CN117496374B - 一种生态旅游资源卫星遥感数据批量处理及下载系统 - Google Patents
一种生态旅游资源卫星遥感数据批量处理及下载系统 Download PDFInfo
- Publication number
- CN117496374B CN117496374B CN202410001345.2A CN202410001345A CN117496374B CN 117496374 B CN117496374 B CN 117496374B CN 202410001345 A CN202410001345 A CN 202410001345A CN 117496374 B CN117496374 B CN 117496374B
- Authority
- CN
- China
- Prior art keywords
- edge
- vegetation
- suspected
- remote sensing
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 90
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 36
- 230000008569 process Effects 0.000 abstract description 13
- 238000003860 storage Methods 0.000 description 34
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- 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
- G06V10/44—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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本说明书实施例公开了一种生态旅游资源卫星遥感数据批量处理及下载系统,涉及图像数据处理技术领域。该系统包括:获取模块、边缘信息提取模块、边缘像素点确定模块、窗口构建模块、颜色特征值获取模块、第一计算模块、第二计算模块、第三计算模块以及分割模块。通过该系统,可以结合每一个窗口对应的植被边缘颜色特征值、边缘曲折度和纹理丰富度来确定每一个边缘像素点所对应的植被边缘特征值,然后通过该植被边缘特征值来表征每一个边缘像素点为植被边缘的可能性并基于此对遥感边缘数据图像进行分割,可以提高植被区域分割的精度,解决在对卫星遥感图像进行处理的过程中植被分割不精确的问题,从而便于生态旅游资源卫星遥感数据的批量处理。
Description
技术领域
本发明涉及图像数据处理技术领域,特别涉及一种生态旅游资源卫星遥感数据批量处理及下载系统。
背景技术
生态旅游资源卫星遥感数据是指利用卫星遥感技术获取的与生态旅游资源相关的数据,这些数据包括卫星图像、遥感影像、数字高程模型、地形图等,可以用于生态旅游资源的调查、监测、评估和规划等多种目的。卫星遥感技术可以获取大范围、高分辨率、多时相的数据,可有效地获取生态旅游资源的空间分布、类型、数量、质量等信息,对这些数据进行分析,可以了解生态旅游资源的分布情况、生态环境状况、旅游开发潜力等,为生态旅游资源的保护、开发和利用提供科学依据。
在遥感图像中,往往包含道路、建筑物、河流、植被等多种场景信息,若要从中提取出较为重要的植被信息,需要在数据分析前对遥感图像进行批量处理的过程中完成对遥感图像中植被部分的分割。在分割的过程中,由于背景类内差异较大,前景与背景之间不平衡、植被目标形状复杂、光照条件问题等多种原因,往往出现植被的边缘错分和漏分的情况,影响后续对生态旅游资源的分析。因此,需要一种对遥感图像中的植被信息进行精准分割的方法,以便于对生态旅游资源卫星遥感数据进行批量处理。
发明内容
本说明书实施例提供一种生态旅游资源卫星遥感数据批量处理及下载系统,该系统包括:获取模块,用于获取待处理的卫星遥感图像;边缘信息提取模块,用于对所述卫星遥感图像的边缘信息进行提取,得到遥感边缘数据图像;边缘像素点确定模块,用于基于所述遥感边缘数据图像中的边缘信息及边缘点坐标,确定所述卫星遥感图像中的边缘像素点;窗口构建模块,用于以每一个所述边缘像素点为中心,分别建立的窗口;颜色特征值获取模块,用于获取每一个所述窗口中的中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值;第一计算模块,用于基于所述中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值计算每一个所述边缘像素点对应的植被边缘颜色特征值;第二计算模块,用于确定每一个所述边缘像素点所对应的窗口中所述疑似植被区所对应的边缘曲折度和纹理丰富度;第三计算模块,用于基于所述植被边缘颜色特征值、所述边缘曲折度和所述纹理丰富度,确定每一个所述边缘像素点所对应的植被边缘特征值;分割模块,用于根据所述植被边缘特征值对所述遥感边缘数据图像进行分割,以完成对生态旅游资源卫星遥感数据的批量处理和下载。
在一些实施例中,所述颜色特征值获取模块具体用于:通过所述窗口内的边缘像素点将所述窗口划分为至少两个区域;将包含所述中心像素点的区域作为疑似植被区,将其他区域作为疑似背景区。
在一些实施例中,所述颜色特征值获取模块具体用于:获取所述中心像素点在R、G、B三个通道分别对应的像素值;基于所述中心像素点在G通道的像素值与所述中心像素点在R通道和B通道的像素值之和的第一比值,得到所述中心像素点对应的颜色特征值。
在一些实施例中,所述颜色特征值获取模块还具体用于:获取所述疑似植被区中所有像素点在R、G、B三个通道分别对应的第一像素均值;基于所述疑似植被区中所有像素点在G通道的第一像素均值与所述疑似植被区中所有像素点在R通道和B通道的第一像素均值之和的第二比值,得到所述疑似植被区对应的颜色特征值。
在一些实施例中,所述颜色特征值获取模块还具体用于:获取所述疑似背景区中所有像素点在R、G、B三个通道分别对应的第二像素均值;基于所述疑似背景区中所有像素点在G通道的第二像素均值与所述疑似背景区中所有像素点在R通道和B通道的第二像素均值之和的第三比值,得到所述疑似背景区对应的颜色特征值。
在一些实施例中,所述第一计算模块具体用于:计算所述中心像素点与所述疑似植被区所对应的颜色特征值的第三均值;基于所述第三均值和所述疑似背景区所对应的颜色特征值的最小值得到第一参数;计算所述疑似植被区所对应的颜色特征值与所述疑似背景区所对应的颜色特征值的最小值的差值的第一绝对值,以及所述中心像素点与所述疑似植被区所对应的颜色特征值的差值的第二绝对值;基于所述第一绝对值与所述第二绝对值得到第二参数;基于所述第一参数和所述第二参数,得到每一个所述边缘像素点对应的植被边缘颜色特征值。
在一些实施例中,所述第二计算模块具体用于:获取所述疑似植被区的边缘所包含的各个像素点的灰度值,并基于所述灰度值计算所述各个像素点对应的梯度值;基于所述梯度值的标准差和极差,得到所述疑似植被区所对应的边缘曲折度。
在一些实施例中,所述第二计算模块还具体用于:获取所述疑似植被区所包含的所有像素点对应的不同梯度值的数量,不同梯度值在所述疑似植被区中出现的频率,以及所有不同梯度值在所述疑似植被区中出现的频率均值;计算所有所述不同梯度值所对应的频率与所述频率均值的差值的绝对值之和;基于所述不同梯度值的数量以及所述绝对值之和,得到所述疑似植被区所对应的纹理丰富度。
在一些实施例中,所述第三计算模块具体用于:对所述植被边缘颜色特征值、所述边缘曲折度和所述纹理丰富度的乘积进行归一化处理,得到每一个所述边缘像素点所对应的植被边缘特征值。
在一些实施例中,所述分割模块具体用于:对所述卫星遥感图像中各个边缘像素点所对应的植被边缘特征值使用K-means算法进行聚类,将所述植被边缘特征值划分为两类;计算每一个类中的植被边缘特征值的均值,并将均值较大的类内包含的像素点作为所述遥感边缘数据图像中的植被边缘对应的像素点。
本说明书实施例所提供的生态旅游资源卫星遥感数据批量处理及下载系统可能带来的有益效果至少包括:(1)通过结合每一个窗口对应的植被边缘颜色特征值、边缘曲折度和纹理丰富度来确定每一个边缘像素点所对应的植被边缘特征值,然后通过该植被边缘特征值来表征每一个边缘像素点为植被边缘的可能性并基于此对遥感边缘数据图像进行分割,可以提高对卫星遥感图像中植被区域分割的精度,解决在对卫星遥感图像进行处理的过程中植被分割不精确的问题,便于生态旅游资源卫星遥感数据的批量处理;(2)通过计算窗口内中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值来确定每一个边缘像素点对应的植被边缘颜色特征值,可以充分利用植被部分和其他部分的颜色特征以及颜色特征差异来对每个边缘像素点进行分析,从而提高边缘像素点特征表征的准确性,有助于提高后续过程中对每一个边缘像素点所对应的植被边缘特征值进行计算的准确性。
附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说,通过查阅以下内容和附图将变得显而易见,或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的生态旅游资源卫星遥感数据批量处理及下载系统的示例性应用场景示意图;
图2是根据本说明书的一些实施例所示的生态旅游资源卫星遥感数据批量处理及下载系统的示例性模块图;
图3是根据本说明书一些实施例所示的生态旅游资源卫星遥感数据批量处理及下载方法的示例性流程图;
图4是根据本说明书一些实施例所示的生态旅游资源卫星遥感数据批量处理及下载方法的示例性子步骤流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面结合附图对本说明书实施例提供的生态旅游资源卫星遥感数据批量处理及下载系统进行详细说明。
图1是根据本说明书一些实施例所示的生态旅游资源卫星遥感数据批量处理及下载系统的示例性应用场景示意图。
参照图1,在一些实施例中,生态旅游资源卫星遥感数据批量处理及下载系统的应用场景100可以包括第一服务器110、第二服务器111、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如,第一服务器110和/或第二服务器111可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。又例如,存储设备120可以与处理设备130直接连接或通过网络150连接。又例如,终端设备140可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。
第一服务器110可以指原始卫星遥感数据下载平台,例如USGS网站、地理空间数据云、EarthExplorer、欧空局官网等。通过第一服务器可以对需要进行旅游生态资源分析的各地域的卫星遥感数据进行下载。在一些实施例中,从第一服务器110下载的数据可以为Landsat系列数据、哨兵系列数据等。第二服务器111可以指用于下载经过本说明书实施例所描述的生态旅游资源卫星遥感数据批量处理方法处理得到的生态旅游资源卫星遥感数据的服务平台。具体而言,即在本说明书中,可以通过对从第一服务器110下载的原始卫星遥感数据进行处理,得到生态旅游资源卫星遥感数据,然后可以将该生态旅游资源卫星遥感数据存储在第二服务器111以供用户下载。需要说明的是,在一些实施例中,第一服务器110与第二服务器可111可以集成于一体。
在一些实施例中,第一服务器110和/或第二服务器111可以通过网络150将其下载的卫星遥感图像发送至存储设备120、处理设备130、终端设备140等。在一些实施例中,可以通过处理设备130对从第一服务器110下载的卫星遥感图像进行处理。例如,处理设备130可以确定卫星遥感图像中每一个边缘像素点对应的植被边缘特征值,然后基于该植被边缘特征值对该卫星遥感图像进行分割。在一些实施例中,该卫星遥感图像中每一个边缘像素点对应的植被边缘特征值和/或分割后得到的生态旅游资源卫星遥感数据可以发送至存储设备120进行存储,或者发送至终端设备140以反馈给用户(例如相关工作人员)。在一些实施例中,当第二服务器111接收到下载处理后的生态旅游资源卫星遥感数据的指令后,可以通过网络150从存储设备120提取相关数据,并下发给用户。
网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的至少一个组件(例如,第一服务器110、第二服务器111、存储设备120、处理设备130、终端设备140)可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如,处理设备130可以通过网络150从第一服务器110和/或存储设备120获得卫星遥感图像。又例如,处理设备130可以通过网络150从终端设备140获得用户操作指令,示例性的操作指令可以包括但不限于调阅卫星遥感图像,读取对该卫星遥感图像进行处理所确定的卫星遥感图像中每一个边缘像素点对应的植被边缘特征值和/或分割后得到的生态旅游资源卫星遥感数据等。
在一些实施例中,网络150可以为任意形式的有线或无线网络,或其任意组合。仅作为示例,网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或其任意组合。在一些实施例中,网络150可以包括至少一个网络接入点,应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。
存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中,存储设备120可以存储从第一服务器110和/或第二服务器111、处理设备130和/或终端设备140获得的数据。例如,存储设备120可以存储从第一服务器110下载的卫星遥感图像;又例如,存储设备120可以存储处理设备130处理得到的卫星遥感图像中每一个边缘像素点对应的植被边缘特征值和/或分割后得到的生态旅游资源卫星遥感数据。在一些实施例中,存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备120可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件(例如,第一服务器110和/或第二服务器111、处理设备130、终端设备140)通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中,存储设备120可以与应用场景100中的一个或以上组件(例如,第一服务器110、第二服务器111、终端设备140)直接连接或通信。在一些实施例中,存储设备120可以是第一服务器110、第二服务器111和/或处理设备130的一部分。
处理设备130可以处理从第一服务器110、第二服务器111、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中,处理设备130可以从第一服务器110、存储设备120或终端设备140中任意一个或多个获得卫星遥感图像,通过对该卫星遥感图像进行处理以确定卫星遥感图像中每一个边缘像素点对应的植被边缘特征值和/或分割后得到的生态旅游资源卫星遥感数据。在一些实施例中,处理设备130可以从存储设备120获取预先存储的计算机指令,并执行该计算机指令以实现本说明书所描述的生态旅游资源卫星遥感数据批量处理及下载方法。
在一些实施例中,处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备130可以是本地或远程的。例如,处理设备130可以通过网络150从第一服务器110、第二服务器111、存储设备120和/或终端设备140访问信息和/或数据。又例如,处理设备130可以直接连接到第一服务器110、第二服务器111、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中,处理设备130可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括第一服务器110下载的数据、存储设备120存储的数据、处理设备130处理得到的卫星遥感图像中每一个边缘像素点对应的植被边缘特征值和/或分割后得到的生态旅游资源卫星遥感数据等。所述发送的数据可以包括用户(例如相关工作人员)的输入数据和指令等。例如,终端设备140可以将用户输入的操作指令通过网络150发送给第一服务器110,以从第一服务器110下载所需的卫星遥感数据。又例如,终端设备140可以将用户输入的下载指令通过网络150发送给第二服务器111,以从第二服务器111下载处理后所得到的生态旅游资源卫星遥感数据。
在一些实施例中,终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如,移动设备141可以包括移动电话、个人数字助理(PDA)、专用移动终端等或其任意组合。在一些实施例中,终端设备140可以包括输入设备(如键盘、触摸屏)、输出设备(如显示器、扬声器)等。在一些实施例中,处理设备130可以是终端设备140的一部分。
应当注意的是,上述有关应用场景100的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对应用场景100进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,第一服务器110和/或第二服务器111可以包括更多或更少的功能组件。
图2是根据本说明书一些实施例所示的生态旅游资源卫星遥感数据批量处理及下载系统的模块示意图。在一些实施例中,图2所示的生态旅游资源卫星遥感数据批量处理及下载系统200可以以软件和/或硬件的方式应用到图1所示的应用场景100,例如,可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140,以用于对第一服务器110所下载的卫星遥感图像进行处理,并确定卫星遥感图像中每一个边缘像素点对应的植被边缘特征值,然后基于该植被边缘特征值对该卫星遥感图像进行分割。又例如,可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140,以用于将处理后所得到的生态旅游资源卫星遥感数据配置到第二服务器111,以供用户下载。
参照图2,在一些实施例中,生态旅游资源卫星遥感数据批量处理及下载系统200可以包括获取模块210、边缘信息提取模块220、边缘像素点确定模块230、窗口构建模块240、颜色特征值获取模块250、第一计算模块260、第二计算模块270、第三计算模块280以及分割模块290。
获取模块210可以用于获取待处理的卫星遥感图像。
边缘信息提取模块220可以用于对所述卫星遥感图像的边缘信息进行提取,得到遥感边缘数据图像。
边缘像素点确定模块230可以用于基于所述遥感边缘数据图像中的边缘信息及边缘点坐标,确定所述卫星遥感图像中的边缘像素点。
窗口构建模块240可以用于以每一个所述边缘像素点为中心,分别建立的窗口。
颜色特征值获取模块250可以用于获取每一个所述窗口中的中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值。
第一计算模块260可以用于基于所述中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值计算每一个所述边缘像素点对应的植被边缘颜色特征值。
第二计算模块270可以用于确定每一个所述边缘像素点所对应的窗口中所述疑似植被区所对应的边缘曲折度和纹理丰富度。
第三计算模块280可以用于基于所述植被边缘颜色特征值、所述边缘曲折度和所述纹理丰富度,确定每一个所述边缘像素点所对应的植被边缘特征值。
分割模块290可以用于根据所述植被边缘特征值对所述遥感边缘数据图像进行分割,以完成对生态旅游资源卫星遥感数据的批量处理和下载。
关于上述各个模块的更多细节可以参照本说明书的其他位置(例如图3~图4部分及其相关描述),此处不再赘述。
应当理解,图2所示的生态旅游资源卫星遥感数据批量处理及下载系统200及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,上述关于生态旅游资源卫星遥感数据批量处理及下载系统200的描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。可以理解,对于本领域的技术人员来说,可以根据本说明书的描述,在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,图2中所述的获取模块210、边缘信息提取模块220、边缘像素点确定模块230、窗口构建模块240、颜色特征值获取模块250、第一计算模块260、第二计算模块270、第三计算模块280以及分割模块290可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。诸如此类的变形,均在本说明书的保护范围之内。在一些实施例中,前述各个模块可以是处理设备130和/或终端设备140的一部分。
图3是根据本说明书一些实施例所示的生态旅游资源卫星遥感数据批量处理及下载方法的示例性流程图。在一些实施例中,方法300可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。在一些实施例中,图3所示的生态旅游资源卫星遥感数据批量处理及下载方法300的流程图中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如,方法300可以以指令的形式存储在存储设备120中,并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述方法300的执行过程。
参照图3,在一些实施例中,生态旅游资源卫星遥感数据批量处理及下载方法300可以包括:
步骤310,获取待处理的卫星遥感图像。在一些实施例中,步骤310可以由获取模块210执行。
在一些实施例中,可以从第一服务器110下载需要进行生态旅游资源进行分析的各地域的卫星遥感数据。示例性地,第一服务器110可以为USGS网站、地理空间数据云、EarthExplorer、欧空局官网等平台。在一些实施例中,从第一服务器110下载的数据可为Landsat系列数据、哨兵系列数据等。在一些实施例中,从第一服务器110下载的卫星遥感数据可以包括卫星遥感图像,其中,该卫星遥感图像可以为RGB图像。
步骤320,对所述卫星遥感图像的边缘信息进行提取,得到遥感边缘数据图像。在一些实施例中,步骤320可以由边缘信息提取模块220执行。
在一些实施例中,可以将每张卫星遥感图像转换为灰度图像,然后对该灰度图像使用canny边缘检测以获得边缘图像(该边缘图像为二值图像),然后将该边缘图像记为遥感边缘数据图像。
可以理解,由于该遥感边缘数据图像中包含了卫星遥感图像中的所有边缘信息,信息内容较多,因此,在本说明书实施例中,为了更好地进行后续生态旅游资源分析,需要从中筛选出植被对应的边缘信息。
步骤330,基于所述遥感边缘数据图像中的边缘信息及边缘点坐标,确定所述卫星遥感图像中的边缘像素点。在一些实施例中,步骤330可以由边缘像素点确定模块230执行。
在一些实施例中,可以根据遥感边缘数据图像中的边缘信息和这些边缘点的坐标,找到卫星遥感图像中这些像素点的位置,然后,将这些像素点标记为卫星遥感图像中的边缘像素点。
步骤340,以每一个所述边缘像素点为中心,分别建立的窗口。在一些实施例中,步骤340可以由窗口构建模块240执行。
在确定出卫星遥感图像中的边缘像素点之后,可以以每一个边缘像素点为中心,分别建立的窗口。通过对该窗口内的像素点进行分析,可以确定出每一个边缘像素点为植被对应的边缘的可能性。需要说明的是,在本说明书实施例中,/>的值可以根据所需的计算精度进行设定。示例性地,在一些实施例中,/>可以设定为9。
步骤350,获取每一个所述窗口中的中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值。在一些实施例中,步骤350可以由颜色特征值获取模块250执行。
由于植被颜色较为一致,整体呈现绿色,所以植被区域的边缘部分处属于植被的位置呈绿色,而边缘部分处不属于植被的位置对应其他的场景,一般为土地等其他种类场景,呈绿色的可能性较低,因此,可以根据植被部分和其他部分的颜色特征以及颜色特征差异对每个边缘像素点进行分析。
具体而言,每一个窗口中,可以包括中心像素点以及其他的边缘像素点,颜色特征值获取模块250可以通过每一个窗口内的边缘像素点的连线将该窗口划分为至少两个区域。进一步地,颜色特征值获取模块250可以将包含中心像素点的区域作为疑似植被区,将不包含该中心像素点的其他区域作为疑似背景区。
在一些实施例中,颜色特征值获取模块250可以获取中心像素点在R、G、B三个通道分别对应的像素值,然后基于该中心像素点在G通道的像素值与该中心像素点在R通道和B通道的像素值之和的第一比值,得到该中心像素点对应的颜色特征值。
另外,颜色特征值获取模块250还可以获取疑似植被区中所有像素点在R、G、B三个通道分别对应的第一像素均值,然后基于该疑似植被区中所有像素点在G通道的第一像素均值与该疑似植被区中所有像素点在R通道和B通道的第一像素均值之和的第二比值,得到该疑似植被区对应的颜色特征值。
除此之外,颜色特征值获取模块250还可以获取疑似背景区中所有像素点在R、G、B三个通道分别对应的第二像素均值,然后基于该疑似背景区中所有像素点在G通道的第二像素均值与该疑似背景区中所有像素点在R通道和B通道的第二像素均值之和的第三比值,得到该疑似背景区对应的颜色特征值。
具体地,前述中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值可以表示如下:
其中,为中心像素点对应的颜色特征值,/>分别为中心像素点在R、G、B三个通道对应的像素值;/>为疑似植被区对应的颜色特征值,/>分别为疑似植被区内包含的各像素点在R、G、B三个通道对应的像素值的均值;/>为窗口内第/>个疑似背景区对应的颜色特征值,/>分别为第/>个疑似背景区内包含的各像素点在R、G、B三个通道对应的像素值的均值。
可以理解,当中心像素点和疑似植被区对应植被区域时,则中心像素点和疑似植被区呈现绿色的特征较为明显,即颜色特征值较大,此时,各疑似背景区对应于非植被区域,与植被颜色差异较大,对应的颜色特征值较小。
步骤360,基于所述中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值计算每一个所述边缘像素点对应的植被边缘颜色特征值。在一些实施例中,步骤360可以由第一计算模块260执行。
基于步骤350计算得到的每一个窗口中的中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值,可以进一步计算出该窗口所对应的边缘像素点(即该窗口的中心像素点)对应的植被边缘颜色特征值。
图4是根据本说明书一些实施例所示的生态旅游资源卫星遥感数据批量处理及下载方法的示例性子步骤流程图。参照图4,在一些实施例中,步骤360可以包括如下子步骤:
子步骤361,计算中心像素点与疑似植被区所对应的颜色特征值的第三均值。
子步骤362,基于所述第三均值和疑似背景区所对应的颜色特征值的最小值得到第一参数。
子步骤363,计算所述疑似植被区所对应的颜色特征值与所述疑似背景区所对应的颜色特征值的最小值的差值的第一绝对值,以及所述中心像素点与所述疑似植被区所对应的颜色特征值的差值的第二绝对值。
子步骤364,基于所述第一绝对值与所述第二绝对值得到第二参数。
子步骤365,基于所述第一参数和所述第二参数,得到每一个所述边缘像素点对应的植被边缘颜色特征值。
在一些实施例,前述第三均值可以表示为,第一参数可以表示为/>,第一绝对值可以表示为/>,第二绝对值可以表示为/>,第二参数可以表示为/>。
具体地,每一个窗口所对应的边缘像素点的植被边缘颜色特征值可以表示为:
其中,为边缘像素点对应的植被边缘颜色特征值;/>为该边缘像素点(即对应窗口的中心像素点)对应的颜色特征值;/>为该边缘像素点对应的窗口内疑似植被区对应的颜色特征值;/>为该边缘像素点对应的窗口内各疑似背景区对应的颜色特征值的最小值(可以将该疑似背景区记为一类疑似背景区);/>为常数系数,其作用为防止分母为零而使得分式无意义,本说明书中/>可以根据经验值设为1。
需要说明的是,在本说明书实施例中,为使筛选出的边缘像素点更接近植被的边缘部分,在分析时,不仅根据上述颜色特征值对疑似植被区和各个疑似背景区进行分析,更突出了中心像素点对应的植被颜色特征,具体为将中心像素点与该边缘像素点对应的窗口内疑似植被区的颜色特征值进行比较以及将两者的均值与疑似背景区对应的颜色特征值进行比较。
可以理解,当边缘像素点和其对应的疑似植被区对应的颜色特征值越大且越为接近,其对应的疑似背景区对应的颜色特征值的最小值越小且与疑似植被区对应的颜色特征值差异越大时,该边缘像素点越可能对应于植被的边缘区域,即该边缘像素点对应的植被边缘颜色特征值越大。
步骤370,确定每一个所述边缘像素点所对应的窗口中所述疑似植被区所对应的边缘曲折度和纹理丰富度。在一些实施例中,步骤370可以由第二计算模块270执行。
在一些实施例中,考虑到仅以颜色对植被进行确定可能导致少量也呈现绿色的其他目标物被误判为植被,因此,还需要以上述颜色特征为基础继续对各边缘像素点进行分析。
在一些实施例中,考虑到植被冠层的形状大小和空间结构比较复杂,不同种类的植被冠层的叶片大小,形状和密度均不相同,但从卫星遥感图像中进行观测,边缘均呈不规则的较为曲折的形状,且植被俯视观测时不同位置的冠层互相重叠,所以植被区域内部纹理丰富,可以以该边缘和纹理特征对每个边缘像素点进行分析。
基于以上分析,在本说明书的一些实施例中,为了更准确地计算每一个边缘像素点为植被边缘的可能性,可以确定每一个边缘像素点所对应的窗口中的疑似植被区所对应的边缘曲折度和纹理丰富度。
在一些实施例中,该边缘曲折度和纹理丰富度可以表示如下:
其中,为边缘像素点对应的窗口内疑似植被区的边缘对应的边缘曲折度,/>分别为边缘像素点对应的窗口内疑似植被区的边缘包含的各个像素点对应的梯度值的标准差和极差;/>为边缘像素点对应的窗口内疑似植被区对应的纹理丰富度,/>为边缘像素点对应的窗口内疑似植被区包含的像素点对应的不同梯度值的数量,/>为不同梯度值在边缘像素点对应的窗口内疑似植被区中出现的频率,其中,/>,/>为不同梯度值在边缘像素点对应的窗口内疑似植被区中出现的频率的均值。
具体而言,在一些实施例中,第二计算模块270可以获取边缘像素点对应的窗口内疑似植被区的边缘包含的各个像素点对应的灰度值,然后根据该灰度值获取这些像素点对应的梯度,同时,获取边缘像素点对应的窗口内疑似植被区内部包含的各像素点的灰度值,并根据灰度值获取这些像素点的梯度,然后,获取疑似植被区的边缘包含的各个像素点对应的梯度值的标准差和极差,并基于该标准差和极差得到疑似植被区所对应的边缘曲折度。可以理解,当植被的边缘不规则、较为曲折时,前述梯度值差异较大,对应的标准差和极差均应较大,最终计算得到的边缘曲折度也会相应较大。
在一些实施例中,可以根据疑似植被区内部包含的各像素点的梯度值获取梯度值分布矩阵,然后基于该分布矩阵获取每个梯度值在疑似植被区中出现的频率和疑似植被区中出现的不同梯度值的数量。
进一步地,当第二计算模块270用于确定疑似植被区所对应的纹理丰富度时,可以获取疑似植被区所包含的所有像素点对应的不同梯度值的数量()、不同梯度值在该疑似植被区中出现的频率(/>)、以及所有不同梯度值在该疑似植被区中出现的频率均值(/>),然后计算所有不同梯度值所对应的频率与所述频率均值的差值的绝对值之和(),最后,基于不同梯度值的数量与所述绝对值之和的比值,得到该疑似植被区所对应的纹理丰富度。
步骤380,基于所述植被边缘颜色特征值、所述边缘曲折度和所述纹理丰富度,确定每一个所述边缘像素点所对应的植被边缘特征值。在一些实施例中,步骤380可以由第三计算模块280执行。
在通过前述步骤得到每一个窗口对应的植被边缘颜色特征值、边缘曲折度和纹理丰富度后,可以进一步计算得到每一个边缘像素点所对应的植被边缘特征值。该计算过程可以表示如下:
其中,为边缘像素点对应的植被边缘特征值;/>为归一化函数,其作用为对括号内的值进行归一化计算。
可以理解,当该边缘像素点对应的窗口内疑似植被区的边缘包含的各像素点的梯度值的数值分布越为离散且凌乱时,则其对应的边缘曲折度越大,该边缘像素点越可能对应植被的边缘位置。当边缘像素点对应的窗口内疑似植被区包含的各像素点的梯度方向分布越为离散时,则该区域的纹理越为丰富且复杂,该边缘像素点对应的纹理丰富度越大,该边缘像素点越可能对应植被的边缘位置。当边缘像素点对应的边缘曲折度、纹理丰富度和植被边缘颜色特征值越大时,则其对应的植被边缘特征值越大,该边缘像素点越可能对应植被的边缘位置。因此,在本说明书实施例中,通过前述步骤计算出每个边缘像素点所对应的植被边缘特征值后,即可通过该植被边缘特征值表征每一个边缘像素点为植被边缘的可能性。
步骤390,根据所述植被边缘特征值对所述遥感边缘数据图像进行分割,以完成对生态旅游资源卫星遥感数据的批量处理和下载。在一些实施例中,步骤390可以由分割模块290执行。
在一些实施例中,分割模块290可以用于对待处理的卫星遥感图像中各个边缘像素点所对应的植被边缘特征值使用K-means算法进行聚类,从而将该植被边缘特征值划分为两类。其中,K-means算法可以视为公知技术,本说明书中不再对其进行赘述。
进一步地,分割模块290可以计算每一个类中的植被边缘特征值的均值,然后将均值较大的类内包含的像素点作为待处理的遥感边缘数据图像中的植被边缘对应的像素点。进一步地,通过标记这些像素点,即可精准分割出待处理的遥感边缘数据图像中的植被区域,完成对生态旅游资源卫星遥感数据的批量处理。
进一步地,在完成对生态旅游资源卫星遥感数据的批量处理后,可以将处理得到的生态旅游资源卫星遥感数据配置到第二服务器111以供用户下载。
在一些实施例中,第二服务器111可以为分布式服务器,其数据下载方式可以包括多线程下载、分块下载、按地理位置分配下载任务、智能负载均衡等。
其中,多线程下载是指在同一时间内使用多个线程同时下载文件的一种方式。在单台服务器上,多线程下载可以利用网络带宽的并行性,从而提高下载速度。在分布式系统中,可以将多台服务器的带宽和计算能力共同使用,利用多线程同时下载数据,从而将下载速度进一步提高。该方式可以同时利用多个线程下载数据,从而充分利用网络带宽,提高下载速度。分块下载是将大文件分成多个较小的块分别下载的一种方式。在分布式服务器中,可以利用多台服务器的带宽和计算能力同时下载多个块,从而提高下载速度。
在一些实施例中,第二服务器111也可以按地理位置分配下载任务,具体而言,即根据用户的地理位置分配下载任务,选择距离用户最近的服务器进行数据下载的一种方式。该方式可以降低网络延迟,提高下载速度,避免所有用户都连接到同一台服务器而导致网络拥塞。
智能负载均衡是使用负载均衡算法,根据服务器的负载情况自动调整下载任务的分配,从而使得各台服务器的资源利用更加均衡,提高整个系统的下载速度和可靠性,避免单台服务器因为负载过高导致下载失败。
需要说明的是,以上下载方式仅为示例性说明,在一些实施例中,第二服务器111还可以以其他下载方式提供下载服务。例如,在一些实施例中,可以将存储有所需数据的用户节点作为一个服务器节点以提供数据下载服务,然后选择距离用户最近的节点进行数据下载,从而进一步降低网络延迟,提高下载速度。
综上所述,本说明书实施例可能带来的有益效果包括但不限于:(1)在本说明书一些实施例所提供的生态旅游资源卫星遥感数据批量处理及下载系统中,通过结合每一个窗口对应的植被边缘颜色特征值、边缘曲折度和纹理丰富度来确定每一个边缘像素点所对应的植被边缘特征值,然后通过该植被边缘特征值来表征每一个边缘像素点为植被边缘的可能性并基于此对遥感边缘数据图像进行分割,可以提高对卫星遥感图像中植被区域分割的精度,解决在对卫星遥感图像进行处理的过程中植被分割不精确的问题,便于生态旅游资源卫星遥感数据的批量处理;(2)在本说明书一些实施例所提供的生态旅游资源卫星遥感数据批量处理及下载系统中,通过计算窗口内中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值来确定每一个边缘像素点对应的植被边缘颜色特征值,可以充分利用植被部分和其他部分的颜色特征以及颜色特征差异来对每个边缘像素点进行分析,从而提高边缘像素点特征表征的准确性,有助于提高后续过程中对每一个边缘像素点所对应的植被边缘特征值进行计算的准确性。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (7)
1.一种生态旅游资源卫星遥感数据批量处理及下载系统,其特征在于,包括:
获取模块,用于获取待处理的卫星遥感图像;
边缘信息提取模块,用于对所述卫星遥感图像的边缘信息进行提取,得到遥感边缘数据图像;
边缘像素点确定模块,用于基于所述遥感边缘数据图像中的边缘信息及边缘点坐标,确定所述卫星遥感图像中的边缘像素点;
窗口构建模块,用于以每一个所述边缘像素点为中心,分别建立的窗口;
颜色特征值获取模块,用于获取每一个所述窗口中的中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值;
第一计算模块,用于基于所述中心像素点、疑似植被区和疑似背景区分别对应的颜色特征值计算每一个所述边缘像素点对应的植被边缘颜色特征值;
第二计算模块,用于确定每一个所述边缘像素点所对应的窗口中所述疑似植被区所对应的边缘曲折度和纹理丰富度;
第三计算模块,用于基于所述植被边缘颜色特征值、所述边缘曲折度和所述纹理丰富度,确定每一个所述边缘像素点所对应的植被边缘特征值;
分割模块,用于根据所述植被边缘特征值对所述遥感边缘数据图像进行分割,以完成对生态旅游资源卫星遥感数据的批量处理和下载;
所述疑似植被区和疑似背景区包括:
通过所述窗口内的边缘像素点将所述窗口划分为至少两个区域;
将包含所述中心像素点的区域作为疑似植被区,将其他区域作为疑似背景区;
所述边缘曲折度包括:
获取所述疑似植被区的边缘所包含的各个像素点的灰度值,并基于所述灰度值计算所述各个像素点对应的梯度值;
基于所述梯度值的标准差和极差,得到所述疑似植被区所对应的边缘曲折度;
所述纹理丰富度包括:获取所述疑似植被区所包含的所有像素点对应的不同梯度值的数量,不同梯度值在所述疑似植被区中出现的频率,以及所有不同梯度值在所述疑似植被区中出现的频率均值;
计算所有所述不同梯度值所对应的频率与所述频率均值的差值的绝对值之和;
基于所述不同梯度值的数量以及所述绝对值之和,得到所述疑似植被区所对应的纹理丰富度。
2.如权利要求1所述的生态旅游资源卫星遥感数据批量处理及下载系统,其特征在于,所述颜色特征值获取模块具体用于:
获取所述中心像素点在R、G、B三个通道分别对应的像素值;
基于所述中心像素点在G通道的像素值与所述中心像素点在R通道和B通道的像素值之和的第一比值,得到所述中心像素点对应的颜色特征值。
3.如权利要求2所述的生态旅游资源卫星遥感数据批量处理及下载系统,其特征在于,所述颜色特征值获取模块还具体用于:
获取所述疑似植被区中所有像素点在R、G、B三个通道分别对应的第一像素均值;
基于所述疑似植被区中所有像素点在G通道的第一像素均值与所述疑似植被区中所有像素点在R通道和B通道的第一像素均值之和的第二比值,得到所述疑似植被区对应的颜色特征值。
4.如权利要求3所述的生态旅游资源卫星遥感数据批量处理及下载系统,其特征在于,所述颜色特征值获取模块还具体用于:
获取所述疑似背景区中所有像素点在R、G、B三个通道分别对应的第二像素均值;
基于所述疑似背景区中所有像素点在G通道的第二像素均值与所述疑似背景区中所有像素点在R通道和B通道的第二像素均值之和的第三比值,得到所述疑似背景区对应的颜色特征值。
5.如权利要求1所述的生态旅游资源卫星遥感数据批量处理及下载系统,其特征在于,所述第一计算模块具体用于:
计算所述中心像素点与所述疑似植被区所对应的颜色特征值的第三均值;
基于所述第三均值和所述疑似背景区所对应的颜色特征值的最小值得到第一参数;
计算所述疑似植被区所对应的颜色特征值与所述疑似背景区所对应的颜色特征值的最小值的差值的第一绝对值,以及所述中心像素点与所述疑似植被区所对应的颜色特征值的差值的第二绝对值;
基于所述第一绝对值与所述第二绝对值得到第二参数;
基于所述第一参数和所述第二参数,得到每一个所述边缘像素点对应的植被边缘颜色特征值。
6.如权利要求1所述的生态旅游资源卫星遥感数据批量处理及下载系统,其特征在于,所述第三计算模块具体用于:
对所述植被边缘颜色特征值、所述边缘曲折度和所述纹理丰富度的乘积进行归一化处理,得到每一个所述边缘像素点所对应的植被边缘特征值。
7.如权利要求1~6中任一项所述的生态旅游资源卫星遥感数据批量处理及下载系统,其特征在于,所述分割模块具体用于:
对所述卫星遥感图像中各个边缘像素点所对应的植被边缘特征值使用K-means算法进行聚类,将所述植被边缘特征值划分为两类;
计算每一个类中的植被边缘特征值的均值,并将均值较大的类内包含的像素点作为所述遥感边缘数据图像中的植被边缘对应的像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001345.2A CN117496374B (zh) | 2024-01-02 | 2024-01-02 | 一种生态旅游资源卫星遥感数据批量处理及下载系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001345.2A CN117496374B (zh) | 2024-01-02 | 2024-01-02 | 一种生态旅游资源卫星遥感数据批量处理及下载系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117496374A CN117496374A (zh) | 2024-02-02 |
CN117496374B true CN117496374B (zh) | 2024-03-29 |
Family
ID=89678639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410001345.2A Active CN117496374B (zh) | 2024-01-02 | 2024-01-02 | 一种生态旅游资源卫星遥感数据批量处理及下载系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117496374B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120000732A (ko) * | 2010-06-28 | 2012-01-04 | 서울대학교산학협력단 | 고해상도 위성영상을 이용한 객체기반 분석을 위한 자동 영상분할 방법 |
CN104408714A (zh) * | 2014-11-17 | 2015-03-11 | 浙江理工大学 | 一种基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法 |
CN112330700A (zh) * | 2020-11-16 | 2021-02-05 | 四川航天神坤科技有限公司 | 一种卫星影像的耕地地块提取方法 |
CN116580308A (zh) * | 2023-07-12 | 2023-08-11 | 中交天航环保工程有限公司 | 一种土壤修复的监测方法及监测装置 |
CN116805396A (zh) * | 2023-08-24 | 2023-09-26 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感的农田杂草精准识别方法及装置 |
-
2024
- 2024-01-02 CN CN202410001345.2A patent/CN117496374B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120000732A (ko) * | 2010-06-28 | 2012-01-04 | 서울대학교산학협력단 | 고해상도 위성영상을 이용한 객체기반 분석을 위한 자동 영상분할 방법 |
CN104408714A (zh) * | 2014-11-17 | 2015-03-11 | 浙江理工大学 | 一种基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法 |
CN112330700A (zh) * | 2020-11-16 | 2021-02-05 | 四川航天神坤科技有限公司 | 一种卫星影像的耕地地块提取方法 |
CN116580308A (zh) * | 2023-07-12 | 2023-08-11 | 中交天航环保工程有限公司 | 一种土壤修复的监测方法及监测装置 |
CN116805396A (zh) * | 2023-08-24 | 2023-09-26 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感的农田杂草精准识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
Retinex算法卫星遥感图像增强的应用;钟志群;陈利;;激光杂志;20161025(10);全文 * |
多尺度局部区域响应累积的非滑窗快速目标检测算法;胡正平;董淑丽;赵淑欢;;信号处理;20160125(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117496374A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shan | Image segmentation method based on K-mean algorithm | |
US10275867B1 (en) | Utilizing a machine learning model to automatically visually validate a user interface for multiple platforms | |
US10997752B1 (en) | Utilizing a colorization neural network to generate colorized images based on interactive color edges | |
CN107622240B (zh) | 人脸检测方法和装置 | |
CN108229485B (zh) | 用于测试用户界面的方法和装置 | |
US10573044B2 (en) | Saliency-based collage generation using digital images | |
EP3781944A1 (en) | Automated analysis of petrographic thin section images using advanced machine learning techniques | |
CN110956255A (zh) | 难样本挖掘方法、装置、电子设备及计算机可读存储介质 | |
KR102330263B1 (ko) | 인공신경망을 이용한 핵 영역 검출 방법 및 그 장치 | |
CN111311480A (zh) | 图像融合方法和装置 | |
CN115082790A (zh) | 一种基于连续学习的遥感图像场景分类方法 | |
US20240054639A1 (en) | Quantification of conditions on biomedical images across staining modalities using a multi-task deep learning framework | |
US11734799B2 (en) | Point cloud feature enhancement and apparatus, computer device and storage medium | |
US11410346B1 (en) | Generating and adjusting a proportional palette of dominant colors in a vector artwork | |
CN117496374B (zh) | 一种生态旅游资源卫星遥感数据批量处理及下载系统 | |
EP4121893A1 (en) | Scalable and high precision context-guided segmentation of histological structures including ducts/glands and lumen, cluster of ducts/glands, and individual nuclei in whole slide images of tissue samples from spatial multi-parameter cellular and sub-cellular imaging platforms | |
CN113781493A (zh) | 图像处理方法、装置、电子设备、介质及计算机程序产品 | |
CN112614570A (zh) | 样本集标注、病理图像分类、分类模型构建方法及装置 | |
CN112633341A (zh) | 一种界面测试方法、装置、计算机设备和存储介质 | |
US20200410730A1 (en) | Image Modification Styles Learned from A Limited Set of Modified Images | |
CN111199188A (zh) | 遥感影像差异图的像素处理方法、装置、存储介质及设备 | |
CN115937691A (zh) | 基于小样本持续学习的遥感图像细粒度分类方法和设备 | |
US20220261998A1 (en) | Adaptive machine learning system for image-based biological sample constituent analysis | |
CN116310308A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
US20230306602A1 (en) | Information generation method and apparatus, electronic device, and computer readable medium |
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 |