CN117523419B - 提升确定地物类型信息的精确度的方法、装置及存储介质 - Google Patents

提升确定地物类型信息的精确度的方法、装置及存储介质 Download PDF

Info

Publication number
CN117523419B
CN117523419B CN202410021499.8A CN202410021499A CN117523419B CN 117523419 B CN117523419 B CN 117523419B CN 202410021499 A CN202410021499 A CN 202410021499A CN 117523419 B CN117523419 B CN 117523419B
Authority
CN
China
Prior art keywords
abundance value
abundance
determining
value
target
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
Application number
CN202410021499.8A
Other languages
English (en)
Other versions
CN117523419A (zh
Inventor
张世杰
高千峰
朱亮
戚少博
王伟
李安琪
任家栋
王鹏
常明
朱正贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Galaxy Aerospace Xi'an Technology Co ltd
Original Assignee
Galaxy Aerospace Xi'an Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Galaxy Aerospace Xi'an Technology Co ltd filed Critical Galaxy Aerospace Xi'an Technology Co ltd
Priority to CN202410021499.8A priority Critical patent/CN117523419B/zh
Publication of CN117523419A publication Critical patent/CN117523419A/zh
Application granted granted Critical
Publication of CN117523419B publication Critical patent/CN117523419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • 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
    • G06V20/17—Terrestrial scenes taken from planes or by drones

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了提升确定地物类型信息的精确度的方法、装置及存储装置。包括：接收由卫星发送的与目标区域对应的多个第一图像，并在多个第一图像中分别抽取作为采样点的第一像元点；接收由无人机发送的与目标区域对应的多个第二图像，并基于第一像元点，在多个第二图像中分别确定作为采样点的第二像元点；确定与各个第一像元点中的端元对应的第一丰度值组，并确定与各个第二像元点的中端元对应的第二丰度值组；在第一丰度值组中确定第一目标丰度值，在第二丰度值组中确定第二目标丰度值，并将第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值；基于融合丰度值，确定目标区域中的地物类型信息。从而能够提升所确定的地物类型信息的精确度。

Description

提升确定地物类型信息的精确度的方法、装置及存储介质
技术领域
本申请涉及无人机以及卫星通信技术领域，特别是涉及一种提升确定地物类型信息的精确度的方法、装置及存储介质。
背景技术
现有的对于目标区域的地物类型信息的统计大致可以分为3种方式：1.统计员实地考察目标区域内的地物类型，然后手动统计与目标区域对应的地物类型信息。2.统计员根据目标区域的历史地物类型信息的记载，对现有的地物类型信息进行统计。3.利用卫星采集到的与目标区域对应的遥感图像，在遥感图像中抽取若干个像元，并确定多个像元中端元的丰度值，从而根据所确定的丰度值，确定目标区域的地物类型信息。4.在无人机上安装摄像机，并利用无人机对目标区域的地物类型进行实地采集，并生成与目标区域对应的图像，在图像中抽取若干个像元，并确定多个像元中端元的丰度值，从而根据所确定的丰度值，确定目标区域内的地物类型信息。
虽然上述统计方式3和统计方式4相比于上述统计方式1和统计方式2来说，能够大大减轻统计员的负担并减低人力资源成本。但是由于无论是基于卫星采集到的遥感图像所确定的丰度值，还是基于无人机采集到的图像所确定的丰度值，都可能存在一定的误差，因此利用上述统计方式3和统计方式4所统计的地物类型信息的精确度不高。
公开号为CN117274799A，名称为基于先验知识和遥感数据的城市绿地提取方法。包括：获取遥感数据并进行预处理得到多光谱影像数据，选择多光谱影像数据的若干个预设波段，设置与每个波段逐一对应的先验知识阈值，波段的像素点与对应的先验知识阈值进行比对，根据比对结果将像素点初始化为第一数值或第二数值，得到若干初步分层数据，基于归一化植被指数对整合数据进行修正后得到修正整合数据；根据修正整合数据和预设的分类规则得到多个地物类型的分布结果。
公开号为CN115856890B，名称为一种针对高原铁路线路的PS-InSAR形变观测方法。包括：对SAR影像进行预处理，根据DEM数据对SAR强度图像进行地理编码；将地理编码后的SAR强度图像和高分辨率光学影像进行融合，确定SAR强度图像中各个像元在实际场景中所在的位置和对应的具体地物类型；以确定的SAR强度图像中各个像元在实际场景中所在的位置和对应的具体地物类型确定时序InSAR处理的形变参考点；在选定参考点的基础上，根据铁路线路的分布特征，确定形变解算的最佳参数；根据铁路线路矢量数据制作缓冲区，分析缓冲区内的地表形变时空分布特征。
针对上述的现有技术中存在的无论是利用卫星采集到的遥感图像所确定的丰度值，还是利用无人机采集到的图像所确定的丰度值，都可能存在一定的误差，从而最终基于与卫星对应的遥感图像或与无人机对应的图像，所确定的地物类型信息的精确度较低的技术问题，目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种提升确定地物类型信息的精确度的方法、装置及存储介质，以至少解决现有技术中存在的无论是利用卫星采集到的遥感图像，还是利用无人机采集到的图像，都可能存在一定的误差，从而最终基于与卫星对应的遥感图像或与无人机对应的图像，所确定的地物类型信息的精确度较低的技术问题。
根据本公开实施例的一个方面，提供了一种提升确定地物类型信息的精确度的方法，包括：接收由卫星发送的与目标区域对应的多个第一图像，并在多个第一图像中分别抽取作为采样点的第一像元点；接收由无人机发送的与目标区域对应的多个第二图像，并基于第一像元点，在多个第二图像中分别确定作为采样点的第二像元点；确定与各个第一像元点中的端元对应的第一丰度值组，并确定与各个第二像元点的中端元对应的第二丰度值组；在第一丰度值组中确定第一目标丰度值，在第二丰度值组中确定第二目标丰度值，并将第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值；以及基于融合丰度值，确定目标区域中的地物类型信息。
根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上所述的方法。
根据本公开实施例的另一个方面，还提供了一种提升确定地物类型信息的精确度的装置，包括：采样点抽取模块，用于接收由卫星发送的与目标区域对应的多个第一图像，并在多个第一图像中分别抽取作为采样点的第一像元点；采样点确定模块，用于接收由无人机发送的与目标区域对应的多个第二图像，并基于第一像元点，在多个第二图像中分别确定作为采样点的第二像元点；丰度值组确定模块，用于确定与各个第一像元点中的端元对应的第一丰度值组，并确定与各个第二像元点的中端元对应的第二丰度值组；融合模块，用于在第一丰度值组中确定第一目标丰度值，在第二丰度值组中确定第二目标丰度值，并将第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值；以及地物类型信息确定模块，用于基于融合丰度值，确定目标区域中的地物类型信息。
根据本公开实施例的另一个方面，还提供了一种提升确定地物类型信息的精确度的装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：接收由卫星发送的与目标区域对应的多个第一图像，并在多个第一图像中分别抽取作为采样点的第一像元点；接收由无人机发送的与目标区域对应的多个第二图像，并基于第一像元点，在多个第二图像中分别确定作为采样点的第二像元点；确定与各个第一像元点中的端元对应的第一丰度值组，并确定与各个第二像元点的中端元对应的第二丰度值组；在第一丰度值组中确定第一目标丰度值，在第二丰度值组中确定第二目标丰度值，并将第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值；以及基于融合丰度值，确定目标区域中的地物类型信息。
本申请提供了一种提升确定地物类型信息的精确度的方法。首先，处理器接收由卫星发送的与目标区域对应的多个第一图像，并在多个第一图像中抽取作为采样点的第一像元点。然后，处理器接收由无人机发送的与目标区域对应的多个第二图像，并基于第一像元点，在多个第二图像中分别确定作为采样点的第二像元点。之后，处理器确定第一像元点中端元的第一丰度值组，并确定第二像元点中端元的第二丰度值组。进一步地，处理器在第一丰度值组中确定第一目标丰度值，在第二丰度值组中确定第二目标丰度值，并将第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值。最后，处理器基于融合丰度值，确定目标区域中的地物类型信息。
由于本申请将基于卫星采集的图像所确定的第一丰度值组，和基于无人机采集的图像确定的第二丰度值组进行了融合，因此融合后生成的融合丰度值相比于未融合的丰度值来说较精确。此外，由于本申请是基于所确定的融合丰度值，确定的与目标区域对应的地物类型信息，因此最终确定的地物类型信息较精确。从而通过上述操作达到了能够提升所确定的地物类型信息的精确度的技术效果。进而解决了现有技术中存在的无论是利用卫星采集到的遥感图像所确定的丰度值，还是利用无人机采集到的图像所确定的丰度值，都可能存在一定的误差，从而最终基于与卫星对应的遥感图像或与无人机对应的图像，所确定的地物类型信息的精确度较低的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
图1是根据本申请实施例1所述的提升确定地物类型信息的精确度的系统的示意图；
图2A是根据本申请实施例1所述的卫星的硬件架构示意图；
图2B是根据本申请实施例1所述的地面站的硬件架构示意图；
图3是根据本申请实施例1所述的提升确定地物类型信息的精确度的方法流程示意图；
图4是根据本申请实施例1所述的第一图像中与第一像元点对应的第一丰度值组的示意图；
图5是根据本申请实施例1所述的第二图像中与第二像元点对应的第二丰度值组的示意图；
图6是根据本申请实施例2所述的提升确定地物类型信息的精确度装置的示意图；以及
图7是根据本申请实施例3所述的提升确定地物类型信息的精确度装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开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公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，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，都应当属于本公开保护的范围。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例，提供了一种提升确定地物类型信息的精确度的方法实施例，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是根据本申请实施例所述的提升确定地物类型信息的精确度的系统的示意图。参考图1所示，该系统中包括卫星10、无人机20以及地面站30。
其中，卫星10用于响应于地面站30发送的融合指令，采集与目标区域对应的多个第一图像，并将与目标区域对应的多个第一图像发送至地面站30。其中，第一图像例如可以是遥感图像。
无人机20用于响应于地面站30发送的融合指令，采集与目标区域对应的多个第二图像，并将与目标区域对应的多个第二图像发送至地面站30。其中，第二图像例如可以是由安装于无人机20上的摄像机所拍摄到的RGB图像。
地面站30用于接收由卫星发送的多个第一图像，并在多个第一图像中分别抽取作为采样点的第一像元点；地面站30用于接收由无人机发送的多个第二图像后，并基于第一像元点，在多个第二图像中分别确定作为采样点的第二像元点。
地面站30还用于确定第一像元点中端元的第一丰度值组，并在第一丰度值组中确定第一目标丰度值；地面站30还用于确定第二像元点中端元的第二丰度值组，并在第二丰度值组中确定第二目标丰度值。
地面站30还用于基于融合丰度值，确定目标区域中的地物类型信息。
图2A进一步示出了图1中卫星10的硬件架构的示意图。参考图2A所示，卫星10包括综合电子系统，综合电子系统包括：处理器、存储器、总线管理模块以及通信接口。其中存储器与处理器连接，从而处理器可以访问存储器，读取存储器存储的程序指令，从存储器读取数据或者向存储器写入数据。总线管理模块与处理器连接，并且还与例如CAN总线等总线连接。从而处理器可以通过总线管理模块所管理的总线，同与总线连接的星载外设进行通信。此外，处理器还经由通信接口与相机、星敏感器、测控应答机以及数传设备等设备通信连接。本领域普通技术人员可以理解，图2A所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，卫星10还可包括比图2A中所示更多或者更少的组件，或者具有与图2A所示不同的配置。
图2B进一步示出了图1中地面站30的硬件架构的示意图。参考图2B所示，地面站30可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器、用于通信功能的传输装置以及输入/输出接口。其中存储器、传输装置以及输入/输出接口通过总线与处理器连接。除此以外，还可以包括：与输入/输出接口连接的显示器、键盘以及光标控制设备。本领域普通技术人员可以理解，图2B所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，地面站还可包括比图2B中所示更多或者更少的组件，或者具有与图2B所示不同的配置。
应当注意到的是，图2A和图2B中示出的一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。
图2A和图2B中示出的存储器可用于存储应用软件的软件程序以及模块，如本公开实施例中的提升确定地物类型信息的精确度的方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的提升确定地物类型信息的精确度的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。
此处需要说明的是，在一些可选实施例中，上述图2A和图2B所示的设备可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图2A和图2B仅为特定具体实例的一个实例，并且旨在示出可存在于上述设备中的部件的类型。
在上述运行环境下，根据本实施例的第一个方面，提供了一种提升确定地物类型信息的精确度的方法，该方法由图2B中所示的地面站30实现。图3示出了该方法的流程示意图，参考图3所示，该方法包括：
S302：接收由卫星发送的与目标区域对应的多个第一图像，并在多个第一图像中分别抽取作为采样点的第一像元点；
S304：接收由无人机发送的与目标区域对应的多个第二图像，并基于第一像元点，在多个第二图像中分别确定作为采样点的第二像元点；
S306：确定与各个第一像元点中的端元对应的第一丰度值组，并确定与各个第二像元点的中端元对应的第二丰度值组；
S308：在第一丰度值组中确定第一目标丰度值，在第二丰度值组中确定第二目标丰度值，并将第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值；以及
S310：基于融合丰度值，确定目标区域中的地物类型信息。
具体地，首先，地面站30接收由卫星10发送的与目标区域S对应的多个第一图像P1~PL，并在多个第一图像P1~PL中分别抽取作为采样点的第一像元点（S302）。参考图1所示，首先，用户通过终端设备向地面站30发送确定目标区域中的地物类型信息的请求。从而，地面站30响应于用户发送的请求，并向卫星10发送获取与目标区域对应的多个第一图像P1~PL的请求。其中，上述卫星10例如是能够与地面站30进行通信连接（即，地面站30处于该卫星的通信覆盖范围内）的卫星10。进一步地，卫星10响应于地面站30发送的请求，将采集到的与目标区域对应的多个第一图像P1~PL发送至地面站30。并且其中，第一图像例如可以是与目标区域对应的遥感图像。
地面站30在接收到卫星10发送的与目标区域S对应的多个第一图像P1~PL后，在各个第一图像P1~PL中抽取作为采样点的多个第一像元点。其中，地面站30例如可以确定各个第一图像P1~PL中各个像元点的质量分数，并将多个第一图像中各个像元点的质量分数，大于预设的质量分数阈值的像元点，确定为第一像元点。值得注意的是，由于多个第一图像U1~UL均是与目标区域对应的遥感图像，因此只需任意选取一个第一图像，并计算该第一图像上各个像元点的质量分数，就能确定其他第一图像中对应的各个像元点的质量分数。即，只要确定一个第一图像中各个像元点的质量分数，就能够确定其他第一图像中对应的像元点的质量分数。上述内容将在后续进行详细描述，因此此处不再加以赘述。
与此同时，地面站30接收由无人机20发送的与目标区域对应的多个第二图像Q1~QL，并基于第一像元点，在多个第二图像Q1~QL中分别确定作为采样点的第二像元点（S304）。具体地，地面站30响应于用户发送的请求，并向无人机20发送获取与目标区域对应的多个第二图像Q1~QL的请求。进一步地，无人机20响应于地面站30发送的请求，将采集到的与目标区域对应的多个第二图像Q1~QL发送至地面站30。并且其中，第二图像例如可以是与目标区域对应的RGB图像。
地面站30在接收到无人机20发送的与目标区域对应的多个第二图像Q1~QL后，在各个第二图像Q1~QL中抽取作为采样点的第二像元点。其中，地面站30例如可以先确定第一像元点在第一图像中的第一位置信息。其中，第一位置信息例如可以是第一像元点在第一图像中的横纵坐标信息。然后，地面站30基于所确定的第一位置信息，以及预设的位置信息映射表，确定第二位置信息。最后，地面站30基于第二位置信息，在多个第二图像中确定作为采样点的第二像元点。上述内容将在后续进行详细描述，因此此处不再加以赘述。
之后地面站30确定与各个第一像元点中的端元对应的多个第一丰度值组，并确定与各个第二像元点中的端元对应的第二丰度值组（S306）。具体地，在各个第一图像P1~PL中，质量分数大于预设的质量分数阈值的第一像元点仅有一个的情况下，与该第一像元点对应的丰度值组即为第一丰度值组。在各个第一图像P1~PL中，质量分数大于预设的质量分数阈值的第一像元点有多个的情况下，分别确定多个第一像元点的丰度值，并基于多个第一像元点的丰度值，确定多个第一像元点的丰度值均值。从而将多个第一像元点的丰度值均值，作为第一丰度值组。上述内容将在后续进行详细描述，因此此处不再加以赘述。
进一步地，在各个第二图像Q1~QL中，质量分数大于预设的质量分数阈值的第二像元点仅有一个的情况下，与该第二像元点对应的丰度值组即为第二丰度值组；在各个第二图像Q1~QL中，质量分数大于预设的质量分数阈值的第二像元点有多个的情况下，分别确定多个第二像元点的丰度值，并基于多个第二像元点的丰度值，确定多个第二像元点的丰度值均值。从而将多个第二像元点的丰度值均值，作为第二丰度值组。上述内容将在后续进行详细描述，因此此处不再加以赘述。
进一步地，地面站30在第一丰度值组中确定第一目标丰度值，在第二丰度值组中确定第二目标丰度值，并将第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值（S308）。具体地，首先，地面站30计算第一丰度值组的均值，在第一丰度值组的均值中选取最大的第一丰度值，并将其作为第一目标丰度值；地面站30计算第二丰度值组的均值，在第二丰度值组的均值中选取最大的第二丰度值，并将其作为第二目标丰度值。然后，地面站30基于第一目标丰度值和第二目标丰度值，确定目标丰度值均值。进一步地，地面站30基于目标分度值均值，确定目标丰度值方差。最后，地面站30基于目标丰度值方差，对第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值。上述内容将在后续进行详细描述，因此此处不再加以赘述。
最后，地面站30基于融合丰度值，确定目标区域S中的地物类型信息（S310）。
正如背景技术中所述的内容，现有的对于目标区域的地物类型信息的统计大致可以分为3种方式：1.统计员实地考察目标区域内的地物类型，然后手动统计与目标区域对应的地物类型信息。2.统计员根据目标区域的历史地物类型信息的记载，对现有的地物类型信息进行统计。3.利用卫星采集到的与目标区域对应的遥感图像，在遥感图像中抽取若干个像元，并确定多个像元中端元的丰度值，从而根据所确定的丰度值，确定目标区域的地物类型信息。4.在无人机上安装摄像机，并利用无人机对目标区域的地物类型进行实地采集，并生成与目标区域对应的图像，在图像中抽取若干个像元，并确定多个像元中端元的丰度值，从而根据所确定的丰度值，确定目标区域内的地物类型信息。
虽然上述统计方式3和统计方式4相比于上述统计方式1和统计方式2来说，能够大大减轻统计员的负担并减低人力资源成本。但是由于无论是基于卫星采集到的遥感图像所确定的丰度值，还是基于无人机采集到的图像所确定的丰度值，都可能存在一定的误差，因此利用上述统计方式3和统计方式4所统计的地物类型信息的精确度不高。
有鉴于此，本申请提供了一种提升确定地物类型信息的精确度的方法。由于本申请将基于卫星采集的图像所确定的第一丰度值组，和基于无人机采集的图像确定的第二丰度值组进行了融合，因此融合后生成的融合丰度值相比于未融合的丰度值来说较精确。此外，由于本申请是基于所确定的融合丰度值，确定的与目标区域对应的地物类型信息，因此最终确定的地物类型信息较精确。从而通过上述操作达到了能够提升所确定的地物类型信息的精确度的技术效果。进而解决了现有技术中存在的无论是利用卫星采集到的遥感图像所确定的丰度值，还是利用无人机采集到的图像所确定的丰度值，都可能存在一定的误差，从而最终基于与卫星对应的遥感图像或与无人机对应的图像，所确定的地物类型信息的精确度较低的技术问题。
可选地，接收由卫星发送的与目标区域对应的多个第一图像，并在多个第一图像中分别抽取作为采样点的第一像元点的操作，包括：接收由卫星发送的与目标区域对应的多个第一图像，并确定多个第一图像中各个像元点的质量分数；以及将多个第一图像中的各个像元点的质量分数，大于预设的质量分数阈值的像元点，确定为第一像元点。
具体地，首先，地面站30接收由卫星10发送的与目标区域S对应的多个第一图像P1~PL，然后基于多个第一图像P1~PL中各个像元点的质量参数，确定与各个像元点对应的质量分数。例如，第一图像P1中的像元点UP11~UP1N的质量参数例如可以包括亮度CP11~CP1N和对比度DP11~DP1N；第一图像P2中的像元点UP21~UP2N的质量参数例如可以包括亮度CP21~CP2N和对比度DP21~DP2N；第一图像P3中的像元点UP31~UP3N的质量参数例如可以包括亮度CP31~CP3N和对比度DP31~DP3N；......；第一图像PL中的像元点UPL1~UPLN的质量参数例如可以包括亮度CPL1~CPLN和对比度DPL1~DPLN。其中，与各个第一图像P1~PL中的像元点对应的的质量参数可以组成一个矩阵。例如，与第一图像P1中的像元点UP11~UP1N对应的的质量参数可以组成矩阵A1；与第一图像P2中的像元点UP21~UP2N对应的的质量参数可以组成矩阵A2；与第一图像P3中的像元点UP31~UP3N对应的的质量参数可以组成矩阵A3；......；与第一图像PL中的像元点UPL1~UPLN对应的的质量参数可以组成矩阵AL。
然后，地面站30将矩阵A1~AL输入至预先设置的质量分数确定模型。从而质量分数确定模型能够输出与各个第一图像P1~PL中各个像元点对应的质量分数。
进一步地，地面站30将多个第一图像P1~PL中的各个像元点的质量分数，与预设的质量分数阈值进行对比，并将大于预设的质量分数阈值的像元点，确定为第一像元点。例如，第一图像P1中包括像元点UP11~UP16，并且与像元点UP11对应的质量分数为31、与像元点UP12对应的质量分数为42、与像元点UP13对应的质量分数为69、与像元点UP14对应的质量分数为99、与像元点UP15对应的质量分数为88以及与像元点UP16对应的质量分数为76。并且预设的质量分数阈值为80。第一图像P1中仅有像元点UP15和像元点UP14大于预设的质量分数阈值，从而只有像元点UP15和像元点UP14可以作为第一像元点。
从而，通过上述操作达到了能够将更加具有代表性的像元点作为采样点的技术效果。
可选地，确定第一像元点中端元的第一丰度值组的操作，包括：在所确定的各个第一图像中的第一像元点为多个的情况下，分别确定多个第一像元点的丰度值，并基于多个第一像元点的丰度值，确定多个第一像元点的丰度值均值；以及将与各个第一图像对应的多个第一像元点的丰度值均值，作为第一丰度值组。
具体地，首先，在地面站30所确定的第一像元点为一个的情况下，将各个第一图像P1~PL中，该第一像元点对应的丰度值作为丰度值组。图4是根据本申请实施例所述的第一图像P1~PL中与第一像元点对应的第一丰度值组的示意图。参考图4所示，例如，地面站30确定第一图像P1~PL只有像元点UP12~UPL2可以作为第一像元点。从而，与各个第一图像P1~PL中像元点UP12~UPL2对应的丰度值所组成的丰度值组即为第一丰度值组。例如，与第一图像P1中像元点UP12对应的丰度值为FP12=[aP12，bP12，cP12，dP12，eP12]；与第一图像P2中像元点UP22对应的丰度值为FP22=[aP22，bP22，cP22，dP22，eP22]；与第一图像P3中像元点UP32对应的丰度值为FP32=[aP32，bP32，cP32，dP32，eP32]；......；与第一图像PL中像元点UPL2对应的丰度值为FPL2=[aPL2，bPL2，cPL2，dPL2，ePL2]。
在地面站30所确定的第一像元点为多个的情况下，首先分别确定多个第一像元点的丰度值组，然后基于多个第一像元点的丰度值组，确定多个第一像元点的丰度值组的均值。具体地，例如，地面站30确定第一图像P1~PL中有像元点UP11~UPL1和像元点UP12~UPL2可以作为第一像元点。从而地面站30首先确定各个第一图像P1~PL中与像元点UP11~UPL1对应的丰度值组和各个第一图像P1~PL中与像元点UP12~UPL2对应的丰度值组。例如，第一图像P1中像元点UP12对应的丰度值为FP12=[aP12，bP12，cP12，dP12，eP12]；与第一图像P2中像元点UP22对应的丰度值为FP22=[aP22，bP22，cP22，dP22，eP22]；与第一图像P3中像元点UP32对应的丰度值为FP32=[aP32，bP32，cP32，dP32，eP32]；......；与第一图像PL中像元点UPL2对应的丰度值为FPL2=[aPL2，bPL2，cPL2，dPL2，ePL2]。
第一图像P1中像元点UP11对应的丰度值为FP11=[aP11，bP11，cP11，dP11，eP11]；与第一图像P2中像元点UP21对应的丰度值为FP21=[aP21，bP21，cP21，dP21，eP21]；与第一图像P3中像元点UP31对应的丰度值为FP31=[aP31，bP31，cP31，dP31，eP31]；......；与第一图像PL中像元点UPL1对应的丰度值为FPL1=[aPL1，bPL1，cPL1，dPL1，ePL1]。
然后，地面站30基于所确定的各个第一图像P1~PL中与像元点UP11~UPL1对应的丰度值和与像元点UP12~UPL2对应的丰度值，确定像元点UP11~UPL1中的各个端元的丰度值和像元点UP12~UPL2中的各个端元的丰度值的均值。例如，地面站30确定第一图像P1中与像元点UP11对应的丰度值FP11=[aP11，bP11，cP11，dP11，eP11]和第一图像P1中与像元点UP12对应的丰度值FP12=[aP12，bP12，cP12，dP12，eP12]的均值；地面站30确定第一图像P2中与像元点UP21对应的丰度值FP21=[aP21，bP21，cP21，dP21，eP21]和第一图像P2中与像元点UP22对应的丰度值FP22=[aP22，bP22，cP22，dP22，eP22]的均值；地面站30确定第一图像P3中与像元点UP31对应的丰度值FP31=[aP31，bP31，cP31，dP31，eP31]和第一图像P3中与像元点UP32对应的丰度值FP32=[aP32，bP32，cP32，dP32，eP32]的均值；......；地面站30确定第一图像PL中与像元点UPL1对应的丰度值FPL1=[aPL1，bPL1，cPL1，dPL1，ePL1]和第一图像PL中与像元点UPL2对应的丰度值FPL2=[aPL2，bPL2，cPL2，dPL2，ePL2]的均值。
最后，地面站30将各个第一图像P1~PL中多个第一像元点的丰度值，作为第一丰度值组。
首先，地面站30基于卫星10分别获取与不同地物类型的端元所对应的参考频谱特征。该参考频谱特征例如可以是通过测量预先确定的。在本实施例中，例如，像元点UP11被确定为第一像元点。从而以第一图像P1中的像元点UP11为例，计算第一像元点的丰度值。第一图像P1的其他第一像元点的丰度值以及第二图像的第二像元点的丰度值也可按照此方式确定。其中，与不同地物类型的端元所对应的参考频谱特征例如包括：
与树林地物类型对应的树林端元的参考频谱特征GP1：
GP1=[gP11, gP12,...,gP1N]，其中gP1x（x=1~N）为树林端元所对应的不同频段的反射率数据。
与建筑物地物类型对应的建筑端元的参考频谱特征GP2：
GP2=[gP21,gP22,...,gP2n]，其中gP2x（x=1~N）为建筑物端元所对应的不同频段的反射率数据。
与空地地物类型对应的空地端元的参考频谱特征G3：
GP3=[gP31, gP32,...,gP3n]，其中gP3x（x=1~N）为空地端元所对应的不同频段的反射率数据。
与丘陵山地地物类型对应的丘陵山地端元的参考频谱特征G4：
GP4=[gP41, gP42,...,gP4n]，其中gP4x（x=1~N）为丘陵山地端元所对应的不同频段的反射率数据。
与水体地物类型对应的水体端元的参考频谱特征G5：
GP5=[gP51, gP52,...,gP5n]，其中gP5x（x=1~N）为水体端元所对应的不同频段的反射率数据。
然后，地面站30根据以下公式建立方程：
其中，为树林端元在第一图像P1的第一像元点中的丰度值；为建筑物端元在第一图像P1的第一像元点中的丰度值；为空地端元在第一图像P1的第一像元点中的丰度值；为丘陵山地端元在第一图像P1的第一像元点中的丰度值；为水体端元在第一图像P1的第一像元点中的丰度值。
从而，地面站30将第一图像P1中的第一像元点的频谱特征、树林端元的参考频谱特征GP1、建筑物端元的参考频谱特征GP2、空地端元的参考频谱特征GP3、丘陵山地端元的参考频谱特征GP4以及水体端元的参考频谱特征GP5代入上述公式，从而求取丰度值FP11=[aP11，bP11，cP11，dP11，eP11]。
可选地，接收由无人机发送的与目标区域对应的多个第二图像，并基于第一像元点，在多个第二图像中分别确定作为采样点的第二像元点的操作，包括：确定第一像元点在第一图像中的第一位置信息；基于所确定的第一位置信息，以及预设的位置信息映射表，确定第二位置信息；以及基于第二位置信息，在多个第二图像中确定作为采样点的第二像元点。
具体地，首先，地面站30确定第一像元点在第一图像中的第一位置信息。例如，若在第一图像P1中仅存在一个第一像元点，并且该第一像元点为像元点UP12。则第一像元点的第一位置信息为（xP12，yP12）。若在第一图像P1中存在两个第一像元点，并且两个第一像元点分别为像元点UP11和像元点UP12。则第一像元点的第一位置信息为（xP11，yP11）和（xP12，yP12）。
然后，地面站30基于所确定的第一位置信息，以及预设的位置信息映射表，确定第二位置信息。其中，位置信息映射表例如可以是用于指示第一像元点在第一图像中的第一位置信息和第二像元点在第二图像中的第二位置信息的对应关系表。例如，若在第一图像P1中仅存在一个第一像元点，并且第一像元点的第一位置信息为（xP12，yP12），则基于预设的位置信息映射表，第二位置信息为（xQ12，yQ12），从而基于第二位置信息（xQ12，yQ12）可以确定第二图像Q1中与第一像元点对应的第二像元点。
若在第一图像P1中存在两个第一像元点，并且第一像元点的第一位置信息为（xP11，yP11）和（xP12，yP12），则基于预设的位置信息映射表，第二位置信息为（xQ12，yQ12）和（xQ11，yQ11），从而基于第二位置信息（xQ12，yQ12）和（xQ11，yQ11），可以确定第二图像Q1中与上述两个第一像元点分别对应的两个第二像元点。
可选地，确定与各个第二像元点中的端元对应的第二丰度值组的操作，包括：在所确定的各个第二图像中的第二像元点为多个的情况下，分别确定多个第二像元点的丰度值，并基于多个第二像元点的丰度值，确定多个第二像元点的丰度值均值；以及将与各个第二图像对应的多个第二像元点的丰度值均值，作为第二丰度值组。
具体地，首先，在地面站30所确定的第二像元点为一个的情况下，将第二图像中，该第二像元点对应的丰度值作为丰度值组。图5是根据本申请实施例所述的第二图像Q1~QL中与第二像元点对应的第二丰度值组的示意图。参考图5所示，例如，地面站30确定第二图像Q1~QL只有像元点VQ12~VQL2可以作为第二像元点。从而，与各个第二图像Q1~QL中像元点VQ12~VQL2对应的丰度值所组成的丰度值组即为第二丰度值组。
例如，与第二图像Q1中像元点VQ12对应的丰度值为FQ12=[aQ12，bQ12，cQ12，dQ12，eQ12]；与第二图像Q2中像元点VQ22对应的丰度值为FQ22=[aQ22，bQ22，cQ22，dQ22，eQ22]；与第二图像Q3中像元点VQ32对应的丰度值为FQ32=[aQ32，bQ32，cQ32，dQ32，eQ32]；......；与第二图像QL中像元点VQL2对应的丰度值为FQL2=[aQL2，bQL2，cQL2，dQL2，eQL2]。
在地面站30所确定的第二像元点为多个的情况下，首先分别确定多个第二像元点的丰度值组，然后基于多个第二像元点的丰度值组，确定多个第二像元点的丰度值组的均值。具体地，例如，地面站30确定第二图像Q1~QL中有像元点VQ11~VQL1和像元点VQ12~VQL2可以作为第二像元点。从而地面站30首先确定各个第二图像Q1~QL中与像元点VQ11~VQL1对应的丰度值组和各个第二图像Q1~QL中与像元点VQ12~VQL2对应的丰度值组。例如，第二图像Q1中像元点VQ12对应的丰度值为FQ12=[aQ12，bQ12，cQ12，dQ12，eQ12]；与第二图像Q2中像元点VQ22对应的丰度值为FQ22=[aQ22，bQ22，cQ22，dQ22，eQ22]；与第二图像Q3中像元点VQ32对应的丰度值为FQ32=[aQ32，bQ32，cQ32，dQ32，eQ32]；......；与第二图像QL中像元点VQL2对应的丰度值为FQL2=[aQL2，bQL2，cQL2，dQL2，eQL2]。
第二图像Q1中像元点VQ11对应的丰度值为FQ11=[aQ11，bQ11，cQ11，dQ11，eQ11]；与第二图像Q2中像元点VQ21对应的丰度值为FQ21=[aQ21，bQ21，cQ21，dQ21，eP21]；与第二图像Q3中像元点VQ31对应的丰度值为FQ31=[aQ31，bQ31，cQ31，dQ31，eP31]；......；与第二图像QL中像元点VQL1对应的丰度值为FQL1=[aQL1，bQL1，cQL1，dQL1，eQL1]。
然后，地面站30基于所确定的各个第二图像Q1~QL中与像元点VQ11~VQL1对应的丰度值和与像元点VQ12~VQL2对应的丰度值，确定像元点VQ11~VQL1中的各个端元的丰度值和像元点VQ12~VQL2中的各个端元的丰度值的均值。例如，地面站30确定第二图像Q1中与像元点VQ11对应的丰度值FQ11=[aQ11，bQ11，cQ11，dQ11，eQ11]和第二图像Q1中与像元点VQ12对应的丰度值FQ12=[aQ12，bQ12，cQ12，dQ12，eQ12]的均值；地面站30确定第二图像Q2中与像元点VQ21对应的丰度值FQ21=[aQ21，bQ21，cQ21，dQ21，eP21]和第二图像Q2中与像元点VQ22对应的丰度值FQ22=[aQ22，bQ22，cQ22，dQ22，eQ22]的均值；地面站30确定第二图像Q3中与像元点VQ31对应的丰度值FQ31=[aQ31，bQ31，cQ31，dQ31，eP31]和第二图像Q3中与像元点VQ32对应的丰度值FQ32=[aQ32，bQ32，cQ32，dQ32，eQ32]的均值；......；地面站30确定第二图像QL中与像元点VQL1对应的丰度值FQL1=[aQL1，bQL1，cQL1，dQL1，eQL1]和第二图像QL中与像元点VQL2对应的丰度值FQL2=[aQL2，bQL2，cQL2，dQL2，eQL2]的均值。
最后，地面站30将各个第二图像Q1~QL中多个第二像元点的丰度值，作为第二丰度值组。
可选地，在第一丰度值组中确定第一目标丰度值，并在第二丰度值组中确定第二目标丰度值，并将第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值的操作，包括：计算第一丰度值组的均值，在第一丰度值组的均值中选取最大的第一丰度值，作为第一目标丰度值；计算第二丰度值组的均值，在第二丰度值组的均值中选取与第一目标丰度值对应的第二目标丰度值；基于第一目标丰度值和第二目标丰度值，确定目标丰度值均值；基于目标丰度值均值，确定目标丰度值方差；以及基于目标丰度值方差，对第一丰度值组和第二丰度值组进行融合，并确定融合丰度值。
具体地，首先，地面站30计算第一丰度值组的均值，并在第一丰度值组的均值中选取最大的第一丰度值，作为第一目标丰度值。例如，地面站30确定第一图像P1~PL只有像元点UP12~UPL2可以作为第一像元点。第一图像P1中的像元点UP12的丰度值为FP12=[aP12，bP12，cP12，dP12，eP12]；第一图像P2中像元点UP22对应的丰度值为FP22=[aP22，bP22，cP22，dP22，eP22]；第一图像P3中像元点UP32对应的丰度值为FP32=[aP32，bP32，cP32，dP32，eP32]；......；第一图像PL中像元点UPL2对应的丰度值为FPL2=[aPL2，bPL2，cPL2，dPL2，ePL2]。然后，地面站30计算各个第一图像P1~PL中第一像元点的第一丰度值组的均值。其中，各个第一图像P1~PL中第一像元点的与树林端元对应的丰度值组的均值的计算公式如下：
各个第一图像P1~PL中第一像元点的与建筑物端元对应的丰度值组的均值的计算公式如下：
各个第一图像P1~PL中第一像元点的与空地端元对应的丰度值组的均值的计算公式如下：
各个第一图像P1~PL中第一像元点的与丘陵山地端元对应的丰度值组的均值的计算公式如下：
各个第一图像P1~PL中第一像元点的与水体端元对应的丰度值组的均值的计算公式如下：
然后，地面站30确定第一丰度值组的均值中最大的第一丰度值为与建筑物地物类型对应的建筑端元的丰度值。
然后，地面站30计算第二丰度值组的均值，并在第二丰度值组的均值中选取最大的第二丰度值，作为第二目标丰度值。例如，地面站30确定第二图像Q1~QL只有像元点VQ12~VQL2可以作为第二像元点。第二图像Q1中的像元点VQ12的丰度值为FQ12=[aQ12，bQ12，cQ12，dQ12，eQ12]；第二图像Q2中像元点VQ22对应的丰度值为FQ22=[aQ22，bQ22，cQ22，dQ22，eQ22]；第二图像Q3中像元点VQ32对应的丰度值为FQ32=[aQ32，bQ32，cQ32，dQ32，eQ32]；......；第二图像QL中像元点VQL2对应的丰度值为FQL2=[aQL2，bQL2，cQL2，dQL2，eQL2]。然后，地面站30计算各个第二图像Q1~QL中第二像元点的第二丰度值组的均值。
其中，各个第二图像Q1~QL中第二像元点的与树林端元对应的丰度值组的均值的计算公式如下：
各个第二图像Q1~QL中第二像元点的与建筑物端元对应的丰度值组的均值的计算公式如下：
各个第二图像Q1~QL中第二像元点的与空地端元对应的丰度值组的均值的计算公式如下：
各个第二图像Q1~QL中第二像元点的与丘陵山地端元对应的丰度值组的均值的计算公式如下：
各个第二图像Q1~QL中第二像元点的与水体端元对应的丰度值组的均值的计算公式如下：
然后，地面站30确定第二丰度值组的均值中最大的第二丰度值为与建筑物地物类型对应的建筑端元的丰度值。
进一步的，地面站30基于所确定的第一目标丰度值和第二目标丰度值，确定目标丰度值均值。例如，地面站30确定了第一目标丰度值和第二目标丰度值，从而能够确定第一目标丰度值和第二目标丰度值的均值。其中，目标丰度值均值的计算公式如下：
之后地面站30基于目标丰度值均值，确定目标丰度值方差。其中，目标丰度值方差的计算公式如下：
最后，地面站基于目标丰度值方差，对第一丰度值组的均值和第二丰度值组的均值进行融合，从而确定融合丰度值。融合计算公式如下：
从而根据本实施例的第一个方面，达到了能够提升所确定的地物类型信息的精确度的技术效果。
此外，参考图1所示，根据本实施例的第二个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上所述的方法。
从而根据本实施例，达到了能够提升所确定的地物类型信息的精确度的技术效果。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
实施例2
图6示出了根据本实施例所述的提升确定地物类型信息的精确度装置600，该装置600与根据实施例1所述的方法相对应。参考图6所示，该装置600包括：采样点抽取模块610，用于接收由卫星发送的与目标区域对应的多个第一图像，并在多个第一图像中分别抽取作为采样点的第一像元点；采样点确定模块620，用于接收由无人机发送的与目标区域对应的多个第二图像，并基于第一像元点，在多个第二图像中分别确定作为采样点的第二像元点；丰度值组确定模块630，用于确定与各个第一像元点中的端元对应的第一丰度值组，并确定与各个第二像元点的中端元对应的第二丰度值组；融合模块640，用于在第一丰度值组中确定第一目标丰度值，在第二丰度值组中确定第二目标丰度值，并将第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值；以及地物类型信息确定模块650，用于基于融合丰度值，确定目标区域中的地物类型信息。
可选地，采样点抽取模块610，包括：质量分数确定模块，用于接收由卫星发送的与目标区域对应的多个第一图像，并确定多个第一图像中各个像元点的质量分数；以及第一像元点确定模块，用于将多个第一图像中的各个像元点的质量分数，大于预设的质量分数阈值的像元点，确定为第一像元点。
可选地，丰度值组确定模块630，包括：第一丰度值均值确定模块，用于在所确定的各个第一图像中的第一像元点为多个的情况下，分别确定多个第一像元点的丰度值，并基于多个第一像元点的丰度值，确定多个第一像元点的丰度值均值；以及第一丰度值组确定模块，用于将与各个第一图像对应的多个第一像元点的丰度值均值，作为第一丰度值组。
可选地，采样点确定模块620，包括：第一位置信息确定模块，用于确定第一像元点在第一图像中的第一位置信息；第二位置信息确定模块，用于基于所确定的第一位置信息，以及预设的位置信息映射表，确定第二位置信息；以及第二像元点确定模块，用于基于第二位置信息，在多个第二图像中确定作为采样点的第二像元点。
可选地，丰度值组确定模块630，包括：第二丰度值均值确定模块，用于在所确定的各个第二图像中的第二像元点为多个的情况下，分别确定多个第二像元点的丰度值，并基于多个第二像元点的丰度值，确定多个第二像元点的丰度值均值；以及第一丰度值组确定模块，用于将与各个第二图像对应的多个第二像元点的丰度值均值，作为第二丰度值组。
可选地，融合模块640，包括：第一目标丰度值确定模块，用于计算第一丰度值组的均值，在第一丰度值组的均值中选取最大的第一丰度值，作为第一目标丰度值；第二目标丰度值确定模块，用于计算第二丰度值组的均值，在第二丰度值组的均值中选取与第一目标丰度值对应的第二目标丰度值；目标丰度值均值确定模块，用于基于第一目标丰度值和第二目标丰度值，确定目标丰度值均值；目标丰度值方差确定模块，用于基于目标丰度值均值，确定目标丰度值方差；以及融合子模块，用于基于目标丰度值方差，对第一丰度值组的均值和第二丰度值组的均值进行融合，并确定融合丰度值。
从而根据本实施例，达到了能够提升所确定的地物类型信息的精确度的技术效果。
实施例3
图7示出了根据本实施例所述的提升确定地物类型信息的精确度的装置700，该装置700与根据实施例1所述的方法相对应。参考图7所示，该装置700包括：处理器710；以及存储器720，与处理器720连接，用于为处理器710提供处理以下处理步骤的指令：接收由卫星发送的与目标区域对应的多个第一图像，并在多个第一图像中分别抽取作为采样点的第一像元点；接收由无人机发送的与目标区域对应的多个第二图像，并基于第一像元点，在多个第二图像中分别确定作为采样点的第二像元点；确定与各个第一像元点中的端元对应的第一丰度值组，并确定与各个第二像元点的中端元对应的第二丰度值组；在第一丰度值组中确定第一目标丰度值，在第二丰度值组中确定第二目标丰度值，并将第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值；以及基于融合丰度值，确定目标区域中的地物类型信息。
可选地，接收由卫星发送的与目标区域对应的多个第一图像，并在多个第一图像中分别抽取作为采样点的第一像元点的操作，包括：接收由卫星发送的与目标区域对应的多个第一图像，并确定多个第一图像中各个像元点的质量分数；以及将多个第一图像中的各个像元点的质量分数，大于预设的质量分数阈值的像元点，确定为第一像元点。
可选地，确定与各个第一像元点中的端元对应的第一丰度值组的操作，包括：在所确定的各个第一图像中的第一像元点为多个的情况下，分别确定多个第一像元点的丰度值，并基于多个第一像元点的丰度值，确定多个第一像元点的丰度值均值；以及将与各个第一图像对应的多个第一像元点的丰度值均值，作为第一丰度值组。
可选地，接收由无人机发送的与目标区域对应的多个第二图像，并基于第一像元点，在多个第二图像中分别确定作为采样点的第二像元点的操作，包括：确定第一像元点在第一图像中的第一位置信息；基于所确定的第一位置信息，以及预设的位置信息映射表，确定第二位置信息；以及基于第二位置信息，在多个第二图像中确定作为采样点的第二像元点。
可选地，确定与各个第二像元点中的端元对应的第二丰度值组的操作，包括：在所确定的各个第二图像中的第二像元点为多个的情况下，分别确定多个第二像元点的丰度值，并基于多个第二像元点的丰度值，确定多个第二像元点的丰度值均值；以及将与各个第二图像对应的多个第二像元点的丰度值均值，作为第二丰度值组。
可选地，在第一丰度值组中确定第一目标丰度值，并在第二丰度值组中确定第二目标丰度值，并将第一丰度值组和第二丰度值组进行融合，从而确定融合丰度值的操作，包括：计算第一丰度值组的均值，在第一丰度值组的均值中选取最大的第一丰度值，作为第一目标丰度值；计算第二丰度值组的均值，在第二丰度值组的均值中选取与第一目标丰度值对应的第二目标丰度值；基于第一目标丰度值和第二目标丰度值，确定目标丰度值均值；基于目标丰度值均值，确定目标丰度值方差；以及基于目标丰度值方差，对第一丰度值组的均值和第二丰度值组的均值进行融合，并确定融合丰度值。
从而根据本实施例，达到了能够提升所确定的地物类型信息的精确度的技术效果。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，在本发明各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，本发明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全部或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计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种提升确定地物类型信息的精确度的方法，其特征在于，包括：
接收由卫星发送的与目标区域对应的多个第一图像，并在所述多个第一图像中分别抽取作为采样点的第一像元点；
接收由无人机发送的与所述目标区域对应的多个第二图像，并基于所述第一像元点，在所述多个第二图像中分别确定作为采样点的第二像元点；
确定与各个第一像元点中的端元对应的第一丰度值组，并确定与各个第二像元点中的端元对应的第二丰度值组；
在所述第一丰度值组中确定第一目标丰度值，在所述第二丰度值组中确定第二目标丰度值，并将所述第一丰度值组和所述第二丰度值组进行融合，从而确定融合丰度值；以及
基于所述融合丰度值，确定所述目标区域中的地物类型信息，其中
在所述第一丰度值组中确定第一目标丰度值，并在所述第二丰度值组中确定第二目标丰度值，并将所述第一丰度值组和所述第二丰度值组进行融合，从而确定融合丰度值的操作，包括：
计算所述第一丰度值组的均值，在所述第一丰度值组的均值中选取最大的第一丰度值，作为所述第一目标丰度值；
计算所述第二丰度值组的均值，在所述第二丰度值组的均值中选取与所述第一目标丰度值对应的第二目标丰度值；
基于所述第一目标丰度值和所述第二目标丰度值，确定目标丰度值均值，其中所述目标丰度值均值的计算公式如下：
；
其中，表示所述目标丰度值均值，表示所述第一目标丰度值，表示所述第二目标丰度值；
基于所述目标丰度值均值，确定目标丰度值方差，其中所述目标丰度值方差的计算公式如下：
；
其中，表示所述目标丰度值方差；以及
基于所述目标丰度值方差，对所述第一丰度值组的均值和所述第二丰度值组的均值进行融合，并确定所述融合丰度值，其中所述融合丰度值的计算公式如下：
；
其中，表示所述融合丰度值。
2.根据权利要求1所述的方法，其特征在于，接收由卫星发送的与目标区域对应的多个第一图像，并在所述多个第一图像中分别抽取作为采样点的第一像元点的操作，包括：
接收由所述卫星发送的与所述目标区域对应的多个第一图像，并确定所述多个第一图像中各个像元点的质量分数；以及
将所述多个第一图像中的各个像元点的质量分数，大于预设的质量分数阈值的像元点，确定为所述第一像元点。
3.根据权利要求2所述的方法，其特征在于，确定与各个第一像元点中的端元对应的第一丰度值组的操作，包括：
在所确定的各个第一图像中的第一像元点为多个的情况下，分别确定多个第一像元点的丰度值，并基于所述多个第一像元点的丰度值，确定所述多个第一像元点的丰度值均值；以及
将与所述各个第一图像对应的多个第一像元点的丰度值均值，作为所述第一丰度值组。
4.根据权利要求3所述的方法，其特征在于，接收由无人机发送的与所述目标区域对应的多个第二图像，并基于所述第一像元点，在所述多个第二图像中分别确定作为采样点的第二像元点的操作，包括：
确定所述第一像元点在所述第一图像中的第一位置信息；
基于所确定的第一位置信息，以及预设的位置信息映射表，确定第二位置信息；以及
基于所述第二位置信息，在所述多个第二图像中确定作为采样点的第二像元点。
5.根据权利要求4所述的方法，其特征在于，确定与各个第二像元点中的端元对应的第二丰度值组的操作，包括：
在所确定的各个第二图像中的第二像元点为多个的情况下，分别确定多个第二像元点的丰度值，并基于所述多个第二像元点的丰度值，确定所述多个第二像元点的丰度值均值；以及
将与所述各个第二图像对应的多个第二像元点的丰度值均值，作为所述第二丰度值组。
6.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至5中任意一项所述的方法。
7.一种提升确定地物类型信息的精确度的装置，其特征在于，包括：
采样点抽取模块，用于接收由卫星发送的与目标区域对应的多个第一图像，并在所述多个第一图像中分别抽取作为采样点的第一像元点；
采样点确定模块，用于接收由无人机发送的与所述目标区域对应的多个第二图像，并基于所述第一像元点，在所述多个第二图像中分别确定作为采样点的第二像元点；
丰度值组确定模块，用于确定与各个第一像元点中的端元对应的第一丰度值组，并确定与各个第二像元点中的端元对应的第二丰度值组；
融合模块，用于在所述第一丰度值组中确定第一目标丰度值，在所述第二丰度值组中确定第二目标丰度值，并将所述第一丰度值组和所述第二丰度值组进行融合，从而确定融合丰度值；以及
地物类型信息确定模块，用于基于所述融合丰度值，确定所述目标区域中的地物类型信息，其中
所述融合模块，包括：第一目标丰度值确定模块，用于计算所述第一丰度值组的均值，在所述第一丰度值组的均值中选取最大的第一丰度值，作为所述第一目标丰度值；
第二目标丰度值确定模块，用于计算所述第二丰度值组的均值，在所述第二丰度值组的均值中选取与所述第一目标丰度值对应的第二目标丰度值；
目标丰度值均值确定模块，用于基于所述第一目标丰度值和所述第二目标丰度值，确定目标丰度值均值，其中所述目标丰度值均值的计算公式如下：
；
其中，表示所述目标丰度值均值，表示所述第一目标丰度值，表示所述第二目标丰度值；
目标丰度值方差确定模块，用于基于所述目标丰度值均值，确定目标丰度值方差，其中所述目标丰度值方差的计算公式如下：
；
其中，表示所述目标丰度值方差；以及
融合子模块，用于基于所述目标丰度值方差，对所述第一丰度值组的均值和所述第二丰度值组的均值进行融合，并确定所述融合丰度值，其中所述融合丰度值的计算公式如下：
；
其中，表示所述融合丰度值。
8.根据权利要求7所述的装置，其特征在于，采样点抽取模块，包括：
质量分数确定模块，用于接收由所述卫星发送的与所述目标区域对应的多个第一图像，并确定所述多个第一图像中各个像元点的质量分数；以及
第一像元点确定模块，用于将所述多个第一图像中的各个像元点的质量分数，大于预设的质量分数阈值的像元点，确定为所述第一像元点。
9.一种提升确定地物类型信息的精确度的装置，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
接收由卫星发送的与目标区域对应的多个第一图像，并在所述多个第一图像中分别抽取作为采样点的第一像元点；
接收由无人机发送的与所述目标区域对应的多个第二图像，并基于所述第一像元点，在所述多个第二图像中分别确定作为采样点的第二像元点；
确定与各个第一像元点中的端元对应的第一丰度值组，并确定与各个第二像元点的中的端元对应的第二丰度值组；
在所述第一丰度值组中确定第一目标丰度值，在所述第二丰度值组中确定第二目标丰度值，并将所述第一丰度值组和所述第二丰度值组进行融合，从而确定融合丰度值；以及
基于所述融合丰度值，确定所述目标区域中的地物类型信息，其中
在所述第一丰度值组中确定第一目标丰度值，并在所述第二丰度值组中确定第二目标丰度值，并将所述第一丰度值组和所述第二丰度值组进行融合，从而确定融合丰度值的操作，包括：
计算所述第一丰度值组的均值，在所述第一丰度值组的均值中选取最大的第一丰度值，作为所述第一目标丰度值；
计算所述第二丰度值组的均值，在所述第二丰度值组的均值中选取与所述第一目标丰度值对应的第二目标丰度值；
基于所述第一目标丰度值和所述第二目标丰度值，确定目标丰度值均值，其中所述目标丰度值均值的计算公式如下：
；
其中，表示所述目标丰度值均值，表示所述第一目标丰度值，表示所述第二目标丰度值；
基于所述目标丰度值均值，确定目标丰度值方差，其中所述目标丰度值方差的计算公式如下：
；
其中，表示所述目标丰度值方差；以及
基于所述目标丰度值方差，对所述第一丰度值组的均值和所述第二丰度值组的均值进行融合，并确定所述融合丰度值，其中所述融合丰度值的计算公式如下：
；
其中，表示所述融合丰度值。
CN202410021499.8A 2024-01-08 2024-01-08 提升确定地物类型信息的精确度的方法、装置及存储介质 Active CN117523419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410021499.8A CN117523419B (zh) 2024-01-08 2024-01-08 提升确定地物类型信息的精确度的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410021499.8A CN117523419B (zh) 2024-01-08 2024-01-08 提升确定地物类型信息的精确度的方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN117523419A CN117523419A (zh) 2024-02-06
CN117523419B true CN117523419B (zh) 2024-04-26

Family

ID=89742413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410021499.8A Active CN117523419B (zh) 2024-01-08 2024-01-08 提升确定地物类型信息的精确度的方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117523419B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014062987A (ja) * 2012-09-20 2014-04-10 Casio Electronics Co Ltd 樹脂シート製造装置及び樹脂シート製造方法
CN107966210A (zh) * 2017-11-03 2018-04-27 深圳市环境监测中心站 基于高光谱图像的热红外融合重构方法
CN112991288A (zh) * 2021-03-09 2021-06-18 东南大学 基于丰度图像锐化重构的高光谱遥感图像融合方法
CN114441457A (zh) * 2022-02-08 2022-05-06 南京农业大学 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法
CN115836319A (zh) * 2021-07-15 2023-03-21 京东方科技集团股份有限公司 图像处理方法及装置
CN117274799A (zh) * 2023-09-06 2023-12-22 珠海欧比特卫星大数据有限公司 基于先验知识和遥感数据的城市绿地提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014062987A (ja) * 2012-09-20 2014-04-10 Casio Electronics Co Ltd 樹脂シート製造装置及び樹脂シート製造方法
CN107966210A (zh) * 2017-11-03 2018-04-27 深圳市环境监测中心站 基于高光谱图像的热红外融合重构方法
CN112991288A (zh) * 2021-03-09 2021-06-18 东南大学 基于丰度图像锐化重构的高光谱遥感图像融合方法
CN115836319A (zh) * 2021-07-15 2023-03-21 京东方科技集团股份有限公司 图像处理方法及装置
CN114441457A (zh) * 2022-02-08 2022-05-06 南京农业大学 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法
CN117274799A (zh) * 2023-09-06 2023-12-22 珠海欧比特卫星大数据有限公司 基于先验知识和遥感数据的城市绿地提取方法

Also Published As

Publication number Publication date
CN117523419A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN109241895B (zh) 密集人群计数方法及装置
CN111080526B (zh) 航拍图像的农田面积的测算方法、装置、设备及介质
CN110493595B (zh) 摄像头的检测方法和装置、存储介质及电子装置
CN111062378A (zh) 图像处理方法、模型训练方法、目标检测方法及相关装置
US8503761B2 (en) Geospatial modeling system for classifying building and vegetation in a DSM and related methods
CN112541395A (zh) 一种目标检测和跟踪方法、装置、存储介质及电子装置
CN112669232B (zh) 一种深度图像增强处理方法及装置
CN111524063A (zh) 一种遥感图像融合方法及装置
CN113159300A (zh) 图像检测神经网络模型及其训练方法、图像检测方法
CN114241012B (zh) 一种高空抛物的判定方法及装置
CN116843589A (zh) 遥感图像的融合方法、装置、设备及存储介质
CN110415130B (zh) 农业保险理赔方法、装置、设备及计算机可读存储介质
CN109919164B (zh) 用户界面对象的识别方法及装置
CN114359599A (zh) 图像处理方法、存储介质及计算机终端
CN114611635A (zh) 一种对象的识别方法、装置、存储介质及电子装置
CN114693836A (zh) 道路要素矢量的生成方法和系统
CN117523419B (zh) 提升确定地物类型信息的精确度的方法、装置及存储介质
CN111507119A (zh) 标识码识别方法、装置、电子设备及计算机可读存储介质
CN110827243B (zh) 网格梁覆盖区域异常检测方法和装置
CN115908831A (zh) 一种图像检测方法及装置
CN112364693B (zh) 基于双目视觉的障碍识别方法、装置、设备及存储介质
CN113033477A (zh) 基于遥感的农耕用地沙化监测和预警方法、系统及存储介质
CN114359425A (zh) 正射图像生成方法及装置、正射指数图生成方法及装置
CN113469130A (zh) 一种遮挡目标检测方法、装置、存储介质及电子装置
CN112669346A (zh) 一种路面突发状况确定方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant