CN112380367A - 一种基于熵的遥感影像数据筛选方法 - Google Patents
一种基于熵的遥感影像数据筛选方法 Download PDFInfo
- Publication number
- CN112380367A CN112380367A CN202011160451.3A CN202011160451A CN112380367A CN 112380367 A CN112380367 A CN 112380367A CN 202011160451 A CN202011160451 A CN 202011160451A CN 112380367 A CN112380367 A CN 112380367A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- entropy
- sensing image
- sub
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于遥感影像处理方法,公开了一种基于熵的遥感影像数据筛选方法,包括如下步骤:(1)利用分层分块的相关理论,构建原始遥感影像的多级分层瓦片结构;(2)根据遥感影像信息的邻域映射熵模型,计算各级瓦片结构中各影像子块的邻域映射熵值;(3)结合四叉树结构构建对各影像子块的邻域映射熵值的索引,并依据多级分层瓦片结构的层次化特点,建立四叉树结构到各影像子块邻域映射熵值索引模型的映射关系;(4)依据设定的数据筛选阈值条件完成数据筛选,从而获取所需要的遥感影像数据。本发明利用信息熵实现了对原始遥感影像数据的自动筛选,在降低遥感数据冗余性的同时提高了遥感影像的数据质量。
Description
技术领域
本发明涉及遥感影像处理方法,具体涉及一种基于熵的遥感影像数据筛 选方法。
背景技术
在遥感影像的处理过程中,随着遥感影像数据量急剧增加,遥感数据的 获取能力和现有遥感信息处理技术之间存在严重的失衡,导致遥感数据的有 效利用率不高,同时也造成某种程度上的数据灾难等问题。
通常情况下,不同成像条件下获取的同一区域不同模态的单幅原始遥感 影像,所包含子区域影像信息丰富程度具有明显的差异性,成像质量也是参 差不齐。此外,在数据处理过程中,原始遥感影像数据还具有数据量大、尺 度大等特点,使得加载单幅较大区域影像所耗费的时间相较于同样数据量的 多个子影像数据的加载时间更长,而且数据处理的对象大都是面向子图像区 域而不是全部图像数据。因此,在实际生产过程中,从已有冗余性原始遥感 影像中初步筛选出影像信息丰富并且成像质量好的局部目标区域的有效数据集,是一种在遥感数据处理过程中提高影像数据处理速度以及数据利用率 的有效方法。
当前数据平台获取遥感影像目标数据的查询过程大都仍是通过人工方 式实现,查询效率低、易产生遗漏且受人为因素的干扰大,难以满足高效精 确的查询要求。
有鉴于此需要提供一种基于熵的遥感影像数据筛选方法。
发明内容
本发明的目的是提供一种基于熵的遥感影像数据筛选方法,其能够利用 遥感影像信息熵实现对多幅同一区域不同模态下的遥感影像数据的自动筛 选,并能够将筛选所得的有效影像子块的数据集拼接形成合成遥感影像,以 形成一套信息最丰富的遥感影像并降低影像数据的冗余,并筛选出不同时间 条件下影像数据间的信息差异(即影像信息增量)。
为实现以上发明目的,本发明提供一种基于熵的遥感影像数据筛选方法, 包括如下步骤:(1)利用分层分块原理构建原始遥感影像的多级分层瓦片结 构;(2)根据遥感影像信息的邻域映射熵模型,计算各级所述瓦片结构中各 影像子块的邻域映射熵值;(3)结合四叉树结构构建对各所述影像子块的邻 域映射熵值的索引,并依据多级分层瓦片结构的层次化特征,建立所述四叉 树结构到各所述影像子块邻域映射熵值索引模型的映射关系;(4)依据设定 的数据筛选阈值条件完成数据筛选,从而获取遥感影像数据的有效子块数据集。
进一步地,针对原始遥感影像在不同成像条件下获取的同一区域不同模 态的多幅遥感影像,利用基于熵的遥感影像数据筛选模型得到高质量的遥感 影像数据,能够取长补短消除不利因素对遥感影像数据质量的影响,并能够 筛选出不同时间条件下(如间隔1年后)影像数据间的信息差异性(即影像 的信息增量)。
具体地,所述不同成像条件包括时间条件(即昼夜交替过程中的影像获 取时的亮度条件、不同季节植被覆盖差异)以及气候条件(即地面特征被云 层遮挡的程度)。
进一步具体地,所述不同模态为遥感影像的不同形式,包括红外影像、 光学影像、合成孔径雷达影像和栅格影像。
优选地,所述多级分层瓦片结构呈金字塔型结构,该多级分层瓦片结构 中的任一层所划分出的影像子块数小于该层的下一层所划分出的影像子块 数;同一层级中所划分出的所述影像子块的尺寸大小一致,且所述影像子块 的尺寸大小为2的整数次幂(2N,N=1,2,3…)。
具体地,步骤(2)中各所述影像子块的邻域映射熵值记为 Hl NME,l=1,2,...,其中l表示不同层级中所述影像子块的个数,邻域映射熵 值计算过程如下式:
其中,i为目标影像子块的灰度值,j为该目标影像子块i的邻域灰度均 值,n(i,j)为该目标影像子块的二维邻域灰度数组(i,j)的统计个数,为 该目标影像子块的邻域映射模型中三维数组(i,j,n(i,j))的统计值对应的出现概 率;
所述二维领域灰度数组(i,j),能够表征目标影像的局部邻域分布和像元 位置的信息:
式中,is为所述目标影像子块的第S个邻域影像子块的灰度值,N为与 该目标影像子块相邻的影像子块的总数。
进一步具体地,所述目标影像子块的二维邻域灰度数组的统计个数n(i,j)包括以下三种情况:
a)所述目标影像子块位于所述原始遥感影像数据的边角,则其具有3 个相邻的影像子块;
b)所述目标影像子块位于所述原始遥感影像数据的边缘(不包括边角), 则其具有5个相邻的影像子块;
c)所述目标影像子块位于所述原始遥感影像数据的内部,则其具有8 个相邻的影像子块。
进一步地,所述步骤(3)依据所建立的所述四叉树结构到各所述影像 子块邻域映射熵值索引模型的映射关系,将所述影像子块的筛选过程变换到 线性四叉树影像子块领域映射熵值的查找上,且该映射关系能够进行进一步 的数据添加和修改。
进一步地,步骤(4)中的所述数据筛选方法为将各幅所述原始遥感影 像中相同层级内相同区域的影像子块相对比,并依据设定的阈值条件进行筛 选。
具体地,所述阈值的设定由目标数据的数量或信息测量值确定,采用影 像子块有效数量numsubblock等于1或最大邻域映射熵值作为数据筛选的阈值 设定条件:
并依据所设定的数据筛选阈值条件,对各幅所述原始遥感影像中相应层 级的所述影像子块数据进行迭代筛选,以能够获得所述原始遥感影像的有效 影像子块的数据集。
本发明以领域映射熵作为数据筛选的依据,并结合了分层分块的相关理 论以及四叉树结构,构建了原始遥感影像的多级分层瓦片结构,形成了不同 层级的影像子块,并进一步构建了四叉树结构对各影像子块的邻域映射熵值 的索引,并依据该索引关系,建立了四叉树结构到各邻域映射熵值所对应的 影像子块的映射关系,实现了有效影像子块的筛选过程的自动化,且筛选过 程高效准确,从而获取质量更高的遥感影像数据,并能够取长补短消除不利 因素对遥感影像数据质量的影响,筛选出不同时间条件下影像信息增量,且 后续的影像处理能够基于该遥感影像数据集进行,从而能够有效降低影像数 据的冗余性。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详 细说明。
附图说明
图1是本发明一个实施例的流程图;
图2是本发明一个实施例的遥感影像的多层级瓦片结构以及遥感影像数 据到四叉树索引的关系示意图;
图3a、图3b、图3c和图3d是本发明一个实施例中的四幅原始遥感影 像;
图4是本发明一个实施例在原始遥感影像数据分层分块基础上构建的多 层瓦片结构图;
图5是本发明一个实施例中遥感影像多层级子块熵索引;
图6是本发明一个实施例中的数据筛选示意图;
图7e参考遥感影像;图7f是影像子块尺寸为1024×1024时的合成遥 感影像;图7g是影像子块尺寸为512×512时的合成遥感影像;图7h是影 像子块尺寸为256×256时的合成遥感影像;图7i是影像子块尺寸为128× 128时的合成遥感影像;图7j是影像子块尺寸为64×64时的合成遥感影像。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解 的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用 于限制本发明实施例。
首先需要说明的是“影像信息熵”和“玻尔兹曼熵”均能够用来反应影 像中所包含的信息的丰富程度,“影像信息熵”和“玻尔兹曼熵”均是熵的 数值越大,表示影像中所包含的信息约丰富。
在本发明的一个实例中,如图1所示,是基于熵的遥感影像数据筛选方 法的流程图,具体步骤包括:
S1利用分层分块原理构建原始遥感影像的多级分层瓦片结构:
本发明具体实施例中的原始遥感影像为在不同成像条件下获取的同一 区域不同模态的多幅遥感影像,由于卫星在获取遥感影像时,会受到云层遮 挡或是光线条件等情况的影响,且不同形式的遥感影像所能够突显出的地貌 特征也不一样,所以通过选取在不同成像条件下同一区域不同模态的多幅遥 感影像中符合要求的局部影像并拼接形成为合成影像,能够在消除数据冗余 性的同时达到提高遥感影像数据质量(信息量)的效果,并可以筛选出不同 时间条件下影像数据间的信息差异性(即影像信息增量),且利用该遥感影 像集还能够提高后续遥感影像处理工程的准确性和有效性。
分层分块原理包括图像数据的分层技术和分块技术,分块技术是将一幅 大的遥感影像数据分割成若干小块来存储,分层技术是将已经完成分块处理 的遥感影像数据进行抽样,形成具有多种比例尺度的影像层数据,这些数据 按层存放,形成金字塔型结构,原始的遥感影像数据位于金字塔结构的低端, 上层数据是对下层数据按照设定的比例进行抽样,且越往上层其抽样率越高, 同时影像数据的分辨率也随之降低。
本发明参照上述分层分块原理,并将其逆运用,如图2所示,将原始的 遥感影像数据置于金字塔型的多级分层瓦片结构的顶端,且下层影像数据是 对上层影像数据更为细致的分块处理以形成多级分层瓦片结构,即该多级分 层瓦片结构中的任一层所划分出的影像子块数小于该层的下一层所划分出 的影像子块数,且该多级分层瓦片结构采用等尺寸分块原则,以能够使得在 同一层级中所划分出的影像子块的尺寸大小一致,从而能够方便后续的影像 数据处理;影像子块的个数应小于或等于原始遥感影像的栅格数,栅格数可理解为遥感影像的像素数,栅格即是构成原始遥感影像数据的最小单元,影 像子块的个数小于或等于原始遥感影像的栅格数能够保证作为最小单元的 每个栅格不被分割,从而能够方便后续对影像数据的处理,具体地,影像子 块的尺寸大小可优选为2的整数次幂(2N,N=1,2,3…)。
S2根据遥感影像信息的邻域映射熵模型,计算各级瓦片结构中各影像 子块的邻域映射熵值:
将影像子块的邻域映射熵值记为Hl NME,l=1,2,...,其中l表示不同层级 中影像子块的个数,邻域映射熵值计算过程如下式:
其中,i为目标影像子块的灰度值,j为该目标影像子块i的邻域灰度均 值,n(i,j)为目标影像子块的二维邻域灰度数组(i,j)的统计个数,为 该目标影像子块的邻域映射模型中三维数组(i,j,n(i,j))的统计值对应的出现概 率;二维领域灰度数组(i,j),能够表征目标影像的局部邻域分布和像元位置 的信息:
式中的is为目标影像子块的第S个邻域影像子块的灰度值,N为与该目 标影像子块相邻的影像子块的总数。具体地,目标影像子块的二维邻域灰度 数组的统计个数n(i,j)包括以下三种情况:a)目标影像子块位于原始遥感影 像数据的边角,则其具有3个相邻的影像子块;b)目标影像子块位于原始 遥感影像数据的边缘(不包括边角),则其具有5个相邻的影像子块;c)目 标影像子块位于原始遥感影像数据的内部,则其具有8个相邻的影像子块。
S3结合四叉树结构构建如图4所示的对各影像子块的邻域映射熵值的 索引,并依据多级分层瓦片结构的层次化特征,建立如图5所示的四叉树结 构到各影像子块邻域映射熵值索引模型的映射关系:
即,首先建立四叉树结构构建对各影像子块的邻域映射熵值的索引,并 依据该索引关系,建立四叉树结构到各邻域映射熵值所对应的影像子块的映 射关系,该映射关系能够将影像子块的筛选过程变换到线性四叉树影像子块 领域映射熵值的查找上,使得查找和调取影像子块的速度和效率更高,且该 映射关系能够方便进行进一步的数据添加和修改。
S4依据设定的数据筛选阈值条件完成数据筛选,以获取遥感影像数据 的有效子块数据集:
数据筛选方法为将各幅原始遥感影像中相同层级内相同区域的影像子 块相对比,并依据设定的阈值条件进行筛选,阈值的设定由目标数据的数量 或信息测量值确定,采用影像子块有效数量numsubblock等于1或最大邻域映射 熵值作为数据筛选的阈值设定条件:
并依据所设定的数据筛选阈值条件,对各幅原始遥感影像中相应层级的 影像子块数据进行迭代筛选,以能够获得原始遥感影像的有效影像子块的数 据集。其中有效影像子块是指将该影像子块与不受任何因素影像的理想的遥 感影像中的相应区域对比,从主管或客观的角度来评判,若其相似程度较高, 则为有效影像子块,若某一区域所对应的有效影像子块的数量为1,则以该 影像子块的领域映射熵值作为进行数据筛选阈值条件;若某一区域所对应的 有效影像子块的数量为0或者大于1,则以最大邻域映射熵值作为进行数据 筛选阈值条件。
上述遥感影像数据筛选方法,实现了影像子块的筛选过程的自动化,且 筛选过程高效准确,且使得获得的影像数据的有效子块数据集从原始遥感影 像中取长补短,消除不利因素对遥感影像数据质量的影响,并且后续的影像 处理能够基于该遥感影像数据集进行,从而能够有效消除数据冗余。
以上为本发明的优选实施例以及实施流程,下面将列举一实验案例以方 便对于本发明的进一步理解:
对于尺寸大小为2048×2048的某区域的遥感影像而言,考虑到影像子 块的尺寸大小对于数据处理速度和效率的影响,采用2N(其中N=6、7、8、 9、10),即尺寸大小为64×64、128×128、256×256、512×512、1024×1024 的影像子块,构建如图2所示的多层级瓦片结构的遥感影像数据到四叉树索 引的关系。具体地,以有如图3所示的四幅该目标区域的原始遥感影像,且 各原始遥感影像中影像子块的尺寸大小为如图6所示的512×512为例,则 各幅原始遥感影像被分割为16个区域(即16个影像子块),并可按照合成 遥感影像(图6g)中的编号顺序将各原始遥感影像中的各区域进行编号,再 利用公式:
分别计算a、b、c、d四幅原始遥感影像中各个影像子块的领域映射熵 值,计算结果如图6线框中的数据所示。
随后建立四叉树结构到各邻域映射熵值所对应的影像子块的映射关系, 并按照最大邻域映射熵值作为数据筛选的阈值设定条件对影像子块进行筛 选,具体地,以筛选(1)号区域的影像子块为例,原始遥感影像a中该区 域所对应的影像子块的领域映射熵值为0.478,原始遥感影像b中该区域所 对应的影像子块的领域映射熵值为0.670,原始遥感影像c中该区域所对应 的影像子块的领域映射熵值为0.743,原始遥感影像d中该区域所对应的影 像子块的领域映射熵值为0.885,由于数值0.885最大,故选取原始遥感影像 d中该区域所对应的影像子块作为合成遥感影像g中的(1)号区域的遥感影 像数据,同理可筛选出合成遥感影像中(2)至(16)号区域的遥感影像数 据(选中的影像数据为图6中带有“△”标记的影像数据);进一步同理地, 各区域的影像数据还可以根据需求进行更为精细地影像数据筛选,例如图6g (8)’所示,是图6g中(8)号区域按照影像子块的尺寸大小为256×256 所进行影像数据筛选并利用筛选出的影像数据集拼接成合成遥感影像;如图 6g(8)”所示,是图6g中(8)号区域按照影像子块的尺寸大小为128×128 所进行影像数据筛选并拼接成合成遥感影像。
按照上述的数据筛选步骤,还可以拼接出如图7f所示的影像子块的尺 寸大小为1024×1024的合成遥感影像;如图7h所示的影像子块的尺寸大小 为256×256的合成遥感影像;如图7i所示的影像子块的尺寸大小为128× 128的合成遥感影像;如图7j所示的影像子块的尺寸大小为64×64的合成 遥感影像。
需要注意的是,与图7e所示的参考遥感影像(即理想化的遥感影像) 相比,筛选出的影像子块并不一定实际有效,例如在上述的数据筛选过程中, 从原始遥感影像b中的(3)和(4)号区域筛选出的影像数据,由于其与图 7e所示的参考遥感影像中相应区域的影像数据差异过大,故不符合实际的遥 感影像质量要求,从而判定为无效影像子块;其余区域筛选出的影像数据, 与图7e所示参考遥感影像中相应区域的影像数据相似度高差异小,故而判 定为有效影像子块,完成影像数据筛选后,需记录无效影像子块以及有效影 像子块的比例,记录结果如表1所示:
表1
其中N表示在某一幅原始遥感影像中所选取的影像子块的数量,P表示 在该幅原始遥感影像中所选取的影像子块的数量占该幅原始遥感影像所分 割成的影像子块数量的比例。结合表1中不同影像子块尺寸的影像数据筛选 结果,在基于邻域映射熵的遥感影像数据筛选结果中受不利成像条件(例如 光照条件、云层以及季节因素等)影响筛选得到的无效影像子块的比例通常 很小,约为10%甚至更小,例如影像子块尺寸为64×64、128×128和256 ×256时所对应的无效子块的比例分别为6.45%、7.81%和7.81%;只有影 像子块尺寸为1024×1024的合成遥感影像(图7f)中的无效子块的比例等 于25%,这是由于在此层级获得的子块的数量太小造成的。因此,使用该基 于邻域映射熵的遥感影像数据筛选方法,在不同影像子块大小(除1024× 1024外)时获得有效子块的比例基本接近90%,甚至更大。
为进一步分析基于邻域映射熵的遥感影像数据筛选方法的有效性和可 用性,把通过设定筛选条件获得的影像子块数据集拼接成新的合成遥感影像 数据,如图7f、7g、7h、7i和7j。所示。然后从主观和客观的角度,分析讨 论不同影像子块尺寸时合成图像的质量和信息丰富程度的与图7e所示的参 考遥感影像的差异,表2是采用影像信息熵、玻尔兹曼熵和邻域映射熵进行 的定量评价:
表2
由表2可知,随着影像子块尺寸的减小,基于邻域映射熵的遥感影像数 据筛选方法的筛选结果对应的合成遥感影像的影像信息熵值是先升高后降 低,但与参考遥感影像图7e相比,合成遥感影像的信息丰富程度总体是呈 现上升趋势,且在影像子块尺寸为128×128、256×256和512×512时合成 遥感影像的信息较为丰富。合成遥感影像的玻尔兹曼熵值总体趋势是随影像 子块尺寸的减小而一直上升,结合玻尔兹曼熵的特性,说明了数据筛选模型 结果中包含的信息是越来越丰富的。此外,合成遥感影像的邻域映射熵值随 子块尺寸的减小是先上升然后趋于稳定,即在影像子块尺寸为64×64、128 ×128、256×256和512×512时的计算结果一致。因此,通过对不同尺寸合 成影像不同方法度量结果的分析可知,随着分层子块尺寸的减小,获得筛选 影像子块的质量总体上是越来越符合要求,且在128×128、256×256和512 ×512时效果较好,这也与主观视觉的判断也大体一致,因此,本发明的基 于邻域映射熵的遥感影像数据筛选方法能够适用于对原始遥感影像数据的筛选。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明 实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范 围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均 属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征, 在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的 重复,本发明实施例对各种可能的组合方式不再另行说明。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合, 只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的 内容。
Claims (10)
1.一种基于熵的遥感影像数据筛选方法,其特征在于,包括如下步骤:
(1)利用分层分块原理构建原始遥感影像的多级分层瓦片结构;
(2)根据遥感影像信息的邻域映射熵模型,计算各级所述瓦片结构中各影像子块的邻域映射熵值;
(3)结合四叉树结构构建对各所述影像子块的邻域映射熵值的索引,并依据多级分层瓦片结构的层次化特征,建立所述四叉树结构到各所述影像子块邻域映射熵值索引模型的映射关系;
(4)依据设定的数据筛选阈值条件完成数据筛选,从而获取所需要的遥感影像数据集。
2.根据权利要求1所述的基于熵的遥感影像数据筛选方法,其特征在于,所述原始遥感影像为在不同成像条件下获取的同一区域不同模态的多幅遥感影像。
3.根据权利要求2所述的基于熵的遥感影像数据筛选方法,其特征在于,所述不同成像条件包时间条件(即昼夜交替过程中的影像获取时的亮度条件)以及气候条件(即地面特征被云层遮挡的程度)。
4.根据权利要求2所述的基于熵的遥感影像数据筛选方法,其特征在于,所述不同模态为遥感影像的不同形式,包括红外影像、光学影像、合成孔径雷达影像和栅格影像。
5.根据权利要求1所述的基于熵的遥感影像数据筛选方法,其特征在于,所述多级分层瓦片结构呈金字塔型结构,该多级分层瓦片结构中的任一层所划分出的影像子块数小于该层的下一层所划分出的影像子块数;同一层级中所划分出的所述影像子块的尺寸大小一致,且所述影像子块的尺寸大小为2的整数次幂(2N,N=1,2,3…)。
6.根据权利要求1所述的基于熵的遥感影像数据筛选方法,其特征在于,步骤(2)中各所述影像子块的邻域映射熵值记为Hl NME,l=1,2,...,其中l表示不同层级中所述影像子块的个数,邻域映射熵值计算过程如下式:
其中,i为目标影像子块的灰度值,j为该目标影像子块i的邻域灰度均值,n(i,j)为该目标影像子块的二维邻域灰度数组(i,j)的统计个数,为该目标影像子块的邻域映射模型中三维数组(i,j,n(i,j))的统计值对应的出现概率;
所述二维领域灰度数组(i,j),能够表征目标影像的局部邻域分布和像元位置的信息:
式中,is为所述目标影像子块的第S个邻域影像子块的灰度值,N为与该目标影像子块相邻的影像子块的总数。
7.根据权利要求6所述的基于熵的遥感影像数据筛选方法,其特征在于,所述目标影像子块的二维邻域灰度数组的统计个数n(i,j)包括以下三种情况:
a)所述目标影像子块位于所述原始遥感影像数据的边角,则其具有3个相邻的影像子块;
b)所述目标影像子块位于所述原始遥感影像数据的边缘(不包括边角),则其具有5个相邻的影像子块;
c)所述目标影像子块位于所述原始遥感影像数据的内部,则其具有8个相邻的影像子块。
8.根据权利要求1所述的基于熵的遥感影像数据筛选方法,其特征在于,所述步骤(3)依据所建立的所述四叉树结构到各所述影像子块邻域映射熵值索引模型的映射关系,将所述影像子块的筛选过程变换到线性四叉树影像子块领域映射熵值的查找上,且该映射关系能够进行进一步的数据添加和修改。
9.根据权利要求1所述的基于熵的遥感影像数据筛选方法,其特征在于,步骤(4)中的所述数据筛选方法为将各幅所述原始遥感影像中相同层级内相同区域的影像子块相对比,并依据设定的阈值条件进行筛选。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011160451.3A CN112380367B (zh) | 2020-10-27 | 2020-10-27 | 一种基于熵的遥感影像数据筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011160451.3A CN112380367B (zh) | 2020-10-27 | 2020-10-27 | 一种基于熵的遥感影像数据筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112380367A true CN112380367A (zh) | 2021-02-19 |
CN112380367B CN112380367B (zh) | 2023-01-10 |
Family
ID=74577022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011160451.3A Active CN112380367B (zh) | 2020-10-27 | 2020-10-27 | 一种基于熵的遥感影像数据筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380367B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297407A (zh) * | 2021-05-21 | 2021-08-24 | 生态环境部卫星环境应用中心 | 遥感影像优选方法和装置 |
CN113327259A (zh) * | 2021-08-04 | 2021-08-31 | 中国科学院空天信息创新研究院 | 面向区域覆盖的遥感数据筛选方法及*** |
CN113763275A (zh) * | 2021-09-09 | 2021-12-07 | 深圳市文立科技有限公司 | 一种自适应图像降噪方法、***及可读存储介质 |
CN116563571A (zh) * | 2023-05-16 | 2023-08-08 | 北京师范大学 | 基于玻尔兹曼熵相似性的高光谱图像波段选择方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087652A (zh) * | 2009-12-08 | 2011-06-08 | 百度在线网络技术(北京)有限公司 | 图像筛选方法及其*** |
CN104079930A (zh) * | 2014-01-06 | 2014-10-01 | 中科宇图天下科技有限公司 | 一种遥感影像压缩***的实现方法 |
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*** |
CN106909644A (zh) * | 2017-02-21 | 2017-06-30 | 中国科学院电子学研究所 | 一种面向海量遥感影像的多级组织和索引方法 |
US20180199902A1 (en) * | 2015-09-01 | 2018-07-19 | Koninklijke Philips N.V. | Apparatus for displaying medical image data of a body part |
CN111723221A (zh) * | 2020-06-19 | 2020-09-29 | 珠江水利委员会珠江水利科学研究院 | 基于分布式架构的海量遥感数据处理方法及*** |
-
2020
- 2020-10-27 CN CN202011160451.3A patent/CN112380367B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087652A (zh) * | 2009-12-08 | 2011-06-08 | 百度在线网络技术(北京)有限公司 | 图像筛选方法及其*** |
CN104079930A (zh) * | 2014-01-06 | 2014-10-01 | 中科宇图天下科技有限公司 | 一种遥感影像压缩***的实现方法 |
US20180199902A1 (en) * | 2015-09-01 | 2018-07-19 | Koninklijke Philips N.V. | Apparatus for displaying medical image data of a body part |
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*** |
CN106909644A (zh) * | 2017-02-21 | 2017-06-30 | 中国科学院电子学研究所 | 一种面向海量遥感影像的多级组织和索引方法 |
CN111723221A (zh) * | 2020-06-19 | 2020-09-29 | 珠江水利委员会珠江水利科学研究院 | 基于分布式架构的海量遥感数据处理方法及*** |
Non-Patent Citations (1)
Title |
---|
尚明姝: ""一种基于改进SURF的图像配准方法"", 《微电子学与计算机》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297407A (zh) * | 2021-05-21 | 2021-08-24 | 生态环境部卫星环境应用中心 | 遥感影像优选方法和装置 |
CN113297407B (zh) * | 2021-05-21 | 2021-11-26 | 生态环境部卫星环境应用中心 | 遥感影像优选方法和装置 |
CN113327259A (zh) * | 2021-08-04 | 2021-08-31 | 中国科学院空天信息创新研究院 | 面向区域覆盖的遥感数据筛选方法及*** |
CN113327259B (zh) * | 2021-08-04 | 2021-10-29 | 中国科学院空天信息创新研究院 | 面向区域覆盖的遥感数据筛选方法及*** |
CN113763275A (zh) * | 2021-09-09 | 2021-12-07 | 深圳市文立科技有限公司 | 一种自适应图像降噪方法、***及可读存储介质 |
CN116563571A (zh) * | 2023-05-16 | 2023-08-08 | 北京师范大学 | 基于玻尔兹曼熵相似性的高光谱图像波段选择方法及*** |
CN116563571B (zh) * | 2023-05-16 | 2023-11-21 | 北京师范大学 | 基于玻尔兹曼熵相似性的高光谱图像波段选择方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112380367B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380367B (zh) | 一种基于熵的遥感影像数据筛选方法 | |
CN103413286B (zh) | 一种基于学习的高动态范围与高分辨率图像联合重建方法 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及*** | |
US8340423B1 (en) | Enhancing digital image mosaics using region-statistics | |
CN103336783B (zh) | 联合泰森多边形与反距离加权的密度图制图方法 | |
EP2534835A2 (en) | Systems and methods that generate height map models for efficient three dimensional reconstruction from depth information | |
CN113538664A (zh) | 车辆去光照三维重建方法、装置、电子设备和存储介质 | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN112765095A (zh) | 一种立体测绘卫星影像数据归档方法和*** | |
Carneiro et al. | Urban environment quality indicators: application to solar radiation and morphological analysis on built area | |
Liu et al. | Characterizing three dimensional (3-D) morphology of residential buildings by landscape metrics | |
CN114926602B (zh) | 基于三维点云的建筑物单体化方法及*** | |
CN113837892A (zh) | 基于3s技术的坡耕地划分方法 | |
Nagel | Image sequence analysis: What can we learn from applications? | |
CN102682115A (zh) | 一种基于Voronoi图的点密度专题图制作方法 | |
CN117036326A (zh) | 一种基于多模态融合的缺陷检测方法 | |
CN110766640A (zh) | 一种基于深度语义分割的图像去雾方法 | |
CN116467540B (zh) | 一种基于HBase的海量空间数据快速可视化方法 | |
CN113516732B (zh) | 一种基于金字塔的散点图采样方法及*** | |
AU2010200143A1 (en) | Extraction processes | |
CN108052585B (zh) | 一种复杂环境中动态目标的判定方法 | |
Mahdavi-Amiri et al. | Data management possibilities for aperture 3 hexagonal discrete global grid systems | |
CN114842184B (zh) | 一种基于质量分级和时空约束的全覆盖遥感影像筛选方法 | |
CN115187843B (zh) | 基于物方体素及几何特征约束的深度图融合方法 | |
CN107506357B (zh) | 用于不同粗细粒度岩心图像重构的二维数字岩心存储方法 |
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 |