CN111626131B - 基于无人机遥感的电力施工区域信息提取及其变化检测方法 - Google Patents
基于无人机遥感的电力施工区域信息提取及其变化检测方法 Download PDFInfo
- Publication number
- CN111626131B CN111626131B CN202010344993.XA CN202010344993A CN111626131B CN 111626131 B CN111626131 B CN 111626131B CN 202010344993 A CN202010344993 A CN 202010344993A CN 111626131 B CN111626131 B CN 111626131B
- Authority
- CN
- China
- Prior art keywords
- power construction
- construction area
- image
- aerial vehicle
- unmanned aerial
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 123
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000007635 classification algorithm Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 12
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于无人机遥感的电力施工区域信息提取及其变化检测方法,其中电力施工区域信息提取包括:电力施工区域特征提取;根据提取的特征计算影像中不同特征的差异性,从而最大化电力施工区域和影像中其他目标的差异;利用最近邻分类算法提取电力施工区域;电力施工区域变化检测包括:通过影像代数法求取不同影像之间的差异影像和比值影像;利用融合模型融合差异影像和比值影像得到融合影像;利用代数加权阈值分割算法,迭代计算不同时期电力施工区域的变化,通过将变化与规划图进行比较,判定施工是否合理。本发明解决了现有技术靠人工解译星载遥感数据时效性不够以及识别精度较低的问题。
Description
技术领域
本发明涉及无人机遥感图像处理、人工智能与模式识的交叉领域,具体是一种基于无人机遥感的电力施工区域信息提取及其变化检测方法。
背景技术
电力设施是电力生产顺利进行的承载体,是电力在国民经济中发挥命脉作用的关键组成部分,是加快经济建设和维护公共安全的重要保障。它既是各行各业发展的支撑和动力基础,又与人民群众的生产生活息息相关。同时,随着国民经济快速增长,各地电力建设迅猛发展,从过去的"几年建一个"到现在的"一年建多个"实现了跨越式发展。
随着卫星遥感技术、传感器技术等不断发展和完善,利用利用人工智能相关技术进行遥感图像分析逐渐成为图像处理研究的热点。目前已经具备一定的理论基础和实践经验,也取得了一系列成果。无人机遥感即利用先进的无人驾驶飞行器技术、遥感传感器技术、遥测遥控技术、通讯技术、GPS差分定位技术和遥感应用技术,能够实现自动化、智能化、专用化快速获取国土资源、自然环境、地震灾区等空间遥感信息,且完成遥感数据处理、建模和应用分析的应用技术。无人机遥感***由于具有机动、快速、经济等优势,已经成为世界各国争相研究的热点课题,现已逐步从研究开发发展到实际应用阶段,成为未来的主要航空遥感技术之一。
长期以来,在电力施工实施中,往往会涉及到建筑施工,仪器设置安放及土石方处理等一系列问题,这可能会影响到土地使用及生态环境等问题。同时,在整个电力施工过程中,可能由于现场施工人员的原因,导致施工面积与之前要求不符,出现影响国家土地使用政策和电力施工安全条件的现象。
目前,电力施工区信息提取及变化检测主要依赖两种方法:第一种方法是主要是靠人工到现场勘查来完成;第二种方法主要是靠人工利用星载遥感数据,利用专业人员进行遥感解译。这两种方法需要花费大量的人力、物力和财力,不仅效率低、时效性不够,而且识别精度较低、安全性差,已经不能满足现代化电力施工区建设的发展和安全运行需求。
发明内容
针对现有技术存在的上述不足,本发明提供一种基于无人机遥感的电力施工区域信息提取及其变化检测方法,可节省时间,同时也消除了安全隐患,解决了现有技术靠人工解译星载遥感数据时效性不够以及识别精度较低的问题。
一种基于无人机遥感的电力施工区域信息提取及其变化检测方法,包括如下步骤:
步骤1、电力施工区域信息提取,具体步骤如下:
步骤1.1:利用Gabor滤波器对电力施工区域进行特征提取;
步骤1.2:根据提取的特征计算影像中不同特征的差异性,从而最大化电力施工区域和影像中其他目标的差异;
步骤1.3:根据影像中不同特征的差异性,利用最近邻分类算法提取电力施工区域;
步骤2、电力施工区域变化检测,具体步骤如下:
步骤2.1:通过无人机获取整个电力施工区域不同时间的数据,通过影像代数法求取不同影像之间的差异影像和比值影像;
步骤2.2:利用融合模型融合差异影像和比值影像得到融合影像;
步骤2.3:根据得到的得到融合影像,利用代数加权阈值分割算法迭代计算不同时期电力施工区域的变化,通过与规划图进行比较,判定施工是否合理。
进一步的,步骤1.1具体包括:
步骤1.11:利用Gabor变化对无人机电力施工区域遥感数据在多个尺度和方向上进行计算,其Gabor滤波值计算公式如下:
Gabor(t)=keiθω(at)s(t)
其中,ω(at)是高斯函数,s(t)是复数波,t是获取无人机数据的时间表达值,k是常量此时:
步骤1.12:对每一个尺度各个方向取特征的平均值进而获得几个互不相同的特征子带,且对于得到的每个特征子带进行计算,分别得到特征子带的平均值与方差;
步骤1.13:将求得的特征子带的均值与方差作为每个对象区域内电力施工目标的纹理特征。
进一步的,步骤1.2具体包括:
步骤1.21:将得到的电力施工区域的每个对象区域内的纹理特征进行匹配,将获得的电力施工目标的纹理特征组成纹理特征向量;
步骤1.22:将电力施工区域的纹理特征向量与非电力施工区域的特征进行编码,计算两者之间的差异。
进一步的,步骤1.3具体为:首先利用最大化电力施工区域和影像中其他目标的差异性,确定电力施工区域和其他目标的类别空间,此时无人机遥感图像分成两类,即电力施工区域类和其他类,利用步骤1.22计算的电力施工区域类和其他类对象作为相应的样本空间,同时将每个类别分别与未分类对象计算它们的最小距离,然后比较计算所得的距离,计算最小距离所对应的隶属度,最后判断所得的隶属度是否大于阈值,若大于阈值则对象被归到相应的类别中,否则该对象不能被分类,从而提取电力施工区域。
进一步的,步骤2.1具体包括:
步骤2.11:对不同时间获得的无人机数据进行预处理:首先去将获取的无人机数据进行接边处理,利用电力施工区域的地面样本点进行几何纠正,获取可使用的不同时间数据集;
步骤2.12:对可以使用的不同时间数据集进行匹配,即将不同时间所获取的同一地方的遥感数据,以像素为单位进行逐一对应;
步骤2.13:利用影像差值法对不同时间数据集进行差值处理,得到相应的差值影像,同时,对不同影像进行比值处理,得到相应的比值影像,计算公式如下:
差值法:Fc(i,j)=F1(i,j)/F2(i,j)
比值法:Fb(i,j)=F1(i,j)-F2(i,j)
其中,Fc(i,j)是两个不同时间段获取的影像的差值结果,Fb(i,j)是两个不同时间段获取的影像的比值结果,F1(i,j)是时相1获取的无人机遥感影像,F2(i,j)是时相2获取的无人机遥感影像。
进一步的,步骤2.2具体包括:
步骤2.21:分析比值影像的最大值maxFb(i,j);
步骤2.22:然后将获得的差值影像Fc(i,j)和比值影像Fb(i,j)进行相乘,并除以比值影像的最大值maxFb(i,j)得到融合影像F(i,j),计算公式如下:
进一步的,步骤2.3具体包括:
步骤2.31:随机确定一个值T,将融合影像分成F1和F2两部分,计算公式如下:
其中,F(i,j)是两个不同时间段获取的影像的差值结果和比值结果的融合影像,Fb(i,j)是两个不同时间段获取的影像的比值结果,F1(i,j)是时相1获取的无人机遥感影像,F2(i,j)是时相2获取的无人机遥感影像;
步骤2.32:对F1和F2所有像素值求和,同时计算得到两部分影像的平均值Tm和Tn,计算公式如下:
步骤2.33:将平均值T1和T2的平均值与随机确定值进行相减比较H,同时确定一个判断终止值e;
步骤2.34:比较H与e之间的大小,如果H<e条件得到满足,此时输入最终阈值,否则从(1)开始进行迭代收敛计算,获得最终阈值;
步骤2.35:进行最终阈值对融合影像进行计算,得到不同时间无人机高分辨率遥感数据的变化,然后通过将变化与施工规划图进行比较,判定该电力施工区域施工现状是否合理。
进一步的,终止值e小于0.01。
本发明通过无人机完成电力施工区域影像数据的判读,综合影像中各种特征信息,提取电力施工区域,然后通过不同时间的电力施工区域数据进行变化检测,确定有缺陷的区域,不仅节省了大量的时间,同时也消除了安全隐患,解决了现有技术靠人工解译星载遥感数据时效性不够以及识别精度较低的问题,可减少需要人工现场检测的工作量,节约了人力成本,提高了检测的时效性和精确度。
附图说明
图1是本发明基于无人机遥感的电力施工区域信息提取及其变化检测的效果图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述。
本发明实施例提供一种无人机遥感的电力施工区域信息提取及其变化检测方法,其主要是利用遥感图像处理、人工智能与模式识别技术,通过无人机高分辨率遥感图像所提供的图像信息与电力施工规划图,实现电力施工区域信息提取及其安全检测。
在实现电力施工区域信息提取的过程中,主要分为分3个步骤:第一步是电力施工区域特征提取;第二步是根据提取的特征计算影像中不同特征的差异性,从而最大化电力施工区域和影像中其他目标的差异;第三步是利用最近邻分类算法提取电力施工区域。
在实现电力施工区域变化检测的过程中,主要分为3个步骤:第一步通过无人机获取整个电力施工区域不同时间的数据,通过影像代数法求取不同影像之间的差异影像和比值影像;第二步是利用融合模型融合差异影像和比值影像得到融合影像;第三步利用代数加权阈值分割算法,迭代计算不同时期电力施工区域的变化,通过将变化与规划图进行比较,判定施工是否合理。
本发明实施例提供一种无人机遥感的电力施工区域信息提取及其变化检测方法,其具体包括如下步骤:
步骤1、电力施工区域信息提取,具体步骤如下:
步骤1.1:利用Gabor滤波器对电力施工区域进行特征提取,实现的主要方法和关键步骤如下:
步骤1.11:利用Gabor变化对无人机电力施工区域遥感数据在多个尺度(无人机遥感数据不同的空间分辨率)和方向(无人机遥感数据像素的八邻域)上进行计算,其Gabor滤波值计算公式如下:
Gabor(t)=keiθω(at)s(t)
其中,ω(at)是高斯函数,s(t)是复数波,t是获取无人机数据的时间表达值,k是常量此时:
步骤1.12:对每一个尺度各个方向取特征的平均值进而获得几个互不相同的特征子带,且对于得到的每个特征子带进行计算,分别得到特征子带的平均值与方差;
步骤1.13:将求得的特征子带的均值与方差作为每个对象区域内电力施工目标的纹理特征。
步骤1.2:根据提取的特征计算影像中不同特征的差异性,从而最大化电力施工区域和影像中其他目标的差异,实现的主要方法和关键步骤如下:
步骤1.21:将得到的电力施工区域的每个对象区域内的纹理特征进行匹配,将获得的电力施工目标的纹理特征组成纹理特征向量;
步骤1.22:将电力施工区域的纹理特征向量与非电力施工区域的特征进行编码,计算两者之间的差异;
步骤1.3:根据影像中不同特征的差异性,利用最近邻分类算法提取电力施工区域:首先利用最大化电力施工区域和影像中其他目标的差异性,确定电力施工区域和其他目标的类别空间,此时无人机遥感图像分成两类,即电力施工区域类和其他类,利用步骤1.22计算的电力施工区域类和其他类对象作为相应的样本空间,同时将每个类别分别与未分类对象计算它们的最小距离,然后比较计算所得的距离,计算最小距离所对应的隶属度,最后判断所得的隶属度是否大于阈值,若大于阈值则对象被归到相应的类别中,否则该对象不能被分类,从而提取电力施工区域。
步骤2、电力施工区域变化检测,具体步骤如下:
步骤2.1:通过无人机获取整个电力施工区域不同时间的数据,通过影像代数法求取不同影像之间的差异影像和比值影像。实现的主要方法和关键步骤如下:
步骤2.11:对不同时间获得的无人机数据进行预处理:首先去将获取的无人机数据进行接边处理,利用电力施工区域的地面样本点进行几何纠正,获取可使用的不同时间数据集;
步骤2.12:对可以使用的不同时间数据集进行匹配,即将不同时间所获取的同一地方的遥感数据,以像素为单位进行逐一对应;
步骤2.13:利用影像差值法对不同时间数据集进行差值处理,得到相应的差值影像,同时,对不同影像进行比值处理,得到相应的比值影像,计算公式如下:
差值法:Fc(i,j)=F1(i,j)/F2(i,j)
比值法:Fb(i,j)=F1(i,j)-F2(i,j)
其中,Fc(i,j)是两个不同时间段获取的影像的差值结果,Fb(i,j)是两个不同时间段获取的影像的比值结果,F1(i,j)是时相1获取的无人机遥感影像,F2(i,j)是时相2获取的无人机遥感影像。
步骤2.2:由于地面地物的辐射能量变化的量化过程一般为非线性变化,利用融合模型融合差异影像和比值影像得到融合影像,实现的主要方法和关键步骤如下:
步骤2.21:分析比值影像的最大值maxFb(i,j);
步骤2.22:然后将获得的差值影像Fc(i,j)和比值影像Fb(i,j)进行相乘,并除以比值影像的最大值maxFb(i,j)得到融合影像F(i,j),计算公式如下:
步骤2.3:根据得到的得到融合影像,利用代数加权阈值分割算法迭代计算不同时期电力施工区域的变化,通过与规划图进行比较,判定施工是否合理。
实现的主要方法和关键步骤如下:
步骤2.31:随机确定一个值T,将融合影像分成F1和F2两部分,计算公式如下:
其中,F(i,j)是两个不同时间段获取的影像的差值结果和比值结果的融合影像,Fb(i,j)是两个不同时间段获取的影像的比值结果,F1(i,j)是时相1获取的无人机遥感影像,F2(i,j)是时相2获取的无人机遥感影像;
步骤2.32:对F1和F2所有像素值求和,同时计算得到两部分影像的平均值Tm和Tn,计算公式如下:
步骤2.33:将平均值T1和T2的平均值与随机确定值进行相减比较H,同时确定一个判断终止值e(小于0.01);
步骤2.34:比较H与e之间的大小,如果H<e条件得到满足,此时输入最终阈值,否则从(1)开始进行迭代收敛计算,获得最终阈值;
步骤2.35:进行最终阈值对融合影像进行计算(大于该阈值为发生变化的区域,反之没有发生变化),得到不同时间无人机高分辨率遥感数据的变化,其效果如图1所示,然后,通过将变化与施工规划图进行比较,判定该电力施工区域施工现状是否合理。
本发明通过无人机完成电力施工区域影像数据的判读,综合影像中各种特征信息,提取电力施工区域,然后通过不同时间的电力施工区域数据进行变化检测,确定有缺陷的区域,不仅节省了大量的时间,同时也消除了安全隐患,解决了现有技术靠人工解译星载遥感数据时效性不够以及识别精度较低的问题,可减少需要人工现场检测的工作量,节约了人力成本,提高了检测的时效性和精确度。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于无人机遥感的电力施工区域信息提取及其变化检测方法,其特征在于包括如下步骤:
步骤1、电力施工区域信息提取,具体步骤如下:
步骤1.1:利用Gabor滤波器对电力施工区域进行特征提取;
步骤1.2:根据提取的特征计算影像中不同特征的差异性,从而最大化电力施工区域和影像中其他目标的差异;
步骤1.3:根据影像中不同特征的差异性,利用最近邻分类算法提取电力施工区域;
步骤2、电力施工区域变化检测,具体步骤如下:
步骤2.1:通过无人机获取整个电力施工区域不同时间的数据,通过影像代数法求取不同影像之间的差异影像和比值影像;
步骤2.2:利用融合模型融合差异影像和比值影像得到融合影像;
步骤2.3:根据得到的得到融合影像,利用代数加权阈值分割算法迭代计算不同时期电力施工区域的变化,通过与规划图进行比较,判定施工是否合理;
步骤2.2具体包括:
步骤2.21:分析比值影像的最大值;
步骤2.22:然后将获得的差值影像和比值影像/>进行相乘,并除以比值影像的最大值/>得到融合影像/>,计算公式如下:
;
步骤2.3具体包括:
步骤2.31:随机确定一个值,将融合影像分成F1和F2两部分,计算公式如下:
其中,是两个不同时间段获取的影像的差值结果和比值结果的融合影像,/>是两个不同时间段获取的影像的比值结果 ,/>是时相1获取的无人机遥感影像,是时相2获取的无人机遥感影像;
步骤2.32:对F1和F2所有像素值求和,同时计算得到两部分影像的平均值和/>,计算公式如下:
步骤2.33:将平均值和/>的平均值与随机确定值进行相减得到H,同时确定一个判断终止值e;
步骤2.34:比较H与e 之间的大小,如果H<e条件得到满足,此时输入最终阈值,否则从步骤2.31开始进行迭代收敛计算,获得最终阈值;
步骤2.35:进行最终阈值对融合影像进行计算,得到不同时间无人机高分辨率遥感数据的变化,然后通过将变化与施工规划图进行比较,判定该电力施工区域施工现状是否合理。
2.如权利要求1所述的基于无人机遥感的电力施工区域信息提取及其变化检测方法,其特征在于:步骤1.1具体包括:
步骤1.11:利用Gabor变化对无人机电力施工区域遥感数据在多个尺度和方向上进行计算,其Gabor滤波值计算公式如下:
其中,是高斯函数,/>是复数波,/>是获取无人机数据的时间表达值,/>是常量,此时:
;
步骤1.12:对每一个尺度各个方向取特征的平均值进而获得几个互不相同的特征子带,且对于得到的每个特征子带进行计算,分别得到特征子带的平均值与方差;
步骤1.13:将求得的特征子带的均值与方差作为每个对象区域内电力施工目标的纹理特征。
3.如权利要求2所述的基于无人机遥感的电力施工区域信息提取及其变化检测方法,其特征在于:步骤1.2具体包括:
步骤1.21:将得到的电力施工区域的每个对象区域内的纹理特征进行匹配,将获得的电力施工目标的纹理特征组成纹理特征向量;
步骤1.22:将电力施工区域的纹理特征向量与非电力施工区域的特征进行编码,计算两者之间的差异。
4.如权利要求3所述的基于无人机遥感的电力施工区域信息提取及其变化检测方法,其特征在于:步骤1.3具体为:首先利用最大化电力施工区域和影像中其他目标的差异性,确定电力施工区域和其他目标的类别空间,此时无人机遥感图像分成两类,即电力施工区域类和其他类,利用步骤1.22计算的电力施工区域类和其他类对象作为相应的样本空间,同时将每个类别分别与未分类对象计算它们的最小距离,然后比较计算所得的距离,计算最小距离所对应的隶属度,最后判断所得的隶属度是否大于阈值,若大于阈值则对象被归到相应的类别中,否则该对象不能被分类,从而提取电力施工区域。
5.如权利要求1所述的基于无人机遥感的电力施工区域信息提取及其变化检测方法,其特征在于:步骤2.1具体包括:
步骤2.11:对不同时间获得的无人机数据进行预处理:首先去将获取的无人机数据进行接边处理,利用电力施工区域的地面样本点进行几何纠正,获取可使用的不同时间数据集;
步骤2.12:对可使用的不同时间数据集进行匹配,即将不同时间所获取的同一地方的遥感数据,以像素为单位进行逐一对应;
步骤2.13:利用影像差值法对不同时间数据集进行差值处理,得到相应的差值影像,同时,对不同影像进行比值处理,得到相应的比值影像,计算公式如下:
其中,是两个不同时间段获取的影像的差值结果,/>是两个不同时间段获取的影像的比值结果 ,/>是时相1获取的无人机遥感影像,/>是时相2获取的无人机遥感影像。
6.如权利要求1所述的基于无人机遥感的电力施工区域信息提取及其变化检测方法,其特征在于:终止值e小于0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344993.XA CN111626131B (zh) | 2020-04-27 | 2020-04-27 | 基于无人机遥感的电力施工区域信息提取及其变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344993.XA CN111626131B (zh) | 2020-04-27 | 2020-04-27 | 基于无人机遥感的电力施工区域信息提取及其变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626131A CN111626131A (zh) | 2020-09-04 |
CN111626131B true CN111626131B (zh) | 2023-12-12 |
Family
ID=72270875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010344993.XA Active CN111626131B (zh) | 2020-04-27 | 2020-04-27 | 基于无人机遥感的电力施工区域信息提取及其变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626131B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592877B (zh) * | 2021-03-25 | 2024-04-12 | 国网新源控股有限公司 | 一种抽水蓄能电站红线超标识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063564A (zh) * | 2018-06-29 | 2018-12-21 | 北京航天自动控制研究所 | 一种目标变化检测方法 |
CN109409389A (zh) * | 2017-08-16 | 2019-03-01 | 香港理工大学深圳研究院 | 一种融合多特征的面向对象变化检测方法 |
CN109919910A (zh) * | 2019-01-25 | 2019-06-21 | 合肥工业大学 | 基于差异图融合和改进水平集的sar图像变化检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108670B (zh) * | 2017-12-04 | 2018-10-26 | 交通运输部规划研究院 | 一种层次化筛选的遥感图像提取港口仓库的方法 |
-
2020
- 2020-04-27 CN CN202010344993.XA patent/CN111626131B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409389A (zh) * | 2017-08-16 | 2019-03-01 | 香港理工大学深圳研究院 | 一种融合多特征的面向对象变化检测方法 |
CN109063564A (zh) * | 2018-06-29 | 2018-12-21 | 北京航天自动控制研究所 | 一种目标变化检测方法 |
CN109919910A (zh) * | 2019-01-25 | 2019-06-21 | 合肥工业大学 | 基于差异图融合和改进水平集的sar图像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
基于融合和广义高斯模型的遥感影像变化检测;马国锐;李平湘;秦前清;;遥感学报(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111626131A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 | |
CN110378196B (zh) | 一种结合激光点云数据的道路视觉检测方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及***、存储介质、电子设备 | |
Ling et al. | Object-based sub-pixel mapping of buildings incorporating the prior shape information from remotely sensed imagery | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN110147778B (zh) | 稀土矿开采识别方法、装置、设备及存储介质 | |
AU2020103470A4 (en) | Shadow Detection for High-resolution Orthorectificed Imagery through Multi-level Integral Relaxation Matching Driven by Artificial Shadows | |
CN117475236B (zh) | 用于矿产资源勘探的数据处理***及其方法 | |
CN106886988B (zh) | 一种基于无人机遥感的线性目标检测方法及*** | |
Wang et al. | Automated road extraction from multi-resolution images using spectral information and texture | |
CN107463944B (zh) | 一种利用多时相高分辨率sar图像的道路信息提取方法 | |
CN111626131B (zh) | 基于无人机遥感的电力施工区域信息提取及其变化检测方法 | |
CN117274627A (zh) | 一种基于图像转换的多时相积雪遥感图像匹配方法及*** | |
CN114266947A (zh) | 一种基于激光点云和可见光图像融合的分类方法及装置 | |
CN113516060B (zh) | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN111583171B (zh) | 融合前景紧凑特性和多环境信息的绝缘子缺陷检测方法 | |
CN104851090B (zh) | 图像变化检测方法及装置 | |
Sui et al. | Processing of multitemporal data and change detection | |
Parape et al. | Optimization of structure elements for morphological hit-or-miss transform for building extraction from VHR airborne imagery in natural hazard areas | |
Guili et al. | A man-made object detection algorithm based on contour complexity evaluation | |
Joshi et al. | Automatic rooftop detection using a two-stage classification | |
Guo et al. | River extraction method of remote sensing image based on edge feature fusion |
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 |