接,无人机负责图像采集,并将获取到的土地遥感图像无线发送至计算机设备或者服务器,计算机设备或者服务器执行该遥感影像自适应分割方法。
对获取到的土地遥感图像基于颜色信息进行初步聚类分割,得到目标区域的目标连通域,目标区域为颜色比较接近的区域,包括田地区域和山地区域。作为一个具体实施方式,本实施例采用模糊C均值聚类模型,对获取到的土地遥感图像基于颜色信息进行初步聚类分割。
模糊C均值聚类模型公式为:
其中,J为模糊C均值聚类模型的目标函数,N表示像素点总数,共分为C类,即C为聚
类的簇数,t,j为标号,t为第t个像素点,j为第j个簇类,m为幂指数,m大于1,表示N个像素
点中的第t个像素点在颜色空间中的位置,为第j个簇类的中心在颜色空间中的位置,
表示第t个像素点属于第j个簇类的隶属度,表示第t个样本(即第t个像素点)在
颜色空间中的位置与第j个簇类中心的距离,即欧氏距离。
进行初步聚类分割之后,得到各个目标区域的目标连通域。表示第a个目标连
通域。设定总共得到A个目标连通域,则a=1、2……、A。应当理解,得到的目标区域为颜色较
为接近的区域,包括田地区域和山地区域,实现田地和山地两种土地类型的分割提取。将如
城区、湖泊等颜色差异很大的区域进行分割,后续对分割出来的山地区域和田地区域进行
再次分割。作为一个具体实施方式,如下给出连通域的一种获取过程:以任意一个像素点为
中心像素点,判断其邻域范围内的像素点是否满足自身梯度值大于预设值,比如20,且与中
心像素点的梯度幅值差值绝对值小于预设值,比如5,若满足则判定连通,并继续在邻域范
围内判定,至此获得连通域。本实施例中的各个预设值,均可以由实际场景判断需要进行灵
活设置。
本实施例采用模糊C均值聚类模型进行初步聚类分割,是为了更好地与下文步骤中采用修正后的目标模糊C均值聚类模型进行再次分割相对应。作为其他的实施方式,除了上述采用模糊C均值聚类模型之外,还可以使用现有技术中其他的基于颜色信息的图像分割方法,比如:设定R、G、B三通道中各个通道的数值区间,获取处于设定数值区间的各个像素点,并做连通处理,得到各个目标区域的目标连通域。另外,还可以采用现有已授权的专利文件中公开的技术方案,比如公告号为CN105574841B的发明授权文本中公开的一种基于颜色的图像分割方法。
步骤S2:基于灰度值差异,获取与所述目标连通域相邻且对应的疑似阴影区域连通域:
由于山地区域和田地区域的颜色比较接近,但是,山地区域和田地区域存在一个比较明显直观的区别特征,即在阳光照射下,山地区域存在较为明显的阴影区域,其阴影区域的大小与山地区域对应的峰峦部分的高度是相关的,同时峰峦的走势并不是完全的直线,因此阴影区域应该随着其相邻的峰峦区域的走势进行对应的变化,同时越靠近外侧,其阴影程度一定是越小的,因此基于上述实际特征,可以对峰峦部分的阴影区域进行特征分析,从而在后续对模糊C均值聚类模型进行修正时引进相对应的修正量。
相对于山地区域,其对应的阴影区域颜色较暗,像素点的灰度值较小。因此,先对
目标区域进行灰度化,根据灰度值的差异,获取与目标连通域相邻且对应的疑似阴影区
域连通域。疑似阴影区域连通域表示第a个疑似阴影区域连通域。目标连通域与疑似
阴影区域连通域相对应。
作为一个具体实施方式,对于目标连通域的任意一个边缘像素点,以该边缘像
素点为中心,获取该边缘像素点邻域范围内除该边缘像素点之外的最小灰度值的邻域像素
点。作为一个具体实施方式,本实施例中的邻域范围为常用的八邻域范围。获取该边缘像素
点八邻域范围中的八个像素点灰度值中的最小灰度值,得到最小灰度值的邻域像素点。
以确定得到的邻域像素点为中心像素点,获取满足预设要求的像素点,定义为目
标像素点,并以新确定的目标像素点为中心像素点,获取满足该预设要求的像素点,以此类
推,直至没有像素点满足预设要求。其中预设要求为:中心像素点的邻域范围内,与中心像
素点的灰度值差值绝对值小于预设差值阈值(本实施例中,预设差值阈值以10为例)。具体
地:将最小灰度值的邻域像素点为中心像素点,获取该中心像素点的邻域范围内,除中心像
素点之外,其他像素点与中心像素点的灰度值差值绝对值,获取灰度值差值绝对值小于预
设差值阈值的像素点,定义为目标像素点;然后,以新确定的目标像素点为中心像素点,获
取该中心像素点的邻域范围内,除中心像素点之外,其他像素点与中心像素点的灰度值差
值绝对值,获取灰度值差值绝对值小于预设差值阈值的像素点,定义为目标像素点;然后同
理,以新确定的目标像素点为中心像素点,获取该中心像素点的邻域范围内,除中心像素点
之外,其他像素点与中心像素点的灰度值差值绝对值,获取灰度值差值绝对值小于预设差
值阈值的像素点,定义为目标像素点;以此类推,直至不存在灰度值差值绝对值小于预设差
值阈值的中心像素点,循环结束。将上述中每次得到的中心像素点构成疑似阴影区域连通
域。
通过上述处理过程,得到与各个目标连通域相邻且对应的疑似阴影区域连通域。
步骤S3:基于位置关系,获取相互邻接的所述目标连通域的第一边缘像素点和所述疑似阴影区域连通域中的第二边缘像素点,并基于各所述第二边缘像素点,将所述疑似阴影区域连通域划分为至少两层像素点:
由于目标连通域和对应的疑似阴影区域连通域相邻,因此,根据两者的位置关
系,得到相互邻接的目标连通域和疑似阴影区域连通域的边缘像素点。其中,将满足相
互邻接的目标连通域的边缘像素点定义为第一边缘像素点,将疑似阴影区域连通域的
边缘像素点定义为第二边缘像素点。
作为一个具体实施方式,对于疑似阴影区域连通域的任意一个边缘像素点,以
该边缘像素点为中心,若邻域范围内存在目标连通域中的像素点,则将疑似阴影区域连
通域的该边缘像素点记为第二边缘像素点。并且,将该邻域范围内存在的目标连通域
中的像素点记为第一边缘像素点。第一边缘像素点和第二边缘像素点分别为连通域相
互邻接的边缘像素点。如图2所示,通过四种不同填充方式的方形进行表示,无填充部分表
示目标连通域,单斜线填充部分表示疑似阴影区域连通域,双斜线填充部分表示目标
连通域的第一边缘像素点,横竖双线填充部分表示疑似阴影区域连通域的第二边缘像
素点。目标连通域的第m个第一边缘像素点记为边缘像素点,疑似阴影区域连通域
的第n个第二边缘像素点记为边缘像素点。
然后,基于各第二边缘像素点,将疑似阴影区域连通域划分为至少两层像素点,
整体划分过程为:先将各第二边缘像素点划分构成第一层像素点,然后根据距离第二边缘
像素点由近及远的位置关系,依次确定得到各层像素点。具体如下:如图3所示,无填充部分
表示目标连通域,将各第二边缘像素点划分构成第一层像素点;接着以各第二边缘像素
点为中心,邻域范围内属于疑似阴影区域连通域中的像素点分为两类,第一类是已经划
分入第一层像素点的其他第二边缘像素点,第二类是还未进行划分的像素点,选择第二类
像素点,即将第二边缘像素点的邻域范围内未划分的且属于疑似阴影区域连通域中的像
素点划分构成第二层像素点;然后,以第二层像素点中的各像素点为中心,邻域范围内
属于疑似阴影区域连通域中的像素点分为两类,第一类是已经划分入对应层像素点的像
素点,第二类是还未进行划分的像素点,选择第二类像素点,即将各像素点的邻域范围内未
划分的且属于疑似阴影区域连通域中的像素点构成第三层像素点;然后,以第三层像
素点中的各像素点为中心,将各像素点的邻域范围内未划分的且属于疑似阴影区域连通
域中的像素点构成第四层像素点;以此类推,直至完成疑似阴影区域连通域中的所
有像素点的划分,将疑似阴影区域连通域划分为至少两层像素点。本实施例中,共得到I
层像素点,那么,各层像素点分别表示为:。
步骤S4:根据各层像素点中各像素点对应的阴影区域宽度和灰度值计算得到所述疑似阴影区域连通域对应的目标区域属于山地区域的概率:
首先需要确定各层像素点中各像素点对应的阴影区域宽度,如下给出一种具体过程:由于需要根据第一边缘像素点的梯度方向进行处理,则首先需要获取每一个第一边缘像素点的梯度方向,由于像素点的梯度方向的获取方式属于常规技术,不再赘述。
对于任意一个第一边缘像素点,沿该第一边缘像素点的梯度方向,获取该梯度方向上属于疑似阴影区域连通域的像素点的数量,即获取疑似阴影区域连通域中,处于该第一边缘像素点的梯度方向的像素点,得到像素点的数量,该数量为该第一边缘像素点对应的阴影区域宽度。应当理解,该第一边缘像素点的梯度方向属于疑似阴影区域连通域的像素点包括如下几种情况:第一种情况、该第一边缘像素点的梯度方向属于疑似阴影区域连通域的像素点数量为0,即疑似阴影区域连通域中没有处于该第一边缘像素点的梯度方向的像素点;第二种情况、该第一边缘像素点的梯度方向属于疑似阴影区域连通域的像素点数量为1,即疑似阴影区域连通域中只有一个处于该第一边缘像素点的梯度方向的像素点;第三种情况、该第一边缘像素点的梯度方向属于疑似阴影区域连通域的像素点数量大于或等于2,即疑似阴影区域连通域中有至少两个处于该第一边缘像素点的梯度方向的像素点。
按照上述过程,可以得到各个第一边缘像素点对应的阴影区域宽度。应当理解,疑似阴影区域连通域中的所有的像素点均处于对应的第一边缘像素点的梯度方向上,即疑似阴影区域连通域中的所有的像素点均存在对应的第一边缘像素点的梯度方向。
对于任意一层像素点中的任意一个像素点,确定该像素点所处的第一边缘像素点的梯度方向,即确定该像素点所在的第一边缘像素点的梯度方向,确定得到的所处的第一边缘像素点的梯度方向对应的阴影区域宽度为该像素点的阴影区域宽度。采用上述方式,得到该层像素点中的各个像素点的阴影区域宽度。同理,得到各层像素点中各像素点对应的阴影区域宽度。
根据各层像素点中各像素点对应的阴影区域宽度和灰度值计算得到疑似阴影区域连通域对应的目标区域属于山地区域的概率,作为一个具体实施方式,先根据各层像素点中各像素点对应的阴影区域宽度,获取各层像素点的阴影区域宽度均值,以及各层像素点的最大阴影区域宽度。其中,对于任意一层像素点,计算该层像素点中各像素点对应的阴影区域宽度的平均值,得到该层像素点的阴影区域宽度均值;找到该层像素点中各像素点对应的阴影区域宽度的最大值,得到该层像素点的最大阴影区域宽度,进而得到各层像素点的阴影区域宽度均值,以及各层像素点的最大阴影区域宽度。然后,获取各层像素点的灰度均值。其中,对于任意一层像素点,计算该层像素点中各像素点的灰度值的平均值,得到该层像素点的灰度均值,进而得到各层像素点的灰度均值。最后,基于每两个相邻层像素点的灰度均值的差值绝对值,各层像素点的阴影区域宽度均值,以及各层像素点的最大阴影区域宽度,计算得到疑似阴影区域连通域对应的目标区域属于山地区域的概率,计算公式如下:
其中,q为疑似阴影区域连通域对应的目标区域属于山地区域的概率,I为疑似阴
影区域连通域中像素点的总层数,i为像素点层数,即第i层像素点,为第i+1层像素点
的灰度均值,为第i层像素点的灰度均值,为第i层像素点的阴影区域宽度均值,为第i层像素点的最大阴影区域宽度。
表示从第i层像素点到第i+1层像素点中的灰度变化趋势,将每两个相
邻层像素点的灰度均值的差值绝对值累加,当这一数值越大,表示存在越明显的灰度差异,
则这一区域是阴影区域的概率越高,同时疑似阴影区域连通域对应的目标区域属于山地区
域的概率也越高。表示第i层像素点的层数i与总层数I之间的数值关系,比如若i=
2,I=8,则,的逻辑为:当疑似阴影区域连通域中的像素点距离对应
的目标连通域的位置越远,那么认为其受到其余地形的影响可能越高,那么此时,这一层用
于判定灰度变化趋势时,相对应的置信度就需要低一些,即层数越大,表示距离山顶越近,
对应的置信度越低。的逻辑为:宽度均值与宽度最大值的比值是用来做调整值
的,当每层像素点对应的宽度均值越高时,由于疑似阴影区域连通域中从山脚到山顶对应
的阴影区域呈逐渐变小的变化规律进行变化,此时说明这一层像素点距离目标连通域内侧
越远,此时受到的阴影程度逐渐减弱,因此此时这一层像素点受到其余地形因素的概率提
高,但是不同层的宽度最大值通常是不同的,宽度最大值则反映了这一层像素点实际距离
最外侧阴影区域的程度,因此当这一层越远离内侧的同时,得到的置信度降低,但是其距离
实际最外侧的距离较高的话,此时用于通过相邻层灰度变化时的置信度是会增加的,因此,
宽度最大值越大,就越是需要降低对应的置信度,即降低概率,所以最终概率与各层像素点
对应的宽度均值呈正比,与宽度最大值呈反比。通过求和取平均值的方式,从疑似阴影区域
连通域整体分析,能够得到根据每两个相邻层像素点的灰度均值的差值绝对值,各层像素
点的阴影区域宽度均值,以及各层像素点的最大阴影区域宽度对概率整体上的影响,从而
得到疑似阴影区域连通域对应的目标区域属于山地区域的概率。
因此,根据疑似阴影区域连通域随其所对应的目标连通域地形特征变化的程
度以及疑似阴影区域连通域内部灰度的变化趋势得到疑似阴影区域连通域对应的概
率q。应当理解,一个疑似阴影区域连通域对应一个概率,即对于疑似阴影区域连通域而
言,该疑似阴影区域连通域中的各个像素点对应的概率均为概率q。
通过上述方式,得到各个疑似阴影区域连通域对应的概率。
步骤S5:根据所述概率对模糊C均值聚类模型中的像素点在颜色空间中的位置信息进行修正,得到目标模糊C均值聚类模型:
由于概率q反映疑似阴影区域连通域对应的目标连通域符合山地区域中阴影
区域的特征的程度,那么,就需要根据得到的概率对模糊C均值聚类模型中的像素点在颜色
空间中的位置信息进行修正。而且,由于概率q越高,疑似阴影区域连通域对应的目标连
通域越符合山地区域中阴影区域的特征,那么,概率q越高时,就需要相应提升模糊C均值
聚类模型中的像素点在颜色空间中的位置信息,从而让其能够更加精确的分割到山地区域
中。因此,基于上述调整原则,调整后得到的疑似阴影区域连通域对应的目标连通域对
应的目标模糊C均值聚类模型,包括:
其中,为目标模糊C均值聚类模型的目标函数,c为聚类簇数,N为目标区域的目
标连通域的像素点数量,t为目标区域的目标连通域的第t个像素点,j为第j个簇类,为第
t个像素点在颜色空间中的位置,m为幂指数,m大于1,为第j个簇类的中心在颜色空间中
的位置,q为目标区域属于山地区域的概率,为第t个像素点属于第j个簇类的隶属度,为调整后的第t个像素点在颜色空间中的位置与第j个簇类中心的距
离,即欧氏距离。应当理解,上述计算公式中的各个参量均为对应目标区域的参量。
应当理解,由于不同的疑似阴影区域连通域对应的概率不同,因此,就需要根据每一个疑似阴影区域连通域对应的概率对对应的目标区域的模糊C均值聚类模型进行相应调整,得到每一个疑似阴影区域连通域对应的目标模糊C均值聚类模型,得到每一个目标区域对应的目标模糊C均值聚类模型。
因此,基于常规通过像素点在颜色空间模型中的分布的聚类模型中,额外引进了
一个局部空间特征所得到的特征量q(即概率q),并未改变模糊C均值聚类模型的本质结构,
只是在计算模型中每一个隶属度时,添加了特征量q。通过将特征量q作为程度系数,与像素
点本身在颜色空间中的位置即进行相乘,增加了每一个像素点在颜色空间中与本身应该
属于的聚类中心的距离,对应的增大了聚类过程中不断迭代计算隶属度与簇类中心的过
程,直至达到最小值所需要的迭代次数,最终使得分割结果更加准确。
步骤S6:基于所述目标模糊C均值聚类模型对所述目标区域进行图像再分割:
通过步骤S5,得到每一个目标区域对应的目标模糊C均值聚类模型,然后根据目
标模糊C均值聚类模型,对初次分割后的遥感图像,具体是目标区域再次进行对应的聚类
分割。由于每一个目标区域均得到一个目标模糊C均值聚类模型,则根据各目标模糊C均值
聚类模型,对对应的目标区域进行聚类分割。其中具体的聚类分割步骤为现有公知技术,这
里不做详细叙述。
因此,通过对遥感图像中先进行初次聚类分割,将其中较为明显的区域进行分割排除如城区、湖泊等地形后,得到目标区域,对目标区域中,每一个像素点根据其自身梯度以及灰度特征进行连通域判断,并结合地形特征,计算获得每一个连通域所成边缘特征符合山地区域的阴影区域特征的程度,进而获得这一区域是山地区域的概率,从而将其加入常规的模糊C均值聚类模型中每一个像素点的隶属度计算。最后根据修正后的目标模糊C均值聚类模型进行图像再分割。相较于仅通过颜色差异进行图像分割,本发明根据田地区域和山地区域的地形的差异进行局部范围特征分析,对模糊C均值聚类模型进行修正,即便是颜色较为相近,仍然能够根据修正后的模糊C均值聚类模型进行图像分割,提升图像分割的准确性。而且,本发明并非对常规的模糊C均值聚类模型进行程度较大的改进,而是在原有基础上引进了基于空间局部特征的修正量,降低运算复杂度,提升数据处理效率,降低数据处理过程中出现bug的可能性。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于土地利用类型的遥感影像自适应分割方法,其特征在于,包括:
对获取到的土地遥感图像基于颜色信息进行初步聚类分割,得到目标区域的目标连通域,所述目标区域包括田地区域和山地区域;
基于灰度值差异,获取与所述目标连通域相邻且对应的疑似阴影区域连通域;
基于位置关系,获取相互邻接的所述目标连通域的第一边缘像素点和所述疑似阴影区域连通域中的第二边缘像素点,并基于各所述第二边缘像素点,将所述疑似阴影区域连通域划分为至少两层像素点;
根据各层像素点中各像素点对应的阴影区域宽度和灰度值计算得到所述疑似阴影区域连通域对应的目标区域属于山地区域的概率;
根据所述概率对模糊C均值聚类模型中的像素点在颜色空间中的位置信息进行修正,得到目标模糊C均值聚类模型;
基于所述目标模糊C均值聚类模型对所述目标区域进行图像再分割。
2.根据权利要求1所述的基于土地利用类型的遥感影像自适应分割方法,其特征在于,所述基于灰度值差异,获取与所述目标连通域相邻且对应的疑似阴影区域连通域,包括:
对于所述目标连通域的任意一个边缘像素点,以该边缘像素点为中心,获取该边缘像素点邻域范围内最小灰度值的邻域像素点;
以所述邻域像素点为中心像素点,获取满足预设要求的像素点,定义为目标像素点,并以新确定的目标像素点为中心像素点,获取满足所述预设要求的像素点,以此类推,直至没有像素点满足所述预设要求;所述中心像素点构成所述疑似阴影区域连通域;
所述预设要求为:所述中心像素点的邻域范围内、与所述中心像素点的灰度值差值绝对值小于预设差值阈值。
3.根据权利要求1所述的基于土地利用类型的遥感影像自适应分割方法,其特征在于,所述基于位置关系,获取相互邻接的所述目标连通域的第一边缘像素点和所述疑似阴影区域连通域中的第二边缘像素点,包括:
对于所述疑似阴影区域连通域的任意一个边缘像素点,以该边缘像素点为中心,若邻域范围内存在所述目标连通域中的像素点,则将该边缘像素点记为所述第二边缘像素点,并将所述邻域范围内存在的所述目标连通域中的像素点记为第一边缘像素点。
4.根据权利要求1所述的基于土地利用类型的遥感影像自适应分割方法,其特征在于,所述基于各所述第二边缘像素点,将所述疑似阴影区域连通域划分为至少两层像素点,包括:
将各所述第二边缘像素点划分构成第一层像素点;以各所述第二边缘像素点为中心,将邻域范围内未划分的且属于所述疑似阴影区域连通域中的像素点划分构成第二层像素点;以所述第二层像素点中的各像素点为中心,将邻域范围内未划分的且属于所述疑似阴影区域连通域中的像素点构成第三层像素点;以此类推,直至完成所述疑似阴影区域连通域中的所有像素点的划分。
5.根据权利要求1所述的基于土地利用类型的遥感影像自适应分割方法,其特征在于,所述各层像素点中各像素点对应的阴影区域宽度的获取过程,包括:
沿所述第一边缘像素点的梯度方向,获取所述梯度方向上属于所述疑似阴影区域连通域的像素点的数量,确定为所述第一边缘像素点对应的阴影区域宽度;
将各层像素点中各像素点所处的所述第一边缘像素点的梯度方向对应的所述阴影区域宽度,确定为各层像素点中各像素点对应的阴影区域宽度;
相应地,所述根据各层像素点中各像素点对应的阴影区域宽度和灰度值计算得到所述疑似阴影区域连通域对应的目标区域属于山地区域的概率,包括:
根据各层像素点中各像素点对应的阴影区域宽度,获取各层像素点的阴影区域宽度均值,以及各层像素点的最大阴影区域宽度;
获取各层像素点的灰度均值;
基于每两个相邻层像素点的灰度均值的差值绝对值,所述各层像素点的阴影区域宽度均值,以及各层像素点的最大阴影区域宽度,计算得到所述疑似阴影区域连通域对应的目标区域属于山地区域的概率。
8.根据权利要求1所述的基于土地利用类型的遥感影像自适应分割方法,其特征在于,所述对获取到的土地遥感图像基于颜色信息进行初步聚类分割,包括:
采用所述模糊C均值聚类模型,对获取到的土地遥感图像基于颜色信息进行初步聚类分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449767.1A CN116188496B (zh) | 2023-04-25 | 2023-04-25 | 基于土地利用类型的遥感影像自适应分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449767.1A CN116188496B (zh) | 2023-04-25 | 2023-04-25 | 基于土地利用类型的遥感影像自适应分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188496A true CN116188496A (zh) | 2023-05-30 |
CN116188496B CN116188496B (zh) | 2023-07-07 |
Family
ID=86433075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310449767.1A Active CN116188496B (zh) | 2023-04-25 | 2023-04-25 | 基于土地利用类型的遥感影像自适应分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188496B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665062A (zh) * | 2023-07-25 | 2023-08-29 | 山东中科冶金矿山机械有限公司 | 基于遥感影像的矿产资源监测方法 |
CN116778344A (zh) * | 2023-08-17 | 2023-09-19 | 牧马人(山东)勘察测绘集团有限公司 | 基于视觉技术的土地整理边界线划分方法 |
CN117078698A (zh) * | 2023-08-22 | 2023-11-17 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及系统 |
CN117333504A (zh) * | 2023-12-01 | 2024-01-02 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 一种复杂地形遥感图像精准分割方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN104077779A (zh) * | 2014-07-04 | 2014-10-01 | 中国航天科技集团公司第五研究院第五一三研究所 | 高斯背景模型与均值漂移跟踪结合的运动目标统计方法 |
CN106228553A (zh) * | 2016-07-20 | 2016-12-14 | 湖南大学 | 高分辨率遥感图像阴影检测装置与方法 |
CN108711155A (zh) * | 2018-04-20 | 2018-10-26 | 西京学院 | 一种人工蜂群优化模糊聚类的图像快速分割算法 |
WO2020233084A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种图像分割方法、装置、存储介质及终端设备 |
CN113658163A (zh) * | 2021-08-24 | 2021-11-16 | 王程 | 多级协作改进fcm的高分sar影像分割法 |
CN114332650A (zh) * | 2022-03-09 | 2022-04-12 | 苏州大学 | 一种遥感图像道路识别方法及系统 |
CN115131566A (zh) * | 2022-07-25 | 2022-09-30 | 北京帝测科技股份有限公司 | 基于超像素和改进模糊c均值聚类的自动图像分割方法 |
US20220383633A1 (en) * | 2019-10-23 | 2022-12-01 | Beijing University Of Civil Engineering And Architecture | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device |
-
2023
- 2023-04-25 CN CN202310449767.1A patent/CN116188496B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN104077779A (zh) * | 2014-07-04 | 2014-10-01 | 中国航天科技集团公司第五研究院第五一三研究所 | 高斯背景模型与均值漂移跟踪结合的运动目标统计方法 |
CN106228553A (zh) * | 2016-07-20 | 2016-12-14 | 湖南大学 | 高分辨率遥感图像阴影检测装置与方法 |
CN108711155A (zh) * | 2018-04-20 | 2018-10-26 | 西京学院 | 一种人工蜂群优化模糊聚类的图像快速分割算法 |
WO2020233084A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种图像分割方法、装置、存储介质及终端设备 |
US20220383633A1 (en) * | 2019-10-23 | 2022-12-01 | Beijing University Of Civil Engineering And Architecture | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device |
CN113658163A (zh) * | 2021-08-24 | 2021-11-16 | 王程 | 多级协作改进fcm的高分sar影像分割法 |
CN114332650A (zh) * | 2022-03-09 | 2022-04-12 | 苏州大学 | 一种遥感图像道路识别方法及系统 |
CN115131566A (zh) * | 2022-07-25 | 2022-09-30 | 北京帝测科技股份有限公司 | 基于超像素和改进模糊c均值聚类的自动图像分割方法 |
Non-Patent Citations (4)
Title |
---|
TONG ZHANG等: "Clustering Algorithm Based on Spatial Shadowed Fuzzy C-means and I-Ching Operators", 《SPRINGERLINK》, pages 609 - 617 * |
加小红: "面向图像分割的模糊C均值聚类算法及其在油藏驱替中的应用研究", 《中国博士学位论文全文数据库工程科技Ⅰ辑》, no. 06, pages 019 - 31 * |
毕杨等: "一种优化的可能性C-均值聚类图像分割算法", 《电子设计工程》, vol. 28, no. 18, pages 181 - 184 * |
陈志飞等: "基于均值漂移和模糊C均值聚类的图像分割算法", 《计算机应用与软件》, vol. 30, no. 11, pages 13 - 17 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665062A (zh) * | 2023-07-25 | 2023-08-29 | 山东中科冶金矿山机械有限公司 | 基于遥感影像的矿产资源监测方法 |
CN116778344A (zh) * | 2023-08-17 | 2023-09-19 | 牧马人(山东)勘察测绘集团有限公司 | 基于视觉技术的土地整理边界线划分方法 |
CN116778344B (zh) * | 2023-08-17 | 2023-12-05 | 牧马人(山东)勘察测绘集团有限公司 | 基于视觉技术的土地整理边界线划分方法 |
CN117078698A (zh) * | 2023-08-22 | 2023-11-17 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及系统 |
CN117078698B (zh) * | 2023-08-22 | 2024-03-05 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及系统 |
CN117333504A (zh) * | 2023-12-01 | 2024-01-02 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 一种复杂地形遥感图像精准分割方法 |
CN117333504B (zh) * | 2023-12-01 | 2024-03-01 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 一种复杂地形遥感图像精准分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116188496B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116188496B (zh) | 基于土地利用类型的遥感影像自适应分割方法 | |
Zhang et al. | Object-oriented shadow detection and removal from urban high-resolution remote sensing images | |
CN110969088B (zh) | 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法 | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN107564017B (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
Lucieer et al. | Existential uncertainty of spatial objects segmented from satellite sensor imagery | |
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 | |
CN110197157B (zh) | 一种基于历史裂纹数据的路面裂纹生长检测方法 | |
CN110287898A (zh) | 一种光学卫星遥感影像云检测方法 | |
CN107301649B (zh) | 一种基于超像素的区域合并sar图像海岸线检测算法 | |
CN111027446A (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN116385438B (zh) | 一种核磁共振肿瘤区域提取方法 | |
CN113628234B (zh) | 基于综合邻域信息的显著性极化sar图像变化检测方法 | |
CN109190452B (zh) | 作物行识别方法及装置 | |
CN111444948A (zh) | 一种图像特征提取与匹配方法 | |
CN116912250A (zh) | 基于机器视觉的菌包生产质量检测方法 | |
CN106846343A (zh) | 一种基于聚类超像素分割的病理图像特征提取方法 | |
CN110929598B (zh) | 基于轮廓特征的无人机载sar图像匹配方法 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN113793309B (zh) | 一种基于形态学特征的亚像素级椭圆检测方法 | |
CN116740579B (zh) | 一种国土空间规划数据智能采集方法 | |
CN116503426B (zh) | 基于图像处理的超声图像分割方法 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Adaptive segmentation method for remote sensing images based on land use types Effective date of registration: 20231114 Granted publication date: 20230707 Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch Pledgor: Wrangler (Shandong) Survey and Mapping Group Co.,Ltd. Registration number: Y2023980065472 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |