WO2018107939A1 - 一种基于边缘完备度的图像分割最优识别方法 - Google Patents

一种基于边缘完备度的图像分割最优识别方法 Download PDF

Info

Publication number
WO2018107939A1
WO2018107939A1 PCT/CN2017/111039 CN2017111039W WO2018107939A1 WO 2018107939 A1 WO2018107939 A1 WO 2018107939A1 CN 2017111039 W CN2017111039 W CN 2017111039W WO 2018107939 A1 WO2018107939 A1 WO 2018107939A1
Authority
WO
WIPO (PCT)
Prior art keywords
edge
image
map
segmentation
completeness
Prior art date
Application number
PCT/CN2017/111039
Other languages
English (en)
French (fr)
Inventor
陈建裕
胡永月
黄清波
陈宁华
朱乾坤
Original Assignee
国家海洋局第二海洋研究所
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 国家海洋局第二海洋研究所 filed Critical 国家海洋局第二海洋研究所
Publication of WO2018107939A1 publication Critical patent/WO2018107939A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Definitions

  • the invention relates to an image optimal segmentation and an image object recognition method in image analysis, in particular to an integrated use of multiple image clues--image region and edge, continuity and discontinuity, and segmentation result discrimination and cognition method.
  • Image segmentation classifies connected pixels with similarity in the image into the same image region, which is an expression of image continuity, while the image edge only reflects the local differences of the image. How to judge the quality of segmentation is an important part of image segmentation. The quality of image segmentation has a key impact on subsequent image processing, semantic cognition and image understanding.
  • GEOBIA Geographic Object-Based Image Analysis
  • the discontinuity and similarity of the gray value of remote sensing image is the basis of remote sensing image segmentation algorithm.
  • Image processing is the technical means to obtain image content information.
  • Image segmentation should meet the following five conditions, that is, 1 segmentation must be complete, that is, all pixels should be divided into different regions, all sub-regions constitute a set; 2 segmentation results in the sub-region internal pixels need to remain connected; 3 different sub-regions There must be no intersection, that is, a pixel cannot be divided into two or more regions at the same time. 4 Cells belonging to the same sub-region should have some identical or similar characteristics, which can be classified into one class. Medium; 5 pixels belonging to different sub-areas should have some different characteristics and cannot be classified into the same class.
  • boundary-based and region-based methods are based on image edge gradient information.
  • the edge gets the inner region of the boundary; the latter aggregates pixels of similar gray level or the same organizational structure to form an area, also called region-based segmentation.
  • Boundary-based segmentation is generally divided into two steps: 1 edge enhancement (ie edge detection); 2 edge connection (or boundary closure).
  • the edge is a part of the stepped or roof type change of the gray value of the image, reflecting the discontinuity of the local features of the image.
  • the edge operator can be extracted by using the differential operator.
  • the differential operator includes convolution calculation based on the first-order or second-order differential operator.
  • the edge detection operators of first-order differential mainly include Robert, Sobel, Prewitt and Canny gradient operators.
  • the Canny gradient operator smoothes the grayscale image before the gradient calculation.
  • the point where the first-order differential of the image is larger than the given threshold is the edge point, and the zero-crossing point in the second-order differential is the edge point.
  • Edge points are connected by a given similarity criterion, which becomes an edge. Since the acquired edges are often only partially continuous, edge breakage can occur due to various factors. Therefore, all edges must be connected according to certain criteria to obtain a complete continuous boundary between the regions, that is, the segmentation result.
  • the edge is composed of pixels with a derivative value greater than a given threshold when performing gray scale discontinuous measurement, and is a partial concept; and the boundary is a closed connected edge point set, which is a holistic concept.
  • the three concepts of edge, boundary and contour are progressively layered in image analysis, which describe the transition from low-level features to high-level symbolization.
  • the goal based on boundary segmentation is to obtain meaningful contours.
  • Region-based image segmentation is based on the principle of intra-regional consistency. Region growing/merging is a serial segmentation technique. This method starts with a set of seed cells representing different regions and will be similar in nature to the seed points. The process of adding neighboring pixels to the partitioned area to aggregate the seed cells into regions.
  • the basic steps of the algorithm can be divided into three steps: the selection of seed pixels; the determination of the similarity criterion of seed point growth; the color, texture and shape features of the region can be used as the similarity criterion for judging the growth of the region; It is determined that growth generally stops when there are no cells that satisfy the growth rule.
  • the regional growth method has become one of the focuses of remote sensing image segmentation because it can generate closed continuous regions and can utilize more neighborhood information. Edge-based and region-based segmentation are actually different from the same point of view, and each has its own advantages and limitations: the boundary-based segmentation method detects the local discontinuity of the pixel through the edge, and has good detection of the local boundary information.
  • the region-based segmentation method uses the grayscale statistical information of the pixel to create the region, which can overcome the influence of noise, but at the same time the accuracy of the specific location of the edge is not enough.
  • the object of the present invention is to provide an image segmentation optimal recognition method based on edge completeness in view of the deficiencies of the prior art.
  • an image segmentation optimal recognition method based on edge completeness comprising the following steps:
  • the map corresponding to the marked maximum value is the optimal split map, and the icon that contains the initial over-segmented map is the processed map;
  • the edge completeness is calculated according to the ratio of the number of edge boundary points to the total number of boundary points, and the proportion of the inner edge points of the map is used as the edge of the map.
  • the correction value of the completeness; the step 4 is performed to identify and mark the seed map, and the seed map has at least one internal point, and the 4-neighbor pixel point of the internal point is not a boundary point.
  • the present invention provides a technical means for efficiently performing image optimal segmentation and image object recognition in image analysis, and particularly provides an integrated use of multiple image clues - regions and edges of images, The continuity and discontinuity are used to discriminate and recognize the segmentation results.
  • the invention solves the problem of parameter selection in the segmentation algorithm in the object-oriented remote sensing image analysis method.
  • the segmentation result obtained by the method and the calculated spatial information of the map reflect the real spatial information of the object in the image, which provides a basis for the spatial information, topology information and context information of the applied image in the subsequent remote sensing information extraction.
  • FIG. 1 is a flow chart of an image segmentation optimal recognition method based on edge completeness according to the present invention
  • FIG. 2 is a schematic diagram of image segmentation determination 4-neighborhood
  • FIG. 3 is a schematic diagram showing the result of the image segmentation optimal recognition method based on edge completeness of the present invention
  • Figure 4 is a graph of the edge completeness curve and the local maximum value of the result shown in Figure 3; wherein (a) is the edge completeness curve of the map, and (b) is the local pole of the edge completeness curve using the center difference Great value.
  • the discontinuity and similarity of the grayscale values of remote sensing images are the basis of remote sensing image segmentation algorithm.
  • image segmentation criterion most of the segmentation algorithms can be divided into boundary-based and region-based methods.
  • the former obtains edges based on image edge gradient information.
  • Obtaining the inner region of the boundary; the latter gathers pixels of similar gray levels or the same organizational structure to form a region, Also known as region-based segmentation.
  • the invention provides an image recognition optimal recognition method based on edge completeness, which comprises the following steps:
  • the smoothing algorithm is used to filter the processed image
  • the Gaussian smoothing algorithm is used to smooth the data of each band in the remote sensing image by using a 3 ⁇ 3 or 5 ⁇ 5 template.
  • the Canny operator is considered to be the best edge detection operator at present.
  • Canny edge detection uses the finite difference of the first-order partial derivative to calculate the amplitude and direction of the image gradient, and uses the non-maximum suppression method to preserve the point with the largest local gradient. While suppressing non-maximum values.
  • the central pixel M of the neighborhood is compared to two pixels along the gradient line. If the gradient value of M is not greater than the value of two adjacent cell gradients along the gradient line. Expressed in the x and y directions as follows:
  • a set of dominant edges is determined by the edge images of the two thresholds.
  • the low threshold of the weak edge group is smaller than the low threshold of the strong edge group
  • the high threshold of the weak edge group is smaller than the high threshold of the strong edge group. It is necessary to reduce the number of false edge segments for the Canny edge detection result.
  • the typical method is to use a threshold value for the Canny edge detection result N[i,j] (i, j is the row number of the image), and all values below the threshold value will be used. Assign a zero value.
  • the dual threshold algorithm uses two thresholds ⁇ 1 and ⁇ 2 for the non-maximum suppression image, so that two threshold edge images N 1 [i, j] and N 2 [i, j] can be obtained.
  • N 2 [i,j] is obtained using a high threshold, it contains few false edges but is discontinuous (not closed).
  • the double threshold method is to connect the edges into contours in N 2 [i, j].
  • the algorithm finds the edges that can be connected to the contours at the 8 neighbors of N 1 [i, j].
  • the algorithm continually collects edges in N 1 [i,j] until N 2 [i,j] is connected.
  • the scale growth mode is set to natural number growth, and the segmentation scale threshold is the square of the natural number; the merge cost f of the map spot in the segmentation method is calculated as follows:
  • Obj1 and Obj2 represent the two maps before the merge
  • Merge represents the merged map
  • n is the number of pixels of the map
  • ⁇ is the mean square of the map
  • c is the number of layers participating in the segmentation.
  • h shape w cmpct ⁇ h cmpct +(1-w cmpc ) ⁇ h smooth
  • w cmpct is the set weight, the value is between 0-1; h cmpct is the compactness parameter of the map, and h smooth is the smoothness parameter of the map.
  • Obj1 and Obj2 represent the two maps before the merge
  • Merge represents the merged map
  • n is the number of pixels of the map
  • l is the perimeter of the map
  • b is the perimeter of the circumscribed rectangle of the map.
  • the multi-scale segmentation of the image is performed under a scale factor, and the merge cost is calculated before any of the map spots is merged.
  • the merge process is not performed; otherwise, the map merge process is performed.
  • the segmentation process is as follows:
  • the adjacent relationship between the map and the map is defined as follows: a single pixel and a plurality of spatially connected pixels can be considered as a map. For a map, consider its boundary pixel. If the pixels of two adjacent maps are adjacent to each other, the two maps are adjacent to the 4 neighborhood method. In the process of segmentation, as the patches are merged, the heterogeneity of the patches increases. When each of the images in the image satisfies the following conditions: 1 All the heterogeneity of the patches is smaller than the given one. Threshold; 2 The heterogeneity of any new map formed by combining any map with any neighborhood map is greater than a given threshold. It is considered that one division in the segmentation process is completed.
  • the merging method in the segmentation process is as follows: when more than one adjacent map spot of a map conforms to the merged condition or has multiple matching map pairs, it is necessary to determine an optimal merged map pair, which is merged. The cost is minimal.
  • For a map A examine its four neighboring pixel neighboring maps. If A and one of its adjacent graphs B satisfy the following conditions, then A and B satisfy the principle of local mutual best matching: 1A and B are combined to form
  • the heterogeneity of the large map is less than or equal to the heterogeneity of the large map formed by the combination of A and other adjacent maps; 2 with B as the central map to find the minimum criterion for heterogeneity after combining with B.
  • a relatively small value is selected as the initial segmentation scale to obtain an over-segmented initial segmentation map set of the image to be processed.
  • Step 2 performs edge detection on the target image
  • step 3 performs segmentation processing on the target image
  • the order of steps 2 and 3 may be interchanged
  • the seed map has at least one internal point, and the 4-neighbor pixel point of the internal point is not a boundary point.
  • the boundary point is an edge boundary point, and the edge boundary point length of the R boundary is calculated.
  • the ratio of the length of the boundary is defined as the completeness of the boundary of the edge of the map, referred to as the edge integrity.
  • the calculation formula is:
  • L boundary is the number of pixels in the boundary point of the map Ra
  • L edge is the number of edge boundary points that meet the condition.
  • the value range of I is [0, 1].
  • edge completeness (ep) of the map is calculated as follows:
  • the edge integrity is calculated according to the ratio of the number of boundary edge points to the total number of boundary points, and the specific gravity of the inner edge point of the image spot is used as the correction value of the edge edge integrity.
  • the edge completeness (ep) has a value range of [0, 1].
  • the number of points on the inner edge of the map is sorted.
  • the spectral mean square error of the map is sorted, and the map with small value is processed first.
  • the map with the least internal edge points and the smallest variance of the speckle spectrum is selected as the priority map.
  • the regional growth algorithm is used for regional growth.
  • the initial segmentation scale is the base number
  • the scale growth mode is the natural number increase
  • the segmentation scale threshold is the square of the natural number.
  • the merge cost is calculated between the map and the adjacent map. When the merge cost is smaller than the scale threshold, the merge operation is performed, the merge result is saved, the merge scale and the edge completeness are saved, and the growth of L inside is greater than the L edge region.
  • the combined scale and edge completeness recorded during the growth of the entire region constitute the edge completeness curve.
  • the edge completeness curve is one-dimensional discrete data, and the maximum value of the curve is obtained by using the differential processing method for signal data in numerical analysis. In order to eliminate the influence of the error when maximizing the curve, smoothing must be performed before the derivative to make the curve Can reflect the trend that should be.
  • the convolution operation of the one-dimensional discrete data based on the sliding window is used to achieve the mean filtering of the edge integrity curve.
  • the convolution template size is 1 ⁇ 3, and the weight of the template is as follows
  • the simple and effective difference method is used to solve the first derivative of the curve.
  • the discrete data derivation is divided into forward, backward and center differential. Use the central difference to find the local maximum of the edge completeness curve.
  • the specific formula is:
  • the map corresponding to the marked maximum value is the optimal split map, and the icon that contains the initial over-segmented map is the processed map;
  • the maxima are arranged in the order of growth scale, and the maximum value of the maxima is obtained.
  • the corresponding growth scale is the optimal segmentation scale of the map, and the corresponding segmentation object is the optimal segmentation object.
  • the optimal segmentation object is superimposed with the initial segmentation map set, and all the initial segmentation maps within the range of the optimal segmentation object are marked as processed map spots.
  • the frame diagram includes 3 major parts of processing, and the first part includes image smoothing, edge detection, and formation of an initial over-segmented pattern set.
  • Edge detection uses the classic Canny edge detection algorithm, and the effective implementation of the algorithm requires image-based Gaussian smoothing.
  • the image segmentation operation is also based on the Gaussian smoothing result of the image, which can make the edge detection result consistent with the image segmentation result.
  • the second part is based on seed map identification and map mark. Based on the traversal of unprocessed maps, the region growth algorithm of the seed map is calculated by the region growing algorithm of the seed map, and the edge completeness curve is formed. The local maximum of the edge completeness during the plaque growth process, and the map corresponding to the maximum value of the edge completeness, are the possible optimal segmentation and image objects.
  • Figure 2 is a schematic diagram of an image 4-neighbor.
  • the point is determined as the map.
  • the boundary point of the spot is determined as the map.
  • the 4-neighbor structure is used to identify the boundary point of the edge of the image: for any boundary point in the map, with the point as the center point and the edge point in the 4-neighbor, the point is determined as the edge of the icon Boundary point.
  • the 4-neighbor structure is used to identify the internal point of the map: for any point in the map, the point is the center point, and the 4-neighborhood is the pixel point of the map, and the point is determined as the point The internal point of the map.
  • the 4-neighbor structure is used to identify the inner edge points of the map: for any edge point in the map, the point is the center point, and the 4-neighborhood is the inner point of the map, and the point is discriminated The point of the inner edge of the map.
  • a map in the range of black lines the map consists of 39 pixel points, wherein the inner edge points are 3; the boundary points are 21, and the edge boundary points are 19
  • the edge completeness is 0.9, the correction factor is 0.86, and the edge completeness is 0.775.
  • the black curve (a) is the edge completeness curve of the map spot
  • the black curve (b) is the local maximum value of the edge completeness curve obtained by the center difference.

Abstract

一种基于边缘完备度的图像分割最优识别方法，包括如下步骤：对图像进行平滑滤波；利用边缘检测获取图像边缘点；应用分割算法得到初始过分割图斑集；对图斑进行种子图斑识别和标记；计算图斑边缘完备度，并按内部边缘点及光谱差异性进行排序；选择优先图斑进行区域增长，计算并保存任一合并结果及边缘完备度，形成边缘完备度曲线；计算图斑边缘完备度曲线极大值，获取极大值点对应的图斑；标记极大值对应图斑为最优分割图像对象，标记该图标包含的初始过分割图斑为已处理图斑；应用本方法获取的分割结果，并由此计算得到的图斑空间信息反映了影像中地物真实的空间信息，为后续遥感信息提取中应用图像的空间信息、拓扑信息、上下文信息提供了基础。

Description

一种基于边缘完备度的图像分割最优识别方法 技术领域
本发明涉及图像分析中图像最优分割和图像对象的识别方法，尤其涉及一种集成利用多种图像线索--图像的区域与边缘、连续性与不连续性，进行分割结果的判别与认知方法。
背景技术
图像分割将图像中具有相似性的连通像元归为同一个图像区域，是图像连续性的一种表达，而图像边缘只反映了图像局部差异。如何判定分割结果的好坏是图像分割中的重要内容，图像分割的质量对后续的图像处理、语义认知和图像理解具有关键影响。
图像分割为解决空间高分辨率遥感影像(以下简称“高分影像”)数据处理中所遇到的瓶颈提供了一个新的解决思路，以图像分割为基础的面向对象图像分析为高分影像的实际应用提供新途径。面向地理对象的影像分析(Geographic Object-Based Image Analysis,GEOBIA)，致力于设计自动化的方法将遥感影像划分为有潜在意义的图像对象，并通过评估空间、光谱和时间尺度特性产生矢量格式的新的地理信息。GEOBIA中影像处理分析的基本单位不是像元而是像元的集合，称为对象，也称作图斑，再获取其属性。与传统基于像元影像分析技术相比，其优势在于不但能有效避免基于像元的遥感影像处理中存在的“椒盐噪声”，而且影像对象除了光谱、纹理特征外，还能产生几何形状、空间分布、空间上下文关系等空间特征，建立图像对象与真实地物之间的对应关系，成为一个新的遥感影像处理范式。大量国内外研究表明面向对象的遥感影像分析能有效克服高分遥感影像中对象内部细节、结构信息的影响，提高遥感影像使用的效率与精度。高分辨率遥感影像的出现使得面向对象影像分析技术开始在遥感影像图像处理、分析与理解方面得到重视，为高分影像分类、目标地物识别和变化检测等应用提供了有效的解决途径。
遥感影像灰度值的不连续性与相似性特征是遥感图像分割算法的基础，图像处理是获取图像内容信息的技术手段。图像分割应满足以下五个条件，即①分割必须完全，即所有像元应被划分到不同区域去，所有子区域组成集合；②分割结果中子区域内部像元需保持连通；③不同子区域必须是不存在交集的，即一个像元不可能被同时划分到两个及以上的区域中④属于同一子区域的像元应当具有某些相同或相似的特性，该特性下可以划分到一类中；⑤属于不同子区域之间的像元应当具有一些不同的特性，不能归为同一类。根据图像分割准则可以将大部分的分割算法划分为基于边界和基于区域的方法，前者基于影像边缘梯度信息获取 边缘得到边界内部区域；后者将相似灰度级或相同组织结构的像元聚集起来形成区域，也称基于区域的分割。基于边界的分割一般分为两步：①边缘增强(即边缘检测)；②边缘连接(或称边界闭合)。边缘为影像灰度值呈现阶跃型或屋顶型变化的部分，反映了影像局部特征的不连续性。基于这一特性可以利用微分算子对边缘进行提取，微分算子包括基于一阶或二阶微分算子，对影像进行卷积完成计算。其中一阶微分的边缘检测算子主要包括Robert、Sobel、Prewitt与Canny梯度算子等，其中Canny梯度算子在梯度计算前先对灰度图像进行了平滑滤波。影像的一阶微分比给定阈值大的点是边缘点，二阶微分中的零交叉点为边缘点。将边缘点以某种给定的相似性准则进行相连，即成为一条边缘。由于获取的边缘往往只是局部连续，受各种因素干扰会产生边缘断裂。因此要将所有的边缘根据一定准则连接才能获得区域之间的完整的连续的边界，即分割结果。边缘是在进行灰度不连续测量时，由大于给定阈值的导数值的像元组成，是一个局部概念；而边界是封闭连通的边缘点集合，是一个整体性的概念。边缘、边界、轮廓这三个概念在图像分析中是逐层递进的，它们分别描述了从低层特征到高层符号化的过渡过程。基于边界分割的目标就是为了获取有意义的地物轮廓。基于区域的图像分割是基于区域内部一致性原则进行分割，区域生长/合并是一种串行分割技术，该方法是以一组代表不同区域的种子像元开始，将与种子点性质相似的相邻像元附加到所在的分割区域内，使种子像元聚合成区域的过程。算法的基本步骤可分为三步：种子像元的选定；种子点生长的相似性准则的确定；区域的颜色、纹理、形状特征均可作为判断区域生长的相似性准则；生长终止条件的确定，一般到不存在任何满足生长规则的像元时生长停止。区域生长方法由于能够生成闭合连续的区域且能利用较多的邻域信息，而成为遥感图像分割研究的重点之一。基于边缘与基于区域的分割实际是从同一点的不同角度出发，分别有各自的优势与局限：基于边界的分割方法通过边缘检测局部不连续性的像元，对局部边界信息的检测具有良好的效果，但全局分割能力不够，且很难得到闭合边缘；而基于区域的分割方法则利用像元的灰度统计信息创建区域，能够克服噪声的影响，但同时对边缘具体位置定位的准确性不够。
发明内容
本发明的目的是针对现有技术的不足，提供一种基于边缘完备度的图像分割最优识别方法。
本发明的目的是通过以下技术方案来实现的：一种基于边缘完备度的图像分割最优识别方法，包括如下步骤：
(1)采用平滑算法对待处理图像进行滤波；
(2)利用边缘检测方法获取待处理图像的边缘点；
(3)应用图像分割算法，得到待处理图像的过分割的初始分割图斑集合；
(4)对全部图斑标记为未处理图斑，对未处理图斑进行种子图斑识别和标记；
(5)计算种子图斑的边缘完备度，按图斑的内部边缘点及光谱差异性进行图斑候选排序，内部边缘点少及光谱差异性小的图斑排序优先；
(6)在候选未处理种子图斑集合中，选择优先图斑进行区域增长，计算并保存任一合并结果及其边缘完备度，形成边缘完整度曲线；
(7)计算种子图斑边缘完整度曲线的极大值，获取极大值点所对应的图斑；
(8)标记极大值对应的图斑为最优分割图斑，标记该图标所包含初始过分割的图斑为已处理图斑；
(9)重复步骤6-8，至初始过分割图斑中所有种子图斑均处理完成；
(10)上述所有最优分割图斑及未处理的非种子图斑，形成该图像的最优分割结果。
进一步地，所述步骤5中，对于图像分割后特定图斑而言，按其边缘边界点数量占边界点总数的比例计算边缘完备度，并以图斑的内部边缘点的比重作为图斑边缘完备度的修正值；所述步骤4对进行种子图斑识别和标记，种子图斑为该图斑至少包括1个内部点，该内部点的4-邻域像元点均不为边界点。
本发明的有益效果是，本方法提供一种在图像分析中有效地进行图像最优分割和图像对象识别的技术手段，尤其提供了一种集成利用多种图像线索--图像的区域与边缘、连续性与不连续性，进行分割结果的判别与认知。本发明解决了面向对象的遥感影像分析方法中分割算法中参数选择的难题。应用本方法获取的分割结果，并由此计算得到的图斑空间信息反映了影像中地物真实的空间信息，为后续遥感信息提取中应用图像的空间信息、拓扑信息、上下文信息提供了基础。
附图说明
图1是本发明基于边缘完备度的图像分割最优识别方法的流程框图；
图2是图像分割判定4-邻域的示意图；
图3是本发明基于边缘完备度的图像分割最优识别方法的结果示意图；
图4是图3所示结果的边缘完备度曲线和局部极大值结果图；其中，(a)为图斑的边缘完备度曲线，(b)为利用中心差分求边缘完备度曲线的局部极大值。
具体实施方式
遥感影像灰度值的不连续性与相似性特征是遥感图像分割算法的基础，根据图像分割准则可以将大部分的分割算法划分为基于边界和基于区域的方法，前者基于影像边缘梯度信息获取边缘得到边界内部区域；后者将相似灰度级或相同组织结构的像元聚集起来形成区域， 也称基于区域的分割。
本发明一种基于边缘完备度的图像分割最优识别方法，包括以下步骤：
1、采用平滑算法对待处理图像进行滤波；
采用高斯平滑算法，采用3×3或者5×5的模板对遥感影像中各个波段数据进行平滑滤波。
2、利用边缘检测方法获取待处理图像的边缘点；
Canny算子被认为是目前最优秀的边缘检测算子，Canny边缘检测用一阶偏导的有限差分来计算图像梯度的幅值和方向，并利用非极大值抑制方法保留局部梯度最大的点，而抑制非极大值。在每一点上，邻域的中心像元M与沿着梯度线的两个像元相比。如果M的梯度值不比沿梯度线的两个相邻像元梯度值大。在x、y方向表达如下：
Figure PCTCN2017111039-appb-000001
Figure PCTCN2017111039-appb-000002
由高低两个阈值的边缘图像确定一组优势边缘，在边缘强度序列中弱边缘组的低阈值小于强边缘组的低阈值，弱边缘组的高阈值小于强边缘组的高阈值。需要对Canny边缘检测结果进行减少假边缘段数量的操作，典型方法是对Canny边缘检测结果N[i，j](i,j为图像的行列号)使用一个阈值，将低于阈值的所有值赋零值。双阈值算法对非极大值抑制图像采用两个阈值τ1和τ2，从而可以得到两个阈值边缘图像N1[i,j]和N2[i,j]。由于N2[i,j]使用高阈值得到，因而含有很少的假边缘，但有间断(不闭合)。双阈值法要在N2[i，j]中把边缘连接成轮廓，当到达轮廓的端点时，该算法就在N1[i,j]的8邻点位置寻找可以连接到轮廓上的边缘，这样，算法不断地在N1[i,j]中收集边缘，直到将N2[i,j]连接起来为止。
3、应用图像分割算法，得到待处理图像的过分割的初始分割图斑集合；
设定尺度增长方式为自然数增长，分割尺度阈值为自然数的平方；分割方法中图斑的合并代价f计算如下：
f＝w·hcolor+(1-w)·hshape
其中，w为设定的权重，其值在0-1之间；hcolor为图斑的颜色或光谱差异性；hshape为图斑的形状差异性。
Figure PCTCN2017111039-appb-000003
其中，Obj1和Obj2代表合并前的两个图斑，Merge表示合并后的图斑，n为图斑的像元数，σ为图斑的均方差，c为参与分割的图层数。
hshape＝wcmpct·hcmpct+(1-wcmpc)·hsmooth
其中，wcmpct为设定的权重，其值在0-1之间；hcmpct为图斑的紧致性参数，hsmooth为图斑的光滑性参数。
Figure PCTCN2017111039-appb-000004
Figure PCTCN2017111039-appb-000005
其中，Obj1和Obj2代表合并前的两个图斑，Merge表示合并后的图斑，n为图斑的像元数，l为图斑的周长，b为图斑外接矩形的周长。
在一尺度系数下进行图像多尺度分割，在任一图斑合并前，计算合并代价，当合并代价大于尺度阈值时，不执行合并过程；反之，执行图斑合并过程。对于特定分割尺度的单次分割而言，分割过程如下：
图斑及图斑间的相邻关系定义如下：单个像元和多个空间上联通像元集合都可认为是图斑。对一个图斑，考察它的边界像元，如果两个相邻图斑的像元是4邻域相邻，则两个图斑是4邻域法相邻的。在分割进行的过程中，随着图斑的不断合并，图斑异质性不断增大，当图像中每一个图斑都满足如下条件时：①所有图斑异质性的均小于给定的阈值；②任意一个图斑再与任意一个邻域图斑合并后形成的新图斑的异质性都大于给定阈值。则认为分割过程中的一次分割完成。
分割过程中合并方法如下：当一个图斑有多于一个的相邻图斑符合归并的条件或有多次符合条件的图斑对时，就需要确定一个最优的归并图斑对，其归并的代价最小。对一个图斑A，考察它的四邻域像元邻接图斑，如果A与它的某个邻接图斑B满足如下条件则称A,B满足局部相互最佳匹配原则：①A与B合并后形成的大图斑的异质性小于或等于A与其它相邻图斑合并后形成的大图斑的异质性；②以B为中心图斑来寻找与B合并后满足异质性最小准则的邻接图斑C；③A＝C或者(2)中有多个满足条件的图斑，而A是其中之一。如果A,B满足局部相互最佳匹配原则就将它们合并为一个大图斑，如果不满足则以B为起始点继续查找。
选择一个相对小的值作为初始分割尺度，得到待处理图像的过分割的初始分割图斑集合。
所述步骤2对目标图像进行边缘检测，步骤3对目标图像进行过分割处理，步骤2和步骤3的次序可以互换；
4、对全部图斑标记为未处理图斑，对未处理图斑进行种子图斑识别和标记；
对进行种子图斑识别和标记，种子图斑为该图斑至少包括1个内部点，该内部点的4-邻域像元点均不为边界点。
5、计算种子图斑的边缘完备度，按图斑的内部边缘点及光谱差异性进行图斑候选排序，内部边缘点少及光谱差异性小的图斑排序优先；
对于当前图斑R，对于图斑的任一边界点，若该边界点的4-邻域中存在一个或以上边缘点，则该边界点为边缘边界点，计算R边界的边缘边界点长度占边界长度之比，定义为图斑边缘契合边界的完整度，简称边缘完整度，计算公式为：
Figure PCTCN2017111039-appb-000006
Lboundary为图斑Ra边界点的像元个数，Ledge为符合条件的边缘边界点个数，I的取值范围为[0,1]。
对于当前图斑Ra，统计该图斑内部与边界点不相邻的边缘点数量，记为Linside。设co为边缘完整度的修正系数，计算公式如下：
Figure PCTCN2017111039-appb-000007
则该图斑的边缘完备度(ep)计算如下：
Figure PCTCN2017111039-appb-000008
对于图像分割后的图斑，按其边界边缘点数量占边界点总数的比例计算边缘完整度，并以图斑的内部边缘点的比重作为图斑边缘完整度的修正值。边缘完备度(ep)的取值范围为[0,1]。
对于种子图斑，按图斑内部边缘点的数量进行排序，对于具有相同边缘点的图斑，按图斑的光谱均方差进行排序，值小的图斑优先处理。
6、在候选未处理种子图斑集合中，选择优先图斑进行区域增长，计算并保存任一合并结果及其边缘完备度，形成边缘完整度曲线；
在未处理的种子图斑中，选择内部边缘点最少、图斑光谱均方差最小的图斑作为优先图斑。采用区域增长的算法进行区域增长，初始分割尺度为基数，尺度增长方式为自然数增长，分割尺度阈值为自然数的平方。在该图斑与相邻图斑之间计算合并代价，当合并代价小于尺度阈值进行图斑合并操作，保存合并结果、记录合并尺度及其边缘完备度，当Linside大于Ledge区域增长停止。整个区域增长过程中记录的合并尺度及其边缘完备度构成边缘完备度曲线。
7、计算种子图斑边缘完整度曲线的极大值，获取极大值点所对应的图斑；
边缘完备度曲线是一维离散数据，利用数值分析中对信号数据的微分处理方法求取曲线极大值。在对曲线求极大值时为消除误差带来的影响，须在求导前进行平滑滤波，使得曲线 能够反映出应有的趋势。采用基于滑动窗口对一维离散数据进行卷积运算，实现对边缘完整度曲线的均值滤波，卷积模板大小为1×3，模板的权值如下所示
Figure PCTCN2017111039-appb-000009
对于边缘完备度局部极大值的求法，采用简单有效的差分法求解曲线的一阶导数，离散数据求导分为向前、向后和中心差分。选用中心差分求边缘完备度曲线的局部极大值，具体公式为：
Figure PCTCN2017111039-appb-000010
8、标记极大值对应的图斑为最优分割图斑，标记该图标所包含初始过分割的图斑为已处理图斑；
将所有极大值按增长尺度的顺序先后排列，获取极大值中的最大值，所对应的增长尺度为该图斑的最优分割尺度，所对应的分割对象为最优分割对象。
将最优分割对象与初始分割图斑集合进行叠置分析，把该最优分割对象的范围内的所有初始分割图斑标记为已处理图斑。
9、重复步骤6-8，至初始过分割图斑中所有种子图斑均处理完成；
10、上述所有最优分割图斑及未处理的非种子图斑，形成该图像的最优分割结果。
下面，我们参照附图来说明本发明的具体实施形态。
图1是表示与本发明实施形态有关的一种基于边缘完备度的图像分割最优识别方法的流程框图。框架图包括3大部分的处理，第一部分包括图像平滑、边缘检测与初始过分割图斑集的形成。边缘检测采用经典Canny边缘检测算法，该算法的有效实施需要基于图像的高斯平滑。图像分割操作也基于图像的高斯平滑结果，可以使得边缘检测结果与图像分割结果具有一致性。第二部分基于种子图斑识别和图斑标记，在遍历未处理图斑基础上，通过种子图斑的区域增长算法，计算合并过程中的图斑边缘完备度，形成边缘完备度曲线，获得图斑增长过程中边缘完备度的局部极大值，与边缘完备度极大值对应的图斑，是可能的最优分割和图像对象。
图2是图像4-邻域的示意图。
利用4-邻域结构进行图斑边界点识别：对于图斑中的任意一点，以该点为中心点，其4-邻域中存在其他图斑的像元点，则判别该点为该图斑的边界点。
利用4-邻域结构进行图斑边缘边界点识别：对于图斑中的任一边界点，以该点为中心点，其4-邻域中存在边缘点，则判别该点为该图标的边缘边界点。
利用4-邻域结构进行图斑内部点识别：对于图斑中的任意一点，以该点为中心点，其4-邻域中均为该图斑的像元点，则判别该点为该图斑的内部点。
利用4-邻域结构进行图斑内部边缘点识别：对于图斑中的任一边缘点，以该点为中心点，其4-邻域中均为该图斑的内部点，则判别该点为该图斑的内部边缘点。
如图3所示，在实施例中，黑色线范围内的一个图斑，该图斑由39个像元点组成，其中内部边缘点为3个；边界点为21个，边缘边界点为19个，边缘完整度为0.9，修正系数为0.86，边缘完备度为0.775。
如图4所示，在实施例中，黑色曲线(a)为图斑的边缘完备度曲线，黑色曲线(b)为利用中心差分求边缘完备度曲线的局部极大值。
本发明不限于以上的实施形态，在权利要求书中记载的发明范围内，可以进行种种的变更，这些变更当然也包含在本发明的范围内，这是不言而喻的。

Claims (3)

  1. 一种基于边缘完备度的图像分割最优识别方法，其特征在于，包括如下步骤：
    (1)采用平滑算法对待处理图像进行滤波。
    (2)利用边缘检测方法获取待处理图像的边缘点。
    (3)应用图像分割算法，得到待处理图像的过分割的初始分割图斑集合。
    (4)对全部图斑标记为未处理图斑，对未处理图斑进行种子图斑识别和标记。
    (5)计算种子图斑的边缘完备度，按图斑的内部边缘点及光谱差异性进行图斑候选排序，内部边缘点少及光谱差异性小的图斑排序优先。
    (6)在候选未处理种子图斑集合中，选择优先图斑进行区域增长，计算并保存任一合并结果及其边缘完备度，形成边缘完备度曲线。
    (7)计算种子图斑边缘完备度曲线的极大值，获取极大值点所对应的图斑。
    (8)标记极大值对应的图斑为最优分割图斑，标记该图斑包含的初始过分割的图斑为已处理图斑。
    (9)重复步骤6-8，至初始过分割图斑中所有种子图斑均处理完成。
    (10)上述所有最优分割图斑及未处理的非种子图斑，形成该图像的最优分割结果。
  2. 根据权利要求1所述的一种边缘完备度的图像分割最优结果识别方法，其特征在于，所述步骤5中，对于图像分割后的图斑而言，按其边缘边界点数量占边界点总数的比例计算边缘完备度，并以图斑的内部边缘点的比重作为图斑边缘完备度的修正值。
  3. 根据权利要求1所述的一种边缘完备度的图像分割最优结果识别方法，其特征在于，所述步骤4对进行种子图斑识别和标记，种子图斑为该图斑至少包括1个内部点，该内部点的4-邻域像元点均不为边界点。
PCT/CN2017/111039 2016-12-14 2017-11-15 一种基于边缘完备度的图像分割最优识别方法 WO2018107939A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201611150283.3A CN106846344B (zh) 2016-12-14 2016-12-14 一种基于边缘完备度的图像分割最优识别方法
CN201611150283.3 2016-12-14

Publications (1)

Publication Number Publication Date
WO2018107939A1 true WO2018107939A1 (zh) 2018-06-21

Family

ID=59139966

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/111039 WO2018107939A1 (zh) 2016-12-14 2017-11-15 一种基于边缘完备度的图像分割最优识别方法

Country Status (2)

Country Link
CN (1) CN106846344B (zh)
WO (1) WO2018107939A1 (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035365A (zh) * 2018-07-09 2018-12-18 江苏省测绘工程院 一种高分辨率影像的镶嵌处理方法
CN109345450A (zh) * 2018-08-20 2019-02-15 江苏省测绘工程院 一种利用地理实体要素信息的影像镶嵌方法
CN109784213A (zh) * 2018-12-27 2019-05-21 合肥工业大学 一种低成本的非极大值抑制电路结构
CN109859219A (zh) * 2019-02-26 2019-06-07 江西理工大学 结合相位与光谱的高分遥感影像分割方法
CN109859227A (zh) * 2019-01-17 2019-06-07 平安科技（深圳）有限公司 翻拍图像检测方法、装置、计算机设备及存储介质
CN110188778A (zh) * 2019-05-31 2019-08-30 中国人民解放军61540部队 基于影像提取结果的居民区要素轮廓规则化方法
CN110472661A (zh) * 2019-07-10 2019-11-19 北京吉威数源信息技术有限公司 基于历史本底和现时遥感影像的自动变化检测方法和系统
CN110490887A (zh) * 2019-06-26 2019-11-22 河南埃尔森智能科技有限公司 一种基于3d视觉的对矩形包裹边缘快速识别定位方法
CN110706240A (zh) * 2019-09-28 2020-01-17 滁州学院 基于小图斑的无人机影像数据批量裁切方法
CN111081340A (zh) * 2019-12-04 2020-04-28 四川骏逸富顿科技有限公司 一种用于远程检测电子处方信息是否完整的方法
CN111160260A (zh) * 2019-12-30 2020-05-15 湖北航天技术研究院总体设计所 一种sar图像目标检测方法及系统
CN111310771A (zh) * 2020-03-11 2020-06-19 中煤航测遥感集团有限公司 遥感影像的道路图像提取方法、装置、设备及存储介质
CN111462144A (zh) * 2020-03-30 2020-07-28 南昌工程学院 一种基于粗糙集的快速抑制图像模糊边界的图像分割方法
CN111523613A (zh) * 2020-05-09 2020-08-11 黄河勘测规划设计研究院有限公司 水利工程复杂环境下的图像分析抗干扰方法
CN111915669A (zh) * 2020-08-03 2020-11-10 北京吉威空间信息股份有限公司 一种基于总量控制的土地调查线状地物图斑化方法
CN112184747A (zh) * 2020-10-14 2021-01-05 北京大学 沙漠景观斑块分割方法及系统、电子设备及可读存储介质
CN112801170A (zh) * 2021-01-25 2021-05-14 河南省国土资源调查规划院(河南省国土资源厅不动产登记中心) 基于遥感影像的多时相变化检测及地物识别分类方法
CN112801892A (zh) * 2021-01-11 2021-05-14 中国民航大学 一种基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测方法
CN113808150A (zh) * 2021-08-31 2021-12-17 西安理工大学 一种可自适应修复的边缘检测新方法
CN113838165A (zh) * 2021-09-13 2021-12-24 浙江省水利河口研究院(浙江省海洋规划设计研究院) 一种图斑自动编号方法及装置、电子设备、存储介质
CN114419635A (zh) * 2022-03-30 2022-04-29 北京点聚信息技术有限公司 一种基于图形识别的电子印章矢量图识别方法
CN114707560A (zh) * 2022-05-19 2022-07-05 北京闪马智建科技有限公司 数据信号的处理方法及装置、存储介质、电子装置
CN114842354A (zh) * 2022-05-06 2022-08-02 自然资源部第一海洋研究所 高分辨率遥感影像边缘线快速精确检测方法
CN114972440A (zh) * 2022-06-21 2022-08-30 江西省国土空间调查规划研究院 用于国土调查的es数据库图斑对象链式追踪方法
CN115311569A (zh) * 2022-08-16 2022-11-08 自然资源部国土卫星遥感应用中心 基于遥感影像的推填土变化检测方法、装置和终端设备
CN115577058A (zh) * 2022-09-23 2023-01-06 中国测绘科学研究院 一种兼顾全局与局部最优影响的小图斑竞争分裂方法
CN115880303A (zh) * 2023-03-08 2023-03-31 杭州凌像科技有限公司 用于pcb板圆孔的亚像素精度定位检测方法及系统
CN115880285A (zh) * 2023-02-07 2023-03-31 南通南铭电子有限公司 一种铝电解电容器引出线异常识别方法
CN115984288A (zh) * 2022-11-29 2023-04-18 山东省人工智能研究院 基于关键点检测与非对称测地线生长模型的图像分割方法
CN116258961A (zh) * 2023-01-18 2023-06-13 广州市绿之城园林绿化工程有限公司 一种林业图斑变化快速识别方法及系统
CN116597389A (zh) * 2023-07-18 2023-08-15 山东省地质测绘院 基于图像处理的地质灾害监测及预警方法
CN117274820A (zh) * 2023-11-20 2023-12-22 深圳市天成测绘技术有限公司 一种测绘地理信息地图数据采集方法及系统

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846344B (zh) * 2016-12-14 2018-12-25 国家海洋局第二海洋研究所 一种基于边缘完备度的图像分割最优识别方法
CN108334770B (zh) * 2018-03-06 2019-01-29 石家庄裕兆科技有限公司 移动终端安全防护系统
CN109410227B (zh) * 2018-05-15 2023-07-14 刘宇轩 一种基于gvf模型的土地利用图斑轮廓提取算法
CN109816749B (zh) * 2019-02-14 2023-04-28 中国测绘科学研究院 图斑地图符号填充方法、装置、计算机设备及存储介质
CN111144423B (zh) * 2019-12-26 2023-05-05 哈尔滨工业大学 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法
CN114049569B (zh) * 2022-01-13 2022-03-18 自然资源部第三地理信息制图院 一种深度学习模型性能评价方法及系统
CN116453117B (zh) * 2023-02-14 2024-01-26 珠江水利委员会珠江水利科学研究院 一种图像解译图斑定位与精度评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060104516A1 (en) * 2004-11-15 2006-05-18 Shih-Jong Lee Region-guided boundary refinement method
CN101038667A (zh) * 2007-04-24 2007-09-19 国家海洋局第二海洋研究所 一种尺度自适应的图像分割方法
CN102368331A (zh) * 2011-10-31 2012-03-07 陈建裕 一种集成边缘信息的图像多尺度分割方法
CN105184252A (zh) * 2015-08-31 2015-12-23 中国科学院遥感与数字地球研究所 一种基于高空间分辨率图像的水华识别方法及装置
CN105205801A (zh) * 2014-12-24 2015-12-30 天津航天中为数据系统科技有限公司 基于变化检测的围填海信息提取方法及装置
CN106846344A (zh) * 2016-12-14 2017-06-13 国家海洋局第二海洋研究所 一种基于边缘完备度的图像分割最优识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060104516A1 (en) * 2004-11-15 2006-05-18 Shih-Jong Lee Region-guided boundary refinement method
CN101038667A (zh) * 2007-04-24 2007-09-19 国家海洋局第二海洋研究所 一种尺度自适应的图像分割方法
CN102368331A (zh) * 2011-10-31 2012-03-07 陈建裕 一种集成边缘信息的图像多尺度分割方法
CN105205801A (zh) * 2014-12-24 2015-12-30 天津航天中为数据系统科技有限公司 基于变化检测的围填海信息提取方法及装置
CN105184252A (zh) * 2015-08-31 2015-12-23 中国科学院遥感与数字地球研究所 一种基于高空间分辨率图像的水华识别方法及装置
CN106846344A (zh) * 2016-12-14 2017-06-13 国家海洋局第二海洋研究所 一种基于边缘完备度的图像分割最优识别方法

Cited By (57)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035365A (zh) * 2018-07-09 2018-12-18 江苏省测绘工程院 一种高分辨率影像的镶嵌处理方法
CN109035365B (zh) * 2018-07-09 2022-11-01 江苏省测绘工程院 一种高分辨率影像的镶嵌处理方法
CN109345450A (zh) * 2018-08-20 2019-02-15 江苏省测绘工程院 一种利用地理实体要素信息的影像镶嵌方法
CN109345450B (zh) * 2018-08-20 2022-10-21 江苏省测绘工程院 一种利用地理实体要素信息的影像镶嵌方法
CN109784213A (zh) * 2018-12-27 2019-05-21 合肥工业大学 一种低成本的非极大值抑制电路结构
CN109784213B (zh) * 2018-12-27 2022-10-11 合肥工业大学 一种低成本的非极大值抑制电路结构
CN109859227A (zh) * 2019-01-17 2019-06-07 平安科技（深圳）有限公司 翻拍图像检测方法、装置、计算机设备及存储介质
CN109859227B (zh) * 2019-01-17 2023-07-14 平安科技（深圳）有限公司 翻拍图像检测方法、装置、计算机设备及存储介质
CN109859219B (zh) * 2019-02-26 2021-02-19 江西理工大学 结合相位与光谱的高分遥感影像分割方法
CN109859219A (zh) * 2019-02-26 2019-06-07 江西理工大学 结合相位与光谱的高分遥感影像分割方法
CN110188778A (zh) * 2019-05-31 2019-08-30 中国人民解放军61540部队 基于影像提取结果的居民区要素轮廓规则化方法
CN110490887A (zh) * 2019-06-26 2019-11-22 河南埃尔森智能科技有限公司 一种基于3d视觉的对矩形包裹边缘快速识别定位方法
CN110490887B (zh) * 2019-06-26 2023-02-28 河南埃尔森智能科技有限公司 一种基于3d视觉的对矩形包裹边缘快速识别定位方法
CN110472661A (zh) * 2019-07-10 2019-11-19 北京吉威数源信息技术有限公司 基于历史本底和现时遥感影像的自动变化检测方法和系统
CN110472661B (zh) * 2019-07-10 2023-04-28 北京吉威数源信息技术有限公司 基于历史本底和现时遥感影像的自动变化检测方法和系统
CN110706240A (zh) * 2019-09-28 2020-01-17 滁州学院 基于小图斑的无人机影像数据批量裁切方法
CN110706240B (zh) * 2019-09-28 2022-09-27 滁州学院 基于小图斑的无人机影像数据批量裁切方法
CN111081340A (zh) * 2019-12-04 2020-04-28 四川骏逸富顿科技有限公司 一种用于远程检测电子处方信息是否完整的方法
CN111081340B (zh) * 2019-12-04 2023-11-03 四川骏逸富顿科技有限公司 一种用于远程检测电子处方信息是否完整的方法
CN111160260B (zh) * 2019-12-30 2023-07-04 湖北航天技术研究院总体设计所 一种sar图像目标检测方法及系统
CN111160260A (zh) * 2019-12-30 2020-05-15 湖北航天技术研究院总体设计所 一种sar图像目标检测方法及系统
CN111310771A (zh) * 2020-03-11 2020-06-19 中煤航测遥感集团有限公司 遥感影像的道路图像提取方法、装置、设备及存储介质
CN111310771B (zh) * 2020-03-11 2023-07-04 中煤航测遥感集团有限公司 遥感影像的道路图像提取方法、装置、设备及存储介质
CN111462144A (zh) * 2020-03-30 2020-07-28 南昌工程学院 一种基于粗糙集的快速抑制图像模糊边界的图像分割方法
CN111523613A (zh) * 2020-05-09 2020-08-11 黄河勘测规划设计研究院有限公司 水利工程复杂环境下的图像分析抗干扰方法
CN111523613B (zh) * 2020-05-09 2023-03-24 黄河勘测规划设计研究院有限公司 水利工程复杂环境下的图像分析抗干扰方法
CN111915669A (zh) * 2020-08-03 2020-11-10 北京吉威空间信息股份有限公司 一种基于总量控制的土地调查线状地物图斑化方法
CN111915669B (zh) * 2020-08-03 2024-04-05 北京吉威空间信息股份有限公司 一种基于总量控制的土地调查线状地物图斑化方法
CN112184747A (zh) * 2020-10-14 2021-01-05 北京大学 沙漠景观斑块分割方法及系统、电子设备及可读存储介质
CN112801892B (zh) * 2021-01-11 2022-07-01 中国民航大学 一种基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测方法
CN112801892A (zh) * 2021-01-11 2021-05-14 中国民航大学 一种基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测方法
CN112801170A (zh) * 2021-01-25 2021-05-14 河南省国土资源调查规划院(河南省国土资源厅不动产登记中心) 基于遥感影像的多时相变化检测及地物识别分类方法
CN113808150A (zh) * 2021-08-31 2021-12-17 西安理工大学 一种可自适应修复的边缘检测新方法
CN113808150B (zh) * 2021-08-31 2023-09-01 西安理工大学 一种可自适应修复的边缘检测新方法
CN113838165B (zh) * 2021-09-13 2024-02-06 浙江省水利河口研究院(浙江省海洋规划设计研究院) 一种图斑自动编号方法及装置、电子设备、存储介质
CN113838165A (zh) * 2021-09-13 2021-12-24 浙江省水利河口研究院(浙江省海洋规划设计研究院) 一种图斑自动编号方法及装置、电子设备、存储介质
CN114419635B (zh) * 2022-03-30 2022-06-24 北京点聚信息技术有限公司 一种基于图形识别的电子印章矢量图识别方法
CN114419635A (zh) * 2022-03-30 2022-04-29 北京点聚信息技术有限公司 一种基于图形识别的电子印章矢量图识别方法
CN114842354A (zh) * 2022-05-06 2022-08-02 自然资源部第一海洋研究所 高分辨率遥感影像边缘线快速精确检测方法
CN114842354B (zh) * 2022-05-06 2024-03-22 自然资源部第一海洋研究所 高分辨率遥感影像边缘线快速精确检测方法
CN114707560B (zh) * 2022-05-19 2024-02-09 北京闪马智建科技有限公司 数据信号的处理方法及装置、存储介质、电子装置
CN114707560A (zh) * 2022-05-19 2022-07-05 北京闪马智建科技有限公司 数据信号的处理方法及装置、存储介质、电子装置
CN114972440A (zh) * 2022-06-21 2022-08-30 江西省国土空间调查规划研究院 用于国土调查的es数据库图斑对象链式追踪方法
CN114972440B (zh) * 2022-06-21 2024-03-08 江西省国土空间调查规划研究院 用于国土调查的es数据库图斑对象链式追踪方法
CN115311569B (zh) * 2022-08-16 2023-08-22 自然资源部国土卫星遥感应用中心 基于遥感影像的推填土变化检测方法、装置和终端设备
CN115311569A (zh) * 2022-08-16 2022-11-08 自然资源部国土卫星遥感应用中心 基于遥感影像的推填土变化检测方法、装置和终端设备
CN115577058A (zh) * 2022-09-23 2023-01-06 中国测绘科学研究院 一种兼顾全局与局部最优影响的小图斑竞争分裂方法
CN115984288A (zh) * 2022-11-29 2023-04-18 山东省人工智能研究院 基于关键点检测与非对称测地线生长模型的图像分割方法
CN116258961B (zh) * 2023-01-18 2023-12-01 广州市绿之城园林绿化工程有限公司 一种林业图斑变化快速识别方法及系统
CN116258961A (zh) * 2023-01-18 2023-06-13 广州市绿之城园林绿化工程有限公司 一种林业图斑变化快速识别方法及系统
CN115880285A (zh) * 2023-02-07 2023-03-31 南通南铭电子有限公司 一种铝电解电容器引出线异常识别方法
CN115880303B (zh) * 2023-03-08 2023-06-06 杭州凌像科技有限公司 用于pcb板圆孔的亚像素精度定位检测方法及系统
CN115880303A (zh) * 2023-03-08 2023-03-31 杭州凌像科技有限公司 用于pcb板圆孔的亚像素精度定位检测方法及系统
CN116597389A (zh) * 2023-07-18 2023-08-15 山东省地质测绘院 基于图像处理的地质灾害监测及预警方法
CN116597389B (zh) * 2023-07-18 2023-09-15 山东省地质测绘院 基于图像处理的地质灾害监测及预警方法
CN117274820B (zh) * 2023-11-20 2024-03-08 深圳市天成测绘技术有限公司 一种测绘地理信息地图数据采集方法及系统
CN117274820A (zh) * 2023-11-20 2023-12-22 深圳市天成测绘技术有限公司 一种测绘地理信息地图数据采集方法及系统

Also Published As

Publication number Publication date
CN106846344A (zh) 2017-06-13
CN106846344B (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
WO2018107939A1 (zh) 一种基于边缘完备度的图像分割最优识别方法
CN112419250B (zh) 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN110428432B (zh) 结肠腺体图像自动分割的深度神经网络算法
CN107092871B (zh) 基于多尺度多特征融合的遥感影像建筑物检测方法
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
JP2017521779A (ja) 画像解析を用いた核のエッジの検出
CN108564814A (zh) 一种基于图像的停车场车位检测方法及装置
CN104318051B (zh) 基于规则的大范围水体信息遥感自动提取系统及方法
CN112734761B (zh) 工业品图像边界轮廓提取方法
CN113240623B (zh) 一种路面病害检测方法及装置
CN105844625A (zh) 一种融合边缘和区域的活动轮廓图像分割方法
CN109978848A (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN111353371A (zh) 基于星载sar影像的海岸线提取方法
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
CN109741358B (zh) 基于自适应超图学习的超像素分割方法
CN109543498A (zh) 一种基于多任务网络的车道线检测方法
CN112258536B (zh) 一种胼胝体及小脑蚓部的一体化定位及分割方法
WO2020164042A1 (zh) 基于边界提取的区域合并图像分割算法
CN109410233A (zh) 一种边缘特征约束的高分辨率图像道路精准提取方法
CN105894501B (zh) 一种高分辨率遥感图像单木探测和树冠描绘方法
Gao et al. Intelligent crack damage detection system in shield tunnel using combination of retinanet and optimal adaptive selection
CN116452826A (zh) 基于机器视觉的遮挡情况下煤矸石轮廓估计方法
Aslam et al. An Effective Surface Defect Detection Method Using Adaptive Thresholding Fused With PSO Algorithm.
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17880909

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17880909

Country of ref document: EP

Kind code of ref document: A1