CN117292137B - 一种航拍遥感影像优化分割处理方法 - Google Patents
一种航拍遥感影像优化分割处理方法 Download PDFInfo
- Publication number
- CN117292137B CN117292137B CN202311586948.5A CN202311586948A CN117292137B CN 117292137 B CN117292137 B CN 117292137B CN 202311586948 A CN202311586948 A CN 202311586948A CN 117292137 B CN117292137 B CN 117292137B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- representing
- sensing image
- initial seed
- sliding window
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000003672 processing method Methods 0.000 title abstract description 10
- 238000000638 solvent extraction Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域，具体涉及一种航拍遥感影像优化分割处理方法，包括：采集航拍遥感影像，根据航拍遥感影像获得遥感图像；获取滑窗窗口，根据每个滑窗窗口的像素点个数得到每个滑窗窗口的灰度值信息熵，根据滑窗窗口的灰度值信息熵得到最优窗口尺寸，根据最优窗口尺寸进行分块，得到若干个块，根据每块中像素点的灰度值得到每个像素点的色参值，得到所有初始种子点；根据每个初始种子点的色参值得到每两个初始种子点之间的相似性系数，得到真实种子点；根据所有的真实种子点进行区域生长完成航拍遥感影像的优化分割处理。本发明对遥感图像进行处理，提高了航拍遥感影像分割的准确性。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种航拍遥感影像优化分割处理方法。
背景技术
优化分割可以将航拍遥感影像中的像素按照不同的类别进行分类，如农田、林地、城市、河流等。进行优化分割对于土地利用与覆盖监测、农作物估产、森林资源管理等领域具有重要意义，通过精确分类，可以提供更准确的土地利用信息，为决策制定和资源管理提供支持。
在现有的技术中，可以直接使用区域生长算法进行航拍遥感影响进行分割，在常规的区域生长中，种子点都是随机选取的，由于采集到的航拍遥感影像中的地形和地貌是比较复杂的，所以仍然使用人工随机选取种子点通过区域生长进行分割时会出现将不同类别的区域分割在同一个区域，导致出现过分割的情况。
发明内容
本发明提供一种航拍遥感影像优化分割处理方法，以解决现有的问题。
本发明的一种航拍遥感影像优化分割处理方法采用如下技术方案：
本发明一个实施例提供了一种航拍遥感影像优化分割处理方法，该方法包括以下步骤：
采集航拍遥感影像，根据航拍遥感影像获得遥感图像；
获取遥感图像的滑窗窗口，根据每个滑窗窗口的像素点个数得到每个滑窗窗口的灰度值信息熵，根据滑窗窗口的灰度值信息熵得到最优窗口尺寸，根据最优窗口尺寸对遥感图像进行分块，得到若干个块，根据每块中像素点的灰度值得到每个像素点的色参值，根据每个像素点的色参值得到所有初始种子点；
根据每个初始种子点的色参值得到每两个初始种子点之间的相似性系数，根据每两个初始种子点之间的相似性系数对所有初始种子点进行聚类，得到若干个类簇，获取每个类簇中的真实种子点；
根据所有的真实种子点进行区域生长，完成航拍遥感影像的优化分割处理。
进一步地，所述每个像素点的色参值的计算公式为：
；
式中，表示每块中第k个像素点的灰度值，/>表示每块中所有像素点的灰度值的均值，/>表示每块中所有像素点的灰度值的最大值，/>表示每块中所有像素点的灰度值的最小值，/>表示每块中第k个像素点在第c个通道中的通道值，/>表示第k个像素点在三个通道中的通道值的均值，/>表示第k个像素点的色参值，/>表示绝对值符号，/>表示以自然常数为底的指数函数，其中，三个通道分别为RGB通道。
进一步地，所述每两个初始种子点之间的相似性系数的计算公式为：
；
式中，表示第h个初始种子点在第c个通道中的通道值，/>表示第g个初始种子点在第c个通道中的通道值，/>表示初始种子点在第c个通道中的通道值，表示第h个初始种子点的色参值，/>表示第g个初始种子点的色参值，/>表示所有的每两个初始种子点之间的色参值的差异的均值，/>表示以自然常数为底的指数函数，表示取最大值函数，/>表示取最小值函数，/>表示第h个初始种子点和第g个初始种子点之间的相似性系数，通道为RGB通道。
进一步地，所述获取遥感图像的滑窗窗口，包括的具体步骤如下：
以预设阈值A为窗口尺寸，以步长为1，从左到右，从上到下进行滑动，获取遥感图像中每个像素点对应的滑窗窗口。
进一步地，所述每个滑窗窗口的灰度值信息熵的计算公式为：
；
式中，表示第i个滑窗窗口内第j个灰度值的像素点个数与第i个滑窗窗口内所有像素点的比值，/>表示第i个滑窗窗口内的灰度值的个数，/>表示第i个滑窗窗口的灰度值信息熵。
进一步地，所述根据滑窗窗口的灰度值信息熵得到最优窗口尺寸，包括的具体步骤如下：
选取所有像素点对应的滑窗窗口的灰度值信息熵的均值最小时对应的窗口尺寸为最优窗口尺寸。
进一步地，所述根据最优窗口尺寸对遥感图像进行分块，得到若干个块，包括的具体步骤如下：
根据最优窗口尺寸获取最优滑窗窗口，根据最优滑窗窗口以最优窗口尺寸为步长，从左到右进行滑动，将每个滑窗窗口作为遥感图像的一个块。
进一步地，所述根据每个像素点的色参值得到所有初始种子点，包括的具体步骤如下：
将色参值小于预设阈值D的像素点记为初始种子点。
进一步地，所述根据每两个初始种子点之间的相似性系数对所有初始种子点进行聚类，得到若干个类簇，获取每个类簇中的真实种子点，包括的具体步骤如下：
通过密度聚类算法对所有的初始种子点聚类，得到若干个类簇，选取每个类簇中离聚类中心距离最近的一个初始种子点，将其记为类簇的真实种子点。
进一步地，所述根据所有的真实种子点进行区域生长，完成航拍遥感影像的优化分割处理，包括的具体步骤如下：
根据所有的真实种子点对遥感图像进行区域生长，得到遥感图像中若干个区域，即分割出航拍遥感影像中的各个区域。
本发明的技术方案的有益效果是：本发明通过设置获取滑窗窗口，根据滑窗窗口内像素点的分布情况获得每个滑窗窗口的灰度值信息熵，根据滑窗窗口的灰度值信息熵得到最优窗口尺寸，根据最优窗口尺寸得到所有块，提高了对区域特征分析的准确性；再通过每块中像素点的灰度值和RGB通道值得到每个像素点的色参值，根据每个像素点的色参值得到所有的初始种子点，根据初始种子点的RGB通道值和色参值得到每两个种子点之间的相似性系数，根据每两个种子点之间的相似性系数对所有的初始种子点进行聚类得到每个类簇的真实种子点，通过获取真实种子点能够减少过分割情况的出现，提高了航拍遥感影像分割的准确性。
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，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地介绍，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他的附图。
图1为本发明一种航拍遥感影像优化分割处理方法的步骤流程图。
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一种航拍遥感影像优化分割处理方法，其具体实施方式、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”指的不一定是同一实施例。此外，一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。
下面结合附图具体的说明本发明所提供的一种航拍遥感影像优化分割处理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种航拍遥感影像优化分割处理方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集航拍遥感影像，并对其进行预处理得到处理了后的遥感图像。
需要说明的是，由于对航拍遥感影像的分割的使用越来越重要，导致对于航拍遥感影像的分割的区域也是越来越具体，越明确；因此，本实施例针对航拍遥感影像的分割处理进行优化，则需要采集航拍遥感影像进行分析。
具体地，使用卫星获取地面的航拍遥感影像，对航拍遥感影像进行非局部均值降噪和灰度化处理得到处理后的遥感图像。
至此，得到遥感图像。
步骤S002：获取遥感图像的滑窗窗口，根据每个滑窗窗口的像素点个数得到每个滑窗窗口的灰度值信息熵，根据滑窗窗口的灰度值信息熵得到最优窗口尺寸，根据最优窗口尺寸对遥感图像进行分块，得到若干个块，根据每块中像素点的灰度值得到每个像素点的色参值，根据每个像素点的色参值得到所有初始种子点。
需要说明的是，航拍遥感图像拍摄到的图像范围广，并且在自然中取景会导致得到的图像区域复杂多变，因此想要对其进行分割得对其进行小区域分析，这样可以尽可能的避免复杂的场景对分割结果的影像。因此分割的第一步需要将图像根据其灰度特征来初步进行划分，然后在划分后的小区域中找出初始种子点，但是因为找出的初始种子点可能会存在太多特征特别接近种子点，因此需要将这些种子点进行合并，只保留其中最具有代表性的种子点再进行生长，在保证分割效果的同时减少相应的计算量。
（1）获取遥感图像的滑窗窗口，根据每个滑窗窗口的像素点个数得到每个滑窗窗口的灰度值信息熵，根据滑窗窗口的灰度值信息熵得到最优窗口尺寸，根据最优窗口尺寸对遥感图像进行分块，得到若干个块。
进一步需要说明的是，为了分析遥感图像中各区域的像素点的灰度分布情况，本步骤根据遥感图像中像素点的个数和灰度值进行划分块，根据每块中像素点的灰度值的信息熵去判别每块中像素点的灰度值的差异情况，当块中的信息熵越大，即块中灰度值的差异越大，说明划分的区域不太准确，需要进行调整，当块中的信息熵越小，即块中灰度值的差异越小，说明划分的区域比较准确。
具体地，预设一个阈值A，其中本实施例以A=3为例进行叙述，本实施例不进行具体限定，其中A可根据具体实施情况而定。以预设阈值A为窗口尺寸，以步长为1，从左到右，从上到下进行滑动，获取每个像素点对应的滑窗窗口。以预设阈值A为起始的窗口尺寸，对窗口尺寸每次增加2，直到增加到遥感图像的宽度时停止。获取在不同窗口尺寸下所有像素点对应的滑窗窗口的灰度值信息熵的均值，选取所有像素点对应的滑窗窗口的灰度值信息熵的均值最小时对应的窗口尺寸为最优窗口尺寸。
根据每个滑窗窗口中所有像素点的灰度值得到每个滑窗窗口的灰度值信息熵，用公式表示为：
；
式中，表示第i个滑窗窗口内第j个灰度值的像素点个数与第i个滑窗窗口内所有像素点的比值，/>表示第i个滑窗窗口内的灰度值的个数，/>表示第i个滑窗窗口的灰度值信息熵。其中，一个灰度值就是一个灰度级。
根据每个像素点对应的滑窗窗口的灰度值信息熵得到所有像素点对应的滑窗窗口的灰度值信息熵的均值。具体用公式表示为：
；
式中，表示第i个滑窗窗口的灰度值信息熵，m表示遥感图像中像素点的个数，即滑窗窗口的个数，/>表示所有像素点对应的滑窗窗口的灰度值信息熵的均值。
其中，当所有像素点对应的滑窗窗口的灰度值信息熵的均值越小，表示以该窗口尺寸的滑窗窗口大小去划分块时是最优的，则就选取所有像素点对应的滑窗窗口的灰度值信息熵的均值最小时对应的窗口尺寸为最优窗口尺寸。
根据最优窗口尺寸获取最优滑窗窗口，根据最优滑窗窗口以最优窗口尺寸为步长，从左到右进行滑动，将每个滑窗窗口作为遥感图像的一个块。其中，当从左到右进行滑动的过程中，剩余的长度不再够划分一个区域时，此时就将剩余的区域作为划分出的一个块。
至此，得到遥感图像中的所有块。
（2）根据每块中像素点的灰度值得到每个像素点的色参值，根据每个像素点的色参值得到所有初始种子点。
需要说明的是，在遥感图像中的草坪区域或者河流区域等，灰度特征比较单一，颜色特征差异较小，如果只根据像素点之间的距离和像素点的灰度值选取种子点，会产生很多的相差不多的种子点，这些特征极其接近的种子点如果每个都进行单独的生长，会产生将原本属于一个地方的区域划分为两个或着多个区域，导致分割不准确，因此将通过像素点的灰度值和RGB的三通道值获取像素点之间新的差异特征，用像素点之间新的差异特征来分析获取初始种子点。
具体地，根据每块内像素点的灰度值和RGB的三通道值得到每个像素点的色参值，用公式表示为：
；
式中，表示每块中第k个像素点的灰度值，/>表示每块中所有像素点的灰度值的均值，/>表示每块中所有像素点的灰度值的最大值，/>表示每块中所有像素点的灰度值的最小值，/>表示每块中第k个像素点在第c个通道中的通道值，/>表示第k个像素点在三个通道中的通道值的均值，/>表示第k个像素点的色参值，/>表示绝对值符号，/>表示以自然常数为底的指数函数。其中，三个通道分别为RGB通道。
其中，表示每个像素点的灰度值与对应块中所有像素点的灰度值的均值之间的差异，当每个像素点的灰度值与对应块中所有像素点的灰度值的均值之间的差异越大，则每个像素点的色参值越大，当每个像素点的灰度值与对应块中所有像素点的灰度值的均值之间的差异越小，则每个像素点的色参值越小，其像素点越可能为种子点；表示每个像素点的三通道的通道值与三个通道的通道值的均值之间的差异，当通道值得差异越大，表示像素点的色参值越大，当通道值得差异越小，表示像素点的色参值越小，其像素点越可能为种子点。
至此，得到每个像素点的色参值。
预设一个阈值D，其中本实施例以D=0.1为例进行叙述，本实施例不进行具体限定，其中D可根据具体实施情况而定。
将色参值小于预设阈值D的像素点记为初始种子点。
至此，得到所有的初始种子点。
步骤S003：根据每个初始种子点的色参值得到每两个初始种子点之间的相似性系数，根据每两个初始种子点之间的相似性系数对所有初始种子点进行聚类，得到若干个类簇，获取每个类簇中的真实种子点。
（1）根据每个初始种子点的色参值得到每两个初始种子点之间的相似性系数。
需要说明的是，由于在上述步骤选取的初始种子点之间可能存在灰度值很相近的初始种子点，当两个初始种子点的灰度值很近，且初始种子点之间的色参值差异越大时，表示两个初始种子点之间越相似；因此可以通过两个初始种子点之间的相似性系数进行初始种子点的合并，将相似性很高的一些初始种子点去除点，防止过分割。
具体地，根据每个初始种子点的色参值得到每两个初始种子点之间的相似性系数，用公式表示为：
；
式中，表示第h个初始种子点在第c个通道中的通道值，/>表示第g个初始种子点在第c个通道中的通道值，/>表示初始种子点在第c个通道中的通道值，表示第h个初始种子点的色参值，/>表示第g个初始种子点的色参值，/>表示所有的每两个初始种子点之间的色参值的差异的均值，/>表示以自然常数为底的指数函数，/>表示取最大值函数，/>表示取最小值函数，/>表示第h个初始种子点和第g个初始种子点之间的相似性系数，/>表示所有通道中在同一通道中第h个初始种子点和第g个初始种子点之间的通道值差值的最大值；通道为RGB通道。其中，差异表示差值的绝对值。
其中，当色参值相差不多而颜色空间中每两个初始种子点之间的通道值有很大的差距，说明这两个初始种子点可能是不同区域的初始种子点，即这两个初始种子点之间的相似性系数越小，因此对这两个初始种子点不能进行合并。
至此，得到每两个初始种子点之间的相似性系数。
（2）根据每两个初始种子点之间的相似性系数对所有初始种子点进行聚类，得到若干个类簇，获取每个类簇中的真实种子点。
需要说明的是，由于获取到的初始种子点再进行区域生长时，导致将本该为同一区域的地方分割为两个或多个区域，因此，此处要将相似性很高的初始种子点合并为一个，即将一些初始种子点进行去除，防止将同一区域分割为不同的区域。
具体地，预设一个半径r和个数阈值F，其中本实施例以r=3和F=5为例进行叙述，本实施例不进行具体限定，其中r和F可根据具体实施情况而定。
使用邻域半径为r，邻域最小个数为F通过密度聚类算法对所有的初始种子点聚类，得到若干个类簇，选取每个类簇中离聚类中心距离最近的一个初始种子点，将其记为类簇的真实种子点。其中，密度聚类算法为公知技术，此处不再进行赘述。
至此，得到每个类簇中的真实种子点。
步骤S004：根据所有的真实种子点进行区域生长，完成航拍遥感影像的优化分割处理。
根据所有的真实种子点对遥感图像进行区域生长得到遥感图像中若干个区域，即分割出航拍遥感影像中的各个区域。
其中，区域生长算法为公知技术，此处不再进行赘述。
至此，本实施例完成。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，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 (8)
1.一种航拍遥感影像优化分割处理方法，其特征在于，该方法包括以下步骤：
采集航拍遥感影像，根据航拍遥感影像获得遥感图像；
获取遥感图像的滑窗窗口，根据每个滑窗窗口的像素点个数得到每个滑窗窗口的灰度值信息熵，根据滑窗窗口的灰度值信息熵得到最优窗口尺寸，根据最优窗口尺寸对遥感图像进行分块，得到若干个块，根据每块中像素点的灰度值得到每个像素点的色参值，根据每个像素点的色参值得到所有初始种子点；
所述每个像素点的色参值的计算公式为：
；
式中，表示每块中第k个像素点的灰度值，/>表示每块中所有像素点的灰度值的均值，/>表示每块中所有像素点的灰度值的最大值，/>表示每块中所有像素点的灰度值的最小值，/>表示每块中第k个像素点在第c个通道中的通道值，/>表示第k个像素点在三个通道中的通道值的均值，/>表示第k个像素点的色参值，/>表示绝对值符号，表示以自然常数为底的指数函数，其中，三个通道分别为RGB通道；
根据每个初始种子点的色参值得到每两个初始种子点之间的相似性系数，根据每两个初始种子点之间的相似性系数对所有初始种子点进行聚类，得到若干个类簇，获取每个类簇中的真实种子点；
所述每两个初始种子点之间的相似性系数的计算公式为：
；
式中，表示第h个初始种子点在第c个通道中的通道值，/>表示第g个初始种子点在第c个通道中的通道值，/>表示初始种子点在第c个通道中的通道值，/>表示第h个初始种子点的色参值，/>表示第g个初始种子点的色参值，/>表示所有的每两个初始种子点之间的色参值的差异的均值，/>表示以自然常数为底的指数函数，/>表示取最大值函数，/>表示取最小值函数，/>表示第h个初始种子点和第g个初始种子点之间的相似性系数，通道为RGB通道；
根据所有的真实种子点进行区域生长，完成航拍遥感影像的优化分割处理。
2.根据权利要求1所述一种航拍遥感影像优化分割处理方法，其特征在于，所述获取遥感图像的滑窗窗口，包括的具体步骤如下：
以预设阈值A为窗口尺寸，以步长为1，从左到右，从上到下进行滑动，获取遥感图像中每个像素点对应的滑窗窗口。
3.根据权利要求1所述一种航拍遥感影像优化分割处理方法，其特征在于，所述每个滑窗窗口的灰度值信息熵的计算公式为：
；
式中，表示第i个滑窗窗口内第j个灰度值的像素点个数与第i个滑窗窗口内所有像素点的比值，/>表示第i个滑窗窗口内的灰度值的个数，/>表示第i个滑窗窗口的灰度值信息熵。
4.根据权利要求1所述一种航拍遥感影像优化分割处理方法，其特征在于，所述根据滑窗窗口的灰度值信息熵得到最优窗口尺寸，包括的具体步骤如下：
选取所有像素点对应的滑窗窗口的灰度值信息熵的均值最小时对应的窗口尺寸为最优窗口尺寸。
5.根据权利要求1所述一种航拍遥感影像优化分割处理方法，其特征在于，所述根据最优窗口尺寸对遥感图像进行分块，得到若干个块，包括的具体步骤如下：
根据最优窗口尺寸获取最优滑窗窗口，根据最优滑窗窗口以最优窗口尺寸为步长，从左到右进行滑动，将每个滑窗窗口作为遥感图像的一个块。
6.根据权利要求1所述一种航拍遥感影像优化分割处理方法，其特征在于，所述根据每个像素点的色参值得到所有初始种子点，包括的具体步骤如下：
将色参值小于预设阈值D的像素点记为初始种子点。
7.根据权利要求1所述一种航拍遥感影像优化分割处理方法，其特征在于，所述根据每两个初始种子点之间的相似性系数对所有初始种子点进行聚类，得到若干个类簇，获取每个类簇中的真实种子点，包括的具体步骤如下：
通过密度聚类算法对所有的初始种子点聚类，得到若干个类簇，选取每个类簇中离聚类中心距离最近的一个初始种子点，将其记为类簇的真实种子点。
8.根据权利要求1所述一种航拍遥感影像优化分割处理方法，其特征在于，所述根据所有的真实种子点进行区域生长，完成航拍遥感影像的优化分割处理，包括的具体步骤如下：
根据所有的真实种子点对遥感图像进行区域生长，得到遥感图像中若干个区域，即分割出航拍遥感影像中的各个区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311586948.5A CN117292137B (zh) | 2023-11-27 | 2023-11-27 | 一种航拍遥感影像优化分割处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311586948.5A CN117292137B (zh) | 2023-11-27 | 2023-11-27 | 一种航拍遥感影像优化分割处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117292137A CN117292137A (zh) | 2023-12-26 |
| CN117292137B true CN117292137B (zh) | 2024-04-19 |
Family
ID=89252142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311586948.5A Active CN117292137B (zh) | 2023-11-27 | 2023-11-27 | 一种航拍遥感影像优化分割处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117292137B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117541626B (zh) * | 2024-01-08 | 2024-05-07 | 广东泰一高新技术发展有限公司 | 基于深度学习的遥感影像变化检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610137A (zh) * | 2017-09-27 | 2018-01-19 | 武汉大学 | 一种高分辨率遥感影像最优分割方法 |
| CN107784657A (zh) * | 2017-09-29 | 2018-03-09 | 西安因诺航空科技有限公司 | 一种基于颜色空间分类的无人机遥感图像分割方法 |
| CN115690086A (zh) * | 2022-11-17 | 2023-02-03 | 电子科技大学长三角研究院(湖州) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 |
| CN116645384A (zh) * | 2023-07-27 | 2023-08-25 | 天津医科大学第二医院 | 基于人工智能的干细胞区域快速分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090080773A1 (en) * | 2007-09-20 | 2009-03-26 | Mark Shaw | Image segmentation using dynamic color gradient threshold, texture, and multimodal-merging |
-
2023
- 2023-11-27 CN CN202311586948.5A patent/CN117292137B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610137A (zh) * | 2017-09-27 | 2018-01-19 | 武汉大学 | 一种高分辨率遥感影像最优分割方法 |
| CN107784657A (zh) * | 2017-09-29 | 2018-03-09 | 西安因诺航空科技有限公司 | 一种基于颜色空间分类的无人机遥感图像分割方法 |
| CN115690086A (zh) * | 2022-11-17 | 2023-02-03 | 电子科技大学长三角研究院(湖州) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 |
| CN116645384A (zh) * | 2023-07-27 | 2023-08-25 | 天津医科大学第二医院 | 基于人工智能的干细胞区域快速分割方法 |
Non-Patent Citations (5)
| Title |
|---|
| 三角网约束的立体影像密集匹配方法;王琦 等;测绘与空间地理信息;20190525(第05期);全文 * |
| 基于改进SLIC与区域邻接图的高分辨率遥感影像建筑物提取;蔡淑宽 等;计算机系统应用(第08期);全文 * |
| 基于改进区域生长法的电力设备红外图像分割;施兢业 等;光学技术(第04期);全文 * |
| 施兢业 等.基于改进区域生长法的电力设备红外图像分割.光学技术.2017,(第04期),全文. * |
| 蔡淑宽 等.基于改进SLIC与区域邻接图的高分辨率遥感影像建筑物提取.计算机系统应用.2017,(第08期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117292137A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636784B (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
| CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
| CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
| CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
| CN109191432B (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
| CN110120042B (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 | |
| CN117292137B (zh) | 一种航拍遥感影像优化分割处理方法 | |
| CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| CN115661669B (zh) | 一种基于视频监控的耕地违法占用监测方法及系统 | |
| CN108629783B (zh) | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 | |
| CN111798467A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
| EP1359543A2 (en) | Method for detecting subject matter regions in images | |
| CN110796667B (zh) | 基于改进小波聚类的彩色图像分割方法 | |
| CN110866896B (zh) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 | |
| CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
| CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
| Su | Scale-variable region-merging for high resolution remote sensing image segmentation | |
| CN110264479B (zh) | 基于随机游走和水平集的三维图像分割方法 | |
| CN115641327B (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
| CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
| CN115131375B (zh) | 一种矿石自动分割方法 | |
| CN112330561B (zh) | 基于交互式前景提取与信息熵分水岭的医学图像分割方法 | |
| CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 | |
| CN106846343A (zh) | 一种基于聚类超像素分割的病理图像特征提取方法 | |
| CN112053371A (zh) | 一种遥感图像中的水体提取方法和装置 |
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 |