CN117152361B - 一种基于注意力机制的遥感影像能见度估计方法 - Google Patents
一种基于注意力机制的遥感影像能见度估计方法 Download PDFInfo
- Publication number
- CN117152361B CN117152361B CN202311395270.2A CN202311395270A CN117152361B CN 117152361 B CN117152361 B CN 117152361B CN 202311395270 A CN202311395270 A CN 202311395270A CN 117152361 B CN117152361 B CN 117152361B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- image
- model
- processing
- 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 26
- 230000007246 mechanism Effects 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000009897 systematic effect Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000003702 image correction Methods 0.000 claims description 9
- 238000012876 topography Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于注意力机制的遥感影像能见度估计方法，涉及遥感图像处理领域，包括如下步骤：S1、遥感影像图片采集处理；S2、遥感影像图片预处理；S3、遥感影像图片特征提取处理；S4、遥感图像图片模型构建处理；S5、遥感影像能见度估计数据集模型构建。本发明通过对采集后的遥感影像图片数据进行几何校正和分辨率的自动调节处理，有效的提高了识别的效果，同时通过对预处理后的遥感影像图片中的特征进行提取、标识和分类处理，有效的进行模型的构建，同时还可以将遥感图像图片模型与遥感影像能见度估计数据集模型进行融合匹配，将融合后的差异参数进行自动分类标记显示处理，有效的进行能见度估计的效果和效率。
Description
技术领域
本发明涉及遥感图像处理领域，尤其涉及一种基于注意力机制的遥感影像能见度估计方法。
背景技术
能见度信息在军事和民用领域均起着重要的作用，是行车安全、货运物流、目标探测、部队行动等多种场景下的重要环境指标，常见的能见度信息获取方式包括能见度探测和能见度估计两种，其中，能见度探测通常通过目测或者仪器进行探测，能见度估计通常通过地面图像或者视频进行估计，能见度目测方法可信度和准确度较低，仪器探测方式无法快速实现大范围的能见度参数测量，现阶段的能见度估计方法普遍是对水平方向的能见度估计，无法获取竖直方向的能见度信息，为了有效评估竖直方向的能见度指标对遥感目标检测、卫星侦察、航空侦察任务性能的影响，亟需一种短时间内能够对广域范围的竖直能见度进行估计的经济可行的方法，随着遥感技术的发展，卫星数量、遥感图像数据量得到爆炸式增长，遥感图像质量得到大幅提升，使得利用遥感影像进行竖直方向的能见度估计成为可能。
发明内容
本发明提出的一种基于注意力机制的遥感影像能见度估计方法，以解决现有技术中的上述不足之处。
为了实现上述目的，本发明采用了如下技术方案：
一种基于注意力机制的遥感影像能见度估计方法，包括如下步骤：
S1、遥感影像图片采集处理：首先通过卫星设备对需要进行观察的区域大小进行自主设定，然后通过鼠标对需要进行捕捉的区域进行定位确定；
S2、遥感影像图片预处理：对采集后的遥感影像图片数据进行几何校正和分辨率的自动调节处理；
S3、遥感影像图片特征提取处理：对通过遥感影像图片预处理后的遥感影像图片中的特征进行提取、标识和分类处理；
S4、遥感图像图片模型构建处理：根据遥感影像图片特征提取处理提取的遥感影像图片特征进行三维模型的快速构建；
S5、遥感影像能见度估计数据集模型构建：通过气象台调取历史遥感图像图片数据信息，同时对历史遥感图像图片特征数据的提取，并形成历史能见度参数对比数据集模型；
S6、模型融合对比处理：将遥感图像图片模型与遥感影像能见度估计数据集模型进行融合匹配，将融合后的差异参数进行自动分类标记显示处理。
进一步地，所述S1中的遥感影像图片采集处理，通过遥感卫星基于原始遥感影像进行矢量地理信息的采集，包括内业采集、外业调查核查、内业编辑整理，采集完成后，得到与原始遥感影像空间坐标系一致的矢量地理信息，所述矢量地理信息包括点状、线状和面状三种类型的要素。
进一步地，所述S2遥感影像图片预处理中的几何校正根据引起图像畸变因素分为系统误差和非系统误差引起的几何畸变两种，所述系统误差属于有规律的、可预测的，比如扫描畸变，所述非系统误差属于无规律的，如传感器平台的高度、经纬度、速度和姿态的不稳，地球曲率及空气折射和地形影响；
进一步地，所述S2遥感影像图片预处理中的分辨率的自动调节处理包括图像配准、图像校正、图像地理编码和图像正射校正，所述图像配准用于将同一区域里一幅图像(基准图像)对另一幅图像校准，以使两幅图像中的同名像素配准；
所述图像校正用于借助一组控制点，对一幅图像进行地理坐标的校正，又叫地理参照；
所述图像地理编码用于特殊的图像校正方式，把图像校正到一种统一标准的坐标系；
所述图像正射校正通过借助于地形高程模型，对图像中每个像元进行地形的校正，使图像符合正射投影的要求，所述图像正射校正对原始遥感影像进行正射纠正，利用原始遥感影像获取时的卫星传感器的轨道参数、方位参数、焦距数据，对其进行空间绝对定位，使其具有物方大地坐标的过程；
由物方大地坐标求解像方坐标为RPC正算，由像方坐标求解物方大地坐标为RPC反算，计算过程中，通常将物方大地坐标和像方坐标正则化到[-1，1]，所述RPC正算公式如下：
NumL(P，L，H)＝a1+a2L+a3P+a4H+a5LP+a6LH+a7PH+a8L2+a9P2+a10H2+a11PLH+a12L3+a13LP2+a14LH2+a15L2P+a16P3+a17PH2+a18L2H+a19P2H+a20H3；
DenL(P，L，H)＝b1+b2L+b3P+b4H+b5LP+b6LH+b7PH+b8L2+b9P2+b10H2+b11PLH+b12L3+b13LP2+b14LH2+b15L2P+b16P3+b17PH2+b18L2H+b19P2H+b20H3；
NumS(P，L，H)＝c1+c2L+c3P+c4H+c5LP+c6LH+c7PH+c8L2+c9P2+c10H2+c11PLH+c12L3+c13LP2+c14LH2+c15L2P+c16P3+c17PH2+c18L2H+c19P2H+c20H3；
DenS(P，L，H)＝d1+d2L+d3P+d4H+d5LP+d6LH+d7PH+d8L2+d9P2+d10H2+d11PLH+d12L3+d13LP2+d14LH2+d15L2P+d16P3+d17PH2+d18L2H+d19P2H+d20H3；
式中：a1，a2，…，a20；
b1，b2，…，b20；
c1，c2，…，c20；
d1，d2，…，d20均为有理多项式系数，(P，L，H)为正则化的物方大地坐标，(X，Y)为正则化的像方坐标；
其中LatOFF、LatSCALE、LongOFF、LongSCALE、HeightOFF和HeightSCALE为物方大地坐标的正则化参数，SampOFF、SampSCALE、LineOFF和LineSCALE为像方坐标的正则化参数。
进一步地，所述S3遥感影像图片特征提取处理中的特征提取包括颜色特征提取和纹理特征提取模块，所述颜色特征提取模块用于对遥感影像图片中的物体进行快速识别分析，同时根据提取的颜色特征进行三维模型的构建，根据颜色的深浅进行识别分析处理，如深水区、浅滩、灌木林和植被；
所述纹理特征提取模块利用归一化颜色局部累积直方图，在RGB颜色空间中，分别从R、G、B三个颜色通道直接建立相应的颜色直方图用于统计描述图片颜色特征，同时通过纹理的整齐程度进行自然形成或是人为干涉形成的识别分析判断处理，由于每个色道的值范围都是在[0，255]之间，如果不进行适当的降维则会有共768维特征，而且不能保证每个色道出现零值，在程序运行时，会导致机器运算量过大、运行效率低下，归一化颜色局部累积直方图是通过将颜色空间尽心近似色区间划分，然后将色区频率归一化后进行累积直方图法提取，减少统计直方图中出现零值的可能，降低特征值的维度，减少机器的计算量，另外，统计R、G、B三色道的均值、中值、标准差用于反映颜色值的集中趋势和离散程度。
进一步地，所述S4遥感图像图片模型构建处理中的三维模型构建通过颜色特征提取模块和纹理特征提取模块识别分析后对不同区域进行标识和坐标点的标记，通过这些标记标识进行对应形态的模型构建。
进一步地，所述S5遥感影像能见度估计数据集模型构建中的历史能见度参数对比数据集模型用于获取历史数据采集地点的气候和背景应与待估计影像成像地点的气候和背景一致，时空对齐首先根据成像时间将历史数据进行分组，在分组后的数据中根据气象台所在位置的经纬度信息将气象台标绘在遥感影像中，然后将气象台采集的能见度信息作为z轴数据，构成三维立体数据集模型。
进一步地，所述S6模型融合对比处理将最新采集构成的遥感影像三维模型与历史能见度参数对比数据集模型进行合并，并将融合后的三维模型中参数不一致的坐标进行标记和参数异常的分析判断。
与现有的技术相比，本发明的有益效果是：
本发明通过对采集后的遥感影像图片数据进行几何校正和分辨率的自动调节处理，有效的提高了识别的效果，同时通过对预处理后的遥感影像图片中的特征进行提取、标识和分类处理，有效的进行模型的构建，同时还可以将遥感图像图片模型与遥感影像能见度估计数据集模型进行融合匹配，将融合后的差异参数进行自动分类标记显示处理，有效的进行能见度估计的效果和效率。
附图说明
图1为本发明提出的一种基于注意力机制的遥感影像能见度估计方法的步骤框图。
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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，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，下面将结合附图对本发明作进一步的详细介绍。
实施例1
参照图1：一种基于注意力机制的遥感影像能见度估计方法，包括如下步骤：
S1、遥感影像图片采集处理：首先通过卫星设备对需要进行观察的区域大小进行自主设定，然后通过鼠标对需要进行捕捉的区域进行定位确定；
S2、遥感影像图片预处理：对采集后的遥感影像图片数据进行几何校正和分辨率的自动调节处理；
S3、遥感影像图片特征提取处理：对通过遥感影像图片预处理后的遥感影像图片中的特征进行提取、标识和分类处理；
S4、遥感图像图片模型构建处理：根据遥感影像图片特征提取处理提取的遥感影像图片特征进行三维模型的快速构建；
S5、遥感影像能见度估计数据集模型构建：通过气象台调取历史遥感图像图片数据信息，同时对历史遥感图像图片特征数据的提取，并形成历史能见度参数对比数据集模型；
S6、模型融合对比处理：将遥感图像图片模型与遥感影像能见度估计数据集模型进行融合匹配，将融合后的差异参数进行自动分类标记显示处理。
本发明中，S1中的遥感影像图片采集处理，通过遥感卫星基于原始遥感影像进行矢量地理信息的采集，包括内业采集、外业调查核查、内业编辑整理，采集完成后，得到与原始遥感影像空间坐标系一致的矢量地理信息，矢量地理信息包括点状、线状和面状三种类型的要素。
本发明中，S2遥感影像图片预处理中的几何校正根据引起图像畸变因素分为系统误差和非系统误差引起的几何畸变两种，系统误差属于有规律的、可预测的，比如扫描畸变，非系统误差属于无规律的，如传感器平台的高度、经纬度、速度和姿态的不稳，地球曲率及空气折射和地形影响；
本发明中，S2遥感影像图片预处理中的分辨率的自动调节处理包括图像配准、图像校正、图像地理编码和图像正射校正，图像配准用于将同一区域里一幅图像(基准图像)对另一幅图像校准，以使两幅图像中的同名像素配准；
图像校正用于借助一组控制点，对一幅图像进行地理坐标的校正，又叫地理参照；
图像地理编码用于特殊的图像校正方式，把图像校正到一种统一标准的坐标系；
图像正射校正通过借助于地形高程模型，对图像中每个像元进行地形的校正，使图像符合正射投影的要求，图像正射校正对原始遥感影像进行正射纠正，利用原始遥感影像获取时的卫星传感器的轨道参数、方位参数、焦距数据，对其进行空间绝对定位，使其具有物方大地坐标的过程；
由物方大地坐标求解像方坐标为RPC正算，由像方坐标求解物方大地坐标为RPC反算，计算过程中，通常将物方大地坐标和像方坐标正则化到[-1，1]，所述RPC正算公式如下：
NumL(P，L，H)＝a1+a2L+a3P+a4H+a5LP+a6LH+a7PH+a8L2+a9P2+a10H2+a11PLH+a12L3+a13LP2+a14LH2+a15L2P+a16P3+a17PH2+a18L2H+a19P2H+a20H3；
DenL(P，L，H)＝b1+b2L+b3P+b4H+b5LP+b6LH+b7PH+b8L2+b9P2+b10H2+b11PLH+b12L3+b13LP2+b14LH2+b15L2P+b16P3+b17PH2+b18L2H+b19P2H+b20H3；
NumS(P，L，H)＝c1+c2L+c3P+c4H+c5LP+c6LH+c7PH+c8L2+c9P2+c10H2+c11PLH+c12L3+c13LP2+c14LH2+c15L2P+c16P3+c17PH2+c18L2H+c19P2H+c20H3；
DenS(P，L，H)＝d1+d2L+d3P+d4H+d5LP+d6LH+d7PH+d8L2+d9P2+d10H2+d11PLH+d12L3+d13LP2+d14LH2+d15L2P+d16P3+d17PH2+d18L2H+d19P2H+d20H3；
式中：a1，a2，…，a20；
b1，b2，…，b20；
c1，c2，…，c20；
d1，d2，…，d20均为有理多项式系数，(P，L，H)为正则化的物方大地坐标，(X，Y)为正则化的像方坐标；
其中LatOFF、LatSCALE、LongOFF、LongSCALE、HeightOFF和HeightSCALE为物方大地坐标的正则化参数，SampOFF、SampSCALE、LineOFF和LineSCALE为像方坐标的正则化参数。
本发明中，S3遥感影像图片特征提取处理中的特征提取包括颜色特征提取和纹理特征提取模块，颜色特征提取模块用于对遥感影像图片中的物体进行快速识别分析，同时根据提取的颜色特征进行三维模型的构建，根据颜色的深浅进行识别分析处理，如深水区、浅滩、灌木林和植被；
纹理特征提取模块利用归一化颜色局部累积直方图，在RGB颜色空间中，分别从R、G、B三个颜色通道直接建立相应的颜色直方图用于统计描述图片颜色特征，同时通过纹理的整齐程度进行自然形成或是人为干涉形成的识别分析判断处理，由于每个色道的值范围都是在[0，255]之间，如果不进行适当的降维则会有共768维特征，而且不能保证每个色道出现零值，在程序运行时，会导致机器运算量过大、运行效率低下，归一化颜色局部累积直方图是通过将颜色空间尽心近似色区间划分，然后将色区频率归一化后进行累积直方图法提取，减少统计直方图中出现零值的可能，降低特征值的维度，减少机器的计算量，另外，统计R、G、B三色道的均值、中值、标准差用于反映颜色值的集中趋势和离散程度。
本发明中，S4遥感图像图片模型构建处理中的三维模型构建通过颜色特征提取模块和纹理特征提取模块识别分析后对不同区域进行标识和坐标点的标记，通过这些标记标识进行对应形态的模型构建。
本发明中，S5遥感影像能见度估计数据集模型构建中的历史能见度参数对比数据集模型用于获取历史数据采集地点的气候和背景应与待估计影像成像地点的气候和背景一致，时空对齐首先根据成像时间将历史数据进行分组，在分组后的数据中根据气象台所在位置的经纬度信息将气象台标绘在遥感影像中，然后将气象台采集的能见度信息作为z轴数据，构成三维立体数据集模型。
本发明中，S6模型融合对比处理将最新采集构成的遥感影像三维模型与历史能见度参数对比数据集模型进行合并，并将融合后的三维模型中参数不一致的坐标进行标记和参数异常的分析判断。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于注意力机制的遥感影像能见度估计方法，其特征在于，包括如下步骤：
S1、遥感影像图片采集处理：首先通过卫星设备对需要进行观察的区域大小进行自主设定，然后通过鼠标对需要进行捕捉的区域进行定位确定；
S2、遥感影像图片预处理：对采集后的遥感影像图片数据进行几何校正和分辨率的自动调节处理；
S3、遥感影像图片特征提取处理：对通过遥感影像图片预处理后的遥感影像图片中的特征进行提取、标识和分类处理；
S4、遥感图像图片模型构建处理：根据遥感影像图片特征提取处理提取的遥感影像图片特征进行三维模型的快速构建；
S5、遥感影像能见度估计数据集模型构建：通过气象台调取历史遥感图像图片数据信息，同时对历史遥感图像图片特征数据的提取，并形成历史能见度参数对比数据集模型；
S6、模型融合对比处理：将遥感图像图片模型与遥感影像能见度估计数据集模型进行融合匹配，将融合后的差异参数进行自动分类标记显示处理。
2.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，所述S1中的遥感影像图片采集处理，通过遥感卫星基于原始遥感影像进行矢量地理信息的采集，包括内业采集、外业调查核查、内业编辑整理，采集完成后，得到与原始遥感影像空间坐标系一致的矢量地理信息，所述矢量地理信息包括点状、线状和面状三种类型的要素。
3.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，所述S2遥感影像图片预处理中的几何校正根据引起图像畸变因素分为系统误差和非系统误差引起的几何畸变两种，所述系统误差属于有规律的、可预测的，所述非系统误差属于无规律的。
4.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，所述S2遥感影像图片预处理中的分辨率的自动调节处理包括图像配准、图像校正、图像地理编码和图像正射校正，所述图像配准用于将同一区域里一幅图像对另一幅图像校准，以使两幅图像中的同名像素配准；
所述图像校正用于借助一组控制点，对一幅图像进行地理坐标的校正，又叫地理参照；
所述图像地理编码用于特殊的图像校正方式，把图像校正到一种统一标准的坐标系；
所述图像正射校正通过借助于地形高程模型，对图像中每个像元进行地形的校正，使图像符合正射投影的要求，所述图像正射校正对原始遥感影像进行正射纠正，利用原始遥感影像获取时的卫星传感器的轨道参数、方位参数、焦距数据，对其进行空间绝对定位，使其具有物方大地坐标的过程。
5.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，所述S3遥感影像图片特征提取处理中的特征提取包括颜色特征提取和纹理特征提取模块，所述颜色特征提取模块用于对遥感影像图片中的物体进行快速识别分析，同时根据提取的颜色特征进行三维模型的构建，根据颜色的深浅进行识别分析处理；
所述纹理特征提取模块利用归一化颜色局部累积直方图，在RGB颜色空间中，分别从R、G、B三个颜色通道直接建立相应的颜色直方图用于统计描述图片颜色特征，同时通过纹理的整齐程度进行自然形成或是人为干涉形成的识别分析判断处理。
6.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，所述S4遥感图像图片模型构建处理中的三维模型构建通过颜色特征提取模块和纹理特征提取模块识别分析后对不同区域进行标识和坐标点的标记，通过这些标记标识进行对应形态的模型构建。
7.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，所述S5遥感影像能见度估计数据集模型构建中的历史能见度参数对比数据集模型用于获取历史数据采集地点的气候和背景应与待估计影像成像地点的气候和背景一致，时空对齐首先根据成像时间将历史数据进行分组，在分组后的数据中根据气象台所在位置的经纬度信息将气象台标绘在遥感影像中，然后将气象台采集的能见度信息作为z轴数据，构成三维立体数据集模型。
8.根据权利要求1所述的一种基于注意力机制的遥感影像能见度估计方法，其特征在于，所述S6模型融合对比处理将最新采集构成的遥感影像三维模型与历史能见度参数对比数据集模型进行合并，并将融合后的三维模型中参数不一致的坐标进行标记和参数异常的分析判断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311395270.2A CN117152361B (zh) | 2023-10-26 | 2023-10-26 | 一种基于注意力机制的遥感影像能见度估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311395270.2A CN117152361B (zh) | 2023-10-26 | 2023-10-26 | 一种基于注意力机制的遥感影像能见度估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117152361A CN117152361A (zh) | 2023-12-01 |
| CN117152361B true CN117152361B (zh) | 2024-01-30 |
Family
ID=88912351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311395270.2A Active CN117152361B (zh) | 2023-10-26 | 2023-10-26 | 一种基于注意力机制的遥感影像能见度估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152361B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610054A (zh) * | 2017-07-13 | 2018-01-19 | 中国农业大学 | 一种遥感影像数据的预处理方法 |
| CN109375290A (zh) * | 2018-10-16 | 2019-02-22 | 象谱信息产业有限公司 | 一种基于机器学习的跨海大桥雾监测系统及其应用方法 |
| CN110388898A (zh) * | 2019-06-27 | 2019-10-29 | 中国科学院遥感与数字地球研究所 | 构建虚拟控制点约束的多源多重覆盖遥感影像平差方法 |
| CN110930439A (zh) * | 2019-12-04 | 2020-03-27 | 长光卫星技术有限公司 | 一种适用于高分辨率遥感影像高级产品自动生产系统 |
| CN113096047A (zh) * | 2021-04-25 | 2021-07-09 | 华中师范大学 | 广义云驱动与辐射协同遥感影像几何精校正方法及系统 |
| CN113128581A (zh) * | 2021-04-13 | 2021-07-16 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 基于机器学习的能见度检测方法、装置、系统和存储介质 |
| CN113282695A (zh) * | 2021-05-31 | 2021-08-20 | 国家基础地理信息中心 | 一种基于遥感影像的矢量地理信息采集方法和装置 |
| CN113822816A (zh) * | 2021-09-25 | 2021-12-21 | 李蕊男 | 气雾散射模型优化的单张遥感图像去霾方法 |
| CN114966899A (zh) * | 2022-07-27 | 2022-08-30 | 南京云熙遥感科技有限公司 | 一种基于多源多元遥感技术协同的区域能见度预测方法 |
| CN115035256A (zh) * | 2022-05-06 | 2022-09-09 | 中国安全生产科学研究院 | 一种尾矿库事故隐患及风险演化方法及系统 |
| CN115423696A (zh) * | 2022-07-29 | 2022-12-02 | 上海海洋大学 | 一种自适应线程参数的遥感正射影像并行生成方法 |
| CN116030057A (zh) * | 2023-03-29 | 2023-04-28 | 中国电子科技集团公司第五十四研究所 | 一种基于注意力机制的遥感影像能见度估计方法 |
| CN116504032A (zh) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920438B (zh) * | 2021-12-14 | 2022-03-04 | 武汉大学 | 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 |
-
2023
- 2023-10-26 CN CN202311395270.2A patent/CN117152361B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610054A (zh) * | 2017-07-13 | 2018-01-19 | 中国农业大学 | 一种遥感影像数据的预处理方法 |
| CN109375290A (zh) * | 2018-10-16 | 2019-02-22 | 象谱信息产业有限公司 | 一种基于机器学习的跨海大桥雾监测系统及其应用方法 |
| CN110388898A (zh) * | 2019-06-27 | 2019-10-29 | 中国科学院遥感与数字地球研究所 | 构建虚拟控制点约束的多源多重覆盖遥感影像平差方法 |
| CN110930439A (zh) * | 2019-12-04 | 2020-03-27 | 长光卫星技术有限公司 | 一种适用于高分辨率遥感影像高级产品自动生产系统 |
| CN113128581A (zh) * | 2021-04-13 | 2021-07-16 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 基于机器学习的能见度检测方法、装置、系统和存储介质 |
| CN113096047A (zh) * | 2021-04-25 | 2021-07-09 | 华中师范大学 | 广义云驱动与辐射协同遥感影像几何精校正方法及系统 |
| CN113282695A (zh) * | 2021-05-31 | 2021-08-20 | 国家基础地理信息中心 | 一种基于遥感影像的矢量地理信息采集方法和装置 |
| CN113822816A (zh) * | 2021-09-25 | 2021-12-21 | 李蕊男 | 气雾散射模型优化的单张遥感图像去霾方法 |
| CN115035256A (zh) * | 2022-05-06 | 2022-09-09 | 中国安全生产科学研究院 | 一种尾矿库事故隐患及风险演化方法及系统 |
| CN114966899A (zh) * | 2022-07-27 | 2022-08-30 | 南京云熙遥感科技有限公司 | 一种基于多源多元遥感技术协同的区域能见度预测方法 |
| CN115423696A (zh) * | 2022-07-29 | 2022-12-02 | 上海海洋大学 | 一种自适应线程参数的遥感正射影像并行生成方法 |
| CN116030057A (zh) * | 2023-03-29 | 2023-04-28 | 中国电子科技集团公司第五十四研究所 | 一种基于注意力机制的遥感影像能见度估计方法 |
| CN116504032A (zh) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机器学习的白天能见度检测方法;沈岳峰 等;《自动化与仪表》;第37卷(第8期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117152361A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110285793B (zh) | 一种基于双目立体视觉系统的车辆智能测轨迹方法 | |
| CN110148169B (zh) | 一种基于ptz云台相机的车辆目标三维信息获取方法 | |
| CN107316325B (zh) | 一种基于图像配准的机载激光点云与影像配准融合方法 | |
| EP2111530B1 (en) | Automatic stereo measurement of a point of interest in a scene | |
| EP1242966B1 (en) | Spherical rectification of image pairs | |
| EP1596330B1 (en) | Estimating position and orientation of markers in digital images | |
| KR100671529B1 (ko) | 복수의 항공 촬영 화상을 이용한 ３차원 입체지도의작성방법 | |
| KR100915600B1 (ko) | 지상기준점 표지를 이용한 영상의 ３차원 좌표 측정방법 | |
| Rüther et al. | A comparison of close-range photogrammetry to terrestrial laser scanning for heritage documentation | |
| CN111046843A (zh) | 一种智能驾驶环境下的单目测距方法 | |
| KR101255461B1 (ko) | 도로시설물 자동 위치측정 방법 | |
| CN113642463B (zh) | 一种视频监控和遥感图像的天地多视图对齐方法 | |
| CN112348869A (zh) | 通过检测和标定恢复单目slam尺度的方法 | |
| CN115950435A (zh) | 无人机巡检影像的实时定位方法 | |
| CN113345084A (zh) | 三维建模系统及三维建模方法 | |
| CN113963067B (zh) | 一种采用小靶标对大视场视觉传感器进行标定的标定方法 | |
| CN111105467A (zh) | 一种图像标定方法、装置及电子设备 | |
| Yoo et al. | True orthoimage generation by mutual recovery of occlusion areas | |
| CN107941241B (zh) | 一种用于航空摄影测量质量评价的分辨率板及其使用方法 | |
| CN117152361B (zh) | 一种基于注意力机制的遥感影像能见度估计方法 | |
| CN118429524A (zh) | 基于双目立体视觉的车辆行驶环境建模方法及系统 | |
| CN113112546B (zh) | 基于三x组合标记的空间目标检测识别与位姿跟踪方法 | |
| CN113870278A (zh) | 基于改进的Mask R-CNN模型的卫星遥感图像农田块分割方法 | |
| CN112991372A (zh) | 一种基于多边形匹配的2d-3d相机外参标定方法 | |
| CN112598010B (zh) | 一种双目视觉的非结构化地形实时感知与重构方法 |
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 |