CN114120120A - 基于遥感影像的违章建筑检测方法、装置、设备及介质 - Google Patents
基于遥感影像的违章建筑检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114120120A CN114120120A CN202111417393.2A CN202111417393A CN114120120A CN 114120120 A CN114120120 A CN 114120120A CN 202111417393 A CN202111417393 A CN 202111417393A CN 114120120 A CN114120120 A CN 114120120A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- pixel
- area
- remote sensing
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于遥感影像的违章建筑检测方法、装置、设备及介质,所述方法包括从遥感影像中提取待检测图像,对所述待检测图像进行预处理;将预处理后的图像像素与预处理前的图像像素作差,得到差分图像;利用所述差分图像,构建图像特征变化矩阵;利用集成分类器对所述图像特征变化矩阵的像素点进行分类,生成违章建筑检测结果。本发明通过对待检测图像中的模糊图像进行还原,从而提高了图像质量;通过利用基于权重动态修正的PCA算法进行特征降维,提高了主成分的特征解释性,加快了分析效率;此外,本发明还利用集成分类器进行像素点分类,最终提高了违章建筑检测结果的精确度。
Description
技术领域
本发明涉及遥感影像检测技术领域,尤其涉及一种基于遥感影像的违章建筑检测方法、装置、设备及介质。
背景技术
高压输电线路在电网***中承担着能量传输的作用,而输电线路走廊常常会受到树障、违章施工、违章建筑等安全隐患的威胁。为了保证线路的安全稳定运行,需要对其进行定期巡检。输电杆塔、绝缘子和电线等电力设施通常位于高海拔地区,人工巡检的方式不仅效率低下而且危险性较高。
近年来,基于遥感影像的违章建筑的检测技术不断涌现,遥感影像不仅涵盖区域广、光谱信息丰富、分辨率高,还可以分辨出道路、水体、植物和建筑物等具有丰富细节信息的地物目标,一旦发现违章建筑就能够及时进行人为干预,以杜绝安全事故的发生。然而在实际应用中,由于受到雨雪、大雾等恶劣天气的干扰以及云层覆盖情况的出现,获取到的遥感影像往往比较模糊、对比度严重降低。
为了提高检测精度,现有技术通常有两种做法:一种是采用三维块匹配滤波(BM3D)算法去除图像中的噪声,从而得到实验所需的数据。该方法虽然可以达到降噪的目的,但是不能完整的保留图像边缘和纹理细节,而且对雾雪等恶劣天气下拍摄图像的处理能力有限。另一种是采用一种基于U-Net网络和多残差网络结合的遥感图像语义分割模型,通过在U-Net网络模型的基础上加入了残差块,加强特征传播,从而减少了信息的损失程度。但是该模型由于参数较多,导致训练的复杂性较高,效率低下,且算法的运行时间高度依赖计算机的性能,无法适应实时的检测***。
发明内容
本发明的目的在于提供一种基于遥感影像的违章建筑检测方法、装置、设备及介质,以解决现有技术中针对遥感影像的识别精度低及效率低下的问题。
为实现上述目的,本发明提供一种基于遥感影像的违章建筑检测方法,包括:
从遥感影像中提取待检测图像,对所述待检测图像进行预处理;
将预处理后的图像像素与预处理前的图像像素作差,得到差分图像;
利用所述差分图像,构建图像特征变化矩阵;
利用集成分类器对所述图像特征变化矩阵的像素点进行分类,生成违章建筑检测结果。
进一步地,所述对所述待检测图像进行预处理,包括:
对所述待检测图像进行分割,生成多个具有相同尺寸的子区域;
从所述子区域中提取像素点,并筛选出每个子区域中的异常点;
判断每个子区域中所述异常点占所有像素点的比例是否大于预设阈值;
若是,则判定该子区域为异常区域,并利用改进暗通道先验算法对所述异常区域的图像进行还原;
若否,则判定该子区域为正常区域,并保存所述正常区域的图像。
进一步地,所述利用改进暗通道先验算法对所述异常区域的图像进行还原,包括:
式中,ω为自适应调节参数,且满足ω∈[0,1];θ(x)表示以像素x为中心的窗口;A为全球大气光,Ic(x)为原始图像的RGB颜色分量之一;
利用快速双边滤波器进行滤波计算:
其中,S是以像素点p为中心的邻域窗口;Ip和Iq分别是像素点p和像素点q对应的灰度值;σs和σR分别是空域S和值域R的核函数;
进行透射率修复,生成修复结果t(x):
利用修复结果对异常区域的图像进行还原:
式中,I(x)为原始图像;t0取值为0.01,以避免个别像素的透射率出现趋于0的现象。
进一步地,所述从所述子区域中提取像素点,并筛选出每个子区域中的异常点,包括:
从所述子区域中提取n个像素点;其中,1≤n≤5,n为整数;
计算每个像素点在预设正方形区域内的方差,当所述方差小于预设正方形区域的边长时,则该像素点为异常点;其中,预设正方形区域的边长小于或等于子区域边长。
进一步地,所述利用所述差分图像,构建图像特征变化矩阵,包括:
对所述差分图像进行平均分割,利用分割得到的像素块;
利用基于权重动态修正的PCA算法,对所述像素块矩阵进行特征降维;
将降维结果映射为多个向量,利用所述向量构建图像特征变化矩阵。
进一步地,所述利用集成分类器对所述图像特征变化矩阵的像素点进行分类,生成违章建筑检测结果,包括:
利用集成分类器进行像素点分类:
式中,y为分类标签,ωj是分配给每个分类器Cj的权重,XA是分类函数(Cj(x)=i∈A);
从分类结果中选择权重参数满足预设条件的类别,作为目标结果;
根据所述目标结果生成违章建筑检测结果。
本发明还提供一种基于遥感影像的违章建筑检测装置,包括:
预处理单元,用于从遥感影像中提取待检测图像,对所述待检测图像进行预处理;
差分图像计算单元,用于将预处理后的图像像素与预处理前的图像像素作差,得到差分图像;
矩阵构建单元,用于利用所述差分图像,构建图像特征变化矩阵;
分类单元,用于利用集成分类器对所述图像特征变化矩阵的像素点进行分类,生成违章建筑检测结果。
进一步地,所述预处理单元,还包括:
分割单元,用于对所述待检测图像进行分割,生成多个具有相同尺寸的子区域;
筛选单元,用于从所述子区域中提取像素点,并筛选出每个子区域中的异常点;
判断单元,用于判断每个子区域中所述异常点占所有像素点的比例是否大于预设阈值;
还原单元,用于当子区域中所述异常点占所有像素点的比例大于预设阈值时,判定该子区域为异常区域,并利用改进暗通道先验算法对所述异常区域的图像进行还原;
保存单元,用于当子区域中所述异常点占所有像素点的比例小于或等于预设阈值时,判定该子区域为正常区域,并保存所述正常区域的图像。
本发明还提供一种终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上任一项所述的基于遥感影像的违章建筑检测方法。
本发明还提供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如上任一项所述的基于遥感影像的违章建筑检测方法。
相对于现有技术,本发明的有益效果在于:
1)本发明在应用图像之前采用改进的暗通道先验算法进行去雾操作,以消除图像中的模糊噪声,提高图片的质量,在后期的应用过程中也可以避免检测整张变化的图像,减少像素点特征维度的同时,提高违章建筑的识别效率。
2)本发明对PCA算法的基础上,引入了权重动态修正方法,对数据进行中心化操作,从而代替传统的均值,以减少极端值对均值的影响,提高主成分的特征解释性。
3)本发明在分类的过程中采用了一种集成分类器,在应用的过程中结合多个分类器的预测输出结果,执行加权多数投票来检测图像中发生变化的区域,最终提高检测结果的精确度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的基于遥感影像的违章建筑检测方法的流程示意图;
图2是图1中步骤S10的子步骤的流程示意图;
图3是本发明某一实施例提供的集成分类器的工作原理的流程示意图;
图4是本发明某一实施例提供的基于遥感影像的违章建筑检测装置的结构示意图;
图5是图4中分割单元01的子单元的结构示意图;
图6是本发明某一实施例提供的终端设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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作出创造性劳动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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,本发明某一实施例提供一种基于遥感影像的违章建筑检测方法。如图1所示,该基于遥感影像的违章建筑检测方法包括步骤S10至步骤S40。各步骤具体如下:
S10、从遥感影像中提取待检测图像,对所述待检测图像进行预处理。
可以理解的是,由于输电线路通常会受到雨雪、大雾等恶劣天气的影响,甚至有时还会出现云层覆盖的情况。因此,在实际应用时获取的遥感影像往往比较模糊、对比度较正常气候时相比会严重降低。为了从获取的遥感影像中获得质量更高的待检测图像,通常会进行预处理操作。
在某一具体实施方式中,步骤S10又包括多个子步骤,如图2所示。具体地,各个子步骤的内容如下:
S101、对所述待检测图像进行分割,生成多个具有相同尺寸的子区域。
需要说明,本步骤中对于图像进行分割,能够消除细节特征的干扰,并提高图像处理的效率。同时,为了方便后续的处理过程,在本步骤中将从整张待检测图像均分,生成了多个大小相同的子区域。
S102、从所述子区域中提取像素点,并筛选出每个子区域中的异常点。
进一步地,步骤S102主要分为两步:
A)从所述子区域中提取n个像素点;其中,1≤n≤5,n为整数;
B)计算每个像素点在预设正方形区域内的方差,当所述方差小于预设正方形区域的边长时,则该像素点为异常点;其中,预设正方形区域的边长小于或等于子区域边长。
具体地,在执行步骤A)时,首先任意选择一个子区域,然后从该子区域中随机提取像素点。通常,该像素点的数量n的范围为1≤n≤5;这样设置的作用是在能够保证图像清晰度的前提下尽可能使用最少的像素点,以保证数据处理的效率。需要说明的是,在实际应用中,n的范围可以根据场景需要进行设置,在此不作任何限定。
进一步地,当提取了子区域的像素点后,需要判定该像素点是否异常。具体做法为:在当前子区域内给定一个预设正方形区域s*s,其边长则为s。然后计算每一个像素点在该预设正方形区域s*s的方差,当方差小于边长s时,则认为该像素点为异常;否则,即为正常的像素点。当一个子区域筛选出了异常点之后,其他的子区域也重复这样的操作,直到筛选完所有子区域的所有异常点。
S103、判断每个子区域中所述异常点占所有像素点的比例是否大于预设阈值。
可以理解的是,像素异常的点关乎图像的清晰度,而异常点的数量将会决定子区域的图像的清晰度。因此在本步骤中主要给定一个判别标准,以此来判断子区域是否为异常区域。具体地,首先计算当前子区域中所有异常点占所有像素点的比例,然后看该比例是否大于预设阈值(例如50%),并对应生成步骤S104和S105的结果:
S104、若是,则判定该子区域为异常区域,并利用改进暗通道先验算法对异常区域的图像进行还原。其中,异常区域也即受大雾或云层影响比较严重的区域。
S105、若否,则判定该子区域为正常区域,并保存该正常区域的图像。其中,正常区域也即没有大雾和云层覆盖或者受大雾、云层影响比较小的区域。
可以理解的是,该预设阈值设为50%只是本实施例的一种优选方式,该值的大小可根据实际所需进行调整,在此不作任何限定。
在某一个具体地实施方式中,步骤S104中所述的利用改进暗通道先验算法对异常区域的图像进行还原,具体包括以下内容:
首先去雾模型如下:
I(x)=J(x)t(x)+A(1-t(x));
式中,I(x)为原始图像,J(x)为去雾图像,A为空气光亮度,t(x)为透射率。
暗通道的计算公式为:
Jdark(x)=miny∈θ(x)(minc∈{R,G,B}JC());
式中,J为任意一张输入图像,JC(x)表示像素点x中R、G、B三个通道中的每个通道,θ(x)表示以像素x为中心的窗口。其中,暗通道先验理论表明:Jdark(x)→0。
式中,ω为自适应调节参数,且满足ω∈[0,1];θ(x)表示以像素x为中心的窗口;A为全球大气光,Ic(x)为原始图像的RGB颜色分量之一。
进一步地,为了消除块效应现象,得到更加准确的暗通道值,采用了快速双边滤波器(BF)进行平滑处理,其主要由空域S和值域R两个权重构成。在处理过程中邻域窗口内的权重与中心位置的像素距离和灰度差密切相关,通过下式进行滤波计算:
式中,S是以像素点p为中心的邻域窗口;Ip和Iq分别是像素点p和像素点q对应的灰度值;σs和σR分别是空域S和值域R的核函数。
最后,利用修复结果对异常区域的图像进行还原,采用的还原公式为:
式中,I(x)为待处理的原始图像;t0取值为0.01,以避免个别像素的透射率出现趋于0的现象。
因此,本实施例基于改进的暗通道先验算法进行去雾操作,能够有效的针对恶劣天气下或者是有云层遮挡的图片进行还原,以消除图像中的模糊噪声,提高图片的清晰度,从而有利于提升后续对违章建筑检测工作中的效率和精度。
S20、将预处理后的图像像素与预处理前的图像像素作差,得到差分图像。
具体地,将预处理后得到的图像X2的像素减去预处理前的图像X1的像素,即能得到差分图像Xd。
S30、利用所述差分图像,构建图像特征变化矩阵。
进一步地,步骤S30又包括以下步骤:
C)对差分图像进行平均分割,利用分割得到的像素块。
具体地,将差分图像分割成大小为m×m的像素块,则像素块集合Xd为:
Xd={xd(a,b)|a×m=W,b×m=H)};
D)利用基于权重动态修正的PCA算法,对所述像素块矩阵进行特征降维。
具体地,步骤D)包括以下内容:
a)引入权重动态修正方法,计算均值:
Ix=∑Idωd;
b)进行数据中心化操作,得到各个向量与权重修正后的均值向量之间的距离为:
c)计算协方差矩阵:
cij=Cov(Δi,Δj),i,j=1,2...,m2;
通过计算,得到协方差矩阵的m2个特征值λs和特征向量es,按照特征值递减顺序排列,选择前N个特征向量组成特征向量空间EVS=[e1,…,eN]T,N≤m2。
类似地,采用重叠的方法,以定长间隔为1的方法划分像素块,最终得到新的像素块集合:
Xd={xd(a,b)|a+m=W,b+m=H)};
E)将降维结果映射为多个向量,利用所述向量构建图像特征变化矩阵。
具体地,通过以下公式将步骤D)生成的降维结果映射到EVS中:
最后,根据这些向量构建图像特征变化矩阵。
因此,本实施例PCA算法(主成分分析)的基础上,引入了权重动态修正方法,对数据进行中心化操作,从而代替传统的均值,以减少极端值对均值的影响,进而提高了主成分的特征解释性,有利于提升后续对违章建筑检测工作的精度。
S40、利用集成分类器对所述图像特征变化矩阵的像素点进行分类,生成违章建筑检测结果。
具体地,本实施例采用一种集成分类器将图像像素点分为变化和未变化两类,以此来定位变化区域,从而检测出违章建筑的可能区域。需要说明的是,集成分类器的工作原理流程如图3所示。其中,该集成分类器主要结合随机森林(RF)、K*及C4.5算法,并执行加权投票完成分类任务。具体地,分类公式如下:
式中,y为分类标签,ωj是分配给每个分类器Cj的权重,XA是分类函数(Cj(x)=i∈A)。
从分类结果中选择权重参数满足预设条件的类别,作为目标结果,这一步中,主要是通过将权重参数较大的类作为目标结果。
最后,由工作人员根据所述目标结果检查发生变化区域的图像,最终判断该区域是否出现违章建筑。
综上,本发明实施例提供的于遥感影像的违章建筑检测方法,在分类的过程中通过采用一种集成分类器,在应用的过程中结合多个分类器的预测输出结果,执行加权多数投票来检测图像中发生变化的区域,最终提高了检测结果的精确度。
请参阅图4,本发明某一实施例还提供了一种基于遥感影像的违章建筑检测装置,包括:
预处理单元01,用于从遥感影像中提取待检测图像,对所述待检测图像进行预处理;
差分图像计算单元02,用于将预处理后的图像像素与预处理前的图像像素作差,得到差分图像;
矩阵构建单元03,用于利用所述差分图像,构建图像特征变化矩阵;
分类单元04,用于利用集成分类器对所述图像特征变化矩阵的像素点进行分类,生成违章建筑检测结果。
在某一个具体实施例中,预处理单元01还包括多个子单元,如图5所示。
具体地,各个子单元的内容如下:
分割单元011,用于对所述待检测图像进行分割,生成多个具有相同尺寸的子区域;
筛选单元012,用于从所述子区域中提取像素点,并筛选出每个子区域中的异常点;
判断单元013,用于判断每个子区域中所述异常点占所有像素点的比例是否大于预设阈值;
还原单元014,用于当子区域中所述异常点占所有像素点的比例大于预设阈值时,判定该子区域为异常区域,并利用改进暗通道先验算法对所述异常区域的图像进行还原;
保存单元015,用于当子区域中所述异常点占所有像素点的比例小于或等于预设阈值时,判定该子区域为正常区域,并保存所述正常区域的图像。
可以理解的是,本发明实施例提供的于遥感影像的违章建筑检测装置用于执行如上述任意一项实施例所述的于遥感影像的违章建筑检测方法。本实施例通过在应用图像之前采用改进的暗通道先验算法进行去雾操作,以消除图像中的模糊噪声,提高图片的质量,在后期的应用过程中也可以避免检测整张变化的图像,减少像素点特征维度的同时,提高违章建筑的识别效率。此外,本实施例在对PCA算法的基础上,引入了权重动态修正方法,对数据进行中心化操作,从而代替传统的均值,以减少极端值对均值的影响,提高了主成分的特征解释性。最后,本实施例通过在分类过程中采用集成分类器,并在应用过程中结合多个分类器的预测输出结果,执行加权多数投票来检测图像中发生变化的区域,最终提高了检测结果的精确度。
请参阅图6,本发明某一实施例还提供一种终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的基于遥感影像的违章建筑检测方法。
处理器用于控制该终端设备的整体操作,以完成上述的基于遥感影像的违章建筑检测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作,这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit,简称AS1C)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行如上述任一项实施例所述的基于遥感影像的违章建筑检测方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供一种包括计算机程序的计算机可读存储介质,该计算机程序被处理器执行时实现如上述任一项实施例所述的基于遥感影像的违章建筑检测方法的步骤。例如,该计算机可读存储介质可以为上述包括计算机程序的存储器,上述计算机程序可由终端设备的处理器执行以完成如上述任一项实施例所述的基于遥感影像的违章建筑检测方法,并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于遥感影像的违章建筑检测方法,其特征在于,包括:
从遥感影像中提取待检测图像,对所述待检测图像进行预处理;
将预处理后的图像像素与预处理前的图像像素作差,得到差分图像;
利用所述差分图像,构建图像特征变化矩阵;
利用集成分类器对所述图像特征变化矩阵的像素点进行分类,生成违章建筑检测结果。
2.根据权利要求1所述的基于遥感影像的违章建筑检测方法,其特征在于,所述对所述待检测图像进行预处理,包括:
对所述待检测图像进行分割,生成多个具有相同尺寸的子区域;
从所述子区域中提取像素点,并筛选出每个子区域中的异常点;
判断每个子区域中所述异常点占所有像素点的比例是否大于预设阈值;
若是,则判定该子区域为异常区域,并利用改进暗通道先验算法对所述异常区域的图像进行还原;
若否,则判定该子区域为正常区域,并保存所述正常区域的图像。
3.根据权利要求2所述的基于遥感影像的违章建筑检测方法,其特征在于,所述利用改进暗通道先验算法对所述异常区域的图像进行还原,包括:
式中,ω为自适应调节参数,且满足ω∈[0,1];θ(x)表示以像素x为中心的窗口;A为全球大气光,Ic(x)为原始图像的RGB颜色分量之一;
利用快速双边滤波器进行滤波计算:
其中,S是以像素点p为中心的邻域窗口;Ip和Iq分别是像素点p和像素点q对应的灰度值;σs和σR分别是空域S和值域R的核函数;
进行透射率修复,生成修复结果t(x):
利用修复结果对异常区域的图像进行还原:
式中,I(x)为原始图像;t0取值为0.01,以避免个别像素的透射率出现趋于0的现象。
4.根据权利要求2所述的基于遥感影像的违章建筑检测方法,其特征在于,所述从所述子区域中提取像素点,并筛选出每个子区域中的异常点,包括:
从所述子区域中提取n个像素点;其中,1≤n≤5,n为整数;
计算每个像素点在预设正方形区域内的方差,当所述方差小于预设正方形区域的边长时,则该像素点为异常点;其中,预设正方形区域的边长小于或等于子区域边长。
5.根据权利要求1所述的基于遥感影像的违章建筑检测方法,其特征在于,所述利用所述差分图像,构建图像特征变化矩阵,包括:
对所述差分图像进行平均分割,利用分割得到的像素块;
利用基于权重动态修正的PCA算法,对所述像素块矩阵进行特征降维;
将降维结果映射为多个向量,利用所述向量构建图像特征变化矩阵。
7.一种基于遥感影像的违章建筑检测装置,其特征在于,包括:
预处理单元,用于从遥感影像中提取待检测图像,对所述待检测图像进行预处理;
差分图像计算单元,用于将预处理后的图像像素与预处理前的图像像素作差,得到差分图像;
矩阵构建单元,用于利用所述差分图像,构建图像特征变化矩阵;
分类单元,用于利用集成分类器对所述图像特征变化矩阵的像素点进行分类,生成违章建筑检测结果。
8.根据权利要求7所述的基于遥感影像的违章建筑检测装置,其特征在于,所述预处理单元,还包括:
分割单元,用于对所述待检测图像进行分割,生成多个具有相同尺寸的子区域;
筛选单元,用于从所述子区域中提取像素点,并筛选出每个子区域中的异常点;
判断单元,用于判断每个子区域中所述异常点占所有像素点的比例是否大于预设阈值;
还原单元,用于当子区域中所述异常点占所有像素点的比例大于预设阈值时,判定该子区域为异常区域,并利用改进暗通道先验算法对所述异常区域的图像进行还原;
保存单元,用于当子区域中所述异常点占所有像素点的比例小于或等于预设阈值时,判定该子区域为正常区域,并保存所述正常区域的图像。
9.一种终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6任意一项所述的基于遥感影像的违章建筑检测方法。
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如权利要求1-6任意一项所述的基于遥感影像的违章建筑检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417393.2A CN114120120A (zh) | 2021-11-25 | 2021-11-25 | 基于遥感影像的违章建筑检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417393.2A CN114120120A (zh) | 2021-11-25 | 2021-11-25 | 基于遥感影像的违章建筑检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114120120A true CN114120120A (zh) | 2022-03-01 |
Family
ID=80373702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111417393.2A Pending CN114120120A (zh) | 2021-11-25 | 2021-11-25 | 基于遥感影像的违章建筑检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120120A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100536A (zh) * | 2022-06-01 | 2022-09-23 | 中科星睿科技(北京)有限公司 | 建筑物识别方法、装置、电子设备和计算机可读介质 |
CN115294486A (zh) * | 2022-10-08 | 2022-11-04 | 彼图科技(青岛)有限公司 | 一种基于无人机和人工智能的违章建筑数据识别方法 |
CN115797775A (zh) * | 2022-12-14 | 2023-03-14 | 中国铁塔股份有限公司重庆市分公司 | 基于近地视频图像的违章建筑智能识别方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及*** |
CN111539296A (zh) * | 2020-04-17 | 2020-08-14 | 河海大学常州校区 | 一种基于遥感影像变化检测的违章建筑识别方法及*** |
CN113033385A (zh) * | 2021-03-23 | 2021-06-25 | 广东电网有限责任公司广州供电局 | 一种基于深度学习的违章建筑遥感识别方法及*** |
CN113221960A (zh) * | 2021-04-20 | 2021-08-06 | 西北大学 | 一种高质量漏洞数据收集模型的构建方法及收集方法 |
-
2021
- 2021-11-25 CN CN202111417393.2A patent/CN114120120A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及*** |
CN111539296A (zh) * | 2020-04-17 | 2020-08-14 | 河海大学常州校区 | 一种基于遥感影像变化检测的违章建筑识别方法及*** |
CN113033385A (zh) * | 2021-03-23 | 2021-06-25 | 广东电网有限责任公司广州供电局 | 一种基于深度学习的违章建筑遥感识别方法及*** |
CN113221960A (zh) * | 2021-04-20 | 2021-08-06 | 西北大学 | 一种高质量漏洞数据收集模型的构建方法及收集方法 |
Non-Patent Citations (2)
Title |
---|
孙晓峰 等: ""基于改进的暗通道先验去雾辅助导航算法"", 《科学技术与工程》 * |
陈燕 等: "《一种改进的基于PCA的数据预处理方法》", 《计算机技术与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100536A (zh) * | 2022-06-01 | 2022-09-23 | 中科星睿科技(北京)有限公司 | 建筑物识别方法、装置、电子设备和计算机可读介质 |
CN115294486A (zh) * | 2022-10-08 | 2022-11-04 | 彼图科技(青岛)有限公司 | 一种基于无人机和人工智能的违章建筑数据识别方法 |
CN115797775A (zh) * | 2022-12-14 | 2023-03-14 | 中国铁塔股份有限公司重庆市分公司 | 基于近地视频图像的违章建筑智能识别方法及*** |
CN115797775B (zh) * | 2022-12-14 | 2024-04-26 | 中国铁塔股份有限公司重庆市分公司 | 基于近地视频图像的违章建筑智能识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114120120A (zh) | 基于遥感影像的违章建筑检测方法、装置、设备及介质 | |
CN103871029B (zh) | 一种图像增强及分割方法 | |
JP5325899B2 (ja) | 侵入警報ビデオ処理装置 | |
CN105404847B (zh) | 一种遗留物实时检测方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
CN111160407B (zh) | 一种深度学习目标检测方法及*** | |
CN112446379B (zh) | 一种动态大场景自适应智能处理方法 | |
CN105160355B (zh) | 一种基于区域相关和视觉单词的遥感图像变化检测方法 | |
CN115861380B (zh) | 雾天低照度场景下端到端无人机视觉目标跟踪方法及装置 | |
Choi et al. | Fog detection for de-fogging of road driving images | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
Zhang et al. | Investigation of image processing based real-time flood monitoring | |
CN113177439B (zh) | 一种行人翻越马路护栏检测方法 | |
CN113947723B (zh) | 基于尺寸平衡fcos的高分辨率遥感场景目标检测方法 | |
CN110826413A (zh) | 一种输电线路防振锤故障检测方法及其***、存储介质 | |
Bolten et al. | Evaluation of Deep Learning based 3D-Point-Cloud Processing Techniques for Semantic Segmentation of Neuromorphic Vision Sensor Event-streams. | |
CN115830641A (zh) | 一种员工识别方法、装置、电子设备及存储介质 | |
Soundararajan et al. | Analysis of mincut, average cut, and normalized cut measures | |
CN112116561B (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 | |
CN114066855A (zh) | 一种基于轻量化模型的裂缝分割和追踪方法 | |
CN115409954A (zh) | 一种基于orb特征点的稠密点云地图构建方法 | |
CN112686115A (zh) | 一种基于尺度感知的自动驾驶场景中的行人目标检测方法 | |
El Baf et al. | Fuzzy foreground detection for infrared videos | |
CN113628242A (zh) | 一种基于背景减除法的卫星视频目标跟踪方法及*** |
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 |
Application publication date: 20220301 |
|
RJ01 | Rejection of invention patent application after publication |