CN103150567B - 整合模式识别与上下文知识的光学遥感图像云判别方法 - Google Patents
整合模式识别与上下文知识的光学遥感图像云判别方法 Download PDFInfo
- Publication number
- CN103150567B CN103150567B CN201310043706.1A CN201310043706A CN103150567B CN 103150567 B CN103150567 B CN 103150567B CN 201310043706 A CN201310043706 A CN 201310043706A CN 103150567 B CN103150567 B CN 103150567B
- Authority
- CN
- China
- Prior art keywords
- tile
- block
- decision value
- piecemeal
- cloud
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种整合模式识别与上下文知识的光学遥感图像云判别方法,能够解决现有技术中只利用某一个分块本身的信息进行模式识别所带来的弊端。首先,采用L×L的正方形在光学遥感图像中进行水平和竖直方向的步进,获得分块称为Tile,每个Tile由4个Block组成。对各个Tile分块进行模式识别,获得Tile索引矩阵;根据Tile索引矩阵确定Block的判决值并进行微调;利用上下文知识,对Block的判决值进行修正;最后利用修正后的Block判决值所标记的云位置,对光学遥感图像进行云剔除。
Description
技术领域
本发明涉及一种光学遥感图像云判别方法,特别涉及一种整合统计模式识别与上下文知识的光学遥感图像云判别方法,属于图像识别技术领域。
背景技术
对于光学遥感图像,我们感兴趣的更多是地面目标,然而在很多情况下是存在云的遮挡的,这样云的部分是没有任何地面信息,却占用了处理***中大量的存储空间处理能力和传输带宽。人工筛选和剔除这些数据通常需要花费大量的时间与精力,如果这些“无效区域”可以通过某种方法找出来,就可以将这部分数据去掉,进而节省数据存储空间和数据处理人员的工作量,特别对卫星上的***,还可以节省下行带宽以传送更重要的数据。
因此,一种行之有效的自动云判技术就变得非常有必要。目前的云判别的方法的主要是利用模式识别的方法进行处理,通常包括对原图的抽样分块、特征提取、分类判决以及云区域剔除。这些方法通常只利用某一个分块本身的信息,一般用来处理分块中只有单一解译对象时效果较好。但当处理云和地物交界地方的分块时,由于其含有两个或两个以上解译对象,使得模式识别的判决效果变差,甚至,变为无效。例如,当一个分块中云和地物分布集中且含量各是一半(上半个分块是云且下半个分块是地物),这个分块本身就是既不是云也不是陆地,所以模式识别的结果就没有什么意义。
发明内容
有鉴于此,本发明提供了一种整合模式识别与上下文知识的光学遥感图像云判别方法,能够解决现有技术中只利用某一个分块本身的信息进行模式识别所带来的弊端。
为了解决上述技术问题,本发明是这样实现的:
一种整合模式识别与上下文知识的光学遥感图像云判别方法,包括:
第一步,对原图进行抽样及分块:读入一幅光学遥感图像并进行抽样和分块;所述分块采用有重叠的分块方式,即采用L×L的正方形在光学遥感图像中进行水平和竖直方向的步进,步进量为L/2,获得多个分块,称为Tile,每四个上下左右相邻相互重叠的Tile分块可以看成是九个不重叠的大小为L/2×L/2的小分块构成,这种小分块称为Block;
第二步,对各个Tile分块进行模式识别:利用模式识别依次对每个Tile分块进行判决,并且将判决值存入Tile索引矩阵,判决值包括属于云的置信度、属于地物的置信度和不确定,这里将判决值不确定赋值为基准B,置信度间隔为D,云的判决值应该是B+mD,对应地物的判决值是B-nD,其中m和n取正整数,云或地物的置信度越高m或n的值就越大;
第三步、确定不同类型对象特征的阈值范围;所述不同类型对象包括不同置信度的云、不确定和不同置信度的地物;
第四步,根据Tile索引矩阵确定Block的判决值并进行微调:
步骤S41)对于每一个Tile分块,分别计算组成该Tile分块的4个Block的灰度均值,基于第三步中得到的阈值范围采用门限判决法对Block进行云判决,判决值采用第二步中所用的形式,即不确定时为B,判为云时B+mD,判为地物时B-nD;
步骤S42)利用Tile分块及其内部4个Block的判决值计算Tile的微调因子Factor:
其中,Sum指Tile中判为云或地物Block判决值之和,n指Tile中判为不确定Block个数,Predict指Tile的判决值;
步骤S43)对于Tile中判决为不确定的Block,将步骤S42)中得到的微调因子与Tile的判决值相加作为该Block的临时判决值;
第五步,每一Block属于多个Tile分块,因此每一Block具有多个临时判决值,根据同一Block的临时判决值综合确定Block的判决值,Block判决值组成Block索引矩阵;利用上下文知识,对Block索引矩阵中的判决值进行修正;
第六步,利用修正后的Block判决值所标记的云位置,对光学遥感图像进行云剔除。
优选地,所述第三步为:利用Tile的模式识别结果确定不同类型对象特征的阈值范围;具体为:
步骤S31)利用Tile索引矩阵,在其中寻找其中判决值相同的Tile,并统计这些Tile中不同对象的特征值;
步骤S32)每种类型对象的特征都被统计到了一起以后,将这些特征的最大值和最小值作为其范围,也就是阈值的上限和下限;
步骤S33)由于不能保证每个场景中都有所有置信度的云和地物,所以对于那些缺少的类型,其阈值采用实验总结出的经验门限或训练得到的门限。
有益效果:
(1)本发明采用重叠分块,在对Tile进行模式识别后,利用识别结果确定Block的判决值,然后利用重叠分块间的上下文关系来辅助判决,从而可以将绝大部分的虚警剔除掉,对性能有较大的提高,能够解决现有技术中只利用某一个分块本身的信息进行模式识别所带来的弊端。
(2)本发明提出微调因子,其设计原理是Tile的判决结果可以等效于该Tile中四个Block判决结果的平均。利用这个微调因子可以将一部分判决不准确的Block利用Tile和Block之间的逻辑关系对其判决值进行修正,从而实现了微调,改善了判决效果。
(3)本发明所用的门限分类的阈值是直接统计当前场景中判决值相等所对应对象的不同特征,并找出这些特征的范围作为阈值。由于这些阈值是对应当前场景所得,故相比经过大量实验总结出的经验门限和通过训练得到的门限具有更强的针对性和适应性。并且所统计的对象分类是由第二步中模式识别所给出的,因此判决效果也非常接近模式识别的结果。
附图说明
图1为本发明整合统计模式识别与上下文知识的光学遥感图像云判别方法的流程图。
图2为图1中第一步之中对整图进行分块的方法示意图。
具体实施方式
解决背景技术所提出问题的一个方法就是有重叠的分块,这样不同位置的分块增多,同一片云在一个分块中无法识别,在其重叠的其他分块中或许就可以准确识别。于是,又引入了另一个问题:当重叠部分所在的不同分块的判决结果不相同的话,应该选取哪个作为其识别结果。这时就要用到一幅整图上重叠分块间的上下文关系来辅助判决,从而可以将绝大部分的虚警剔除掉,对性能有较大的提高。为此本发明提供了一种基于重叠分块的整合统计模式识别与上下文知识的光学遥感图像云判别方法。
下面结合附图并举实施例,对本发明进行详细描述。
图1示出了本发明提供的整合统计模式识别与上下文知识的光学遥感图像云判别方法流程图。如图1所示,本发明提供的整合统计模式识别与上下文知识的光学遥感图像云判别方法包括按顺序进行的下列步骤:
第一步、对原图进行抽样及分块:
读入一幅光学遥感图像后,为了适应算法处理的分辨率要求,首先,需要对原图进行抽样,抽样采用的比率根据原图分辨率和算法要求的分辨率来确定。接着,对抽样后整图进行分块,具体是采用有重叠的分块方式。
如图2所示,在第一步阶段中有重叠的分块方式既可以有效的改善模式识别模糊的情况,又可以增加分块之间的相关性,这种相关性也是上下文的一方面来源,具体做法是:首先,根据整图选取要进行模式识别处理的分块尺寸大小为L×L,令其为Tile,同时令水平和竖直的步进为L/2。然后,从左往右按该步进量对每一行进行分块,最后,以这种行的分块方式从上到下再按照该步进移动完成对全图的分块。于是可以得出,相邻相互重叠的四个Tile分块(类似田字分布),也可以看成是九个不重叠的大小为L/2×L/2的小分块构成,令这种小分块为Block。Block是重叠的最小单元,每一个Tile可以分成4个Block,大部分的Block都被周围4个不同Tile所包含。
第二步、对各个Tile分块进行模式识别:
按照上一步的分块规则,利用模式识别依次对每个分块Tile进行判决,其中模式识别一般需要特征提取、学习和识别这三步。并且将各个Tile的判决值按照其在整图中的空间位置关系进行排列后形成一个矩阵,称之为Tile的判决索引矩阵,简称Tile索引矩阵。Tile索引矩阵中的元素对应Tile分块。Tile的判决值包括属于云的置信度、属于地物的置信度和不确定,这里将判决值不确定赋值为基准B,置信度间隔为D,云的置信度每增高一次对应的判决值就在B的基础上加一个D,而地物的置信度每增高一次对应的判决值就在B的基础上减去一个D。故云的判决值应该是B+mD,对应地物的判决值是B-nD,其中m和n取正整数。
第三步、利用Tile的模式识别结果确定不同类型对象特征的阈值范围。
所述不同类型对象包括不同置信度的云、不确定和不同置信度的地物。
当利用门限法进行分类时,其中各个阈值不是经过大量实验总结出的经验值,就是通过对已标记对象进行训练得到的。虽然后者相对前者更加客观一点,但毕竟标记的对象是有限的,对当前处理的对象所处的场景也不可能有很好的适应性。本实施例中,直接统计判决值相等所对应对象的不同特征,并找到这些特征的范围作为阈值。由于这些阈值是对应当前场景所得,故具有很强的针对性和适应性。并且所统计的对象分类是由第二步中模式识别所给出的,因此判决效果也非常接近模式识别的结果。
所述确定不同类型对象特征的阈值范围包括按顺序进行的下列步骤:
步骤S31)分别统计不同类型对象的特征:利用Tile的索引矩阵,在其中寻找其中判决值相同的Tile,并统计这些Tile的不同特征值。Tile的特征值可以是在这里提取,例如提取Tile的亮度和云的覆盖率作为特征,也可以利用第二步中所提取过的特征。
步骤S32)确定各个特征的范围:经过步骤S31,每种类型的对象的不同特征都应该被统计到了一起,这里可以简单地将这些特征的最大值和最小值作为其范围,也就是阈值的上限和下限。
步骤S33)补充缺少的阈值:由于不能保证每个场景中都有所有置信度的云和地物,所以对于那些缺少的类型的阈值,可以利用实验总结出的经验门限或训练得到的门限作为补充,本过程到此结束。
第四步、根据Tile索引矩阵确定Block的判决值并进行微调:
由于地物种类繁多,每种地貌都有不同的形态,而云的形状各异,这就造成了判决是有一定的误差,故上下文修正之前进行微调是十分有必要的。
所述对模式识别结果进行微调的方法包括按顺序进行的下列步骤:
步骤S41)利用灰度进行微调预处理:根据第一步中所述,每一个分块Tile是由4个重叠的最小单元Block组成的。由于灰度均值可以大致反映出分块的情况,这里对于每一个Tile分块,分别计算组成该Tile分块的4个Block的灰度均值,基于第三步中得到的阈值采用门限判决法对Block进行简单的云判决,判决值采用第二步中所用的形式,即不确定时为B,判为云时B+mD,判为地物时B-nD,而且云或地物的置信度越高m或n的值就越大。由于不能保证第三步中相邻置信度类型的阈值区间可以连在一起(较大区间的最小值大于较小区间的最大值),其结果可能造成某些Block不属于上面的任意类型,对于这种情况可将把它归为不确定,赋值为B。
步骤S42)计算Tile的微调因子:利用Tile及其内部4个Block中确定的判决结果计算Tile的微调因子,公式如下:
其中,Sum指Tile中判为云或地物Block判决值之和,n指Tile中判为不确定Block个数,Predict指Tile的判决值,即得到了微调因子;
设计微调因子所用到原理是Tile的判决结果可以等效于该Tile中四个Block判决结果的平均。因为一个Tile和其包含的4个Block之和本身就是完全等价的,而上述各种不同置信度判决值就是用来表示和云的类似情况,也就是云在对象中所占比例的多少,所以Tile含云的比例等于Block的含云比例的平均值。
当其中的Block不确定的时候,就可以把它看成是未知数Predict-Factor,这里的Factor是Predict的偏离量。令Sum等于Tile中判为云或地物Block判决值之和,令Predict为Tile的判决值,n指Tile中判为不确定Block个数,根据上面关系得:
解以Factor为未知量的方程,就可得:
通过上面分析可知,利用微调因子可以将一部分判决不准确的Block利用Tile和Block之间的逻辑关系对其判决值进行修正,从而实现了微调,改善了判决效果。
步骤S43)利用微调因子进行微调:对于Tile中判决为不确定的Block,将上一步中得到的微调因子值与Tile的判决值相加作为该Block的临时判决值,本过程到此结束。
第五步、利用上下文对Block进行上下文修正:
每一Block属于多个Tile分块,因此每一Block具有多个临时判决值,根据同一Block的临时判决值综合确定Block的判决值,Block判决值组成Block索引矩阵。利用上下文知识,对Block索引矩阵中的判决值进行修正。
其中,根据同一Block的临时判决值综合确定Block的判决值可以采用平均的方法。利用上下文知识对Block索引矩阵进行修正可以采用现有任何一种上下文修正方法,例如可以利用(Markovrandomfield)马尔科夫随机场的方法:首先,对一些典型场景中的对象进行标记;然后,利用场景中一个标记对象和其周围相邻的对象的一些同现关系建立概率模型;最后,这个概率模型就可以对Block的判决值索引矩阵中判决不确定的对象进行修正了。
第六步、利用修正后的结果进行云剔除:
利用修正后的Block判决值所标记的云位置,对光学遥感图像进行云剔除,即在对应Block位置的原图中所有的像素置零,到此整个过程都结束。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种整合模式识别与上下文知识的光学遥感图像云判别方法,其特征在于,包括:
第一步,对原图进行抽样及分块:读入一幅光学遥感图像并进行抽样和分块;所述分块采用有重叠的分块方式,即采用L×L的正方形在光学遥感图像中进行水平和竖直方向的步进,步进量为L/2,获得多个分块,称为Tile,每四个上下左右相邻相互重叠的Tile分块可以看成是九个不重叠的大小为L/2×L/2的小分块构成,这种小分块称为Block;
第二步,对各个Tile分块进行模式识别:利用模式识别依次对每个Tile分块进行判决,并且将判决值存入Tile索引矩阵,判决值包括属于云的置信度、属于地物的置信度和不确定,这里将判决值不确定赋值为基准B,置信度间隔为D,云的判决值应该是B+mD,对应地物的判决值是B-nD,其中m和n取正整数,云或地物的置信度越高m或n的值就越大;
其中,将各个Tile的判决值按照其在整图中的空间位置关系进行排列后形成一个矩阵,称之为Tile的判决索引矩阵,简称Tile索引矩阵;
第三步、利用Tile的模式识别结果确定不同类型对象特征的阈值范围;所述不同类型对象包括不同置信度的云、不确定和不同置信度的地物;
步骤S31)利用Tile索引矩阵,在其中寻找其中判决值相同的Tile,并统计这些Tile中不同对象的特征值;
步骤S32)每种类型对象的特征都被统计到了一起以后,将这些特征的最大值和最小值作为其范围,也就是阈值的上限和下限;
步骤S33)由于不能保证每个场景中都有所有置信度的云和地物,所以对于那些缺少的类型,其阈值采用实验总结出的经验门限或训练得到的门限;
第四步,根据Tile索引矩阵确定Block的判决值并进行微调:
步骤S41)对于每一个Tile分块,分别计算组成该Tile分块的4个Block的灰度均值,基于第三步中得到的阈值范围采用门限判决法对Block进行云判决,判决值采用第二步中所用的形式,即不确定时为B,判为云时B+mD,判为地物时B-nD;
步骤S42)利用Tile分块及其内部4个Block的判决值计算Tile的微调因子Factor:
其中,Sum指Tile中判为云或地物Block判决值之和,n指Tile中判为不确定Block个数,Predict指Tile的判决值;
步骤S43)对于Tile中判决为不确定的Block,将步骤S42)中得到的微调因子与Tile的判决值相加作为该Block的临时判决值;
第五步,每一Block属于多个Tile分块,因此每一Block具有多个临时判决值,根据同一Block的临时判决值综合确定Block的判决值,Block判决值组成Block索引矩阵;利用上下文知识,对Block索引矩阵中的判决值进行修正;
第六步,利用修正后的Block判决值所标记的云位置,对光学遥感图像进行云剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310043706.1A CN103150567B (zh) | 2013-02-04 | 2013-02-04 | 整合模式识别与上下文知识的光学遥感图像云判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310043706.1A CN103150567B (zh) | 2013-02-04 | 2013-02-04 | 整合模式识别与上下文知识的光学遥感图像云判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103150567A CN103150567A (zh) | 2013-06-12 |
CN103150567B true CN103150567B (zh) | 2016-01-20 |
Family
ID=48548630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310043706.1A Active CN103150567B (zh) | 2013-02-04 | 2013-02-04 | 整合模式识别与上下文知识的光学遥感图像云判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103150567B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101694309B1 (ko) * | 2013-10-02 | 2017-01-09 | 한국전자통신연구원 | 서브영역 기반의 객체 인식 방법 및 그 장치 |
CN105913033B (zh) * | 2016-04-15 | 2019-05-14 | 北京航空航天大学 | 遥感图像中多层云和单层云类型综合分类与识别的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246545A (zh) * | 2008-02-22 | 2008-08-20 | 华南师范大学 | 一种光学遥感图像去云的泊松方法 |
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
CN102750701A (zh) * | 2012-06-15 | 2012-10-24 | 西安电子科技大学 | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008051207A2 (en) * | 2005-10-21 | 2008-05-02 | Carnegie Institution Of Washington | Remote sensing analysis of forest disturbances |
-
2013
- 2013-02-04 CN CN201310043706.1A patent/CN103150567B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246545A (zh) * | 2008-02-22 | 2008-08-20 | 华南师范大学 | 一种光学遥感图像去云的泊松方法 |
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
CN102750701A (zh) * | 2012-06-15 | 2012-10-24 | 西安电子科技大学 | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 |
Non-Patent Citations (1)
Title |
---|
遥感图像的实时云判技术;闫宇松 等;《北京理工大学学报》;20100715;第30卷(第7期);817-821 * |
Also Published As
Publication number | Publication date |
---|---|
CN103150567A (zh) | 2013-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271991B (zh) | 一种基于深度学习的车牌检测方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN103258213B (zh) | 一种用于智能交通***中的动态车辆车型识别方法 | |
CN103366367B (zh) | 基于像素数聚类的模糊c-均值灰度图像分割方法 | |
CN106022232A (zh) | 基于深度学习的车牌检测方法 | |
CN115797798B (zh) | 基于废弃矿山遥感图像的生态修复效果评估方法 | |
CN111695466B (zh) | 一种基于特征mixup的半监督极化SAR地物分类方法 | |
CN103034863A (zh) | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 | |
CN103366365B (zh) | 基于人工免疫多目标聚类的sar图像变化检测方法 | |
CN102236788A (zh) | 电力电能表图像自动识别方法 | |
CN110838126A (zh) | 细胞图像分割方法、装置、计算机设备和存储介质 | |
CN105930794A (zh) | 一种基于云计算的室内场景识别方法 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及*** | |
CN106682087A (zh) | 一种基于车载装饰品特征稀疏编码的车辆检索方法 | |
CN114255403A (zh) | 基于深度学习的光学遥感图像数据处理方法及*** | |
CN104680193A (zh) | 基于快速相似性网络融合算法的在线目标分类方法与*** | |
Yang et al. | Toward country scale building detection with convolutional neural network using aerial images | |
Han et al. | Vision-based crack detection of asphalt pavement using deep convolutional neural network | |
CN115861738A (zh) | 一种类别语义信息引导的遥感目标检测主动采样方法 | |
CN116721414A (zh) | 一种医学图像细胞分割与跟踪方法 | |
CN102938069A (zh) | 一种基于信息熵的纯净和混合像元自动划分方法 | |
CN115620090A (zh) | 模型训练方法、低照度目标重识别方法和装置、终端设备 | |
CN103150567B (zh) | 整合模式识别与上下文知识的光学遥感图像云判别方法 | |
CN113177554B (zh) | 甲状腺结节识别与分割方法、***、存储介质及设备 | |
Zhou et al. | SWDet: Anchor-based object detector for solid waste detection in aerial images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Long Teng Inventor after: Yang Zhu Inventor after: Liu Feng Inventor after: Pang Fengjian Inventor after: Bi Fukun Inventor after: Chen Liang Inventor before: Long Teng Inventor before: Liu Feng Inventor before: Pang Fengjian Inventor before: Bi Fukun Inventor before: Chen Liang |
|
CB03 | Change of inventor or designer information |