CN116228804A - 一种基于图像分割的矿产资源识别方法 - Google Patents

一种基于图像分割的矿产资源识别方法 Download PDF

Info

Publication number
CN116228804A
CN116228804A CN202310517289.3A CN202310517289A CN116228804A CN 116228804 A CN116228804 A CN 116228804A CN 202310517289 A CN202310517289 A CN 202310517289A CN 116228804 A CN116228804 A CN 116228804A
Authority
CN
China
Prior art keywords
enhancement
gray value
image
threshold
gray
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
CN202310517289.3A
Other languages
English (en)
Other versions
CN116228804B (zh
Inventor
韩艳超
赵辉绩
王斌斌
崔圆圆
张迪
王燕
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 CN202310517289.3A priority Critical patent/CN116228804B/zh
Publication of CN116228804A publication Critical patent/CN116228804A/zh
Application granted granted Critical
Publication of CN116228804B publication Critical patent/CN116228804B/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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于图像分割的矿产资源识别方法，包括：采集矿产资源遥感影像，根据每个灰度值的匹配像素点获取每个灰度值的分界度，筛选第一分块阈值以及第二分块阈值，根据每个灰度值的分界度获取每个灰度值的权重，构建每个灰度值的修正频率方程式以及所有灰度值的平均修正频率方程式，根据增强条件对修正频率方程式以及平均修正频率方程式进行求解，得到所有满足条件的增强阈值对，获取每个增强阈值对的增强程度，进而获取最优增强图像，根据最优增强图像获取矿产资源区域图像，对矿产资源类别进行识别。本发明通过设置增强阈值防止林业区域的过增强，对矿产资源区域重点增强，使矿产资源类别识别更加准确。

Description

一种基于图像分割的矿产资源识别方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像分割的矿产资源识别方法。
背景技术
矿产资源的开发利用是社会发展的重要物质基础，而目前利用遥感手段进行矿产资源开发调查与监测，已成为快速准确掌握矿产资源开发秩序、矿山地质环境的重要手段。
现有技术通过将获得的遥感影像转换为灰度图像后，使用自适应阈值分割来识别出矿产资源，但由于灰度图像中目标区域的对比度不明显，故分割后导致矿产资源部分造成缺失。若使用全局均衡化算法对图像增强提高对比度时，该算法存在过度增强的问题，使用增强后的图像分割时可能仍旧存在着资源丢失问题。
发明内容
本发明提供一种基于图像分割的矿产资源识别方法，以解决现有的问题。
本发明的一种基于图像分割的矿产资源识别方法采用如下技术方案：
本发明一个实施例提供了一种基于图像分割的矿产资源识别方法，该方法包括以下步骤：
采集矿产资源遥感影像，获取矿产资源遥感影像的灰度直方图；获取矿产资源遥感影像中每个像素点的梯度幅值以及梯度方向；
将灰度直方图中每个灰度值在矿产资源遥感影像中对应的所有像素点作为每个灰度值的匹配像素点，根据每个灰度值的匹配像素点的梯度幅值以及梯度方向获取每个灰度值的分界度；获取分界度最大的两个灰度值，分别作为第一分块阈值以及第二分块阈值；
根据每个灰度值的分界度获取每个灰度值的权重；设置两个未知数：第一增强阈值以及第二增强阈值；根据第一增强阈值、第二增强阈值以及每个灰度值的权重获取每个灰度值的修正频率方程式；获取所有灰度值的平均修正频率方程式；设置增强条件，根据增强条件对修正频率方程式以及平均修正频率方程式进行求解，得到所有满足条件的增强阈值对；
获取每个增强阈值对下每个灰度值的修正频率，根据修正频率获取增强图像；根据每个灰度值的分界度、矿产资源遥感影像以及增强图像获取每个增强阈值对的增强程度；
将增强程度最大的增强阈值对所对应的增强图像作为最优增强图像；根据最优增强图像获取矿产资源区域图像，对矿产资源类别进行识别。
优选的，所述根据每个灰度值的匹配像素点的梯度幅值以及梯度方向获取每个灰度值的分界度，包括的具体步骤如下：
将与像素点的梯度方向垂直的方向作为像素点的边缘方向，若灰度值的一个匹配像素点在另一个匹配像素点的边缘方向上且与另一个匹配像素点相邻，称此两个匹配像素点连续；
获取每个灰度值的分界度：
Figure SMS_1
，
其中
Figure SMS_4
为灰度值/>
Figure SMS_8
的分界度；/>
Figure SMS_11
为灰度值/>
Figure SMS_3
的匹配像素点的个数；/>
Figure SMS_7
为灰度值/>
Figure SMS_12
的第/>
Figure SMS_15
个匹配像素的梯度幅值；/>
Figure SMS_2
为灰度值/>
Figure SMS_6
的第/>
Figure SMS_10
个匹配像素的梯度方向上相邻的像素点的梯度幅值；/>
Figure SMS_13
为与灰度值/>
Figure SMS_5
的第/>
Figure SMS_9
个匹配像素连续的匹配像素点的个数；/>
Figure SMS_14
为以自然常数为底的指数函数。
优选的，所述根据每个灰度值的分界度获取每个灰度值的权重，包括的具体步骤如下：
Figure SMS_16
，
其中，
Figure SMS_18
为灰度值/>
Figure SMS_20
的权重；/>
Figure SMS_22
为灰度值/>
Figure SMS_21
的分界度；/>
Figure SMS_24
为所有灰度值的分界度构成的集合；/>
Figure SMS_25
为最大值函数；/>
Figure SMS_26
是以自然常数为底的指数函数；/>
Figure SMS_17
为灰度值大小；/>
Figure SMS_19
为第一分块阈值；/>
Figure SMS_23
为第二分块阈值。
优选的，所述根据第一增强阈值、第二增强阈值以及每个灰度值的权重获取每个灰度值的修正频率方程式，包括的具体步骤如下：
Figure SMS_27
，
其中
Figure SMS_29
为灰度值/>
Figure SMS_37
的修正频率；/>
Figure SMS_38
为灰度值/>
Figure SMS_30
的权重；/>
Figure SMS_31
为第一增强阈值；/>
Figure SMS_33
为第二增强阈值；/>
Figure SMS_34
为灰度值大小；/>
Figure SMS_28
为灰度值/>
Figure SMS_32
在灰度直方图中的频率；/>
Figure SMS_35
为第一分块阈值；/>
Figure SMS_36
为第二分块阈值。
优选的，所述获取所有灰度值的平均修正频率方程式，包括的具体步骤如下：
Figure SMS_39
，
其中
Figure SMS_40
为所有灰度值的平均修正频率；/>
Figure SMS_41
为灰度值/>
Figure SMS_42
的修正频率。
优选的，所述设置增强条件，包括的具体步骤如下：
增强条件为：第一增强阈值需小于平均修正频率，第二增强阈值需大于平均修正频率。
优选的，所述根据修正频率获取增强图像，包括的具体步骤如下：
将一个增强阈值对下的所有灰度值的修正频率作为纵轴，灰度值作为横轴，构建灰度修正频率直方图，对灰度修正频率直方图进行直方图均衡化，根据均衡化后的直方图得到矿产资源遥感影像的增强图像。
优选的，所述根据每个灰度值的分界度、矿产资源遥感影像以及增强图像获取每个增强阈值对的增强程度，包括的具体步骤如下：
将任意一个增强阈值对作为目标增强阈值对，将目标增强阈值对所对应的增强图像作为目标增强图像；
获取目标增强阈值对的增强程度：
Figure SMS_43
，
其中
Figure SMS_45
为目标增强阈值对的增强程度；/>
Figure SMS_48
为矿产资源遥感影像中灰度值/>
Figure SMS_49
的第/>
Figure SMS_47
个匹配像素的梯度幅值；/>
Figure SMS_51
为矿产资源遥感影像中灰度值/>
Figure SMS_52
的第/>
Figure SMS_54
个匹配像素在目标增强图像中对应的像素点的梯度幅值；/>
Figure SMS_44
为灰度值/>
Figure SMS_53
的分界度；/>
Figure SMS_55
为灰度值/>
Figure SMS_56
的匹配像素点的个数；
Figure SMS_46
为第一分块阈值；/>
Figure SMS_50
为超参数。
优选的，所述根据最优增强图像获取矿产资源区域图像，包括的具体步骤如下：
对最优增强图像进行大津阈值分割，得到二值图像，将二值图像与最优增强图像相乘，得到矿产资源区域图像。
本发明的技术方案的有益效果是：现有的直方图均衡化方法存在过度增强以及部分灰度值被吞噬导致细节丢失问题，对矿产资源遥感影像难以达到好的增强效果，使得矿产资源区域不能被准确分割识别出来。本发明根据矿产资源遥感影像中每个灰度值对应的像素点的梯度幅值和梯度方向获取每个灰度值的分界度，筛选出最可能为林业区域边界以及矿产资源区域边界的灰度值作为第一分块阈值以及第二分块阈值，利用第一分块阈值和第二分块阈值将灰度直方图分块，为不同块设置不同的增强阈值，构建每个灰度值的修正频率方程式以及所有灰度值的平均修正频率方程式，根据增强条件对修正频率方程式以及平均修正频率方程式进行求解，得到所有满足条件的增强阈值对，获取每个增强阈值对的增强程度，进而获取最优增强图像，根据最优增强图像获取矿产资源区域图像，对矿产资源类别进行识别。本发明相较于现有的直方图均衡化方法，增强效果更好，防止了林业区域过度增强导致矿产资源区域的细节丢失，使得矿产资源区域更加显著，细节更加清晰，进一步使得矿产资源类别识别更加准确。
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为本发明的一种基于图像分割的矿产资源识别方法的步骤流程图；
图2为矿产资源遥感影像；
图3为灰度直方图。
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基于图像分割的矿产资源识别方法，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基于图像分割的矿产资源识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像分割的矿产资源识别方法的步骤流程图，该方法包括以下步骤：
S001．采集矿产资源遥感影像。
利用卫星采集可能存在矿产的无人区域的遥感影像，并对采集的遥感影像进行灰度化处理，将得到的图像记为矿产资源遥感影像，参见图2。
至此，获取了矿产资源遥感影像。
S002．获取每个灰度值的分割度，筛选分块阈值。
需要说明的是，矿产资源遥感影像中可能包含了林业区域以及矿产资源区域，林业区域较暗，对应的像素点的灰度值较小，矿产资源区域相对于林业区域较亮，但对比度不明显，因此需要对矿产资源遥感影像进行增强，使得矿产资源区域更加显著，细节更加清晰，便于识别矿产资源。传统的直方图均衡化算法可一定程度上提升图像对比度，但存在灰度值吞噬的现象，若矿产资源遥感影像中林业区域的占比较大，矿产资源区域的占比较小时，会对林业区域过度增强，造成矿产资源区域的部分灰度值丢失，使得矿产资源区域的细节丢失。因此本发明实施例对矿产资源遥感影像的灰度直方图进行分块，为每块设置增强阈值，根据增强阈值对矿产资源区域进行增强，从而防止林业区域过度增强导致矿产资源区域的细节丢失，使得矿产资源区域更加显著，细节更加清晰。
需要进一步说明的是，由于矿产资源区域与林业区域的对比度较小，无法利用大津阈值获取准确的分割阈值，因此本发明实施例结合每个灰度值在矿产资源遥感影像中对应的像素点的分布特征获取每个灰度值的分界度，用来表示灰度值为林业区域与矿产资源区域之间分界线的灰度值的概率。
在本发明实施例中，绘制矿产资源遥感影像的灰度直方图，图2所示的矿产资源遥感影像的灰度直方图参见图3。
将灰度直方图中每个灰度值在矿产资源遥感影像中对应的所有像素点作为每个灰度值的匹配像素点，利用Sobel算子获取矿产资源遥感影像中每个像素点的梯度幅值以及梯度方向。需要说明的是，Sobel算子为公知技术，在本发明实施例中不再详细赘述，在其他实施例中，实施人员也可选择其他的梯度算法。
将与像素点的梯度方向垂直的方向作为像素点的边缘方向，若灰度值的一个匹配像素点在另一个匹配像素点的边缘方向上，且此两个匹配像素点相邻，则称此两个匹配像素点连续。若匹配像素点
Figure SMS_57
与/>
Figure SMS_58
连续，/>
Figure SMS_59
与/>
Figure SMS_60
连续，则认为/>
Figure SMS_61
与/>
Figure SMS_62
也连续。
根据每个灰度值的匹配像素点获取每个灰度值的分界度：
Figure SMS_63
，
其中
Figure SMS_82
为灰度值/>
Figure SMS_87
的分界度；/>
Figure SMS_88
为灰度值/>
Figure SMS_65
的匹配像素点的个数；/>
Figure SMS_74
为灰度值/>
Figure SMS_77
的第/>
Figure SMS_81
个匹配像素的梯度幅值；/>
Figure SMS_67
为灰度值/>
Figure SMS_75
的第/>
Figure SMS_79
个匹配像素的梯度方向上相邻的像素点的梯度幅值；/>
Figure SMS_84
为与灰度值/>
Figure SMS_86
的第/>
Figure SMS_89
个匹配像素连续的匹配像素点的个数；/>
Figure SMS_90
为以自然常数为底的指数函数，当/>
Figure SMS_91
时，灰度值/>
Figure SMS_73
的第/>
Figure SMS_76
个匹配像素的梯度幅值较小，该匹配像素点为矿产资源遥感影像中纹理边缘的可能性较小，当/>
Figure SMS_80
时，灰度值/>
Figure SMS_85
的第/>
Figure SMS_64
个匹配像素的梯度幅值在局部范围内较大，此时若灰度值/>
Figure SMS_68
的第/>
Figure SMS_69
个匹配像素连续的匹配像素点的个数/>
Figure SMS_71
较大时，灰度值/>
Figure SMS_66
的第/>
Figure SMS_70
个匹配像素为矿产资源遥感影像中纹理边缘的可能性较大；若灰度值/>
Figure SMS_72
的所有匹配像素点为矿产资源遥感影像中纹理边缘的可能性较大时，灰度值
Figure SMS_78
越可能为矿产资源遥感影像中不同图像特征的分界灰度值，此时灰度值/>
Figure SMS_83
的分界度越大。
获取分界度最大的两个灰度值，将其中较小的灰度值作为第一分块阈值，将其中较大的灰度值作为第二分块阈值。
至此，获取了分块阈值。
S003．根据分块阈值获取增强阈值对。
需要说明的是，林业区域较暗，对应的像素点的灰度值较小，矿产资源区域相对于林业区域较亮，因此位于灰度直方图左侧（即
Figure SMS_94
区间内）的灰度值大概率为林业区域的灰度值，位于灰度直方图右侧（即/>
Figure SMS_98
区间内）的灰度值大概率为矿产资源区域的灰度值，位于灰度直方图中间（即/>
Figure SMS_100
区间内）的灰度值大概率为林业区域与矿产资源区域交界处的灰度值。本发明实施例的目的是识别矿产资源，因此对林业区域不关注，为了防止后续增强时，林业区域过度增强，挤压矿产资源区域的灰度值，需要为/>
Figure SMS_93
区间内的灰度值设置一个增强阈值，当/>
Figure SMS_95
区间内的灰度值的频率大于增强阈值时，则将灰度值的频率修正为增强阈值，从而限制/>
Figure SMS_96
区间内的灰度值过度增强。本发明实施例重点关注矿产资源区域，为了将矿产资源区域完整分割出来，同时准确识别矿产资源类别，需要重点关注/>
Figure SMS_99
以及/>
Figure SMS_92
区间的灰度值，若矿产资源区域的面积较小时，对应的灰度值的频率较小，在后续进行增强时，可能会存在灰度值吞噬的情况，因此也需要为/>
Figure SMS_97
区间内的灰度值设置一个增强阈值，当/>
Figure SMS_101
区间内的灰度值的频率小于增强阈值时，则将灰度值的频率修正为增强阈值，从而防止/>
Figure SMS_102
区间内的灰度值被吞噬。
在本发明实施例中，假设为
Figure SMS_103
区间内的灰度值设置的增强阈值为/>
Figure SMS_104
，称为第一增强阈值，为/>
Figure SMS_105
区间内的灰度值设置的增强阈值为/>
Figure SMS_106
，称为第二增强阈值。
需要进一步说明的是，每个灰度值的分界度可以一定程度上反应每个灰度值在矿产资源遥感影像中对应的像素点为纹理边界的概率，本发明实施例的目的是增强矿产资源区域与林业区域的对比度，同时使得矿产资源区域内部的纹理细节更加丰富清晰，因此在
Figure SMS_107
区间内，当灰度值的分界度较大时，灰度值可能为林业区域的边界，为了使得林业区域和矿产资源区域区分明显，对于林业区域的边界在增强时需要较为关注，此时对应灰度值的增强权重需较大，而对林业区域其他部分则无需关注，此时对应灰度值的增强权重需较小。同理，在/>
Figure SMS_108
区间内，当灰度值的分界度较大时，可能为矿产资源区域内纹理边缘的灰度值，在增强时需要重点关注，此时对应灰度值的增强权重需较大。因此可结合每个灰度值的分解度为第一增强阈值以及第二增强阈值设置一个权重，从而确保对于分界度较大的灰度值在增强时重点关注。
在本发明实施例中，根据每个灰度值的分界度获取每个灰度值的权重：
Figure SMS_109
，
其中，
Figure SMS_118
为灰度值/>
Figure SMS_112
的权重；/>
Figure SMS_114
为灰度值/>
Figure SMS_113
的分界度；/>
Figure SMS_126
为所有灰度值的分界度构成的集合；/>
Figure SMS_123
为最大值函数，用来获取最大分界度；/>
Figure SMS_125
是以自然常数为底的指数函数；/>
Figure SMS_120
为灰度值大小；/>
Figure SMS_121
为第一分块阈值；/>
Figure SMS_110
为第二分块阈值；当灰度值/>
Figure SMS_115
的分界度较大时，灰度值/>
Figure SMS_119
的权重较大，反之，当灰度值/>
Figure SMS_122
的分界度较小时，灰度值/>
Figure SMS_124
的权重较小；当/>
Figure SMS_127
时，
Figure SMS_111
；当/>
Figure SMS_116
时，/>
Figure SMS_117
。
根据第一增强阈值、第二增强阈值以及每个灰度值的权重对每个灰度值在灰度直方图中对应的频率进行修正：
Figure SMS_128
，
其中
Figure SMS_142
为灰度值/>
Figure SMS_131
的修正频率；/>
Figure SMS_138
为灰度值/>
Figure SMS_132
的权重；/>
Figure SMS_133
为第一增强阈值；/>
Figure SMS_134
为第二增强阈值；/>
Figure SMS_139
为灰度值大小；/>
Figure SMS_137
为灰度值/>
Figure SMS_140
在灰度直方图中的频率；/>
Figure SMS_129
为第一分块阈值；/>
Figure SMS_135
为第二分块阈值；当灰度值/>
Figure SMS_141
时，若灰度值/>
Figure SMS_144
的频率大于/>
Figure SMS_145
时，将其修正为/>
Figure SMS_150
，否则不修正；当灰度值/>
Figure SMS_146
时，若灰度值/>
Figure SMS_151
的频率小于/>
Figure SMS_147
时，将其修正为/>
Figure SMS_148
，否则不修正；当灰度值/>
Figure SMS_130
大于/>
Figure SMS_136
小于/>
Figure SMS_143
时，对灰度值/>
Figure SMS_149
的频率不修正。
根据每个灰度值的修正频率即可得到平均修正频率：
Figure SMS_152
，
其中
Figure SMS_153
为所有灰度值的平均修正频率；/>
Figure SMS_154
为灰度值/>
Figure SMS_155
的修正频率。
需要说明的是，在直方图均衡化过程中，若灰度值的频率小于平均频率，则不会对灰度值进行展宽，若灰度值的频率大于平均频率，则会对灰度值进行展宽，达到增强的效果。为了确保林业区域对应的灰度值不会过度增强，需要使得
Figure SMS_156
，为了确保矿产资源区域的灰度值一定会被增强，需要使得/>
Figure SMS_157
。
在本发明实施例中，根据每个灰度值的修正频率以及平均修正频率获取同时满足
Figure SMS_158
以及/>
Figure SMS_159
的一个/>
Figure SMS_160
与/>
Figure SMS_161
的组合，作为一个增强阈值对。获取所有满足条件的增强阈值对。
至此，获取了所有增强阈值对。
S004．利用不同增强阈值对进行增强，获取最优增强图像。
将任意一个增强阈值对作为目标增强阈值对。利用目标增强阈值对获取每个灰度值修正频率，将所有灰度值的修正频率作为纵轴，灰度值作为横轴，构建灰度修正频率直方图，对灰度修正频率直方图进行直方图均衡化，根据均衡化后的直方图得到矿产资源遥感影像的增强图像，记为目标增强图像。
利用Sobel算子获取目标增强图像中每个像素点的梯度幅值。根据每个灰度值的分界度、矿产资源遥感影像以及目标增强图像中每个像素点的梯度幅值获取目标增强阈值对的增强程度。
获取目标增强阈值对的增强程度：
Figure SMS_162
，
其中
Figure SMS_178
为目标增强阈值对的增强程度，用于对目标增强阈值对的增强效果进行评价；/>
Figure SMS_181
为矿产资源遥感影像中灰度值/>
Figure SMS_183
的第/>
Figure SMS_164
个匹配像素的梯度幅值；/>
Figure SMS_167
为矿产资源遥感影像中灰度值/>
Figure SMS_171
的第/>
Figure SMS_177
个匹配像素在目标增强图像中对应的像素点的梯度幅值；/>
Figure SMS_166
为灰度值/>
Figure SMS_169
的分界度；/>
Figure SMS_172
为灰度值/>
Figure SMS_173
的匹配像素点的个数；/>
Figure SMS_179
为第一分块阈值；/>
Figure SMS_180
为超参数；/>
Figure SMS_182
为矿产资源遥感影像中像素点增强后梯度幅值与增强前的梯度幅值的比值，用来表示像素点的梯度增长程度；当灰度值的分界度越大时，说明该灰度值对应的像素点可能为纹理边界，则在增强后，该灰度值对应的像素点的梯度增长程度越大时，增强效果越好，因此将灰度值的分界度作为该灰度值的每个匹配像素点的一个权重，当灰度值的分界度越大时，越关注该灰度值的匹配像素点的梯度增长程度；/>
Figure SMS_184
范围内的灰度值大概率为林业区域的灰度值，在本发明实施例中无需重点专注林业区域，将/>
Figure SMS_176
作为/>
Figure SMS_185
范围内的灰度值的每个匹配像素点的另一个权重，在本发明实施例中/>
Figure SMS_186
；/>
Figure SMS_187
范围内的灰度值大概率为林业区域与矿产资源区域交界处以及矿产资源区域内部的灰度值，为了获取准确的矿产资源区域以及内部细节信息，需要重点关注/>
Figure SMS_163
范围内的灰度值的每个匹配像素点的增强效果，因此将/>
Figure SMS_168
作为/>
Figure SMS_170
范围内的灰度值的每个匹配像素点的另一个权重，在本发明实施例中/>
Figure SMS_174
，在其他实施例中，实施人员可根据实际实施情况设置超参数/>
Figure SMS_165
的值；当
Figure SMS_175
范围内的灰度值的每个匹配像素点的梯度增长程度越大时，矿产资源区域的增强效果越好；矿产资源区域的增强效果以及纹理边界的增强效果越好，目标增强阈值对的增强程度越大，反之则越小。
同理，获取所有增强阈值对的增强程度，将增强程度最大的增强阈值对作为最优增强阈值对，将最优增强阈值对所对应的增强图像作为最优增强图像。
至此，获取了最优增强图像。
S005．根据最优增强图像识别矿产资源。
对最优增强图像进行大津阈值分割，将灰度值大于阈值的像素点标为1，将灰度值小于阈值的像素点标为0，得到二值图像，将二值图像作为最优增强图像的遮罩，与最优增强图像相乘，得到矿产资源区域图像。
本发明实施例利用DNN网络进行矿产资源区域图像中矿产资源类别的识别。网络具体内容如下：网络采用Encoder-Decoder的形式，先对矿产资源区域图像进行编码，而后进行解码；网络的输入为矿产资源区域图像，输出为包围框中心点、回归出的包围框长宽高尺寸、矿产资源类别；网络的训练所用数据集为包含所有矿产资源类别的矿产资源区域图像数据集；矿产资源区域图像的标签为矿产资源类别、矿产资源对应的包围框，包括包围框中心点坐标和包围框的长宽高尺寸；loss损失函数为均方差损失函数。
需要说明的是，最优增强图像中林业区域与矿产资源区域对比明显，利用大津阈值分割可将矿产资源区域完整的分割出来，得到的矿产资源区域图像内部细节纹理清晰丰富，利用DNN网络对矿产资源区域图像进行处理相较于对矿产资源遥感影像进行处理，排除了林业区域的干扰，计算量更少，网络收敛速度更快，识别的矿产资源类别更加准确。
通过以上步骤，完成了矿产资源的识别。
本发明实施例根据矿产资源遥感影像中每个灰度值对应的像素点的梯度幅值和梯度方向获取每个灰度值的分界度，筛选出最可能为林业区域边界以及矿产资源区域边界的灰度值作为第一分块阈值以及第二分块阈值，利用第一分块阈值和第二分块阈值将灰度直方图分块，为不同块设置不同的增强阈值，构建每个灰度值的修正频率方程式以及所有灰度值的平均修正频率方程式，根据增强条件对修正频率方程式以及平均修正频率方程式进行求解，得到所有满足条件的增强阈值对，获取每个增强阈值对的增强程度，进而获取最优增强图像，根据最优增强图像获取矿产资源区域图像，对矿产资源类别进行识别。本发明相较于现有的直方图均衡化方法，增强效果更好，防止了林业区域过度增强导致矿产资源区域的细节丢失，使得矿产资源区域更加显著，细节更加清晰，进一步使得矿产资源类别识别更加准确。
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 (9)

1.一种基于图像分割的矿产资源识别方法，其特征在于，该方法包括以下步骤：
采集矿产资源遥感影像，获取矿产资源遥感影像的灰度直方图；获取矿产资源遥感影像中每个像素点的梯度幅值以及梯度方向；
将灰度直方图中每个灰度值在矿产资源遥感影像中对应的所有像素点作为每个灰度值的匹配像素点，根据每个灰度值的匹配像素点的梯度幅值以及梯度方向获取每个灰度值的分界度；获取分界度最大的两个灰度值，分别作为第一分块阈值以及第二分块阈值；
根据每个灰度值的分界度获取每个灰度值的权重；设置两个未知数：第一增强阈值以及第二增强阈值；根据第一增强阈值、第二增强阈值以及每个灰度值的权重获取每个灰度值的修正频率方程式；获取所有灰度值的平均修正频率方程式；设置增强条件，根据增强条件对修正频率方程式以及平均修正频率方程式进行求解，得到所有满足条件的增强阈值对；
获取每个增强阈值对下每个灰度值的修正频率，根据修正频率获取增强图像；根据每个灰度值的分界度、矿产资源遥感影像以及增强图像获取每个增强阈值对的增强程度；
将增强程度最大的增强阈值对所对应的增强图像作为最优增强图像；根据最优增强图像获取矿产资源区域图像，对矿产资源类别进行识别。
2.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述根据每个灰度值的匹配像素点的梯度幅值以及梯度方向获取每个灰度值的分界度，包括的具体步骤如下：
将与像素点的梯度方向垂直的方向作为像素点的边缘方向，若灰度值的一个匹配像素点在另一个匹配像素点的边缘方向上且与另一个匹配像素点相邻，称此两个匹配像素点连续；
获取每个灰度值的分界度：
Figure QLYQS_1
，
其中
Figure QLYQS_3
为灰度值/>
Figure QLYQS_8
的分界度；/>
Figure QLYQS_11
为灰度值/>
Figure QLYQS_4
的匹配像素点的个数；/>
Figure QLYQS_6
为灰度值/>
Figure QLYQS_10
的第/>
Figure QLYQS_13
个匹配像素的梯度幅值；/>
Figure QLYQS_2
为灰度值/>
Figure QLYQS_7
的第/>
Figure QLYQS_9
个匹配像素的梯度方向上相邻的像素点的梯度幅值；/>
Figure QLYQS_14
为与灰度值/>
Figure QLYQS_5
的第/>
Figure QLYQS_12
个匹配像素连续的匹配像素点的个数；/>
Figure QLYQS_15
为以自然常数为底的指数函数。
3.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述根据每个灰度值的分界度获取每个灰度值的权重，包括的具体步骤如下：
Figure QLYQS_16
，
其中，
Figure QLYQS_19
为灰度值/>
Figure QLYQS_25
的权重；/>
Figure QLYQS_26
为灰度值/>
Figure QLYQS_18
的分界度；/>
Figure QLYQS_20
为所有灰度值的分界度构成的集合；/>
Figure QLYQS_21
为最大值函数；/>
Figure QLYQS_24
是以自然常数为底的指数函数；/>
Figure QLYQS_17
为灰度值大小；/>
Figure QLYQS_22
为第一分块阈值；/>
Figure QLYQS_23
为第二分块阈值。/>
4.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述根据第一增强阈值、第二增强阈值以及每个灰度值的权重获取每个灰度值的修正频率方程式，包括的具体步骤如下：
Figure QLYQS_27
，
其中
Figure QLYQS_29
为灰度值/>
Figure QLYQS_34
的修正频率；/>
Figure QLYQS_36
为灰度值/>
Figure QLYQS_30
的权重；/>
Figure QLYQS_35
为第一增强阈值；/>
Figure QLYQS_37
为第二增强阈值；/>
Figure QLYQS_38
为灰度值大小；/>
Figure QLYQS_28
为灰度值/>
Figure QLYQS_31
在灰度直方图中的频率；/>
Figure QLYQS_32
为第一分块阈值；/>
Figure QLYQS_33
为第二分块阈值。
5.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述获取所有灰度值的平均修正频率方程式，包括的具体步骤如下：
Figure QLYQS_39
，
其中
Figure QLYQS_40
为所有灰度值的平均修正频率；/>
Figure QLYQS_41
为灰度值/>
Figure QLYQS_42
的修正频率。
6.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述设置增强条件，包括的具体步骤如下：
增强条件为：第一增强阈值需小于平均修正频率，第二增强阈值需大于平均修正频率。
7.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述根据修正频率获取增强图像，包括的具体步骤如下：
将一个增强阈值对下的所有灰度值的修正频率作为纵轴，灰度值作为横轴，构建灰度修正频率直方图，对灰度修正频率直方图进行直方图均衡化，根据均衡化后的直方图得到矿产资源遥感影像的增强图像。
8.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述根据每个灰度值的分界度、矿产资源遥感影像以及增强图像获取每个增强阈值对的增强程度，包括的具体步骤如下：
将任意一个增强阈值对作为目标增强阈值对，将目标增强阈值对所对应的增强图像作为目标增强图像；
获取目标增强阈值对的增强程度：
Figure QLYQS_43
，
其中
Figure QLYQS_44
为目标增强阈值对的增强程度；/>
Figure QLYQS_48
为矿产资源遥感影像中灰度值/>
Figure QLYQS_49
的第/>
Figure QLYQS_47
个匹配像素的梯度幅值；/>
Figure QLYQS_50
为矿产资源遥感影像中灰度值/>
Figure QLYQS_51
的第/>
Figure QLYQS_52
个匹配像素在目标增强图像中对应的像素点的梯度幅值；/>
Figure QLYQS_46
为灰度值/>
Figure QLYQS_53
的分界度；/>
Figure QLYQS_54
为灰度值/>
Figure QLYQS_55
的匹配像素点的个数；/>
Figure QLYQS_45
为第一分块阈值；/>
Figure QLYQS_56
为超参数。
9.根据权利要求1所述的一种基于图像分割的矿产资源识别方法，其特征在于，所述根据最优增强图像获取矿产资源区域图像，包括的具体步骤如下：
对最优增强图像进行大津阈值分割，得到二值图像，将二值图像与最优增强图像相乘，得到矿产资源区域图像。
CN202310517289.3A 2023-05-10 2023-05-10 一种基于图像分割的矿产资源识别方法 Active CN116228804B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310517289.3A CN116228804B (zh) 2023-05-10 2023-05-10 一种基于图像分割的矿产资源识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310517289.3A CN116228804B (zh) 2023-05-10 2023-05-10 一种基于图像分割的矿产资源识别方法

Publications (2)

Publication Number Publication Date
CN116228804A true CN116228804A (zh) 2023-06-06
CN116228804B CN116228804B (zh) 2023-07-18

Family

ID=86569991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310517289.3A Active CN116228804B (zh) 2023-05-10 2023-05-10 一种基于图像分割的矿产资源识别方法

Country Status (1)

Country Link
CN (1) CN116228804B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437277A (zh) * 2023-12-18 2024-01-23 聊城市至诚蔬果有限公司 一种果蔬脱水液面检测方法及装置
CN117635718A (zh) * 2024-01-24 2024-03-01 泰安万川电器设备有限公司 一种基于图像增强的弱光环境下矿车定位方法及系统
CN117952974A (zh) * 2024-03-26 2024-04-30 天津市第五中心医院 用于类器官识别的图像处理方法
CN117952974B (zh) * 2024-03-26 2024-06-04 天津市第五中心医院 用于类器官识别的图像处理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8406554B1 (en) * 2009-12-02 2013-03-26 Jadavpur University Image binarization based on grey membership parameters of pixels
CN103871029A (zh) * 2014-01-28 2014-06-18 西安科技大学 一种图像增强及分割方法
CN103942557A (zh) * 2014-01-28 2014-07-23 西安科技大学 一种煤矿井下图像预处理方法
CN111145114A (zh) * 2019-12-19 2020-05-12 腾讯科技（深圳）有限公司 一种图像增强的方法、装置及计算机可读存储介质
CN114240989A (zh) * 2021-11-30 2022-03-25 中国工商银行股份有限公司 图像分割方法、装置、电子设备及计算机存储介质
CN115082481A (zh) * 2022-08-23 2022-09-20 聊城市誉林工业设计有限公司 一种用于齿轮的图像增强方法
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8406554B1 (en) * 2009-12-02 2013-03-26 Jadavpur University Image binarization based on grey membership parameters of pixels
CN103871029A (zh) * 2014-01-28 2014-06-18 西安科技大学 一种图像增强及分割方法
CN103942557A (zh) * 2014-01-28 2014-07-23 西安科技大学 一种煤矿井下图像预处理方法
CN111145114A (zh) * 2019-12-19 2020-05-12 腾讯科技（深圳）有限公司 一种图像增强的方法、装置及计算机可读存储介质
CN114240989A (zh) * 2021-11-30 2022-03-25 中国工商银行股份有限公司 图像分割方法、装置、电子设备及计算机存储介质
CN115082481A (zh) * 2022-08-23 2022-09-20 聊城市誉林工业设计有限公司 一种用于齿轮的图像增强方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RAJNI SETHI等: "Local Enhancement of SLIC Segmented Underwater Image using Gray World based Algorithm", 《2017 NINTH INTERNATIONAL CONFERENCE ON ADVANCES IN PATTERN RECOGNITION（ICAPR）》, pages 1 - 6 *
张铭钧;尚云超;杨杰;: "基于灰度-梯度不变矩的水下目标识别系统", 哈尔滨工程大学学报, no. 06, pages 653 - 657 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437277A (zh) * 2023-12-18 2024-01-23 聊城市至诚蔬果有限公司 一种果蔬脱水液面检测方法及装置
CN117437277B (zh) * 2023-12-18 2024-03-12 聊城市至诚蔬果有限公司 一种果蔬脱水液面检测方法及装置
CN117635718A (zh) * 2024-01-24 2024-03-01 泰安万川电器设备有限公司 一种基于图像增强的弱光环境下矿车定位方法及系统
CN117635718B (zh) * 2024-01-24 2024-04-26 泰安万川电器设备有限公司 一种基于图像增强的弱光环境下矿车定位方法及系统
CN117952974A (zh) * 2024-03-26 2024-04-30 天津市第五中心医院 用于类器官识别的图像处理方法
CN117952974B (zh) * 2024-03-26 2024-06-04 天津市第五中心医院 用于类器官识别的图像处理方法

Also Published As

Publication number Publication date
CN116228804B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN116228804B (zh) 一种基于图像分割的矿产资源识别方法
CN115861135B (zh) 一种应用于箱体全景探测的图像增强及识别方法
CN108876743B (zh) 一种图像快速去雾方法、系统、终端及存储介质
US11790499B2 (en) Certificate image extraction method and terminal device
CN110009653A (zh) 基于灰度阈值分割法增加边缘识别点准确图像识别的方法
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN116310882B (zh) 基于高分辨率遥感影像的林业信息识别方法
CN117218029B (zh) 基于神经网络的夜间暗光图像智能处理方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN107945122A (zh) 基于自适应直方图分段的红外图像增强方法及系统
CN116091455A (zh) 基于机器视觉的钢网表面缺陷判定方法
CN115330645A (zh) 一种焊接图像增强方法
CN112508849A (zh) 数字图像拼接检测方法及装置
CN117422712A (zh) 基于图像滤波处理的塑料母粒视觉检测方法及系统
CN116934761B (zh) 一种乳胶手套缺陷自适应检测方法
CN116580220B (zh) 一种数字政府平台数据优化传输方法及系统
CN115880181A (zh) 一种增强图像对比度的方法、装置及终端
CN106204463A (zh) 一种岩心扫描图像的处理方法
CN115187545A (zh) 高空间分辨率遥感图像的处理方法、系统及存储介质
CN110717875B (zh) 一种高清图像处理方法
CN116228606B (zh) 一种基于大数据的图像优化处理系统
CN112085683A (zh) 一种显著性检测中的深度图可信度检测方法
CN105938556B (zh) 基于水流法的宽线检测方法
CN117635507B (zh) 一种塑胶颗粒在线视觉检测方法及系统
CN116740056B (zh) 用于整芯高花纹输送带涂覆层的缺陷检测方法

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