CN116542526A - 一种国土空间规划中的灾害风险的评估方法、装置和设备 - Google Patents
一种国土空间规划中的灾害风险的评估方法、装置和设备 Download PDFInfo
- Publication number
- CN116542526A CN116542526A CN202310812777.7A CN202310812777A CN116542526A CN 116542526 A CN116542526 A CN 116542526A CN 202310812777 A CN202310812777 A CN 202310812777A CN 116542526 A CN116542526 A CN 116542526A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- point
- value
- points
- 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 79
- 238000012502 risk assessment Methods 0.000 title claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 239000004973 liquid crystal related substance Substances 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 description 13
- 230000006378 damage Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种国土空间规划中的灾害风险的评估方法、装置和设备,涉及影像处理技术领域,对每个尺度下的遥感影像获取趋势分布点来表征影像中的具有较强的边缘性特征的像素点,确定当前像素点与其周围的趋势分布像素点之间的联系程度值;结合不同尺度下,随着像素点的尺度变化对应的联系性变化的突变性,校正像素点的联系程度值,在后续分析每个像素点最终的联系程度值,根据这些像素点的联系程度值来表征像素点为其他趋势分布像素点构成的边缘的影子特征的程度,使得筛选得到的关键点更加准确,在进行遥感影像配准过程中,根据表征边缘的像素点进行匹配,使得遥感影像的配准结果更加准确,根据配准结果进行灾害风险评估,评估的结果更加准确。
Description
技术领域
本发明涉及影像处理技术领域,尤其涉及一种国土空间规划中的灾害风险的评估方法、装置和设备。
背景技术
随着全球气候变化和自然灾害频率的增加,国土空间规划中的灾害风险评估已成为关注的焦点。传统的数据采集与评估方法受限于地理环境、技术手段和资料缺乏等因素,往往不能满足快速、准确评估灾害风险的需求。
遥感技术作为一种高效、大范围的地球观测手段,为基于国土空间规划的灾害风险数据采集与评估带来了新的契机。其中遥感影像有很强的时空监测能力,并且可以提供丰富的纹理和结构信息,为灾害风险评估提供有力支持。在进行灾害风险评估过程中,遥感影像配准是至关重要的一环,主要目的是将不同时间、不同传感器、角度、分辨率等条件下获取的遥感影像对齐到统一的空间参考系中,其中精确的影像配准是多源遥感影像融合的前提条件,进而为后续利用融合后的遥感影像来提高灾害风险的评估准确性。目前,基于尺度不变特征转换(Scale-invariant feature transform,简称SIFT)方法是被广泛应用于遥感影像配准的特征点的配准方法。
然而,在进行灾害风险评估过程中,遥感影像中地物类型较为复杂,使用SIFT方法得到的关键点的筛选准确度不高,产生较大误差。
发明内容
本发明实施例提供一种国土空间规划中的灾害风险的评估方法、装置和设备,能够解决灾害风险评估过程中准确度不高,产生误差的问题。所述技术方案如下:
根据本发明实施例的第一方面,提供一种国土空间规划中的灾害风险的评估方法,该方法包括:
获取目标区域的遥感影像;
对于多个尺度中的每个尺度下的所述遥感影像的各像素点,根据各像素点在多个窗口尺寸下的灰度值变化序列与各像素点对应的趋势分布点的灰度值变化序列之间的相似度,得到各像素点的联系程度值,所述趋势分布点是指具有边缘性特征且在不同窗口尺寸下不变的像素点;
根据各像素点的对应点的联系程度值,在所述多个尺度下对所述各像素点的联系程度值进行校正操作,得到各像素点的校正后的联系程度值,其中,像素点的对应点是指在与所述像素点的尺度相邻的遥感影像中,与所述像素点具有对应关系的像素点;
根据所述各像素点的校正后的联系程度值,得到各像素点的关键点筛选权重值;
对所述各像素点的关键点筛选权重值进行筛选操作,得到遥感影像的配准结果;
根据所述遥感影像的配准结果进行灾害风险评估,得到所述目标区域的灾害风险评估结果。
根据本发明实施例的第二方面,提供一种国土空间规划中的灾害风险的评估装置,包括:
获取模块,用于获取目标区域的遥感影像;
尺度内处理模块,用于对于多个尺度中的每个尺度下的所述遥感影像的各像素点,根据各像素点在多个窗口尺寸下的灰度值变化序列与各像素点对应的趋势分布点的灰度值变化序列之间的相似度,得到各像素点的联系程度值,所述趋势分布点是指具有边缘性特征且在不同窗口尺寸下不变的像素点;
尺度间处理模块,用于根据各像素点的对应点的联系程度值,在所述多个尺度下对各像素点的联系程度值进行校正操作,得到各像素点的校正后的联系程度值,其中,像素点的对应点是指在与所述像素点的尺度相邻的遥感影像中,与所述像素点具有对应关系的像素点;
配准模块,用于根据所述各像素点的校正后的联系程度值,得到每个像素点的关键点筛选权重值;对所述每个像素点的关键点筛选权重值进行筛选操作,得到遥感影像的配准结果;
评估模块,用于根据所述遥感影像的配准结果进行灾害风险评估,得到所述目标区域的灾害风险评估结果。
根据本发明实施例的第三方面,提供一种国土空间规划中的灾害风险的评估设备,包括处理器和存储器,存储器中存储有至少一条计算机指令,指令由处理器加载并执行以实现第一方面以及第一方面的任一实施例所描述的国土空间规划中的灾害风险的评估方法中所执行的步骤。
本发明实施例提供的国土空间规划中的灾害风险的评估方法、装置和设备,对每个尺度下的遥感影像获取趋势分布点来表征影像中的具有较强的边缘性特征的像素点,确定当前像素点与其周围的趋势分布像素点之间的联系程度值;并结合不同尺度下,随着像素点的尺度变化对应的联系性变化的突变性,校正像素点的联系程度值,使得在后续进行关键点筛选过程中,分析每个像素点最终的联系程度值,根据这些像素点的联系程度值来表征像素点为其他趋势分布像素点构成的边缘的影子特征的程度,使得筛选得到的关键点更加准确,避免了影子对应的像素点的影响,进而在进行遥感影像配准过程中,根据表征边缘的像素点进行匹配,而不是影子的像素点进行匹配,使得遥感影像的配准结果更加准确,根据配准结果进行灾害风险评估,评估的结果更加准确,实现对灾害风险的精准评估。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明实施例提供的一种国土空间规划中的灾害风险的评估方法的流程示意图;
图2为本发明实施例提供的一种国土空间规划中的灾害风险的评估装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与本发明的一些方面相一致的装置和方法的例子。
在进行灾害风险评估过程中,遥感影像中地物类型较为复杂,使用SIFT方法可以进行关键点筛选,然而,SIFT方法确定关键点的过程中,由于遥感影像中存在复杂的纹理,遥感影像的有些关键边缘信息是由于环境的影响造成的(例如山峦的影子等),并且一些局部区域的纹理信息的变化是由于植被的生长状况不同,进而在进行SIFT检测过程中,会得到错误的关键点,例如,会将一些由于植被生长不同在遥感影像中产生的影子作为关键点进行处理,使得到的关键点的筛选准确度不高,产生较大误差,使得遥感影像的配准结果不够准确,进而使得灾害风险评估结果不够准确。
本发明实施例提供的国土空间规划中的灾害风险的评估方法,对每个尺度下的遥感影像获取趋势分布点来表征影像中的具有较强的边缘性特征的像素点,确定当前像素点与其周围的趋势分布像素点之间的联系程度值;并结合不同尺度下,随着像素点的尺度变化对应的联系性变化的突变性,校正像素点的联系程度值,使得在后续进行关键点筛选过程中,分析每个像素点最终的联系程度值,根据这些像素点的联系程度值来表征像素点为其他趋势分布像素点构成的边缘的影子特征的程度,使得筛选得到的关键点更加准确,避免了影子对应的像素点的影响,进而在进行遥感影像配准过程中,根据表征边缘的像素点进行匹配,而不是影子的像素点进行匹配,使得遥感影像的配准结果更加准确,根据配准结果进行灾害风险评估,评估的结果更加准确,实现对灾害风险的精准评估。
下面以具体的实施例进行详细说明本发明提供的技术方案。
请参见图1,图1为本发明实施例提供的一种国土空间规划中的灾害风险的评估方法的流程示意图,本实施例提供的国土空间规划中的灾害风险的评估方法由计算机或者服务器等设备执行。本实施例提供的方法可以包括以下步骤。
步骤101、获取目标区域的遥感影像。
目标区域的遥感影像可以是采集的卫星遥感影像,目标区域的遥感影像可以是不同时期采集的目标区域的遥感影像。
步骤102、对于多个尺度中的每个尺度下的遥感影像中的像素点,根据各像素点在多个窗口尺寸下的灰度值变化序列与各像素点对应的趋势分布点的灰度值变化序列之间的相似度,得到各像素点的联系程度值。
其中,在遥感影像中,以目标像素点为中心,预设尺寸范围的像素点均落入一个窗口中。该预设尺寸范围即为窗口尺寸。示例性的,窗口尺寸可以是3×3、……13×13等。
其中,趋势分布点是指具有边缘性特征且在不同窗口尺寸下不变的像素点。像素点对应的趋势分布点是指该像素点周围预设区域范围内的趋势分布点。
其中,像素点在多个窗口尺寸下的灰度值变化序列用于指示该像素点所在的多个窗口尺寸的窗口中的像素点的灰度值分布、变化情况。像素点在多个窗口尺寸下的灰度值变化序列的横坐标为窗口尺寸,纵坐标为该窗口尺寸的窗口中灰度值最小的像素点的信息。
对于遥感影像来说,由于光照角度的影响以及云、山峦的影响,会使得遥感影像中存在一些影子边缘,例如山峦的影子,这些影子对应的边缘特征在影像中同样表现的为很明显的灰度差异。但是一些影子的分布特征往往与其周围一些像素点的分布特征具有较强的联系性,例如山峦影子的分布在受到光照角度的同时,还会受到山峦的分布的影响。本实施例中,对于N个尺度下的遥感影像中的每个尺度下的遥感影像分别进行处理,也就是在同一尺度下确定该尺度下的遥感影像中的各个像素点的联系程度值。对于同一尺度下的遥感影像中的每个像素点,可以在不同的窗口尺寸下,得到该像素点对应的灰度值变化序列,也就是灰度值分布的变化情况。获取每个像素点的灰度值变化序列与其对应的趋势分布点的灰度值变化序列之间的相似度,即获取到了上述二者之间的联系性,即为该像素点的联系程度值。从而得到了同一尺度下各像素点的联系程度值。
步骤103、根据各像素点的对应点的联系程度值,在多个尺度下对各像素点的联系程度值进行校正操作,得到各像素点的校正后的联系程度值。
其中,像素点的对应点是指在与像素点的尺度相邻的遥感影像中,与像素点具有对应关系的像素点。
由于经过尺度转变,会体现某些像素点在不同尺度下的表现能力,即对应的遥感影像尺度大小发生变化,对应的会存在一些局部极小值的像素点的变化,则对根据不同尺度下的变化来进行关键点筛选过程,会产生一定的影响。因此本实施例中,根据不同尺度下的像素点对应的变化关系,以及尺度之间像素点的联系程度的变化对得到的联系程度值进行校正,得到每个像素点的校正后的联系程度值。
步骤104、根据各像素点的校正后的联系程度值,得到各像素点的关键点筛选权重值。
可以在多个尺度下对遥感影像的所有像素点的联系程度值进行线性归一化处理,得到归一化后的联系程度值。
根据各像素点的归一化后的联系程度值,得到各像素点的关键点筛选权重值。
其中,联系程度值越大,则对应的该像素点越表现为其他像素点构成的边缘的影子特征,则对应的该像素点对应的关键点筛选权重值越小。
可选的,像素点的关键点筛选权重值可以是(1-该像素点的归一化后的联系程度值)。
步骤105、对各像素点的关键点筛选权重值进行筛选操作,得到遥感影像的配准结果。
该筛选操作可以是SIFT检测过程中的筛选操作,从而将关键点筛选出来,得到配准结果。
步骤106、根据遥感影像的配准结果进行灾害风险评估,得到目标区域的灾害风险评估结果。
可以根据配准结果进行边缘检测,从而对灾害风险进行评估,即根据同一个位置的连通域的变化,对灾害风险进行评估。目标区域的连通域的面积比值与1的差值的绝对值越大,则对应的灾害风险越大。
可选的,可以设置一个或者多个灾害风险阈值。示例性的,灾害风险阈值可以设置为0.35、0.45和0.68。大于或等于0.68则对应灾害风险伤害为一等;若大于或等于0.45,且小于0.68,则对应灾害风险伤害为二等;若大于或等于0.35,且小于0.45,则对应灾害风险伤害为三等。
本发明实施例提供的国土空间规划中的灾害风险的评估方法,对每个尺度下的遥感影像获取趋势分布点来表征影像中的具有较强的边缘性特征的像素点,确定当前像素点与其周围的趋势分布像素点之间的联系程度值;并结合不同尺度下,随着像素点的尺度变化对应的联系性变化的突变性,校正像素点的联系程度值,使得在后续进行关键点筛选过程中,分析每个像素点最终的联系程度值,根据这些像素点的联系程度值来表征像素点为其他趋势分布像素点构成的边缘的影子特征的程度,使得筛选得到的关键点更加准确,避免了影子对应的像素点的影响,进而在进行遥感影像配准过程中,根据表征边缘的像素点进行匹配,而不是影子的像素点进行匹配,使得遥感影像的配准结果更加准确,根据配准结果进行灾害风险评估,评估的结果更加准确,实现对灾害风险的精准评估。
在一些实施例中,进一步第,步骤102可以通过如下步骤1021-步骤1024实现。
步骤1021、根据各像素点在多个不同窗口尺寸的窗口中的灰度值最小的像素点分布情况,分别得到各像素点的趋势分布程度值。
由于遥感影像中的边缘区域(包括一些影子、以及局部的纹理)往往相较于周围像素点呈较低的灰度值,因此本实施例中通过不同窗口尺寸下获取每个窗口的局部极小值来表征当前窗口中像素点的分布,该极小值的像素点即为趋势分布点。
本实施例中,对于当前尺度下的遥感影像中的每个像素点分别进行处理,根据当前像素点在多个不同窗口尺寸的窗口中的灰度值最小的像素点分布情况,得到当前像素点的趋势分布程度值,从而使用像素点的趋势分布程度表征该像素点的边缘性特征。
可选的,可以根据如下公式(1)得到当前尺度下的遥感影像中的每个像素点的趋势分布程度值:
其中,表示第个像素点的趋势分布程度值,表示第个像素点所处的连通域
的最小外接矩形的长宽比,表示所有像素点连通域的最小外接矩形的长宽比的最
大值,表示的为第个像素点所处的连通域表征的线性特征,若该值越大,则表明第
个像素点所在的连通域具有很强的边缘性特征,表示多个窗口尺寸的组合数量。示例性
的,有3个窗口尺寸,分别为窗口尺寸1、窗口尺寸2和窗口尺寸3。3个窗口尺寸之间两两进行
组合,窗口尺寸1和窗口尺寸2作为一个组合,窗口尺寸1和窗口尺寸3作为一个组合,窗口尺
寸2和窗口尺寸3作为一个组合,则对应的U=3,表示第个像素点在窗口组合
中,第个像素点在窗口下的连通域的骨架分布曲线与在窗口下的连通域的骨架分布
曲线的距离,表示的为不同窗口大小组合变化下,该像素点的
连通域在不同大小的窗口变化下的连通域变化差异,若组合中变化差异较大,则对应的距离越大,则表明该像素点的趋势分布程度越小。
进一步地,上述距离可以是动态时间归整(Dynamic Time Warping,简称DTW)距离。
进一步地,可以通过形态学骨架化提取操作获取连通域的骨架分布曲线。由于会存在分支线因此根据各个骨架处计算最多像素点的分支线作为骨架分布曲线(横坐标为图像行坐标,纵坐标为图像纵坐标)。进而,DTW距离可以采用两个骨架分布曲线进行DTW匹配获取。
步骤1022、根据所有像素点的趋势分布程度值和分布阈值,从所有像素点中确定趋势分布点。
其中,分布阈值为预设的数值,例如,分布阈值可以为0.65。
所有像素点中趋势分布程度值大于分布阈值的像素点可以确定为趋势分布点。
步骤1023、根据各像素点对应的目标相对位置信息和所有的窗口尺寸,得到各像素点的变化序列。
其中,像素点对应的目标相对位置信息是指像素点在各窗口尺寸下的灰度值最小的像素点的相对位置信息。
其中,像素点的相对位置信息是指该像素点的当前窗口中的相对位信息,该相对位置信息可以是该像素点所在位置的序号,示例性的,3×3窗口中的像素点的位序为1、2、3、4、5(中心像素点,即以该像素点为中心获取窗口)、6、7、8、9。
步骤1024、对于每个像素点,分别获取像素点的变化序列与像素点对应的趋势分布点的变化序列之间的相似度值,得到像素点的联系程度值。
本实施例,对每个尺度下的遥感影像分别进行处理,使用窗口中灰度值最小的像素点的分布情况来表征像素点的趋势分布程度,从而得到每个像素点的趋势分布值。通过分布阈值的设定,根据趋势分布程度值确定出遥感影像影像中的具有较强的边缘性特征的趋势分布点,确定当前像素点与其周围的趋势分布像素点之间的联系程度值,根据这些像素点的联系程度值来表征像素点为其他趋势分布像素点构成的边缘的影子特征的程度,使得筛选得到的关键点更加准确,避免了影子对应的像素点的影响,进而在进行遥感影像配准过程中,根据表征边缘的像素点进行匹配,而不是影子的像素点进行匹配,使得遥感影像的配准结果更加准确,根据配准结果进行灾害风险评估,评估的结果更加准确,实现对灾害风险的精准评估。
在一些实施例中,由于图像中可能存在的影子区域的像素点的趋势分布程度也大,本发明中需要通过边缘像素点来表征其趋势分布程度,因此,可以对趋势分布程度进行更新。下面以具体的实施例进行说明。
在上述任一实施例的基础上,进一步地,步骤1021之后还可以包括如下步骤1021’,相应的,步骤1022可以是步骤1022’。
步骤1021’、根据如下公式(2)得到各像素点的更新后的趋势分布程度值:
其中,表示第个像素点的更新后的趋势分布程度值;表示窗口尺寸的数量,表示第个像素点在第m个窗口下的信息表征能力值。信息表征能力体现着当前窗口下
的连通域特征与原始影像下的信息分布之间的差异性,表示第个像素点的目标窗口
尺寸的窗口中与第个像素点为非同一个连通域的像素点的数量,表示第个像素点在
目标窗口尺寸的窗口中的像素点的数量;其中,表示第个像素点的趋势分布程度值。
步骤1022’、根据所有像素点的更新后的趋势分布程度值和分布阈值,从所有像素点中确定趋势分布点。
所有像素点中更新后的趋势分布程度值大于分布阈值的像素点可以确定为趋势分布点。
本实施例,通过对趋势分布程度值进行更新,使得趋势分布程度值更加准确,从而由其确定的趋势分布点更加准确,进而使得灾害风险评估结果更加准确,实现对灾害风险的精准评估。
在上述任一实施例的基础上,进一步地,表示第个像素点的不同大小窗口下
的信息表征能力,信息表征能力若分析单个窗口特征较为局限,因此本发明可以根据当前
窗口的周围8邻域窗口内分析信息表征能力。可以通过如下公式(3)得到各像素点的信息表
征能力值:
其中,表示第个像素点在第m个窗口下的信息表征能力值;表示第个
像素点的第个窗口尺寸的窗口的走向分布差异性值;表示的第个像素点的第个
窗口尺寸的窗口的走向分布差异性值。
示例性的,第个像素点的第个大小的窗口的连通域走向分布(从该点开始,沿
着所属连通域的边缘像素点获取分布序列),与原始影像中的走向分布(仍然从第个像素
点开始,计算分布序列中相同像素点构成的灰度值分布序列),以灰度值分布序列计算得到
的前一个像素点和后一个像素点的灰度差的累计和。
在上述任一实施例的基础上,进一步地,步骤1023之前还可以包括如下步骤1023a和步骤1023b。
步骤1023a、获取各像素点分别在各窗口尺寸下的灰度值最小的像素点。
步骤1023b、根据如下公式(4)得到各像素点对应的所有目标相对位置信息:
其中,表示的为第个窗口尺寸的窗口下的灰度值最小的像素点的位置序号;表示为第个窗口尺寸中像素点的数量。
在上述任一实施例的基础上,进一步地,步骤103可以通过如下步骤实现。
步骤1031、获取多个尺度中每相邻两个尺度下的遥感影像的像素点之间的对应关系,得到各像素点的对应点。
根据上述步骤102得到像素点的联系程度值,在进行尺度变化过程中,可以获取每个尺度转换之间,上一个尺度和当前尺度中像素点之间的对应关系,例如尺度变化过程中,上一个尺度的哪些像素点通过卷积过程,得到当前尺度的中一个像素点。
可选的,可以通过标记的方式,将相邻尺度的具有对应关系的像素点进行标记,例
如,将上一个尺度的像素点标记为1,当前尺度的具有对应关系的像素点标记为。
步骤1032、根据如下公式(5)得到各像素点的校正值:
其中,表示第尺度下中的第个像素点的校正值,表示N个尺度中除了尺
度的其他尺度的数量,表示第尺度下的第个像素点的联系程度值,表示N个尺度
中除尺度的第个尺度下的与第个像素点的对应点的联系程度值。
通过计算不同尺度变化下第s个像素点与其对应的像素点之间的联系程度的变化来表示该像素点的在不同尺度下的突变性,若差异较大,则对应的该像素点在不同尺度下发生较大的变化,则对应的为该像素点的在计算联系程度时,需要对应的校正值越高,即对应的该像素点与趋势分布像素点之间的联系程度较小。
步骤1033、根据如下公式(6)得到各像素点的校正后的联系程度值:
其中表示第尺度下中的第个像素点的校正后的联系程度值;表示第
尺度下中的第个像素点的校正值;表示第尺度下中的第个像素点的联系程度值。
下面以具体的示例对上述实施例进行说明,本示例并不代表本发明局限于此。本示例提供的方法包括以下步骤S1-步骤S3:
步骤S1:采集遥感影像。
采集卫星遥感影像,其中采集的卫星遥感影像为同一位置下的不同时期采集的遥感影像。
步骤S2:根据不同尺度之间的像素点的分布特征来获取每个像素点的关键点筛选权重值。
在进行SIFT检测过程中,由于遥感影像中存在复杂的纹理,遥感影像的有些关键边缘信息是由于环境的影响造成的(例如山峦的影子等),并且一些局部区域的纹理信息的变化是由于植被的生长状况不同,进而在进行SIFT检测过程中,会得到错误的关键点,因此本实施例根据遥感影像中的各个像素点的灰度值不同,并结合SIFT检测算法中的不同尺度下的特征,在每个尺度下计算每个像素点的不同窗口下的灰度值分布变化,获取当前像素点的灰度值分布变化与周围趋势分布像素点的分布变化的联系性变化;并结合不同尺度下,随着像素点的尺度变化后,对应的联系性变化的突变性,来校正像素点的联系性,进而根据像素点校正后的联系性来进行关键点检测。
其中,步骤S2包括如下步骤S2a和步骤S2b。
步骤S2a:获取同一尺度下在不同窗口下的像素点灰度值分布变化与周围趋势分布像素点的分布变化之间的联系性,得到每个像素点的联系程度值。
对于遥感影像来说,由于光照角度的影响以及云、山峦的影响,会使得遥感影像中存在一些影子边缘,例如山峦的影子,这些影子对应的边缘特征在影像中同样表现的为很明显的灰度差异。但是一些影子的分布特征往往与其周围一些像素点的分布特征具有较强的联系性,例如山峦影子的分布在受到光照角度的同时,还会受到山峦的分布的影响。因此本实施例在SIFT检测过程中,在同一尺度下,计算不同窗口下的像素点的灰度值分布变化,同时获取与当前像素点有关的趋势分布像素点的灰度值分布变化,进而比较两个分布变化的联系性,得到每个像素点的联系程度值。
下面具体介绍一种方式。首先构建公式:
由于遥感影像中的边缘区域(包括一些影子、以及局部的纹理)往往相较于周围像素点呈较低的灰度值,因此本实施例通过设置不同大小窗口下获取每个窗口的局部极小值来表征当前窗口中像素点的分布,其中每个窗口中像素点的局部极小值设置为像素值为1。
根据上述分析,首先需要获取遥感影像中每个像素点的周围的趋势分布点,其中,
趋势分布点往往对应为具有很强的边缘性特征的像素点,且这些像素点不会随着窗口大小
的变化而变化。本实施例中的窗口大小对应上述实施例中的窗口尺寸。因此,本实施例根据
不同窗口大小(从最小3*3,到13*13大小,可根据具体实施情况而定,本实施例给出的为经
验参考值)下的窗口中局部最小值点的分布,来判断像素点的趋势分布程度,其中第个像
素点的趋势分布程度的计算方法为上述公式(1)。
其中,表示第个像素点在窗口组合中,第个像素点在窗口下
的连通域的骨架分布曲线与在窗口下的连通域的骨架分布曲线的距离。其中连通
域骨架分布曲线确定可通过形态学骨架化提取操作,其中由于会存在分支线因此根据各个
骨架处计算最多像素点的分支线作为骨架分布曲线(横坐标为图像行坐标,纵坐标为图像
纵坐标),其中距离采用两个骨架分布曲线进行DTW匹配获取;表示的为该像素
点所处的连通域表征的线性特征,若该值越大,则表明该像素点所在的连通域具有很强的
边缘性特征;表示的为不同窗口大小组合变化下,该像素点的
连通域在不同大小的窗口变化下的连通域变化差异,若组合中变化差异较大,则对应的距离越大,则表明该像素点的趋势分布程度越小。
由于遥感图像中可能存在的影子区域的像素点的趋势分布程度也大,且本案中仅
需要通过边缘像素点来表征其趋势分布程度,则对应的根据每个像素点的3*3窗口中同类
像素点的数量来对趋势分布程度进行更新,则对应的第个像素点的更新后的趋势分布程
度可以通过上述公式(2)得到。
其中,表示不同大小的窗口变化个数(例如窗口大小1、窗口大小2和窗口大小3,
则对应的);表示第个像素点的不同大小窗口下的信息表征能力,用来表示窗
口的大小权重;表示第个像素点的3*3窗口中与该像素点的为非同一个连通域的像素
点的个数;表示第个像素点的3*3窗口中像素点的数量。
其中,的获取方式可以是:表示第个像素点的不同大小窗口下的信息表
征能力,信息表征能力若分析单个窗口特征较为局限,因此本案根据当前窗口的周围8邻域
窗口内分析信息表征能力,其中信息表征能力体现着当前窗口下的连通域特征与原始影像
下的信息分布之间的差异性,其中当前窗口的连通域特征主要体现的为相似区域的分布,
则对应的本案根据连通域的走向分布和原始影像中的走向分布来确定差异性,其中第个
像素点的第个大小的窗口的信息表征能力的计算方法为上述公式(3)。式中,
表示第个像素点的第个大小的窗口的走向分布差异性,具体的为:第个像素点的第
个大小的窗口的连通域走向分布(从该点开始,沿着所属连通域的边缘像素点获取分布序
列),与原始影像中的走向分布(仍然从第个像素点开始,计算分布序列中相同像素点构成
的灰度值分布序列,以灰度值分布序列计算得到的前一个像素点和后一个像素点的灰度差
的累计和;表示第个像素点的第个大小的窗口的走向分布差异性。
选取更新后的趋势分布程度大于阈值(可根据具体实施情况而定,本案给出
的为经验参考值)的像素点,将其作为趋势分布像素点。
进而计算不同窗口大小的目标像素点的变化序列,根据该变化序列与该像素点的相关趋势分布像素点的对应的变化序列之间的影响关系来获取联系程度值,进而获取每个像素点的联系性程度值:
(1)首先获取不同窗口大小下的像素点的变化序列,其中变化序列的横坐标为窗
口大小,纵坐标为窗口中局部最小值点在窗口中的相对位置。其中相对位置的获取为:第
个窗口大小下的局部最小值点在窗口中的相对位置的计算方法为:,其中表示的为第个窗口大小下的局部最小值点的位置序号(即窗口中像素点的位序,例如
3*3窗口中的像素点为位序为1、2、3、4、5(中心像素点,即本节中目标像素点)、6、7、8、9);表示为第个窗口大小中像素点的个数。
(2)其次获取与目标像素点的相关的趋势分布像素点,由于与其相关的趋势分布像素点均在其距离较近的地方,因此选取目标像素点的周围邻域中距离最近的10个趋势分布像素点,以这些趋势分布像素点计算得到上述操作的变化序列;
(3)计算目标像素点的变化序列与其相关趋势分布像素点的变化序列之间的相似
性(相似性采用DTW算法来获取,即),其中表示第个像素点(目标像素点)的变化序列;表示第个像素点的第个相关的趋势分布像素
点的变化序列;表示两个变化序列的距离。其中将上述相似性作为目标
像素点与趋势像素点的联系程度值。
至此,获取同一尺度下在不同窗口下的像素点灰度值分布变化与周围趋势分布像素点的分布变化之间的联系性,得到每个像素点的联系程度值。
步骤S2b:根据不同尺度下的像素点的突变性来校正每个像素点的联系程度值。
根据上述步骤,得到同一个尺度下的像素点的联系程度值。由于在SIFT检测过程中,经过尺度转变,会体现某些像素点在不同尺度下的表现能力,即对应的影像尺度大小发生变化,对应的会存在一些局部极小值的像素点的变化,则对应的根据不同尺度下的变化来进行SIFT检测过程中的关键点筛选过程中会产生较大的影响,因此根据不同尺度下的像素点对应的变化关系,以及尺度之间像素点的联系程度的变化来获取校正值,进而得到每个像素点的校正的联系程度值。
下面构建公式:
根据上述步骤得到不同尺度下,每个尺度的像素点的联系程度值,在进行尺度变
化过程中,可以获取每个尺度转换之间,上一个尺度和当前尺度中像素点之间的对应关系
(例如尺度变化过程中,上一个尺度的那些像素点通过卷积过程,得到当前尺度的中一个像
素点),其中通过以标记的方式,将相邻尺度的像素点具有上述关系的对应关系的进行标记
(例如将上一个尺度的像素点标记为1,当前尺度的具有对应关系的像素点标记为),则通
过具有对应关系的像素点的联系程度的变化来获取校正值,其中第尺度下中的第个像
素点的校正值的计算方法为上述公式(5);
式中,表示所有变化的尺度中除了尺度的其他尺度的数量;表示除了尺度
的第个尺度,即;表示第尺度下的第个像素点的联系程度值;表示其他
除尺度下的与第个像素点对应的像素点的联系程度值(其中若尺度小于当前尺度,则
是获取对应像素点的联系程度值,若尺度大于当前尺度,则是获取对应像素点的联系程度
均值)。
其中通过计算不同尺度变化下第个像素点与其对应的像素点之间的联系程度的
变化来表示该像素点的在不同尺度下的突变性,若差异较大,则对应的该像素点在不同尺
度下发生较大的变化,则对应的为该像素点的在计算联系程度时,需要对应的校正值越高,
即对应的该像素点与趋势分布像素点之间的联系程度较小。
其中根据上述计算第尺度下中的第个像素点的校正后的联系程度值的计
算方法为上述公式(6);
式中,表示第尺度下中的第个像素点的校正值;表示第尺度下中的第个像素点的联系程度值。
至此,根据不同尺度下的像素点的突变性来校正每个像素点的联系程度值。
根据上述步骤计算得到同一尺度下的像素点的校正后的联系程度值,对像素点的联系程度值进行线性归一化处理,其中每个像素点的关键点筛选权重值为(1-归一化后的联系程度值),其中联系程度值越大,则对应的该像素点越表现为其他像素点构成的边缘的影子特征,则对应的该像素点对应的关键点筛选权重值越小。
步骤S3:根据该关键点筛选权重进行SIFT检测过程中的筛选,进而得到准确的遥感影像的配准结果。根据配准结果得到灾害风险等级。
根据配准后的结果进行边缘检测,根据同一个位置的连通域的变化,若同一个位置的连通域的面积比值与1的差值的绝对值越大,则对应的灾害风险越大,其中设置阈值0.68(可根据实施者具体实施情况而定,本案给出的为经验参考值),大于阈值则对应灾害风险伤害为一等,若大于0.45并小于0.68,则对应灾害风险伤害为二等,若大于0.35并小于0.45,则对应灾害风险伤害为三等。
本发明实施例提供的国土空间规划中的灾害风险的评估方法,根据SIFT检测进行遥感影像的精准配准,进而实现灾害风险的评估程度。其中根据遥感影像中的各个像素点的灰度值不同,并结合SIFT检测算法中的不同尺度下的特征,在每个尺度下计算每个像素点的不同窗口下的灰度值分布变化,获取当前像素点的灰度值分布变化与周围趋势分布像素点的分布变化的联系性变化;并结合不同尺度下,随着像素点的尺度变化后,对应的联系性变化的突变性,来校正像素点的联系性,进而根据像素点校正后的联系性来进行关键点检测。避免了传统的SIFT检测算法过程中,由于关键边缘信息是由于环境的影响造成的(例如山峦的影子等),并且一些局部区域的纹理信息的变化是由于植被的生长状况不同,进而在进行SIFT检测过程中,会得到错误的关键点的问题,进而使得遥感影像的配准结果更加准确,能更好的对灾害风险进行精准评估。
请参见图2,图2为本发明实施例提供的一种国土空间规划中的灾害风险的评估装置的结构示意图,该装置可以包括:
获取模块31,用于获取目标区域的遥感影像;
尺度内处理模块32,用于对于多个尺度中的每个尺度下的遥感影像的各像素点,根据各像素点在多个窗口尺寸下的灰度值变化序列与各像素点对应的趋势分布点的灰度值变化序列之间的相似度,得到各像素点的联系程度值,趋势分布点是指具有边缘性特征且在不同窗口尺寸下不变的像素点;
尺度间处理模块33,用于根据各像素点的对应点的联系程度值,在多个尺度下对各像素点的联系程度值进行校正操作,得到各像素点的校正后的联系程度值,其中,像素点的对应点是指在与像素点的尺度相邻的遥感影像中,与像素点具有对应关系的像素点;
配准模块34,用于根据各像素点的校正后的联系程度值,得到每个像素点的关键点筛选权重值;对每个像素点的关键点筛选权重值进行筛选操作,得到遥感影像的配准结果;
评估模块35,用于根据遥感影像的配准结果进行灾害风险评估,得到目标区域的灾害风险评估结果。
在一个实施例中,尺度内处理模块32具体用于:
根据各像素点在多个不同窗口尺寸的窗口中的灰度值最小的像素点分布情况,分别得到各像素点的趋势分布程度值;
根据所有像素点的趋势分布程度值和分布阈值,从所有像素点中确定趋势分布点;
根据各像素点对应的目标相对位置信息和所有的窗口尺寸,得到各像素点的变化序列,像素点对应的目标相对位置信息是指像素点在各窗口尺寸下的灰度值最小的像素点的相对位置;
对于每个像素点,分别获取像素点的变化序列与像素点对应的趋势分布点的变化序列之间的相似度值,得到像素点的联系程度值。
在一个实施例中,尺度内处理模块32具体用于:
根据如下公式得到趋势分布程度值:
其中,表示第个像素点的趋势分布程度值;表示第个像素点所处的连通域
的最小外接矩形的长宽比;表示所有像素点连通域的最小外接矩形的长宽比的最
大值;表示多个窗口尺寸的组合数量;表示第个像素点在窗口组合中,第个像素点在窗口下的连通域的骨架分布曲线与在窗口下的连通域的骨架分布曲线
的距离。
在一个实施例中,该装置还包括:
趋势分布程度值确定模块,用于根据如下公式得到各像素点的更新后的趋势分布程度值:
其中,表示第个像素点的更新后的趋势分布程度值;表示窗口尺寸的数量;表示第个像素点在第m个窗口下的信息表征能力值;表示第个像素点的目标窗口
尺寸的窗口中与第个像素点为非同一个连通域的像素点的数量;表示第个像素点在
目标窗口尺寸的窗口中的像素点的数量;表示第个像素点的趋势分布程度值;
尺度内处理模块32具体用于:根据所有像素点的更新后的趋势分布程度值和分布阈值,从所有像素点中确定趋势分布点。
在一个实施例中,该装置还包括:
信息表征能力确定模块,用于根据如下公式得到各像素点的信息表征能力值:
其中,表示第个像素点在第m个窗口下的信息表征能力值;表示第个
像素点的第个窗口尺寸的窗口的走向分布差异性值;表示的第个像素点的第个
窗口尺寸的窗口的走向分布差异性值。
在一个实施例中,该装置还包括:
相对位置确定模块,用于获取各像素点分别在各窗口尺寸下的灰度值最小的像素
点;根据如下公式得到各像素点对应的所有目标相对位置信息:
其中,表示的为第个窗口尺寸的窗口下的灰度值最小的像素点的位置序号;表示为第个窗口尺寸中像素点的数量。
在一个实施例中,尺度间处理模块33具体用于:
获取多个尺度中每相邻两个尺度下的遥感影像的像素点之间的对应关系,得到各像素点的对应点;
根据如下公式得到各像素点的校正后值:
其中,表示第尺度下中的第个像素点的校正值;表示N个尺度中除了尺
度的其他尺度的数量;表示第尺度下的第个像素点的联系程度值;表示N个尺度
中除尺度的第个尺度下的与第个像素点的对应点的联系程度值;
根据如下公式得到各像素点的校正后的联系程度值:
其中表示第尺度下中的第个像素点的校正后的联系程度值;表示第
尺度下中的第个像素点的校正值;表示第尺度下中的第个像素点的联系程度值。
本发明实施例提供的装置,其实现原理和有益效果与上述提供的方法实施例类似,此处不再赘述。
基于上述实施例中所描述的国土空间规划中的灾害风险的评估方法,本发明实施例还提供一种国土空间规划中的灾害风险的评估设备,包括处理器和存储器,存储器中存储有至少一条计算机指令,指令由处理器加载并执行上述任一方法实施例中所描述的国土空间规划中的灾害风险的评估方法中所执行的步骤。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
Claims (9)
1.一种国土空间规划中的灾害风险的评估方法,其特征在于,包括:
获取目标区域的遥感影像;
对于多个尺度中的每个尺度下的所述遥感影像的各像素点,根据各像素点在多个窗口尺寸下的灰度值变化序列与各像素点对应的趋势分布点的灰度值变化序列之间的相似度,得到各像素点的联系程度值,所述趋势分布点是指具有边缘性特征且在不同窗口尺寸下不变的像素点;
根据各像素点的对应点的联系程度值,在所述多个尺度下对所述各像素点的联系程度值进行校正操作,得到各像素点的校正后的联系程度值,其中,像素点的对应点是指在与所述像素点的尺度相邻的遥感影像中,与所述像素点具有对应关系的像素点;
根据所述各像素点的校正后的联系程度值,得到各像素点的关键点筛选权重值;
对所述各像素点的关键点筛选权重值进行筛选操作,得到遥感影像的配准结果;
根据所述遥感影像的配准结果进行灾害风险评估,得到所述目标区域的灾害风险评估结果。
2.根据权利要求1所述的国土空间规划中的灾害风险的评估方法,其特征在于,所述根据各像素点在多个窗口尺寸下的灰度值变化序列与各像素点对应的趋势分布点的灰度值变化序列之间的相似度,得到各像素点的联系程度值,包括:
根据各像素点在多个不同窗口尺寸的窗口中的灰度值最小的像素点分布情况,分别得到各像素点的趋势分布程度值;
根据所有像素点的趋势分布程度值和分布阈值,从所有像素点中确定趋势分布点;
根据各像素点对应的目标相对位置信息和所有的窗口尺寸,得到各像素点的变化序列,像素点对应的目标相对位置信息是指所述像素点在各窗口尺寸下的灰度值最小的像素点的相对位置;
对于每个像素点,分别获取像素点的变化序列与所述像素点对应的趋势分布点的变化序列之间的相似度值,得到所述像素点的联系程度值。
3.根据权利要求2所述的国土空间规划中的灾害风险的评估方法,其特征在于,所述根据各像素点在多个不同窗口尺寸的窗口中的灰度值最小的像素点分布情况,分别得到各像素点的趋势分布程度值,包括:
根据如下公式得到趋势分布程度值:
;
其中,表示第/>个像素点的趋势分布程度值;/>表示第/>个像素点所处的连通域的最小外接矩形的长宽比;/>表示所有像素点连通域的最小外接矩形的长宽比的最大值;/>表示多个窗口尺寸的组合数量;/>表示第/>个像素点在窗口组合/>中,第/>个像素点在窗口/>下的连通域的骨架分布曲线与在窗口/>下的连通域的骨架分布曲线的距离。
4.根据权利要求2所述的国土空间规划中的灾害风险的评估方法,其特征在于,所述根据各像素点在多个不同窗口尺寸的窗口中的灰度值最小的像素点分布情况,分别得到各像素点的趋势分布程度值之后,还包括:
根据如下公式得到各像素点的更新后的趋势分布程度值:
;
其中,表示第/>个像素点的更新后的趋势分布程度值;/>表示窗口尺寸的数量;/>表示第/>个像素点在第m个窗口下的信息表征能力值;/>表示第/>个像素点的目标窗口尺寸的窗口中与第/>个像素点为非同一个连通域的像素点的数量;/>表示第/>个像素点在目标窗口尺寸的窗口中的像素点的数量;/>表示第/>个像素点的趋势分布程度值;
所述根据所有像素点的趋势分布程度值和分布阈值,从所有像素点中确定趋势分布点,包括:
根据所有像素点的更新后的趋势分布程度值和分布阈值,从所有像素点中确定趋势分布点。
5.根据权利要求4所述的国土空间规划中的灾害风险的评估方法,其特征在于,所述方法还包括:
根据如下公式得到各像素点的信息表征能力值:
;
其中,表示第/>个像素点在第m个窗口下的信息表征能力值;/>表示第/>个像素点的第/>个窗口尺寸的窗口的走向分布差异性值;/>表示的第/>个像素点的第/>个窗口尺寸的窗口的走向分布差异性值。
6.根据权利要求2所述的国土空间规划中的灾害风险的评估方法,其特征在于,所述根据各像素点对应的目标相对位置信息和所有的窗口尺寸,得到各像素点的变化序列之前,还包括:
获取各像素点分别在各窗口尺寸下的灰度值最小的像素点;
根据如下公式得到各像素点对应的所有目标相对位置信息:
;
其中,表示的为第/>个窗口尺寸的窗口下的灰度值最小的像素点的位置序号;/>表示为第/>个窗口尺寸中像素点的数量。
7.根据权利要求1所述的国土空间规划中的灾害风险的评估方法,其特征在于,所述根据各像素点的对应点的联系程度值,在所述多个尺度下对所述各像素点的联系程度值进行校正操作,得到各像素点的校正后的联系程度值,包括:
获取所述多个尺度中每相邻两个尺度下的遥感影像的像素点之间的对应关系,得到各像素点的对应点;
根据如下公式得到各像素点的校正后值:
;
其中,表示第/>尺度下中的第/>个像素点的校正值;/>表示N个尺度中除了/>尺度的其他尺度的数量;/>表示第/>尺度下的第/>个像素点的联系程度值;/>表示N个尺度中除尺度的第/>个尺度下的与第/>个像素点的对应点的联系程度值;
根据如下公式得到各像素点的校正后的联系程度值:
;
其中表示第/>尺度下中的第/>个像素点的校正后的联系程度值;/>表示第/>尺度下中的第/>个像素点的校正值;/>表示第/>尺度下中的第/>个像素点的联系程度值。
8.一种国土空间规划中的灾害风险的评估装置,其特征在于,包括:
获取模块,用于获取目标区域的遥感影像;
尺度内处理模块,用于对于多个尺度中的每个尺度下的所述遥感影像的各像素点,根据各像素点在多个窗口尺寸下的灰度值变化序列与各像素点对应的趋势分布点的灰度值变化序列之间的相似度,得到各像素点的联系程度值,所述趋势分布点是指具有边缘性特征且在不同窗口尺寸下不变的像素点;
尺度间处理模块,用于根据各像素点的对应点的联系程度值,在所述多个尺度下对所述各像素点的联系程度值进行校正操作,得到各像素点的校正后的联系程度值,其中,像素点的对应点是指在与所述像素点的尺度相邻的遥感影像中,与所述像素点具有对应关系的像素点;
配准模块,用于根据所述各像素点的校正后的联系程度值,得到每个像素点的关键点筛选权重值;对所述每个像素点的关键点筛选权重值进行筛选操作,得到遥感影像的配准结果;
评估模块,用于根据所述遥感影像的配准结果进行灾害风险评估,得到所述目标区域的灾害风险评估结果。
9.一种国土空间规划中的灾害风险的评估设备,其特征在于,包括处理器和存储器,所述存储器中存储有至少一条计算机指令,所述指令由所述处理器加载并执行以实现权利要求1至权利要求7任一项所述的国土空间规划中的灾害风险的评估方法中所执行的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812777.7A CN116542526B (zh) | 2023-07-05 | 2023-07-05 | 一种国土空间规划中的灾害风险的评估方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812777.7A CN116542526B (zh) | 2023-07-05 | 2023-07-05 | 一种国土空间规划中的灾害风险的评估方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542526A true CN116542526A (zh) | 2023-08-04 |
CN116542526B CN116542526B (zh) | 2023-09-19 |
Family
ID=87452817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310812777.7A Active CN116542526B (zh) | 2023-07-05 | 2023-07-05 | 一种国土空间规划中的灾害风险的评估方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542526B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
CN103218787A (zh) * | 2013-04-23 | 2013-07-24 | 国家测绘地理信息局卫星测绘应用中心 | 多源异构遥感影像控制点自动采集方法 |
CN103839265A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 基于sift和归一化互信息的sar图像配准方法 |
US20150371387A1 (en) * | 2014-06-19 | 2015-12-24 | Qualcomm Incorporated | Local adaptive histogram equalization |
CN110348412A (zh) * | 2019-07-16 | 2019-10-18 | 广州图普网络科技有限公司 | 一种关键点定位方法、装置、电子设备及存储介质 |
CN113469003A (zh) * | 2021-06-24 | 2021-10-01 | 上海电力大学 | 一种遥感图像的匹配方法 |
US20210312637A1 (en) * | 2020-04-03 | 2021-10-07 | Zhejiang University | Map segmentation method and device, motion estimation method, and device terminal |
CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
CN116310447A (zh) * | 2023-05-23 | 2023-06-23 | 维璟(北京)科技有限公司 | 基于计算机视觉的遥感图像变化智能检测方法及系统 |
-
2023
- 2023-07-05 CN CN202310812777.7A patent/CN116542526B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
CN103218787A (zh) * | 2013-04-23 | 2013-07-24 | 国家测绘地理信息局卫星测绘应用中心 | 多源异构遥感影像控制点自动采集方法 |
CN103839265A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 基于sift和归一化互信息的sar图像配准方法 |
US20150371387A1 (en) * | 2014-06-19 | 2015-12-24 | Qualcomm Incorporated | Local adaptive histogram equalization |
CN110348412A (zh) * | 2019-07-16 | 2019-10-18 | 广州图普网络科技有限公司 | 一种关键点定位方法、装置、电子设备及存储介质 |
US20210312637A1 (en) * | 2020-04-03 | 2021-10-07 | Zhejiang University | Map segmentation method and device, motion estimation method, and device terminal |
CN113469003A (zh) * | 2021-06-24 | 2021-10-01 | 上海电力大学 | 一种遥感图像的匹配方法 |
CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
CN116310447A (zh) * | 2023-05-23 | 2023-06-23 | 维璟(北京)科技有限公司 | 基于计算机视觉的遥感图像变化智能检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
H. ZAKERI,ET AL.: "Rahbin: A quadcopter unmanned aerial vehicle based on a systematic image processing approach toward an automated asphalt pavement inspection", 《AUTOMATION IN CONSTRUCTION》, vol. 72, no. 2016, pages 212 * |
李新;葛小燕;: "基于SIFT的低空遥感图像拼接", 制造业自动化, no. 03, pages 18 * |
赵亚萌: "基于改进SIFT的多波段遥感影像自动快速配准方法研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2, pages 19 * |
Also Published As
Publication number | Publication date |
---|---|
CN116542526B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gruszczyński et al. | Comparison of low-altitude UAV photogrammetry with terrestrial laser scanning as data-source methods for terrain covered in low vegetation | |
CN111462225B (zh) | 一种红外光斑图像的质心识别定位方法 | |
Tang et al. | Fault-tolerant building change detection from urban high-resolution remote sensing imagery | |
Huang et al. | Feature-based image registration using the shape context | |
Hong et al. | A robust technique for precise registration of radar and optical satellite images | |
Moriondo et al. | Use of digital images to disclose canopy architecture in olive tree | |
US11461877B2 (en) | Image inpainting method, image inpainting system and flat panel detector thereof | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
Gonçalves et al. | CHAIR: Automatic image registration based on correlation and Hough transform | |
CN111882530A (zh) | 一种亚像素定位图生成方法、定位方法及装置 | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
Rönnholm | Registration quality-towards integration of laser scanning and photogrammetry | |
CN109658446B (zh) | 一种高分辨率遥感影像几何配准方法及装置 | |
Zhang et al. | Corn ear test using SIFT-based panoramic photography and machine vision technology | |
CN106960443B (zh) | 基于全极化时序sar图像的非监督变化检测的方法及装置 | |
CN116542526B (zh) | 一种国土空间规划中的灾害风险的评估方法、装置和设备 | |
WO2019040004A1 (en) | STEREO ARTIFICIAL VISION SYSTEM AND METHOD FOR IDENTIFYING LOCATIONS OF NATURAL TARGET ELEMENTS | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
Hashim et al. | Geometric and radiometric evaluation of RazakSAT medium-sized aperture camera data | |
Misra et al. | An approach for generation of multi temporal co-registered optical remote sensing images from Resourcesat-2/2A sensors | |
CN114639015A (zh) | 联合光谱、植被指数和纹理特征的高分影像滑坡检测方法 | |
CN115457378A (zh) | 基站天面信息检测的方法、装置、设备及存储介质 | |
Sadeq | Using total probability in image template matching. | |
CN109215068B (zh) | 图像放大率测量方法及装置 |
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 |