CN116310882B - 基于高分辨率遥感影像的林业信息识别方法 - Google Patents
基于高分辨率遥感影像的林业信息识别方法 Download PDFInfo
- Publication number
- CN116310882B CN116310882B CN202310546724.5A CN202310546724A CN116310882B CN 116310882 B CN116310882 B CN 116310882B CN 202310546724 A CN202310546724 A CN 202310546724A CN 116310882 B CN116310882 B CN 116310882B
- Authority
- CN
- China
- Prior art keywords
- enhancement
- forestry
- gray value
- boundary
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000008901 benefit Effects 0.000 claims abstract description 39
- 238000012937 correction Methods 0.000 claims abstract description 31
- 239000000203 mixture Substances 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 13
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20112—Image segmentation details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于高分辨率遥感影像的林业信息识别方法,包括:采集林业遥感影像,对林业遥感影像的灰度直方图进行高斯混合模型拟合,得到子高斯模型,进而获取待选边界灰度值,根据待选边界灰度值的频率以及子高斯模型获取待选边界灰度值的拟合度,进一步得到候选区间,根据候选区间获取多个增强区间,根据拟合度获取增强区间中灰度值的修正频率,进而得到增强图像,获取增强图像中的林业像素点,根据林业像素点得到增强区间的增强优势,进而得到候选增强区间,根据候选增强区间的细节丢失程度获取最佳增强图像,进一步识别林业信息。本发明增强了林业区域的细节,使得获得的林业信息更加准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于高分辨率遥感影像的林业信息识别方法。
背景技术
随着卫星技术的成熟,目前通常通过卫星获取遥感影像,根据遥感影像识别林业信息。为了识别遥感影像中林业信息,需要对遥感影像进行增强。传统的直方图均衡化方法对遥感影像进行全局增强,当遥感影像中山脉区域较大时,会使得山脉区域过度增强,造成林业区域的灰度值被挤压吞噬,使得林业区域的细节丢失,对林业信息的识别准确性造成影响。
发明内容
本发明提供基于高分辨率遥感影像的林业信息识别方法,以解决现有的问题。
本发明的基于高分辨率遥感影像的林业信息识别方法采用如下技术方案:
本发明一个实施例提供了基于高分辨率遥感影像的林业信息识别方法,该方法包括以下步骤:
采集林业遥感影像,绘制林业遥感影像的灰度直方图,对灰度直方图进行一维高斯混合模型拟合,得到子高斯模型;
根据子高斯模型的均值参数获取所有待选边界灰度值;根据待选边界灰度值的频率以及子高斯模型获取待选边界灰度值的拟合度;根据子高斯模型的均值参数以及每个待选边界灰度值的拟合度获取候选区间;
将候选区间中每个灰度值分别作为一个分界点,根据所有分界点得到多个增强区间;
根据增强区间中待选边界灰度值的拟合度以及频率获取增强区间中每个灰度值的修正频率;利用增强区间中每个灰度值的修正频率构建修正直方图,对修正直方图进行直方图均衡化,得到增强区间对应的增强图像;
获取增强区间对应的增强图像中的林业像素点,根据林业遥感图像以及增强图像中的林业像素点获取增强区间的增强优势;
根据所有增强区间的增强优势进行聚类获取所有候选增强区间;获取候选增强区间的细节丢失程度,将所有候选增强区间中细节丢失程度最小的候选增强区间对应的增强图像作为最佳增强图像;
根据最佳增强图像识别林业树木种类及生长区域。
优选的,所述根据子高斯模型的均值参数获取所有待选边界灰度值,包括的具体步骤如下:
将第一个子高斯模型的均值参数记为,将第二个子高斯模型的均值参数记为,将/>范围内每个灰度值作为待选边界灰度值。
优选的,所述根据待选边界灰度值的频率以及子高斯模型获取待选边界灰度值的拟合度,包括的具体步骤如下:
其中为第/>个待选边界灰度值的拟合度;/>为第/>个待选边界灰度值在灰度直方图中对应的频率;/>为第/>个待选边界灰度值在第一个子高斯模型下的概率密度值;/>为第/>个待选边界灰度值在第二个子高斯模型下的概率密度值;/>为最大值函数;为以自然常数为底的指数模型,/>为绝对值符号。
优选的,所述根据子高斯模型的均值参数以及每个待选边界灰度值的拟合度获取候选区间,包括的具体步骤如下:
获取两个子高斯模型的曲线的交点的横坐标,用表示;将/>范围内每个灰度值作为待选左边界灰度值,将/>范围内每个灰度值作为待选右边界灰度值,其中/>为第一个子高斯模型的均值参数,/>为第二个子高斯模型的均值参数;获取所有待选左边界灰度值中拟合度最大的待选左边界灰度值,作为左边界灰度值,记为/>;获取所有待选右边界灰度值中拟合度最小的待选右边界灰度值,作为右边界灰度值,记为/>;将/>作为候选区间。
优选的,所述根据所有分界点得到多个增强区间,包括的具体步骤如下:
以0作为增强区间的左边界,以每个分界点分别作为增强区间的右边界,得到多个增强区间。
优选的,所述根据增强区间中待选边界灰度值的拟合度以及频率获取增强区间中每个灰度值的修正频率,包括的具体步骤如下:
将任意一个增强区间作为目标增强区间,获取目标增强区间内每个灰度值的修正频率:
其中为目标增强区间中第/>个灰度值的修正频率;/>为目标增强区间中第/>个灰度值在灰度直方图中对应的频率;/>为目标增强区间中第/>个灰度值的大小;/>为第一个子高斯模型的均值参数;/>为第二个子高斯模型的均值参数;/>为目标增强区间中第/>个灰度值的拟合度;/>为以自然常数为底的指数模型。
优选的,所述获取增强区间对应的增强图像中的林业像素点,包括的具体步骤如下:
对增强区间对应的增强图像进行阈值分割,得到增强区间对应的二值图像,对二值图像进行开运算,将开运算之后的二值图像中的黑色像素点在增强图像中对应位置的像素点作为林业像素点。
优选的,所述根据林业遥感图像以及增强图像中的林业像素点获取增强区间的增强优势,包括的具体步骤如下:
获取增强图像中每个林业像素点的梯度幅值,根据梯度幅值获取增强区间的增强优势:
其中为第/>个增强区间的增强优势;/>为第/>个增强区间对应的增强图像中林业像素点个数;/>为第/>个增强区间对应的增强图像中第/>个林业像素点的梯度幅值;为第/>个增强区间对应的增强图像中第/>个林业像素点在林业遥感影像中对应的像素点的梯度幅值。
优选的,所述根据所有增强区间的增强优势进行聚类获取所有候选增强区间,包括的具体步骤如下:
对所有增强区间的增强优势进行聚类,将所有增强区间的增强优势聚为两类,将每个类别中所有增强优势的均值作为每个类别的增强优势,将增强优势大的类别中所有增强优势对应的增强区间分别作为候选增强区间。
优选的,所述获取候选增强区间的细节丢失程度,包括的具体步骤如下:
对候选增强区间对应的二值图像进行连通域分析,得到多个连通域,获取所有多连通域中所有孔洞包含的像素点的个数,作为候选增强区间的细节丢失程度。
本发明的技术方案的有益效果是:本发明对林业遥感影像的灰度直方图进行高斯混合模型拟合,得到子高斯模型,进而获取待选边界灰度值,根据待选边界灰度值的频率以及子高斯模型获取待选边界灰度值的拟合度,进一步得到候选区间,根据候选区间获取多个增强区间,根据拟合度获取增强区间中灰度值的修正频率,使得可能属于林业区域以及山脉区域两个特征的像素点的频率增大,达到重点增强的效果,从而使得增强图像中林业区域和山脉区域的对比度增大,根据增强图像获得的林业信息更加准确;本发明获取增强图像中的林业像素点,根据林业像素点得到增强区间的增强优势,进而得到候选增强区间,根据候选增强区间的细节丢失程度获取最佳增强图像,避免了过度增强导致林业区域细节丢失,使得根据最佳增强图像识别的林业树木种类以及生长范围更加准确。
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为本发明的基于高分辨率遥感影像的林业信息识别方法的步骤流程图。
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基于高分辨率遥感影像的林业信息识别方法,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基于高分辨率遥感影像的林业信息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基于高分辨率遥感影像的林业信息识别方法的步骤流程图,该方法包括以下步骤:
S001.采集林业遥感影像。
利用卫星采集包含林业的遥感影像,为了便于后续处理,对遥感影像进行灰度化处理,得到灰度图像,记为林业遥感影像。
S002.获取增强区间。
需要说明的是,林业遥感影像中包含林业区域和山脉区域,为了识别遥感影像中林业信息,需要对遥感影像进行增强。传统的直方图均衡化方法对遥感影像进行全局增强,当遥感影像中山脉区域较大时,会使得山脉区域过度增强,造成林业区域的灰度值被挤压吞噬,使得林业区域的细节丢失,对林业信息的识别准确性造成影响。本发明实施例的目的是识别林业遥感影像中的林业信息,即识别林业树木种类及生长区域,因此需要对林业区域和山脉区域进行区分,对林业区域进行增强。
在本发明实施例中,获取[0,255]范围内每个灰度值在林业遥感影像中出现的频率,以灰度值为横轴、频率为纵轴绘制林业遥感影像的灰度直方图。以灰度直方图中所有灰度值和灰度值对应的频率为样本数据,根据此些样本数据利用EM算法拟合一维高斯混合模型,在本发明实施例中,高斯混合模型中子高斯模型的个数为2。
需要说明的是,林业区域较暗,对应像素点的灰度值较小,而山脉区域相对于林业区域较亮,对应像素点的灰度值较大。因此拟合的混合高斯模型中,第一个子高斯模型表示林业区域灰度的分布,第二子高斯模型表示山脉区域灰度的分布。为了准确识别林业区域中林业树木种类及生长区域,需要对林业区域进行增强,因此需要先获取林业区域对应的灰度区间。若直接选取灰度直方图中两个子高斯模型交点对应的灰度值左侧的区间作为林业区域对应的灰度区间,得到的结果准确度较差,获取的灰度区间中可能包含了部分不属于林业区域的灰度,也可能使得部分属于林业区域的灰度丢失。子高斯模型呈现倒扣的钟形,第一个子高斯模型峰值左侧的灰度较暗,大概率为林业区域,第二个子高斯模型峰值右侧的灰度较亮,大概率为山脉区域。第一个子高斯模型峰值与第二个子高斯模型峰值之间的灰度值对应的像素点可能属于林业区域也可能属于山脉区域,因此本发明实施例对第一个子高斯模型峰值与第二个子高斯模型峰值之间的灰度值的拟合度进行判断,从而获取可能为林业区域和山脉区域的分界灰度值,构成候选区间,以便后续根据候选区间中每个分界点获取增强区间,进行增强。
在本发明实施例中,将第一个子高斯模型的均值参数记为,将第二个子高斯模型的均值参数记为/>,获取两个子高斯模型的曲线的交点的横坐标,用/>表示。将/>范围内每个灰度值作为待选边界灰度值,将/>作为待选左边界区间,将/>范围内每个灰度值作为待选左边界灰度值,将/>作为待选右边界区间,将/>范围内每个灰度值作为待选右边界灰度值。
获取每个待选边界灰度值的拟合度:
其中为第/>个待选边界灰度值的拟合度;/>为第/>个待选边界灰度值在灰度直方图中对应的频率;/>为第/>个待选边界灰度值在第1个子高斯模型下的概率密度值;/>为第/>个待选边界灰度值在第2个子高斯模型下的概率密度值;/>为最大值函数;为以自然常数为底的指数模型;/>为绝对值符号;/>表示在/>和/>中选最大值,用于获取第/>个待选边界灰度值拟合的最大概率密度值;表示在/>和/>中选最大值,用于对进行归一化;当第/>个待选边界灰度值在灰度直方图中对应的频率与第/>个待选边界灰度值拟合的最大概率密度值越接近时,说明第/>个待选边界灰度值拟合的最大概率密度值对应的子高斯模型对第/>个待选边界灰度值拟合的越好,第/>个待选边界灰度值在林业遥感影像中对应的所有像素点大概率都属于第/>个待选边界灰度值拟合的最大概率密度值对应的子高斯模型对应的特征,此时第/>个待选边界灰度值的拟合度越大;当第/>个待选边界灰度值在灰度直方图中对应的频率与第/>个待选边界灰度值拟合的最大概率密度值的差异越大时,说明第/>个待选边界灰度值拟合的最大概率密度值对应的子高斯模型对第/>个待选边界灰度值拟合的越差,第/>个待选边界灰度值在林业遥感影像中对应的所有像素点不一定都属于第/>个待选边界灰度值拟合的最大概率密度值对应的子高斯模型对应的特征,还可能属于另一个子高斯模型对应的特征,此时第/>个待选边界灰度值的拟合度越小。
需要说明的是,对于待选左边界区间中的每个灰度值,若其拟合度较大,则灰度值大概率属于林业区域,若其拟合度较小,则灰度值对应的像素点可能属于林业区域以及山脉区域,为了筛选出可能为林业区域和山脉区域的分界灰度值,则需要选择中拟合度最大的灰度值作为左边界灰度值。对于待选右边界区间/>中的每个灰度值,若其拟合度较大,则灰度值大概率属于山脉区域,若其拟合度较小,则灰度值对应的像素点可能属于林业区域以及山脉区域,拟合度越小,灰度值对应的像素点属于林业区域的个数越多,此时以/>中拟合度最小的像素点作为右边界灰度值时,左边界灰度值和右边界灰度值之间的灰度值对应的像素点属于林业区域的个数越多,林业区域和山脉区域的分界灰度值越可能位于左边界灰度值和右边界灰度值之间,此时根据左边界灰度值和右边界灰度值获取的增强区间越可能为林业区域,后续得到的增强效果越好。
在本发明实施例中,获取所有待选左边界灰度值中拟合度最大的待选左边界灰度值,作为左边界灰度值,记为。获取所有待选右边界灰度值中拟合度最小的待选右边界灰度值,作为右边界灰度值,记为/>。将/>作为候选区间,将候选区间/>中每个灰度值分别作为一个分界点,以0作为增强区间的左边界,以每个分界点分别作为增强区间的右边界,得到多个增强区间。例如当以第/>个分界点/>作为增强区间的右边界时,得到的增强区间为/>。
至此,获取了所有增强区间。
S003.对每个增强区间进行自适应增强。
需要说明的是,直方图均衡化方法对于频率较大的灰度值增强效果较好,对于频率较小的灰度值增强效果较差,甚至可能存在频率较小的灰度值被吞噬的情况,导致频率较小的灰度值对应的特征增强后丢失。而林业区域和山脉区域的分界灰度值对应的频率可能较小,直接对增强区间进行直方图均衡化,可能会导致分界灰度值丢失,因此本发明实施例结合步骤S002获取的拟合度对增强区间中每个灰度值的频率进行修正,使得可能属于林业区域以及山脉区域两个特征的像素点的频率增大,达到重点增强的效果,从而使得林业区域和山脉区域的对比度增大,后续获得的林业信息更加准确。
在本发明实施例中,将任意一个增强区间作为目标增强区间,获取目标增强区间内每个灰度值的修正频率:
其中为目标增强区间中第/>个灰度值的修正频率;/>为目标增强区间中第/>个灰度值在灰度直方图中对应的频率,即修正前的频率;/>为目标增强区间中第/>个灰度值的大小;/>为第一个子高斯模型的均值参数;/>为第二个子高斯模型的均值参数;/>为目标增强区间中第/>个灰度值的拟合度;/>为以自然常数为底的指数模型;当目标增强区间中第/>个灰度值位于/>范围外时,目标增强区间中第/>个灰度值对应的所有像素点都为林业区域的像素点,此时不对目标增强区间中第/>个灰度值进行修正,即目标增强区间中第/>个灰度值的修正频率与修正前的频率相等;当目标增强区间中第/>个灰度值位于/>范围内时,目标增强区间中第/>个灰度值对应的所有像素点可能为林业区域的像素点,也可能为山脉区域的像素点,此时需要对目标增强区间中第/>个灰度值进行重点增强,以便增强林业区域和山脉区域的对比度,使得林业区域更加明显,因此结合拟合度对目标增强区间中第/>个灰度值的频率进行修正,当拟合度越小时,目标增强区间中第/>个灰度值对应的所有像素点可能属于两个特征区域,越需要重点增强,此时修正程度越大,修正频率与修正前的频率差异更大。当拟合度越大时,目标增强区间中第/>个灰度值对应的所有像素点可能属于一个特征区域,越不需要重点增强,此时修正程度越小,修正频率与修正前的频率差异小。
利用目标增强区间中每个灰度值的修正频率构建修正直方图,对修正直方图进行直方图均衡化,得到目标增强区间对应的增强图像。
同理,获取每个增强区间对应的增强图像。
至此,实现了对每个增强区间进行自适应增强,得到每个增强区间对应的增强图像。
S004.获取最佳增强图像。
需要说明的是,当林业区域增强前后的平均梯度变化程度较大时,说明此时林业区域增强效果较好,对应的增强区间则更好。
在本发明实施例中,利用大津阈值分割对每个增强区间对应的增强图像进行阈值分割,得到每个增强区间对应的二值图像,每个二值图像中黑色的部分为前景,白色的部分为背景,在噪声的影响下,二值图像中存在孤立的黑色像素点,因此对二值图像进行开运算,消除二值图像中孤立的黑色像素点,将进行开运算之后的二值图像中黑色像素点在增强图像中对应位置的像素点作为林业像素点。
利用Sobel算子获取林业遥感影像中所有像素点的梯度幅值以及每个增强图像中每个林业像素点的梯度幅值,根据梯度幅值获取每个增强区间的增强优势:
其中为第/>个增强区间的增强优势;/>为第/>个增强区间对应的增强图像中林业像素点个数;/>为第/>个增强区间对应的增强图像中第/>个林业像素点的梯度幅值;为第/>个增强区间对应的增强图像中第/>个林业像素点在林业遥感影像中对应的像素点的梯度幅值;/>为第/>个增强区间对应的增强图像中第/>个林业像素点在根据第/>个增强区间进行增强前后的梯度幅值比值,当比值越大,说明该像素点的增强优势越大,增强效果越好;反之,比值越小,说明该像素点的增强优势越小,增强效果越差。
对所有增强区间的增强优势进行聚类,将所有增强区间的增强优势聚为两类,将每个类别中所有增强优势的均值作为每个类别的增强优势,将增强优势大的类别中所有增强优势对应的增强区间分别作为候选增强区间。
需要说明的是,当增强优势越大时,对应的增强区间的增强效果越好,但可能存在增强优势过大,导致林业区域中细节丢失的情况,因此需获取每个后续增强区间对应二值图像中林业区域细节丢失的程度,从而筛选出最优的增强区间。
对一个候选增强区间对应的二值图像进行连通域分析,得到多个连通域,若连通域为单连通域,说明该候选增强区间的增强效果较好,使得林业区域内部分割较为完整。若连通域为多连通域,说明林业区域中部分细节丢失,获取所有多连通域中的孔洞,统计所有孔洞包含的像素点的个数,作为该候选增强区间的细节丢失程度。
同理,获取所有候选增强区间的细节丢失程度。
将所有候选增强区间中细节丢失程度最小的候选增强区间作为最优增强区间。将最优增强区间对应的增强图像作为最佳增强图像。
需要说明的是,全局直方图均衡化受山脉区域的灰度值的影响,使得林业区域部分灰度值被吞噬,导致林业细节丢失,林业区域不完整。而本发明实施例中的方法,既增强了林业区域和山脉区域的对比度,又增强了林业区域中的细节,保证了林业区域完全的同时,使得林业区域中林业树木的细节特征更加明显,后续根据最佳增强图像识别的林业树木种类以及生长范围更加准确。
至此,获取了最佳增强图像。
S005.根据最佳增强图像获取林业信息。
利用语义分割网络进行最佳增强图像中林业信息的识别,将遥感影像的最佳增强图像输入到语义分割网络中;语义分割网络的数据集为遥感影像的最佳增强图像数据集;需要分割的像素分为多个类别,每种不同的林业树木分别为一个类别,背景为一个类别。语义分割网络使用的loss函数为交叉熵损失函数。网络的输出为不同类别林业树木分布图像。
需要说明的是,本发明实施例对可能的林业区域进行增强,既增强了林业区域和山脉区域的对比度,又增强了林业区域中的细节,得到最佳增强图像,根据最佳增强图像识别林业信息,获取的林业树木种类及生长区域的信息更加准确。
通过以上步骤,完成了遥感影像中林业信息的识别。
本发明实施例通过对林业遥感影像的灰度直方图进行高斯混合模型拟合,得到子高斯模型,进而获取待选边界灰度值,根据待选边界灰度值的频率以及子高斯模型获取待选边界灰度值的拟合度,进一步得到候选区间,根据候选区间获取多个增强区间,根据拟合度获取增强区间中灰度值的修正频率,使得可能属于林业区域以及山脉区域两个特征的像素点的频率增大,达到重点增强的效果,从而使得增强图像中林业区域和山脉区域的对比度增大,根据增强图像获得的林业信息更加准确;本发明获取增强图像中的林业像素点,根据林业像素点得到增强区间的增强优势,进而得到候选增强区间,根据候选增强区间的细节丢失程度获取最佳增强图像,避免了过度增强导致林业区域细节丢失,使得根据最佳增强图像识别的林业树木种类以及生长范围更加准确。
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.基于高分辨率遥感影像的林业信息识别方法,其特征在于,该方法包括以下步骤:
采集林业遥感影像,绘制林业遥感影像的灰度直方图,对灰度直方图进行一维高斯混合模型拟合,得到子高斯模型;
根据子高斯模型的均值参数获取所有待选边界灰度值;根据待选边界灰度值的频率以及子高斯模型获取待选边界灰度值的拟合度;根据子高斯模型的均值参数以及每个待选边界灰度值的拟合度获取候选区间;
将候选区间中每个灰度值分别作为一个分界点,根据所有分界点得到多个增强区间;
根据增强区间中待选边界灰度值的拟合度以及频率获取增强区间中每个灰度值的修正频率;利用增强区间中每个灰度值的修正频率构建修正直方图,对修正直方图进行直方图均衡化,得到增强区间对应的增强图像;
获取增强区间对应的增强图像中的林业像素点,根据林业遥感图像以及增强图像中的林业像素点获取增强区间的增强优势;
根据所有增强区间的增强优势进行聚类获取所有候选增强区间;获取候选增强区间的细节丢失程度,将所有候选增强区间中细节丢失程度最小的候选增强区间对应的增强图像作为最佳增强图像;
根据最佳增强图像识别林业树木种类及生长区域;
所述根据待选边界灰度值的频率以及子高斯模型获取待选边界灰度值的拟合度,包括的具体步骤如下:
其中为第/>个待选边界灰度值的拟合度;/>为第/>个待选边界灰度值在灰度直方图中对应的频率;/>为第/>个待选边界灰度值在第一个子高斯模型下的概率密度值;/>为第/>个待选边界灰度值在第二个子高斯模型下的概率密度值;/>为最大值函数;/>为以自然常数为底的指数模型,/>为绝对值符号;
所述根据增强区间中待选边界灰度值的拟合度以及频率获取增强区间中每个灰度值的修正频率,包括的具体步骤如下:
将任意一个增强区间作为目标增强区间,获取目标增强区间内每个灰度值的修正频率:
其中为目标增强区间中第/>个灰度值的修正频率;/>为目标增强区间中第/>个灰度值在灰度直方图中对应的频率;/>为目标增强区间中第/>个灰度值的大小;/>为第一个子高斯模型的均值参数;/>为第二个子高斯模型的均值参数;/>为目标增强区间中第/>个灰度值的拟合度;/>为以自然常数为底的指数模型。
2.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法,其特征在于,所述根据子高斯模型的均值参数获取所有待选边界灰度值,包括的具体步骤如下:
将第一个子高斯模型的均值参数记为,将第二个子高斯模型的均值参数记为/>,将范围内每个灰度值作为待选边界灰度值。
3.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法,其特征在于,所述根据子高斯模型的均值参数以及每个待选边界灰度值的拟合度获取候选区间,包括的具体步骤如下:
获取两个子高斯模型的曲线的交点的横坐标,用表示;将/>范围内每个灰度值作为待选左边界灰度值,将/>范围内每个灰度值作为待选右边界灰度值,其中/>为第一个子高斯模型的均值参数,/>为第二个子高斯模型的均值参数;获取所有待选左边界灰度值中拟合度最大的待选左边界灰度值,作为左边界灰度值,记为/>;获取所有待选右边界灰度值中拟合度最小的待选右边界灰度值,作为右边界灰度值,记为/>;将/>作为候选区间。
4.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法,其特征在于,所述根据所有分界点得到多个增强区间,包括的具体步骤如下:
以0作为增强区间的左边界,以每个分界点分别作为增强区间的右边界,得到多个增强区间。
5.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法,其特征在于,所述获取增强区间对应的增强图像中的林业像素点,包括的具体步骤如下:
对增强区间对应的增强图像进行阈值分割,得到增强区间对应的二值图像,对二值图像进行开运算,将开运算之后的二值图像中的黑色像素点在增强图像中对应位置的像素点作为林业像素点。
6.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法,其特征在于,所述根据林业遥感图像以及增强图像中的林业像素点获取增强区间的增强优势,包括的具体步骤如下:
获取增强图像中每个林业像素点的梯度幅值,根据梯度幅值获取增强区间的增强优势:
其中为第/>个增强区间的增强优势;/>为第/>个增强区间对应的增强图像中林业像素点个数;/>为第/>个增强区间对应的增强图像中第/>个林业像素点的梯度幅值;/>为第/>个增强区间对应的增强图像中第/>个林业像素点在林业遥感影像中对应的像素点的梯度幅值。
7.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法,其特征在于,所述根据所有增强区间的增强优势进行聚类获取所有候选增强区间,包括的具体步骤如下:
对所有增强区间的增强优势进行聚类,将所有增强区间的增强优势聚为两类,将每个类别中所有增强优势的均值作为每个类别的增强优势,将增强优势大的类别中所有增强优势对应的增强区间分别作为候选增强区间。
8.根据权利要求1所述的基于高分辨率遥感影像的林业信息识别方法,其特征在于,所述获取候选增强区间的细节丢失程度,包括的具体步骤如下:
对候选增强区间对应的二值图像进行连通域分析,得到多个连通域,获取所有多连通域中所有孔洞包含的像素点的个数,作为候选增强区间的细节丢失程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546724.5A CN116310882B (zh) | 2023-05-16 | 2023-05-16 | 基于高分辨率遥感影像的林业信息识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546724.5A CN116310882B (zh) | 2023-05-16 | 2023-05-16 | 基于高分辨率遥感影像的林业信息识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116310882A CN116310882A (zh) | 2023-06-23 |
CN116310882B true CN116310882B (zh) | 2023-09-26 |
Family
ID=86817095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310546724.5A Active CN116310882B (zh) | 2023-05-16 | 2023-05-16 | 基于高分辨率遥感影像的林业信息识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310882B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740579B (zh) * | 2023-08-15 | 2023-10-20 | 兰陵县城市规划设计室 | 一种国土空间规划数据智能采集方法 |
CN117011302B (zh) * | 2023-10-08 | 2024-01-09 | 山东济宁运河煤矿有限责任公司 | 一种基于煤矸识别的智能干选系统 |
CN117575953B (zh) * | 2024-01-15 | 2024-04-09 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 一种高分辨率林业遥感图像细节增强方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015192115A1 (en) * | 2014-06-13 | 2015-12-17 | Board Of Regents Of The University Of Texas System | Systems and methods for automated hierarchical image representation and haze removal |
CN106127784A (zh) * | 2016-07-01 | 2016-11-16 | 辽宁工程技术大学 | 一种高分辨率遥感影像分割方法 |
CN111079596A (zh) * | 2019-12-05 | 2020-04-28 | 国家海洋环境监测中心 | 高分辨率遥感影像的海上典型人造目标识别系统及方法 |
CN111627030A (zh) * | 2020-05-29 | 2020-09-04 | 王程 | 快速高效的可见光遥感影像海陆精确分割方法 |
CN115131683A (zh) * | 2022-08-25 | 2022-09-30 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于高分辨率遥感影像的林业信息识别方法 |
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 |
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
-
2023
- 2023-05-16 CN CN202310546724.5A patent/CN116310882B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015192115A1 (en) * | 2014-06-13 | 2015-12-17 | Board Of Regents Of The University Of Texas System | Systems and methods for automated hierarchical image representation and haze removal |
CN106127784A (zh) * | 2016-07-01 | 2016-11-16 | 辽宁工程技术大学 | 一种高分辨率遥感影像分割方法 |
CN111079596A (zh) * | 2019-12-05 | 2020-04-28 | 国家海洋环境监测中心 | 高分辨率遥感影像的海上典型人造目标识别系统及方法 |
CN111627030A (zh) * | 2020-05-29 | 2020-09-04 | 王程 | 快速高效的可见光遥感影像海陆精确分割方法 |
WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
CN115131683A (zh) * | 2022-08-25 | 2022-09-30 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于高分辨率遥感影像的林业信息识别方法 |
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 |
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
Non-Patent Citations (2)
Title |
---|
Kriti Bajpai et al..Analysis of Image Enhancement Techniques Used in Remote Sensing Satellite Imagery.International Journal of Computer Applications.2017,第1-11页. * |
王鹏程.基于形态学的遥感图像河流分割方法研究.中国优秀硕士学位论文全文数据库基础科学辑.2022,第2022卷(第02期),第A012-24页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116310882A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116310882B (zh) | 基于高分辨率遥感影像的林业信息识别方法 | |
CN109978890B (zh) | 基于图像处理的目标提取方法、装置及终端设备 | |
CN110942013A (zh) | 一种基于深度神经网络的卫星影像特征提取方法及系统 | |
CN107564017B (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
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 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN115331119B (zh) | 一种固体废弃物识别方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN116228804B (zh) | 一种基于图像分割的矿产资源识别方法 | |
CN116699096B (zh) | 一种基于深度学习的水质检测方法和系统 | |
CN110503140A (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN110047079A (zh) | 一种基于对象相似性的最优分割尺度选择方法 | |
CN117292137B (zh) | 一种航拍遥感影像优化分割处理方法 | |
CN116993736B (zh) | 一种骨质疏松区域智能识别系统 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN116934761A (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN115564776B (zh) | 基于机器学习的异常细胞样本检测方法和装置 | |
CN110853030A (zh) | 生物反应器病毒感染细胞质量评价方法 | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
CN113470058A (zh) | 一种砾石的粒度分布测量方法及装置 | |
CN111968136A (zh) | 一种煤岩显微图像分析方法及分析系统 | |
CN115393884B (zh) | 一种海图专题信息的提取处理方法、装置及系统 | |
CN115331286B (zh) | 一种基于深度学习的内容安全检测系统 | |
CN117173168B (zh) | 基于人工智能的oled显示屏质量检测方法 | |
CN111414956B (zh) | 一种肺部ct图像中模糊模式的多示例学习识别方法 |
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 |