CN114998740A - 一种基于线段分布的机场线性特征提取方法 - Google Patents
一种基于线段分布的机场线性特征提取方法 Download PDFInfo
- Publication number
- CN114998740A CN114998740A CN202210661222.2A CN202210661222A CN114998740A CN 114998740 A CN114998740 A CN 114998740A CN 202210661222 A CN202210661222 A CN 202210661222A CN 114998740 A CN114998740 A CN 114998740A
- Authority
- CN
- China
- Prior art keywords
- line segment
- line
- airport
- segment
- mass
- 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
- 238000000605 extraction Methods 0.000 title abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/20—Linear translation of whole images or parts thereof, e.g. panning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于线段分布的机场线性特征提取方法,属于遥感图像处理技术领域。其包括步骤:对多光谱遥感影像处理,提取可见光三个波段,并拉伸;提取图像的线段并计算其长度和倾角;以线段倾角作为依据,对线段集合分组,形成线段子集;将线段子集中线段抽象为具有质量的质点,并计算所有质点构成质点系的质心;计算线段子集中质点到质心的距离,并剔除显著离群线段,得到更新后的线段子集;对新线段子集计算线段长度的变异系数和线段质心平均距离;计算新线段子集的机场隶属度;选择隶属度最大的线段子集作为最终的机场区域线段。本发明可利用线段的空间位置及方向特性筛选出机场所属线段,为机场识别提供可靠的特征支撑。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种基于线段分布的机场线性特征提取方法。
背景技术
随着遥感技术的快速发展,遥感影像的空间和时间分辨率越来越高,使得遥感的实效性和实用性大大提高,被广泛地应用于各个领域。机场作为一种重要的基础设施,利用遥感图像识别其位置和轮廓信息具有非常重要的研究意义。
机场在高分辨率遥感影像上具有较为特殊光谱和纹理特征,通常情况下机场由大面积规则不透水层组成,导致其灰度值比周围地物大,且由多条跑道组成,直线特性明显。许多研究基于机场亮度特征和直线特征,重点利用显著性和线段联合构建模型提取机场,取得一定可观的效果。虽然利用机场跑道直线和平行的特点可以实现快速的目标提取,但其对直线特征利用往往不是很充分,导致许多具有线段的非机场目标也会被检测出来。因此,如何在高分辨率遥感影像上提取有效的机场线段特征成为一个亟待解决的研究方向。
发明内容
有鉴于此,本发明提供一种基于线段分布的机场线性特征提取方法,其可利用线段的空间位置及方向特性筛选出机场所属线段,为机场识别提供可靠的特征层支撑。
为了实现上述目的,本发明采用的技术方案为:
一种基于线段分布的机场线性特征提取方法,包括以下步骤:
步骤1,对多光谱遥感影像进行处理,提取可见光的三个波段,并进行线性拉伸;
步骤2,采用线段检测器LSD在遥感影像上提取线段,得到线段集合Lset;
步骤3,依据各线段的端点坐标计算线段集合Lset中每一条线段的长度li和倾角θi;
进一步地,步骤1中,对波段bi进行线性拉伸的计算方式如下:
进一步地,步骤3的具体方式为:
每条线段的长度li计算方式如下:
每条线段的倾角θi计算方式如下:
其中,Ki表示线段linei的斜率,arctan( )表示反正切函数,θi以弧度的形式表示。
进一步地,步骤4中,分组的方式如下:
设定倾角间隔θgap,θgap能够被180整除;将0-180度范围划分为180/θgap个区间,将倾角在同一区间内的线段划为一组;即:
θgap×(k-1)<θj≤θgap×k and linej∈Lset
k=1,2,3,...,180/θgap
其中,θj为线段linej的倾角。
其中,d(Pi,CMk)表示求质点Pi到质心CMk的距离;
其中,d(Pi,SCMk)表示线段质点Pi到更新后的线段子集的质心SCMk的距离。
本发明具有如下有益效果:
(1)本发明方法基于线段分布提取机场的线性特征,可以在不需要训练样本的情况下,有效提取遥感图像中的机场线段特性。
(2)应用本发明方法可以有效提取线段的空间分布、长度和方向特征,为机场检测提供关键的线段特性描述。
附图说明
图1为机场线段提取方法的原理示意图。
具体实施方式
下面结合附图及具体实施方式对本发明做进一步详细的说明。
如图1所示,一种基于线段分布的机场线性特征提取方法,包括以下步骤:
步骤1,对多光谱遥感影像处理,提取可见光三个波段,并对多光谱各波段bi拉伸,计算方式如下:
步骤2,采用LSD算法在遥感影像上提取线段得到线段集合Lset;
每条线段的倾角θi计算方式如下:
其中,Ki表示线段linei的斜率,arctan()表示反正切函数,θi以弧度的形式表示。
θgap×(k-1)<θj≤θgap×k and linej∈Lset
k=1,2,3,...,180/θgap
其中,θj为linej的倾角,θgap为线段倾角间隔。
其中,d(Pi,CMk)表示求质点Pi到质心CMk的距离;
归一化函数Nor()为:
Nor(w)=(w-minw)/(maxw-minw)
其中,w为输入的待归一化的数组,minw和maxw分别表示输入数组w的最小值和最大值。
其中,o表示机场最大隶属度的线段组编号。
总之,本发明提出的机场线段特征提取算法,可以为高分辨率遥感影像的机场提取提供较好的线段特征,该方法无需选择训练样本,采用自动阈值选择方法,无需人工干预识别,为便捷、快速和精确的目标线段特征提取提供技术支撑。
Claims (8)
1.一种基于线段分布的机场线性特征提取方法,其特征在于,包括以下步骤:
步骤1,对多光谱遥感影像进行处理,提取可见光的三个波段,并进行线性拉伸;
步骤2,采用线段检测器LSD在遥感影像上提取线段,得到线段集合Lset;
步骤3,依据各线段的端点坐标计算线段集合Lset中每一条线段的长度li和倾角θi;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661222.2A CN114998740B (zh) | 2022-06-13 | 2022-06-13 | 一种基于线段分布的机场线性特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661222.2A CN114998740B (zh) | 2022-06-13 | 2022-06-13 | 一种基于线段分布的机场线性特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998740A true CN114998740A (zh) | 2022-09-02 |
CN114998740B CN114998740B (zh) | 2023-07-21 |
Family
ID=83032790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210661222.2A Active CN114998740B (zh) | 2022-06-13 | 2022-06-13 | 一种基于线段分布的机场线性特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998740B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103162669A (zh) * | 2013-03-01 | 2013-06-19 | 西北工业大学 | 航拍图像机场区域检测方法 |
CN103488801A (zh) * | 2013-10-17 | 2014-01-01 | 中国电子科技集团公司第五十四研究所 | 一种基于地理信息空间库的机场目标检测方法 |
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
CN105740871A (zh) * | 2016-02-01 | 2016-07-06 | 福建师范大学 | 一种利用线段空间关系检测多边行地物的方法 |
CN107392141A (zh) * | 2017-07-19 | 2017-11-24 | 武汉大学 | 一种基于显著性检测和lsd直线检测的机场提取方法 |
CN108596055A (zh) * | 2018-04-10 | 2018-09-28 | 西北工业大学 | 一种复杂背景下高分辨遥感图像的机场目标检测方法 |
CN108830297A (zh) * | 2018-05-19 | 2018-11-16 | 烟台大学 | 一种多光谱遥感影像地物分类方法 |
WO2019028721A1 (zh) * | 2017-08-10 | 2019-02-14 | 哈尔滨工业大学 | 用于物品识别的方法、装置、设备和安检*** |
CN109614936A (zh) * | 2018-12-12 | 2019-04-12 | 哈尔滨工业大学 | 遥感图像飞机目标的分层识别方法 |
CN110136159A (zh) * | 2019-04-29 | 2019-08-16 | 辽宁工程技术大学 | 面向高分辨率遥感影像的线段提取方法 |
CN110210418A (zh) * | 2019-06-05 | 2019-09-06 | 西安电子科技大学 | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 |
US20200320332A1 (en) * | 2019-02-26 | 2020-10-08 | Fingram Co., Ltd. | System and method for object detection |
CN112215126A (zh) * | 2020-10-09 | 2021-01-12 | 西安交通大学 | 一种基于非下采样Contourlet变换的直线目标检测方法及*** |
CN112487977A (zh) * | 2020-11-30 | 2021-03-12 | 东南大学 | 一种基于国产gf2遥感影像的机场跑道提取方法 |
CN112862847A (zh) * | 2021-03-12 | 2021-05-28 | 辽宁工程技术大学 | 一种表达地物边缘的线段序列检测方法 |
CN113658129A (zh) * | 2021-08-16 | 2021-11-16 | 中国电子科技集团公司第五十四研究所 | 一种结合视觉显著性和线段强度的阵地提取方法 |
CN114419450A (zh) * | 2022-03-29 | 2022-04-29 | 中国人民解放军96901部队 | 一种基于影像特征分析的线性目标毁伤效能快速评估方法 |
-
2022
- 2022-06-13 CN CN202210661222.2A patent/CN114998740B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103162669A (zh) * | 2013-03-01 | 2013-06-19 | 西北工业大学 | 航拍图像机场区域检测方法 |
CN103488801A (zh) * | 2013-10-17 | 2014-01-01 | 中国电子科技集团公司第五十四研究所 | 一种基于地理信息空间库的机场目标检测方法 |
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
CN105740871A (zh) * | 2016-02-01 | 2016-07-06 | 福建师范大学 | 一种利用线段空间关系检测多边行地物的方法 |
CN107392141A (zh) * | 2017-07-19 | 2017-11-24 | 武汉大学 | 一种基于显著性检测和lsd直线检测的机场提取方法 |
WO2019028721A1 (zh) * | 2017-08-10 | 2019-02-14 | 哈尔滨工业大学 | 用于物品识别的方法、装置、设备和安检*** |
CN108596055A (zh) * | 2018-04-10 | 2018-09-28 | 西北工业大学 | 一种复杂背景下高分辨遥感图像的机场目标检测方法 |
CN108830297A (zh) * | 2018-05-19 | 2018-11-16 | 烟台大学 | 一种多光谱遥感影像地物分类方法 |
CN109614936A (zh) * | 2018-12-12 | 2019-04-12 | 哈尔滨工业大学 | 遥感图像飞机目标的分层识别方法 |
US20200320332A1 (en) * | 2019-02-26 | 2020-10-08 | Fingram Co., Ltd. | System and method for object detection |
CN110136159A (zh) * | 2019-04-29 | 2019-08-16 | 辽宁工程技术大学 | 面向高分辨率遥感影像的线段提取方法 |
CN110210418A (zh) * | 2019-06-05 | 2019-09-06 | 西安电子科技大学 | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 |
CN112215126A (zh) * | 2020-10-09 | 2021-01-12 | 西安交通大学 | 一种基于非下采样Contourlet变换的直线目标检测方法及*** |
CN112487977A (zh) * | 2020-11-30 | 2021-03-12 | 东南大学 | 一种基于国产gf2遥感影像的机场跑道提取方法 |
CN112862847A (zh) * | 2021-03-12 | 2021-05-28 | 辽宁工程技术大学 | 一种表达地物边缘的线段序列检测方法 |
CN113658129A (zh) * | 2021-08-16 | 2021-11-16 | 中国电子科技集团公司第五十四研究所 | 一种结合视觉显著性和线段强度的阵地提取方法 |
CN114419450A (zh) * | 2022-03-29 | 2022-04-29 | 中国人民解放军96901部队 | 一种基于影像特征分析的线性目标毁伤效能快速评估方法 |
Non-Patent Citations (4)
Title |
---|
A. HUERTAS: "Detecting runways in complex airport scenes", 《COMPUTER VISION, GRAPHICS, AND IMAGE PROCESSING》, vol. 51, no. 2, pages 107 - 145, XP000171332 * |
O. AYTEKIN: "Texture-Based Airport Runway Detection", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 10, no. 3, pages 471 - 475 * |
戴开燕: "基于贝叶斯稀疏表示理论的SAR图像分类算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2021, no. 2, pages 136 - 1430 * |
杨孝翠: "高分辨率遥感影像道路信息提取技术研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, vol. 2019, no. 1, pages 008 - 297 * |
Also Published As
Publication number | Publication date |
---|---|
CN114998740B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A multiscale and hierarchical feature extraction method for terrestrial laser scanning point cloud classification | |
CN109614936B (zh) | 遥感图像飞机目标的分层识别方法 | |
Wang et al. | Application of ReliefF algorithm to selecting feature sets for classification of high resolution remote sensing image | |
Tao et al. | Unsupervised detection of built-up areas from multiple high-resolution remote sensing images | |
CN109697465B (zh) | 基于小波核局部Fisher判别分析的高光谱影像分类方法 | |
CN105608474A (zh) | 基于高分辨率影像的区域自适应耕地提取方法 | |
CN101847163A (zh) | 一种多特征融合的外观设计专利图像检索方法 | |
CN104077605A (zh) | 一种基于颜色拓扑结构的行人搜索识别方法 | |
CN111709901A (zh) | 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法 | |
Xu et al. | A robust deformed image matching method for multi-source image matching | |
CN114627104A (zh) | 一种机场净空保护区建筑变化的遥感影像检测方法 | |
CN112949738A (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
Li et al. | Comparison of several remote sensing image classification methods based on envi | |
Wang et al. | Realization of remote sensing image segmentation based on K-means clustering | |
CN109214430A (zh) | 一种基于特征空间拓扑分布的行人重识别方法 | |
Yao et al. | Self-aligned spatial feature extraction network for UAV vehicle reidentification | |
CN114998740A (zh) | 一种基于线段分布的机场线性特征提取方法 | |
Li et al. | Evaluation of spectral and texture features for object-based vegetation species classification using support vector machines | |
CN112241956A (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
CN107103282B (zh) | 超高分辨率合成孔径雷达图像分类方法 | |
Cheng et al. | Tensor locality preserving projections based urban building areas extraction from high-resolution SAR images | |
Yang et al. | Fast urban aerial image matching based on rectangular building extraction | |
Baassou et al. | Unsupervised hyperspectral image classification algorithm by integrating spatial-spectral information | |
CN111340761B (zh) | 基于分形属性和决策融合的遥感影像变化检测方法 | |
CN111401385B (zh) | 一种图像局部拓扑结构特征描述符的相似度计算方法 |
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 |