CN114494887A - 遥感图像分类方法、装置、计算机设备和可读存储介质 - Google Patents
遥感图像分类方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN114494887A CN114494887A CN202210131590.6A CN202210131590A CN114494887A CN 114494887 A CN114494887 A CN 114494887A CN 202210131590 A CN202210131590 A CN 202210131590A CN 114494887 A CN114494887 A CN 114494887A
- Authority
- CN
- China
- Prior art keywords
- image
- clustering
- remote sensing
- classification
- segmented
- 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
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (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
本发明提供一种遥感图像分类方法、装置、计算机设备和可读存储介质,该遥感图像分类方法包括:按照当前超像素个数对待分类遥感图像进行超像素分割处理,获得多个图像块;按照预设算法提取每个图像块的图像特征值;根据图像特征值对多个图像块进行聚类合并处理,获得分割聚类图像,并获取相应的聚类数目;根据聚类数目以及预设规则确定分割聚类图像无需继续分割时,利用分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类结果;否则,返回至按照当前超像素个数对待分类遥感图像进行超像素分割处理的步骤。本发明的遥感图像分类方法,可降低了遥感图像分类的难度,以及降低分类过程中对于硬件的要求。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种遥感图像分类方法、装置、计算机设备和可读存储介质。
背景技术
现有的遥感图像的分类一般依赖于人工智能技术,但是通过人工智能技术进行遥感图像的分类需要大量的样本数据进行分类模型的训练,由于我国测绘行业数据保密的严格要求,获取大量样本数据取得相对较为困难,以及训练样本数据需要耗费大量的时间,因此使遥感图像分类的难度较大。并且依赖于人工智能技术的遥感图像分类,对于硬件要求也非常高,难以实现。
发明内容
鉴于上述问题,本发明提供了一种遥感图像分类方法、装置、计算机设备和可读存储介质,以降低了遥感图像分类的难度,以及降低分类过程中对于硬件的要求。
为了实现上述目的,本发明采用如下的技术方案:
一种遥感图像分类方法,包括:
获取预设的初始超像素个数为当前超像素个数,按照所述当前超像素个数对待分类遥感图像进行超像素分割处理,获得多个图像块;
按照预设算法提取每个所述图像块的图像特征值;
根据所述图像特征值对多个所述图像块进行聚类合并处理,获得分割聚类图像,并获取相应的聚类数目;
根据所述聚类数目以及预设规则确定所述分割聚类图像无需继续分割时,利用所述分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类结果;
确定所述分割聚类图像需要继续分割时,按顺序获取下一预设的超像素个数为所述当前超像素个数,返回至所述按照所述当前超像素个数对待分类遥感图像进行超像素分割处理的步骤。
优选地,所述的遥感图像分类方法中,所述按照预设算法提取每个所述图像块的图像特征值包括:
提取所述图像块的RGB颜色特征值;
对所述图像块灰度处理后,提取纹理特征值;
利用所述RGB颜色特征值与所述纹理特征值进行预设权重相加算法运算,获得所述图像特征值。
优选地,所述的遥感图像分类方法中,预设权重相加算法的算式包括:
O=i(R+G+B)+jGray;Gray=(R×30+G×59+B×11)/100;
式中,O为所述图像块的所述图像特征值,R为所述图像块的平均红光亮度级数,G为所述图像块的平均绿光亮度级数,B为所述图像块的平均蓝光亮度级数,Gray为所述图像块的纹理特征值,i,j为权重值。
优选地,所述的遥感图像分类方法中,所述预设规则包括:
通过超像素个数以及相应的聚类数目构建受试者工作特征曲线;通过所述受试者工作特征曲线计算分类正确率Q(n),n为分割聚类次数;若Q(n)>λ则确定所述分割聚类图像需要继续分割;若Q(n+1)-Q(n)≤λ则确定所述分割聚类图像无需继续分割,利用第n层分割聚类图像进行相似度计算,λ为预设的分类正确率阈值。
优选地,所述的遥感图像分类方法中,所述利用所述分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类结果包括:
计算所述分割聚类图像的图像特征值的目标聚类中心,以及获取所有的预存的标准分类图像的图像特征值的标准聚类中心;
计算所述目标聚类中心与所有所述标准聚类中心的欧氏距离值;
确定最小的所述欧氏距离值相应的标准分类图像的类别,作为所述分类结果。
优选地,所述的遥感图像分类方法中,还包括:
根据所述欧氏距离值进行所述待分类遥感图像与所述标准分类图像相似度的排序,并输出相应的排序结果。
优选地,所述的遥感图像分类方法中,所述标准分类图像存储于标准分类图像库,所述方法还包括:
将所述分割聚类图像、相应的图像特征值的聚类中心以及相应的分类结果,关联存储至所述标准分类图像库。
本发明还提供一种遥感图像分类装置,包括:
超像素分割模块,用于获取预设的初始超像素个数为当前超像素个数,按照所述当前超像素个数对待分类遥感图像进行超像素分割处理,获得多个图像块;
特征值提取模块,用于按照预设算法提取每个所述图像块的图像特征值;
聚类合并模块,用于根据所述图像特征值对多个所述图像块进行聚类合并处理,获得分割聚类图像,并获取相应的聚类数目;
分类结果获取模块,用于根据所述聚类数目以及预设规则确定所述分割聚类图像无需继续分割时,利用所述分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类结果;
分割返回模块,用于确定所述分割聚类图像需要继续分割时,按顺序获取下一预设的超像素个数为所述当前超像素个数,返回至所述按照所述当前超像素个数对待分类遥感图像进行超像素分割处理的步骤。
本发明还提供一种计算机设备,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行所述的遥感图像分类方法。
本发明还提供一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行所述的遥感图像分类方法。
本发明提供一种遥感图像分类方法,该遥感图像分类方法包括:获取预设的初始超像素个数为当前超像素个数,按照所述当前超像素个数对待分类遥感图像进行超像素分割处理,获得多个图像块;按照预设算法提取每个所述图像块的图像特征值;根据所述图像特征值对多个所述图像块进行聚类合并处理,获得分割聚类图像,并获取相应的聚类数目;根据所述聚类数目以及预设规则确定所述分割聚类图像无需继续分割时,利用所述分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类结果;确定所述分割聚类图像需要继续分割时,按顺序获取下一预设的超像素个数为所述当前超像素个数,返回至所述按照所述当前超像素个数对待分类遥感图像进行超像素分割处理的步骤。本发明的遥感图像分类方法,通过依次递增的超像素个数进行待分类遥感图像分割合并,以获得最优分层的分割聚类图像,最终利用该分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类效果,无需大量的训练样本数据,仅需少量的标准分类图像数量即可完成待分类遥感图像的分类过程,从而降低了遥感图像分类的难度,以及降低分类过程中对于硬件的要求。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1是本发明实施例1提供的一种遥感图像分类方法的流程图;
图2是本发明实施例2提供的一种提取图像特征值的流程图;
图3是本发明实施例3提供的一种相似度计算的流程图;
图4是本发明实施例3提供的另一种相似度计算的流程图;
图5是本发明实施例4提供的一种遥感图像分类方法的流程图;
图6是本发明实施例5提供的一种遥感图像分类装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,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。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
实施例1
图1是本发明实施例1提供的一种遥感图像分类方法的流程图,该方法包括如下步骤:
步骤S11:获取预设的初始超像素个数为当前超像素个数,按照所述当前超像素个数对待分类遥感图像进行超像素分割处理,获得多个图像块。
本发明实施例中,根据遥感图像的分割合并的原则,可以对遥感图像进行分层的多次分割合并设计,例如根据预设的初始超像素个数进行第一层图像的超像素分割,再根据分割后各个图像块的颜色特征以及纹理特征进行聚类合并,即颜色特征以及纹理特征在一定相似范围内的图像块合并在一起,最终形成第一层图像,以此类推继续增加超像素个数来进行第一层图像的分割合并,形成第二层图像,以及继续分割合并至第N层图像,以利用同层次的标准图像进行相似度对比从而获得相应的类别。
本发明实施例中,在计算机设备中存储有多个依次递增的超像素个数,例如上述初始超像素个数为100,依次还存储有超像素个数500、1000、2000、4000等,这里不做限定。在计算机设备中还存储有利用当前超像素个数进行超像素分割处理的应用程序,例如,在确定当前超像素个数以及获取到待分类遥感图像后,可以将当前超像素个数以及待分类遥感图像输入至该应用程序中,以获得相应的多个图像块。
步骤S12:按照预设算法提取每个所述图像块的图像特征值。
本发明实施例中,在获得多个图像块后,对于每个图像块将利用预设算法提取图像特征值,其中,图像特征值包括颜色特征值以及纹理特征值等,这里不做限定。在计算机设备中可以设置有基于预设算法的应用程序,在获得多个图像块后,可以将图像块依次输入至该应用程序,以提取出相应的图像特征值。
步骤S13:根据所述图像特征值对多个所述图像块进行聚类合并处理,获得分割聚类图像,并获取相应的聚类数目。
本发明实施例中,图像块的图像特征值相同,或者在一定范围内的可以进行聚类合并处理,从而获得当前分割合并层次的分割聚类图像。并且,在合并的过程中,将获取相应的聚类数目,也即合并后图像块的数目。其中,上述聚类合并过程可以利用应用程序来实现,例如在计算机设备中设置有聚类合并的应用程序,可以设置该应用程序的聚类范围,将各个图像块的图像特征值输入至该应用程序即可获得图像块的聚类结果,根据聚类结果进行聚类合并处理。
步骤S14:根据所述聚类数目以及预设规则确定所述分割聚类图像无需继续分割时,利用所述分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类结果。
本发明实施例中,超像素个数越多,最终分割合并的分割聚类图像的效果越好,但是超像素个数到达一定数目之后,其分割合并的效果没有明显的变化,并且每张待分类遥感图像的超像素个数的上限值均不相同,因此可以设置预设规则,在聚类数目不再有明显变化时,则可以停止继续分割待分类遥感图像,利用当前分割聚类图像与预存的标准分类图像进行相似度计算。
本发明实施例中,上述预存的标准分类图像为事先手工标注好分类类别的遥感图像,例如全国地理国情监测项目技术中,规定0110代表水生农作物,0120代表旱生农作物,0390代表天然草被,0550代表低矮房屋,0950代表岩石地表等等8个大类88个三级类,所有的标准分类图像分别与待分类遥感图像之间的相似程度进行计算,获取与待分类遥感图像最相似的标准分类图像,并确定相应的类别为待分类遥感图像的分类结果。
本发明实施例中,上述预存的标准分类图像存储于标准分类图像库,在需要进行相似度计算时,计算机设备可以从该标准分类图像库调取,通过应用程序依次与当前分割聚类图像进行相似度计算。
步骤S15:确定所述分割聚类图像需要继续分割时,按顺序获取下一预设的超像素个数为所述当前超像素个数,返回至所述按照所述当前超像素个数对待分类遥感图像进行超像素分割处理的步骤。
本发明实施例中,确定分割聚类图像需要继续分割时,也即还没有达到最优的超像素个数,分割合并的效果没有达到最优,即可获取下一个存储的超像素个数,返回按照所述当前超像素个数对待分类遥感图像进行超像素分割处理的步骤。
本发明实施例中,所述预设规则包括:
通过超像素个数以及相应的聚类数目构建受试者工作特征曲线;通过所述受试者工作特征曲线计算分类正确率Q(n),n为分割聚类次数;若Q(n)>λ则确定所述分割聚类图像需要继续分割;若Q(n+1)-Q(n)≤λ则确定所述分割聚类图像无需继续分割,利用第n层分割聚类图像进行相似度计算,λ为预设的分类正确率阈值。
本发明实施例中,通过依次递增的超像素个数进行待分类遥感图像分割合并,以获得最优分层的分割聚类图像,最终利用该分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类效果,无需大量的训练样本数据,仅需少量的标准分类图像数量即可完成待分类遥感图像的分类过程,从而降低了遥感图像分类的难度,以及降低分类过程中对于硬件的要求。
实施例2
图2是本发明实施例2提供的一种提取图像特征值的流程图,包括如下步骤:
步骤S21:提取所述图像块的RGB颜色特征值。
步骤S22:对所述图像块灰度处理后,提取纹理特征值。
步骤S23:利用所述RGB颜色特征值与所述纹理特征值进行预设权重相加算法运算,获得所述图像特征值。
本发明实施例中,预设权重相加算法的算式包括:
O=i(R+G+B)+jGray;Gray=(R×30+G×59+B×11)/100;
式中,O为所述图像块的所述图像特征值,R为所述图像块的平均红光亮度级数,G为所述图像块的平均绿光亮度级数,B为所述图像块的平均蓝光亮度级数,Gray为所述图像块的纹理特征值,i,j为权重值。
实施例3
图3是本发明实施例3提供的一种相似度计算的流程图,包括如下步骤:
步骤S31:计算所述分割聚类图像的图像特征值的目标聚类中心,以及获取所有的预存的标准分类图像的图像特征值的标准聚类中心。
本发明实施例中,在计算机设备中可以设置有用于计算目标聚类中心的应用程序,在获取到最优的分割聚类图像后,可以将相应的图像特征值输入至该应用程序,以计算出相应的目标聚类中心。
步骤S32:计算所述目标聚类中心与所有所述标准聚类中心的欧氏距离值。
步骤S33:确定最小的所述欧氏距离值相应的标准分类图像的类别,作为所述分类结果。
本发明实施例中,采用欧氏距离来度量目标聚类中心与标准聚类中心的相似度,也即通过欧氏距离度量分割聚类图像与标准分类图像的相似度。在计算机设备中同样可以设置有用于计算欧氏距离值的应用程序,在输入目标聚类中心后,可以依次输入标准聚类中心,以计算出多个相应的欧氏距离值。
图4是本发明实施例3提供的另一种相似度计算的流程图,还包括如下步骤:
步骤S34:根据所述欧氏距离值进行所述待分类遥感图像与所述标准分类图像相似度的排序,并输出相应的排序结果。
本发明实施例中,还可以根据欧式距离值整理待分类遥感图像与所述标准分类图像相似度的排序,整合生成排序结果,以便于人工进行检查,以及度量分类的准确性。
实施例4
图5是本发明实施例4提供的一种遥感图像分类方法的流程图,该方法包括如下步骤:
步骤S51:获取预设的初始超像素个数为当前超像素个数,按照所述当前超像素个数对待分类遥感图像进行超像素分割处理,获得多个图像块。
此步骤与上述步骤S11一致,在此不再赘述。
步骤S52:按照预设算法提取每个所述图像块的图像特征值。
此步骤与上述步骤S12一致,在此不再赘述。
步骤S53:根据所述图像特征值对多个所述图像块进行聚类合并处理,获得分割聚类图像,并获取相应的聚类数目。
此步骤与上述步骤S13一致,在此不再赘述。
步骤S54:根据所述聚类数目以及预设规则确定所述分割聚类图像无需继续分割时,利用所述分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类结果。
此步骤与上述步骤S14一致,在此不再赘述。
步骤S55:确定所述分割聚类图像需要继续分割时,按顺序获取下一预设的超像素个数为所述当前超像素个数,返回至所述按照所述当前超像素个数对待分类遥感图像进行超像素分割处理的步骤。
此步骤与上述步骤S15一致,在此不再赘述。
步骤S56:将所述分割聚类图像、相应的图像特征值的聚类中心以及相应的分类结果,关联存储至所述标准分类图像库。
本发明实施例中,在获得正确的分类结果后,该分割聚类图像、相应的图像特征值的聚类中心以及相应的分类结果可以关联存储至标准分类图像库,作为新的标准分类图像,以提高后续分类的准确性。
实施例5
图6是本发明实施例5提供的一种遥感图像分类装置的结构示意图。
该遥感图像分类装置600包括:
超像素分割模块610,用于获取预设的初始超像素个数为当前超像素个数,按照所述当前超像素个数对待分类遥感图像进行超像素分割处理,获得多个图像块;
特征值提取模块620,用于按照预设算法提取每个所述图像块的图像特征值;
聚类合并模块630,用于根据所述图像特征值对多个所述图像块进行聚类合并处理,获得分割聚类图像,并获取相应的聚类数目;
分类结果获取模块640,用于根据所述聚类数目以及预设规则确定所述分割聚类图像无需继续分割时,利用所述分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类结果;
分割返回模块650,用于确定所述分割聚类图像需要继续分割时,按顺序获取下一预设的超像素个数为所述当前超像素个数,返回至所述按照所述当前超像素个数对待分类遥感图像进行超像素分割处理的步骤。
本发明实施例中,上述各个模块更加详细的功能描述可以参考前述实施例中相应部分的内容,在此不再赘述。
此外,本发明还提供了一种计算机设备,该计算机设备可以包括智能电话、平板电脑、车载电脑、智能穿戴设备等。该计算机设备包括存储器和处理器,存储器可用于存储计算机程序,处理器通过运行所述计算机程序,从而使计算机设备执行上述方法或者上述遥感图像分类装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质,用于储存上述计算机设备中使用的计算机程序。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种遥感图像分类方法,其特征在于,包括:
获取预设的初始超像素个数为当前超像素个数,按照所述当前超像素个数对待分类遥感图像进行超像素分割处理,获得多个图像块;
按照预设算法提取每个所述图像块的图像特征值;
根据所述图像特征值对多个所述图像块进行聚类合并处理,获得分割聚类图像,并获取相应的聚类数目;
根据所述聚类数目以及预设规则确定所述分割聚类图像无需继续分割时,利用所述分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类结果;
确定所述分割聚类图像需要继续分割时,按顺序获取下一预设的超像素个数为所述当前超像素个数,返回至所述按照所述当前超像素个数对待分类遥感图像进行超像素分割处理的步骤。
2.根据权利要求1所述的遥感图像分类方法,其特征在于,所述按照预设算法提取每个所述图像块的图像特征值包括:
提取所述图像块的RGB颜色特征值;
对所述图像块灰度处理后,提取纹理特征值;
利用所述RGB颜色特征值与所述纹理特征值进行预设权重相加算法运算,获得所述图像特征值。
3.根据权利要求2所述的遥感图像分类方法,其特征在于,预设权重相加算法的算式包括:
O=i(R+G+B)+jGray;Gray=(R×30+G×59+B×11)/100;
式中,O为所述图像块的所述图像特征值,R为所述图像块的平均红光亮度级数,G为所述图像块的平均绿光亮度级数,B为所述图像块的平均蓝光亮度级数,Gray为所述图像块的纹理特征值,i,j为权重值。
4.根据权利要求1所述的遥感图像分类方法,其特征在于,所述预设规则包括:
通过超像素个数以及相应的聚类数目构建受试者工作特征曲线;通过所述受试者工作特征曲线计算分类正确率Q(n),n为分割聚类次数;若Q(n)>λ则确定所述分割聚类图像需要继续分割;若Q(n+1)-Q(n)≤λ则确定所述分割聚类图像无需继续分割,利用第n层分割聚类图像进行相似度计算,λ为预设的分类正确率阈值。
5.根据权利要求1所述的遥感图像分类方法,其特征在于,所述利用所述分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类结果包括:
计算所述分割聚类图像的图像特征值的目标聚类中心,以及获取所有的预存的标准分类图像的图像特征值的标准聚类中心;
计算所述目标聚类中心与所有所述标准聚类中心的欧氏距离值;
确定最小的所述欧氏距离值相应的标准分类图像的类别,作为所述分类结果。
6.根据权利要求5所述的遥感图像分类方法,其特征在于,还包括:
根据所述欧氏距离值进行所述待分类遥感图像与所述标准分类图像相似度的排序,并输出相应的排序结果。
7.根据权利要求1所述的遥感图像分类方法,其特征在于,所述标准分类图像存储于标准分类图像库,所述方法还包括:
将所述分割聚类图像、相应的图像特征值的聚类中心以及相应的分类结果,关联存储至所述标准分类图像库。
8.一种遥感图像分类装置,其特征在于,包括:
超像素分割模块,用于获取预设的初始超像素个数为当前超像素个数,按照所述当前超像素个数对待分类遥感图像进行超像素分割处理,获得多个图像块;
特征值提取模块,用于按照预设算法提取每个所述图像块的图像特征值;
聚类合并模块,用于根据所述图像特征值对多个所述图像块进行聚类合并处理,获得分割聚类图像,并获取相应的聚类数目;
分类结果获取模块,用于根据所述聚类数目以及预设规则确定所述分割聚类图像无需继续分割时,利用所述分割聚类图像与预存的标准分类图像进行相似度计算,获得相应的分类结果;
分割返回模块,用于确定所述分割聚类图像需要继续分割时,按顺序获取下一预设的超像素个数为所述当前超像素个数,返回至所述按照所述当前超像素个数对待分类遥感图像进行超像素分割处理的步骤。
9.一种计算机设备,其特征在于,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行根据权利要求1至7中任一项所述的遥感图像分类方法。
10.一种可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的遥感图像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131590.6A CN114494887A (zh) | 2022-02-14 | 2022-02-14 | 遥感图像分类方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131590.6A CN114494887A (zh) | 2022-02-14 | 2022-02-14 | 遥感图像分类方法、装置、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494887A true CN114494887A (zh) | 2022-05-13 |
Family
ID=81480229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210131590.6A Pending CN114494887A (zh) | 2022-02-14 | 2022-02-14 | 遥感图像分类方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494887A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100541A (zh) * | 2022-07-21 | 2022-09-23 | 文娟 | 一种卫星遥感数据的处理方法、***及云平台 |
-
2022
- 2022-02-14 CN CN202210131590.6A patent/CN114494887A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100541A (zh) * | 2022-07-21 | 2022-09-23 | 文娟 | 一种卫星遥感数据的处理方法、***及云平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A computer vision system for early stage grape yield estimation based on shoot detection | |
Pape et al. | 3-D histogram-based segmentation and leaf detection for rosette plants | |
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
CN109636784B (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
Zou et al. | Harf: Hierarchy-associated rich features for salient object detection | |
CN109154978A (zh) | 用于检测植物疾病的***和方法 | |
CN108268823B (zh) | 目标再识别方法和装置 | |
US8135216B2 (en) | Systems and methods for unsupervised local boundary or region refinement of figure masks using over and under segmentation of regions | |
JP2002288658A (ja) | 領域分割された映像の領域特徴値整合に基づいた客体抽出装置およびその方法 | |
GB2431793A (en) | Image comparison | |
WO2017181892A1 (zh) | 前景分割方法及装置 | |
CN113111878B (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
CN109685806B (zh) | 图像显著性检测方法及装置 | |
US20100158362A1 (en) | Image processing | |
CN113658192A (zh) | 一种多目标行人的轨迹获取方法、***、装置及介质 | |
Chi | Self‐organizing map‐based color image segmentation with k‐means clustering and saliency map | |
CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
Reta et al. | Color uniformity descriptor: An efficient contextual color representation for image indexing and retrieval | |
CN110334628B (zh) | 一种基于结构化随机森林的室外单目图像深度估计方法 | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN111753642A (zh) | 一种确定关键帧的方法及装置 | |
CN114494887A (zh) | 遥感图像分类方法、装置、计算机设备和可读存储介质 | |
CN113743378A (zh) | 一种基于视频的火情监测方法和装置 | |
CN107085725B (zh) | 一种通过基于自适应码本的llc聚类图像区域的方法 | |
CN113850748A (zh) | 点云质量的评估***及方法 |
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 |