CN117292210A - 分类图像矢量化的方法、装置、电子设备和存储介质 - Google Patents
分类图像矢量化的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117292210A CN117292210A CN202311585768.5A CN202311585768A CN117292210A CN 117292210 A CN117292210 A CN 117292210A CN 202311585768 A CN202311585768 A CN 202311585768A CN 117292210 A CN117292210 A CN 117292210A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing grid
- connected domain
- sub
- pixel point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000013598 vector Substances 0.000 claims abstract description 97
- 230000015654 memory Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 15
- 230000000903 blocking effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 abstract description 4
- 238000012805 post-processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction 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
- G06V10/70—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06V10/40—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
- G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种分类图像矢量化的方法、装置、电子设备和存储介质，属于分类图像后处理的技术领域，该方法中，是将遥感栅格分类图像分为了多个遥感栅格分类子图像，进而基于并查集算法结合预设类型模板并行在各个遥感栅格分类子图像内进行查找和联合操作，然后将多个遥感栅格分类子图像的接边处的像素点进行联合操作，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型，提高了连通域的生成效率；然后，再根据连通域的边缘像素点和边缘像素点的类型实现连通域对应的目标矢量多边形的快速构建，实现了快速的遥感分类图像的矢量化。
Description
技术领域
本发明涉及分类图像后处理的技术领域，尤其是涉及一种分类图像矢量化的方法、装置、电子设备和存储介质。
背景技术
矢量结构和栅格结构是地理信息系统（GIS）中两种主要的空间数据结构。在深度学习解译或其他传统分类解译场景中，存在大量分类图像转化为矢量的需求，矢量结构可支持获取具体的地物类别属性，更有助于用户对分类结果的理解。
遥感分类图像的矢量化面临两个关键问题。一是大图像中如何实现连通域快速查找；二是在连通域的基础上，如何将边缘连接起来，形成闭合的有效的矢量多边形。针对此类问题，边缘跟踪法、散列线段聚合法、有向边界法、基于栅格技术的矢量化方法、基于拓扑关系的转换方法、基于游程编码轮廓追踪的方法等，都实现了对栅格分类数据的矢量化工作。其中，基于边界追踪的方法在面临复杂图形时，难以形成拓扑关系。依赖拓扑关系的方法等，算法执行效率较低。因此，如何实现高效的连通域查找结构，以及快速构建矢量多边形是亟需解决的问题。
综上，如何实现快速的遥感分类图像的矢量化是目前亟需解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种分类图像矢量化的方法、装置、电子设备和存储介质，以缓解现有技术的遥感分类图像的矢量化过程效率低下的技术问题。
第一方面，本发明实施例提供了一种分类图像矢量化的方法，包括：
获取遥感栅格分类图像，并对所述遥感栅格分类图像进行分块，得到多个遥感栅格分类子图像；
针对每个所述遥感栅格分类子图像，构建其对应的并查集树，结合预设类型模板在各个所述遥感栅格分类子图像内进行查找和联合操作，得到各个所述遥感栅格分类子图像内的子连通域和各所述子连通域内每个像素点的类型；
对多个所述遥感栅格分类子图像的接边处的像素点进行联合操作，得到所述遥感栅格分类图像的连通域和各所述连通域内每个像素点的类型；
根据每个所述连通域和其内部的每个像素点的类型确定对应的连通域的边缘像素点，进而得到每个所述连通域的边缘像素点集合和所述边缘像素点集合中边缘像素点的类型；
根据每个所述边缘像素点集合中的各所述边缘像素点的类型确定各所述边缘像素点对应的初始边缘节点和由所述初始边缘节点连接的所述连通域的外边缘线；
采用深度优先遍历算法将每个所述连通域的所有外边缘线进行顺序连接，得到每个所述连通域对应的由所述初始边缘节点连接的初始矢量多边形；
去除每个所述连通域对应的由所述初始边缘节点连接的初始矢量多边形中的目标边缘节点，得到每个所述连通域对应的由剩余边缘节点连接的目标矢量多边形，进而实现所述遥感栅格分类图像的矢量化，其中，所述目标边缘节点包括：所述初始边缘节点中的重复的初始边缘节点和不影响所述初始矢量多边形的形状的初始边缘节点。
进一步的，结合预设类型模板在各个所述遥感栅格分类子图像内进行查找和联合操作，包括：
在每个所述遥感栅格分类子图像内，从左往右、从上往下遍历所述遥感栅格分类子图像中的像素点，根据当前像素点的像素值、当前像素点上方的像素点的像素值、当前像素点左侧的像素点的像素值进行像素点的联合操作，进而得到每个所述遥感栅格分类子图像内的子连通域；
将各所述子连通域中的每个像素点与所述预设类型模板进行匹配，根据匹配结果确定各所述子连通域内每个像素点的类型。
进一步的，对多个所述遥感栅格分类子图像的接边处的像素点进行联合操作，包括：
若为上下分布的两个相邻的所述遥感栅格分类子图像，则根据接边处上方的像素点的像素值和接边处下方的像素点的像素值进行像素点的联合操作，进而实现上下分布的两个相邻的所述遥感栅格分类子图像的子连通域联合；
若为左右分布的两个相邻的所述遥感栅格分类子图像，则根据接边处左侧的像素点的像素值和接边处右侧的像素点的像素值进行像素点的联合操作，进而实现左右分布的两个相邻的所述遥感栅格分类子图像的子连通域联合，得到所述遥感栅格分类图像的连通域和各所述连通域内每个像素点的类型。
进一步的，采用深度优先遍历算法将每个所述连通域的所有外边缘线进行顺序连接，包括：
根据每个所述连通域的外边缘线上的各初始边缘节点的坐标确定所述连通域的外边缘线的邻接关系；
根据所述邻接关系将每个所述连通域的所有外边缘线进行顺序连接，得到每个所述连通域对应的由所述初始边缘节点连接的初始矢量多边形。
进一步的，所述方法还包括：
将各所述目标矢量多边形中的像素点的像素值作为对应的目标矢量多边形的属性，进而实现所述遥感栅格分类图像的矢量化。
进一步的，所述方法还包括：
将各所述目标矢量多边形和各所述标矢量多边形的属性写入文件输出，得到所述遥感栅格分类图像的矢量化文件。
第二方面，本发明实施例还提供了一种分类图像矢量化的装置，包括：
获取和分块单元，用于获取遥感栅格分类图像，并对所述遥感栅格分类图像进行分块，得到多个遥感栅格分类子图像；
查找和联合操作单元，用于针对每个所述遥感栅格分类子图像，构建其对应的并查集树，结合预设类型模板在各个所述遥感栅格分类子图像内进行查找和联合操作，得到各个所述遥感栅格分类子图像内的子连通域和各所述子连通域内每个像素点的类型；
联合操作单元，用于对多个所述遥感栅格分类子图像的接边处的像素点进行联合操作，得到所述遥感栅格分类图像的连通域和各所述连通域内每个像素点的类型；
第一确定单元，用于根据每个所述连通域和其内部的每个像素点的类型确定对应的连通域的边缘像素点，进而得到每个所述连通域的边缘像素点集合和所述边缘像素点集合中边缘像素点的类型；
第二确定单元，用于根据每个所述边缘像素点集合中的各所述边缘像素点的类型确定各所述边缘像素点对应的初始边缘节点和由所述初始边缘节点连接的所述连通域的外边缘线；
顺序连接单元，用于采用深度优先遍历算法将每个所述连通域的所有外边缘线进行顺序连接，得到每个所述连通域对应的由所述初始边缘节点连接的初始矢量多边形；
去除单元，用于去除每个所述连通域对应的由所述初始边缘节点连接的初始矢量多边形中的目标边缘节点，得到每个所述连通域对应的由剩余边缘节点连接的目标矢量多边形，进而实现所述遥感栅格分类图像的矢量化，其中，所述目标边缘节点包括：所述初始边缘节点中的重复的初始边缘节点和不影响所述初始矢量多边形的形状的初始边缘节点。
进一步的，所述查找和联合操作单元还用于：
在每个所述遥感栅格分类子图像内，从左往右、从上往下遍历所述遥感栅格分类子图像中的像素点，根据当前像素点的像素值、当前像素点上方的像素点的像素值、当前像素点左侧的像素点的像素值进行像素点的联合操作，进而得到每个所述遥感栅格分类子图像内的子连通域；
将各所述子连通域中的每个像素点与所述预设类型模板进行匹配，根据匹配结果确定各所述子连通域内每个像素点的类型。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
在本发明实施例中，提供了一种分类图像矢量化的方法，包括：获取遥感栅格分类图像，并对遥感栅格分类图像进行分块，得到多个遥感栅格分类子图像；针对每个遥感栅格分类子图像，构建其对应的并查集树，结合预设类型模板在各个遥感栅格分类子图像内进行查找和联合操作，得到各个遥感栅格分类子图像内的子连通域和各子连通域内每个像素点的类型；对多个遥感栅格分类子图像的接边处的像素点进行联合操作，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型；根据每个连通域和其内部的每个像素点的类型确定对应的连通域的边缘像素点，进而得到每个连通域的边缘像素点集合和边缘像素点集合中边缘像素点的类型；根据每个边缘像素点集合中的各边缘像素点的类型确定各边缘像素点对应的初始边缘节点和由初始边缘节点连接的连通域的外边缘线；采用深度优先遍历算法将每个连通域的所有外边缘线进行顺序连接，得到每个连通域对应的由初始边缘节点连接的初始矢量多边形；去除每个连通域对应的由初始边缘节点连接的初始矢量多边形中的目标边缘节点，得到每个连通域对应的由剩余边缘节点连接的目标矢量多边形，进而实现遥感栅格分类图像的矢量化，其中，目标边缘节点包括：初始边缘节点中的重复的初始边缘节点和不影响初始矢量多边形的形状的初始边缘节点。通过上述描述可知，本发明的分类图像矢量化的方法中，是将遥感栅格分类图像分为了多个遥感栅格分类子图像，进而基于并查集算法结合预设类型模板并行在各个遥感栅格分类子图像内进行查找和联合操作，然后将多个遥感栅格分类子图像的接边处的像素点进行联合操作，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型，提高了连通域的生成效率，另外，得到每一连通域的边缘像素点集合和边缘像素点集合中边缘像素点的类型后，是根据边缘像素点集合中的各边缘像素点的类型确定各边缘像素点对应的初始边缘节点和由初始边缘节点连接的连通域的外边缘线，进而将每个连通域的所有外边缘线进行顺序连接，得到每个连通域对应的初始矢量多边形，进而再去除每个连通域对应的初始矢量多边形中的目标边缘节点，便得到了每个连通域对应的目标矢量多边形，实现了遥感栅格分类图像的矢量化，即能快速构建得到矢量多边形，也就是实现了快速的遥感分类图像的矢量化，缓解了现有技术的遥感分类图像的矢量化过程效率低下的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种分类图像矢量化的方法的流程图；
图2为本发明实施例提供的预设类型模板的示意图；
图3为本发明实施例提供的遥感栅格分类图像的连通域的示意图；
图4为本发明实施例提供的根据各边缘像素点的类型确定各边缘像素点对应的初始边缘节点的示意图；
图5为本发明实施例提供的矢量化成果的示意图；
图6为本发明实施例提供的分块的遥感栅格分类图像的示意图；
图7为本发明实施例提供的一种分类图像矢量化的装置的示意图；
图8为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
现有技术的遥感分类图像的矢量化过程效率低下。
基于此，本发明的分类图像矢量化的方法中，是将遥感栅格分类图像分为了多个遥感栅格分类子图像，进而基于并查集算法结合预设类型模板并行在各个遥感栅格分类子图像内进行查找和联合操作，然后将多个遥感栅格分类子图像的接边处的像素点进行联合操作，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型，提高了连通域的生成效率，另外，得到每一连通域的边缘像素点集合和边缘像素点集合中边缘像素点的类型后，是根据边缘像素点集合中的各边缘像素点的类型确定各边缘像素点对应的初始边缘节点和由初始边缘节点连接的连通域的外边缘线，进而将每个连通域的所有外边缘线进行顺序连接，得到每个连通域对应的初始矢量多边形，进而再去除每个连通域对应的初始矢量多边形中的目标边缘节点，便得到了每个连通域对应的目标矢量多边形，实现了遥感栅格分类图像的矢量化，即能快速构建得到矢量多边形，也就是实现了快速的遥感分类图像的矢量化。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种分类图像矢量化的方法进行详细介绍。
实施例一：
根据本发明实施例，提供了一种分类图像矢量化的方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种分类图像矢量化的方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取遥感栅格分类图像，并对遥感栅格分类图像进行分块，得到多个遥感栅格分类子图像；
具体的，分块时，按照计算的需求进行自定义分块，可根据需求分为任意多个遥感栅格分类子图像。
上述遥感栅格分类图像中的每个像素点都为分类像素点，即代表着具体的类别的。
步骤S104，针对每个遥感栅格分类子图像，构建其对应的并查集树，结合预设类型模板在各个遥感栅格分类子图像内进行查找和联合操作，得到各个遥感栅格分类子图像内的子连通域和各子连通域内每个像素点的类型；
具体的，结合预设类型模板并行的在各个遥感栅格分类子图像内进行查找和联合操作，得到各个遥感栅格分类子图像内的子连通域和各子连通域内每个像素点的类型。其中，预设类型模板具体可以包括如图2所示的15种类型，例如，对于0类型来说，其邻接的上下左右四个像素点的像素值均与其不同，则该像素点的类型为0；对于1类型来说，若一个像素点，其邻接的下、左、右三个像素点的像素值与其相同，其邻接的上像素点的像素值与其不同，则该像素点的类型为1，以此类推，得到如图2所示的15种类型。
并查集是一种以树形结构组合的数据结构。每个像素点均带有对其父节点的引用。该结构有两个基本方法，一个是“查找”，可以获得其父节点，时间复杂度为O(1)；二是“联合”，支持将一颗树的根连接到另外一棵树的根，从而实现两个集合的合并，时间复杂度为O(n)。
步骤S106，对多个遥感栅格分类子图像的接边处的像素点进行联合操作，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型；
如图3所示，执行完上述步骤S106后，得到的遥感栅格分类图像的连通域即为图3中灰色的区域。
步骤S108，根据每个连通域和其内部的每个像素点的类型确定对应的连通域的边缘像素点，进而得到每个连通域的边缘像素点集合和边缘像素点集合中边缘像素点的类型；
具体的，上述边缘像素点是指连通域内位于其边缘位置的像素点，具体根据每个连通域和其内部的每个像素点的类型可以推算得到对应的连通域的边缘像素点。其中，具体过程可以为：对像素点的类型进行判断，如果其类型属于0~15中的一种，则可判定为是边缘像素点，否则为非边缘像素点。
如此，便得到每个连通域的边缘像素点集合，由于已经得到各连通域内每个像素点的类型，此时，又得到了每个连通域的边缘像素点集合，所以可以进一步确定边缘像素点集合中边缘像素点的类型，进而由边缘像素点集合中的各边缘像素点的类型转化得到连通域的初始边缘节点。
步骤S110，根据每个边缘像素点集合中的各边缘像素点的类型确定各边缘像素点对应的初始边缘节点和由初始边缘节点连接的连通域的外边缘线；
具体的，如图4所示，对于0类型的边缘像素点，其对应的初始边缘节点为图4中0类型的边缘像素点的4个顶角上的圆点；对于1类型的边缘像素点，其对应的初始边缘节点为图4中1类型的边缘像素点的上方的两个圆点，具体如图4所示，这里不再展开赘述。
得到各边缘像素点对应的初始边缘节点后，也就得到了由初始边缘节点连接的连通域的外边缘线，如图4中的0类型来说，得到的外边缘线为从其中任一初始边缘节点出发，逆时针连接各初始边缘节点得到的线；对于1类型来说，得到的外边缘线为从右侧的初始边缘节点出发，逆时针连接左侧的初始边缘节点得到的线，这里不再一一赘述。
步骤S112，采用深度优先遍历算法将每个连通域的所有外边缘线进行顺序连接，得到每个连通域对应的由初始边缘节点连接的初始矢量多边形；
步骤S114，去除每个连通域对应的由初始边缘节点连接的初始矢量多边形中的目标边缘节点，得到每个连通域对应的由剩余边缘节点连接的目标矢量多边形，进而实现遥感栅格分类图像的矢量化，其中，目标边缘节点包括：初始边缘节点中的重复的初始边缘节点和不影响初始矢量多边形的形状的初始边缘节点。
例如，对于由图4中的5687类型组成的连通域来说，5中的一个初始边缘节点就和6中的一个初始边缘节点重复，需要去除，上述不影响初始矢量多边形的形状的初始边缘节点具体是指不处于拐点位置的初始边缘节点，如，连通域中一条直的外边缘线上，其上除了有位于端点位置的初始边缘节点外，中间位置还有其它初始边缘节点，这些位于中间位置的初始边缘节点即为不影响初始矢量多边形的形状的初始边缘节点，在实现时，可以根据相邻的初始边缘节点组成的两条相邻的线之间的方向是否发生改变确定，如果方向发生改变，那么说明影响初始矢量多边形的形状，否则，不影响初始矢量多边形的形状。
需要说明的是，上述步骤S108至步骤S114的过程可以并行处理，也就是多个连通域并行处理。上述过程是根据连通域的边缘像素点和边缘像素点的类型实现的连通域对应的目标矢量多边形的构建，效率高，速度快。
如图5所示，该每个连通域对应的目标矢量多边形即为图5中的外边框组成的多边形，其中的像素值（即其连通域内部像素点的像素值）即为该目标矢量多边形的属性。
需要说明的是，如果一个大的目标矢量多边形内部存在多个小的目标矢量多边形，则舍弃小的目标矢量多边形，仅取大的目标矢量多边形。因为小的目标矢量多边形存在于大的目标矢量多边形内部，作为矢量内环存在。在整个图像的矢量化过程中，其（指的是小的目标矢量多边形）也会作为独立的矢量外环被创建，为了避免重复，故在此舍去。
在本发明实施例中，提供了一种分类图像矢量化的方法，包括：获取遥感栅格分类图像，并对遥感栅格分类图像进行分块，得到多个遥感栅格分类子图像；针对每个遥感栅格分类子图像，构建其对应的并查集树，结合预设类型模板在各个遥感栅格分类子图像内进行查找和联合操作，得到各个遥感栅格分类子图像内的子连通域和各子连通域内每个像素点的类型；对多个遥感栅格分类子图像的接边处的像素点进行联合操作，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型；根据每个连通域和其内部的每个像素点的类型确定对应的连通域的边缘像素点，进而得到每个连通域的边缘像素点集合和边缘像素点集合中边缘像素点的类型；根据每个边缘像素点集合中的各边缘像素点的类型确定各边缘像素点对应的初始边缘节点和由初始边缘节点连接的连通域的外边缘线；采用深度优先遍历算法将每个连通域的所有外边缘线进行顺序连接，得到每个连通域对应的由初始边缘节点连接的初始矢量多边形；去除每个连通域对应的由初始边缘节点连接的初始矢量多边形中的目标边缘节点，得到每个连通域对应的由剩余边缘节点连接的目标矢量多边形，进而实现遥感栅格分类图像的矢量化，其中，目标边缘节点包括：初始边缘节点中的重复的初始边缘节点和不影响初始矢量多边形的形状的初始边缘节点。通过上述描述可知，本发明的分类图像矢量化的方法中，是将遥感栅格分类图像分为了多个遥感栅格分类子图像，进而基于并查集算法结合预设类型模板并行在各个遥感栅格分类子图像内进行查找和联合操作，然后将多个遥感栅格分类子图像的接边处的像素点进行联合操作，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型，提高了连通域的生成效率，另外，得到每一连通域的边缘像素点集合和边缘像素点集合中边缘像素点的类型后，是根据边缘像素点集合中的各边缘像素点的类型确定各边缘像素点对应的初始边缘节点和由初始边缘节点连接的连通域的外边缘线，进而将每个连通域的所有外边缘线进行顺序连接，得到每个连通域对应的初始矢量多边形，进而再去除每个连通域对应的初始矢量多边形中的目标边缘节点，便得到了每个连通域对应的目标矢量多边形，实现了遥感栅格分类图像的矢量化，即能快速构建得到矢量多边形，也就是实现了快速的遥感分类图像的矢量化，缓解了现有技术的遥感分类图像的矢量化过程效率低下的技术问题。
上述内容对本发明的分类图像矢量化的方法进行了简要介绍，下面对其中涉及到的具体内容进行详细描述。
在本发明的一个可选实施例中，结合预设类型模板在各个遥感栅格分类子图像内进行查找和联合操作，具体包括如下步骤：
（1）在每个遥感栅格分类子图像内，从左往右、从上往下遍历遥感栅格分类子图像中的像素点，根据当前像素点的像素值、当前像素点上方的像素点的像素值、当前像素点左侧的像素点的像素值进行像素点的联合操作，进而得到每个遥感栅格分类子图像内的子连通域；
具体的，假设遥感栅格分类图像高为H，宽为W，则构建一个上述并查集结构UnionFind uf，初始化其大小为W×H，即最初假设每个像素点的根节点均是其自身，然后遍历该遥感栅格分类图像中的像素点，在获取当前像素点（i，j）的像素值后，分别对该当前像素点上方(i，j-1)和左侧（i-1，j）的像素点进行联合操作，即判断当前像素点（i，j）的像素值、上方的像素点的像素值和左侧的像素点的像素值是否相同，若相同，则将三者的根节点统一为同一个，即一颗树的根连接到另外一棵树的根。
针对大的遥感栅格分类图像可以分为N块（如图6所示，分为了4块），在每个遥感栅格分类子图像内均使用一个并查集结构进行连通域查找。即在每个遥感栅格分类子图像内，从左往右、从上往下遍历遥感栅格分类子图像中的像素点，根据当前像素点的像素值、当前像素点上方的像素点的像素值、当前像素点左侧的像素点的像素值进行像素点的联合操作，进而得到每个遥感栅格分类子图像内的子连通域。
N个并查集查找可以并行处理，从而提升效率，然后针对N个接边处的像素点进行联合操作，最终获得整个遥感栅格分类图像的连通域。
（2）将各子连通域中的每个像素点与预设类型模板进行匹配，根据匹配结果确定各子连通域内每个像素点的类型。
在本发明的一个可选实施例中，对多个遥感栅格分类子图像的接边处的像素点进行联合操作，具体包括如下步骤：
（1）若为上下分布的两个相邻的遥感栅格分类子图像，则根据接边处上方的像素点的像素值和接边处下方的像素点的像素值进行像素点的联合操作，进而实现上下分布的两个相邻的遥感栅格分类子图像的子连通域联合；
（2）若为左右分布的两个相邻的遥感栅格分类子图像，则根据接边处左侧的像素点的像素值和接边处右侧的像素点的像素值进行像素点的联合操作，进而实现左右分布的两个相邻的遥感栅格分类子图像的子连通域联合，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型。
在本发明的一个可选实施例中，采用深度优先遍历算法将每个连通域的所有外边缘线进行顺序连接，具体包括如下步骤：
（1）根据每个连通域的外边缘线上的各初始边缘节点的坐标确定连通域的外边缘线的邻接关系；
具体的，根据每个连通域的外边缘线集合中的各外边缘线上的首个初始边缘节点的坐标和尾部初始边缘节点的坐标确定连通域的外边缘线的邻接关系。
（2）根据邻接关系将每个连通域的所有外边缘线进行顺序连接，得到每个连通域对应的由初始边缘节点连接的初始矢量多边形。
在本发明的一个可选实施例中，该方法还包括：
将各目标矢量多边形中的像素点的像素值作为对应的目标矢量多边形的属性，进而实现遥感栅格分类图像的矢量化。
在本发明的一个可选实施例中，该方法还包括：
将各目标矢量多边形和各标矢量多边形的属性写入文件输出，得到遥感栅格分类图像的矢量化文件。
本发明的分类图像矢量化的方法中，提出了一种基于路径压缩的并查集结构的快速连通域构建方法，支持分块索引连通域合并，从而可实现影像分块与并行处理，提高连通域生成效率；并提出了一种基于此数据结构和边缘像素点的类型的快速构建矢量多边形的方法，实现了矢量多边形的快速构建。
适用于针对遥感栅格分类图像的矢量化处理，是一种快速查找图像连通域的方法以及根据连通域的每个像素点的类型快速构建矢量要素的处理流程，针对大型栅格分类数据能够很大程度上提高处理效率。
该方法对我国某省份10km×18km的2m 级别的遥感栅格分类图像进行栅格转矢量化操作。通过矢量化处理前后的栅格数据和矢量数据叠加结果可知，如图5所示，该方法能实现正确且快速矢量化的目的。
实施例二：
本发明实施例还提供了一种分类图像矢量化的装置，该分类图像矢量化的装置主要用于执行本发明实施例一中所提供的分类图像矢量化的方法，以下对本发明实施例提供的分类图像矢量化的装置做具体介绍。
图7是根据本发明实施例的一种分类图像矢量化的装置的示意图，如图7所示，该装置主要包括：获取和分块单元10、查找和联合操作单元20、联合操作单元30、第一确定单元40、第二确定单元50、顺序连接单元60和去除单元70，其中：
获取和分块单元，用于获取遥感栅格分类图像，并对遥感栅格分类图像进行分块，得到多个遥感栅格分类子图像；
查找和联合操作单元，用于针对每个遥感栅格分类子图像，构建其对应的并查集树，结合预设类型模板在各个遥感栅格分类子图像内进行查找和联合操作，得到各个遥感栅格分类子图像内的子连通域和各子连通域内每个像素点的类型；
联合操作单元，用于对多个遥感栅格分类子图像的接边处的像素点进行联合操作，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型；
第一确定单元，用于根据每个连通域和其内部的每个像素点的类型确定对应的连通域的边缘像素点，进而得到每个连通域的边缘像素点集合和边缘像素点集合中边缘像素点的类型；
第二确定单元，用于根据每个边缘像素点集合中的各边缘像素点的类型确定各边缘像素点对应的初始边缘节点和由初始边缘节点连接的连通域的外边缘线；
顺序连接单元，用于采用深度优先遍历算法将每个连通域的所有外边缘线进行顺序连接，得到每个连通域对应的由初始边缘节点连接的初始矢量多边形；
去除单元，用于去除每个连通域对应的由初始边缘节点连接的初始矢量多边形中的目标边缘节点，得到每个连通域对应的由剩余边缘节点连接的目标矢量多边形，进而实现遥感栅格分类图像的矢量化，其中，目标边缘节点包括：初始边缘节点中的重复的初始边缘节点和不影响初始矢量多边形的形状的初始边缘节点。
在本发明实施例中，提供了一种分类图像矢量化的装置，包括：获取遥感栅格分类图像，并对遥感栅格分类图像进行分块，得到多个遥感栅格分类子图像；针对每个遥感栅格分类子图像，构建其对应的并查集树，结合预设类型模板在各个遥感栅格分类子图像内进行查找和联合操作，得到各个遥感栅格分类子图像内的子连通域和各子连通域内每个像素点的类型；对多个遥感栅格分类子图像的接边处的像素点进行联合操作，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型；根据每个连通域和其内部的每个像素点的类型确定对应的连通域的边缘像素点，进而得到每个连通域的边缘像素点集合和边缘像素点集合中边缘像素点的类型；根据每个边缘像素点集合中的各边缘像素点的类型确定各边缘像素点对应的初始边缘节点和由初始边缘节点连接的连通域的外边缘线；采用深度优先遍历算法将每个连通域的所有外边缘线进行顺序连接，得到每个连通域对应的由初始边缘节点连接的初始矢量多边形；去除每个连通域对应的由初始边缘节点连接的初始矢量多边形中的目标边缘节点，得到每个连通域对应的由剩余边缘节点连接的目标矢量多边形，进而实现遥感栅格分类图像的矢量化，其中，目标边缘节点包括：初始边缘节点中的重复的初始边缘节点和不影响初始矢量多边形的形状的初始边缘节点。通过上述描述可知，本发明的分类图像矢量化的装置中，是将遥感栅格分类图像分为了多个遥感栅格分类子图像，进而基于并查集算法结合预设类型模板并行在各个遥感栅格分类子图像内进行查找和联合操作，然后将多个遥感栅格分类子图像的接边处的像素点进行联合操作，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型，提高了连通域的生成效率，另外，得到每一连通域的边缘像素点集合和边缘像素点集合中边缘像素点的类型后，是根据边缘像素点集合中的各边缘像素点的类型确定各边缘像素点对应的初始边缘节点和由初始边缘节点连接的连通域的外边缘线，进而将每个连通域的所有外边缘线进行顺序连接，得到每个连通域对应的初始矢量多边形，进而再去除每个连通域对应的初始矢量多边形中的目标边缘节点，便得到了每个连通域对应的目标矢量多边形，实现了遥感栅格分类图像的矢量化，即能快速构建得到矢量多边形，也就是实现了快速的遥感分类图像的矢量化，缓解了现有技术的遥感分类图像的矢量化过程效率低下的技术问题。
可选地，查找和联合操作单元还用于：在每个遥感栅格分类子图像内，从左往右、从上往下遍历遥感栅格分类子图像中的像素点，根据当前像素点的像素值、当前像素点上方的像素点的像素值、当前像素点左侧的像素点的像素值进行像素点的联合操作，进而得到每个遥感栅格分类子图像内的子连通域；将各子连通域中的每个像素点与预设类型模板进行匹配，根据匹配结果确定各子连通域内每个像素点的类型。
可选地，联合操作单元还用于：若为上下分布的两个相邻的遥感栅格分类子图像，则根据接边处上方的像素点的像素值和接边处下方的像素点的像素值进行像素点的联合操作，进而实现上下分布的两个相邻的遥感栅格分类子图像的子连通域联合；若为左右分布的两个相邻的遥感栅格分类子图像，则根据接边处左侧的像素点的像素值和接边处右侧的像素点的像素值进行像素点的联合操作，进而实现左右分布的两个相邻的遥感栅格分类子图像的子连通域联合，得到遥感栅格分类图像的连通域和各连通域内每个像素点的类型。
可选地，顺序连接单元还用于：根据每个连通域的外边缘线上的各初始边缘节点的坐标确定连通域的外边缘线的邻接关系；根据邻接关系将每个连通域的所有外边缘线进行顺序连接，得到每个连通域对应的由初始边缘节点连接的初始矢量多边形。
可选地，该装置还用于：将各目标矢量多边形中的像素点的像素值作为对应的目标矢量多边形的属性，进而实现遥感栅格分类图像的矢量化。
可选地，该装置还用于：将各目标矢量多边形和各标矢量多边形的属性写入文件输出，得到遥感栅格分类图像的矢量化文件。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
如图8所示，本申请实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述分类图像矢量化的方法的步骤。
具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述分类图像矢量化的方法。
处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
对应于上述分类图像矢量化的方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述分类图像矢量化的方法的步骤。
本申请实施例所提供的分类图像矢量化的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
再例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述分类图像矢量化的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random Access Memory，简称RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种分类图像矢量化的方法，其特征在于，包括：
获取遥感栅格分类图像，并对所述遥感栅格分类图像进行分块，得到多个遥感栅格分类子图像；
针对每个所述遥感栅格分类子图像，构建其对应的并查集树，结合预设类型模板在各个所述遥感栅格分类子图像内进行查找和联合操作，得到各个所述遥感栅格分类子图像内的子连通域和各所述子连通域内每个像素点的类型；
对多个所述遥感栅格分类子图像的接边处的像素点进行联合操作，得到所述遥感栅格分类图像的连通域和各所述连通域内每个像素点的类型；
根据每个所述连通域和其内部的每个像素点的类型确定对应的连通域的边缘像素点，进而得到每个所述连通域的边缘像素点集合和所述边缘像素点集合中边缘像素点的类型；
根据每个所述边缘像素点集合中的各所述边缘像素点的类型确定各所述边缘像素点对应的初始边缘节点和由所述初始边缘节点连接的所述连通域的外边缘线；
采用深度优先遍历算法将每个所述连通域的所有外边缘线进行顺序连接，得到每个所述连通域对应的由所述初始边缘节点连接的初始矢量多边形；
去除每个所述连通域对应的由所述初始边缘节点连接的初始矢量多边形中的目标边缘节点，得到每个所述连通域对应的由剩余边缘节点连接的目标矢量多边形，进而实现所述遥感栅格分类图像的矢量化，其中，所述目标边缘节点包括：所述初始边缘节点中的重复的初始边缘节点和不影响所述初始矢量多边形的形状的初始边缘节点。
2.根据权利要求1所述的方法，其特征在于，结合预设类型模板在各个所述遥感栅格分类子图像内进行查找和联合操作，包括：
在每个所述遥感栅格分类子图像内，从左往右、从上往下遍历所述遥感栅格分类子图像中的像素点，根据当前像素点的像素值、当前像素点上方的像素点的像素值、当前像素点左侧的像素点的像素值进行像素点的联合操作，进而得到每个所述遥感栅格分类子图像内的子连通域；
将各所述子连通域中的每个像素点与所述预设类型模板进行匹配，根据匹配结果确定各所述子连通域内每个像素点的类型。
3.根据权利要求1所述的方法，其特征在于，对多个所述遥感栅格分类子图像的接边处的像素点进行联合操作，包括：
若为上下分布的两个相邻的所述遥感栅格分类子图像，则根据接边处上方的像素点的像素值和接边处下方的像素点的像素值进行像素点的联合操作，进而实现上下分布的两个相邻的所述遥感栅格分类子图像的子连通域联合；
若为左右分布的两个相邻的所述遥感栅格分类子图像，则根据接边处左侧的像素点的像素值和接边处右侧的像素点的像素值进行像素点的联合操作，进而实现左右分布的两个相邻的所述遥感栅格分类子图像的子连通域联合，得到所述遥感栅格分类图像的连通域和各所述连通域内每个像素点的类型。
4.根据权利要求1所述的方法，其特征在于，采用深度优先遍历算法将每个所述连通域的所有外边缘线进行顺序连接，包括：
根据每个所述连通域的外边缘线上的各初始边缘节点的坐标确定所述连通域的外边缘线的邻接关系；
根据所述邻接关系将每个所述连通域的所有外边缘线进行顺序连接，得到每个所述连通域对应的由所述初始边缘节点连接的初始矢量多边形。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将各所述目标矢量多边形中的像素点的像素值作为对应的目标矢量多边形的属性，进而实现所述遥感栅格分类图像的矢量化。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
将各所述目标矢量多边形和各所述标矢量多边形的属性写入文件输出，得到所述遥感栅格分类图像的矢量化文件。
7.一种分类图像矢量化的装置，其特征在于，包括：
获取和分块单元，用于获取遥感栅格分类图像，并对所述遥感栅格分类图像进行分块，得到多个遥感栅格分类子图像；
查找和联合操作单元，用于针对每个所述遥感栅格分类子图像，构建其对应的并查集树，结合预设类型模板在各个所述遥感栅格分类子图像内进行查找和联合操作，得到各个所述遥感栅格分类子图像内的子连通域和各所述子连通域内每个像素点的类型；
联合操作单元，用于对多个所述遥感栅格分类子图像的接边处的像素点进行联合操作，得到所述遥感栅格分类图像的连通域和各所述连通域内每个像素点的类型；
第一确定单元，用于根据每个所述连通域和其内部的每个像素点的类型确定对应的连通域的边缘像素点，进而得到每个所述连通域的边缘像素点集合和所述边缘像素点集合中边缘像素点的类型；
第二确定单元，用于根据每个所述边缘像素点集合中的各所述边缘像素点的类型确定各所述边缘像素点对应的初始边缘节点和由所述初始边缘节点连接的所述连通域的外边缘线；
顺序连接单元，用于采用深度优先遍历算法将每个所述连通域的所有外边缘线进行顺序连接，得到每个所述连通域对应的由所述初始边缘节点连接的初始矢量多边形；
去除单元，用于去除每个所述连通域对应的由所述初始边缘节点连接的初始矢量多边形中的目标边缘节点，得到每个所述连通域对应的由剩余边缘节点连接的目标矢量多边形，进而实现所述遥感栅格分类图像的矢量化，其中，所述目标边缘节点包括：所述初始边缘节点中的重复的初始边缘节点和不影响所述初始矢量多边形的形状的初始边缘节点。
8.根据权利要求7所述的装置，其特征在于，所述查找和联合操作单元还用于：
在每个所述遥感栅格分类子图像内，从左往右、从上往下遍历所述遥感栅格分类子图像中的像素点，根据当前像素点的像素值、当前像素点上方的像素点的像素值、当前像素点左侧的像素点的像素值进行像素点的联合操作，进而得到每个所述遥感栅格分类子图像内的子连通域；
将各所述子连通域中的每个像素点与所述预设类型模板进行匹配，根据匹配结果确定各所述子连通域内每个像素点的类型。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311585768.5A CN117292210B (zh) | 2023-11-27 | 2023-11-27 | 分类图像矢量化的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311585768.5A CN117292210B (zh) | 2023-11-27 | 2023-11-27 | 分类图像矢量化的方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117292210A true CN117292210A (zh) | 2023-12-26 |
| CN117292210B CN117292210B (zh) | 2024-02-23 |
Family
ID=89241188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311585768.5A Active CN117292210B (zh) | 2023-11-27 | 2023-11-27 | 分类图像矢量化的方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117292210B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102881028A (zh) * | 2012-05-22 | 2013-01-16 | 浙江大学 | 一种栅格数字图像快速矢量化方法 |
| CN103839222A (zh) * | 2014-02-18 | 2014-06-04 | 中国林业科学研究院资源信息研究所 | 一种基于分层次边界拓扑搜索模型的栅格转矢量并行系统 |
| EP2840551A1 (en) * | 2013-08-23 | 2015-02-25 | Vistaprint Schweiz GmbH | Methods and systems for automated selection of regions of an image for secondary finishing and generation of mask image of same |
| US20170286815A1 (en) * | 2016-03-31 | 2017-10-05 | Hewlett-Packard Development Company, L.P. | Generating an object map from a plurality of binary images |
| CN111598769A (zh) * | 2020-04-27 | 2020-08-28 | 北京吉威时代软件股份有限公司 | 基于轮廓跟踪与影像分块的快速栅格转矢量方法 |
| US20200342655A1 (en) * | 2019-04-29 | 2020-10-29 | Wuhan University | Method and system for vector-raster overlay analysis of ground surface image area based on edge clipping |
| CN113628291A (zh) * | 2021-08-02 | 2021-11-09 | 电子科技大学 | 基于边界提取与合并的多形状目标栅格数据矢量化方法 |
| CN115147442A (zh) * | 2022-06-06 | 2022-10-04 | 浙江大华技术股份有限公司 | 栅格图案的矢量化方法、移动终端、电子设备和介质 |
| CN115861609A (zh) * | 2022-11-15 | 2023-03-28 | 浙江大华技术股份有限公司 | 遥感图像的分割标注方法、电子设备及存储介质 |
| US20230137233A1 (en) * | 2021-11-04 | 2023-05-04 | Adobe Inc. | Curve Generation for Sketch Vectorization |
-
2023
- 2023-11-27 CN CN202311585768.5A patent/CN117292210B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102881028A (zh) * | 2012-05-22 | 2013-01-16 | 浙江大学 | 一种栅格数字图像快速矢量化方法 |
| EP2840551A1 (en) * | 2013-08-23 | 2015-02-25 | Vistaprint Schweiz GmbH | Methods and systems for automated selection of regions of an image for secondary finishing and generation of mask image of same |
| CN103839222A (zh) * | 2014-02-18 | 2014-06-04 | 中国林业科学研究院资源信息研究所 | 一种基于分层次边界拓扑搜索模型的栅格转矢量并行系统 |
| US20170286815A1 (en) * | 2016-03-31 | 2017-10-05 | Hewlett-Packard Development Company, L.P. | Generating an object map from a plurality of binary images |
| US20200342655A1 (en) * | 2019-04-29 | 2020-10-29 | Wuhan University | Method and system for vector-raster overlay analysis of ground surface image area based on edge clipping |
| CN111598769A (zh) * | 2020-04-27 | 2020-08-28 | 北京吉威时代软件股份有限公司 | 基于轮廓跟踪与影像分块的快速栅格转矢量方法 |
| CN113628291A (zh) * | 2021-08-02 | 2021-11-09 | 电子科技大学 | 基于边界提取与合并的多形状目标栅格数据矢量化方法 |
| US20230137233A1 (en) * | 2021-11-04 | 2023-05-04 | Adobe Inc. | Curve Generation for Sketch Vectorization |
| CN115147442A (zh) * | 2022-06-06 | 2022-10-04 | 浙江大华技术股份有限公司 | 栅格图案的矢量化方法、移动终端、电子设备和介质 |
| CN115861609A (zh) * | 2022-11-15 | 2023-03-28 | 浙江大华技术股份有限公司 | 遥感图像的分割标注方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117292210B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ye et al. | 3d recurrent neural networks with context fusion for point cloud semantic segmentation | |
| Wei et al. | BuildMapper: A fully learnable framework for vectorized building contour extraction | |
| US20130046793A1 (en) | Fast matching of image features using multi-dimensional tree data structures | |
| CN111640089A (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
| CN110428386B (zh) | 地图网格合并方法、装置、存储介质、电子装置 | |
| Li et al. | 4FP-structure: A robust local region feature descriptor | |
| Uchida et al. | Exploring the world of fonts for discovering the most standard fonts and the missing fonts | |
| CN115797592A (zh) | 一种基于倾斜摄影三维模型自动生成建筑物体块的方法和装置 | |
| Tourtounis et al. | Salt-n-pepper noise filtering using cellular automata | |
| CN116612280A (zh) | 车辆分割方法、装置、计算机设备和计算机可读存储介质 | |
| Kurlin | Auto-completion of Contours in Sketches, Maps, and Sparse 2D Images Based on Topological Persistence | |
| CN114283343A (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
| Liu et al. | Generation of concise 3D building model from dense meshes by extracting and completing planar primitives | |
| CN108960247A (zh) | 图像显著性检测方法、装置以及电子设备 | |
| Xiu et al. | Dynamic-scale graph convolutional network for semantic segmentation of 3d point cloud | |
| CN107480804B (zh) | 一种基于线面空间关系的迷宫求解方法 | |
| Dutta et al. | Near convex region adjacency graph and approximate neighborhood string matching for symbol spotting in graphical documents | |
| CN118154628A (zh) | 边缘检测融合算法 | |
| CN117292210B (zh) | 分类图像矢量化的方法、装置、电子设备和存储介质 | |
| CN112507938A (zh) | 一种文本图元的几何特征计算方法及识别方法、装置 | |
| CN109710633B (zh) | 中间人信息的确定方法、装置及智能终端 | |
| CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
| Madi et al. | A graph-based approach for kite recognition | |
| CN110135224B (zh) | 一种监控视频的前景目标提取方法及系统、存储介质及终端 | |
| EP3692507A1 (en) | Method and device for hole filling of a point cloud |
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 |