CN117079166B - 一种基于高空间分辨率遥感图像的边缘提取方法 - Google Patents
一种基于高空间分辨率遥感图像的边缘提取方法 Download PDFInfo
- Publication number
- CN117079166B CN117079166B CN202311317609.7A CN202311317609A CN117079166B CN 117079166 B CN117079166 B CN 117079166B CN 202311317609 A CN202311317609 A CN 202311317609A CN 117079166 B CN117079166 B CN 117079166B
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- detected
- sensing image
- reference image
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 50
- 238000003708 edge detection Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012163 sequencing technique 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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体为一种基于高空间分辨率遥感图像的边缘提取方法,包括:获取目标区域的遥感影像序列,和无人机的实时位置进行匹配;以待检测图像的图像位置为原点将遥感图像集中所有在设定范围内的遥感图像设为参照图像,形成参照图像集合;分别获取待检测图像和参照图像集合中参照图像的信息特征集合,则根据各信息特征集合之间的变化程度分析待检测图像和参照图像集合之间的关联性;若待检测图像和参照图像集合的关联性小,则根据参照图像的数量分析待检测图像的误差程度;对误差程度大于阈值的待检测图像进行二次遥感探测,反馈给相关人员,有利于降低采集遥感图像时的误差。
Description
技术领域
本发明涉及图像处理技术领域,具体为一种基于高空间分辨率遥感图像的边缘提取方法。
背景技术
高空间分辨率遥感是对遥感数据的质量和数量要求很高的遥感技术。随着高分辨率遥感探测技术的快速发展,高分辨率遥感图像已经可以为人们提供更加清晰的地物形状、丰富的纹理信息和精准的空间分布。
利用高分辨率的遥感图像具有采集的数据量大,影响覆盖面积小,使图像数据更加清晰的优点。然而人们利用无人机遥感技术对大范围地物进行遥感图像采集时,会存在很多包括地理环境误差、图像拍摄误差等影响因素,使遥感图像产生各种不同程度的误差,从而降低遥感图像的准确性,进而影响后续的图像融合过程。因此,如何降低采集的遥感图像的误差成为人们亟待解决的问题。
发明内容
本发明的目的在于提供一种基于高空间分辨率遥感图像的边缘提取方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于高空间分辨率遥感图像的边缘提取方法,包括以下步骤:
步骤S100:利用无人机遥感技术获取目标区域的遥感影像序列,并对遥感影像序列进行分帧提取,形成遥感图像集;将遥感图像集中各张遥感图像和无人机的实时位置进行匹配,形成相应的图像位置集;
步骤S200:分别对遥感图像集中的各张遥感图像进行图像边缘检测和图像特征提取,则分别提取出各张遥感图像对应的信息特征集合;
步骤S300:将遥感图像集中任意遥感图像设为待检测图像,则以待检测图像的图像位置为原点将遥感图像集中所有在设定范围内的遥感图像设为参照图像,形成参照图像集合;分别获取待检测图像和参照图像集合中参照图像的信息特征集合,分析各信息特征集合之间是否存在相同信息特征;
步骤S400:捕捉存在相同信息特征的任意参照图像,获取待检测图像和任意参照图像的位置形成方向向量;以任意参照图像的中心位置为原点,构建二维平面坐标系,则根据方向向量的垂线对任意参照图像进行智能分割,并根据分割出的各个区块中信息特征的变化规律分析任意参照图像和待检测图像的关联性,进一步确认待检测图像和参照图像集合的关联性和误差程度;
步骤S500:对误差程度大于阈值的待检测图像进行二次遥感探测,待重新获取遥感图像数据后,系统重新进行误差程度分析,直至遥感图像的误差程度小于阈值;将二次遥感探测的位置进行标记并反馈给相关人员;
步骤S600:对所有遥感图像进行图像轮廓融合,进一步汇集成目标区域的整体图像同时显示无人机采集所有遥感图像时的图像采集轨迹。
进一步的,步骤S100包括:
步骤S110:利用无人机遥感技术对目标区域的遥感影像序列进行获取,并分帧提取所述影像序列中的图像数据,形成遥感图像集;
上述步骤中,遥感图像集中的各张遥感图像均是高空间分辨率遥感图像,使获取的遥感图像更加清晰,提高图像精度;
步骤S120:获取无人机探测目标区域的实时位置,将遥感图像集中各张遥感图像和所述实时位置进行匹配,于各张遥感图像分别匹配出的实时位置形成图像位置集(X,Y)。
进一步的,步骤S200包括:
步骤S210:利用傅里叶变换对遥感图像集中各张遥感图像进行平滑滤波和边缘增强;
步骤S220:待各遥感图像边缘增强后,利用统一模数学形态学边缘检测方法和矢量场模型得到各遥感图像的边缘强度;
步骤S230:根据边缘强度对各遥感图像进行二值化处理,获得最终的边缘检测结果;则根据边缘检测结果分别提取各遥感图像的图像特征,分别形成各遥感图像相应的信息特征集合;
上述步骤S210具体包括:首先利用傅里叶变换,将各张遥感图像转换至频域,再经频谱分析分别设计中通巴特沃斯滤波器对遥感图像进行平滑滤波以及边缘粗增强;
上述步骤S220具体是基于矢量场模型的第一基本形式来反演各遥感图像的边缘强度;
通常情况下,采集到的各张遥感图像均存在许多噪声,而上述步骤的图像边缘检测在应用于不同类型的噪声图像时具有较强的鲁棒性,可以更好的检测遥感图像中的细节边缘特征和薄边缘。
进一步的,步骤S300包括:
步骤S310:根据图像位置集(X,Y)中各张遥感图像对应的位置信息构成图像采集轨迹,并根据图像采集轨迹对各遥感图像进行相应位置的平面摆放;将遥感图像集中任意遥感图像设为待检测图像,则以待检测图像的位置(xi,yi)为圆心,构建半径为d的一个圆形范围;对遥感图像集中所有在圆形范围内的参照图像进行捕捉,形成参照图像集合;
上述步骤进行平面摆放的各张遥感图像中会存在一定的重叠部分,即存在相同的信息特征;同时圆形范围的半径d是由无人机拍摄图像的大小和无人机的飞行习惯决定;
步骤S320:以待检测图像的位置(xi,yi)为起点,参照图像集合中任意参照图像的位置(x1,y1)为终点形成方向向量q1=(x1-xi,y1-yi);分别获取待检测图像和任意参照图像的信息特征集合A和B,若信息特征集合A∩B≠∅,则提取信息特征集合B中同信息特征集合A相同的所有信息特征;
上述步骤中若信息特征集合A∩B=∅,则表示待检测图像和任意参照图像不存在关联性。
进一步的,步骤S400包括:
步骤S410:捕捉存在相同信息特征的任意参照图像,以任意参照图像的中心位置为原点,构建二维平面直角坐标系,则根据方向向量q1作一条经过原点且和方向向量q1垂直的直线f1;对单位时间内无人机的移动长度进行捕捉,并将所述移动长度等比例转换为图像中的移动长度得到图像移动长度,则以图像移动长度为平行间隔设置若干条和直线f1平行的直线,形成平行直线集合;将平行直线集合中所有和任意参照图像相交的平行直线作为图像分割线,则根据图像分割线将任意参照图像分割为不同大小的区块,形成区块集;
上述步骤中设置多条平行直线的目的是对任意参照图像进行分割,便于后续对区块特征信息的分析;
例如,获取垂直直线ax+by=0和平行间隔d,由任意参照图像组成的矩形方框表示为{-p≤x≤p且-q≤y≤q},则根据ax+by=0和d获得平行直线ax+by+c1=0,其中|c1|=d*√(a2+b2);然后根据ax+by+c=0和d再次获得两条平行直线,不断迭代,直至平行直线经过或略过矩形方框的顶角坐标,此时若产生h条平行直线作为分割线,那么则会产生h+1个区块;
步骤S420:分别提取区块集中各个区块对应的信息特征数量K,并提取各个区块中同信息特征集合A相同的信息特征数量F,则分别得到各个区块和信息特征集合A存在相同信息特征的数量占比为F/K;根据各个区块对应的数量占比F/K对每一个区块进行降序,此时,对各个区块的中心位置进行直线拟合,并将降序的顺序作为拟合直线的方向,从而形成方向向量q2;
根据区块中各相同信息特征的数量占比值对各个区块进行排序,此时获取各区块的中心位置,以各个区块的顺序进行直线拟合,有助于分析数量占比在各个区块的变化趋势,有利于后续分析由区块组成的任意参考图像和待检测图像的信息特征关联性;
步骤S430:分别获取方向向量q1和q2,则根据方向向量的夹角确认待检测图像和参照图像集合的关联性和误差程度。
进一步的,步骤S430包括:
步骤S431:分别获取方向向量q1和q2,则根据公式cosφ=q1·q2/|q1|*|q2|,得到两个方向向量之间的夹角φ;若φ小于夹角阈值β,则表示待检测图像和参照图像集合中的任意参照图像存在关联性;此时,获取参照图像集合中同待检测图像存在关联性的所有参照图像,则若n/m小于占比阈值μ时,表示待检测图像和参照图像集合的关联性小,反之,则表示待检测图像和参照图像集合的关联性大;其中n表示参照图像集合中所有和待检测图像存在关联性的参照图像数量,m表示参照图像集合中参照图像数量;
上述步骤中由各区块信息特征的数量占比构成了方向向量q2,此时,若q1和q2之间的夹角小于阈值,则表示任意参照图像中和待检测图像相同的信息特征存在一定变化规律,信息特征数量以方向向量q1的角度进行扩散,此时判定待检测图像和任意参照图像存在关联性;
分析任意参考图像中各区块信息特征的变化规律,进一步根据变化规律分析关联性,有利于后续对待检测图像的误差分析;
步骤S432:若待检测图像和参照图像集合的关联性小,则确认待检测图像的误差程度R=σ1*|n/m-μ|;其中σ1表示待检测图像的遥感误差参数;若待检测图像和参照图像集合的关联性大,则确认待检测图像误差程度为R=0。
进一步的,步骤S500包括:
步骤S510:当待检测图像的误差程度R大于误差阈值δ时,系统根据待检测图像的位置(xi,yi)进行二次遥感探测并对图像采集轨迹中的所述位置进行标记;获取二次遥感探测的遥感图像,返回步骤S200对所述遥感图像重新进行误差分析,直至遥感图像的误差程度小于误差阈值δ;
步骤S520:将图像采集轨迹反馈给相关人员并显示标记位置相应的标记次数。
进一步的,步骤S600包括:
步骤S610:遍历遥感图像集,待所有遥感图像的误差程度小于误差阈值δ时,对所有遥感图像进行图像轮廓融合,从而汇集成目标区域的整体遥感图像;
步骤S620:显示无人机采集所有遥感图像时的图像采集轨迹并将所述图像采集轨迹存储至数据库中作为历史数据;
待目标区域的遥感图像数据构建完毕后,将图像采集轨迹作为历史数据,便于后续对类似地物遥感图像采集,即通过分析历史数据构建不同地势的图像采集模型,便于后续确认大概地势后,根据采集模型进行图像采集。
与现有技术相比,本发明所达到的有益效果是:
本发明中通过采集存在许多噪声的遥感图像,并对进行图像边缘检测,在应用于不同类型的噪声图像时具有较强的鲁棒性,可以更好的检测遥感图像中的细节边缘特征和薄边缘;通过设置多条平行直线的对任意参照图像进行分割,便于后续对区块特征信息的分析;通过设置多条平行直线的目的是对任意参照图像进行分割,便于后续对区块特征信息的分析。通过将图像采集轨迹作为历史数据,便于后续对类似地物遥感图像采集。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于高空间分辨率遥感图像的边缘提取方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供技术方案:一种基于高空间分辨率遥感图像的边缘提取方法,包括以下步骤:
步骤S100:利用无人机遥感技术获取目标区域的遥感影像序列,并对遥感影像序列进行分帧提取,形成遥感图像集;将遥感图像集中各张遥感图像和无人机的实时位置进行匹配,形成相应的图像位置集;
步骤S100包括:
步骤S110:利用无人机遥感技术对目标区域的遥感影像序列进行获取,并分帧提取所述影像序列中的图像数据,形成遥感图像集;
步骤S120:获取无人机探测目标区域的实时位置,将遥感图像集中各张遥感图像和所述实时位置进行匹配,于各张遥感图像分别匹配出的实时位置形成图像位置集(X,Y)。
步骤S200:分别对遥感图像集中的各张遥感图像进行图像边缘检测和图像特征提取,则各张遥感图像分别提取出相应的信息特征集合;
步骤S200包括:
步骤S210:利用傅里叶变换对遥感图像集中各张遥感图像进行平滑滤波和边缘增强;
步骤S220:待各遥感图像边缘增强后,利用统一模数学形态学边缘检测方法和矢量场模型得到各遥感图像的边缘强度;
步骤S230:根据边缘强度对各遥感图像进行二值化处理,获得最终的边缘检测结果;则根据边缘检测结果分别提取各遥感图像的图像特征,分别形成各遥感图像相应的信息特征集合;
上述步骤S210具体包括:首先利用傅里叶变换,将各张遥感图像转换至频域,再经频谱分析分别设计中通巴特沃斯滤波器对遥感图像进行平滑滤波以及边缘粗增强;
上述步骤S220具体是基于矢量场模型的第一基本形式来反演各遥感图像的边缘强度。
步骤S300:将遥感图像集中任意遥感图像设为待检测图像,则以待检测图像的图像位置为原点将遥感图像集中所有在设定范围内的遥感图像设为参照图像,形成参照图像集合;分别获取待检测图像和参照图像集合中参照图像的信息特征集合,分析各信息特征集合之间是否存在相同信息特征;
步骤S300包括:
步骤S310:根据图像位置集(X,Y)中各张遥感图像对应的位置信息构成图像采集轨迹,并根据图像采集轨迹对各遥感图像进行相应位置的平面摆放;将遥感图像集中任意遥感图像设为待检测图像,则以待检测图像的位置(xi,yi)为圆心,构建半径为d的一个圆形范围;对遥感图像集中所有在圆形范围内的参照图像进行捕捉,形成参照图像集合;
步骤S320:以待检测图像的位置(xi,yi)为起点,参照图像集合中任意参照图像的位置(x1,y1)为终点形成方向向量q1=(x1-xi,y1-yi);分别获取待检测图像和任意参照图像的信息特征集合A和B,若信息特征集合A∩B≠∅,则提取信息特征集合B中同信息特征集合A相同的所有信息特征;
上述步骤中若信息特征集合A∩B=∅,则表示待检测图像和任意参照图像不存在关联性。
步骤S400:捕捉存在相同信息特征的任意参照图像,获取待检测图像和任意参照图像的位置形成方向向量;以任意参照图像的中心位置为原点,构建二维平面坐标系,则根据方向向量的垂线对任意参照图像进行智能分割,并根据分割出的各个区块中信息特征的变化规律分析任意参照图像和待检测图像的关联性,进一步确认待检测图像和参照图像集合的关联性和误差程度;
步骤S400包括:
步骤S410:以任意参照图像的中心位置为原点,构建二维平面直角坐标系,则根据方向向量q1作一条经过原点且和方向向量q1垂直的直线f1;获取单位时间内无人机的移动长度,对所述移动长度等比例计算得到图像移动长度,则以图像移动长度为平行间隔设置多条和直线f1平行的直线,形成平行直线集合;将平行直线集合中所有和任意参照图像相交的平行直线作为图像分割线,则根据图像分割线将任意参照图像分割为不同大小的区块,形成区块集;
例如,获取垂直直线ax+by=0和平行间隔d,由任意参照图像组成的矩形方框表示为{-p≤x≤p且-q≤y≤q},则根据ax+by=0和d获得平行直线ax+by+c1=0,其中|c1|=d*√(a2+b2);然后根据ax+by+c=0和d再次获得两条平行直线,不断迭代,直至平行直线经过或略过矩形方框的顶角坐标,此时若产生h条平行直线作为分割线,那么则会产生h+1个区块;
步骤S420:分别提取区块集中各个区块对应的信息特征数量K,并提取各个区块中同信息特征集合A相同的信息特征数量F,则分别得到各个区块和信息特征集合A存在相同信息特征的数量占比为F/K;根据各个区块对应的数量占比F/K对每一个区块进行降序,此时,对各个区块的中心位置进行直线拟合,并将降序的顺序作为拟合直线的方向,从而形成方向向量q2;
例如说,分别获取3个区块对应的信息特征数量K={100,100,200},以及这3个区块内和信息特征集合A存在相同信息特征的数量F={40,10,40},其中区块1对应的信息特征数量分别为100和40,区块2对应的信息特征数量分别为100和10,区块3对应的信息特征数量分别为200和40 ;
此时,得到3个区块和信息特征集合A存在相同信息特征的数量占比为F/K={0.4,0.1,0.2},则将F/K进行降序,此时对应的降序后的区块顺序为区块1→区块3→区块2;
分别获取3个区块的中心位置坐标,由区块1→区块3→区块2的顺序对中心位置进行直线拟合,从而形成方向向量q2;
步骤S430:分别获取方向向量q1和q2,则根据方向向量的夹角确认待检测图像和参照图像集合的关联性和误差程度;
步骤S430包括:
步骤S431:分别获取方向向量q1和q2,则根据公式cosφ=q1·q2/|q1|*|q2|,得到两个方向向量之间的夹角φ;若φ小于夹角阈值β,则表示待检测图像和参照图像集合中的任意参照图像存在关联性;此时,获取参照图像集合中同待检测图像存在关联性的所有参照图像,则若n/m小于占比阈值μ时,表示待检测图像和参照图像集合的关联性小,反之,则表示待检测图像和参照图像集合的关联性大;其中n表示参照图像集合中所有和待检测图像存在关联性的参照图像数量,m表示参照图像集合中参照图像数量;
上述步骤中由各区块信息特征的数量占比构成了方向向量q2,此时,若q1和q2之间的夹角小于阈值,则表示任意参照图像中和待检测图像相同的信息特征存在一定变化规律,信息特征数量以方向向量q1的角度进行扩散,此时判定待检测图像和任意参照图像存在关联性。
步骤S432:若待检测图像和参照图像集合的关联性小,则根据参照图像的数量分析待检测图像的误差程度;反之,若待检测图像和参照图像集合的关联性大,则表示待检测图像误差程度为0;
步骤S500:对误差程度大于阈值的待检测图像进行二次遥感探测,待重新获取遥感图像数据后,系统重新进行误差程度分析,直至遥感图像的误差程度小于阈值;将二次遥感探测的位置进行标记并反馈给相关人员;
步骤S500包括:
步骤S510:当待检测图像的误差程度R大于误差阈值δ时,系统根据待检测图像的位置(xi,yi)进行二次遥感探测并对图像采集轨迹中的所述位置进行标记;获取二次遥感探测的遥感图像,返回步骤S200对所述遥感图像重新进行误差分析,直至遥感图像的误差程度小于误差阈值δ;
步骤S520:将图像采集轨迹反馈给相关人员并显示标记位置相应的标记次数。
步骤S600:对所有遥感图像进行图像轮廓融合,进一步汇集成目标区域的整体图像同时显示无人机采集所有遥感图像时的图像采集轨迹。
步骤S600包括:
步骤S610:遍历遥感图像集,待所有遥感图像的误差程度小于误差阈值δ时,对所有遥感图像进行图像轮廓融合,从而汇集成目标区域的整体遥感图像;
步骤S620:显示无人机采集所有遥感图像时的图像采集轨迹并将所述图像采集轨迹存储至数据库中作为历史数据。
例如:步骤S100包括:
步骤S110:利用无人机遥感技术对目标区域的遥感影像序列进行获取,并分帧提取所述影像序列中的图像数据,形成遥感图像集;
步骤S220:获取无人机探测目标区域的实时位置,将遥感图像集中各张遥感图像和所述实时位置进行匹配,于各张遥感图像分别匹配出的实时位置形成图像位置集(X,Y)。
步骤S200包括:
步骤S210:利用傅里叶变换对遥感图像集中各张遥感图像进行平滑滤波和边缘增强;
步骤S220:待各遥感图像边缘增强后,利用统一模数学形态学边缘检测方法和矢量场模型得到各遥感图像的边缘强度;
步骤S230:根据边缘强度对各遥感图像进行二值化处理,获得最终的边缘检测结果;则根据边缘检测结果分别提取各遥感图像的图像特征,分别形成各遥感图像相应的信息特征集合。
步骤S300包括:
步骤S310:根据图像位置集(X,Y)中各张遥感图像对应的位置信息构成图像采集轨迹,并根据图像采集轨迹对各遥感图像进行相应位置的平面摆放;将遥感图像集中任意遥感图像设为待检测图像,则以待检测图像的位置(20,20)为圆心,构建半径为d=50m的一个圆形范围;对遥感图像集中所有在圆形范围内的参照图像进行捕捉,形成参照图像集合;
步骤S320:以待检测图像的位置(20,20)为起点,参照图像集合中任意参照图像的位置(100,100)为终点形成方向向量q1=(50,50);分别获取待检测图像和任意参照图像的信息特征集合A和B,若信息特征集合A∩B≠∅,则提取信息特征集合B中同信息特征集合A相同的所有信息特征;
反之,若信息特征集合A∩B=∅,则表示待检测图像和任意参照图像不存在关联性;
步骤S400包括:
步骤S410:以任意参照图像的中心位置为原点,构建二维平面直角坐标系,则由任意参照图像组成的矩形方框表示为{-30≤x≤30且-30≤y≤30},根据方向向量q1=(50,50)作一条经过原点且和方向向量q1垂直的直线f1:3x+4y=0;获取单位时间内无人机的移动长度,对所述移动长度等比例计算得到图像移动长度d=5m,则根据3x+4y=0和d=5m获得平行直线3x+4y+25=0和3x+4y-25=0,其中25=d*√(32+42);经过不断迭代,当平行直线经过顶点坐标(30,30)和(-30,-30)时,得到平行直线3x+4y±210=0,此时则产生8条平行直线作为任意参照图像的分割线,那么根据图像分割线将任意参照图像分割为9个不同大小的区块,形成区块集;
步骤S420:分别提取区块集中各个区块对应的信息特征数量K,并提取各个区块中同信息特征集合A相同的信息特征数量F,则分别得到各个区块和信息特征集合A存在相同信息特征的数量占比为F/K;根据各个区块对应的数量占比F/K对每一个区块进行降序,此时,对各个区块的中心位置进行直线拟合,并将降序的顺序作为拟合直线的方向,从而形成方向向量q2=(20,20);
步骤S430:分别获取方向向量q1和q2,则根据方向向量的夹角确认待检测图像和参照图像集合的关联性和误差程度;
步骤S430包括:
步骤S431:分别获取方向向量q1和q2,则根据公式cosφ=q1·q2/|q1|*|q2|=1,得到两个方向向量之间的夹角φ=0;此时则表示待检测图像和参照图像集合中的任意参照图像存在关联性;此时,获取参照图像集合中同待检测图像存在关联性的所有参照图像,则若n/m=0.7,则表示待检测图像和参照图像集合的关联性大;其中n表示参照图像集合中所有和待检测图像存在关联性的参照图像数量,m表示参照图像集合中参照图像数量;
上述步骤中由各区块信息特征的数量占比构成了方向向量q2,此时,若q1和q2之间的夹角小于阈值,则表示任意参照图像中和待检测图像相同的信息特征存在一定变化规律,信息特征数量以方向向量q1的角度进行扩散,此时判定待检测图像和任意参照图像存在关联性;
步骤S432:若待检测图像和参照图像集合的关联性大,则确认待检测图像误差程度为R=0。
步骤S600包括:
步骤S610:遍历遥感图像集,对所有遥感图像进行图像轮廓融合,从而汇集成目标区域的整体遥感图像;
步骤S620:显示无人机采集所有遥感图像时的图像采集轨迹并将所述图像采集轨迹存储至数据库中作为历史数据。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。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 (5)
1.一种基于高空间分辨率遥感图像的边缘提取方法,其特征在于:包括以下步骤:
步骤S100:利用无人机遥感技术获取目标区域的遥感影像序列,并对遥感影像序列进行分帧提取,形成遥感图像集;将遥感图像集中各张遥感图像和无人机的实时位置进行匹配,形成相应的图像位置集;
步骤S200:分别对遥感图像集中的各张遥感图像进行图像边缘检测和图像特征提取,则分别提取出各张遥感图像对应的信息特征集合;
步骤S300:将遥感图像集中任意遥感图像设为待检测图像,则以待检测图像的图像位置为原点将遥感图像集中所有在设定范围内的遥感图像设为参照图像,形成参照图像集合;分别获取待检测图像和参照图像集合中参照图像的信息特征集合,分析各信息特征集合之间是否存在相同信息特征;
步骤S400:捕捉存在相同信息特征的任意参照图像,获取待检测图像和任意参照图像的位置形成方向向量;以任意参照图像的中心位置为原点,构建二维平面坐标系,则根据方向向量的垂线对任意参照图像进行智能分割,并根据分割出的各个区块中信息特征的变化规律分析任意参照图像和待检测图像的关联性,进一步确认待检测图像和参照图像集合的关联性和误差程度;
步骤S500:对误差程度大于阈值的待检测图像进行二次遥感探测,待重新获取遥感图像数据后,系统重新进行误差程度分析,直至遥感图像的误差程度小于阈值;将二次遥感探测的位置进行标记并反馈给相关人员;
步骤S600:对所有遥感图像进行图像轮廓融合,进一步汇集成目标区域的整体图像同时显示无人机采集所有遥感图像时的图像采集轨迹;
所述步骤S300包括:
步骤S310:根据图像位置集(X,Y)中各张遥感图像对应的位置信息构成图像采集轨迹,并根据图像采集轨迹对各遥感图像进行相应位置的平面摆放;将遥感图像集中任意遥感图像设为待检测图像,则以待检测图像的位置(xi,yi)为圆心,构建半径为d的一个圆形范围;对遥感图像集中所有在圆形范围内的参照图像进行捕捉,形成参照图像集合;
步骤S320:以待检测图像的位置(xi,yi)为起点,参照图像集合中任意参照图像的位置(x1,y1)为终点形成方向向量q1=(x1-xi,y1-yi);分别获取待检测图像和任意参照图像的信息特征集合A和B,若信息特征集合A∩B≠∅,则提取信息特征集合B中同信息特征集合A相同的所有信息特征;
所述步骤S400包括:
步骤S410:捕捉存在相同信息特征的任意参照图像,以任意参照图像的中心位置为原点,构建二维平面直角坐标系,则根据方向向量q1作一条经过原点且和方向向量q1垂直的直线f1;对单位时间内无人机的移动长度进行捕捉,并将所述移动长度等比例转换为图像中的移动长度得到图像移动长度,则以图像移动长度为平行间隔设置若干条和直线f1平行的直线,形成平行直线集合;将平行直线集合中所有和任意参照图像相交的平行直线作为图像分割线,则根据图像分割线将任意参照图像分割为不同大小的区块,形成区块集;
步骤S420:分别提取区块集中各个区块对应的信息特征数量K,并提取各个区块中同信息特征集合A相同的信息特征数量F,则分别得到各个区块和信息特征集合A存在相同信息特征的数量占比为F/K;根据各个区块对应的数量占比F/K对每一个区块进行降序,此时,对各个区块的中心位置进行直线拟合,并将降序的顺序作为拟合直线的方向,从而形成方向向量q2;
步骤S430:分别获取方向向量q1和q2,则根据方向向量的夹角确认待检测图像和参照图像集合的关联性和误差程度;
所述步骤S430包括:
步骤S431:分别获取方向向量q1和q2,则根据公式cosφ=q1·q2/|q1|*|q2|,得到两个方向向量之间的夹角φ;若φ小于夹角阈值β,则表示待检测图像和参照图像集合中的任意参照图像存在关联性;此时,获取参照图像集合中同待检测图像存在关联性的所有参照图像,则若n/m小于占比阈值μ时,表示待检测图像和参照图像集合的关联性小,反之,则表示待检测图像和参照图像集合的关联性大;其中n表示参照图像集合中所有和待检测图像存在关联性的参照图像数量,m表示参照图像集合中参照图像数量;
步骤S432:若待检测图像和参照图像集合的关联性小,则确认待检测图像的误差程度R=σ1*|n/m-μ|;其中σ1表示待检测图像的遥感误差参数;若待检测图像和参照图像集合的关联性大,则确认待检测图像误差程度为R=0。
2.根据权利要求1所述的一种基于高空间分辨率遥感图像的边缘提取方法,其特征在于:所述步骤S100包括:
步骤S110:利用无人机遥感技术对目标区域的遥感影像序列进行获取,并分帧提取所述影像序列中的图像数据,形成遥感图像集;
步骤S120:获取无人机探测目标区域的实时位置,将遥感图像集中各张遥感图像和所述实时位置进行匹配,于各张遥感图像分别匹配出的实时位置形成图像位置集(X,Y)。
3.根据权利要求2所述的一种基于高空间分辨率遥感图像的边缘提取方法,其特征在于:所述步骤S200包括:
步骤S210:利用傅里叶变换对遥感图像集中各张遥感图像进行平滑滤波和边缘增强;
步骤S220:待各遥感图像边缘增强后,利用统一模数学形态学边缘检测方法和矢量场模型得到各遥感图像的边缘强度;
步骤S230:根据边缘强度对各遥感图像进行二值化处理,获得最终的边缘检测结果;则根据边缘检测结果分别提取各遥感图像的图像特征,分别形成各遥感图像相应的信息特征集合。
4.根据权利要求3所述的一种基于高空间分辨率遥感图像的边缘提取方法,其特征在于:所述步骤S500包括:
步骤S510:当待检测图像的误差程度R大于误差阈值δ时,系统根据待检测图像的位置(xi,yi)进行二次遥感探测并对图像采集轨迹中的所述位置进行标记;获取二次遥感探测的遥感图像,返回步骤S200对所述遥感图像重新进行误差分析,直至遥感图像的误差程度小于误差阈值δ;
步骤S520:将图像采集轨迹反馈给相关人员并显示标记位置相应的标记次数。
5.根据权利要求4所述的一种基于高空间分辨率遥感图像的边缘提取方法,其特征在于:所述步骤S600包括:
步骤S610:遍历遥感图像集,待所有遥感图像的误差程度小于误差阈值δ时,对所有遥感图像进行图像轮廓融合,从而汇集成目标区域的整体遥感图像;
步骤S620:显示无人机采集所有遥感图像时的图像采集轨迹并将所述图像采集轨迹存储至数据库中作为历史数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317609.7A CN117079166B (zh) | 2023-10-12 | 2023-10-12 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317609.7A CN117079166B (zh) | 2023-10-12 | 2023-10-12 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117079166A CN117079166A (zh) | 2023-11-17 |
CN117079166B true CN117079166B (zh) | 2024-02-02 |
Family
ID=88717328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311317609.7A Active CN117079166B (zh) | 2023-10-12 | 2023-10-12 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079166B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228579A (zh) * | 2016-08-25 | 2016-12-14 | 河海大学 | 一种基于地理时空场景的视频图像动态水位信息提取方法 |
WO2017111257A1 (ko) * | 2015-12-23 | 2017-06-29 | 한화테크윈 주식회사 | 영상 처리 장치 및 영상 처리 방법 |
KR20190049086A (ko) * | 2017-11-01 | 2019-05-09 | 주식회사 두시텍 | 무인기 고속비행 중 정밀위치 영상 획득 장치 및 그를 이용한 정밀위치 획득 방법 |
CN110176030A (zh) * | 2019-05-24 | 2019-08-27 | 中国水产科学研究院 | 一种无人机图像的自动配准方法、装置及电子设备 |
CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的系统和方法 |
CN112419350A (zh) * | 2020-11-20 | 2021-02-26 | 武汉大学 | 基于地物边界信息的遥感影像自动化几何配准方法及系统 |
CN112489099A (zh) * | 2020-12-11 | 2021-03-12 | 北京航空航天大学 | 点云配准方法、装置、存储介质及电子设备 |
CN114399689A (zh) * | 2022-01-17 | 2022-04-26 | 杭州弥深智能科技有限公司 | 基于多视角无人机图像的缺少定位设备的无人机定位方法 |
CN114549649A (zh) * | 2022-04-27 | 2022-05-27 | 江苏智绘空天技术研究院有限公司 | 一种基于特征匹配的扫描地图点符号的快速识别方法 |
CN114936971A (zh) * | 2022-06-08 | 2022-08-23 | 浙江理工大学 | 一种面向水域的无人机遥感多光谱图像拼接方法及系统 |
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 |
KR20230108236A (ko) * | 2022-01-10 | 2023-07-18 | 포항공과대학교 산학협력단 | 드론 기반 주파수 변조 연속파형 합성 개구면 레이다 영상 장치 및 그 방법 |
CN116511652A (zh) * | 2023-06-30 | 2023-08-01 | 江苏永大化工设备有限公司 | 一种气体保护焊接工艺参数优化系统及方法 |
CN116546431A (zh) * | 2023-07-04 | 2023-08-04 | 北京江云智能科技有限公司 | 一种基于北斗全网通多网融合数据采集通信系统及方法 |
CN116597329A (zh) * | 2023-05-19 | 2023-08-15 | 北京工业大学 | 一种基于机器视觉的桥梁裂缝检测系统及方法 |
CN116740591A (zh) * | 2023-06-14 | 2023-09-12 | 四川省林业科学研究院 | 用于草原鼠荒地的无人机遥感影像数据监测系统及方法 |
CN116843938A (zh) * | 2023-03-24 | 2023-10-03 | 江苏方寸图信息技术有限公司 | 一种高空间分辨率遥感图像的混合分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019041276A1 (zh) * | 2017-08-31 | 2019-03-07 | 深圳市大疆创新科技有限公司 | 一种图像处理方法、无人机及系统 |
JP7280988B1 (ja) * | 2022-02-17 | 2023-05-24 | 楽天グループ株式会社 | 情報処理装置、視認困難箇所特定方法、及び無人飛行体 |
-
2023
- 2023-10-12 CN CN202311317609.7A patent/CN117079166B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017111257A1 (ko) * | 2015-12-23 | 2017-06-29 | 한화테크윈 주식회사 | 영상 처리 장치 및 영상 처리 방법 |
CN106228579A (zh) * | 2016-08-25 | 2016-12-14 | 河海大学 | 一种基于地理时空场景的视频图像动态水位信息提取方法 |
KR20190049086A (ko) * | 2017-11-01 | 2019-05-09 | 주식회사 두시텍 | 무인기 고속비행 중 정밀위치 영상 획득 장치 및 그를 이용한 정밀위치 획득 방법 |
CN110176030A (zh) * | 2019-05-24 | 2019-08-27 | 中国水产科学研究院 | 一种无人机图像的自动配准方法、装置及电子设备 |
CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的系统和方法 |
CN112419350A (zh) * | 2020-11-20 | 2021-02-26 | 武汉大学 | 基于地物边界信息的遥感影像自动化几何配准方法及系统 |
CN112489099A (zh) * | 2020-12-11 | 2021-03-12 | 北京航空航天大学 | 点云配准方法、装置、存储介质及电子设备 |
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 |
KR20230108236A (ko) * | 2022-01-10 | 2023-07-18 | 포항공과대학교 산학협력단 | 드론 기반 주파수 변조 연속파형 합성 개구면 레이다 영상 장치 및 그 방법 |
CN114399689A (zh) * | 2022-01-17 | 2022-04-26 | 杭州弥深智能科技有限公司 | 基于多视角无人机图像的缺少定位设备的无人机定位方法 |
CN114549649A (zh) * | 2022-04-27 | 2022-05-27 | 江苏智绘空天技术研究院有限公司 | 一种基于特征匹配的扫描地图点符号的快速识别方法 |
CN114936971A (zh) * | 2022-06-08 | 2022-08-23 | 浙江理工大学 | 一种面向水域的无人机遥感多光谱图像拼接方法及系统 |
CN116843938A (zh) * | 2023-03-24 | 2023-10-03 | 江苏方寸图信息技术有限公司 | 一种高空间分辨率遥感图像的混合分类方法 |
CN116597329A (zh) * | 2023-05-19 | 2023-08-15 | 北京工业大学 | 一种基于机器视觉的桥梁裂缝检测系统及方法 |
CN116740591A (zh) * | 2023-06-14 | 2023-09-12 | 四川省林业科学研究院 | 用于草原鼠荒地的无人机遥感影像数据监测系统及方法 |
CN116511652A (zh) * | 2023-06-30 | 2023-08-01 | 江苏永大化工设备有限公司 | 一种气体保护焊接工艺参数优化系统及方法 |
CN116546431A (zh) * | 2023-07-04 | 2023-08-04 | 北京江云智能科技有限公司 | 一种基于北斗全网通多网融合数据采集通信系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117079166A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN110119438B (zh) | 基于主动学习的机载LiDAR点云滤波方法 | |
CN113470090A (zh) | 基于sift-shot特征的多固态激光雷达外参标定方法 | |
CN111007531A (zh) | 一种基于激光点云数据的道路边沿检测方法 | |
WO2006132046A1 (ja) | 三次元形状の位置あわせ方法及びプログラム | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN107481274A (zh) | 一种三维作物点云的鲁棒性重构方法 | |
CN111242000A (zh) | 一种结合激光点云转向的道路边沿检测方法 | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
CN114332348A (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
CN115690184A (zh) | 一种基于三维激光扫描的隧道掌子面位移量测方法 | |
CN109544575A (zh) | 一种基于isar序列多边形匹配的三维轮廓重构方法 | |
Li et al. | A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces | |
CN116305436A (zh) | 一种基于三维激光扫描结合bim的既有桥梁监测方法 | |
CN113721254B (zh) | 一种基于道路指纹空间关联矩阵的车辆定位方法 | |
CN117079166B (zh) | 一种基于高空间分辨率遥感图像的边缘提取方法 | |
CN110927765B (zh) | 激光雷达与卫星导航融合的目标在线定位方法 | |
CN103018728B (zh) | 一种激光雷达实时成像和建筑物特征提取的方法 | |
CN112232248A (zh) | 一种多线LiDAR点云数据平面特征的提取方法及装置 | |
Ruiz et al. | Automatic extraction of road intersections from images based on texture characterisation | |
CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN115511899A (zh) | 浅层小型滑坡形态结构的提取方法及装置 |
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 |