CN116228599A - 基于遥感影像增强的矿产资源动态监测方法 - Google Patents

基于遥感影像增强的矿产资源动态监测方法 Download PDF

Info

Publication number
CN116228599A
CN116228599A CN202310504378.4A CN202310504378A CN116228599A CN 116228599 A CN116228599 A CN 116228599A CN 202310504378 A CN202310504378 A CN 202310504378A CN 116228599 A CN116228599 A CN 116228599A
Authority
CN
China
Prior art keywords
frequency edge
frequency
sharpening
gray
edge block
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
CN202310504378.4A
Other languages
English (en)
Other versions
CN116228599B (zh
Inventor
赵辉绩
王斌斌
韩艳超
张迪
王燕
牛冲
崔圆圆
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.)
Shandong Institute of Geological Surveying and Mapping
Original Assignee
Shandong Institute of Geological Surveying and Mapping
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 Shandong Institute of Geological Surveying and Mapping filed Critical Shandong Institute of Geological Surveying and Mapping
Priority to CN202310504378.4A priority Critical patent/CN116228599B/zh
Publication of CN116228599A publication Critical patent/CN116228599A/zh
Application granted granted Critical
Publication of CN116228599B publication Critical patent/CN116228599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于遥感影像增强的矿产资源动态监测方法，包括：采集遥感影像，获得高频边缘图像，获取高频边缘图像中的所有背景像素点以及高频边缘块，获取高频边缘块的所有灰度突变值，根据每种灰度突变值的频率，获取高频边缘块的对比度，获取高频边缘块的代表灰度，进而得到高频边缘块的调节参数，根据调节参数获取高频边缘块中所有像素点的锐化参数，进一步获得高频边缘块中每个像素点的锐化值以及每个背景像素点的锐化值，得到边缘锐化图像，根据边缘锐化图像获取矿产资源区域，实现矿产资源动态监测。本发明有效解决了现有技术中边缘锐化图像偏暗导致特征丢失的问题，使得获取的矿产资源区域更加准确。

Description

基于遥感影像增强的矿产资源动态监测方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于遥感影像增强的矿产资源动态监测方法。
背景技术
在对矿产资源动态监测中，通常通过遥感影像来动态监测矿产资源的变化，由于矿产资源区域在遥感影像中的部分边缘清晰度差，因此需要对遥感影像进行增强，从而准确的定位出矿产资源的位置。
在现有的增强算法中，对于图像边缘进行锐化的过程中，以梯度值作为锐化的输出，会使得锐化后的图像整体偏暗，从而图像的增强效果和可视性，使得遥感影像中的矿产资源无法清晰呈现，影响矿产资源的动态监测效果。
发明内容
本发明提供基于遥感影像增强的矿产资源动态监测方法，以解决现有的问题。
本发明的基于遥感影像增强的矿产资源动态监测方法采用如下技术方案：
本发明一个实施例提供了基于遥感影像增强的矿产资源动态监测方法，该方法包括以下步骤：
采集遥感影像，根据采集遥感影像获得高频边缘图像；获取高频边缘图像中的边缘，将边缘以外的像素点作为背景像素点；对高频边缘图像中每条边缘进行骨架提取，获取每条边缘的骨架，根据骨架获取所有高频边缘块；
根据高频边缘块中所有像素点的灰度值获取高频边缘块的所有灰度突变值，构成灰度突变序列；根据灰度突变序列中每种灰度突变值的频率，获取高频边缘块的对比度；将高频边缘块中所有像素点的灰度值均值作为高频边缘块的代表灰度；根据高频边缘块的对比度以及代表灰度获取高频边缘块的调节参数；根据调节参数获取高频边缘块中所有像素点的锐化参数；
根据所有高频边缘块以及每个高频边缘块中每个像素点的锐化参数获取每个高频边缘块中每个像素点的锐化值；将背景像素点的梯度幅值作为背景像素点的锐化值；
所有高频边缘块中每个像素点的锐化值以及所有背景像素点的锐化值构成边缘锐化图像；根据边缘锐化图像获取矿产资源区域，实现矿产资源动态监测。
优选的，所述根据骨架获取所有高频边缘块，包括的具体步骤如下：
将骨架上的像素点称为骨架像素点，以第一个骨架像素点为中心，构建滑窗，按照骨架的方向滑动滑窗，将滑窗在滑动过程中覆盖的每个区域作为一个高频边缘块。
优选的，所述根据高频边缘块中所有像素点的灰度值获取高频边缘块的所有灰度突变值，包括的具体步骤如下：
获取高频边缘块中水平相邻的两个像素点之间的灰度值差异的绝对值，作为高频边缘块的一个灰度突变值，根据目标边缘块中所有水平相邻的像素点获取高频边缘块的所有灰度突变值。
优选的，所述根据灰度突变序列中每种灰度突变值的频率，获取高频边缘块的对比度，包括的具体步骤如下：
Figure SMS_1
，
其中
Figure SMS_2
为高频边缘块的对比度；/>
Figure SMS_3
为第/>
Figure SMS_4
种灰度突变值的大小；/>
Figure SMS_5
为第/>
Figure SMS_6
种灰度突变值的频率；n为灰度突变序列中灰度突变值的种类数。
优选的，所述根据高频边缘块的对比度以及代表灰度获取高频边缘块的调节参数，包括的具体步骤如下：
Figure SMS_7
，
其中
Figure SMS_8
为高频边缘块的调节参数；/>
Figure SMS_9
为高频边缘块的对比度；/>
Figure SMS_10
为高频边缘块的代表灰度。
优选的，所述根据调节参数获取高频边缘块中所有像素点的锐化参数，包括的具体步骤如下：
将高频边缘块的调节参数乘以高频边缘块中每个像素点的灰度值，得到高频边缘块中每个像素点的锐化参数。
优选的，所述根据所有高频边缘块以及每个高频边缘块中每个像素点的锐化参数获取每个高频边缘块中每个像素点的锐化值，包括的具体步骤如下：
Figure SMS_11
，
其中，
Figure SMS_13
为第/>
Figure SMS_19
个高频边缘块中第/>
Figure SMS_22
个像素点的锐化值；/>
Figure SMS_15
为第/>
Figure SMS_17
个高频边缘块中第/>
Figure SMS_20
个像素点的锐化参数；/>
Figure SMS_24
为第/>
Figure SMS_12
个高频边缘块的代表灰度；/>
Figure SMS_16
为第/>
Figure SMS_21
个高频边缘块的第/>
Figure SMS_23
个邻域高频边缘块的代表灰度；/>
Figure SMS_14
为第/>
Figure SMS_18
个高频边缘块的邻域高频边缘块的个数。
优选的，所述根据边缘锐化图像获取矿产资源区域，包括的具体步骤如下：
将边缘锐化图像叠加在遥感影像中，根据叠加边缘锐化图像后的遥感影像进行矿产区域的识别，得到完整的矿产区域。
本发明的技术方案的有益效果是：现有的边缘锐化方法中，直接将边缘像素点的梯度值作为锐化输出值，会导致边缘锐化后的图像整体偏暗，一些微小的边缘非常不明显，造成特征丢失的问题，影响边缘锐化的效果；本发明考虑到不同高频边缘块内的灰度分布特征，根据每个高频边缘块的对比度以及代表灰度获取高频边缘块中每个像素点的调节参数，根据调节参数对高频边缘块中的像素点的灰度值进行调节，得到锐化参数，根据锐化参数结合不同高频边缘块之间的梯度进行亮化操作，使得边缘锐化图像中不明显的边缘也可清晰显现，进而得到准确的矿场资源区域。本发明有效解决了现有技术中边缘锐化图像偏暗导致特征丢失的问题，使得获取的矿产资源区域更加完整，矿车资源动态监测更加准确。
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，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于遥感影像增强的矿产资源动态监测方法的步骤流程图；
图2为灰度遥感影像；
图3为高频边缘图像中局部区域；
图4为局部区域的边缘锐化图；
图5为高频边缘块示意图。
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基于遥感影像增强的矿产资源动态监测方法，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基于遥感影像增强的矿产资源动态监测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于遥感影像增强的矿产资源动态监测方法的步骤流程图，该方法包括以下步骤：
S001．采集遥感影像，获取遥感影像的高频边缘图像。
通过卫星采集遥感影像，为了便于后续处理，将遥感影像进行灰度化处理，得到灰度遥感影像，参见图2。
需要说明的是，由于矿产资源区域在遥感影像中的部分边缘清晰度差，为了对遥感影像中的矿产资源进行识别以及动态监测，需要对遥感影像中的边缘进行增强。由于边缘部分的灰度值存在变化，对应的边缘部分的梯度值较平缓区域的梯度值大。而高通滤波器可以筛选出梯度大的像素点，即边缘。
在本发明实施例中，通过高通滤波器对灰度遥感影像进行滤波，得到高频边缘图像。
至此，获取了高频边缘图像。
S002．获取高频边缘块，根据每个高频边缘块的调节参数获取高频边缘块中每个像素点的锐化参数。
需要说明的是，由于遥感影像中边缘部分的像素点的梯度值大小不一致等原因，会导致高频边缘图像中边缘部分的锯齿效果较明显，使得边缘较为模糊，不易观察，高频边缘图像中局部区域如图3所示，图3中箭头所指的边缘的锯齿效果明显。为了去除锯齿模糊效果，需要对高频边缘图像进行边缘锐化。现有的边缘锐化方法中，直接将边缘像素点的梯度值作为锐化输出值，会导致边缘锐化后的图像整体偏暗，一些微小的边缘非常不明显，造成特征丢失的问题，影响边缘锐化的效果。图3对应的边缘锐化图如图4所示，因此为了避免锐化后图像偏暗带来的不良影响，需要对锐化算法的输出进行优化。
在本实施例中，对于高频边缘图像进行Sobel算子边缘检测，获取高频边缘图像中的边缘，将边缘上的像素点作为边缘像素点，将高频边缘图像中边缘像素点以外的像素点作为背景像素点。
需要说明的是，由于Sobel算子的特征，检测出的边缘通常为3个像素宽度，因此本实施例根据该特征将边缘划分为多个边缘块。
在本实施例中，对高频边缘图像中每条边缘进行骨架提取，获取每条边缘的骨架，将骨架上的像素点称为骨架像素点，以第一个骨架像素点为中心，构建33大小的滑窗，按照骨架的方向滑动滑窗，滑窗滑动步长为3，将滑窗在滑动过程中覆盖的每个区域作为一个高频边缘块，如此实现了将边缘分成多个33大小的高频边缘块。需要说明的是，高频边缘块与背景的灰度差异较大，不同高频边缘块之间的灰度值差异较小，高频边缘块示意图参见图5。
将任意一个高频边缘块作为目标边缘块，若目标边缘块中一个像素点在另一个像素点的方向上，且与另一个像素点相邻，定义此两个像素点水平相邻。获取目标边缘块中水平相邻的两个像素点之间的灰度值差异的绝对值，作为目标边缘块的一个灰度突变值。同理根据目标边缘块中所有水平相邻的像素点获取目标边缘块的所有灰度突变值，构成灰度突变序列。将相同的灰度突变值视作一种灰度突变值，统计灰度突变序列中每种灰度突变值的频率。
根据所有种灰度突变值以及每种灰度突变值的频率获取目标边缘块的对比度：
Figure SMS_25
，
其中
Figure SMS_26
为高频边缘块的对比度；/>
Figure SMS_27
为第/>
Figure SMS_28
种灰度突变值的大小；/>
Figure SMS_29
为第/>
Figure SMS_30
种灰度突变值的频率；n为灰度突变序列中灰度突变值的种类数；当目标边缘块中较大灰度突变值的频率也较大时，说明目标边缘块中纹理较为复杂，此时目标边缘块的对比度较大。
需要说明的是，对比度只能体现出目标边缘块中像素点灰度值的分布差异，但不能体现出目标边缘块的整体灰度值与周围的高频边缘块的差异，因此还需考虑目标边缘块中所有像素点的灰度值，结合对比度共同构建调节参数，对目标边缘块中每个像素点的灰度值进行调节，得到锐化参数。
在本发明实施例中，获取目标边缘块中所有像素点的灰度值均值，作为目标边缘块的代表灰度，用M表示。根据目标边缘块的对比度以及代表灰度获取目标边缘块的调节参数：
Figure SMS_31
，
其中
Figure SMS_32
为目标边缘块的调节参数；/>
Figure SMS_33
为目标边缘块的对比度；/>
Figure SMS_34
为目标边缘块的代表灰度；对比度体现的是目标边缘块内的离散程度，即包含特征的多少，包含特征越多，其离散程度越高，对比度越高。目标边缘块的调节参数体现了对比度相对于代表灰度的重要性，当目标边缘块中代表灰度不变时，对比度越大，那么包含特征越多，越重要，更应输出此块内所有像素点的原灰度值，此时调节参数越接近1；反之对比度越小，目标边缘块中像素点包含的特征越少，此时代表灰度起主导效果，后续获取像素点的锐化值时则更关注不同高频边缘块之间的代表灰度差异，此时调节参数越接近0。
根据调节参数获取目标边缘块中每个像素点的锐化参数：
Figure SMS_35
，
其中
Figure SMS_36
为目标边缘块中第/>
Figure SMS_37
个像素点的锐化参数；/>
Figure SMS_38
为目标边缘块的调节参数；
Figure SMS_39
为目标边缘块中第/>
Figure SMS_40
个像素点的灰度值；/>
Figure SMS_41
为将代表灰度和对比度融合之后的值，作为量化后的参考比值，并且削弱代表灰度的占比是为了放大高频边缘块的特征，对比度则可以表示此块内像素点的离散程度，离散程度越大其表示出的特征信息是越多的。
同理，获取每个高频边缘块的每个像素点的锐化参数。
至此，获取了每个像素点的锐化参数。
S003．获取高频边缘块中每个像素点的锐化值，得到边缘锐化图像。
需要说明的是，现有的边缘锐化方法中，直接将边缘像素点的梯度值作为锐化输出值，会导致边缘锐化后的图像整体偏暗，一些微小的边缘非常不明显，造成特征丢失的问题，影响边缘锐化的效果。因此本发明实施例考虑到不同高频边缘块内的灰度分布特征，根据每个高频边缘块的对比度以及代表灰度获取高频边缘块中每个像素点的调节参数，根据调解参数结合不同高频边缘块之间的梯度进行亮化操作，使得边缘锐化图像中不明显的边缘也可清晰显现。
在本发明实施例中，获取每个高频边缘块中每个像素点的锐化值：
Figure SMS_42
，
其中，
Figure SMS_52
为第/>
Figure SMS_44
个高频边缘块中第/>
Figure SMS_47
个像素点的锐化值；/>
Figure SMS_46
为第/>
Figure SMS_48
个高频边缘块中第/>
Figure SMS_51
个像素点的锐化参数；/>
Figure SMS_54
为第/>
Figure SMS_53
个高频边缘块的代表灰度；/>
Figure SMS_55
为第/>
Figure SMS_43
个高频边缘块的第/>
Figure SMS_49
个邻域高频边缘块的代表灰度；/>
Figure SMS_57
为第/>
Figure SMS_62
个高频边缘块的邻域高频边缘块的个数；/>
Figure SMS_64
为第/>
Figure SMS_65
个高频边缘块与其第/>
Figure SMS_56
个邻域高频边缘块的代表灰度的差异，用来表示第/>
Figure SMS_60
个高频边缘块在其第/>
Figure SMS_58
个邻域高频边缘块所在方向上的梯度幅值；/>
Figure SMS_61
为第/>
Figure SMS_45
个高频边缘块与其所有邻域高频边缘块的代表灰度的差异的均值，用来表示第/>
Figure SMS_50
个高频边缘块的梯度幅值；由于高频边缘块中像素点的锐化参数为对像素点的灰度值进行调节而来，与像素点的灰度值存在差异。此时利用锐化参数与第/>
Figure SMS_59
个高频边缘块的梯度幅值相加，进一步增加第/>
Figure SMS_63
个高频边缘块中像素点的锐化值与背景的对比度。
步骤S002中获取的所有背景像素点在遥感影像中局部的灰度变化不大，经过高通滤波后，在高频边缘图像中灰度值几乎一致，对于背景像素点，将背景像素点的梯度幅值作为背景像素点的锐化值。使得后续得到的边缘锐化图中，背景像素点的灰度值几乎都为0，更加突出边缘。
至此，获取了高频边缘图像中所有像素点的锐化值，所有像素点的锐化值构成边缘锐化图像。
至此，获取边缘锐化图像。
S004．根据边缘锐化图像获取矿产资源区域。
遥感影像中不明显的边缘在边缘锐化图像中变得明显，将边缘锐化图像叠加在遥感影像中，使得遥感影像中的边缘变得清晰明显，根据叠加边缘锐化图像后的遥感影像进行矿产区域的识别，可得到完整的矿产区域。
通过以上步骤，完成了矿产资源动态监测。
本发明实施例通过分析不同高频边缘块内的灰度分布特征，根据每个高频边缘块的对比度以及代表灰度获取高频边缘块中每个像素点的调节参数，根据调节参数对高频边缘块中的像素点的灰度值进行调节，得到锐化参数，根据锐化参数结合不同高频边缘块之间的梯度进行亮化操作，使得边缘锐化图像中不明显的边缘也可清晰显现，进而得到准确的矿场资源区域。本发明有效解决了现有技术中边缘锐化图像偏暗导致特征丢失的问题，使得获取的矿产资源区域更加完整，矿车资源动态监测更加准确。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于遥感影像增强的矿产资源动态监测方法，其特征在于，该方法包括以下步骤：
采集遥感影像，根据采集遥感影像获得高频边缘图像；获取高频边缘图像中的边缘，将边缘以外的像素点作为背景像素点；对高频边缘图像中每条边缘进行骨架提取，获取每条边缘的骨架，根据骨架获取所有高频边缘块；
根据高频边缘块中所有像素点的灰度值获取高频边缘块的所有灰度突变值，构成灰度突变序列；根据灰度突变序列中每种灰度突变值的频率，获取高频边缘块的对比度；将高频边缘块中所有像素点的灰度值均值作为高频边缘块的代表灰度；根据高频边缘块的对比度以及代表灰度获取高频边缘块的调节参数；根据调节参数获取高频边缘块中所有像素点的锐化参数；
根据所有高频边缘块以及每个高频边缘块中每个像素点的锐化参数获取每个高频边缘块中每个像素点的锐化值；将背景像素点的梯度幅值作为背景像素点的锐化值；
所有高频边缘块中每个像素点的锐化值以及所有背景像素点的锐化值构成边缘锐化图像；根据边缘锐化图像获取矿产资源区域，实现矿产资源动态监测。
2.根据权利要求1所述的基于遥感影像增强的矿产资源动态监测方法，其特征在于，所述根据骨架获取所有高频边缘块，包括的具体步骤如下：
将骨架上的像素点称为骨架像素点，以第一个骨架像素点为中心，构建滑窗，按照骨架的方向滑动滑窗，将滑窗在滑动过程中覆盖的每个区域作为一个高频边缘块。
3.根据权利要求1所述的基于遥感影像增强的矿产资源动态监测方法，其特征在于，所述根据高频边缘块中所有像素点的灰度值获取高频边缘块的所有灰度突变值，包括的具体步骤如下：
获取高频边缘块中水平相邻的两个像素点之间的灰度值差异的绝对值，作为高频边缘块的一个灰度突变值，根据目标边缘块中所有水平相邻的像素点获取高频边缘块的所有灰度突变值。
4.根据权利要求1所述的基于遥感影像增强的矿产资源动态监测方法，其特征在于，所述根据灰度突变序列中每种灰度突变值的频率，获取高频边缘块的对比度，包括的具体步骤如下：
Figure QLYQS_1
，
其中
Figure QLYQS_2
为高频边缘块的对比度；/>
Figure QLYQS_3
为第/>
Figure QLYQS_4
种灰度突变值的大小；/>
Figure QLYQS_5
为第/>
Figure QLYQS_6
种灰度突变值的频率；n为灰度突变序列中灰度突变值的种类数。
5.根据权利要求1所述的基于遥感影像增强的矿产资源动态监测方法，其特征在于，所述根据高频边缘块的对比度以及代表灰度获取高频边缘块的调节参数，包括的具体步骤如下：
Figure QLYQS_7
，/>
其中
Figure QLYQS_8
为高频边缘块的调节参数；/>
Figure QLYQS_9
为高频边缘块的对比度；/>
Figure QLYQS_10
为高频边缘块的代表灰度。
6.根据权利要求1所述的基于遥感影像增强的矿产资源动态监测方法，其特征在于，所述根据调节参数获取高频边缘块中所有像素点的锐化参数，包括的具体步骤如下：
将高频边缘块的调节参数乘以高频边缘块中每个像素点的灰度值，得到高频边缘块中每个像素点的锐化参数。
7.根据权利要求1所述的基于遥感影像增强的矿产资源动态监测方法，其特征在于，所述根据所有高频边缘块以及每个高频边缘块中每个像素点的锐化参数获取每个高频边缘块中每个像素点的锐化值，包括的具体步骤如下：
Figure QLYQS_11
，
其中，
Figure QLYQS_13
为第/>
Figure QLYQS_19
个高频边缘块中第/>
Figure QLYQS_22
个像素点的锐化值；/>
Figure QLYQS_14
为第/>
Figure QLYQS_17
个高频边缘块中第/>
Figure QLYQS_23
个像素点的锐化参数；/>
Figure QLYQS_24
为第/>
Figure QLYQS_12
个高频边缘块的代表灰度；/>
Figure QLYQS_16
为第/>
Figure QLYQS_20
个高频边缘块的第/>
Figure QLYQS_21
个邻域高频边缘块的代表灰度；/>
Figure QLYQS_15
为第/>
Figure QLYQS_18
个高频边缘块的邻域高频边缘块的个数。
8.根据权利要求1所述的基于遥感影像增强的矿产资源动态监测方法，其特征在于，所述根据边缘锐化图像获取矿产资源区域，包括的具体步骤如下：
将边缘锐化图像叠加在遥感影像中，根据叠加边缘锐化图像后的遥感影像进行矿产区域的识别，得到完整的矿产区域。
CN202310504378.4A 2023-05-08 2023-05-08 基于遥感影像增强的矿产资源动态监测方法 Active CN116228599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310504378.4A CN116228599B (zh) 2023-05-08 2023-05-08 基于遥感影像增强的矿产资源动态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310504378.4A CN116228599B (zh) 2023-05-08 2023-05-08 基于遥感影像增强的矿产资源动态监测方法

Publications (2)

Publication Number Publication Date
CN116228599A true CN116228599A (zh) 2023-06-06
CN116228599B CN116228599B (zh) 2023-07-21

Family

ID=86585842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310504378.4A Active CN116228599B (zh) 2023-05-08 2023-05-08 基于遥感影像增强的矿产资源动态监测方法

Country Status (1)

Country Link
CN (1) CN116228599B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651609A (zh) * 2016-09-27 2017-05-10 云南大学 一种矿产资源开发环境遥感监测辅助信息系统及方法
CN108492260A (zh) * 2018-02-07 2018-09-04 长安大学 基于张量投票耦合霍夫变换的地质线性体提取方法
WO2021217642A1 (zh) * 2020-04-30 2021-11-04 深圳市大疆创新科技有限公司 红外图像处理方法、装置及可移动平台
CN114065364A (zh) * 2022-01-17 2022-02-18 山东省地质测绘院 基于无人机遥感测绘的城市工程规划方法及系统
CN115797798A (zh) * 2023-02-10 2023-03-14 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 基于废弃矿山遥感图像的生态修复效果评估方法
CN115860975A (zh) * 2023-02-15 2023-03-28 南京航天宏图信息技术有限公司 一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651609A (zh) * 2016-09-27 2017-05-10 云南大学 一种矿产资源开发环境遥感监测辅助信息系统及方法
CN108492260A (zh) * 2018-02-07 2018-09-04 长安大学 基于张量投票耦合霍夫变换的地质线性体提取方法
US20210287376A1 (en) * 2018-02-07 2021-09-16 Chang'an University Geological linear body extraction method based on tensor voting coupled with hough transformation
WO2021217642A1 (zh) * 2020-04-30 2021-11-04 深圳市大疆创新科技有限公司 红外图像处理方法、装置及可移动平台
CN114065364A (zh) * 2022-01-17 2022-02-18 山东省地质测绘院 基于无人机遥感测绘的城市工程规划方法及系统
CN115797798A (zh) * 2023-02-10 2023-03-14 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 基于废弃矿山遥感图像的生态修复效果评估方法
CN115860975A (zh) * 2023-02-15 2023-03-28 南京航天宏图信息技术有限公司 一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
SAIF M. ABO KHASHABA，N. H. EL-SHIBINY，，，MOHAMED ZAKI KHEDR: "" Research articleFull text access Application of remote sensing data integration in detecting mineralized granitic zones: A case study of the Gabal Al-Ijlah Al-Hamra, Central Eastern Desert, Egypt"", 《JOURNAL OF AFRICAN EARTH SCIENCES》 *
杨文芳，马世斌，杨明: ""高分辨率遥感数据在矿产资源开发及动态监测中的应用"", 《青海大学学报(自然科学版)》 *
滕秀花;胡文瑜;林志强;: ""一种基于自适应高提升滤波的遥感影像的阴影处理方法"", 《哈尔滨师范大学自然科学学报》, no. 04 *
王志明: ""无参考图像质量评价综述"", 《自动化学报》 *
苑擎;宋洪波;: "高通滤波算法在图像识别装订孔技术的改进与实现", 《价值工程》, no. 09 *
陈瑞瑞;: ""高光谱遥感影像增强算法探究"", 《经纬天地》, no. 06 *

Also Published As

Publication number Publication date
CN116228599B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
Lin et al. Intensity and edge based adaptive unsharp masking filter for color image enhancement
US8068163B2 (en) Optical imaging systems and methods utilizing nonlinear and/or spatially varying image processing
CN110895806A (zh) 屏幕显示缺陷的检测方法及系统
US8339421B2 (en) Image processing apparatus and method and image display apparatus and method
JP4460839B2 (ja) デジタル画像鮮鋭化装置
EP3620989A1 (en) Information processing method, information processing apparatus, and program
US20120189208A1 (en) Image processing apparatus, image processing method, image processing program, and storage medium
CN110796626B (zh) 图像锐化方法及装置
CN115100077B (zh) 一种图像增强方法与装置
CN100367770C (zh) 一种去除视频孤立噪声点的方法
EP1411469A2 (en) Quantifying the sharpness of a digital image
CN115797473A (zh) 一种土建工程用混凝土成型评估方法
CN116664457A (zh) 一种用于增强去噪的图像处理方法
CN113191986B (zh) 一种图像处理方法及装置
CN112233037B (zh) 基于图像分割的图像增强系统及方法
CN116228599B (zh) 基于遥感影像增强的矿产资源动态监测方法
CN110111280A (zh) 一种多尺度梯度域引导滤波的低照度图像增强算法
US20020181798A1 (en) N-dimensional filter and method for n-dimensionally filtering an original image pixel
CN116612048B (zh) 一种光学卫星遥感影像去模糊处理方法及系统
CN112884662A (zh) 基于飞行器航拍图像的三维数字地图图像处理方法
CN116703789A (zh) 一种图像增强方法及系统
CN109584224B (zh) 一种用于对铸件的x射线图像进行分析和显示的方法
Reddy et al. Guided image filtering for image enhancement
CN117422656B (zh) 一种低照度模糊交通图像增强方法、装置、设备及介质
CN116385307B (zh) 画面信息滤波效果鉴定系统

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
GR01 Patent grant
GR01 Patent grant