CN110929782B - 一种基于正射影像图对比的河道异常检测方法 - Google Patents
一种基于正射影像图对比的河道异常检测方法 Download PDFInfo
- Publication number
- CN110929782B CN110929782B CN201911144765.1A CN201911144765A CN110929782B CN 110929782 B CN110929782 B CN 110929782B CN 201911144765 A CN201911144765 A CN 201911144765A CN 110929782 B CN110929782 B CN 110929782B
- Authority
- CN
- China
- Prior art keywords
- river channel
- pixel
- orthophoto
- feature vector
- vector space
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 17
- 230000008439 repair process Effects 0.000 claims description 11
- 238000003702 image correction Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于正射影像图对比的河道异常检测方法,包括以下步骤:S1、输入无人机拍得的河道图片集,并将这些河道图片分别转换为对应的河道正射影像图;S2、基于SIFT算法完成所得河道正射影像图的对齐操作;S3、将完成对齐操作后的两个正射影像图进行逐个像素减法的处理,然后通过主成分分析提取来自差分图像的像素块的特征向量,即生成差分图像和特征向量空间;S4、构建特征向量空间;S5、基于K‑means算法聚类特征向量空间,并更改地图;S6、给出河道异常结果的显示图。本发明在可以减少误差的同时,能很好的节省人力、物力和时间,并且适合大面积应用和推广。
Description
技术领域
本发明涉及河道异常检测领域,具体涉及一种基于正射影像图对比的河道异常检测方法。
背景技术
目前,对河道的整体环境的检测依然是以监测工作人员的实地考察为主,这样的监测不仅浪费了大量的人力、时间,还不能经常性监测,所以周期长,难以做到很好的监测工作。其次,大面积的监测整治对于人力来说更是一个考验。
正射影像生成后的对齐方法主要是基于特征的图像配准,这是一种最常用的图像配准方法,在匹配过程中常见的特征包括边缘、轮廓、直线、点、颜色、纹理等。其中点特征是最常用的,点特征提取算子方法中选择使用SIFT特征提取算法,即尺度不变特征转换(Scale-invariant feature transform或SIFT),这是一种电脑视觉的算法用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量。SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关,对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性,它们是高度显著而且相对容易撷取,在母数庞大的特征数据库中,很容易辨识物体而且鲜有误认。
但是,现有技术中尚未有将正射影像和进一步的影像处理应用到河道异常检测领域的相关工作。
发明内容
为解决上述问题,本发明提供了一种基于正射影像图对比的河道异常检测方法,在可以减少误差的同时,能很好的节省人力、物力和时间,并且适合大面积应用和推广。
为实现上述目的,本发明采取的技术方案为:
一种基于正射影像图对比的河道异常检测方法,包括以下步骤:
S1、输入无人机拍得的河道图片集,并将这些河道图片分别转换为对应的河道正射影像图;
S2、基于SIFT算法完成所得河道正射影像图的对齐操作,具体地:
S21、采用相位相关算法确定待拼接图像的重叠区域;
S22、基于SIFT算法提取重叠区域中的特征点;
S23、完成特征向量图的构建;
S24、通过计算两组特征点的128维关键点的欧氏距离实现特征点的匹配,其中,欧氏距离是每个点与特征点之间的距离,利用高斯权值来防止位置上的小变化对特征向量造成大的变化,并将欧氏距离最小的点赋予给远离特征点的点,以防止错误匹配;
S3、将完成对齐操作后的两个正射影像图进行逐个像素减法的处理,然后通过主成分分析提取来自差分图像的像素块的特征向量,即生成差分图像和特征向量空间,具体地:
构建特征向量空间;
从差分图像中取出5*5个块,将它们展平,然后投影到特征向量空间上,然后通过为差分图像的每个像素构造一个矢量来制作矢量空间,使得一个5*5块实际上是像素的5*5邻域;值得注意的是,通过该逻辑,4个边界行和4个边界列像素将不会获得任何特征向量,因为它们将不具有5*5邻域,可以通过排除这些像素来管理;
S4、基于K-means算法聚类特征向量空间,并更改地图;
S41、首先在S2中得到的特征向量空间中随机选择k个像素点作为初始的聚类中心;
S42、然后计算每个像素与各个聚类中心之间的距离,把每个像素分配给距离它最近的聚类中心。每个像素会从1到K获得一个标签,表示它们所属的簇编号;
S43、最后得到两个聚类,一个表示属于改变的类的像素,另一个表示属于未改变的类的像素,每个像素将属于任一簇,由此可以生成变化图;
S5、给出河道异常结果的显示图。
进一步地,所述步骤S1选择现有软件Pix4Dmapper或者代码方式生成河道正射影像图,正射影像制作包括影像纠正、正射影像镶嵌、正射影像的修补、正射影像裁切及正射影像图外整饰。
本发明具有以下有益效果:
(1)可以节省人力、物力和时间,并且适合大面积应用和推广。
(2)将中心投影的像片通过纠正处理,在一定程度上限制了因地形起伏引起的投影误差和传感器的误差等产生的像点位移的影像,从而减少了误差。
(3)特征清晰,判断异常准确。
附图说明
图1为本发明实施例一种基于正射影像图对比的河道异常检测方法的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示,本发明实施例提供了一种基于正射影像图对比的河道异常检测方法,包括以下步骤:
S1、输入无人机拍得的河道图片集,并将这些河道图片分别转换为对应的河道正射影像图;
S2、基于SIFT算法完成所得河道正射影像图的对齐操作,具体地:
S21、采用相位相关算法确定待对齐图像的重叠区域,其理论依据为傅里叶变换,相位相关方法具有很大的速度优势,广泛应用于图像融合,模式识别和特征匹配,其基本原理是基于图像之间存在平移变换进行平移和旋转;
S22、基于SIFT算法提取重叠区域中的特征点,SIFT算法本质是找到不同尺度空间中的关键点,计算关键点的大小、方向和尺度信息,并利用这些信息构成关键点来描述特征点,其中,要寻找的关键点是一些突出的“稳定”特征点,不会被照明、仿射函数和噪声等因素所改变,例如角点、边缘点等;
S23、完成特征向量图的构建,SIFT算法检测出的每个特征点都会生成一个描述子,SIFT描述子是对特征点附近邻域内高斯图像梯度统计结果的一种表示,它是一个三维数组,但通常表示为向量,通过根据某些规则排列三维阵列来获得矢量,特征描述符与特征点的比例有关,因此应该在与特征点对应的高斯图像上计算梯度,一般情况下,待拼接图像的重叠区域是类似的,因此在构建特征向量图后,匹配点的搜索范围可以限制在特征点空间位置的邻域内;具体的:
S24、通过计算两组特征点的128维关键点的欧氏距离实现特征点的匹配,由于特征点的主要方向不同,此时,梯度方向直方图的每个区域可以分为80°到360°方向,由于存在4*4个子区域,总共4*4*8=128个数据,最终形成128维SIFT特征向量;类似地,特征向量需要高斯加权,其中,欧氏距离是每个点与特征点之间的距离,利用高斯权值来防止位置上的小变化对特征向量造成大的变化,并将欧氏距离最小的点赋予给远离特征点的点,以防止错误匹配:
S3、将完成对齐操作后的两个正射影像图进行逐个像素减法的处理,然后通过主成分分析提取来自差分图像的像素块的特征向量,即生成差分图像和特征向量空间,具体地:
(1)差分图像就是目标场景在连续时间点图像相减所构成的图像。在该发明中,差分图像是具有2个灰度图像的对应像素的强度值的绝对值差;
提取图像的特征向量方法:主成分分析是一种强调变异并在数据集中产生强大模式的技术,它将可能相关变量的一组观察值转换为称为主成分的线性不相关变量的一组值,它是一种广泛使用的降维方法。主成分分析获取数据集并在对其进行均值归一化后确定其协方差矩阵,计算协方差矩阵的特征向量和特征值,然后以特征值的降序对特征向量进行排序。这个排序步骤是主成分分析算法的实际启示,特征向量已经按照特征值的降序排序,因为具有最高特征值的特征向量是数据集的主要分量,该向量显示大多数数据倾向于哪个方向。因此,通过主成分分析,我们能够提取表征数据的线条。
(2)构建特征向量空间
从差分图像中取出5*5个块,将它们展平,然后投影到特征向量空间上,只有这一次,块才会重叠,然后通过为差分图像的每个像素构造一个矢量来制作矢量空间,使得一个5*5块实际上是像素的5*5邻域;值得注意的是,通过该逻辑,4个边界行和4个边界列像素将不会获得任何特征向量,因为它们将不具有5*5邻域,可以通过排除这些像素来管理;
S4、聚类特征向量空间,并更改地图,具体地;
S41、首先在S2中得到的特征向量空间中随机选择k个像素点作为初始的聚类中心;
S42、然后计算每个像素与各个聚类中心之间的距离,把每个像素分配给距离它最近的聚类中心。每个像素会从1到K获得一个标签,表示它们所属的簇编号;
S43、最后得到两个聚类,一个表示属于改变的类的像素,另一个表示属于未改变的类的像素,每个像素将属于任一簇,由此可以生成变化图;
S5、给出河道异常结果的显示图。
本实施例中,所述步骤S1选择现有软件Pix4Dmapper或者代码方式生成河道正射影像图,正射影像制作包括影像纠正、正射影像镶嵌、正射影像的修补、正射影像裁切及正射影像图外整饰,具体制作过程如下:
(1)、影像纠正:在影像纠正前还需设置正射影像参数及对所用航片进行调色,由于航片可能存在色差,在进行影像纠正前对所用航片用专业的匀色软件进行匀色,如航片色差太大,前期不处理会影响后一步的正射影像镶嵌及整幅DOM的质量,对于个别色差特别大的航片匀色软件处理效果不好,可通过photo-shop软件进行个别调色。匀色完成后进行正射影像参数设置,设置好影像输出路径,成图比例尺,分辨率。
(2)、正射影像镶嵌:对各单模型正射影像进行镶嵌,在选镶嵌线的过程中,要注意绕开居民地以及完整的独立地物,保持地物的完整性。在遇到居民地密集区时尤其是城区,选取镶嵌线要尽量保证高层建筑的完整性。镶嵌线选取尽量取影像中心部分,由于我们所用航片采用的都是中心投影,中心部分影像变形最小。如果镶嵌过程出现错位现像,问题主要可能出现在绝对定向精度差,DEM局部与实地地形不符,也有可能是原始影像局部变形造成,要逐一进行排查,找出原因重新纠正再进行镶嵌。
(3)、正射影像的修补:由于DEM与实地地形不符或是航片局部变形造成正射影像局部变形,可通过正射影像修补这一功能进行修补。具体步骤如下:首先,把相机文件*.cmr放进该测区的影像文件夹images中。然后建立修补工程,进行工程设置,设置需修补的正射影像路径,设置变形处的原始影像路径,再设置需修补处DEM路径,设置完成后进入修补界面,选取修补线进行局部修补,修补后效果好就更新正射影像,效果不好可以取消修补操作,重新选取修补线。
(4)、正射影像裁切及正射影像图外整饰:在对镶嵌好的正射影像进行自查没有问题后可按设计书的分幅要求进行正射影像的裁切,然后输出影像,转换成上交成果所需影像格式,同时输出影像定位文件*.TFW,用于正射影像与图外整饰叠加。图外整饰的内容包括内外图廓线、公里格网、图名、图号及生产单位和坐标系。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (2)
1.一种基于正射影像图对比的河道异常检测方法,其特征在于:包括以下步骤:
S1、输入无人机拍得的河道图片集,并将这些河道图片分别转换为对应的河道正射影像图;
S2、基于SIFT算法完成所得河道正射影像图的对齐操作,具体地:
S21、采用相位相关算法确定待拼接图像的重叠区域;
S22、基于SIFT算法提取重叠区域中的特征点;
S23、完成特征向量图的构建;
S24、通过计算两组特征点的128维关键点的欧氏距离实现特征点的匹配,其中,欧氏距离是每个点与特征点之间的距离,利用高斯权值来防止位置上的小变化对特征向量造成大的变化,并将欧氏距离最小的点赋予给远离特征点的点,以防止错误匹配;
S3、将完成对齐操作后的两个正射影像图进行逐个像素减法的处理,然后通过主成分分析提取来自差分图像的像素块的特征向量,即生成差分图像和特征向量空间,具体地:
构建特征向量空间;
从差分图像中取出5*5个块,将它们展平,然后投影到特征向量空间上,然后通过为差分图像的每个像素构造一个矢量来制作矢量空间,使得一个5*5块实际上是像素的5*5邻域;
S4、基于K-means算法聚类特征向量空间,并更改地图,具体地;
S41、首先在S2中得到的特征向量空间中随机选择k个像素点作为初始的聚类中心;
S42、然后计算每个像素与各个聚类中心之间的距离,把每个像素分配给距离它最近的聚类中心;每个像素会从1到K获得一个标签,表示它们所属的簇编号;
S43、最后得到两个聚类,一个表示属于改变的类的像素,另一个表示属于未改变的类的像素,每个像素将属于任一簇,由此可以生成变化图;
S5、给出河道异常结果的显示图。
2.如权利要求1所述的一种基于正射影像图对比的河道异常检测方法,其特征在于:所述步骤S1选择现有软件Pix4Dmapper或者代码方式生成河道正射影像图,正射影像制作包括影像纠正、正射影像镶嵌、正射影像的修补、正射影像裁切及正射影像图外整饰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144765.1A CN110929782B (zh) | 2019-11-20 | 2019-11-20 | 一种基于正射影像图对比的河道异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144765.1A CN110929782B (zh) | 2019-11-20 | 2019-11-20 | 一种基于正射影像图对比的河道异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929782A CN110929782A (zh) | 2020-03-27 |
CN110929782B true CN110929782B (zh) | 2021-05-18 |
Family
ID=69851493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144765.1A Expired - Fee Related CN110929782B (zh) | 2019-11-20 | 2019-11-20 | 一种基于正射影像图对比的河道异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929782B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112574A (zh) * | 2021-05-11 | 2021-07-13 | 四川创数智慧科技股份有限公司 | 河湖划界影像批量入库方法、***、设备和存储介质 |
CN116091719B (zh) * | 2023-03-06 | 2023-06-20 | 山东建筑大学 | 一种基于物联网的河道数据管理方法及*** |
CN117370589B (zh) * | 2023-12-07 | 2024-02-09 | 北京瞭望神州科技有限公司 | 自然资源全生态实时感知大数据管理方法及管理平台 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8773513B2 (en) * | 2011-07-01 | 2014-07-08 | Seiko Epson Corporation | Context and epsilon stereo constrained correspondence matching |
CN104596484A (zh) * | 2015-01-30 | 2015-05-06 | 黄河水利委员会黄河水利科学研究院 | 一种黄河凌汛期流凌密度测量方法 |
CN105528797B (zh) * | 2015-12-02 | 2018-05-22 | 深圳飞马机器人科技有限公司 | 一种光学影像色彩一致性自适应处理与快速镶嵌方法 |
CN106991424B (zh) * | 2017-04-01 | 2019-08-20 | 武汉大学 | 一种基于面向对象的特定区域全自动变化监测方法 |
CN109903352B (zh) * | 2018-12-24 | 2021-03-30 | 中国科学院遥感与数字地球研究所 | 一种卫星遥感影像大区域无缝正射影像制作方法 |
-
2019
- 2019-11-20 CN CN201911144765.1A patent/CN110929782B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN110929782A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hughes et al. | A deep learning framework for matching of SAR and optical imagery | |
EP3382644A1 (en) | Method for 3d modelling based on structure from motion processing of sparse 2d images | |
US10366501B2 (en) | Method and apparatus for performing background image registration | |
CN110929782B (zh) | 一种基于正射影像图对比的河道异常检测方法 | |
Jeong et al. | The road is enough! Extrinsic calibration of non-overlapping stereo camera and LiDAR using road information | |
CN101443817B (zh) | 用于确定场景的三维重建时的对应关系的方法和装置 | |
CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
US20080310757A1 (en) | System and related methods for automatically aligning 2D images of a scene to a 3D model of the scene | |
US20100259537A1 (en) | Computer vision cad models | |
US8666170B2 (en) | Computer system and method of matching for images and graphs | |
CN110084743B (zh) | 基于多航带起始航迹约束的图像拼接与定位方法 | |
Son et al. | A multi-vision sensor-based fast localization system with image matching for challenging outdoor environments | |
Yuan et al. | Combining maps and street level images for building height and facade estimation | |
CN116485856B (zh) | 一种基于语义分割的无人机图像地理配准方法及相关设备 | |
CN111462310B (zh) | 一种基于多视几何的螺栓缺陷空间定位方法 | |
Wang | Automatic extraction of building outline from high resolution aerial imagery | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
CN113066173B (zh) | 三维模型构建方法、装置和电子设备 | |
Sun et al. | Geographic, geometrical and semantic reconstruction of urban scene from high resolution oblique aerial images. | |
CN116977341B (zh) | 一种尺寸测量方法及相关装置 | |
CN111354038A (zh) | 锚定物检测方法及装置、电子设备及存储介质 | |
CN117765039A (zh) | 点云粗配准方法、装置及设备 | |
Safdarinezhad et al. | Coregistration of satellite images and airborne lidar data through the automatic bias reduction of rpcs | |
Goshtasby | Fusion of multifocus images to maximize image information | |
Wang et al. | Stereo rectification based on epipolar constrained neural network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210518 Termination date: 20211120 |