CN117788336B - 一种国土空间规划过程中数据优化采集方法及*** - Google Patents
一种国土空间规划过程中数据优化采集方法及*** Download PDFInfo
- Publication number
- CN117788336B CN117788336B CN202410216952.0A CN202410216952A CN117788336B CN 117788336 B CN117788336 B CN 117788336B CN 202410216952 A CN202410216952 A CN 202410216952A CN 117788336 B CN117788336 B CN 117788336B
- Authority
- CN
- China
- Prior art keywords
- fog
- suspected
- region
- value
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000008569 process Effects 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000002834 transmittance Methods 0.000 claims description 41
- 239000003595 mist Substances 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种国土空间规划过程中数据优化采集方法及***,该方法包括:采集原始国土空间图像,获得暗通道图像;对暗通道图像使用分水岭算法得到疑似雾气区域;根据疑似雾气区域的像素点的灰度值获得雾气形态随机程度;根据各疑似雾气区域的所有像素点在R、G、B通道的灰度值获得雾下物体色彩特征熵;根据原始国土空间图像获取物体区域,根据疑似雾气区域中包含的物体区域的像素点数量获得物体区域跨度熵;根据雾下物体色彩特征熵以及物体区域跨度熵获取雾气可能性;根据各像素点的雾气可能性完成国土空间图像的去雾处理。从而实现对采集的国土空间图像数据的去雾优化处理。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种国土空间规划过程中数据优化采集方法及***。
背景技术
在国土资源数据的采集过程中,需要采集大量的环境拍摄图像。在采集环境拍摄图像时,由于国土空间规划数据要求拍摄的多是地方的遥感图像,因此拍摄的图像常受到环境烟雾的困扰,导致图像质量较差,清晰度低。因此,人们常采用图像去雾算法对拍摄到的国土空间规划图像数据进行处理。
目前常用的图像去雾算法,核心是基于暗通道的图像去雾算法。然而该算法在处理诸如天空、雪地、湖泊表面等大量白色反光区域时,会将其误认为是有雾的区域,出现过曝现象、光晕效应、色块效应等问题导致图像质量下降,无法得到较好的图像去雾效果,降低种国土空间规划过程中的数据采集的精度。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种国土空间规划过程中数据优化采集方法及***,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种国土空间规划过程中数据优化采集方法,该方法包括以下步骤:
采集原始国土空间图像,对原始国土空间图像采用暗通道算法获得暗通道图像;
对暗通道图像使用分水岭算法得到暗通道切割图像,分别将暗通道切割图像中的各闭合区域记为疑似雾气区域;根据暗通道图像中各疑似雾气区域的像素点的灰度值获得灰度离群程度;根据各疑似雾气区域的灰度离群程度获得雾气形态随机程度;根据原始国土空间图像中各疑似雾气区域的所有像素点在R、G、B通道的灰度值分别获得疑似雾气区域在R、G、B通道的雾下物体色彩特征熵;根据原始国土空间图像获取物体区域,根据疑似雾气区域中包含的物体区域的像素点数量获得疑似雾气区域的物体区域跨度熵;根据疑似雾气区域在R、G、B通道的雾下物体色彩特征熵以及物体区域跨度熵计算雾下物体随机程度;根据像素点分别在暗通道图像和亮通道图像中的灰度值以及疑似雾气区域的雾下物体随机程度、雾气形态随机程度获取雾气可能性;
根据始国土空间图像中各像素点的雾气可能性获得各像素点的衰减透射率;根据国土空间图像中各像素点的衰减透射率获得各像素点的自适应透射率,完成国土空间图像的去雾处理。
进一步,所述根据暗通道图像中各疑似雾气区域的像素点的灰度值获得灰度离群程度,包括:
将暗通道切割图像中所有相同的灰度值作为同一种类;分别将每种灰度值记为待分析灰度值;
对于各疑似雾气区域,计算疑似雾气区域中所有像素点的灰度值均值,获取待分析灰度值与所述灰度值均值的差值绝对值,将所述差值绝对值与所述灰度值均值的比值作为待分析灰度值在疑似雾气区域的灰度离群程度。
进一步,所述根据各疑似雾气区域的灰度离群程度获得雾气形态随机程度,包括:
获取所有种类的灰度值在疑似雾气区域的灰度离群程度的和值,计算疑似雾气区域中所有像素点的灰度值的信息熵,将所述信息熵与所述和值的乘积作为疑似雾气区域的雾气形态随机程度。
进一步,所述根据原始国土空间图像中各疑似雾气区域的所有像素点在R、G、B通道的灰度值分别获得疑似雾气区域在R、G、B通道的雾下物体色彩特征熵,包括:
获取暗通道图像中所有灰度值的最大值,计算所述最大值与所述灰度值均值的差值,记为第一差值;计算第一差值与1的和值,记为第一和值;获取所述最大值与第一和值的比值,记为第一比值;
获取原始国土空间图像中各疑似雾气区域的所有像素点在R通道的灰度值的信息熵,记为第一信息熵;将所述第一比值与第一信息熵的乘积作为疑似雾气区域在R通道的雾下物体色彩特征熵;
对于原始国土空间图像中各疑似雾气区域的所有像素点在G、B通道的灰度值,分别采用与疑似雾气区域在R通道的雾下物体色彩特征熵相同的获取方法得到疑似雾气区域在G、B通道的雾下物体色彩特征熵。
进一步,所述根据原始国土空间图像获取物体区域,根据疑似雾气区域中包含的物体区域的像素点数量获得疑似雾气区域的物体区域跨度熵,包括:
将原始国土空间图像转换为灰度图像,对灰度图像采用分水岭算法获得国土空间切割图像,将国土空间切割图像中的各闭合区域记为物体区域;
分别将每个疑似雾气区域记为待分析区域;统计待分析区域中包含的像素点总数;将与待分析区域相交的物体区域记为待分析区域的相交物体;获取待分析区域中包含的位于第t个相交物体内部的像素点的数量,记为待分析区域与第t个相交物体的相交像素数量;
计算所述相交像素数量与所述像素点总数的比值,获取以2为底数,以所述比值为真数的对数函数;获取所述对数函数的计算结果与所述比值的乘积;计算所述乘积的相反数,将待分析区域与所有相交物体的所述相反数的和值作为待分析区域的物体区域跨度熵。
进一步,所述根据疑似雾气区域在R、G、B通道的雾下物体色彩特征熵以及物体区域跨度熵计算雾下物体随机程度,包括:
对于各疑似雾气区域,计算疑似雾气区域在R、G、B通道的雾下物体色彩特征熵的均值,将所述均值与疑似雾气区域的物体区域跨度熵的和值作为疑似雾气区域的雾下物体随机程度。
进一步,所述根据像素点分别在暗通道图像和亮通道图像中的灰度值以及疑似雾气区域的雾下物体随机程度、雾气形态随机程度获取雾气可能性,包括:
对于疑似雾气区域中的各像素点,计算像素点在亮通道图像中的八邻域内所有像素点的灰度值均值;获取像素点在暗通道图像中的灰度值,记为第一灰度值,计算所述第一灰度值与所述灰度值均值的差值绝对值;获取疑似雾气区域的雾下物体随机程度与雾气形态随机程度的和值,将所述和值与所述差值绝对值的乘积作为像素点的雾气可能性;
将所有疑似雾气区域之外的像素点的雾气可能性记为0。
进一步,所述根据始国土空间图像中各像素点的雾气可能性获得各像素点的衰减透射率,具体包括:
获取对原始国土空间图像采用暗通道算法得到的各像素点的透射率,记为第一透射率;计算原始国土空间图像中所有像素点的雾气可能性的和值;
对于原始国土空间图像中的各像素点,计算像素点的雾气可能性与所述和值的比值,将像素点的第一透射率与所述比值的乘积作为像素点的衰减透射率。
进一步,所述根据国土空间图像中各像素点的衰减透射率获得各像素点的自适应透射率,完成国土空间图像的去雾处理,包括:
计算原始国土空间图像中所有像素点的第一透射率的和值,记为第二和值;计算原始国土空间图像中所有像素点的衰减透射率的和值,记为第三和值;获取第二和值与第三和值的比值,记为第一比值;
将国土空间图像中各像素点的衰减透射率与第一比值的乘积作为像素点的自适应透射率;
使用像素点的自适应透射率替换暗通道算法中对应像素点的透射率,对国土空间图像进行去雾处理。
第二方面,本发明实施例还提供了一种国土空间规划过程中数据优化采集***,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明提出一种国土空间规划过程中数据优化采集方法及***,分析了使用暗通道算法对国土空间图像数据进行去雾处理时,容易将其它高亮区域误认为雾气区域,进而导致过曝、色块效应等现象的问题,通过改进透射率的方式进行解决;首先根据原始国土空间图像的暗通道图像,采用分水岭算法将图像切割成不同疑似雾气区域,以疑似雾气区域中的灰度值种计算雾气形态随机程度,雾气形态随机程度根据雾气本身的形态,完成了对雾气和其它高亮区域的分辨,有益于进一步对图像的精确去雾操作;进一步分析了雾气覆盖区域的雾气厚薄程度不均匀,根据疑似雾气区域在暗通道图像中整体的灰度值大小,结合雾下物体在不同颜色通道下的灰度值获得雾下物体色彩特征熵,便于区分疑似雾气区域是否由雾气覆盖造成;通过原始国土空间图像的灰度国土空间图像,采用分水岭算法将图像切割成不同的物体区域,通过疑似雾气区域中与物体区域的分布混乱程度,获得物体区域跨度熵,反映了雾气覆盖区域下物体的多样性,进一步获得雾下物体形态随机程度,根据雾气下物体的形态特征,完成了对雾气和其它高亮区域的分辨;最终通过雾气形态随机程度、雾下物体形态随机程度对图像中每个像素点获取像素点雾气可能性,并据此改进透射率,获得每个像素点的自适应透射率,避免了对高亮度像素点进行过强的去雾操作,造成过曝、色块效应等现象,提高了暗通道算法对国土空间图像数据的去雾精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例提供的一种国土空间规划过程中数据优化采集方法的步骤流程图;
图2为雾气覆盖示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种国土空间规划过程中数据优化采集方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种国土空间规划过程中数据优化采集方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种国土空间规划过程中数据优化采集方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集原始国土空间图像。
具体的,本实施例旨在通过图像中的暗通道特征,分析出图像中的雾气区域与非雾气区域,进而对去雾算法中的透射率进行改进,以获取更好的图像去雾效果。首先,在国土空间规划过程中,由无人机装载的相机采集目标区域的图像数据,其色彩空间为RGB色彩空间,命名为原始国土空间图像。
至此,即可根据本实施例上述方法可获取原始国土空间图像。
步骤S002,根据原始国土空间图像获取疑似雾气区域;根据各疑似雾气区域的所有像素点在R、G、B通道的灰度值获得雾下物体色彩特征熵;根据原始国土空间图像获取物体区域,结合疑似雾气区域获得物体区域跨度熵;根据雾下物体色彩特征熵以及物体区域跨度熵获取雾气可能性。
由于本实施例采用图像的暗通道完成图像去雾,因此以原始国土空间图像为输入,采用计算暗通道的算法,得到暗通道图像。由于一般的非白色物体,其反射时总是会吸收一部分光,这会导致有色物体总是在某一色彩通道上表现出较低的光强度值,对应暗通道图像中,场景中的有色物体区域的灰度值在较低的色彩区域,而在暗通道图像中灰度值较高的区域就通常被认为是出现了雾气的区域。暗通道的计算是暗通道去雾算法中的公知技术,不再赘述。由于传统算法中,如此简单的判断雾气区域,导致白色的、高亮的、反光的区域被误认为是雾气区域,这会导致这些区域出现过曝、色块效应等现象。因此本实施例对暗通道图像进一步计算,对暗通道的疑似雾气区域进行进一步的划分。
首先,以暗通道图像为输入,采用分水岭算法进行分割,得到暗通道切割图像,分水岭算法为本领域公知技术不再赘述。将暗通道切割图像中的每一个闭合区域记为疑似雾气区域。对暗通道切割图像中的第m个疑似雾气区域,将暗通道切割图像中所有相同的灰度值作为同一种类,统计暗通道切割图像中的灰度值的种类数,记为灰度总量,计算雾气形态随机程度:
式中,是第n种灰度值在第m个疑似雾气区域的灰度离群程度,/>是第m个疑似雾气区域的雾气形态随机程度,/>是暗通道切割图像的灰度总量,/>为第n种灰度值,/>是暗通道图像中第m个疑似雾气区域的灰度值均值,/>是第m个疑似雾气区域的信息熵。
式中,是第m个疑似雾气区域中灰度值的信息熵,其值越大代表第m个区域的暗通道灰度值分布越混乱,暗通道特征分布越随机;此时,/>越大,代表第n种灰度值距离第m个疑似雾气区域的灰度值均值越远,代表第m个区域的暗通道灰度值越混乱,进而第m个疑似雾气区域的暗通道特征分布越随机,得到雾气形态随机程度,其值越大代表了第m个区域的暗通道特征分布越随机,而暗通道代表了雾气或者原始国土空间图像中的高亮白色区域,对于雾气,其厚薄程度不均匀,其暗通道特征分布较为随机;对于其它高亮白色区域,如雪地、天空、反光水面,其暗通道特征分布是均匀的。因此雾气形态随机程度越大,第m个区域越有可能是雾气区域。
由于被雾气覆盖的区域,其下方物体有较明显的特征,有效信息较多;而对于其它高亮白色区域,如雪地、天空等,其并非雾气覆盖的区域,其纹路信息较少,有效信息较少,因此计算雾下物体色彩特征熵:
式中,是原始国土空间图像中第m个疑似雾气区域在R通道的雾下物体色彩特征熵,/>是暗通道图像中所有灰度值的最大值,/>是暗通道图像中第m个疑似雾气区域的灰度值均值,/>是原始国土空间图像中第m个疑似雾气区域的所有像素点在R通道的灰度值的信息熵。
原始国土空间图像第m个疑似雾气区域在各颜色通道的信息熵越大,代表该区域图像信息量越大,越有可能是被雾气遮盖的区域;式中,是通过计算原始国土空间图像中的灰度值分布情况来计算雾下物体的色彩特征强烈程度的,而由于雾气分布不均,图像中不同区域受雾气的影响程度不同,受雾气影响越大的区域,其灰度值分布越加整体偏大,应该呈现不同灰度值的像素点、越有可能在雾气的影响下趋于相同,导致其灰度值分布之间的差异减小,因此,式中用灰度值最大值比上灰度值最大值与第m个疑似雾气区域的暗通道灰度值均值之差,作为表征该像素点灰度值整体偏移程度的大小,用以减小此种灰度值误差带来的雾下物体色彩特征熵误差。最终获得雾下物体色彩特征熵,其值越大代表雾下物体的色彩特征越明显,第m个疑似雾气区域越有可能是雾气遮盖区域,而非天空、雪地等其它高亮白色区域。
需要说明的是,原始国土空间图像中第m个疑似雾气区域在G通道的雾下物体色彩特征熵与第m个疑似雾气区域在B通道的雾下物体色彩特征熵的获取方法与原始国土空间图像中第m个疑似雾气区域在R通道的雾下物体色彩特征熵是相同的。
进一步,由于雾是随机覆盖在其它物体上面的,因此雾下物体通常都是复杂多样的,而对于其它白色高亮区域,为物体自身折射或反射形成的色彩,其下物体往往是完整的。因此,本实施例首先将原始国土空间图像转换为灰度图像,对灰度图像采用分水岭算法获得国土空间切割图像,将国土空间切割图像中的每个闭合区域记为一个物体区域。
如图2所示,其中包括反光的湖泊在内的物体,由于灰度值差异较大会被划分为不同的物体区域,而雾气较淡、笼罩于其他物体上方,其并不会被划分为单独的物体区域。
本发明通过暗通道图像,将图中的雾气或者反光湖泊划分为不同的疑似雾气区域,而在原始国土空间图像中,包括反光的湖泊在内的物体会被分割为不同的物体区域。由于雾气分布随机,则代表其的分割区域中会有多个物体区域;而对于其它反光区域,代表其的分割区域中只有少量物体区域,如图中的代表湖泊的分割区域中,只有代表湖泊本身的物体区域。因此,本实施例将与第m个疑似雾气区域相交的物体区域记为第m个疑似雾气区域的相交物体,根据疑似雾气区域与物体区域的位置关系计算物体区域跨度熵:
式中,是第m个疑似雾气区域的物体区域跨度熵,T是与第m个疑似雾气区域的相交物体的个数,/>是第m个疑似雾气区域包含的位于第t个相交物体的像素点个数,记为第m个疑似雾气区域与第t个相交物体的相交像素数量,/>是第m个疑似雾气区域的像素点总数;/>为以2为底数的对数函数。
当第m个疑似雾气区域为雾气时,雾气应该横跨多个物体区域;当其为其它高亮白色区域被误认为的雾气区域时,第m个疑似雾气区域中应该只有少量几个物体区域;因此式中以第m个疑似雾气区域中,第t个物体区域所占的像素点比例作为第t个物体区域的出现概率,计算第t个物体在第m个疑似雾气区域出现的信息熵,所有物体在第m个疑似雾气区域出现的信息熵之和作为物体区域跨度熵,其值越大第m个疑似雾气区域所跨过的物体区域越多,其越有可能是雾气区域。
计算雾下物体形态随机程度:
式中,是第m个疑似雾气区域的雾下物体随机程度;/>、/>、/>分别是原始国土空间图像中第m个疑似雾气区域在R、G、B颜色通道的雾下物体色彩特征熵;是第m个疑似雾气区域的物体区域跨度熵。
由于原始国土空间图像为RGB格式图片因此对其在三个颜色通道的雾下物体色彩特征熵求均值,作为雾下物体在颜色上的随机程度,值越大雾下物体在颜色上的随机程度越大;物体区域跨度熵是雾下物体在形状上的随机程度,值越大雾下物体在形状上的随机程度越大;两者相加得到雾下物体形态随机程度,其值越大雾下物体在形态上随机程度越大,原始国土空间图像中第m个区域中的物体越复杂,越有可能是雾气区域。
进一步的,由于传统的暗通道去雾算法中,是先计算透视率,再通过透视率改进图像,而原始国土空间图像中每个像素点都有对应的透射率,因此需要将雾气区域的特征值计算到像素点层面。
以原始国土空间图像为输入,采用亮通道算法计算得到亮通道图像,亮通道算法为公知技术,不再赘述,对于疑似雾气区域中的像素点,计算每个像素点的雾气可能性:
式中,是第x个像素点的雾气可能性,/>是第x个像素点所在疑似雾气区域的雾下物体随机程度,/>是第x个像素点所在疑似雾气区域的雾气形态随机程度,/>是第x个像素点在暗通道图像像中的灰度值,/>是第x个像素点在亮通道图像中的8领域内所有像素点的灰度值均值/>。
将雾下物体随机程度和雾气形态随机程度相加作为第x个像素点所在区域的是雾气的可能性大小,其值越大其所在区域越可能是雾气区域;由于雾气区域仍有可能覆盖到一部分其它高亮区域,对整个雾气区域进行去雾计算时高亮区域是没有进行去雾计算的必要,对其计算甚至可能会导致过曝现象。由于被误认为雾气的高亮度区域通常整体白色,则其暗通道图像的像素点灰度值和其亮通道图像的像素点灰度值差值较小,而对于被雾气覆盖的区域正常物体,对应的差值较大,因此两者作差值越小,代表第x个像素点越可能位于雾气区域。式中,被雾气覆盖的像素点可能发生单个像素点上呈现白色的特殊情况,为防止被误认为其它高亮区域,用亮通道图像像素点8邻域内的灰度值均值代替亮通道图像的像素点灰度值进行计算。
将所有疑似雾气区域之外的像素点的雾气可能性记为0,至此,获得原始国土空间图像中所有像素点的雾气可能性。
步骤S003,根据始国土空间图像中各像素点的雾气可能性获得各像素点的自适应透射率,完成国土空间图像的去雾处理。
根据像素点的雾气可能性对暗通道算法中透射率的计算进行改进:
式中,是改进后的第x个像素点的自适应透射率,/>是第x个像素点的衰减透射率,/>为对原始国土空间图像采用暗通道算法得到的第x个像素点的透射率,是第x个像素点的雾气可能性,X是原始国土空间图像中的像素点个数。
式中,以像素点雾气可能性计算归一化权重,对原始暗通道去雾算法中采取的透射率进行改进,得到通过像素点雾气可能性衰减后的透射率,将不太可能是雾气的像素点的原始透射率乘以更小的系数,在之后的去雾算法中对其进行的去雾操作力度更小。进一步由于通过像素点雾气可能性衰减后的透射率/>在整体上比原始透射率/>变小了,因此对两者分别求和并作比,作为系数对/>进行线性变换,保证改进后的透射率对原始国土空间图像的去雾力度不变。最终获得改进后的透射率,其值越大代表第x个像素点被雾气覆盖的程度严重,需要更大力度的去雾操作。
最终用自适应透射率替代暗通道算法中的透射率,使用暗通道算法完成对国土空间图像数据的去雾。暗通道算法为本领域公知技术,不再赘述。
基于与上述方法相同的发明构思,本发明实施例还提供了一种国土空间规划过程中数据优化采集***,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种国土空间规划过程中数据优化采集方法中任意一项所述方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种国土空间规划过程中数据优化采集方法,其特征在于,该方法包括以下步骤:
采集原始国土空间图像,对原始国土空间图像采用暗通道算法获得暗通道图像;
对暗通道图像使用分水岭算法得到暗通道切割图像,分别将暗通道切割图像中的各闭合区域记为疑似雾气区域;根据暗通道图像中各疑似雾气区域的像素点的灰度值获得灰度离群程度;根据各疑似雾气区域的灰度离群程度获得雾气形态随机程度;根据原始国土空间图像中各疑似雾气区域的所有像素点在R、G、B通道的灰度值分别获得疑似雾气区域在R、G、B通道的雾下物体色彩特征熵;根据原始国土空间图像获取物体区域,根据疑似雾气区域中包含的物体区域的像素点数量获得疑似雾气区域的物体区域跨度熵;根据疑似雾气区域在R、G、B通道的雾下物体色彩特征熵以及物体区域跨度熵计算雾下物体随机程度;根据像素点分别在暗通道图像和亮通道图像中的灰度值以及疑似雾气区域的雾下物体随机程度、雾气形态随机程度获取雾气可能性;
根据始国土空间图像中各像素点的雾气可能性获得各像素点的衰减透射率;根据国土空间图像中各像素点的衰减透射率获得各像素点的自适应透射率,完成国土空间图像的去雾处理;
所述根据暗通道图像中各疑似雾气区域的像素点的灰度值获得灰度离群程度,包括:
将暗通道切割图像中所有相同的灰度值作为同一种类;分别将每种灰度值记为待分析灰度值;
对于各疑似雾气区域,计算疑似雾气区域中所有像素点的灰度值均值,获取待分析灰度值与所述灰度值均值的差值绝对值,将所述差值绝对值与所述灰度值均值的比值作为待分析灰度值在疑似雾气区域的灰度离群程度;
所述根据各疑似雾气区域的灰度离群程度获得雾气形态随机程度,包括:
获取所有种类的灰度值在疑似雾气区域的灰度离群程度的和值,计算疑似雾气区域中所有像素点的灰度值的信息熵,将所述信息熵与所述和值的乘积作为疑似雾气区域的雾气形态随机程度;
所述根据原始国土空间图像中各疑似雾气区域的所有像素点在R、G、B通道的灰度值分别获得疑似雾气区域在R、G、B通道的雾下物体色彩特征熵,包括:
获取暗通道图像中所有灰度值的最大值,计算所述最大值与所述灰度值均值的差值,记为第一差值;计算第一差值与1的和值,记为第一和值;获取所述最大值与第一和值的比值,记为第一比值;
获取原始国土空间图像中各疑似雾气区域的所有像素点在R通道的灰度值的信息熵,记为第一信息熵;将所述第一比值与第一信息熵的乘积作为疑似雾气区域在R通道的雾下物体色彩特征熵;
对于原始国土空间图像中各疑似雾气区域的所有像素点在G、B通道的灰度值,分别采用与疑似雾气区域在R通道的雾下物体色彩特征熵相同的获取方法得到疑似雾气区域在G、B通道的雾下物体色彩特征熵;
所述根据原始国土空间图像获取物体区域,根据疑似雾气区域中包含的物体区域的像素点数量获得疑似雾气区域的物体区域跨度熵,包括:
将原始国土空间图像转换为灰度图像,对灰度图像采用分水岭算法获得国土空间切割图像,将国土空间切割图像中的各闭合区域记为物体区域;
分别将每个疑似雾气区域记为待分析区域;统计待分析区域中包含的像素点总数;将与待分析区域相交的物体区域记为待分析区域的相交物体;获取待分析区域中包含的位于第t个相交物体内部的像素点的数量,记为待分析区域与第t个相交物体的相交像素数量;
计算所述相交像素数量与所述像素点总数的比值,获取以2为底数,以所述比值为真数的对数函数;获取所述对数函数的计算结果与所述比值的乘积;计算所述乘积的相反数,将待分析区域与所有相交物体的所述相反数的和值作为待分析区域的物体区域跨度熵;
所述根据像素点分别在暗通道图像和亮通道图像中的灰度值以及疑似雾气区域的雾下物体随机程度、雾气形态随机程度获取雾气可能性,包括:
对于疑似雾气区域中的各像素点,计算像素点在亮通道图像中的八邻域内所有像素点的灰度值均值记为第一均值;获取像素点在暗通道图像中的灰度值,记为第一灰度值,计算所述第一灰度值与所述第一均值的差值绝对值记为第一绝对值;获取疑似雾气区域的雾下物体随机程度与雾气形态随机程度的和值记为第一和值,将所述第一和值与所述第一绝对值的乘积作为像素点的雾气可能性;
将所有疑似雾气区域之外的像素点的雾气可能性记为0。
2.如权利要求1所述的一种国土空间规划过程中数据优化采集方法,其特征在于,所述根据疑似雾气区域在R、G、B通道的雾下物体色彩特征熵以及物体区域跨度熵计算雾下物体随机程度,包括:
对于各疑似雾气区域,计算疑似雾气区域在R、G、B通道的雾下物体色彩特征熵的均值,将所述均值与疑似雾气区域的物体区域跨度熵的和值作为疑似雾气区域的雾下物体随机程度。
3.如权利要求1所述的一种国土空间规划过程中数据优化采集方法,其特征在于,所述根据始国土空间图像中各像素点的雾气可能性获得各像素点的衰减透射率,具体包括:
获取对原始国土空间图像采用暗通道算法得到的各像素点的透射率,记为第一透射率;计算原始国土空间图像中所有像素点的雾气可能性的和值;
对于原始国土空间图像中的各像素点,计算像素点的雾气可能性与所述和值的比值,将像素点的第一透射率与所述比值的乘积作为像素点的衰减透射率。
4.如权利要求3所述的一种国土空间规划过程中数据优化采集方法,其特征在于,所述根据国土空间图像中各像素点的衰减透射率获得各像素点的自适应透射率,完成国土空间图像的去雾处理,包括:
计算原始国土空间图像中所有像素点的第一透射率的和值,记为第二和值;计算原始国土空间图像中所有像素点的衰减透射率的和值,记为第三和值;获取第二和值与第三和值的比值,记为第一比值;
将国土空间图像中各像素点的衰减透射率与第一比值的乘积作为像素点的自适应透射率;
使用像素点的自适应透射率替换暗通道算法中对应像素点的透射率,对国土空间图像进行去雾处理。
5.一种国土空间规划过程中数据优化采集***,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-4任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410216952.0A CN117788336B (zh) | 2024-02-28 | 2024-02-28 | 一种国土空间规划过程中数据优化采集方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410216952.0A CN117788336B (zh) | 2024-02-28 | 2024-02-28 | 一种国土空间规划过程中数据优化采集方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117788336A CN117788336A (zh) | 2024-03-29 |
CN117788336B true CN117788336B (zh) | 2024-05-24 |
Family
ID=90380189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410216952.0A Active CN117788336B (zh) | 2024-02-28 | 2024-02-28 | 一种国土空间规划过程中数据优化采集方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788336B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765336A (zh) * | 2018-05-25 | 2018-11-06 | 长安大学 | 基于暗亮原色先验与自适应参数优化的图像去雾方法 |
CN108876743A (zh) * | 2018-06-26 | 2018-11-23 | 中山大学 | 一种图像快速去雾方法、***、终端及存储介质 |
WO2020232710A1 (zh) * | 2019-05-23 | 2020-11-26 | 深圳大学 | 雾霾图像质量评价方法、***、存储介质及电子设备 |
WO2021000302A1 (zh) * | 2019-07-03 | 2021-01-07 | 深圳大学 | 基于超像素分割的图像去雾方法、***、存储介质及电子设备 |
WO2021082735A1 (zh) * | 2019-10-31 | 2021-05-06 | 华为技术有限公司 | 一种雾特征识别方法、装置及相关设备 |
CN114005090A (zh) * | 2021-11-12 | 2022-02-01 | 中山大学 | 一种基于疑似烟雾提议区域及深度学习的烟雾检测方法 |
CN114677289A (zh) * | 2021-09-24 | 2022-06-28 | 西安电子科技大学 | 一种图像去雾方法、***、计算机设备、存储介质及终端 |
CN116797484A (zh) * | 2023-06-29 | 2023-09-22 | 西安电子科技大学广州研究院 | 基于改进暗通道先验的图像去雾方法及其*** |
CN117078049A (zh) * | 2023-10-18 | 2023-11-17 | 山东昆仲信息科技有限公司 | 一种国土空间规划评估方法及*** |
-
2024
- 2024-02-28 CN CN202410216952.0A patent/CN117788336B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765336A (zh) * | 2018-05-25 | 2018-11-06 | 长安大学 | 基于暗亮原色先验与自适应参数优化的图像去雾方法 |
CN108876743A (zh) * | 2018-06-26 | 2018-11-23 | 中山大学 | 一种图像快速去雾方法、***、终端及存储介质 |
WO2020232710A1 (zh) * | 2019-05-23 | 2020-11-26 | 深圳大学 | 雾霾图像质量评价方法、***、存储介质及电子设备 |
WO2021000302A1 (zh) * | 2019-07-03 | 2021-01-07 | 深圳大学 | 基于超像素分割的图像去雾方法、***、存储介质及电子设备 |
WO2021082735A1 (zh) * | 2019-10-31 | 2021-05-06 | 华为技术有限公司 | 一种雾特征识别方法、装置及相关设备 |
CN114677289A (zh) * | 2021-09-24 | 2022-06-28 | 西安电子科技大学 | 一种图像去雾方法、***、计算机设备、存储介质及终端 |
CN114005090A (zh) * | 2021-11-12 | 2022-02-01 | 中山大学 | 一种基于疑似烟雾提议区域及深度学习的烟雾检测方法 |
CN116797484A (zh) * | 2023-06-29 | 2023-09-22 | 西安电子科技大学广州研究院 | 基于改进暗通道先验的图像去雾方法及其*** |
CN117152016A (zh) * | 2023-06-29 | 2023-12-01 | 西安电子科技大学广州研究院 | 基于改进暗通道先验的图像去雾方法及其*** |
CN117078049A (zh) * | 2023-10-18 | 2023-11-17 | 山东昆仲信息科技有限公司 | 一种国土空间规划评估方法及*** |
Non-Patent Citations (4)
Title |
---|
Single Image Haze Removal Using Dark Channel Prior;Kaiming He et al.;《2009 IEEE Conference on Computer Vision and Pattern Recognition》;20090818;第1956-1963页 * |
一种改进的基于暗通道先验的图像去雾算法;杨旭等;《沈阳理工大学学报》;20191215;第38卷(第06期);第15-21页 * |
基于混合暗通道算法的图像去雾研究;邵明省;《计量学报》;20200728;第41卷(第07期);第796-800页 * |
融合光场EPI深度估计与大气散射模型的图像去雾方法;褚擎天;《中国优秀硕士学位论文全文数据库信息科技辑》;20210215(第02期);第I138-1629页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117788336A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ancuti et al. | I-HAZE: A dehazing benchmark with real hazy and haze-free indoor images | |
CN111798467B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
KR100850729B1 (ko) | 데이터 해상도를 향상시키는 방법 및 장치 | |
CN115797225B (zh) | 一种水下地形测量用无人船采集图像增强方法 | |
CN102308306A (zh) | 用于图像分离的约束生成器 | |
CN109726649B (zh) | 遥感影像云检测方法、***及电子设备 | |
CN106920221A (zh) | 兼顾亮度分布和细节呈现的曝光融合方法 | |
Bi et al. | Haze removal for a single remote sensing image using low-rank and sparse prior | |
Yang et al. | Underwater image enhancement using scene depth-based adaptive background light estimation and dark channel prior algorithms | |
CN117456078B (zh) | 基于多种采样策略的神经辐射场渲染方法、***和设备 | |
CN113286142B (zh) | 一种基于人工智能的图像成像感光度预测方法及*** | |
CN110309715B (zh) | 基于深度学习的灯具识别的室内定位方法、装置及*** | |
CN113052923B (zh) | 色调映射方法、装置、电子设备和存储介质 | |
CN117788336B (zh) | 一种国土空间规划过程中数据优化采集方法及*** | |
CN107527378B (zh) | 一种Metropolis光线追踪自适应两阶段采样方法 | |
CN108353133A (zh) | 用于缩减高动态范围视频/成像的曝光时间集合的设备和方法 | |
CN107369138A (zh) | 基于高阶统计模型的图像最优化显示方法 | |
KR101418521B1 (ko) | 밝기 대비 향상을 통한 영상 화질 개선 방법 및 장치 | |
Gao et al. | Single image dehazing based on single pixel energy minimization | |
Wu et al. | Contrast enhancement based on discriminative co-occurrence statistics | |
CN113487520B (zh) | 基于转炉温度测量的高动态范围图像生成方法及*** | |
Lecca | A gradient-based spatial color algorithm for image contrast enhancement | |
Mondal et al. | Dct coefficients weighting (dctcw)-based gray wolf optimization (gwo) for brightness preserving image contrast enhancement | |
CN107274412A (zh) | 基于红外图像的小目标检测的方法 | |
Liu et al. | An Adaptive Low Illumination Color Image Enhancement Method Using Dragonfly Algorithm |
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 |