CN108109125A - 基于遥感图像的信息提取方法和装置 - Google Patents
基于遥感图像的信息提取方法和装置 Download PDFInfo
- Publication number
- CN108109125A CN108109125A CN201810004262.3A CN201810004262A CN108109125A CN 108109125 A CN108109125 A CN 108109125A CN 201810004262 A CN201810004262 A CN 201810004262A CN 108109125 A CN108109125 A CN 108109125A
- Authority
- CN
- China
- Prior art keywords
- thematic
- remote sensing
- sample
- sensing images
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明实施例提供一种基于遥感图像的信息提取方法和装置,该方法包括获取遥感图像并对该遥感图像进行预处理得到预处理图像;确定专题样本,并根据该专题样本的波段特征对所述预处理图像进行波段运算得到待分析数据;计算所述专题样本的光谱形态与所述待分析数据中的各光谱形态的相似度;从所述待分析数据中选取与所述专题样本的相似度小于预设阈值的光谱数据并标记;根据标记结果从所述预处理图像中提取与各标记对应的原始图像信息,并对其进行聚类及迭代处理以得到专题图像信息;对所述专题图像信息进行矢量化处理以得到专题数据并保存。本发明实施例能够有效提高专题信息的提取速度,同时保证提取结果的可靠性。
Description
技术领域
本发明涉及遥感数据处理技术领域,具体而言,涉及一种基于遥感图像的信息提取方法和装置。
背景技术
目前对卫星影像分割技术的研究远远滞后于卫星成像技术的发展,数据处理速度远跟不上遥感卫星获取数据的节奏,从而导致各种自然资源信息的快速识别成为一项艰巨的工作,尤其是获取大面积矢量化信息。
发明内容
有鉴于此,本发明实施例的目的在于提供一种基于遥感图像的信息提取方法和装置,以改善上述问题。
本发明较佳实施例提供了一种基于遥感图像的信息提取方法,包括:
获取遥感图像并对该遥感图像进行预处理得到预处理图像;
确定专题样本,并根据该专题样本的波段特征对所述预处理图像进行波段运算得到待分析数据;
计算所述专题样本的光谱形态与所述待分析数据中的各光谱形态的相似度;
从所述待分析数据中选取与所述专题样本的相似度小于预设阈值的光谱数据并标记;
根据标记结果从所述预处理图像中提取与各标记对应的原始图像信息,并对其进行聚类及迭代处理以得到专题图像信息;
对所述专题图像信息进行矢量化处理以得到专题数据并保存。
进一步地,对该遥感图像进行预处理得到预处理图像,包括:
对所述遥感图像数据进行色彩增强以及分辨率融合,得到高精度遥感图像;
基于预设地图和高程模型对所述高精度遥感图像进行地理位置配准和几何校正以得到所述预处理图像。
进一步地,若所述专题样本为林体样本,则根据该专题样本的波段特征对所述预处理图像进行波段运算得到待分析数据的步骤包括:
获取与所述林体样本对应的红外波段与红光波段,并求取二者之差以及二者之和;
利用二者之差除以二者之和得到植被指数,并对该植被指数进行放大处理以作为待分析数据。
进一步地,所述原始图像信息包括多个分散的图斑和多个空白区,对其进行聚类及迭代处理以得到专题图像信息的步骤包括:
将所述多个分散的图斑连接形成分类图斑,并将多个空白区中小于预设值的空白区舍弃,得到包含所述分类图斑的专题图像信息。
进一步地,在计算所述专题样本的光谱形态与所述待分析数据中的各光谱形态的相似度时可采用光谱角填图算法实现。
进一步地,在对所述专题图像信息进行矢量化处理以得到专题数据并保存的步骤之后,所述方法还包括:
基于所述预处理图像对已经完成分类的专题样本进行掩膜处理,并将完成掩膜处理后的预处理图像作为下一个专题样本进行信息提取时的预处理图像。
本发明较佳实施例还提供一种基于遥感图像的信息提取装置,包括:
预处理模块,用于获取遥感图像并对该遥感图像进行预处理得到预处理图像;
波段运算模块,用于确定专题样本,并根据该专题样本的波段特征对所述预处理图像进行波段运算得到待分析数据;
相似度计算模块,用于计算所述专题样本的光谱形态与所述待分析数据中的各光谱形态的相似度;
标记模块,用于从所述待分析数据中选取与所述专题样本的相似度高于预设阈值的光谱数据并标记;
信息提取模块,用于根据标记结果从所述预处理图像中提取与各标记对应的原始图像信息,并对其进行聚类及迭代处理以得到专题图像信息;
矢量化处理模块,用于对所述专题图像信息进行矢量化处理以得到专题数据并保存。
进一步地,所述预处理模块包括:
预处理单元,用于对所述遥感图像进行色彩增强以及分辨率融合,得到高精度遥感图像;
校正单元,用于基于预设地图和高程模型对所述高精度遥感图像进行地理位置配准和几何校正以得到所述预处理图像。
进一步地,所述原始图像信息包括多个分散的图斑和多个空白区,所述信息提取模块还用于将所述多个分散的图斑连接形成分类图斑,并将多个空白区中小于预设值的空白区舍弃,得到包含所述分类图斑的专题图像信息。
进一步地,所述装置还包括:
掩膜处理模块,用于基于所述预处理图像对已经完成分类的专题样本进行掩膜处理,并将完成掩膜处理后的预处理图像作为下一个专题样本进行信息提取时的预处理图像。
与现有技术相比,本发明实施例提供一种基于遥感图像的信息提取方法和装置,其中,根据专题样本的波普特征对遥感图像中的专题信息的分类和提取,能够有效提高信息提取效率和可靠性。同时本发明实施例还有效保障了信息提取过程的智能化和高效化,降低了信息处理成本。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为应用本发明实施例提供的基于遥感图像的信息提取装置的电子设备的方框结构示意图。
图2为本发明实施例提供的基于遥感图像的信息提取方法的流程示意图。
图3为图2中所示的步骤S110的子流程示意图。
图4为本发明实施例提供的基于遥感图像的信息提取装置的方框结构示意图。
图5为图4中所示的预处理模块的方框结构示意图。
图标:10-电子设备;100-基于遥感图像的信息提取装置;110-预处理模块;111-预处理单元;112-校正单元;120-波段运算模块;130-相似度计算模块;140-标记模块;150-信息提取模块;160-矢量化处理模块;170-掩膜处理模块;200-存储器;300-存储控制器;400-处理器。
具体实施方式
传统的基于遥感图像的专题信息的分类、提取主要是依赖于人机交互目视解译,如依靠人工经验进行边界拾取等,从而导致信息提取效率低,加之不同人处理的结果存在差异,使得很多有价值的信息无法在第一时间解译出来,同时也会造成数据浪费。
经发明人研究发现,同一地物在同一波段或不同波段都具有不同的波谱特征,因此,可根据地物的波普特征进行遥感图像中的不同专题信息的分类和提取。
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
如图1所示,是应用本发明较佳实施例提供的所述基于遥感图像的信息提取方法和装置的电子设备10的方框结构示意图,该电子设备10包括基于遥感图像的信息提取装置100、存储器200、存储控制器300以及处理器400。其中,所述存储器200、存储控制器300和处理器400各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件之间通过一条或多条通讯总线或信号线实现电性连接。所述基于遥感图像的信息提取装置100包括至少一个可以软件或固件的形式存储于所述存储器200中或固化在所述电子设备10的操作***中的软件功能模块。所述处理器400在所述存储控制器300的控制下访问所述存储器200,以用于执行所述存储器200中存储的可执行模块,例如所述基于遥感图像的信息提取装置100所包括的软件功能模块及计算机程序等,进而实现本发明实施例中的配置方法。可选地,所述电子设备10可以是,但不限于智能手机、IPAD、电脑、服务器等。
应当理解,图1所示的结构仅为示意。所述电子设备10可以具有比图1所示更多或者更少的组件,或者具有与图1所示不同的配置。其中,图1所示的各组件可以由软件、硬件或者其组合实现。
进一步地,如图2所示,是本发明较佳实施例提供的基于遥感图像的信息提取方法的流程示意图,所述基于遥感图像的信息提取方法应用于图1中所示的电子设备10。下面结合图2对所述基于遥感图像的信息提取方法的具体流程及步骤进行详细阐述。
步骤S110,获取遥感图像并对该遥感图像进行预处理得到预处理图像。
其中,所述遥感图像的获取方式有多种,例如,可以由国家相关部门直接下发,又例如,可以通过自己实际测量获取或购买的方式获取等。另外,在本实施例中,如图3所示,可通过下述步骤S111和步骤S112对所述遥感图像数据进行预处理,具体如下。
步骤S111,对所述遥感图像进行色彩增强以及分辨率融合以得到高精度遥感图像。
其中,可通过专业图像处理软件对所述遥感图像数据进行色彩增强、分辨率融合等,使处理后的图像既有高的空间分辨率,又有丰富的色彩。可选地,所述专业图像处理软件可以是但不限于如ENVI(The Environment for Visualizing Images)遥感图像处理平台等,本实施例在此不做限制。
步骤S112,基于预设地图和高程模型对所述高精度遥感图像进行地理位置配准和几何校正以得到所述预处理图像。
本实施例中,所述预设地图可根据实际需求进行灵活选取。例如,所述预设地图可以是但不限于等高线地形图、分层设色地形图、地形剖面图等。
步骤S120,确定专题样本,并根据该专题样本的波段特征对所述预处理图像进行波段运算得到待分析数据。
其中,所述专题样本可以是但不限于林地样本、水体样本、沙地样本等。本实施例中,所述专题样本的选取可以是依靠人工经验进行,例如,可完全依赖肉眼或者野外调查来指定遥感图像中的像元作为分类样本,再通过分析样本中每个像元与专题样本的相似度,来判定归类。如以林地样本为例,基于该林地样本在遥感图像中进行局部圈定,并将圈定的林地作为标准,即专题样本。
进一步地,由于不同的专题样本对应的波段不同,因此,对不同专题样本的波段进行运算可得到能够突出反映该专题信息差异的新波段,进而发现异常信息,以完成后续分类。
例如,所述专题样本为林地样本时,根据专题样本的波段特征对所述预处理图像进行波段运算得到待分析数据的步骤包括:获取该林地样本对应的波段为红外波段和红光波段,再求取改红外波段和红光波段中的二者之差以及二者之和,利用二者之差除以二者之和得到植被指数,并对该植被指数进行放大处理以作为待分析数据(新的波段),该待分析数据可以反映植被的差异。
又例如,所述专题样本为水体样本时,根据专题样本的波段特征对所述预处理图像进行波段运算得到待分析数据的步骤包括:获取该水体样本对应的波段为绿光波段和红外波段,再求取绿光波段和红外波段二者之差以及二者之和,利用二者之差除以二者之和得到水体指数,并对该水体指数进行放大处理以作为待分析数据(新的波段),该待分析数据可以反映水体的差异。
应注意,由于直接计算得到的植被指数或水体指数等都小于1,远远小于其他波段像元值,因此,在实际实施时,可对得到的如植被指数或水体指数等扩大1000倍得到待分析数据,再与其他波段的像元值进行匹配运算,以从光谱特性上反映专题样本与其他专题信息的差异。
步骤S130,计算所述专题样本的光谱形态与所述待分析数据中的各光谱形态的相似度。
本实施例中,在计算所述专题样本的光谱形态与所述待分析数据中的各光谱形态的相似度时可采用但不限于光谱角填图算法实现。
步骤S140,从所述待分析数据中选取与所述专题样本的相似度小于预设阈值的光谱数据并标记。
本实施例中,所述相似度为待分析数据对应的光谱形态与所述专题样本对应的光谱形态之间的光谱角差值,当该光谱角差值小于预设阈值(光谱角阈值)时,则可认定该光谱对应的待测数据与所述专题样本为同一类,并对其进行标记。
可选地,所述预设阈值可根据实际需求进行灵活设计,例如,对于专题样本为林地样本,所述预设阈值可以为0.01左右;对于专题样本为沙漠样本,所述预设阈值可以为0.03左右。应注意,在本实施例中,所述预设阈值过大会导致分类结果多于实际情况,而预设阈值过小会导致分类结果少于实际情况,且不同分类阈值对应的分类结果不同。
步骤S150,根据标记结果从所述预处理图像中提取与各标记对应的原始图像信息,并对其进行聚类及迭代处理以得到专题图像信息。
其中,由于基于专题信息进行分类后的遥感图像数据中会产生一系列细小的分类图斑和空白区(无类区),因此,对其进行聚类及迭代处理以得到专题图像信息的步骤可以包括:将所述多个分散的图斑连接形成分类图斑,并将多个空白区中小于预设值的空白区舍弃,得到包含所述分类图斑的专题图像信息。
其中,聚类分析为一种填充关系,把多个分散的小图班连接起来并归为一类,如可以提供一个3*3的滤波盒,将小于该数值的空白区粘结到分类已完成连接的图斑中,聚成一类。同时,对于不够上图面积的分类图斑则舍去。另外,迭代分析为一种舍弃合并,可根据专题样本的用途把小于某个像元数阈值的图斑归并到临近区域,例如,以林地样本为例,假设像元数阈值预为500个,那么可将自动分类结果小于500个像元的林地忽略剔除,归并到相邻区域。
步骤S160,对所述专题图像信息进行矢量化处理以得到专题数据并保存。
其中,由于通过数据提取后的分类结果是栅格数据不能直接用于统计分析及运算,因此,在本实施例中,需要对分类处理后得到的专题信息进行栅格矢量化处理。
步骤S170,基于所述预处理图像对已经完成分类的专题样本进行掩膜处理,并将完成掩膜处理后的预处理图像作为下一个专题样本进行信息提取时的预处理图像。
其中,由于每次基于一种专题样本进行数据分类、提取,因此,为避免上一个专题样本对下一个专题样本的数据分类、提取造成影响,在本实施例中,可对已经完成提取与分类的专题样本进行掩膜处理,即将已经完成分类的图像遮盖掉或直接抠掉等,使其不再参与分类。
进一步地,如图4所示,是本发明较佳实施例提供的基于遥感图像的信息提取装置100的方框结构示意图,所述基于遥感图像的信息提取装置100应用于图1中所示的电子设备10。其中,所述基于遥感图像的信息提取装置100包括预处理模块110、波段运算模块120、相似度计算模块130、标记模块140、信息提取模块150、矢量化处理模块160和掩膜处理模块170。
所述预处理模块110,用于获取遥感图像并对该遥感图像进行预处理得到预处理图像。本实施例中,关于所述预处理模块110的描述具体可参考上述步骤S110的详细描述,也即,所述步骤S110可以由所述预处理模块110执行,因而在此不作更多说明。可选地,如图5所示,所述预处理模块110包括预处理单元111和校正单元112。
所述预处理单元111,用于对所述遥感图像进行色彩增强以及分辨率融合以得到高精度遥感图像。本实施例中,关于所述预处理单元111的描述具体可参考上述步骤S111的详细描述,也即,所述步骤S111可以由预处理单元111执行,因而在此不作更多说明。
所述校正单元112,用于基于预设地图和高程模型对所述高精度遥感图像进行地理位置配准和几何校正以得到所述预处理图像。本实施例中,关于所述校正单元112的描述具体可参考上述步骤S112的详细描述,也即,所述步骤S112可以由校正单元112执行,因而在此不作更多说明。
所述波段运算模块120,用于确定专题样本,并根据该专题样本的波段特征对所述预处理图像进行波段运算得到待分析数据。本实施例中,关于所述波段运算模块120的描述具体可参考上述步骤S120的详细描述,也即,所述步骤S120可以由波段运算模块120执行,因而在此不作更多说明。
所述相似度计算模块130,用于计算所述专题样本的光谱形态与所述待分析数据中的各光谱形态的相似度。本实施例中,关于所述相似度计算模块130的描述具体可参考上述步骤S130的详细描述,也即,所述步骤S130可以由相似度计算模块130执行,因而在此不作更多说明。
所述标记模块140,用于从所述待分析数据中选取与所述专题样本的相似度高于预设阈值的光谱数据并标记。本实施例中,关于所述标记模块140的描述具体可参考上述步骤S140的详细描述,也即,所述步骤S140可以由标记模块140执行,因而在此不作更多说明。
所述信息提取模块150,用于根据标记结果从所述预处理图像中提取与各标记对应的原始图像信息,并对其进行聚类及迭代处理以得到专题图像信息。本实施例中,关于所述信息提取模块150的描述具体可参考上述步骤S150的详细描述,也即,所述步骤S150可以由信息提取模块150执行,因而在此不作更多说明。
所述矢量化处理模块160,用于对所述专题图像信息进行矢量化处理以得到专题数据并保存。本实施例中,关于所述矢量化处理模块160的描述具体可参考上述步骤S160的详细描述,也即,所述步骤S160可以由矢量化处理模块160执行,因而在此不作更多说明。
所述掩膜处理模块170,用于基于所述预处理图像对已经完成分类的专题样本进行掩膜处理,并将完成掩膜处理后的预处理图像作为下一个专题样本进行信息提取时的预处理图像。本实施例中,关于所述掩膜处理模块170的描述具体可参考上述步骤S170的详细描述,也即,所述步骤S170可以由掩膜处理模块170执行,因而在此不作更多说明。
综上所述,本发明实施例提供一种基于遥感图像的信息提取方法和装置,其中,根据专题样本的波普特征对遥感图像中的专题信息的分类和提取,能够有效提高信息提取效率和可靠性。同时本发明实施例还有效保障了信息提取过程的智能化和高效化,降低了信息处理成本。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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(可以是个人计算机,电子设备,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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的可选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种基于遥感图像的信息提取方法,其特征在于,包括:
获取遥感图像并对该遥感图像进行预处理得到预处理图像;
确定专题样本,并根据该专题样本的波段特征对所述预处理图像进行波段运算得到待分析数据;
计算所述专题样本的光谱形态与所述待分析数据中的各光谱形态的相似度;
从所述待分析数据中选取与所述专题样本的相似度小于预设阈值的光谱数据并标记;
根据标记结果从所述预处理图像中提取与各标记对应的原始图像信息,并对其进行聚类及迭代处理以得到专题图像信息;
对所述专题图像信息进行矢量化处理以得到专题数据并保存。
2.根据权利要求1所述的基于遥感图像的信息提取方法,其特征在于,对该遥感图像数据进行预处理得到预处理图像的步骤,包括:
对所述遥感图像进行色彩增强以及分辨率融合,得到高精度遥感图像;
基于预设地图和高程模型对所述高精度遥感图像进行地理位置配准和几何校正以得到所述预处理图像。
3.根据权利要求1所述的基于遥感图像的信息提取方法,其特征在于,若所述专题样本为林体样本,则根据该专题样本的波段特征对所述预处理图像进行波段运算得到待分析数据的步骤,包括:
获取与所述林体样本对应的红外波段与红光波段,并求取二者之差以及二者之和;
利用二者之差除以二者之和得到植被指数,并对该植被指数进行放大处理以作为待分析数据。
4.根据权利要求1所述的基于遥感图像的信息提取方法,其特征在于,所述原始图像信息包括多个分散的图斑和多个空白区,对其进行聚类及迭代处理以得到专题图像信息的步骤,包括:
将所述多个分散的图斑连接形成分类图斑,并将多个空白区中小于预设值的空白区舍弃以得到包含所述分类图斑的专题图像信息。
5.根据权利要求1所述的基于遥感图像的信息提取方法,其特征在于,在计算所述专题样本的光谱形态与所述待分析数据中的各光谱形态的相似度时可采用光谱角填图算法实现。
6.根据权利要求1所述的基于遥感图像的信息提取方法,其特征在于,在对所述专题图像信息进行矢量化处理以得到专题数据并保存的步骤之后,所述方法还包括:
基于所述预处理图像对已经完成分类的专题样本进行掩膜处理,并将完成掩膜处理后的预处理图像作为下一个专题样本进行信息提取时的预处理图像。
7.一种基于遥感图像的信息提取装置,其特征在于,包括:
预处理模块,用于获取遥感图像并对该遥感图像进行预处理得到预处理图像;
波段运算模块,用于确定专题样本,并根据该专题样本的波段特征对所述预处理图像进行波段运算得到待分析数据;
相似度计算模块,用于计算所述专题样本的光谱形态与所述待分析数据中的各光谱形态的相似度;
标记模块,用于从所述待分析数据中选取与所述专题样本的相似度高于预设阈值的光谱数据并标记;
信息提取模块,用于根据标记结果从所述预处理图像中提取与各标记对应的原始图像信息,并对其进行聚类及迭代处理以得到专题图像信息;
矢量化处理模块,用于对所述专题图像信息进行矢量化处理以得到专题数据并保存。
8.根据权利要求7所述的基于遥感图像的信息提取装置,其特征在于,所述预处理模块包括:
预处理单元,用于对所述遥感图像进行色彩增强以及分辨率融合,得到高精度遥感图像;
校正单元,用于基于预设地图和高程模型对所述高精度遥感图像进行地理位置配准和几何校正以得到所述预处理图像。
9.根据权利要求7所述的基于遥感图像的信息提取装置,其特征在于,所述原始图像信息包括多个分散的图斑和多个空白区,所述信息提取模块还用于将所述多个分散的图斑连接形成分类图斑,并将多个空白区中小于预设值的空白区舍弃,得到包含所述分类图斑的专题图像信息。
10.根据权利要求7所述的基于遥感图像的信息提取装置,其特征在于,所述装置还包括:
掩膜处理模块,用于基于所述预处理图像对已经完成分类的专题样本进行掩膜处理,并将完成掩膜处理后的预处理图像作为下一个专题样本进行信息提取时的预处理图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810004262.3A CN108109125A (zh) | 2018-01-03 | 2018-01-03 | 基于遥感图像的信息提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810004262.3A CN108109125A (zh) | 2018-01-03 | 2018-01-03 | 基于遥感图像的信息提取方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108109125A true CN108109125A (zh) | 2018-06-01 |
Family
ID=62218799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810004262.3A Pending CN108109125A (zh) | 2018-01-03 | 2018-01-03 | 基于遥感图像的信息提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108109125A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063605A (zh) * | 2018-07-16 | 2018-12-21 | 中国水产科学研究院南海水产研究所 | 一种用于水产养殖的蚝排蚝架养殖测算方法、***及装置 |
CN109542062A (zh) * | 2018-11-20 | 2019-03-29 | 四川省宇行规划设计有限公司 | 资源环境动态数字监测控制***及方法、信息数据处理终端 |
CN110276254A (zh) * | 2019-05-17 | 2019-09-24 | 恒锋信息科技股份有限公司 | 基于无人机的禁止摆摊区域摊贩自动识别预警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1791082A1 (en) * | 2005-11-23 | 2007-05-30 | Leica Geosystems AG | Feature extraction using pixel cues and object cues |
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN105372672A (zh) * | 2015-12-07 | 2016-03-02 | 广州地理研究所 | 基于时间序列数据的南方冬种作物种植面积提取方法 |
CN106950177A (zh) * | 2016-11-16 | 2017-07-14 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星遥感影像的水体提取方法 |
-
2018
- 2018-01-03 CN CN201810004262.3A patent/CN108109125A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1791082A1 (en) * | 2005-11-23 | 2007-05-30 | Leica Geosystems AG | Feature extraction using pixel cues and object cues |
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN105372672A (zh) * | 2015-12-07 | 2016-03-02 | 广州地理研究所 | 基于时间序列数据的南方冬种作物种植面积提取方法 |
CN106950177A (zh) * | 2016-11-16 | 2017-07-14 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星遥感影像的水体提取方法 |
Non-Patent Citations (7)
Title |
---|
包蕾: "基于RS与GIS的城中村与山地居民点现状研究", 《中国优秀硕士学位论文全文数据库_经济与管理科学辑J辑》 * |
华中农学院土化系: "《土壤专业图件的卫片编绘技术 中》", 30 September 1984, 华中农学院土化系出版发行 * |
周宇津: "基于决策树的多分类器遥感影像分层分类研究与***实现", 《中国优秀硕士学位论文全文数据库_信息科技辑I辑》 * |
尹海华: "《城市与区域规划空间分析实验教程》", 28 February 2014, 东南大学出版社 * |
杜培军等: "高光谱遥感数据光谱特征的提取与应用", 《中国矿业大学学报》 * |
樊彦国等: "基于多波段分析的无阈值自动光谱角制图分类法", 《地理与地理信息科学》 * |
许鹏: "《草地资源调查规划学》", 31 October 2000, 中国农业出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063605A (zh) * | 2018-07-16 | 2018-12-21 | 中国水产科学研究院南海水产研究所 | 一种用于水产养殖的蚝排蚝架养殖测算方法、***及装置 |
CN109542062A (zh) * | 2018-11-20 | 2019-03-29 | 四川省宇行规划设计有限公司 | 资源环境动态数字监测控制***及方法、信息数据处理终端 |
CN110276254A (zh) * | 2019-05-17 | 2019-09-24 | 恒锋信息科技股份有限公司 | 基于无人机的禁止摆摊区域摊贩自动识别预警方法 |
CN110276254B (zh) * | 2019-05-17 | 2024-06-07 | 恒锋信息科技股份有限公司 | 基于无人机的禁止摆摊区域摊贩自动识别预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
Ke et al. | A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
Tian et al. | Optimization in multi‐scale segmentation of high‐resolution satellite images for artificial feature recognition | |
EP2801951B1 (en) | Aerial image segmentation for refineries | |
CN109241871A (zh) | 一种基于视频数据的公共区域人流跟踪方法 | |
CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及*** | |
US20100272357A1 (en) | Method of image segmentation | |
CN108596102B (zh) | 基于rgb-d的室内场景物体分割分类器构造方法 | |
CN109711288A (zh) | 基于特征金字塔和距离约束fcn的遥感船舶检测方法 | |
Hormese et al. | Automated road extraction from high resolution satellite images | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN110133443B (zh) | 基于平行视觉的输电线路部件检测方法、***、装置 | |
CN107016403A (zh) | 一种基于夜间灯光数据提取城市建成区阈值的方法 | |
CN109635811A (zh) | 空间植物的图像分析方法 | |
CN113537180B (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
CN108109125A (zh) | 基于遥感图像的信息提取方法和装置 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN115100469A (zh) | 一种基于分割算法的目标属性识别方法、训练方法和装置 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及*** | |
Chang et al. | A visual basic program for ridge axis picking on DEM data using the profile-recognition and polygon-breaking algorithm | |
CN117789081A (zh) | 一种基于自信息的双重注意力机制小物体识别方法 | |
Lizarazo et al. | Segmentation of remotely sensed imagery: moving from sharp objects to fuzzy regions |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180601 |
|
RJ01 | Rejection of invention patent application after publication |