CN116740579B - 一种国土空间规划数据智能采集方法 - Google Patents

Abstract

本发明涉及图像增强技术领域，具体涉及一种国土空间规划数据智能采集方法，包括，获取待采集国土空间的遥感影像图，进而获得每个阈值区间对应的边缘图像；根据边缘图像中各个边缘连通域的图像特征，确定各个边缘连通域的规律程度和选择程度；确定每个临近点对插值点的影响系数，根据每个临近点对插值点的影响系数、每个临近点与其对应的插值点之间的距离，确定每个临近点的权重系数；根据每个临近点的权重系数和灰度值，确定各个插值点的灰度值，进而获得上采样处理后的遥感影像图。本发明通过自适应地确定每个临近点的权重系数获得了更准确的插值点的灰度值，有效提高了国土空间规划数据质量，主要应用于图像增强领域。

Description

一种国土空间规划数据智能采集方法

技术领域

本发明涉及图像增强技术领域，具体涉及一种国土空间规划数据智能采集方法。

背景技术

关于国土空间规划数据遥感影像图的采集，遥感影像图的分辨率通常受制于采集传感器分辨率、空间采样器宽度、恶劣天气条件等因素的影响，导致采集的遥感影像图无法很好地显示国土空间中的地物信息细节，但是在国土规划中，城市地区、农业地区和生态环境保护等方面又需要足够高的分辨率，以方便提供足够的细节信息。

现有通过上采样方法解决遥感影像图分辨率不足的问题，但是上采样方法中的插值算法无法完全还原原始像素的密度和亮度，不可避免的会出现遥感影像图边缘处模糊的情况，导致图像部分细节信息的丢失，进一步造成采集的国土空间规划数据质量较低。

发明内容

为了解决上述采集的国土空间规划数据质量较低的技术问题，本发明的目的在于提供一种国土空间规划数据智能采集方法，所采用的技术方案具体如下：

本发明一个实施例提供了一种国土空间规划数据智能采集方法，该方法包括以下步骤：

获取待采集国土空间的遥感影像图，对所述遥感影像图进行图像预处理，获得每个阈值区间对应的边缘图像；

根据边缘图像中各个边缘连通域内每个像素点的灰度值，确定各个边缘连通域的规律程度；

根据边缘图像中各个边缘连通域内每个像素点的梯度值，确定各个边缘连通域的选择程度；

将各个边缘连通域映射到遥感影像图中，确定遥感影像图进行上采样处理过程中各个插值点的四个临近点，将位于边缘连通域内的临近点确定为目标临近点；根据目标临近点所属边缘连通域的规律程度和选择程度，确定目标临近点对插值点的影响系数；将除目标临近点以外的临近点对插值点的影响系数确定为预设数值；

根据每个临近点对插值点的影响系数、每个临近点与其对应的插值点之间的距离，确定各个插值点的每个临近点的权重系数；

根据各个插值点的每个临近点的权重系数和临近点的灰度值，确定各个插值点的灰度值，进而获得上采样处理后的遥感影像图。

进一步地，根据边缘图像中各个边缘连通域内每个像素点的灰度值，确定各个边缘连通域的规律程度，包括：

对于边缘图像中的任意一个边缘连通域，选取边缘连通域内最长的连续单边缘为目标边缘；统计目标边缘和边缘连通域对应的像素点个数，将目标边缘对应的像素点个数与边缘连通域对应的像素点个数的比值确定为边缘连通域的第一规律因子；

基于目标边缘上每个像素点的灰度值，计算目标边缘上相邻两个像素点之间的灰度差值的平方，确定所有灰度差值平方的平均值，将所述平均值的反比例值确定为边缘连通域的第二规律因子；

将边缘连通域的第一规律因子的第二规律因子的乘积，确定为边缘连通域的规律程度。

进一步地，所述边缘连通域的规律程度的计算公式为：

其中，为边缘图像中第k个边缘连通域的规律程度，/>为边缘图像中第k个边缘连通域的目标边缘对应的像素点个数，/>为边缘图像中第k个边缘连通域对应的像素点个数，/>为边缘图像中第k个边缘连通域的第一规律因子，/>为边缘图像中第k个边缘连通域的目标边缘上第i+1个像素点的灰度值，/>为边缘图像中第k个边缘连通域的目标边缘上第i个像素点的灰度值，/>为边缘图像中第k个边缘连通域的目标边缘上相邻两个像素点之间的灰度差值的平方，/>为边缘图像中第k个边缘连通域的第二规律因子。

进一步地，根据边缘图像中各个边缘连通域内每个像素点的梯度值，确定各个边缘连通域的选择程度，包括：

对于边缘图像中的任意一个边缘连通域，根据边缘连通域内每个像素点的梯度值确定边缘连通域的梯度均值；确定边缘连通域所属的当前边缘图像和下一边缘图像构成的并集图像，统计边缘连通域在对应的当前边缘图像和并集图像中的像素点个数，对边缘连通域在当前边缘图像和并集图像中的像素点个数的比值进行归一化处理；将归一化后的比值与所述边缘连通域的梯度均值的乘积，确定为边缘连通域的选择程度。

进一步地，根据目标临近点所属边缘连通域的规律程度和选择程度，确定目标临近点对插值点的影响系数，包括：

计算目标临近点所属边缘连通域的规律程度和选择程度的乘积，对所述规律程度和选择程度的乘积添加负号，对添加负号后的乘积进行归一化处理，将归一化后的数值确定为目标临近点对插值点的影响系数。

进一步地，根据每个临近点对插值点的影响系数、每个临近点与其对应的插值点之间的距离，确定各个插值点的每个临近点的权重系数，包括：

对于插值点的任意一个临近点，对临近点与其对应的插值点之间的距离进行反比例计算，获得反比例计算后的距离；将临近点对插值点的影响系数与所述反比例计算后的距离的乘积确定为临近点的权重系数。

进一步地，根据各个插值点的每个临近点的权重系数和临近点的灰度值，确定各个插值点的灰度值，包括：

对于任意一个插值点，对插值点的每个临近点的权重系数进行归一化处理，计算每个临近点对应的归一化后的权重系数与其对应的临近点的灰度值的乘积，将插值点的所有乘积的累加和确定为插值点的灰度值。

进一步地，所述插值点的灰度值的计算公式为：

其中，为第i个插值点的灰度值，/>为第i个插值点的第j个临近点的权重系数，为第i个插值点的第j个临近点的灰度值，/>为第i个插值点的第j个乘积。

进一步地，对所述遥感影像图进行图像预处理，获得每个阈值区间对应的边缘图像，包括：

对遥感影像图进行灰度化处理，获得遥感影像图的灰度图像；基于不同的阈值对灰度图像进行边缘检测，获得每个阈值对应的边缘图像；使相邻阈值对应的边缘图像进行作差处理，获得每个阈值区间对应的边缘图像；其中，不同的阈值为按照预设顺序排列后的各个阈值。

进一步地，所述临近点为以插值点为中心，距离中心最近的遥感影像图中的预设数目个像素点。

本发明具有如下有益效果：

本发明提供了一种国土空间规划数据智能采集方法，该采集方法通过对国土空间的遥感影像图的上采样过程中各个插值点的灰度值的确定过程进行改进，提高了遥感影像图的清晰度，避免了图像部分细节信息的丢失，进一步提升了采集的国土空间规划数据质量，主要应用于图像增强领域。为了区分不同梯度的边缘，对遥感影像图进行图像预处理，获得每个阈值区间对应的边缘图像，后续对边缘图像中同一梯度水平的边缘进行分析，可以衡量不同边缘的重要程度；基于边缘图像中各个边缘连通域内每个像素点的灰度值和梯度值，分析各个边缘连通域的真实情况，即筛选出梯度较大、长度较大且灰度分布规律的边缘连通域，需要确定各个边缘连通域的规律程度和选择程度；为了便于分析插值点的临近点与边缘连通域之间的关系，将各个边缘连通域映射到遥感影像图中，并确定目标临近点；相比目标临近点以外的临近点，在分析目标临近点对插值点的影响程度时，需要顾虑到目标临近点所属边缘连通域的规律程度和选择程度对插值点的影响，其有助于提高边缘连通域内或边缘连通域附近的插值点的灰度值，克服上采样过程中部分重要边缘模糊的问题，便于保留上采样处理后的遥感影像图的信息完整度；结合规律程度和选择程度确定的目标临近点对插值点的影响系数的准确度更高，其有助于提高各个插值点的每个临近点的权重系数的参考价值，便于后续获得各个插值点对应的更准确的灰度值。

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和优点，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的介绍，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它附图。

图1为本发明国土空间规划数据智能采集方法的流程图；

图2为本发明实施例中的遥感影像图的示例图；

图3为本发明实施例中的插值点的四个临近点对应的示意图。

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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外，一个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。

本发明所针对的情景为：在进行国土规划前期的数据采集过程中，利用搭载在卫星、飞机过无人机上的光学传感器采集地物信息，即遥感影像图，对分辨率不足的遥感影像图进行自适应的上采样处理，从而在保留遥感影像图的边缘信息的同时，得到高分辨率下的影像，一定程度上提高了采集的国土空间规划数据的质量。具体，本实施例提供了一种国土空间规划数据智能采集方法，如图1所示，包括以下步骤：

S1，获取待采集国土空间的遥感影像图，对遥感影像图进行图像预处理，获得每个阈值区间对应的边缘图像。

第一步，获取待采集国土空间的遥感影像图。

通过图像采集设备获取待采集国土空间的地物的遥感影像图，遥感影像图的示例图如图2所示。当然，遥感影像图也可以是其他国土空间规划资源的数据。

第二步，对遥感影像图进行图像预处理，获得每个阈值区间对应的边缘图像。

首先，为了便于后续进行图像分析，对遥感影像图进行灰度化处理，获得遥感影像图的灰度图像。具体为，利用加权平均法对遥感影像图进行灰度化处理，获得遥感影像图的灰度图像，加权平均法的实现灰度化的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。

其次，在提升图像分辨率的过程中，传统的上采样插值算法会降低位于边缘的插值点的梯度值，导致部分边缘产生模糊，为了分析边缘的图像特征，需要获取边缘图像。但在实际情况中，边缘检测过程中不同的阈值对应的边缘图像中边缘宽度变化往往不会较大，故为了筛选出分布规律、长度较长且梯度较大的真实边缘对上采样过程中插值点的影响，需要确定每个阈值区间对应的边缘图像。真实边缘可以为遥感影像中任意一个区域的外围边缘。

在本实施例中，基于不同的阈值对灰度图像进行边缘检测，获得每个阈值对应的边缘图像；使相邻阈值对应的边缘图像进行作差处理，获得每个阈值区间对应的边缘图像。其中，不同的阈值为按照预设顺序排列后的各个阈值，预设顺序可以为升序。具体为：

先对Canny边缘检测运行过程中的每个阈值进行归一化处理，确定阈值的取值范围为0到1之间，可以每间隔0.05确定一个阈值，即{0，0.05，0.1，0.15，0.2，...，1}；然后，基于每个阈值，利用Canny边缘检测算子，对遥感影像图灰度图像进行边缘检测，获得每个阈值对应的边缘图像；最后，使前一个阈值对应的边缘图像减去后一个阈值对应的边缘图像，可以获得每个阈值区间对应的边缘图像，例如，阈值区间可以为0-0.05，0-0.05对应的边缘图像即为阈值区间对应的边缘图像。需要说明的是，阈值间隔可以由实施者根据具体实际情况设置，这里不做具体限定。Canny边缘检测算子的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。

关于每个阈值对应的边缘图像，随着阈值的增大，消失的边缘也就越来越多。阈值0对应的边缘图像中包含灰度图像中的所有边缘，假设可以将阈值0对应的边缘图像中的所有边缘记为，阈值0.05对应的边缘图像中的各个边缘记为/>，阈值0.1对应的边缘图像中的各个边缘记为，那么阈值区间0-0.05对应的边缘图像中的边缘可以为/>，阈值区间0.05-0.1对应的边缘图像中的边缘可以为/>，设置阈值区间相当于将灰度图像中的所有边缘划分到不同的阈值区间内，其有利于对不同梯度水平的各个边缘进行图像分析，便于后续筛选出真实边缘。

至此，本实施例获得了每个阈值区间对应的边缘图像。

S2，根据边缘图像中各个边缘连通域内每个像素点的灰度值，确定各个边缘连通域的规律程度。

需要说明的是，边缘连通域内像素点灰度分布越均匀，说明对应的边缘连通域越有可能是真实边缘。通过分析边缘图像中各个边缘连通域内像素分布情况，可以确定各个边缘连通域的规律程度，规律程度可以表征边缘连通域内像素灰度分布的均匀程度。

在本实施例中，由于采用非极大值抑制方法的Canny边缘检测算子进行的边缘检测，故各个边缘连通域中的各个边缘大部分为连续单边缘，边缘连通域是由多个不同的连续单边缘相互连接构成的。为了表征整体连通域内规律程度，对边缘连通域内最长的连续单边缘进行分析，以确定边缘连通域的规律程度，具体的实现步骤可以包括：

对于边缘图像中的任意一个边缘连通域，选取边缘连通域内最长的连续单边缘为目标边缘；统计目标边缘和边缘连通域对应的像素点个数，将目标边缘对应的像素点个数与边缘连通域对应的像素点个数的比值确定为边缘连通域的第一规律因子；基于目标边缘上每个像素点的灰度值，计算目标边缘上相邻两个像素点之间的灰度差值的平方，确定所有灰度差值平方的平均值，将平均值的反比例值确定为边缘连通域的第二规律因子；将边缘连通域的第一规律因子的第二规律因子的乘积，确定为边缘连通域的规律程度。

作为示例，边缘连通域的规律程度的计算公式可以为：

其中，为边缘图像中第k个边缘连通域的规律程度，/>为边缘图像中第k个边缘连通域的目标边缘对应的像素点个数，/>为边缘图像中第k个边缘连通域对应的像素点个数，/>为边缘图像中第k个边缘连通域的第一规律因子，/>为边缘图像中第k个边缘连通域的目标边缘上第i+1个像素点的灰度值，/>为边缘图像中第k个边缘连通域的目标边缘上第i个像素点的灰度值，/>为边缘图像中第k个边缘连通域的目标边缘上相邻两个像素点之间的灰度差值的平方，/>为边缘图像中第k个边缘连通域的第二规律因子。

在规律程度的计算公式中，第一规律因子可以表征目标边缘在第k个边缘连通域中的占比情况，第一规律因子越大，说明第k个边缘连通域内其他小分支边缘的占比越小，第k个边缘连通域越贴合真实边缘的图像特征，规律程度越高，第一规律因子有助于改善规律程度的表示效果；与规律程度为负相关，越大，说明目标边缘上的灰度差值平方的平均值越大，目标边缘上相邻像素点的灰度差值越大，目标边缘上的像素灰度分布越混乱，因此其与规律程度为负相关关系，需要对/>进行反比例处理，即第二规律因子；第二规律因子越大，说明目标边缘的灰度分布越均匀，规律程度越大，第k个边缘连通域的规律程度越大，说明第k个边缘连通域为某个区域的外围边缘的概率越大，也就是第k个边缘连通域为真实边缘的概率越大；参考第k个边缘连通域的规律程度的确定过程，可以获得每个阈值区间对应的边缘图像中各个边缘连通域的规律程度。

至此，本实施例获得了每个阈值区间对应的边缘图像中各个边缘连通域的规律程度。

S3，根据边缘图像中各个边缘连通域内每个像素点的梯度值，确定各个边缘连通域的选择程度。

需要说明的是，同一个阈值区间对应的边缘图像中的各个边缘连通域处于同一梯度水平，在对同一梯度水平下的各个边缘连通域的规律性进行量化处理后，进一步利用边缘连通域内每个像素点的梯度大小进行图像分析，以确定各个边缘连通域的选择程度，具体的实现步骤可以包括：

对于边缘图像中的任意一个边缘连通域，根据边缘连通域内每个像素点的梯度值确定边缘连通域的梯度均值；确定边缘连通域所属的当前边缘图像和下一边缘图像构成的并集图像，统计边缘连通域在对应的当前边缘图像和并集图像中的像素点个数，对边缘连通域在当前边缘图像和并集图像中的像素点个数的比值进行归一化处理；将归一化后的比值与边缘连通域的梯度均值的乘积，确定为边缘连通域的选择程度。

在本实施例中，将边缘图像中的任意一个边缘连通域记为，边缘连通域所属的当前边缘图像对应的阈值区间记为[a,b]，边缘连通域/>所属的下一边缘图像对应的阈值区间为[b,c]，那么边缘连通域/>对应的并集图像对应的阈值区间为[a,c]，阈值区间[a,b]对应的边缘连通域/>内的像素点不会与阈值区间[b,c]内的像素点重复，但[a,c]阈值区间对应的边缘连通域/>面积要比阈值区间[a,b]对应的边缘连通域/>的面积大，即像素点个数较多；梯度较小的边缘连通域对应的地物信息为平滑区域的概率较大，其说明在高分辨率下连续变化的像素点对应位置的梯度值可能较小，梯度较大的边缘连通域对应的地物信息为某个区域外围边缘的可能性较大，其说明在该分辨率下梯度较大的边缘连通域仍为细长边缘，应当赋予更高的选择程度；边缘连通域的长度在一定程度上可以反映为真实边缘的概率，受阈值区间划分的影响，某个边缘连通域可能在当前边缘图像内的面积较小，但其在下一阈值区间延展为较长边缘连通域，其说明该边缘连通域为某个阈值区间的真实边缘，应对该边缘连通域的梯度情况进行修正。基于上述选择程度的各个有关因素的分析，可以确定的选择程度的计算公式，计算公式可以为：

其中，为边缘图像中第k个边缘连通域的选择程度，/>为归一化函数，/>为第k个边缘连通域在对应的并集图像中的像素点个数，/>为第k个边缘连通域在当前边缘图像中的像素点个数，/>为边缘图像中第k个边缘连通域的梯度均值。

在边缘连通域的选择程度的计算公式中，可以用于对/>进行修正，梯度均值越大且像素点个数越多的边缘连通域，越有可能为真实边缘，即该边缘连通域的选择程度越大；参考边缘图像中第k个边缘连通域的选择程度的计算过程，可以获得每个阈值区间对应的边缘图像中各个边缘连通域的选择程度；关于最后一个阈值区间，直接将边缘连通域的梯度均值确定为选择程度，也就是将/>赋值为1。

至此，本实施例获得了每个阈值区间对应的边缘图像中各个边缘连通域的选择程度。

S4，将各个边缘连通域映射到遥感影像图中，确定遥感影像图进行上采样处理过程中各个插值点的预设数目个临近点，将位于边缘连通域内的临近点确定为目标临近点。

第一步，将各个边缘连通域映射到遥感影像图中。

在本实施例中，遥感影像图与每个阈值区间对应的边缘图像的尺寸一致，可以将每个阈值区间对应的边缘图像中的各个边缘连通域映射到遥感影像图中。将各个边缘连通域映射到遥感影像图中，是为了便于后续在一张图像中分析影响插值点灰度值的特征因素，减少计算量。

第二步，确定遥感影像图进行上采样处理过程中各个插值点的四个临近点，将位于边缘连通域内的临近点确定为目标临近点。

在本实施例中，为了克服上采样处理后的图像中部分边缘模糊的缺陷，先确定对遥感影像图进行上采样处理时各个插值点的位置，插值点即为上采样过程中新增的像素点，上采样处理可以为双线性插值的方式。双线性插值的实现过程为现有技术，此处不再进行详细阐述。双线性插值的实现过程中，确定插值点的灰度值需要确定与插值点临近的像素点，即插值点的预设数目个临近点，预设数目可以为四个，临近点的位置可以在双线性插值处理过程中确定，将位于边缘连通域内的临近点确定为目标临近点。临近点可以为以插值点为中心，距离中心最近的遥感影像图中的四个像素点。插值点的四个临近点对应的示意图如图3所示，在图3中，为插值点，插值点/>的四个临近点分别为位于插值点/>上方的/>和h以及位于插值点/>下方的/>和h，/>表示位于边缘连通域内的临近点，即目标临近点。

值得说明的是，若插值点位于两个临近点之间，即以插值点中心相邻的上像素点和下像素点均为临近点，或者以插值点中心相邻的左像素点和右像素点均为临近点，仅考虑影响程度最大的两个邻近点，也就是该插值点的临近点只有两个，例如图3中的插值点。各个插值点的位置和各个插值点的临近点的位置均由实施者根据图像的实际情况，在双线性插值的实现过程中确定的。

至此，本实施例获得了遥感影像图中各个插值点的预设数目个临近点。

S5，根据目标临近点所属边缘连通域的规律程度和选择程度，确定目标临近点对插值点的影响系数；将除目标临近点以外的临近点对插值点的影响系数确定为预设数值。

需要说明的是，通过分析插值点对应的目标临近点所属边缘连通域的规律程度和选择程度，可以确定目标临近点对插值点的影响程度。规律程度和选择程度越大，说明目标临近点所属边缘连通域越有可能是真实边缘。为了保留真实边缘的梯度信息，需要使目标临近点与插值点之间的灰度值相差较大，即使插值点的灰度与平滑区域灰度尽量保持一致，即目标临近点对插值点的影响应越小，影响系数就越小，确定目标临近点对插值点的影响系数有助于克服高分辨率下部分边缘模糊的缺陷。目标临近点对插值点的影响系数的具体实现步骤可以包括：

计算目标临近点所属边缘连通域的规律程度和选择程度的乘积，对规律程度和选择程度的乘积添加负号，对添加负号后的乘积进行归一化处理，将归一化后的数值确定为目标临近点对插值点的影响系数。

作为示例，目标临近点对插值点的影响系数的计算公式可以为：

其中，为第j个目标临近点对第i个插值点的影响系数，/>为归一化函数，为第i个插值点的第j个目标临近点所属边缘连通域的选择程度，/>为第i个插值点的第j个目标临近点所属边缘连通域的规律程度。

在影响系数的计算公式中，为了尽量保留真实边缘的梯度信息，保证位于真实边缘附近的插值点应与平滑区域的灰度值相近，也就是使插值点的灰度值应与目标临近点的灰度值之间的差距较大，所以目标临近点的选择程度和规律程度越大，影响系数应越小；通过选择程度和规律程度确定的目标临近点对插值点的影响系数的参考价值更高，便于后续获得准确的权重系数；影响系数越大，即受真实边缘的影响越大，说明真实边缘会变得更宽；对于第i个插值点对应的除目标临近点以外的临近点，该临近点不位于边缘连通域内，故不需要考虑边缘连通域对插值点的影响，可以直接将该临近点对插值点的影响系数赋值为1即可；影响系数可以用于表征临近点的图像特征对插值点的影响程度，对于目标临近点，目标临近点对插值点的影响系数越大，说明该目标临近点对插值点的影响越小。

至此，本实施例获得了遥感影像图中每个临近点对插值点的影响系数。

S6，根据每个临近点对插值点的影响系数、每个临近点与其对应的插值点之间的距离，确定各个插值点的每个临近点的权重系数。

在本实施例中，在双行线插值的计算过程中，插值点的灰度值可以由周围临近点的灰度值加权平均得到。在获得每个临近点对插值点的影响系数之后，考虑插值点与其对应的四个临近点之间的距离，综合分析临近点对插值点的影响系数以及临近点与其对应的插值点之间的距离，来确定插值点的每个临近点的权重系数，具体实现过程可以包括：

对于插值点的任意一个临近点，对临近点与其对应的插值点之间的距离进行反比例计算，获得反比例计算后的距离；将临近点对插值点的影响系数与反比例计算后的距离的乘积确定为临近点的权重系数。

需要说明的是，两点之间的距离可以通过欧氏距离计算获得，欧氏距离的实现过程为现有技术，此处不再进行详细阐述；反比例计算后的距离可以为距离的倒数。

作为示例，临近点的权重系数的计算公式可以为：

其中，为插值点的第j个临近点的权重系数，/>为第j个临近点对插值点的影响系数，/>为第j个临近点与其对应的插值点之间的距离，/>为第j个临近点对应的反比例计算后的距离。

在权重系数的计算公式中，对于目标临近点，目标临近点对插值点的影响越大，对应的临近点权重系数越大，也就是插值点的灰度值应与目标临近点灰度值具备较大差异，影响系数与权重系数为正相关关系；对于除目标临近点以外的其他临近点，仅考虑与插值点之间的距离来分析权重系数；临近点与其对应的插值点之间的距离越远，说明临近点对插值点造成的影响越小，对应的临近点权重系数越小，临近点与其对应的插值点之间的距离与权重系数为负相关关系；当各个临近点中的目标临近点对插值点的影响系数越小，且目标临近点与插值点的距离越远时，说明插值点的灰度值受平滑区域影响较大，边缘梯度信息保留较好；将反比例计算后的距离作为修正系数，对邻近点对插值点的影响系数进行修正，有助于提高权重系数的准确度。

至此，本实施例获得了遥感影像图中各个插值点的每个临近点的权重系数。

S7，根据各个插值点的每个临近点的权重系数和临近点的灰度值，确定各个插值点的灰度值，进而获得上采样处理后的遥感影像图。

在本实施例中，利用各个插值点的每个临近点的权重系数和临近点的灰度值，进行加权平均，可以获得各个插值点的灰度值，具体的实现步骤可以包括：对于任意一个插值点，对插值点的每个临近点的权重系数进行归一化处理，计算每个临近点对应的归一化后的权重系数与其对应的临近点的灰度值的乘积，将插值点的所有乘积的累加和确定为插值点的灰度值作为示例，插值点的灰度值的计算公式可以为：

其中，为第i个插值点的灰度值，/>为第i个插值点的第j个临近点的权重系数，为第i个插值点的第j个临近点的灰度值，/>为第i个插值点的第j个乘积。其中，由于/>可能是一个很小的数值，用/>除以其总和/>进行归一化更合理，有助于获得更准确的插值点灰度值。

至此，参考i个插值点的灰度值的计算过程，遍历每个插值点，获得了各个插值点的灰度值，进而可以获得上采样处理后的遥感影像图。

本发明提供了一种国土空间规划数据智能采集方法，该智能采集方法在提升所得的遥感影像图分辨率的同时，一定程度上保留了图像边缘处的清晰度。相对于传统上采样方法造成的模糊图像，本发明具有很好地抑制效果，获得了遥感影像图中较为完整的图像细节信息，提高采集的国土空间规划数据质量，其有助于进一步提升评估城市扩张和土地变化等方面的效果。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种国土空间规划数据智能采集方法，其特征在于，包括以下步骤：

获取待采集国土空间的遥感影像图，对所述遥感影像图进行图像预处理，获得每个阈值区间对应的边缘图像；

根据边缘图像中各个边缘连通域内每个像素点的灰度值，确定各个边缘连通域的规律程度；

根据边缘图像中各个边缘连通域内每个像素点的梯度值，确定各个边缘连通域的选择程度；

将各个边缘连通域映射到遥感影像图中，确定遥感影像图进行上采样处理过程中各个插值点的四个临近点，将位于边缘连通域内的临近点确定为目标临近点；根据目标临近点所属边缘连通域的规律程度和选择程度，确定目标临近点对插值点的影响系数；将除目标临近点以外的临近点对插值点的影响系数确定为预设数值；

根据每个临近点对插值点的影响系数、每个临近点与其对应的插值点之间的距离，确定各个插值点的每个临近点的权重系数；

根据各个插值点的每个临近点的权重系数和临近点的灰度值，确定各个插值点的灰度值，进而获得上采样处理后的遥感影像图；

根据边缘图像中各个边缘连通域内每个像素点的灰度值，确定各个边缘连通域的规律程度，包括：

对于边缘图像中的任意一个边缘连通域，选取边缘连通域内最长的连续单边缘为目标边缘；统计目标边缘和边缘连通域对应的像素点个数，将目标边缘对应的像素点个数与边缘连通域对应的像素点个数的比值确定为边缘连通域的第一规律因子；

基于目标边缘上每个像素点的灰度值，计算目标边缘上相邻两个像素点之间的灰度差值的平方，确定所有灰度差值平方的平均值，将所述平均值的反比例值确定为边缘连通域的第二规律因子；

将边缘连通域的第一规律因子的第二规律因子的乘积，确定为边缘连通域的规律程度；

根据目标临近点所属边缘连通域的规律程度和选择程度，确定目标临近点对插值点的影响系数，包括：

计算目标临近点所属边缘连通域的规律程度和选择程度的乘积，对所述规律程度和选择程度的乘积添加负号，对添加负号后的乘积进行归一化处理，将归一化后的数值确定为目标临近点对插值点的影响系数。

2.根据权利要求1所述的一种国土空间规划数据智能采集方法，其特征在于，边缘连通域的规律程度的计算公式为：

其中，为边缘图像中第k个边缘连通域的规律程度，/>为边缘图像中第k个边缘连通域的目标边缘对应的像素点个数，/>为边缘图像中第k个边缘连通域对应的像素点个数，为边缘图像中第k个边缘连通域的第一规律因子，/>为边缘图像中第k个边缘连通域的目标边缘上第i+1个像素点的灰度值，/>为边缘图像中第k个边缘连通域的目标边缘上第i个像素点的灰度值，/>为边缘图像中第k个边缘连通域的目标边缘上相邻两个像素点之间的灰度差值的平方，/>为边缘图像中第k个边缘连通域的第二规律因子。

3.根据权利要求1所述的一种国土空间规划数据智能采集方法，其特征在于，根据边缘图像中各个边缘连通域内每个像素点的梯度值，确定各个边缘连通域的选择程度，包括：

对于边缘图像中的任意一个边缘连通域，根据边缘连通域内每个像素点的梯度值确定边缘连通域的梯度均值；确定边缘连通域所属的当前边缘图像和下一边缘图像构成的并集图像，统计边缘连通域在对应的当前边缘图像和并集图像中的像素点个数，对边缘连通域在当前边缘图像和并集图像中的像素点个数的比值进行归一化处理；将归一化后的比值与所述边缘连通域的梯度均值的乘积，确定为边缘连通域的选择程度。

4.根据权利要求1所述的一种国土空间规划数据智能采集方法，其特征在于，根据每个临近点对插值点的影响系数、每个临近点与其对应的插值点之间的距离，确定各个插值点的每个临近点的权重系数，包括：

对于插值点的任意一个临近点，对临近点与其对应的插值点之间的距离进行反比例计算，获得反比例计算后的距离；将临近点对插值点的影响系数与所述反比例计算后的距离的乘积确定为临近点的权重系数。

5.根据权利要求1所述的一种国土空间规划数据智能采集方法，其特征在于，根据各个插值点的每个临近点的权重系数和临近点的灰度值，确定各个插值点的灰度值，包括：

对于任意一个插值点，对插值点的每个临近点的权重系数进行归一化处理，计算每个临近点对应的归一化后的权重系数与其对应的临近点的灰度值的乘积，将插值点的所有乘积的累加和确定为插值点的灰度值。

6.根据权利要求5所述的一种国土空间规划数据智能采集方法，其特征在于，所述插值点的灰度值的计算公式为：

其中，为第i个插值点的灰度值，/>为第i个插值点的第j个临近点的权重系数，/>为第i个插值点的第j个临近点的灰度值，/>为第i个插值点的第j个乘积。

7.根据权利要求1所述的一种国土空间规划数据智能采集方法，其特征在于，对所述遥感影像图进行图像预处理，获得每个阈值区间对应的边缘图像，包括：

对遥感影像图进行灰度化处理，获得遥感影像图的灰度图像；基于不同的阈值对灰度图像进行边缘检测，获得每个阈值对应的边缘图像；使相邻阈值对应的边缘图像进行作差处理，获得每个阈值区间对应的边缘图像；其中，不同的阈值为按照预设顺序排列后的各个阈值。

8.根据权利要求1所述的一种国土空间规划数据智能采集方法，其特征在于，所述临近点为以插值点为中心，距离中心最近的遥感影像图中的预设数目个像素点。