CN116912265A - 一种遥感图像分割方法和系统 - Google Patents
一种遥感图像分割方法和系统 Download PDFInfo
- Publication number
- CN116912265A CN116912265A CN202310732496.0A CN202310732496A CN116912265A CN 116912265 A CN116912265 A CN 116912265A CN 202310732496 A CN202310732496 A CN 202310732496A CN 116912265 A CN116912265 A CN 116912265A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- value
- area
- representing
- 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.)
- Pending
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000012876 topography Methods 0.000 description 12
- 238000012937 correction Methods 0.000 description 9
- 238000003064 k means clustering Methods 0.000 description 8
- 239000003086 colorant Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感图像分割方法和系统,属于数据处理技术领域,方法包括:获取样本数据集;对多张遥感图像进行预处理;通过区域生长算法和聚类算法构建遥感图像分割模型;提取样本数据集中的目标遥感图像的图像特征;根据色彩复杂度和形状复杂度计算算法选择因子;在算法选择因子大于或者等于预设值的情况下,通过聚类算法对目标遥感图像进行分割;在算法选择因子小于预设值的情况下,通过区域生长算法对目标遥感图像进行分割;完成对于遥感图像分割模型的训练;通过无人机获取实时遥感图像;通过遥感图像分割模型对实时遥感图像进行分割处理,分割出实时遥感图像中的各类型的土地区域;根据分割结果,计算农田面积以及农田占有率。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种遥感图像分割方法和系统。
背景技术
利用遥感图像对土地资源进行监测和信息提取对于社会发展具有重要意义。图像分割是遥感图像进行下一步分析和信息提取的重要环节,分割结果的好坏将影响后续图像分析的准确性。土地资源的地貌复杂,相应地呈现出来的遥感图像也状态多变。
现有的遥感图像分割方法,大多单一的采用K-means聚类算法或者区域生长算法。在面对地形复杂、各类型区域不规则的遥感图像时,K-means聚类算法容易产生零碎的小区域,导致分割准确性差,此时更适合采用区域生长算法;而在面对地貌色彩丰富的遥感图像时,难以准确地确定采用区域生成算法时需要的种子点,导致分割准确性差,此时更适合采用基于图像颜色进行聚类的K-means聚类算法。
目前,仍没有遥感图像分割方法能够在各种复杂的地形地貌下均能完成高准确性的遥感图像分割,遥感图像分割方法的普适性低,不利于遥感图像监测技术的普及与推广。
发明内容
为了解决现有技术存在的难以在各种复杂的地形地貌下均能完成高准确性的遥感图像分割,遥感图像分割方法的普适性低的技术问题,本发明提供一种遥感图像分割方法和系统。
第一方面
本发明提供了一种遥感图像分割方法,包括:
S101:获取样本数据集,样本数据集包括多张遥感图像;
S102:对多张遥感图像进行预处理;
S103:通过区域生长算法和聚类算法构建遥感图像分割模型;
S104:提取样本数据集中的目标遥感图像的图像特征,图像特征包括色彩复杂度a、形状复杂度b、对比度con、熵值E和灰度平均值mean;
S105:根据色彩复杂度a和形状复杂度b计算算法选择因子τ:
S106:在算法选择因子τ大于或者等于预设值的情况下,通过聚类算法对目标遥感图像进行分割,分割出目标遥感图像中的各类型的土地区域;
S107:在算法选择因子τ小于预设值的情况下,通过区域生长算法对目标遥感图像进行分割,分割出目标遥感图像中的各类型的土地区域;
S108:完成对于遥感图像分割模型的训练;
S109:通过无人机获取实时遥感图像;
S110:通过遥感图像分割模型对实时遥感图像进行分割处理,分割出实时遥感图像中的各类型的土地区域;
S111:根据分割结果,计算农田面积以及农田占有率。
第二方面
本发明提供了一种遥感图像分割系统,用于执行第一方面中的遥感图像分割方法。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,根据遥感图像的色彩复杂度和形状复杂度计算算法选择因子,根据算法选择因子选择合适的图像分割算法,在遥感图像的色彩复杂度占主导地位即地形地貌颜色差异明显时,选择聚类算法对遥感图像进行分割,在遥感图像的形状复杂度占主导地位即地形复杂多变时,选择区域生长算法对遥感图像进行分割,能够在各种复杂的地形地貌下均能完成高准确性的遥感图像分割,普适性高,有利于遥感图像监测技术的普及与推广。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种遥感图像分割方法的流程示意图;
图2是本发明提供的另一种遥感图像分割方法的流程示意图。
具体实施方式
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,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中,参考说明书附图1,示出了本发明提供的一种遥感图像分割方法的流程示意图。参考说明书附图2,示出了本发明提供的另一种遥感图像分割方法的流程示意图。
本发明提供的一种遥感图像分割方法,包括:
S101:获取样本数据集。
其中,样本数据集包括多张遥感图像。
具体而言,可以通过从公网上下载由各个机构、研究机构或政府部门提供的遥感图像,包括一些知名的遥感数据提供者如美国地质调查局(USGS)、欧空局(ESA)等。还可以自行通过无人机等设备采集遥感图像。
S102:对多张遥感图像进行预处理。
其中,预处理包括辐射校正、几何校正、噪声去除、影像增强和归一化等。
其中,辐射校正是为了消除地表反射和传感器响应之间的关系,以获得更准确的辐射值。辐射校正通常涉及大气校正、大地校正和传感器校正等操作。
其中,几何校正用于纠正遥感图像中的几何失真,使图像与地理坐标系统对齐。几何校正包括地面控制点的匹配和图像的几何变换,例如平移、旋转和缩放等。
其中,噪声去除方法包括滤波器、降噪算法和统计分析等,用于提高图像质量和减少噪声对分析的影响。
其中,影像增强技术用于增强遥感图像中的特定信息或改善图像的视觉质量。常见的方法包括直方图均衡化、滤波、锐化和色彩调整等。
其中,归一化用于将数据转换为统一的尺度范围,以消除不同特征之间的量纲差异。
在一种可能的实施方式中,S102具体包括子步骤S1021至S1026:
S1021:为多张遥感图像中的各个类型的土地区域分配分类标签,分类标签包括水域区域标签、农田区域标签、公路区域标签、农房区域标签、林地区域标签和荒地区域标签。
S1022:对多张遥感图像中相同分类标签的区域进行归一化预处理:
其中,μ表示均值,σ表示标准差,γ表示缩放参数,ω表示平移参数,κ表示超参数,xij表示第i类别第j个像素的真实值,表示第i类别第j个像素归一化预处理后的预测值。
需要说明的是,遥感图像通常涵盖不同的时间、不同的传感器或不同的辐射条件,或者由于获取到的遥感图像来源不同,这些因素可能导致图像之间的亮度、对比度和颜色差异。通过对具有相同分类标签的区域进行归一化预处理,可以使它们具有更一致的亮度和颜色特性,从而减少了因图像间差异而引入的偏差,改善特征提取和分类任务的性能,以及方便数据融合和视觉呈现,可以提高遥感图像分割的准确性和可靠性。
S1023:计算正向损失值L1:
其中,
其中,n表示区域类别的总类别数,m表示图像中像素的总个数。
其中,正向损失值用于解决样本数据集中各个区域类别不均衡的问题,对于微小区域的处理的约束效果好,但是难以确保边界处的像素点的归一化处理准确性。
S1024:计算反向损失值L2:
其中,xj表示第j个像素的真实值,表示第j个像素的预测值。
其中,反向损失值能够在各种情形下取得优秀的处理效果,但是相对于正向损失值来说,计算更加的复杂,相应地处理时间会上升。
S1025:根据正向损失值L1和反向损失值L2计算综合损失值L:
L=λL1+(1-λ)L2
其中,λ表示损失权重系数。
在本发明中,结合正向损失值与反向损失值的优缺点,在面对不同情形的遥感图像时,通过调整损失权重系数λ,以得到更加合适的综合损失值,并根据综合损失值约束归一化结果,是的归一化处理后的遥感图像亮度和颜色特性更加一致。
S1026:在综合损失值L小于预设损失值的情况下,保留归一化预处理结果,否则,调整缩放参数γ和平移参数ω重新进行归一化预处理。
需要说明的是,当综合损失值L超过了预设损失值时,说明当前的归一化预处理结果不满足要求,需要进行调整。调整的目标是通过调整缩放参数γ和平移参数ω来改变归一化的方式,以达到更好的归一化效果,从而提高后续的图像分割的准确性和可靠性。
S103:通过区域生长算法和聚类算法构建遥感图像分割模型。
其中,区域生长算法是一种基于像素相似性的图像分割方法。它从种子像素开始,根据一定的生长准则逐步生长或合并相邻的像素,直到满足预定义的停止条件。聚类算法是一种将数据集分成具有相似特征的组或类的方法。在图像分割中,聚类算法被用于将图像像素聚类成不同的类别,其中每个类别代表一个区域或目标。区域生长算法和聚类算法均是遥感图像分割的常用算法。
现有的遥感图像分割方法,大多单一的采用K-means聚类算法或者区域生长算法。在面对地形复杂、各类型区域不规则的遥感图像时,K-means聚类算法容易产生零碎的小区域,导致分割准确性差,此时更适合采用区域生长算法;而在面对地貌色彩丰富的遥感图像时,难以准确地确定采用区域生成算法时需要的种子点,导致分割准确性差,此时更适合采用基于图像颜色进行聚类的K-means聚类算法。目前,仍没有遥感图像分割方法能够在各种复杂的地形地貌下均能完成高准确性的遥感图像分割,遥感图像分割方法的普适性低。
S104:提取样本数据集中的目标遥感图像的图像特征,图像特征包括色彩复杂度a、形状复杂度b、对比度con、熵值E和灰度平均值mean。
其中,色彩复杂度是指图像中颜色的多样性和变化程度。
其中,形状复杂度是指图像中目标的形状多样性和变化程度。
其中,对比度是指图像中不同区域之间亮度或颜色差异的程度。
其中,熵值是指图像中像素的不确定性或信息量。
其中,灰度平均值是指图像中像素灰度级别的平均值。
在一种可能的实施方式中,形状复杂度b的计算方式为:
b=α1·c1+α2·c2
其中,c1表示目标遥感图像的平滑度,α1表示平滑度的权重,c2表示目标遥感图像的紧致度。α2表示紧致度的权重。
其中,本领域技术人员可以根据实际情况调整平滑度的权重α1和紧致度的权重α2的具体大小,本发明不做限定。
其中,平滑度是指目标轮廓的平滑程度,即轮廓的曲率变化情况。具体而言,可以使用差分算子(如Sobel、Prewitt等)计算目标轮廓的一阶和二阶导数,然后根据曲率的计算平滑度。
其中,紧致度是指目标形状的紧密程度或紧凑性。具体而言,可以通过将目标的面积除以周长的平方来计算紧致度。
需要说明的是,平滑度反映了目标轮廓的平滑程度,而紧致度反映了目标形状的紧密程度。通过同时考虑这两个指标,可以更全面地描述目标的形状特征。
在一种可能的实施方式中,色彩复杂度a的计算方式为:
其中,k表示遥感光谱的波段总数,βi表示第i个波段的权重值,σi表示第i个波段灰度值的标准差。
其中,本领域技术人员可以根据实际情况调整各个波段的权重值的具体大小,本发明不做限定。
需要说明的是,采用波段总数、权重值和灰度值标准差来计算色彩复杂度,可以综合考虑不同波段的贡献,考虑波段灰度分布的变化,提供灵活性和定量指标,以更好地描述和分析图像的色彩复杂度。这样的计算方式有助于理解图像的色彩特征,对于遥感图像的处理和分析具有重要意义。
在一种可能的实施方式中,对比度con、熵值E和灰度平均值mean的计算方式为:
S1041:获取目标遥感图像的灰度值g。
S1042:选取目标遥感图像中的当前像素点(i,j),计算当前像素点(i,j)与临近的其他像素点(i+Δi,j+Δj)之间的灰度差分值gΔ(i,j):
gΔ(i,j)=g(i,j)-g(i+Δi,j+Δj)
其中,g(i,j)表示当前像素点(i,j)的灰度值。
S1043:按照顺序移动当前像素点(i,j),直至计算完整个目标遥感图像的灰度差分值。
S1044:根据灰度差分值构建灰度直方图。
其中,灰度直方图是一种对图像中像素灰度级别分布进行可视化的工具。它表示了图像中每个灰度级别的像素数量或像素占比。通过分析灰度直方图,可以获得关于图像亮度、对比度、灰度范围和分布等信息。
S1045:根据灰度直方图计算各个灰度值在目标遥感图像中的取值概率P(g)。
S1046:根据各个灰度值在目标遥感图像中的取值概率P(g)计算对比度con:
其中,G表示灰度值g的取值范围。
S1047:根据各个灰度值在目标遥感图像中的取值概率P(g)计算熵值E:
S1048:根据各个灰度值在目标遥感图像中的取值概率P(g)计算灰度平均值mean:
S105:根据色彩复杂度a和形状复杂度b计算算法选择因子τ:
需要说明的是,算法选择因子τ可以体现在目标遥感图像中色彩复杂度占主导地位还是形状复杂度占主导地位。可以理解的是,算法选择因子τ越大,表示色彩复杂度相较于形状复杂度更加占据主导地位。算法选择因子τ越小,表示形状复杂度相较于色彩复杂度更加占据主导地位。
S106:在算法选择因子τ大于或者等于预设值的情况下,通过聚类算法对目标遥感图像进行分割,分割出目标遥感图像中的各类型的土地区域。
此时,遥感图像的色彩复杂度占主导地位,也就是说地形地貌颜色差异明显,难以准确地确定采用区域生成算法时需要的种子点,导致分割准确性差,此时更适合采用基于图像颜色进行聚类的K-means聚类算法。
其中,土地区域包括:水域区域、农田区域、公路区域、农房区域、林地区域和荒地区域。
在一种可能的实施方式中,通过聚类算法对遥感图像进行分割,具体包括子步骤S1061至S1065:
S1061:获取各个像素点的图像特征,记为H={h1,h2,h3},其中,h1表示对比度con,h2表示熵值E,h3表示灰度平均值mean。
S1062:随机生成6个初始聚类中心,分别为水域区域聚类中心、农田区域聚类中心、公路区域聚类中心、农房区域聚类中心、林地区域聚类中心和荒地区域聚类中心,记为其中,/>
S1063:根据当前像素点的图像特征H,计算当前像素点与各个初始聚类中心的中心点的距离Dj:
其中,hi表示第i个图像特征,表示第j个初始聚类中心的中心点的第i个图像特征。
S1064:将当前像素点划分到Dj最小的聚类中,并更新聚类中心,记为
S1065:继续选取下一个像素点,直至完成目标遥感图像中所有像素点的聚类,分割出目标遥感图像中的各类型的土地区域。
S107:在算法选择因子τ小于预设值的情况下,通过区域生长算法对目标遥感图像进行分割,分割出目标遥感图像中的各类型的土地区域。
此时,遥感图像的形状复杂度占主导地位,也就是说地形复杂多变,K-means聚类算法容易产生零碎的小区域,导致分割准确性差,此时更适合采用区域生长算法。
在一种可能的实施方式中,通过区域生长算法对目标遥感图像进行分割,具体包括子步骤S1071至S1075:
S1071:获取各个像素点的图像特征,记为H={h1,h2,h3},其中,h1表示对比度con,h2表示熵值E,h3表示灰度平均值mean。
S1072:计算当前像素点与多个临近像素点之间的欧氏距离,以判断当前像素点与多个临近像素点之间的相似度。
S1073:在当前像素点与多个临近像素点之间的相似度均大于第一预设相似度的情况下,选取当前像素点为种子点。
S1074:将与种子点的相似度大于第二预设相似度的临近像素点吸纳到种子点对应的种子区域中。
S1074:计算第一种子区域Ui和第二种子区域Uj之间的生长参数Uij:
其中,Si表示第一种子区域Ui的面积,Sj表示第二种子区域Uj的面积,μk表示第k个图像特征的权重,表示第k个图像特征在第一种子区域Ui中的平均值,/>表示第k个图像特征在第二种子区域Uj中的平均值,/>表示第k种图像特征在第一种子区域Ui和第二种子区域Uj合并之后平均值。
S1075:在第一种子区域Ui和第二种子区域Uj之间的生长参数Uij大于预设生长值的情况下,对第一种子区域Ui和第二种子区域Uj进行合并,分割出目标遥感图像中的各类型的土地区域。
S108:完成对于遥感图像分割模型的训练。
S109:通过无人机获取实时遥感图像。
具体而言,通过在无人机上搭载高分辨率相机、多光谱传感器或热红外摄像机等,对地形进行拍摄,以获取实时遥感图像。
S110:通过遥感图像分割模型对实时遥感图像进行分割处理,分割出实时遥感图像中的各类型的土地区域。
也就是说,在实时遥感图像中分割出水域区域、农田区域、公路区域、农房区域、林地区域和荒地区域等。
S111:根据分割结果,计算农田面积以及农田占有率。
需要说明的是,计算农田占有率对农业规划、食物安全评估、农村发展和土地资源管理等方面具有重要意义。这个指标提供了关于农田在整个地区中的地位和重要性的定量信息,有助于制定相关决策和政策,促进农业可持续发展和农民收入增加。
在一种可能的实施方式中,S111具体包括:
S1111:根据分割出的各类型的土地区域的图像面积大小换算出各类型的土地区域的实际面积大小。
具体地,可以根据农田区域的图像面积大小换算出农田区域的实际面积大小。
S1112:根据各类型的土地区域的实际面积大小,计算农田占有率。
具体而言,可以使用农田区域的实际面积大小除以总面积大小计算农田占有率。
当然地,还可以计算出水域占有率、公路占有率、农房占有率、林地占有率和荒地占有率等,可以根据实际需要进行选择性分析。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,根据遥感图像的色彩复杂度和形状复杂度计算算法选择因子,根据算法选择因子选择合适的图像分割算法,在遥感图像的色彩复杂度占主导地位即地形地貌颜色差异明显时,选择聚类算法对遥感图像进行分割,在遥感图像的形状复杂度占主导地位即地形复杂多变时,选择区域生长算法对遥感图像进行分割,能够在各种复杂的地形地貌下均能完成高准确性的遥感图像分割,普适性高,有利于遥感图像监测技术的普及与推广。
实施例2
在一个实施例中,本发明提供的一种遥感图像分割系统,用于执行实施例1中的遥感图像分割方法。
本发明提供的一种遥感图像分割系统可以实现上述实施例1中的遥感图像分割方法的步骤和效果,为避免重复,本发明不再赘述。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,构建遥感图像分割体系,从工作年限、职业道德、信用历史、口碑评价和职业技能这五个维度综合评估劳务人员的信用,并且通过基学习器进行一次评估,之后再通过元学习器进行二次评估,自动化地完成劳务人员的信用评估,无需人工介入,客观性强,同时提升了信用评估结果的准确性。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种遥感图像分割方法,其特征在于,包括:
S101:获取样本数据集,所述样本数据集包括多张遥感图像;
S102:对多张所述遥感图像进行预处理;
S103:通过区域生长算法和聚类算法构建遥感图像分割模型;
S104:提取所述样本数据集中的目标遥感图像的图像特征,所述图像特征包括色彩复杂度a、形状复杂度b、对比度con、熵值E和灰度平均值mean;
S105:根据所述色彩复杂度a和所述形状复杂度b计算算法选择因子τ:
S106:在所述算法选择因子τ大于或者等于预设值的情况下,通过所述聚类算法对所述目标遥感图像进行分割,分割出所述目标遥感图像中的各类型的土地区域;
S107:在所述算法选择因子τ小于所述预设值的情况下,通过所述区域生长算法对所述目标遥感图像进行分割,分割出所述目标遥感图像中的各类型的土地区域;
S108:完成对于所述遥感图像分割模型的训练;
S109:通过无人机获取实时遥感图像;
S110:通过所述遥感图像分割模型对所述实时遥感图像进行分割处理,分割出所述实时遥感图像中的各类型的土地区域。
S111:根据分割结果,计算农田面积以及农田占有率。
2.根据所述权利要求1所述的遥感图像分割方法,其特征在于,所述土地区域包括:水域区域、农田区域、公路区域、农房区域、林地区域和荒地区域。
3.根据所述权利要求1所述的遥感图像分割方法,其特征在于,所述S102具体包括:
S1021:为多张所述遥感图像中的各个类型的土地区域分配分类标签,所述分类标签包括水域区域标签、农田区域标签、公路区域标签、农房区域标签、林地区域标签和荒地区域标签;
S1022:对多张所述遥感图像中相同分类标签的区域进行归一化预处理:
其中,μ表示均值,σ表示标准差,γ表示缩放参数,ω表示平移参数,κ表示超参数,xij表示第i类别第j个像素的真实值,表示第i类别第j个像素归一化预处理后的预测值;
S1023:计算正向损失值L1:
其中,
其中,n表示区域类别的总类别数,m表示图像中像素的总个数;
S1024:计算反向损失值L2:
其中,xj表示第j个像素的真实值,表示第j个像素的预测值。
S1025:根据所述正向损失值L1和所述反向损失值L2计算综合损失值L:
L=λL1+(1-λ)L2
其中,λ表示损失权重系数;
S1026:在所述综合损失值L小于预设损失值的情况下,保留归一化预处理结果,否则,调整所述缩放参数γ和所述平移参数ω重新进行归一化预处理。
4.根据所述权利要求1所述的遥感图像分割方法,其特征在于,其特征在于,所述形状复杂度b的计算方式为:
b=α1·c1+α2·c2
其中,c1表示所述目标遥感图像的平滑度,α1表示平滑度的权重,c2表示所述目标遥感图像的紧致度;α2表示紧致度的权重。
5.根据所述权利要求1所述的遥感图像分割方法,其特征在于,其特征在于,所述色彩复杂度a的计算方式为:
其中,k表示遥感光谱的波段总数,βi表示第i个波段的权重值,σi表示第i个波段灰度值的标准差。
6.根据所述权利要求1所述的遥感图像分割方法,其特征在于,所述对比度con、所述熵值E和所述灰度平均值mean的计算方式为:
S1041:获取所述目标遥感图像的灰度值g;
S1042:选取所述目标遥感图像中的当前像素点(i,j),计算所述当前像素点(i,j)与临近的其他像素点(i+Δi,j+Δj)之间的灰度差分值gΔ(i,j):
gΔ(i,j)=g(i,j)-g(i+Δi,j+Δj)
其中,g(i,j)表示所述当前像素点(i,j)的灰度值;
S1043:按照顺序移动所述当前像素点(i,j),直至计算完整个所述目标遥感图像的灰度差分值;
S1044:根据所述灰度差分值构建灰度直方图;
S1045:根据所述灰度直方图计算各个灰度值在所述目标遥感图像中的取值概率P(g);
S1046:根据各个灰度值在所述目标遥感图像中的取值概率P(g)计算所述对比度con:
其中,G表示灰度值g的取值范围;
S1047:根据各个灰度值在所述目标遥感图像中的取值概率P(g)计算所述熵值E:
S1048:根据各个灰度值在所述目标遥感图像中的取值概率P(g)计算所述灰度平均值mean:
7.根据所述权利要求1所述的遥感图像分割方法,其特征在于,通过所述聚类算法对所述遥感图像进行分割,具体包括:
S1061:获取各个像素点的图像特征,记为H={h1,h2,h3},其中,h1表示所述对比度con,h2表示所述熵值E,h3表示所述灰度平均值mean;
S1062:随机生成6个初始聚类中心,分别为水域区域聚类中心、农田区域聚类中心、公路区域聚类中心、农房区域聚类中心、林地区域聚类中心和荒地区域聚类中心,记为其中,/>j=1,2,…,m,m=6;
S1063:根据当前像素点的图像特征H,计算所述当前像素点与各个所述初始聚类中心的中心点的距离Dj:
其中,hi表示第i个图像特征,表示第j个初始聚类中心的中心点的第i个图像特征;
S1064:将所述当前像素点划分到Dj最小的聚类中,并更新聚类中心,记为
S1065:继续选取下一个像素点,直至完成所述目标遥感图像中所有像素点的聚类,分割出所述目标遥感图像中的各类型的土地区域。
8.根据所述权利要求1所述的遥感图像分割方法,其特征在于,通过所述区域生长算法对所述目标遥感图像进行分割,具体包括:
S1071:获取各个像素点的图像特征,记为H={h1,h2,h3},其中,h1表示所述对比度con,h2表示所述熵值E,h3表示所述灰度平均值mean;
S1072:计算当前像素点与多个临近像素点之间的欧氏距离,以判断所述当前像素点与多个所述临近像素点之间的相似度;
S1073:在所述当前像素点与多个所述临近像素点之间的相似度均大于第一预设相似度的情况下,选取所述当前像素点为种子点;
S1074:将与所述种子点的相似度大于第二预设相似度的临近像素点吸纳到所述种子点对应的种子区域中;
S1074:计算第一种子区域Ui和第二种子区域Uj之间的生长参数Uij:
其中,Si表示所述第一种子区域Ui的面积,Sj表示所述第二种子区域Uj的面积,μk表示第k个图像特征的权重,表示第k个图像特征在所述第一种子区域Ui中的平均值,/>表示第k个图像特征在所述第二种子区域Uj中的平均值,/>表示第k种图像特征在所述第一种子区域Ui和所述第二种子区域Uj合并之后平均值。
S1075:在所述第一种子区域Ui和所述第二种子区域Uj之间的所述生长参数Uij大于预设生长值的情况下,对所述第一种子区域Ui和所述第二种子区域Uj进行合并,分割出所述目标遥感图像中的各类型的土地区域。
9.根据所述权利要求1所述的遥感图像分割方法,其特征在于,所述S111具体包括:
S1111:根据分割出的各类型的土地区域的图像面积大小换算出各类型的土地区域的实际面积大小;
S1112:根据各类型的土地区域的实际面积大小,计算所述农田占有率。
10.一种遥感图像分割系统,其特征在于,用于执行权利要求1至9所述的遥感图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310732496.0A CN116912265A (zh) | 2023-06-20 | 2023-06-20 | 一种遥感图像分割方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310732496.0A CN116912265A (zh) | 2023-06-20 | 2023-06-20 | 一种遥感图像分割方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912265A true CN116912265A (zh) | 2023-10-20 |
Family
ID=88359173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310732496.0A Pending CN116912265A (zh) | 2023-06-20 | 2023-06-20 | 一种遥感图像分割方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912265A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333504A (zh) * | 2023-12-01 | 2024-01-02 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 一种复杂地形遥感图像精准分割方法 |
-
2023
- 2023-06-20 CN CN202310732496.0A patent/CN116912265A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333504A (zh) * | 2023-12-01 | 2024-01-02 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 一种复杂地形遥感图像精准分割方法 |
CN117333504B (zh) * | 2023-12-01 | 2024-03-01 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 一种复杂地形遥感图像精准分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A computer vision system for early stage grape yield estimation based on shoot detection | |
US10015360B1 (en) | Image-based field boundary detection and identification | |
US8300896B2 (en) | Remote sensing and probabilistic sampling based forest inventory method | |
US8111924B2 (en) | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN104598908A (zh) | 一种农作物叶部病害识别方法 | |
CN110120042A (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
Solvin et al. | Use of UAV photogrammetric data in forest genetic trials: measuring tree height, growth, and phenology in Norway spruce (Picea abies L. Karst.) | |
CN112749654A (zh) | 一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置 | |
CN116229335A (zh) | 基于图像数据的畜禽养殖场环境识别方法 | |
CN116912265A (zh) | 一种遥感图像分割方法和系统 | |
CN104732246B (zh) | 一种半监督协同训练高光谱图像分类方法 | |
CN113011220A (zh) | 穗数识别方法、装置、存储介质及处理器 | |
CN110070513A (zh) | 遥感影像的辐射校正方法及系统 | |
CN113627240B (zh) | 一种基于改进ssd学习模型的无人机树木种类识别方法 | |
Siok et al. | A simulation approach to the spectral quality of multispectral images enhancement | |
CN109726641B (zh) | 一种基于训练样本自动优化的遥感影像循环分类方法 | |
Lira et al. | A supervised contextual classifier based on a region-growth algorithm | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
CN116523866B (zh) | 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质 | |
Nimbarte et al. | Change Detection of Vegetation by Satellite Image Analysis | |
CN115512159A (zh) | 面向对象的高分辨率遥感影像地表覆盖分类方法及系统 | |
Holmes et al. | Development of Landsat-based technology for crop inventories |
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 |