CN110796076A - 一种高光谱图像河流检测方法 - Google Patents
一种高光谱图像河流检测方法 Download PDFInfo
- Publication number
- CN110796076A CN110796076A CN201911035256.5A CN201911035256A CN110796076A CN 110796076 A CN110796076 A CN 110796076A CN 201911035256 A CN201911035256 A CN 201911035256A CN 110796076 A CN110796076 A CN 110796076A
- Authority
- CN
- China
- Prior art keywords
- image
- shear wave
- river
- denotes
- hyperspectral image
- 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
Images
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感图像处理技术领域,尤其涉及一种高光谱图像河流检测方法、计算机设备以及计算机可读存储介质,该方法包括:输入高光谱图像;对高光谱图像进行滤波;对图像进行分解,计算不同尺度、不同方向下的剪***征;对所有剪***征进行归一化处理,并计算每个剪***征的标准差;选出每一尺度下,标准差最大的两个剪***征进行求和,得到河流的特征图像;对特征图像进行自适应阈值分割,得到二值化图;将二值化图作为活动轮廓模型模板,利用活动轮廓模型进行河流检测,得到河流检测结果。本发明避免了使用边缘信息及学习类方法,解决了小样本下河流目标检测困难的问题,可以显著提高河流虚警源的检测能力,同时提高了计算效率。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种高光谱图像河流检测方法、计算机设备以及计算机可读存储介质。
背景技术
高光谱图像有着极为广泛的应用,如安防监控、地理信息***更新、环境检测等,由此对于高光谱图像中不同种类的目标进行提取成为近年来的研究热点,针对河流的提取就是其中的一个问题。由于高光谱图像成像距离远、成像质量不高,因此图像中的目标容易与背景等其他干扰信息混淆,使得检测难度增大。
目前,河流检测方法主要是利用河流边缘信息或复杂的数学模型如snake或genetic模型提取河流,计算量较大,效率较低。除此之外,遥感图像目标检测也常使用融合方法,但大部分的融合方法都是将不同种类的原始数据进行融合,或者将大量的处理结果在决策级进行融合,而高光谱图像数量较少、成像质量较差,难以通过现有的融合方法获得较为准确的检测结果。
因此,针对以上不足,需要提供一种利用小样本数据进行高光谱图像河流检测的方法。
发明内容
本发明的目的是针对上述至少一部分问题,提供一种小样本下河流检测方法,以实现高效检测高光谱图像中的河流。
为了实现上述目的,本发明提供了一种高光谱图像河流检测方法,包括如下步骤:
S1、输入高光谱图像;
S2、对输入的高光谱图像进行滤波;
S3、设定分解尺度及方向,对滤波后的图像进行分解,计算不同尺度、不同方向下的剪***征;
S4、对计算得到的所有剪***征进行归一化处理,并计算每个剪***征的标准差;
S5、选出每一尺度下,标准差最大的两个剪***征进行求和,得到河流的特征图像;
S6、对得到的特征图像进行自适应阈值分割,得到二值化图;
S7、将得到的二值化图作为活动轮廓模型模板,利用活动轮廓模型进行河流检测,得到河流检测结果。
优选地,所述步骤S1中,输入的高光谱图像为经过降维处理的高光谱图像,或
所述步骤S1还包括对输入的高光谱图像进行降维处理。
优选地,所述步骤S2中,对输入的高光谱图像进行滤波时,采用Frangi滤波方法。
优选地,所述步骤S2中,对输入的高光谱图像进行Frangi滤波时,表达式为:
其中,Vo表示响应结果,σ表示高斯滤波的方差,RB表示像素结构的判断函数,S表示对前景和背景的判断,β和c为常数阈值;λ2为每个像素点的Hessian矩阵所求得的最大的特征值;
得到的滤波结果表达式为:
其中,ρ为最大响应时的方差。
优选地,所述步骤S3中,计算不同尺度、不同方向下的剪***征时,所采用的表达式为:
优选地,所述步骤S4中对计算得到的所有剪***征进行归一化处理时,所采用的表达式为:
SFj,k=(SHj,k-min(SHj,k))/(max(SHj,k)-min(SHj,k))
其中,SF为归一化后的剪***征,SH为归一化前的剪***征。
优选地,所述步骤S4中计算每个剪***征的标准差时,所采用的表达式为:
d(n)=std(SFj,k)n=1,2,...j*k
其中,d为标准差向量,n为序号。
优选地,所述步骤S6中对得到的特征图像进行自适应阈值分割时,自适应阈值的表达式为:
T=μ+α×σ
其中,T表示自适应阈值,μ表示特征图像的均值,σ表示特征图像的标准差,α为根据实际需要设定的系数。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的上述技术方案具有如下优点:本发明提供了一种高光谱图像河流检测方法,首先输入高光谱图像,然后利用滤波对河流区域进行增强,再对增强后的图像,利用剪切波变化进行特征分析,再对得到的剪***征进行归一化并计算其标准差,从而选择出河流较为明显的特征,然后对选择的特征进行加和,得到河流特征图像,之后对特征图像进行自适应阈值分割得到二值图,最后利用活动轮廓模型进行检测,得到最终的河流检测结果。本发明避免了传统的利用河流边缘信息以及依赖于样本数量的学习方法,利用河流的方向信息,通过提取剪***征来表示河流,简化了计算难度,可以显著提高河流虚警源的检测能力。除此之外,本发明在保证准确率的同时,达到了提升计算效率及方法鲁棒性的目的。
附图说明
图1是本发明实施例中一种高光谱图像河流检测方法流程图;
图2是一幅经过降维处理的高光谱图像;
图3是本发明实施例中的方法对图2进行滤波后得到的图像;
图4是本发明实施例中的方法对图3进行剪切波变换,得到的部分剪***征;
图5是本发明实施例中的方法通过标准差选择后,对选择的特征进行求和得到的河流特征图像;
图6是本发明实施例中的方法利用自适应阈值得到的二值化图像;
图7是本发明实施例中的方法得到的河流检测结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
如图1所示,本发明实施例提供的一种高光谱图像河流检测方法,包括如下步骤:
S1、输入高光谱图像。
优选地,步骤S1中输入的高光谱图像为经过降维处理的高光谱图像,或步骤S1还包括对输入的高光谱图像进行降维处理。针对高光谱图像的降维可采用现有技术中的任意方法,在此不再赘述。
S2、对输入的高光谱图像进行滤波。
通过滤波对图像进行预处理,可增强高光谱图像中的河流目标,以便后续进行计算。
S3、设定分解尺度及方向,对滤波后的图像进行分解,计算图像中不同尺度、不同方向下的剪***征,得到相应的特征图。
利用现有技术中的剪切波变换方法,对增强后的图像进行多尺度、多方向特征分析,计算出河流在不同方向下的特征,可得到不同尺度、不同方向下相应的剪***征图。分解图像时,具体的分解尺度及分解方向可根据实际需要而选择,优选地,可设定分解尺度为2~4级,分解方向为0~180°中平均分为n个方向,n的范围为6~10。
河流的方向信息是河流固有的属性,具有普遍性。计算剪***征时,当河流方向与计算方向相近,河流特征会明显而其他背景特征会减弱;在其他方向下,河流将和其他背景表现相同。因此,利用河流的方向信息,能为后续的检测任务提供非常有效的条件。
S4、对计算得到的所有剪***征进行归一化处理,得到归一化的特征图,并计算所有归一化处理后的剪***征的标准差。
本发明利用了剪***征,通过剪切波确定河流方向信息,进而确定河流区域,基于标准差进行剪切波变换后的特征选择,标准差较大的区域可确认为是河流区域,该方式能够更为快捷、准确地确认河流目标。
S5、选出每一尺度下,标准差最大的两个剪***征进行求和,得到河流的特征图像。
此步骤筛选出每一尺度下标准差最大的两个特征图,旨在选择出河流较为明显的特征,然后对选择的特征进行加和,即将选出的两个特征图点对点相加,得到河流的特征图像。
S6、对得到的河流特征图像进行自适应阈值分割,得到二值化图。
此步骤中,自适应阈值分割所采用的阈值可根据实际需要进行设定。
S7、将得到的二值化图作为活动轮廓模型模板,利用活动轮廓模型进行河流检测,得到河流检测结果。
将根据河流方向信息得到的二值化结果作为模板,并结合现有技术中的活动轮廓模型,实现自动检测高光谱图像中的河流,旨在利用河流的形状特性及河流所具有的方向性,从而有效提高河流虚警源的检测能力。
本发明提供的高光谱图像河流检测方法避免了使用边缘信息及学习类方法,无需大量样本,实现了小样本下河流目标检测,准确性高且计算难度低,同时提高了河流检测方法的计算效率及方法的鲁棒性。
优选地,在步骤S2中,对输入的高光谱图像进行滤波时,采用Frangi滤波方法以增强图像,Frangi滤波是基于Hessian矩阵构造出来的一种边缘检测增强滤波方法。具体地,Frangi滤波所采用的表达式如下:
其中,Vo表示响应结果,σ表示高斯滤波的方差,RB表示像素结构的判断函数,S表示对前景和背景的判断,β和c为常数阈值,可根据实际需要进行选择,例如根据经验值选取。λ2为每个像素点的Hessian矩阵所求得的最大的特征值。Hessian矩阵所求得的特征值至少具有两个,为实现滤波应取其中较大值,优选选择其中最大的特征值。
最终得到的滤波结果为,使用不同方差中,最大的一个响应结果,即:
其中,ρ为最大响应时的方差。
优选地,在步骤S3中,计算不同尺度、不同方向下的剪***征时,所采用的表达式如下:
其中,为尺度参数,j表示分解的图像尺度级数,为剪切参数,k表示剪切的方向的序号,即分解出一系列方向后,各方向对应的序列号,x表示图像像素值,t表示平移量,ψ表示得到的剪切波变换,SH表示得到的剪***征。
优选地,步骤S4中,对计算得到的所有剪***征进行归一化处理时,所采用的表达式如下:
SFj,k=(SHj,k-min(SHj,k))/(max(SHj,k)-min(SHj,k)) (4)
其中,SF为归一化后的剪***征,SH为归一化前的剪***征,min和max分别表示求最大值和最小值函数。
进一步地,步骤S4中,计算所有归一化处理后的剪***征的标准差时,所采用的表达式如下:
d(n)=std(SFj,k)n=1,2,...j*k (5)
其中,d为标准差向量,即存储所有特征标准差的向量,n为序号,std表示求标准差函数。步骤S5中,即在步骤S4中得到的标准差d中,选择出每一尺度下两个标准差最大的特征,并将其进行求和,得到河流的特征图像。
优选地,步骤S6中,对得到的河流特征图像进行自适应阈值分割时,所采用的自适应阈值的表达式如下:
T=μ+α×σ (6)
其中,T表示自适应阈值,μ表示河流的特征图像的均值,σ表示河流的特征图像的标准差,α为根据实际需要而设定的系数,可根据经验确定,α的经验值范围为3~7,优选为5。
在一个优选的实施方式中,本发明对一幅已降维图像(图2)进行了河流检测。在步骤S1中输入图2所示的、经过降维处理的高光谱图像。在步骤S2中对输入的高光谱图像进行Frangi滤波,得到增强的结果如图3所示。在步骤S3中设定图像的分解尺度为2级、方向为0~180°中平均8方向,得到剪***征,图4(a)至图4(c)示出了其中部分的剪***征。在步骤S4和S5中将剪***征进行归一化处理,并利用标准差选择出特征进行求和,得到河流特征图像如图5所示。在步骤S6对得到的特征图像进行自适应阈值分割,根据经验,系数α设定为5,分割得到二值化结果如图6所示。在步骤S7中将得到的二值化结果作为模板,利用活动轮廓模型进行河流检测,得到最终的检测结果如图7所示。经验证,在应用时,本发明提供的高光谱图像河流检测方法检测速率可达约4s/每幅图像,计算速度快、鲁棒性高且准确率高。
在本发明一些优选的实施方式中,还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施方式中所述的高光谱图像河流检测方法的步骤。
在本发明另一些优选的实施方式中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施方式中所述的高光谱图像河流检测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种高光谱图像河流检测方法,其特征在于,包括如下步骤:
S1、输入高光谱图像;
S2、对输入的高光谱图像进行滤波;
S3、设定分解尺度及方向,对滤波后的图像进行分解,计算不同尺度、不同方向下的剪***征;
S4、对计算得到的所有剪***征进行归一化处理,并计算每个剪***征的标准差;
S5、选出每一尺度下,标准差最大的两个剪***征进行求和,得到河流的特征图像;
S6、对得到的特征图像进行自适应阈值分割,得到二值化图;
S7、将得到的二值化图作为活动轮廓模型模板,利用活动轮廓模型进行河流检测,得到河流检测结果。
2.根据权利要求1所述的方法,其特征在于:
所述步骤S1中,输入的高光谱图像为经过降维处理的高光谱图像,或
所述步骤S1还包括对输入的高光谱图像进行降维处理。
3.根据权利要求1所述的方法,其特征在于:
所述步骤S2中,对输入的高光谱图像进行滤波时,采用Frangi滤波方法。
6.根据权利要求5所述的方法,其特征在于:
所述步骤S4中对计算得到的所有剪***征进行归一化处理时,所采用的表达式为:
SFj,k=(SHj,k-min(SHj,k))/(max(SHj,k)-min(SHj,k))
其中,SF为归一化后的剪***征,SH为归一化前的剪***征。
7.根据权利要求6所述的方法,其特征在于:
所述步骤S4中计算每个剪***征的标准差时,所采用的表达式为:
d(n)=std(SFj,k)n=1,2,...j*k
其中,d为标准差向量,n为序号。
8.根据权利要求1所述的方法,其特征在于:
所述步骤S6中对得到的特征图像进行自适应阈值分割时,自适应阈值的表达式为:
T=μ+α×σ
其中,T表示自适应阈值,μ表示特征图像的均值,σ表示特征图像的标准差,α为根据实际需要设定的系数。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035256.5A CN110796076A (zh) | 2019-10-29 | 2019-10-29 | 一种高光谱图像河流检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035256.5A CN110796076A (zh) | 2019-10-29 | 2019-10-29 | 一种高光谱图像河流检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796076A true CN110796076A (zh) | 2020-02-14 |
Family
ID=69441867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911035256.5A Pending CN110796076A (zh) | 2019-10-29 | 2019-10-29 | 一种高光谱图像河流检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796076A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339954A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于图像识别的薇甘菊监测方法 |
CN112329677A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于特征融合的遥感图像河道目标检测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
US20180268195A1 (en) * | 2016-01-27 | 2018-09-20 | Shenzhen University | Gabor cube feature selection-based classification method and system for hyperspectral remote sensing images |
CN109214439A (zh) * | 2018-08-22 | 2019-01-15 | 电子科技大学 | 一种基于多特征融合的红外图像结冰河流检测方法 |
-
2019
- 2019-10-29 CN CN201911035256.5A patent/CN110796076A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
US20180268195A1 (en) * | 2016-01-27 | 2018-09-20 | Shenzhen University | Gabor cube feature selection-based classification method and system for hyperspectral remote sensing images |
CN109214439A (zh) * | 2018-08-22 | 2019-01-15 | 电子科技大学 | 一种基于多特征融合的红外图像结冰河流检测方法 |
Non-Patent Citations (1)
Title |
---|
LIU YUHAN ET AL.: "River detection in high-resolution SAR data using the Frangi filter and shearlet features", 《REMOTE SENSING LETTERS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339954A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于图像识别的薇甘菊监测方法 |
CN112329677A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于特征融合的遥感图像河道目标检测方法和装置 |
CN112329677B (zh) * | 2020-11-12 | 2024-02-02 | 北京环境特性研究所 | 基于特征融合的遥感图像河道目标检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN108171104B (zh) | 一种文字检测方法及装置 | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN105404847B (zh) | 一种遗留物实时检测方法 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
Liu et al. | SAR image change detection based on mathematical morphology and the K-means clustering algorithm | |
CN109978848B (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 | |
CN111967511B (zh) | 一种基于异构特征融合网络的地基云图分类方法 | |
CN109615614B (zh) | 基于多特征融合的眼底图像中血管的提取方法与电子设备 | |
CN104156730B (zh) | 一种基于骨架的抗噪声汉字特征提取方法 | |
CN113869449A (zh) | 一种模型训练、图像处理方法、装置、设备及存储介质 | |
CN110502977B (zh) | 一种建筑物变化分类检测方法、***、装置及存储介质 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110796076A (zh) | 一种高光谱图像河流检测方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN117763186A (zh) | 遥感图像检索方法、***、计算机设备及存储介质 | |
CN113378837A (zh) | 车牌遮挡识别方法、装置、电子设备和存储介质 | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
CN116958880A (zh) | 视频火焰前景分割预处理方法、装置、设备及存储介质 | |
CN112183229B (zh) | 基于计算动态参数的作业纸图像的字格提取方法及装置 | |
CN113963178A (zh) | 地空背景下红外弱小目标检测方法、装置、设备及介质 | |
CN110543863B (zh) | 一种基于邻域保边水平集的绿潮遥感自动探测方法及*** | |
CN114037903A (zh) | 洪涝灾害水体范围检测方法及装置、设备和存储介质 | |
CN114529828A (zh) | 遥感图像居民地要素提取方法和装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |