CN107688782A - 基于高分辨率光学遥感图像的油罐检测和储量分析方法 - Google Patents
基于高分辨率光学遥感图像的油罐检测和储量分析方法 Download PDFInfo
- Publication number
- CN107688782A CN107688782A CN201710727161.4A CN201710727161A CN107688782A CN 107688782 A CN107688782 A CN 107688782A CN 201710727161 A CN201710727161 A CN 201710727161A CN 107688782 A CN107688782 A CN 107688782A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- tank
- circle
- oil tank
- 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.)
- Pending
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于高分辨率光学遥感图像的油罐检测和储量分析方法,属于光学遥感图像处理与分析技术领域,包括以下步骤:首先,使用改进的ELSD(Ellipse and Line Segment Detector)和K‑means聚类算法,提取候选油罐目标;然后,将候选目标输入训练好的DCNN(Deep Convolutional Neural Network)模型,得到精确检测结果,并实现对平顶罐和拱顶罐的分类;最后,利用油罐检测结果和平顶罐周围阴影的对称特征,计算平顶罐的储备率并对其进行储量分析;此外,基于拍摄角度引起的视觉偏移,以人工方式计算储备数据,与实验数据相互验证。本发明可以快速精确检测石油储备库区油罐并对平顶罐进行储量分析,对掌握国家的经济实力、战略决策、执行动向等信息具有重要的意义。
Description
技术领域
本发明属于光学遥感图像处理与分析技术领域,具体涉及一种基于高分辨率光学遥感图像的油罐检测和储量分析方法。
背景技术
随着遥感卫星相关技术的发展与进步,卫星图像的分辨率、拍摄频率都越来越高,为图像解译工作提供了更多、更可靠的数据支持。在遥感地物目标检测领域,研究较多的目标有飞机、轮船、机场、油库、建筑区等。储油罐作为战略石油储备不可或缺的设施,在安全监测、灾害预防、情报分析等领域拥有不可忽视的地位。石油库区油罐信息的提取与分析对掌握国家的经济实力、战略决策、执行动向等信息具有重要的意义。
传统的油罐检测方法以人工特征为主,同时也逐渐从传统方法向深度学习方法过渡。有方法[1]提出了将改进的Canny边缘检测、Hough变换和快速模板匹配算法应用于采用Brovey变换融合方法处理的图像,达到85%的准确率;有方法[2]提出基于合成孔径雷达图像中准圆阴影和高亮弧的油罐检测方法;有方法[3,4]提出了基于对称特征的检测算法,可以有效缓解快速径向对称变换(FRST)[5]的部分缺点;有方法[6]提出了基于改进的Hough变换方法,定向和加权Hough投票算法;有方法[7]提出了较为***化的处理流程:首先使用EMHC显著性模型检测出潜在目标区域,形成显著性图谱;然后在显著性图谱上使用Hough变换检测出圆形目标;最后使用SVM算法验证这些圆形目标是否属于储罐;也有方法[8]提出的处理流程更加成熟,主要分为三步:候选集选择、特征提取和分类验证。该方法使用了更加快速、高效的ELSD(Ellipse and Line Segment Detector)算法,并对其做出一定的改进。
已有方法存在以下几个问题:大多基于Hough变换及其相关算法,具有参数设置困难、对半径敏感、仅适用于对比度清晰且轮廓完整的图像等缺点;未考虑阴影、纹理等因素对定位准确性的干扰;仅关注检测问题本身,未进行更加深入的分析。
以下为所述的相关文献:
[1]W.Zhang,H.Zhang,C.Wang and T.Wu.Automatic oil tank detectionalgorithm based on remote sensing image fusion[C].Proceedings of IEEE IGARSS,2005,6(1):3956–3958.
[2]Xu H,Chen W,Sun B,et al.Oil tank detection in synthetic apertureradar images based on quasi-circular shadow and highlighting arcs[J].Journalof Applied Remote Sensing,2014,8(1):397–398.
[3]Ok A O,E.Circular oil tank detection from panchromaticsatellite images:a new automated approach[J].IEEE Geoscience and RemoteSensing Letters,2015,12(6):1347-1351.
[4]Ok A O,Baseski E.Automated detection of oil depots from highresolution images:A new perspective[J].ISPRS Annals of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2015,2(3):149-156.
[5]Loy G,Zelinsky A.Fast radial symmetry for detecting points ofinterest[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2003,25(8):959-973.
[6]Zhao W,Yang H,Shen Z,et al.Oil tanks extraction from highresolution imagery using a directional and weighted hough voting method[J].Journal of the Indian Society of Remote Sensing,2015,43(3):539-549.
[7]Cai X,Sui H,Ruipeng L V,et al.Automatic circular oil tankdetection in high-resolution optical image based on visual saliency and Houghtransform[C].Electronics,Computer and Applications,2014 IEEE Workshopon.IEEE,2014:408-411.
[8]Zhang L,Shi Z,Wu J.A hierarchical oil tank detector with deepsurrounding features for high-resolution optical satellite imagery[J].IEEEJournal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(10):4895-4909.
发明内容
本发明技术解决问题:针对现有技术存在的不足,提出一种基于高分辨率光学遥感图像的油罐检测和储量分析方法,实现对石油储备库区油罐的自动检测和准确分类;基于油罐检测结果和平顶罐周围阴影的对称特征,计算平顶罐的储备率并对该类油罐进行储量分析;基于拍摄角度引起的视觉偏移,以人工方式计算储备数据,与实验数据相互验证。
本发明的技术解决方案:一种基于高分辨率光学遥感图像的油罐检测和储量分析方法,其特征在于,包括以下步骤:
步骤1:采集并标注含油罐目标的光学遥感图像数据,将数据分为训练集、验证集和测试集;
步骤2:基于改进的ELSD(Ellipse and Line Segment Detector)算法,对步骤1得到的训练集、验证集和测试集分别提取候选目标;
步骤3:使用步骤2得到的训练集、验证集候选目标训练并优化DCNN(DeepConvolutional Neural Network)模型,将步骤2得到的测试集候选目标输入已训练的DCNN模型,输出目标分类结果,所述目标分类结果包括平顶罐、拱顶罐和背景三类;
步骤4:利用平顶罐周围阴影的对称特征,基于点对比较的阴影对称分析方法,提取平顶罐周围阴影区域的最优对称轴线;
步骤5:根据阴影厚度和步骤4得到的对称轴线,计算得到平顶罐的储备率;
步骤6:真实储备数据难以获取,基于拍摄角度引起的视觉偏移,以人工方式计算储备数据,与实际数据相互验证。
作为优选,步骤2的具体实现包括以下子步骤:
步骤2.1:验证两个非连续的圆弧是否属于同一个圆环,即确定圆弧的隶属关系,由以下三个公式给出:
Cenr、Cenc分别表示某个圆弧的圆心的行、列坐标,r表示圆弧的半径,下标a、b表示两个不同的圆弧,θ、σ为小的常量,表示特定的阈值,公式(2)用于确认两个圆弧是否具有同样的圆心;公式(3)用于确认两个圆弧是否具有相同的半径;
步骤2.2:计算检测出的对应于同一圆环的所有圆弧片段的像素数目占该圆环应有像素数目的比例;
lcircle表示某一圆环上的所有像素点数,kx(circle)表示相应圆环上检测出的圆弧的总像素点数,Rcircle的取值介于0到1之间,且其值越接近于1,相应区域越有可能是目标;设定某阈值R0,得到过滤后的候选区域。
步骤2.3:根据Jaccard相似度将步骤2.2得到的候选区域进行分组,相当于空间聚类,每一个分组即对应于唯一的目标;
area代表某一个检测出的圆的面积,下标c、d表示步骤2.2得到的不同的候选区域,在计算时为了简单,直接用圆形的外接正方形的面积表示;
步骤2.4:针对每一个分组,再依据空间距离进行二类聚类,为每一个目标确定最终唯一的候选区域,至此提取得到候选目标。
每个聚类用其对应的所有候选区域的平均圆心坐标和半径表示,即形式为(Cenr,Cenc,r)的三元组。如果两个聚类的三元组满足公式(2),却不满足公式(3),说明两个聚类圆心一致,半径不一致,则半径较大的聚类的三元组将作为相应目标的空间信息;因为这种情况下,具有较短半径的聚类很可能是由平顶罐顶部上的内部圆环轮廓产生的,半径较小的聚类应被舍弃;此外,即圆心不一致,则候选区域数量较小的聚类很可能是由阴影产生的,此时基数较大的聚类的三元组将作为相应目标的空间信息。
作为优选,步骤4的具体实现包括以下子步骤:
步骤4.1:将罐体横截面的圆心设为固定点,遍历圆弧上的所有点,每个圆弧上的点和圆心都唯一确定一条直线;
步骤4.2:利用平顶罐周围阴影的对称特征,对于圆内的每个点,验证该点关于步骤4.1所得直线的对称点的像素值是否和该点像素值一致;
步骤4.3:对于每一条直线,统计圆内关于该直线的不一致点对数的数目;
步骤4.4:根据步骤4.3,得到不一致点对数的最少的直线,作为最终的对称轴线输出。
作为优选,步骤5的具体实现包括以下子步骤:
步骤5.1:如图5所示,找到步骤4中得到的对称轴线与圆弧的交点坐标,并计算两个交点之间的对称轴线上的阴影像素点数目,作为该部分阴影厚度lin;
步骤5.2:根据步骤5.1中阴影的偏移方向确定光线的入射方向,并根据入射方向确定罐体外部阴影的位置,计算背光侧阴影部分与对称轴相交的阴影厚度lout;
步骤5.3:根据平行投影原理和三角形相似定理,步骤5.1和步骤5.2两部分阴影厚度的比例等于油罐的空置率从而得到油罐的储备率其中h1和h2分别表示罐顶相对于地面和平顶的高度差。
作为优选,步骤6的具体实现包括以下子步骤:
步骤6.1:如图6所示,由于拍摄角度的存在,罐体顶部的边缘、浮顶的边缘和罐体底部的边缘在二维平面上错开,人工度量得到图7中对应的阴影厚度d1、d2;
步骤6.2:根据三角形相似定理,步骤6.1中的阴影厚度d1、d2的比例等于油罐的空置率得到另一份储备率数据作为实验结果真值,用于进行实验评估与比较;
步骤6.3:实验结果与步骤6.2计算得到的真值做比较时,使用均方根误差作为评价标准,误差越小,表示实验结果越可靠。
rreserve表示实验结果,rground表示人工计算结果,m表示样本数量,err表示均方根误差,代表数据之间的相似程度。
本发明与现有技术相比的优点和积极效果如下:
(1)对原有虚警过滤方法进行了改进,将原来基于像素点数目依附率的方法改为基于圆弧弧度占比的方法,解决了原有方法对圆弧厚度敏感的问题;利用空间聚类的方法,过滤阴影和纹理产生的圆弧,提高了目标定位的准确性;基于自标注数据训练和优化DCNN模型,而非作为特征提取器直接使用,增强了模型的适用性;在油罐检测基础上细化了分类,实现了对平顶罐和拱顶罐的分类,便于后续进一步的储量分析。本发明所述的油罐检测算法可以自动快速提取油罐目标,其检测和分类性能都优于现有方法。
(2)基于油罐检测结果和阴影对称分析理论,计算得到平顶罐的储备率,并对该类油罐进行探索式的储量分析。本发明所述的储量分析方法对油罐类研究进行了深入的探索,所得储备率具有较高的准确性。
(3)基于拍摄角度引起的视觉偏移,以人工方式计算储备数据,与实验数据相互验证,解决了在真实数据难以获取情况下的模型评估问题。
附图说明
图1为本发明的实现流程图;
图2为基于ELSD的候选目标提取流程图;
图3为DCNN网络结构图;
图4为平顶罐阴影对称轴线分析图,其中(a)为原始图像,(b)为提取的阴影,(c)为阴影对称轴;
图5为平顶罐阴影形成示例图;
图6为拍摄角度引起的视觉偏移示意图;
图7为拍摄角度引起的视角偏移原理图。
具体实施方式
下面结合实施例和说明书附图,对本发明的具体实施方式做详细描述。此处所描述的实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,本发明提出的基于高分辨率光学遥感图像的油罐检测和储量分析方法,包括以下步骤:首先,使用改进的ELSD(Ellipse and Line Segment Detector)和K-means聚类算法,提取候选油罐目标;然后,将候选目标输入训练好的DCNN(DeepConvolutional Neural Network)模型,得到精确检测结果,并实现对平顶罐和拱顶罐的分类;最后,利用油罐检测结果和平顶罐周围阴影的对称特征,计算平顶罐的储备率并对其进行储量分析;此外,基于拍摄角度引起的视觉偏移,以人工方式计算储备数据,与实验数据相互验证。本发明可以快速精确检测石油储备库区油罐并对平顶罐进行储量分析,对掌握国家的经济实力、战略决策、执行动向等信息具有重要的意义。
下面详细说明。
步骤1:采集并标注含油罐目标的光学遥感图像数据,将数据分为训练集、验证集和测试集;
具体实施时,训练数据应覆盖尽可能多的情况,以保证训练集的完备性。
步骤2:基于改进的ELSD算法,提取候选油罐目标;
所述的ELSD算法是指一个无参的线段和椭圆弧的联合探测器。它遵循三步式方案:通过启发式的搜索确定特征候选集;基于对比方法对得到的候选集进行验证,去除不可能是线段或圆弧的候选项;基于给定的多个特征族,通过模型选择选出最优的几何解释。改进后的方法是在原算法基础上再增加一步验证,充分提高计算性能。
步骤3:训练并优化DCNN模型,将待测候选目标输入已训练网络,输出目标分类结果,包括平顶罐、拱顶罐和背景三类;
所述的DCNN模型包括三个卷积层(Convolutional layer)、三个池化层(Poolinglayer)、一个全连接层(Inner product layer)和一个softmax(Softmax layer)层,它们之间的连接关系如图3所示。池化层包括一个最大池化层(Max pooling layer)和两个平均池化层(Average pooling layer)。最大池化可以有效地降低计算复杂度;而平均池化可以保留更多的局部信息,减少信息丢失。
步骤4:利用平顶罐周围阴影的对称特征,基于点对比较的阴影对称分析方法,提取阴影区域的最优对称轴线;
所述的阴影对称分析方法主要依赖于两条推理:(1)圆柱形物体形成的阴影一定是轴对称的,且其对称轴线一定会穿过该圆形横截面的圆心;(2)在二维空间中,两个不同的点可以唯一地确定一条直线。
步骤5:根据步骤4得到的对称轴线和阴影厚度,计算得到平顶罐的储备率;
步骤6:由于真实储备数据难以获取,基于拍摄角度引起的视觉偏移,以人工方式计算储备数据,与实际数据相互验证。
所述的视觉偏移是指由于拍摄角度的存在,罐体顶部的边缘、浮顶的边缘和罐体底部的边缘会在二维平面上错开。
上述各模块的具体实现过程如下:
1.基于改进的ELSD算法的候选目标提取
实现过程如图2所示,分为以下4个子步骤:
1)验证两个非连续的圆弧是否属于同一个圆环,即确定圆弧的隶属关系。主要通过以下三个公式完成:
这里Cenr、Cenc分别表示某个圆弧的圆心的行、列坐标,r表示圆弧的半径。下标a、b表示两个不同的圆弧。θ、σ为小的常量,表示特定的阈值。公式(2)用于确认两个圆弧是否具有同样的圆心;公式(3)用于确认两个圆弧是否具有相同的半径。
2)计算检测出的对应于同一圆环的所有圆弧片段的像素数目占该圆环应有像素数目的比例Rcircle,如公式(4)所示:
这里lcircle表示某一圆环上的所有像素点数,kx(circle)表示相应圆环上检测出的圆弧的总像素点数。可以得到,Rcircle的取值介于0到1之间,且其值越接近于1,相应区域越有可能是目标。设定阈值R0,若所求Rcircle大于R0,则保留该候选区域,否则删除该候选区域。
3)根据Jaccard相似度将候选区域进行分组,相当于空间聚类,每一个分组即对应于唯一的目标。
这里area代表某一个检测出的圆的面积,下标c、d表示不同的候选区域,在计算时为了简单,直接用圆形的外接正方形的面积表示。
4)针对每一个分组,再依据空间距离进行二类聚类,目的是为每一个目标确定最终唯一的候选区域。本发明选用K-means聚类算法。
每个聚类用其对应的所有候选区域的平均圆心坐标和半径表示,即形式为(Cenr,Cenc,r)的三元组。如果两个聚类的三元组满足公式(2),却不满足公式(3),说明两个聚类圆心一致,半径不一致,则半径较大的聚类的三元组将作为相应目标的空间信息。因为这种情况下,具有较短半径的聚类很可能是由平顶罐顶部上的内部圆环轮廓产生的,半径较小的聚类应被舍弃。除此以外,即圆心不一致,则候选区域数量较小的聚类很可能是由阴影产生的。此时基数较大的聚类的三元组将作为相应目标的空间信息。
2.训练并优化DCNN模型
本发明所使用的DCNN网络结构如图3所示,该网络包含三个卷积层(Convolutional layer)、三个池化层(Pooling layer)、一个全连接层(Inner productlayer)和一个softmax层,其中池化层包括最大池化层(Max pooling layer)和平均池化层(Average pooling layer)。实施例中DCNN在Caffe开源深度学习框架上实现。激活函数使用修正线性单元(Rectified Linear Units,ReLU),是一种非线性激活函数。网络权值(Weights)采用方差为0.01、均值为0的高斯分布初始化;偏倚(Bias)直接初始化为0;学习率(Learning rate)初始化为0.001,之后随着迭代轮数的增加逐步衰减。
3.基于点对比较的阴影对称分析方法
实现过程如图4所示,分为以下4个子步骤:
1)将罐体横截面的圆心设为固定点,遍历圆弧上的所有点,每个圆弧上的点和圆心都唯一确定一条直线;
以下两个公式用于验证一个点是否在圆弧上:
这里,Cen和P分别表示圆心和圆弧上的任意一点,r表示圆弧的半径。下标表示一个点的行、列坐标。θ是一个小的常量,表示设定阈值,本发明取0.1,可以控制圆弧的厚度。公式(6)用于计算点Cen和P之间的距离;公式(7)用于验证点P是否在圆心Cen和半径r定义的圆弧上。
2)对于圆内的每个点,验证其关于1)所得直线的对称点的像素值是否和其一致;
验证点Q在Cen和r定义的圆内,公式如下:
这里Cen和r的定义与上面相同,Q表示图像内的任意一点。σ是一个小的常量,表示设定阈值,本发明取1.1。
以下几个公式用于计算某点关于一条直线的对称点。直线方程以公式(9)的标准形式表示。
Ax+By+C=0 (9)
x1=x0-2×A×T (11)
y1=y0-2×B×T (12)
这里A、B、C表示直线方程的系数。(x0,y0)表示圆内的任意一点;(x1,y1)表示(x0,y0)关于该直线的对称点。
3)对于每一条直线,统计圆内关于该直线的不一致点对的数目;
4)根据3),得到不一致点对数最少的直线,作为最终的对称轴线输出。
这里Pfinal表示最终计算出的对称轴与圆弧相交的两个点中的一个,它与圆心唯一的确定了该对称轴线。Pi表示圆内的一点,Pi′表示Pi关于对称轴的对称点。Pi=Pi′表示两个点都是阴影或都不是。公式(13)找出不一致点对数最少的直线与圆弧的一个交点;公式(14)是表示取值条件的指示函数,用于构造统计量。
4.基于阴影厚度的储备率计算方法
如图5所示,平顶罐在顶部浮动时,会形成两部分阴影。在圆弧内侧的阴影是由罐体侧壁和平顶的高度差形成的;在圆弧外侧的阴影是由罐体侧壁和地面的高度差形成的。它们分别对应于图5中的lin和lout。分为以下3个子步骤:
1)找到对称轴与圆弧的交点坐标,并计算两个交点之间的对称轴线上的阴影像素点数目,作为该部分阴影厚度lin;
2)根据1)中阴影的偏移方向确定光线的入射方向,并根据入射方向确定罐体外部阴影的位置,计算背光侧阴影部分与对称轴相交的长度lout;
3)根据平行投影原理和三角形相似定理,1)和2)两部分阴影厚度的比例等于油罐的空置率相应得到油罐的储备率
空置率计算公式如下:
储备率计算公式如下:
这里rreserve表示油罐的储备率,lin和lout分别表示罐体横截面内侧和外侧的阴影部分与对称轴相交的长度。h1和h2分别表示罐顶边缘相对于地平面和平顶的高度差,如图5中深色区域所示。
5.基于视觉偏移的真值估计方法
由于拍摄角度的存在,罐体顶部的边缘、浮顶的边缘和罐体底部的边缘会在二维平面上错开。如图6所示,灰线标出的三部分圆环的圆心在拍摄方向上沿直线发生了偏移。图7表示了这种现象形成的原因。从正上方角度上看,三部分的圆心本应该是重叠在一条垂直线上的。但当拍摄角度偏向一边时,上面的两层在视觉上发生了偏移。沿拍摄角度的直线方向,相对底层,顶层偏移了d1的距离;相对中间层,顶层偏移了d2的距离。同时,顶层相对于底层的高度差是h1,相对于中间层的高度差是h2。图7中“视角”旁边的箭头即为视角方向。
1)如图7所示,人工度量得到对应阴影厚度d1、d2;
2)根据三角形相似定理,它们满足公式(17)的比例关系,得到空置率再代入公式(16),得到另一份储备率数据作为实验结果真值,用于进行实验评估与比较;
3)实验结果与2)计算得到的真值做比较,使用均方根误差作为评价标准,误差越小,表示实验结果越可靠。
这里rreserve表示实验结果,rground表示人工计算结果,m表示样本数量。err表示均方根误差,代表数据之间的相似程度。
本发明未详细阐述部分属于本领域公知技术。
以上所述,仅为本发明部分具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域的人员在本发明揭露的技术范围内,可理解想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.基于高分辨率光学遥感图像的油罐检测和储量分析方法,其特征在于,包括以下步骤:
步骤1:采集并标注含油罐目标的光学遥感图像数据,将数据分为训练集、验证集和测试集;
步骤2:基于改进的ELSD(Ellipse and Line Segment Detector)算法,对步骤1得到的训练集、验证集和测试集分别提取训练集、验证集和测试集候选目标;
步骤3:使用步骤2得到的训练集、验证集候选目标训练并优化DCNN(DeepConvolutional Neural Network)模型,将步骤2得到的测试集候选目标输入已训练的DCNN模型,输出目标分类结果,所述目标分类结果包括平顶罐、拱顶罐和背景三类;
步骤4:利用平顶罐周围阴影的对称特征,基于点对比较的阴影对称分析方法,提取平顶罐周围阴影区域的最优对称轴线;
步骤5:根据阴影厚度和步骤4得到的对称轴线,计算得到平顶罐的储备率;
步骤6:真实储备数据难以获取,基于拍摄角度引起的视觉偏移,以人工方式计算储备数据,与实际数据相互验证。
2.根据权利要求1所述的基于高分辨率光学遥感图像的油罐检测和储量分析方法,其特征在于:所述步骤2的具体实现包括以下子步骤:
步骤2.1:验证两个非连续的圆弧是否属于同一个圆环,即确定圆弧的隶属关系,由以下三个公式给出:
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Cenr</mi>
<mi>a</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Cenr</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Cenc</mi>
<mi>a</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Cenc</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mfrac>
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>a</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&le;</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mfrac>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>a</mi>
</msub>
<mo>-</mo>
<msub>
<mi>r</mi>
<mi>b</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>a</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&le;</mo>
<mi>&sigma;</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
Cenr、Cenc分别表示某个圆弧的圆心的行、列坐标,r表示圆弧的半径,下标a、b表示两个不同的圆弧,θ、σ为小的常量,表示设定的阈值,公式(2)用于确认两个圆弧是否具有同样的圆心;公式(3)用于确认两个圆弧是否具有相同的半径;
步骤2.2:计算检测出的对应于同一圆环的所有圆弧片段的像素数目占该圆环应有像素数目的比例;
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
<mi>r</mi>
<mi>c</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>k</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mi>i</mi>
<mi>r</mi>
<mi>c</mi>
<mi>l</mi>
<mi>e</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>l</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
<mi>r</mi>
<mi>c</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
lcircle表示某一圆环上的所有像素点数,kx(circle)表示相应圆环上检测出的圆弧的总像素点数,Rcircle的取值介于0到1之间,且其值越接近于1,相应区域越有可能是目标;设定某阈值R0,得到过滤后的候选区域;
步骤2.3:根据Jaccard相似度将步骤2.2得到的候选区域进行分组,相当于空间聚类,每一个分组即对应于唯一的目标;
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>,</mo>
<mi>d</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>area</mi>
<mi>c</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>area</mi>
<mi>d</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>area</mi>
<mi>c</mi>
</msub>
<mo>&cup;</mo>
<msub>
<mi>area</mi>
<mi>d</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
area代表某一个检测出的圆的面积,下标c、d表示步骤2.2得到的不同的候选区域,在计算时为了简单,直接用圆形的外接正方形的面积表示;
步骤2.4:针对每一个分组,再依据空间距离进行二类聚类,为每一个目标确定最终唯一的候选区域,至此提取得到候选目标;
每个聚类用其对应的所有候选区域的平均圆心坐标和半径表示,即形式为(Cenr,Cenc,r)的三元组,如果两个聚类的三元组满足公式(2),却不满足公式(3),说明两个聚类圆心一致,半径不一致,则半径较大的聚类的三元组将作为相应目标的空间信息;因为这种情况下,具有较短半径的聚类很可能是由平顶罐顶部上的内部圆环轮廓产生的,半径较小的聚类应被舍弃;此外,即圆心不一致,则候选区域数量较小的聚类很可能是由阴影产生的,此时基数较大的聚类的三元组将作为相应目标的空间信息。
3.根据权利要求1所述的基于高分辨率光学遥感图像的油罐检测和储量分析方法,其特征在于:步骤4的具体实现包括以下子步骤:
步骤4.1:将罐体横截面的圆心设为固定点,遍历圆弧上的所有点,每个圆弧上的点和圆心都唯一确定一条直线;
步骤4.2:利用平顶罐周围阴影的对称特征,对于圆内的每个点,验证每个点关于步骤4.1所得直线的对称点的像素值是否和该每个点像素值一致;
步骤4.3:对于每一条直线,统计圆内关于该直线的不一致点对数的数目;
步骤4.4:根据步骤4.3,得到不一致点对数的最少的直线,作为最终的对称轴线输出。
4.根据权利要求1所述的基于高分辨率光学遥感图像的油罐检测和储量分析方法,其特征在于:步骤5的具体实现包括以下子步骤:
步骤5.1:找到步骤4中得到的对称轴线与圆弧的交点坐标,并计算两个交点之间的对称轴线上的阴影像素点数目,作为阴影厚度lin;
步骤5.2:根据步骤5.1中阴影的偏移方向确定光线的入射方向,并根据入射方向确定罐体外部阴影的位置,计算背光侧阴影部分与对称轴相交的阴影厚度lout;
步骤5.3:根据平行投影原理和三角形相似定理,步骤5.1和步骤5.2两部分阴影厚度的比例等于油罐的空置率从而得到平顶罐的储备率其中h1和h2分别表示罐顶相对于地面和平顶的高度差。
5.根据权利要求1所述的基于高分辨率光学遥感图像的油罐检测和储量分析方法,其特征在于:步骤6的具体实现包括以下子步骤:
步骤6.1:由于拍摄角度的存在,罐体顶部的边缘、浮顶的边缘和罐体底部的边缘在二维平面上错开,人工度量得到对应的阴影厚度d1、d2;
步骤6.2:根据三角形相似定理,步骤6.1中的阴影厚度d1、d2的比例等于油罐的空置率得到另一份储备率数据作为实验结果真值,用于进行实验评估与比较;
步骤6.3:实验结果与步骤6.2计算得到的真值做比较时,使用均方根误差作为评价标准,误差越小,表示实验结果越可靠;
<mrow>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mi>e</mi>
<mi>r</mi>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
rreserve表示实验结果,rground表示人工计算结果,m表示样本数量,err表示均方根误差,代表数据之间的相似程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710727161.4A CN107688782A (zh) | 2017-08-23 | 2017-08-23 | 基于高分辨率光学遥感图像的油罐检测和储量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710727161.4A CN107688782A (zh) | 2017-08-23 | 2017-08-23 | 基于高分辨率光学遥感图像的油罐检测和储量分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107688782A true CN107688782A (zh) | 2018-02-13 |
Family
ID=61153605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710727161.4A Pending CN107688782A (zh) | 2017-08-23 | 2017-08-23 | 基于高分辨率光学遥感图像的油罐检测和储量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107688782A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210453A (zh) * | 2019-06-14 | 2019-09-06 | 中国资源卫星应用中心 | 一种基于遥感图像特征的油罐存储量确定方法及*** |
CN111462222A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 待侦测物体储量确定方法、装置、设备及介质 |
CN111462221A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 待侦测物体阴影面积提取方法、装置、设备及存储介质 |
CN111540007A (zh) * | 2020-04-10 | 2020-08-14 | 中国资源卫星应用中心 | 一种利用sar图像估算油罐存储量的方法 |
CN112200858A (zh) * | 2020-10-10 | 2021-01-08 | 长光卫星技术有限公司 | 基于高分辨率光学遥感图像的外浮顶油罐储量分析方法 |
CN112749673A (zh) * | 2021-01-20 | 2021-05-04 | 西安中科星图空间数据技术有限公司 | 一种基于遥感影像智能提取储油罐库存的方法及装置 |
CN113160173A (zh) * | 2021-04-22 | 2021-07-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于Laws纹理特征的抗蛇形减震器漏油检测方法及*** |
CN113592033A (zh) * | 2021-08-20 | 2021-11-02 | 中科星睿科技(北京)有限公司 | 油罐图像识别模型训练方法、油罐图像识别方法和装置 |
CN113781478A (zh) * | 2021-11-09 | 2021-12-10 | 中科星睿科技(北京)有限公司 | 油罐图像检测方法、装置、电子设备和计算机可读介质 |
CN113808134A (zh) * | 2021-11-19 | 2021-12-17 | 中科星睿科技(北京)有限公司 | 油罐布局信息生成方法、装置、电子设备、介质 |
CN115984836A (zh) * | 2023-03-20 | 2023-04-18 | 山东杨嘉汽车制造有限公司 | 一种铁路油罐车罐口识别定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1373349A (zh) * | 2002-04-02 | 2002-10-09 | 上海交通大学 | 油罐容积检测***及标定方法 |
CN104217196A (zh) * | 2014-08-26 | 2014-12-17 | 武汉大学 | 一种遥感影像圆形油罐自动检测方法 |
CN106909902A (zh) * | 2017-03-01 | 2017-06-30 | 北京航空航天大学 | 一种基于改进的层次化显著模型的遥感目标检测方法 |
-
2017
- 2017-08-23 CN CN201710727161.4A patent/CN107688782A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1373349A (zh) * | 2002-04-02 | 2002-10-09 | 上海交通大学 | 油罐容积检测***及标定方法 |
CN104217196A (zh) * | 2014-08-26 | 2014-12-17 | 武汉大学 | 一种遥感影像圆形油罐自动检测方法 |
CN106909902A (zh) * | 2017-03-01 | 2017-06-30 | 北京航空航天大学 | 一种基于改进的层次化显著模型的遥感目标检测方法 |
Non-Patent Citations (2)
Title |
---|
QINGQUAN WANG 等: "Automatic Detection and Classification of Oil Tanks in Optical Satellite Images Based on Convolutional Neural Network", 《INTERNATIONAL CONFERENCE ON IMAGE AND SIGNAL PROCESSING》 * |
VERONICA MAGAN: "Orbital Insight Measures China Oil Supply With Satellite Imagery Analysis", 《HTTPS://WWW.SATELLITETODAY.COM/INNOVATION/2016/09/30/ORBITAL-INSIGHT-MEASURES-CHINA-OIL-SUPPLY-SATELLITE-IMAGERY-ANALYSIS/》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210453A (zh) * | 2019-06-14 | 2019-09-06 | 中国资源卫星应用中心 | 一种基于遥感图像特征的油罐存储量确定方法及*** |
CN110210453B (zh) * | 2019-06-14 | 2021-06-29 | 中国资源卫星应用中心 | 一种基于遥感图像特征的油罐存储量确定方法及*** |
WO2021196698A1 (zh) * | 2020-04-03 | 2021-10-07 | 深圳前海微众银行股份有限公司 | 待侦测物体储量确定方法、装置、设备及介质 |
CN111462222A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 待侦测物体储量确定方法、装置、设备及介质 |
CN111462221A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 待侦测物体阴影面积提取方法、装置、设备及存储介质 |
CN111462222B (zh) * | 2020-04-03 | 2024-05-14 | 深圳前海微众银行股份有限公司 | 待侦测物体储量确定方法、装置、设备及介质 |
CN111540007A (zh) * | 2020-04-10 | 2020-08-14 | 中国资源卫星应用中心 | 一种利用sar图像估算油罐存储量的方法 |
CN111540007B (zh) * | 2020-04-10 | 2023-04-28 | 中国资源卫星应用中心 | 一种利用sar图像估算油罐存储量的方法 |
CN112200858A (zh) * | 2020-10-10 | 2021-01-08 | 长光卫星技术有限公司 | 基于高分辨率光学遥感图像的外浮顶油罐储量分析方法 |
CN112749673A (zh) * | 2021-01-20 | 2021-05-04 | 西安中科星图空间数据技术有限公司 | 一种基于遥感影像智能提取储油罐库存的方法及装置 |
CN113160173A (zh) * | 2021-04-22 | 2021-07-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于Laws纹理特征的抗蛇形减震器漏油检测方法及*** |
CN113592033A (zh) * | 2021-08-20 | 2021-11-02 | 中科星睿科技(北京)有限公司 | 油罐图像识别模型训练方法、油罐图像识别方法和装置 |
CN113592033B (zh) * | 2021-08-20 | 2023-09-12 | 中科星睿科技(北京)有限公司 | 油罐图像识别模型训练方法、油罐图像识别方法和装置 |
CN113781478A (zh) * | 2021-11-09 | 2021-12-10 | 中科星睿科技(北京)有限公司 | 油罐图像检测方法、装置、电子设备和计算机可读介质 |
CN113781478B (zh) * | 2021-11-09 | 2022-05-24 | 中科星睿科技(北京)有限公司 | 油罐图像检测方法、装置、电子设备和计算机可读介质 |
CN113808134A (zh) * | 2021-11-19 | 2021-12-17 | 中科星睿科技(北京)有限公司 | 油罐布局信息生成方法、装置、电子设备、介质 |
CN115984836A (zh) * | 2023-03-20 | 2023-04-18 | 山东杨嘉汽车制造有限公司 | 一种铁路油罐车罐口识别定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688782A (zh) | 基于高分辨率光学遥感图像的油罐检测和储量分析方法 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
Witharana et al. | Optimizing multi-resolution segmentation scale using empirical methods: Exploring the sensitivity of the supervised discrepancy measure Euclidean distance 2 (ED2) | |
Miao et al. | An object-based method for road network extraction in VHR satellite images | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
Awrangjeb et al. | Automatic detection of residential buildings using LIDAR data and multispectral imagery | |
Turker et al. | Field-based sub-boundary extraction from remote sensing imagery using perceptual grouping | |
Awrangjeb et al. | Building detection in complex scenes thorough effective separation of buildings from trees | |
CN106339674B (zh) | 基于边缘保持与图割模型的高光谱影像分类方法 | |
CN107330376A (zh) | 一种车道线识别方法及*** | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
San et al. | Building extraction from high resolution satellite images using Hough transform | |
CN106558072A (zh) | 一种基于改进sift特征在遥感图像上配准的方法 | |
CN104657717B (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
Yuan et al. | Learning to count buildings in diverse aerial scenes | |
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 | |
CN102945374B (zh) | 一种高分辨率遥感图像中民航飞机自动检测方法 | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN102629380B (zh) | 基于多组滤波和降维的遥感图像变化检测方法 | |
Peng et al. | Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion | |
Zang et al. | Road network extraction via aperiodic directional structure measurement | |
CN113963222A (zh) | 一种基于多策略组合的高分辨率遥感影像变化检测方法 | |
CN103366373A (zh) | 基于模糊相容图的多时相遥感影像变化检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180213 |
|
WD01 | Invention patent application deemed withdrawn after publication |