CN114998740B - 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
- CN114998740B CN114998740B CN202210661222.2A CN202210661222A CN114998740B CN 114998740 B CN114998740 B CN 114998740B CN 202210661222 A CN202210661222 A CN 202210661222A CN 114998740 B CN114998740 B CN 114998740B
- Authority
- CN
- China
- Prior art keywords
- line segment
- line
- airport
- segment
- subset
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 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
- 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
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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lt和倾角θt;
步骤4,以线段倾角θt作为依据,对线段集合Lset进行分组,形成线段子集
步骤5,将线段子集中的线段抽象为具有质量的质点Pi,并计算所有质点构成质点系的质心CMk;
步骤6,计算线段子集中质点Pi到质心CMk的距离,并剔除显著离群线段,得到更新后的线段子集/>
步骤7,对更新后的线段子集计算线段长度的变异系数/>
步骤8,先计算更新后的线段子集的质心SCMk,再计算线段质心平均距离
步骤9,计算更新后的线段子集的机场隶属度Pk:
其中,为加权调节因子,Nor()表示对参数值进行最大值最小值归一化处理;
步骤10,选择机场隶属度Pk最大更新后的线段子集作为最终的机场区域线段Lap。
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:
式中,表示多光谱遥感图像第i个拉伸后的波段,/>和/>分别表示波段bi的最小灰度值和最大灰度值。
进一步地,步骤3的具体方式为:
获取线段linet的两个端点坐标和/>
每条线段的长度lt计算方式如下:
每条线段的倾角θt计算方式如下:
其中,Kt表示线段linet的斜率,arctan( )表示反正切函数,θt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。
进一步地,步骤5中,以线段linei的中点坐标为质点Pi的位置,以线段linei的长度为质点Pi的质量;
中所有质点构成质点系的质心CMk坐标为:
其中,和/>分别为质心CMk的横纵坐标。
进一步地,步骤6中,线段子集中每个质点Pi到质心CMk的距离dki为:
其中,d(Pi,CMk)表示求质点Pi到质心CMk的距离;
设线段子集中有j条线段,则依据长度li对所有线段进行排序,并获取长度上下四分位数Q3和Q1,则更新后的线段子集/>为:
其中,m为更新后的线段子集包含的线段总数。
进一步地,步骤7中,更新后的线段子集中线段长度的变异系数/>为:
其中,和/>分别表示/>中线段长度的均值和标准差。
进一步地,步骤8中,更新后的线段子集的线段质心平均距离/>计算方式如下:
其中,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:
式中,表示多光谱遥感图像第i个拉伸后的波段,/>和/>分别表示波段bi的最小灰度值和最大灰度值。
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;
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lt和倾角θt。首先需要获取线段linet的两个端点坐标和/>则每条线段的长度lt计算方式如下:
每条线段的倾角θt计算方式如下:
其中,Kt表示线段linet的斜率,arctan()表示反正切函数,θt以弧度的形式表示。
步骤4,以线段倾角θt作为依据,对线段集合Lset进行分组,形成线段子集其分组规则如下:
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。
步骤5,将线段子集中线段linei抽象为具有质量的质点Pi,以中点为质点位置,长度为质点的质量,其位置计算方式如下:
其中,和/>分别为质点Pi的横纵坐标。
中所有线段质点构成质点系的质心CMk,其坐标计算方式如下;
其中,和/>分别为质心CMk的横纵坐标。
步骤6,计算线段子集中每个质点Pi到质心CMk的距离/>为:
其中,d(Pi,CMk)表示求质点Pi到质心CMk的距离;
设线段子集中有j条线段,则依据长度li对所有线段进行排序,并获取长度上下四分位数Q3和Q1,利用长度筛选规则剔除显著离群线段,则更新后的新线段子集/>为:
其中,m为新线段子集包含的线段总数。
步骤7,对新线段子集计算线段长度的变异系数/>
其中,和/>分别表示/>中线段长度的均值和标准差。
步骤8,先计算新线段子集的质心SCMk,再计算线段质心平均距离/>
其中,m为新线段子集包含的线段总数,/>表示线段质点Pi到质心SCMk的距离。
步骤9,计算线段子集的机场隶属度Pk:
其中,为加权调节因子,Nor()表示对参数值进行最大值最小值归一化处理;
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。
步骤10,选择隶属度Pk最大更新后的线段子集作为最终的机场区域线段Lap:
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lt和倾角θt;
步骤4,以线段倾角θt作为依据,对线段集合Lset进行分组,形成线段子集
步骤5,将线段子集中的线段抽象为具有质量的质点Pi,并计算所有质点构成质点系的质心CMk;
步骤6,计算线段子集中质点Pi到质心CMk的距离,并剔除显著离群线段,得到更新后的线段子集/>
步骤7,对更新后的线段子集计算线段长度的变异系数/>
步骤8,先计算更新后的线段子集的质心SCMk,再计算线段质心平均距离
步骤9,计算更新后的线段子集的机场隶属度Pk:
其中,为加权调节因子,Nor()表示对参数值进行最大值最小值归一化处理;
步骤10,选择机场隶属度Pk最大更新后的线段子集作为最终的机场区域线段Lap。
2.根据权利要求1所述的一种基于线段分布的机场线性特征提取方法,其特征在于,步骤1中,对波段bi进行线性拉伸的计算方式如下:
式中,表示多光谱遥感图像第i个拉伸后的波段,/>和/>分别表示波段bi的最小灰度值和最大灰度值。
3.根据权利要求2所述的一种基于线段分布的机场线性特征提取方法,其特征在于,步骤3的具体方式为:
获取线段linet的两个端点坐标和/>
每条线段的长度lt计算方式如下:
每条线段的倾角θt计算方式如下:
其中,Kt表示线段linej的斜率,arctan()表示反正切函数,θt以弧度的形式表示。
4.根据权利要求3所述的一种基于线段分布的机场线性特征提取方法,其特征在于,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。
5.根据权利要求4所述的一种基于线段分布的机场线性特征提取方法,其特征在于,步骤5中,以线段linei的中点坐标为质点Pi的位置,以线段linei的长度为质点Pi的质量;
中所有质点构成质点系的质心CMk坐标为:
其中,和/>分别为质心CMk的横纵坐标。
6.根据权利要求5所述的一种基于线段分布的机场线性特征提取方法,其特征在于,步骤6中,线段子集中每个质点Pi到质心CMk的距离/>为:
其中,d(Pi,CMk)表示求质点Pi到质心CMk的距离;
设线段子集中有j条线段,则依据长度li对所有线段进行排序,并获取长度上下四分位数Q3和Q1,则更新后的线段子集/>为:
其中,m为更新后的线段子集包含的线段总数。
7.根据权利要求6所述的一种基于线段分布的机场线性特征提取方法,其特征在于,步骤7中,更新后的线段子集中线段长度的变异系数/>为:
其中,和/>分别表示/>中线段长度的均值和标准差。
8.根据权利要求7所述的一种基于线段分布的机场线性特征提取方法,其特征在于,步骤8中,更新后的线段子集的线段质心平均距离/>计算方式如下:
其中,表示线段质点Pi到更新后的线段子集的质心SCMk的距离。
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 CN114998740A (zh) | 2022-09-02 |
CN114998740B true 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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103162669B (zh) * | 2013-03-01 | 2015-06-24 | 西北工业大学 | 航拍图像机场区域检测方法 |
CN103488801B (zh) * | 2013-10-17 | 2016-09-28 | 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 |
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 |
CN107392141B (zh) * | 2017-07-19 | 2020-04-24 | 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*** |
CN108596055B (zh) * | 2018-04-10 | 2022-02-11 | 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 |
CN108830297B (zh) * | 2018-05-19 | 2021-04-27 | 烟台大学 | 一种多光谱遥感影像地物分类方法 |
CN109614936B (zh) * | 2018-12-12 | 2021-02-02 | 哈尔滨工业大学 | 遥感图像飞机目标的分层识别方法 |
KR102226843B1 (ko) * | 2019-02-26 | 2021-03-12 | 주식회사 핀그램 | 오브젝트 검출 시스템 및 그 방법 |
CN110136159B (zh) * | 2019-04-29 | 2023-03-31 | 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 |
CN110210418B (zh) * | 2019-06-05 | 2021-07-23 | 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 |
CN112215126B (zh) * | 2020-10-09 | 2022-10-25 | 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*** |
CN112487977B (zh) * | 2020-11-30 | 2024-03-26 | 东南大学 | 一种基于国产gf2遥感影像的机场跑道提取方法 |
CN113658129B (zh) * | 2021-08-16 | 2022-12-09 | 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 |
-
2022
- 2022-06-13 CN CN202210661222.2A patent/CN114998740B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114998740A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A multiscale and hierarchical feature extraction method for terrestrial laser scanning point cloud classification | |
Le Goff et al. | Deep learning for cloud detection | |
YongHua et al. | Study on the identification of the wood surface defects based on texture features | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
CN104077605B (zh) | 一种基于颜色拓扑结构的行人搜索识别方法 | |
CN109614936B (zh) | 遥感图像飞机目标的分层识别方法 | |
Tao et al. | Unsupervised detection of built-up areas from multiple high-resolution remote sensing images | |
CN106339707B (zh) | 一种基于对称性特征的仪表指针图像识别方法 | |
CN102324032B (zh) | 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 | |
Zuo et al. | An insulator defect detection algorithm based on computer vision | |
CN107563413A (zh) | 无人机航拍影像农田块对象精准提取方法 | |
CN106650580B (zh) | 基于图像处理的货架快速清点方法 | |
CN107423737A (zh) | 异物遮挡的视频质量诊断方法 | |
CN109697465B (zh) | 基于小波核局部Fisher判别分析的高光谱影像分类方法 | |
Cai et al. | Online exemplar-based fully convolutional network for aircraft detection in remote sensing images | |
Irawan et al. | A survey: Effect of the number of GLCM features on classification accuracy of lasem batik images using K-nearest neighbor | |
Fan et al. | Registration of multiresolution remote sensing images based on L2-siamese model | |
Xu et al. | A robust deformed image matching method for multi-source image matching | |
CN115115627B (zh) | 基于数据处理的土壤盐碱地监测方法 | |
CN103984920A (zh) | 一种基于稀疏表示与多特征点的三维人脸识别方法 | |
CN107330431B (zh) | 一种基于K-means聚类拟合的显著性检测优化方法 | |
CN114998740B (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 | |
WO2023173770A1 (zh) | 基于拉普拉斯特征映射的高通量钙信号的降维和可视化方法 | |
CN107103282B (zh) | 超高分辨率合成孔径雷达图像分类方法 |
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 |