CN111428627B - 一种山地地貌遥感提取方法及*** - Google Patents
一种山地地貌遥感提取方法及*** Download PDFInfo
- Publication number
- CN111428627B CN111428627B CN202010206562.7A CN202010206562A CN111428627B CN 111428627 B CN111428627 B CN 111428627B CN 202010206562 A CN202010206562 A CN 202010206562A CN 111428627 B CN111428627 B CN 111428627B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- data
- mountain
- gaussian
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000003709 image segmentation Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 50
- 238000001514 detection method Methods 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 abstract description 4
- 230000001953 sensory effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于遥感技术领域,公开了一种山地地貌遥感提取方法及***,山地地貌遥感提取***包括电磁波探测模块、主控模块、遥感图像生成模块、校正模块、图像分割模块、特征提取模块、遥感数据分类模块、遥感图存储模块、显示模块。本发明通过图像分割模块有效解决了灰度级隶属的不确定性及分割决策的不确定性带来的分割问题,实现对高分辨率遥感数据复杂直方图分布特征的更加精确的拟合,并很好的克服了噪声,提高了山地地貌遥感图像分割精度;同时,通过感数据分类模块利用分类体系学习和时空数据自组织,可以动态的根据新数据不断调整和完善层级分类体系,实现山地遥感数据的动态组织和分类管理。
Description
技术领域
本发明属于遥感技术领域,尤其涉及一种山地地貌遥感提取方法及***。
背景技术
遥感(remote sensing)是指非接触的,远距离的探测技术。运用传感器/遥感器对物体的电磁波的辐射、反射特性的探测。是一种获取其反射、辐射或散射的电磁波信息(如电场、磁场、电磁波、地震波等信息),并进行提取、判定、加工处理、分析与应用的一门科学和技术。遥感,从字面上来看,可以简单理解为遥远的感知,泛指一切无接触的远距离的探测;遥感通过人造地球卫星、航空等平台上的遥测仪器把对地球表面实施感应遥测和资源管理的监视(如树木、草地、土壤、水、矿物、农家作物、鱼类和野生动物等的资源管理)结合起来的一种新技术。然而,现有山地地貌遥感图像分割精度差;同时,传统的遥感数据组织是简单地入库,根据应用需求来对数据库进行查找和信息获取,一方面查找效率和信息获取的能力受到限制,另一方面不能直观地查看数据库中的信息,极大地限制了数据的利用价值。
综上所述,现有技术存在的问题是:
现有山地地貌遥感图像分割精度差;同时,传统的遥感数据组织是简单地入库,根据应用需求来对数据库进行查找和信息获取,一方面查找效率和信息获取的能力受到限制,另一方面不能直观地查看数据库中的信息,极大地限制了数据的利用价值。
现有技术中不能有效去除外界因素对电磁波的干扰,降低成像效果;现有技术中图像分割效果较差,不利与图像处理分析效果;现有技术中数据分类处理时,不能保证分类质量,且对遥感数据的分类速度较慢。现有技术中,提取山地遥感图像的地貌特征效果差,不能很好地运用在起伏较大的地形表面。
发明内容
针对现有技术存在的问题,本发明提供了一种山地地貌遥感提取方法。
本发明是这样实现的,一种山地地貌遥感提取方法,所述山地地貌遥感提取方法包括以下步骤:
步骤一,通利用遥感器探测山地发射的电磁波;
步骤二,利用成像设备将探测的电磁波生成山地遥感图像;
步骤三,利用校正软件对生成的山地遥感图像进行校正;利用图像分割软件对山地遥感图像进行分割操作;
步骤四,利用图像处理软件提取山地遥感图像的地貌特征;将M个传感器节点随机部署在山地探测部位中,对每个节点的中心点进行Delaunay三角形剖分;做出每个Delaunay三角形的外接圆,比较节点半径和外接圆半径,如果R>r,那么肯定存在隐蔽部分,保存这个Delaunay三角形和外接圆,否则去掉外接圆,传感器节点半径为r,每个外接圆的半径为R;计算剩余两个相邻三角形的公共边长d,如果d>2r,或者公共边不与两个三角形外接圆的中心连线相交,那么对这些三角形进行聚类分组得到边界节点,每个聚类分组都会存在隐蔽部分;对每个聚类分组中的传感器节点中心点,用能够包含隐蔽部分的最小多边形的方法,表示出隐蔽部分边界;对边界节点进行假边界节点的判定,去掉假边界节点之后,再次用能够包含隐蔽部分的最小多边形方法,表示出改善后的隐蔽部分边界;传感器节点随机部署在山地探测部位的实际覆盖面积会变小,经过地形修正的传感器节点的二维覆盖区域为椭圆,利用坡度和坡向角算出实际探测半径,使用检测算法算出修正后的隐蔽部分边界,最终山地遥感图像的地貌特征;
步骤五,利用数据处理软件对遥感数据进行分类处理操作;
步骤六,通过遥感图存储模块利用存储器存储山地遥感图像数据;并通过显示模块利用显示器显示山地遥感图像。
进一步,图像分割方法包括:
(1)读取待分割的高分辨率遥感影像;
(2)利用待分割的高分辨率遥感影像中各地物类别的高斯二型模糊隶属函数模型,计算每个灰度级所对应的高斯二型模糊隶属度;
(3)利用待分割的高分辨率遥感影像中各地物类别的分割决策模型,计算每个灰度级在各分割决策模型中的隶属度;
(4)高分辨遥感影像中每个像素的灰度级在各分割决策模型中的最大隶属度值所对应的地物类别,即为分割结果;
(5)按照设定步长改变高斯二型模糊隶属函数模型并重复步骤(2)至步骤(4),对所有分割结果进行比较,取分割精度最高的分割结果作为最终的高分辨率遥感影像分割结果;
进一步,所述步骤(2)包括:
构建高斯主隶属函数模型并计算主隶属度:对待分割的高分辨率遥感影像中的每个地物类别进行监督采样提取训练样本,计算训练样本中各灰度级在对应的地物类别中出现的频率,对不同地物类别建立高斯主隶属函数模型并计算高斯主隶属度;
确定高斯二型模糊隶属函数模型的不确定区域:将高斯主隶属函数模型中的标准差模糊化为标准差区间,该标准差区间所对应的高斯主隶属函数模型组成的区域即为高斯二型模糊隶属函数模型的不确定区域,此时每个灰度级所对应的高斯主隶属度为一个区间;
构建高斯次隶属函数模型:确定灰度范围内每个灰度级的高斯次隶属函数模型均值和方差建立高斯次隶属函数模型并计算高斯次隶属度;
利用由高斯主隶属函数模型、高斯次隶属函数模型、不确定区域构成的高斯二型模糊隶属函数模型,计算高斯二型模糊隶属度:计算灰度范围内每个灰度级的高斯主隶属度集合元素与对应的高斯次隶属度集合元素的乘积,即该灰度级的高斯二型模糊隶属度,每个灰度级所对应的高斯二型模糊隶属度为一个集合;
进一步,遥感数据分类方法包括:
1)根据海量遥感数据中各遥感数据的空间信息和时间信息,将海量遥感数据划分为至少一个数据集合,其中,每个数据集合包括至少一个遥感数据;
2)提取每个数据集合中的数据特征,所述数据特征包括:属性特征和影像特征,属性特征是指数据的来源、类型、分辨率,影像特征是直方图特征、边缘特征、纹理特征;
3)根据所述数据特征,对每个数据集合中遥感数据进行层级聚类,从而将每个数据集合中具有相同数据特征的遥感数据分类为同一数据类别;
4)为每个数据类别添加一个语义标签;
进一步,所述步骤1)包括:
在标准的椭球坐标系下,对各遥感数据的按地理空间位置进行编码,得到各遥感数据的地理编码,所述地理编码包括:数据的层级、经度和纬度;把全球空间范围按经纬度、高度网格划分并进行编号,地理编码由20位构成,前两位表示高度编号,中间9位表示经度编号,后9位表示纬度编号;
将具有相同地理编码的遥感数据归并至同一数据集合,得到至少一个数据集合;
在每个数据集合中,根据各遥感数据的时间信息,建立序列关系;
对已经建立序列关系的数据集合,建立时空索引;
进一步,所述步骤3)中,采用层级中餐馆模型对所述遥感数据进行层级聚类;
在采用层级中餐馆模型对任意一遥感数据进行层级聚类时,将该遥感数据分类到已有的数据类别,或者新建立一个数据类别,并将该遥感数据分类到该新建立的数据类别;
采用层级中餐馆模型对新加入的遥感数据进行层级聚类,将该新加入的遥感数据分类到已有的数据类别,或者新建立一个数据类别,并将该新加入的遥感数据分类到该新建立的数据类别。
进一步,传感器节点随机部署在山地探测部位中的方法,山地探测部位表示为一个单值函数z=h(x,y),每个传感器的感知半径r都相同,感知区域形成了一个在三维空间中以为传感器位置为中心,r为半径的球体。
本发明的另一目的在于提供一种终端,所述终端搭载实现所述山地地貌遥感提取方法的处理器。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的山地地貌遥感提取方法。
本发明的另一目的在于提供一种实施所述山地地貌遥感提取的山地地貌遥感提取***,所述山地地貌遥感提取***包括:
电磁波探测模块,与主控模块连接,用于通过遥感器探测山地发射的电磁波;
主控模块,与电磁波探测模块、遥感图像生成模块、校正模块、图像分割模块、特征提取模块、遥感数据分类模块、遥感图存储模块、显示模块连接,用于通过单片机控制各个模块正常工作;
遥感图像生成模块,与主控模块连接,用于通过成像设备将探测的电磁波生成山地遥感图像;
校正模块,与主控模块连接,用于通过校正软件对生成的山地遥感图像进行校正;
图像分割模块,与主控模块连接,用于通过图像分割软件对山地遥感图像进行分割操作;
特征提取模块,与主控模块连接,用于通过图像处理软件提取山地遥感图像的地貌特征;
遥感数据分类模块,与主控模块连接,用于通过数据处理软件对遥感数据进行分类处理操作;
遥感图存储模块,与主控模块连接,用于通过存储器存储山地遥感图像数据;
显示模块,与主控模块连接,用于通过显示器显示山地遥感图像。
本发明的优点及积极效果为:
本发明通过图像分割模块对影像构建高斯二型模糊隶属函数模型并将所有隶属度加权平均构建分割决策模型,有效解决了灰度级隶属的不确定性及分割决策的不确定性带来的分割问题,实现对高分辨率遥感数据复杂直方图分布特征的更加精确的拟合,并很好的克服了噪声,提高了山地地貌遥感图像分割精度;同时,通过感数据分类模块利用分类体系学习和时空数据自组织,根据数据自动建立层级分类体系,提供由粗到细逐级细化的聚类结果,灵活方便,并且在后续使用过程中,可以动态的根据新数据不断调整和完善层级分类体系,实现山地遥感数据的动态组织和分类管理。
本发明的成像设备在生成山地遥感图像过程中通过PURE-LET的小波域去噪模型,有效去除外界因素对电磁波的干扰,提高成像效果;通过计算机利用图像分割软件采用FCM图像分割算法,有效提高山地遥感图像分割效果,加快分割速度,提高分割速度,有利提高图像处理分析效果;利用数据处理软件采用朴素贝叶斯算法对遥感数据进行分类处理,在保证分类质量的条件下,提高对遥感数据的分类速度。
本发明将M个传感器节点随机部署在山地探测部位中,对每个节点的中心点进行Delaunay三角形剖分;做出每个Delaunay三角形的外接圆,比较节点半径和外接圆半径,如果R>r,那么肯定存在隐蔽部分,保存这个Delaunay三角形和外接圆,否则去掉外接圆,传感器节点半径为r,每个外接圆的半径为R;计算剩余两个相邻三角形的公共边长d,如果d>2r,或者公共边不与两个三角形外接圆的中心连线相交,那么对这些三角形进行聚类分组得到边界节点,每个聚类分组都会存在隐蔽部分;对每个聚类分组中的传感器节点中心点,用能够包含隐蔽部分的最小多边形的方法,表示出隐蔽部分边界;对边界节点进行假边界节点的判定,去掉假边界节点之后,再次用能够包含隐蔽部分的最小多边形方法,表示出改善后的隐蔽部分边界;传感器节点随机部署在山地探测部位的实际覆盖面积会变小,经过地形修正的传感器节点的二维覆盖区域为椭圆,利用坡度和坡向角算出实际探测半径,使用检测算法算出修正后的隐蔽部分边界,最终山地遥感图像的地貌特征;能很好地运用在起伏较大的地形表面。
附图说明
图1是本发明实施例提供的山地地貌遥感提取方法流程图。
图2是本发明实施例提供的山地地貌遥感提取***结构图。
图中:1、电磁波探测模块;2、主控模块;3、遥感图像生成模块;4、校正模块;5、图像分割模块;6、特征提取模块;7、遥感数据分类模块;8、遥感图存储模块;9、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明包括。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明提供的山地地貌遥感提取方法包括以下步骤:
S101,利用遥感器探测和采集山地发射的电磁波。
S102,利用具有PURE-LET的小波域去噪模型的成像设备将探测的电磁波生成山地遥感图像。
S103,通过计算机利用校正软件对生成的山地遥感图像进行校正。通过计算机利用图像分割软件采用FCM图像分割算法对山地遥感图像进行分割操作。
S104,通过计算机利用图像处理软件提取山地遥感图像的地貌特征。通过计算机利用数据处理软件采用朴素贝叶斯算法对遥感数据进行分类处理操作。
S105,利用存储器存储山地遥感图像数据。并通过显示器显示山地遥感图像。
步骤S102中,本发明实施例提供的成像设备在生成山地遥感图像过程中通过PURE-LET的小波域去噪模型,有效去除外界因素对电磁波的干扰,提高成像效果,具体算法为:
并通过PURE的最小化来确定系数向量a=[a1,…,aM]T。
令θ(d,s)=θj(dj,sj)为无噪声小波系数δ=δj的一个估计。
函数θ+(d,s)和θ-(d,s)包括:
通过PURE的最小化,来计算式(2)中小波估计的线性组合参数。将式(2)代入式(3),并省略自变量(d,s),有
步骤S103中,本发明实施例提供的通过计算机利用图像分割软件采用FCM图像分割算法,有效提高山地遥感图像分割效果,加快分割速度,提高分割速度,有利提高图像处理分析效果。具体步骤:
(1)初始化的确定:根据图像分割的要求,需要对图像进行初始化的确定,并对需要的参数进行初始化,并将直方图的聚类中心。
(2)因子的自适应性的确定,适应度,根据构造的适应函数:
f=a/(b+J)。
其中,a,b是可调整的参数,根据实验可以分别取值为10和1.5,J为的目标函数。
(3)变异操作:个体前后的变化量为0.5r(t/T),数据r是在规定的区间内产生的随机数,T为计算的最大代数。
(4)迭代计算:将通过新的切割数据得出新的模糊隶属度矩阵,产生新的切割参数,返回步骤二进行迭代计算,直到完成条件的终止,完成图像的分割。
步骤S104中,本发明实施例提供的利用数据处理软件采用朴素贝叶斯算法对遥感数据进行分类处理,在保证分类质量的条件下,提高对遥感数据的分类速度,具体的算法为:
设D是训练对象与其相关联的类标号的集合。每个对象用一个n维属性向量X={x1,x2…xn}表示,描述n个属性A1,A2…An的值。假定原始集合基于n维属性共划分为m个类C1,C2…Cm,计算每个类对X的后验概率,并将对象X归属于具有最高后验概率的类。后验概率P(Ci|X)的计算公式为:
由于P(Ci|X)的计算开销较大,进行类条件独立的假定,给定向量的类标号,并假定属性值有条件的相互独立。P(Xi|C)的计算公式为:
其中,P(x1|Ci)P(x2|Ci)…P(xn|Cn)可以容易地由训练对象求算,xk表示X在属性Ak上的值。对每个类别Ci计算P(X|Ci)P(Ci)。当P(X|Ci)P(Ci)>P(X|Cj)P(C j),1≤j≤m,j≠i成立时,X属于类Ci。
步骤S104中,将M个传感器节点随机部署在山地探测部位中,对每个节点的中心点进行Delaunay三角形剖分。
做出每个Delaunay三角形的外接圆,比较节点半径和外接圆半径,如果R>r,那么肯定存在隐蔽部分,保存这个Delaunay三角形和外接圆,否则去掉外接圆,传感器节点半径为r,每个外接圆的半径为R;计算剩余两个相邻三角形的公共边长d,如果d>2r,或者公共边不与两个三角形外接圆的中心连线相交,那么对这些三角形进行聚类分组得到边界节点,每个聚类分组都会存在隐蔽部分;对每个聚类分组中的传感器节点中心点,用能够包含隐蔽部分的最小多边形的方法,表示出隐蔽部分边界;对边界节点进行假边界节点的判定,去掉假边界节点之后,再次用能够包含隐蔽部分的最小多边形方法,表示出改善后的隐蔽部分边界;传感器节点随机部署在山地探测部位的实际覆盖面积会变小,经过地形修正的传感器节点的二维覆盖区域为椭圆,利用坡度和坡向角算出实际探测半径,使用检测算法算出修正后的隐蔽部分边界,最终山地遥感图像的地貌特征。
传感器节点随机部署在山地探测部位中的方法,山地探测部位表示为一个单值函数z=h(x,y),每个传感器的感知半径r都相同,感知区域形成了一个在三维空间中以为传感器位置为中心,r为半径的球体。
实际探测半径的计算方法在曲面z=h(x,y)上,对于点P(x,y)方向梯度为:
点P沿着β方向的坡度G为:
G=Scosβ
β是坡向,由于三维地形的起伏缺陷,传感器节点沿β方向的实际探测半径r’与理想探测半径r的关系表示为:
r'=rcosγ
实际探测半径r’与坡度S和坡向角β的关系为:
r'=rcos(arctan(Scosβ))。
修正方法为沿着坡向方向,节点相交的两条等高线之间的差值为高度差Δh,相交的两条等高线之间的距离为Δd,坡度S表示为:
计算出三维地形下每个传感器节点在二维平面上的椭圆投影。
如图2所示,本发明实施例提供的山地地貌遥感提取***包括:
电磁波探测模块1、主控模块2、遥感图像生成模块3、校正模块4、图像分割模块5、特征提取模块6、遥感数据分类模块7、遥感图存储模块8、显示模块9。
电磁波探测模块1,与主控模块2连接,用于通过遥感器探测山地发射的电磁波。
主控模块2,与电磁波探测模块1、遥感图像生成模块3、校正模块4、图像分割模块5、特征提取模块6、遥感数据分类模块7、遥感图存储模块8、显示模块9连接,用于通过单片机控制各个模块正常工作。
遥感图像生成模块3,与主控模块2连接,用于通过成像设备将探测的电磁波生成山地遥感图像。
校正模块4,与主控模块2连接,用于通过校正软件对生成的山地遥感图像进行校正。
图像分割模块5,与主控模块2连接,用于通过图像分割软件对山地遥感图像进行分割操作。
特征提取模块6,与主控模块2连接,用于通过图像处理软件提取山地遥感图像的地貌特征。
遥感数据分类模块7,与主控模块2连接,用于通过数据处理软件对遥感数据进行分类处理操作。
遥感图存储模块8,与主控模块2连接,用于通过存储器存储山地遥感图像数据。
显示模块9,与主控模块2连接,用于通过显示器显示山地遥感图像。
本发明提供的图像分割模块5分割方法包括:
(1)读取待分割的高分辨率遥感影像。
(2)利用待分割的高分辨率遥感影像中各地物类别的高斯二型模糊隶属函数模型,计算每个灰度级所对应的高斯二型模糊隶属度。
(3)利用待分割的高分辨率遥感影像中各地物类别的分割决策模型,计算每个灰度级在各分割决策模型中的隶属度。
(4)高分辨遥感影像中每个像素的灰度级在各分割决策模型中的最大隶属度值所对应的地物类别,即为分割结果。
(5)按照设定步长改变高斯二型模糊隶属函数模型并重复步骤(2)至步骤(4),对所有分割结果进行比较,取分割精度最高的分割结果作为最终的高分辨率遥感影像分割结果。
本发明提供的步骤(2)包括:
构建高斯主隶属函数模型并计算主隶属度:对待分割的高分辨率遥感影像中的每个地物类别进行监督采样提取训练样本,计算训练样本中各灰度级在对应的地物类别中出现的频率,对不同地物类别建立高斯主隶属函数模型并计算高斯主隶属度。
确定高斯二型模糊隶属函数模型的不确定区域:将高斯主隶属函数模型中的标准差模糊化为标准差区间,该标准差区间所对应的高斯主隶属函数模型组成的区域即为高斯二型模糊隶属函数模型的不确定区域,此时每个灰度级所对应的高斯主隶属度为一个区间。
构建高斯次隶属函数模型:确定灰度范围内每个灰度级的高斯次隶属函数模型均值和方差建立高斯次隶属函数模型并计算高斯次隶属度。
利用由高斯主隶属函数模型、高斯次隶属函数模型、不确定区域构成的高斯二型模糊隶属函数模型,计算高斯二型模糊隶属度:计算灰度范围内每个灰度级的高斯主隶属度集合元素与对应的高斯次隶属度集合元素的乘积,即该灰度级的高斯二型模糊隶属度,每个灰度级所对应的高斯二型模糊隶属度为一个集合。
本发明提供的遥感数据分类模块7分类方法包括:
1)根据海量遥感数据中各遥感数据的空间信息和时间信息,将海量遥感数据划分为至少一个数据集合,其中,每个数据集合包括至少一个遥感数据。
2)提取每个数据集合中的数据特征,所述数据特征包括:属性特征和影像特征,属性特征是指数据的来源、类型、分辨率,影像特征是直方图特征、边缘特征、纹理特征。
3)根据所述数据特征,对每个数据集合中遥感数据进行层级聚类,从而将每个数据集合中具有相同数据特征的遥感数据分类为同一数据类别。
4)为每个数据类别添加一个语义标签。
本发明提供的步骤1)包括:
在标准的椭球坐标系下,对各遥感数据的按地理空间位置进行编码,得到各遥感数据的地理编码,所述地理编码包括:数据的层级、经度和纬度。把全球空间范围按经纬度、高度网格划分并进行编号,地理编码由20位构成,前两位表示高度编号,中间9位表示经度编号,后9位表示纬度编号。
将具有相同地理编码的遥感数据归并至同一数据集合,得到至少一个数据集合。
在每个数据集合中,根据各遥感数据的时间信息,建立序列关系。
对已经建立序列关系的数据集合,建立时空索引。
本发明提供的步骤3)中,采用层级中餐馆模型对所述遥感数据进行层级聚类。
在采用层级中餐馆模型对任意一遥感数据进行层级聚类时,将该遥感数据分类到已有的数据类别,或者新建立一个数据类别,并将该遥感数据分类到该新建立的数据类别。
采用层级中餐馆模型对新加入的遥感数据进行层级聚类,将该新加入的遥感数据分类到已有的数据类别,或者新建立一个数据类别,并将该新加入的遥感数据分类到该新建立的数据类别。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种山地地貌遥感提取方法,其特征在于,所述山地地貌遥感提取方法包括以下步骤:
步骤一,通利用遥感器探测山地发射的电磁波;
步骤二,利用成像设备将探测的电磁波生成山地遥感图像;
步骤三,利用校正软件对生成的山地遥感图像进行校正;利用图像分割软件对山地遥感图像进行分割操作;
步骤四,利用图像处理软件提取山地遥感图像的地貌特征;将M个传感器节点随机部署在山地探测部位中,对每个节点的中心点进行Delaunay三角形剖分;做出每个Delaunay三角形的外接圆,比较节点半径和外接圆半径,如果R>r,那么肯定存在隐蔽部分,保存这个Delaunay三角形和外接圆,否则去掉外接圆,传感器节点半径为r,每个外接圆的半径为R;计算剩余两个相邻三角形的公共边长d,如果d>2r,或者公共边不与两个三角形外接圆的中心连线相交,那么对这些三角形进行聚类分组得到边界节点,每个聚类分组都会存在隐蔽部分;对每个聚类分组中的传感器节点中心点,用能够包含隐蔽部分的最小多边形的方法,表示出隐蔽部分边界;对边界节点进行假边界节点的判定,去掉假边界节点之后,再次用能够包含隐蔽部分的最小多边形方法,表示出改善后的隐蔽部分边界;传感器节点随机部署在山地探测部位的实际覆盖面积会变小,经过地形修正的传感器节点的二维覆盖区域为椭圆,利用坡度和坡向角算出实际探测半径,使用检测算法算出修正后的隐蔽部分边界,最终山地遥感图像的地貌特征;
步骤五,利用数据处理软件对遥感数据进行分类处理操作;
步骤六,通过遥感图存储模块利用存储器存储山地遥感图像数据;并通过显示模块利用显示器显示山地遥感图像。
2.如权利要求1所述山地地貌遥感提取方法,其特征在于,图像分割方法包括:
(1)读取待分割的高分辨率遥感影像;
(2)利用待分割的高分辨率遥感影像中各地物类别的高斯二型模糊隶属函数模型,计算每个灰度级所对应的高斯二型模糊隶属度;
(3)利用待分割的高分辨率遥感影像中各地物类别的分割决策模型,计算每个灰度级在各分割决策模型中的隶属度;
(4)高分辨遥感影像中每个像素的灰度级在各分割决策模型中的最大隶属度值所对应的地物类别,即为分割结果;
(5)按照设定步长改变高斯二型模糊隶属函数模型并重复步骤(2)至步骤(4),对所有分割结果进行比较,取分割精度最高的分割结果作为最终的高分辨率遥感影像分割结果。
3.如权利要求2所述山地地貌遥感提取方法,其特征在于,所述步骤(2)包括:
构建高斯主隶属函数模型并计算主隶属度:对待分割的高分辨率遥感影像中的每个地物类别进行监督采样提取训练样本,计算训练样本中各灰度级在对应的地物类别中出现的频率,对不同地物类别建立高斯主隶属函数模型并计算高斯主隶属度;
确定高斯二型模糊隶属函数模型的不确定区域:将高斯主隶属函数模型中的标准差模糊化为标准差区间,该标准差区间所对应的高斯主隶属函数模型组成的区域即为高斯二型模糊隶属函数模型的不确定区域,此时每个灰度级所对应的高斯主隶属度为一个区间;
构建高斯次隶属函数模型:确定灰度范围内每个灰度级的高斯次隶属函数模型均值和方差建立高斯次隶属函数模型并计算高斯次隶属度;
利用由高斯主隶属函数模型、高斯次隶属函数模型、不确定区域构成的高斯二型模糊隶属函数模型,计算高斯二型模糊隶属度:计算灰度范围内每个灰度级的高斯主隶属度集合元素与对应的高斯次隶属度集合元素的乘积,即该灰度级的高斯二型模糊隶属度,每个灰度级所对应的高斯二型模糊隶属度为一个集合。
4.如权利要求1所述山地地貌遥感提取方法,其特征在于,遥感数据分类方法包括:
1)根据海量遥感数据中各遥感数据的空间信息和时间信息,将海量遥感数据划分为至少一个数据集合,其中,每个数据集合包括至少一个遥感数据;
2)提取每个数据集合中的数据特征,所述数据特征包括:属性特征和影像特征,属性特征是指数据的来源、类型、分辨率,影像特征是直方图特征、边缘特征、纹理特征;
3)根据所述数据特征,对每个数据集合中遥感数据进行层级聚类,从而将每个数据集合中具有相同数据特征的遥感数据分类为同一数据类别;
4)为每个数据类别添加一个语义标签。
5.如权利要求4所述山地地貌遥感提取方法,其特征在于,所述步骤1)包括:
在标准的椭球坐标系下,对各遥感数据的按地理空间位置进行编码,得到各遥感数据的地理编码,所述地理编码包括:数据的层级、经度和纬度;把全球空间范围按经纬度、高度网格划分并进行编号,地理编码由20位构成,前两位表示高度编号,中间9位表示经度编号,后9位表示纬度编号;
将具有相同地理编码的遥感数据归并至同一数据集合,得到至少一个数据集合;
在每个数据集合中,根据各遥感数据的时间信息,建立序列关系;
对已经建立序列关系的数据集合,建立时空索引。
6.如权利要求4所述山地地貌遥感提取方法,其特征在于,所述步骤3)中,采用层级中餐馆模型对所述遥感数据进行层级聚类;
在采用层级中餐馆模型对任意一遥感数据进行层级聚类时,将该遥感数据分类到已有的数据类别,或者新建立一个数据类别,并将该遥感数据分类到该新建立的数据类别;
采用层级中餐馆模型对新加入的遥感数据进行层级聚类,将该新加入的遥感数据分类到已有的数据类别,或者新建立一个数据类别,并将该新加入的遥感数据分类到该新建立的数据类别。
7.如权利要求1所述的山地地貌遥感提取方法,其特征在于,传感器节点随机部署在山地探测部位中的方法,山地探测部位表示为一个单值函数z=h(x,y),每个传感器的感知半径r都相同,感知区域形成了一个在三维空间中以为传感器位置为中心,r为半径的球体。
8.一种终端,其特征在于,所述终端搭载实现权利要求1~7任意一项所述山地地貌遥感提取方法的处理器。
9.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-7任意一项所述的山地地貌遥感提取方法。
10.一种实施权利要求1所述山地地貌遥感提取方法 的山地地貌遥感提取***,其特征在于,所述山地地貌遥感提取***包括:
电磁波探测模块,与主控模块连接,用于通过遥感器探测山地发射的电磁波;
主控模块,与电磁波探测模块、遥感图像生成模块、校正模块、图像分割模块、特征提取模块、遥感数据分类模块、遥感图存储模块、显示模块连接,用于通过单片机控制各个模块正常工作;
遥感图像生成模块,与主控模块连接,用于通过成像设备将探测的电磁波生成山地遥感图像;
校正模块,与主控模块连接,用于通过校正软件对生成的山地遥感图像进行校正;
图像分割模块,与主控模块连接,用于通过图像分割软件对山地遥感图像进行分割操作;
特征提取模块,与主控模块连接,用于通过图像处理软件提取山地遥感图像的地貌特征;
遥感数据分类模块,与主控模块连接,用于通过数据处理软件对遥感数据进行分类处理操作;
遥感图存储模块,与主控模块连接,用于通过存储器存储山地遥感图像数据;
显示模块,与主控模块连接,用于通过显示器显示山地遥感图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206562.7A CN111428627B (zh) | 2020-03-23 | 2020-03-23 | 一种山地地貌遥感提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206562.7A CN111428627B (zh) | 2020-03-23 | 2020-03-23 | 一种山地地貌遥感提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428627A CN111428627A (zh) | 2020-07-17 |
CN111428627B true CN111428627B (zh) | 2023-03-24 |
Family
ID=71548625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010206562.7A Active CN111428627B (zh) | 2020-03-23 | 2020-03-23 | 一种山地地貌遥感提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428627B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036246B (zh) * | 2020-07-30 | 2021-08-24 | 长安大学 | 遥感影像分类模型的构建方法,遥感影像分类方法及*** |
CN114881892B (zh) * | 2022-07-04 | 2022-10-14 | 清华大学 | 基于ii型模糊粗糙模型的遥感影像特征离散化方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590325A (zh) * | 2016-02-22 | 2016-05-18 | 辽宁工程技术大学 | 基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 |
CN106127784A (zh) * | 2016-07-01 | 2016-11-16 | 辽宁工程技术大学 | 一种高分辨率遥感影像分割方法 |
WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及*** |
CN106971156A (zh) * | 2017-03-22 | 2017-07-21 | 中国地质科学院矿产资源研究所 | 一种基于面向对象分类的稀土开采区遥感信息提取方法 |
WO2017161892A1 (zh) * | 2016-03-23 | 2017-09-28 | 深圳大学 | 一种高光谱遥感图像的分类方法及其*** |
WO2019047248A1 (zh) * | 2017-09-07 | 2019-03-14 | 深圳大学 | 高光谱遥感图像的特征提取方法及装置 |
CN110826509A (zh) * | 2019-11-12 | 2020-02-21 | 云南农业大学 | 一种基于高分遥感影像的草原围栏信息提取***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256419B (zh) * | 2017-12-05 | 2018-11-23 | 交通运输部规划研究院 | 一种利用多光谱解译提取港口码头图像的方法 |
-
2020
- 2020-03-23 CN CN202010206562.7A patent/CN111428627B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及*** |
CN105590325A (zh) * | 2016-02-22 | 2016-05-18 | 辽宁工程技术大学 | 基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 |
WO2017161892A1 (zh) * | 2016-03-23 | 2017-09-28 | 深圳大学 | 一种高光谱遥感图像的分类方法及其*** |
CN106127784A (zh) * | 2016-07-01 | 2016-11-16 | 辽宁工程技术大学 | 一种高分辨率遥感影像分割方法 |
CN106971156A (zh) * | 2017-03-22 | 2017-07-21 | 中国地质科学院矿产资源研究所 | 一种基于面向对象分类的稀土开采区遥感信息提取方法 |
WO2019047248A1 (zh) * | 2017-09-07 | 2019-03-14 | 深圳大学 | 高光谱遥感图像的特征提取方法及装置 |
CN110826509A (zh) * | 2019-11-12 | 2020-02-21 | 云南农业大学 | 一种基于高分遥感影像的草原围栏信息提取***及方法 |
Non-Patent Citations (2)
Title |
---|
基于区间二型模糊神经网络的高分辨率遥感影像分割方法;王春艳等;《信号处理》;20170525(第05期);全文 * |
融入空间关系的二型模糊模型高分辨率遥感影像分割;王春艳等;《遥感学报》;20160125(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111428627A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Distante et al. | Handbook of image processing and computer vision | |
Tupin et al. | Detection of linear features in SAR images: Application to road network extraction | |
US7995055B1 (en) | Classifying objects in a scene | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
Jin et al. | A point-based fully convolutional neural network for airborne LiDAR ground point filtering in forested environments | |
Yhann et al. | Application of neural networks to AVHRR cloud segmentation | |
CN111161229B (zh) | 一种基于几何主动轮廓模型和稀疏自编码的变化检测方法 | |
Zeng et al. | Image fusion for land cover change detection | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
CN111738332B (zh) | 基于特征级融合的水下多源声学图像底质分类方法及*** | |
Wang et al. | A center location algorithm for tropical cyclone in satellite infrared images | |
CN107301649B (zh) | 一种基于超像素的区域合并sar图像海岸线检测算法 | |
CN111428627B (zh) | 一种山地地貌遥感提取方法及*** | |
CN109242968A (zh) | 一种基于多属性超体素图割的河道三维建模方法 | |
CN111815640B (zh) | 一种基于忆阻器的rbf神经网络医学图像分割算法 | |
Robb et al. | A semi-automated method for mapping glacial geomorphology tested at Breiðamerkurjökull, Iceland | |
Wang et al. | Automatic mapping of lunar landforms using DEM-derived geomorphometric parameters | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
Wang et al. | A conformal regressor with random forests for tropical cyclone intensity estimation | |
Chen et al. | Heterogeneous images change detection based on iterative joint global–local translation | |
Patel et al. | Adaboosted extra trees classifier for object-based multispectral image classification of urban fringe area | |
CN112270285B (zh) | 一种基于稀疏表示和胶囊网络的sar图像变化检测方法 | |
Zhu et al. | A multi-resolution hierarchy classification study compared with conservative methods | |
Liu et al. | Fuzzy cluster analysis of spatio-temporal data | |
Yang et al. | AAE-Dpeak-SC: A novel unsupervised clustering method for space target ISAR images based on adversarial autoencoder and density peak-spectral clustering |
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 |