首页 / 专利库 / 数学与统计 / 聚类算法 / 一种基于局部不变特征的遥感影像对象表达方法

一种基于局部不变特征的遥感影像对象表达方法

阅读:153发布:2024-02-23

专利汇可以提供一种基于局部不变特征的遥感影像对象表达方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种基于局部不变特征的遥感影像对象表达方法。包括如下步骤:步骤1,预处理;步骤2,进行线性尺度空间表达和非线性尺度空间表达;步骤3,提取Harris 角 点;步骤4,提取多尺度边缘;步骤5,提取仿射不变区域;步骤6,影像分解为图像 块 集合;步骤7,视觉词袋模型表示;步骤8,对象的 可视化 表达。基于尺度空间,提取高空间 分辨率 遥感影像的角点、边缘和区域等视觉特征,利用视觉词袋模型表达对象,解决了高空间分辨率遥感影像中对象提取运算量大的问题,有利于缓解高空间分辨率遥感影像中“同谱异物”和“同物异谱”的问题。,下面是一种基于局部不变特征的遥感影像对象表达方法专利的具体信息内容。

1.一种基于局部不变特征的遥感影像对象表达方法,其特征在于包括以下步骤:
步骤1:对输入遥感影像image1进行预处理,得到处理后的遥感影像image2;
步骤2:分别对遥感影像image2进行线性尺度空间表达和非线性尺度空间表达;
步骤3:线性尺度空间中,提取影像image2的Harris点;
步骤4:在非线性尺度空间中,对影像image2进行多尺度边缘提取;
步骤5:提取影像image2的仿射不变区域;
步骤6:以步骤5中的仿射不变区域为单元,将遥感影像image1分解为图像集合imgset;
步骤7:对图像块集合imgset运用视觉词袋模型进行表示;
步骤8:遥感影像中对象的可视化表达。
2.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于预处理的内容包括进行图像平滑以减少噪声的影响,通过改变图像的灰度等级以提高影像对比度及突出边缘或地物。
3.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于线性尺度空间利用高斯核函数进行变换,保证在Harris特征点的提取过程中,随着尺度的增加不会增加新的极值点,变换公式如下:
4.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于非线性尺度空间采用适应性更强的各向异性热扩散方程,其迭代方程如下:
It+1=It+λ(cNx,y▽ N(It)+cSx,y▽ S(It)+cEx,y▽ E(It)+cWx,y▽ W(It))其中,I为图像,▽N(It)、▽S(It)、▽E(It)和▽W(It)分别是四个方向的偏导,cNx,y、cSx,y、cEx,y和cWx,y分别是四个方向上的导热系数。
5.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于Harris角点的提取方法为:预先选择一个图像分层数N,对Harris角点进行检测,从最大尺度的图像开始,将其中的每个点分别独立成一个分组,记为分组中心点,设定一个欧式距离阈值D,从大尺度到小尺度依次搜索每一层图像,将距离某一分组中心点小于阈值D的点归并到对应分组中,分组结束后,在每个角点分组中搜索最大角点度量值并保留作为表示该局部结构的角点,以1为步长递增分层数,比较每次获得的角点的数量,当角点数量达到稳定时,认为这时的检测准确性最高,对应的分层数确定为最佳分层数。
6.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于多尺度边缘提取方法为:利用Canny边缘检测算法的高检测率、精确定位和明确响应三条标准的思想,分别从不同尺度中提取边缘,通过设置阈值对不同尺度上的边缘进行匹配处理,大尺度上保留大范围的边缘,小尺度上保留小范围的边缘,由大尺度向小尺度进行边缘精确定位获得清晰的边缘,最后结合数学形态学方法对断裂边缘进行连接。
7.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于仿射不变区域的提取方法为:利用Harris角点和边缘进行EBR(Edge-Based Region)不变区域的提取,再结合光谱信息对MSER(Maximally Stable Extremal Regions)算法进行改进,提取基于颜色的不变区域CMSER(Colour Maximally Stable Extremal Regions)。
8.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于视觉词袋模型的表示方法为:利用两种不变区域EBR和CMSER将输入影像image1构造成多个影像对象,接着通过角点邻域分解法进行图像块分解,对落入每个图像块内的Harris角点采用SIFT描述子进行描述,然后利用k均值聚类算法对分解的图像块进行聚类,得到k个聚类中心,并指定每个中心作为一个视觉单词,从而得到每个图像块的特征量化向量,最后统计每个对象中单词出现的频次,得到对象的视觉词袋表示,即各个视觉单词的直方图表示。
9.根据权利要求1所述的一种基于局部不变特征的遥感影像对象表达方法,其特征在于对象的可视化表达方式为:以对象的质心为原点,用8个方向的,各有一定模值大小的线段表示。

说明书全文

一种基于局部不变特征的遥感影像对象表达方法

技术领域

[0001] 本发明涉及一种遥感影像处理领域,具体说是一种基于局部不变特征的遥感影像对象表达方法。

背景技术

[0002] 随着遥感影像空间分辨率的不断提高,利用其获取的地理空间信息逐渐成为各应用行业数据的重要来源。但目前适合于高空间分辨率遥感影像特征提取和自动解译的技术还十分缺乏,远未达到实用化的程度。而特征提取、特征选择又是遥感影像自动分类和识别中的关键技术。研究如何从众多的特征中提取出那些直接决定后期应用的最有效的局部不变特征,并将提取的图像低层视觉特征与图像的高层语义特征之间建立对应关系,实现特征空间维数的压缩,提高遥感图像处理效率,具有十分明显的实际意义。局部不变特征已成为当今图像处理领域内一个较为活跃的研究方向,涌现了大批研究成果。但是这些研究成果主要集中在三维重建、数字印、运动跟踪机器人导航、图像全景拼接和视频数据挖掘等领域。在遥感影像特别是高空间分辨率遥感影像中的研究还有待进一步深入。局部不变特征可以很好地适应于遥感影像由于飞行器姿态、太阳光照射度、以及天气或气候等方面的变化引起的仿射形变。将其应用领域扩展到遥感图像的处理,为局部不变性特征的应用提出了新的思路,在尺度空间中对高空间分辨率遥感影像的特征进行提取研究,使其能适用于广义仿射变换下的遥感影像的处理,这对于局部不变特征的算法改进和发展具有重要的理论意义。

发明内容

[0003] 本发明提供了一种基于局部不变特征的遥感影像对象表达方法,基于尺度空间,提取高空间分辨率遥感影像的角点、边缘和区域等视觉特征,利用视觉词袋模型表达对象,解决了遥感影像对象提取准确率低的问题,具有自动化程度高,可靠性强等优点。
[0004] 为实现本发明的目标所采用的技术方案是:方法包括以下步骤:
[0005] 步骤1:对输入遥感影像image1进行预处理,得到处理后的遥感影像image2;
[0006] 步骤2:分别对遥感影像image2进行线性尺度空间表达和非线性尺度空间表达;
[0007] 步骤3:线性尺度空间中,提取影像image2的Harris角点;
[0008] 步骤4:在非线性尺度空间中,对影像image2进行多尺度边缘提取;
[0009] 步骤5:提取影像image2的仿射不变区域;
[0010] 步骤6:以步骤5中的仿射不变区域为单元,将遥感影像image1分解为图像集合imgset;
[0011] 步骤7:对图像块集合imgset运用视觉词袋模型进行表示;
[0012] 步骤8:遥感影像中对象的可视化表达。
[0013] 所述的预处理的内容包括进行图像平滑以减少噪声的影响,通过改变图像的灰度等级以提高影像对比度及突出边缘或地物。
[0014] 所述的线性尺度空间利用高斯核函数进行变换,保证在Harris特征点的提取过程中,随着尺度的增加不会增加新的极值点,变换公式如下:
[0015]
[0016] 所述的非线性尺度空间采用适应性更强的各向异性热扩散方程,其迭代方程如下:
[0017] It+1=It+λ(cNx,y▽ N(It)+cSx,y▽ S(It)+cEx,y▽ E(It)+cWx,y▽ W(It))[0018] 其中,I为图像,▽N(It)、▽S(It)、▽E(It)和▽W(It)分别是四个方向的偏导,cNx,y、cSx,y、cEx,y和cWx,y分别是四个方向上的导热系数。
[0019] 所述的Harris角点的提取方法为:预先选择一个图像分层数N,对Harris角点进行检测,从最大尺度的图像开始,将其中的每个点分别独立成一个分组,记为分组中心点,设定一个欧式距离阈值D,从大尺度到小尺度依次搜索每一层图像,将距离某一分组中心点小于阈值D的点归并到对应分组中,分组结束后,在每个角点分组中搜索最大角点度量值并保留作为表示该局部结构的角点,以1为步长递增分层数,比较每次获得的角点的数量,当角点数量达到稳定时,认为这时的检测准确性最高,对应的分层数确定为最佳分层数。
[0020] 所述的多尺度边缘提取方法为:利用Canny边缘检测算法的高检测率、精确定位和明确响应三条标准的思想,分别从不同尺度中提取边缘,通过设置阈值对不同尺度上的边缘进行匹配处理,大尺度上保留大范围的边缘,小尺度上保留小范围的边缘,由大尺度向小尺度进行边缘精确定位获得清晰的边缘,最后结合数学形态学方法对断裂边缘进行连接。
[0021] 所述的仿射不变区域的提取方法为:利用Harris角点和边缘进行EBR(Edge-Based Region)不变区域的提取,再结合光谱信息对MSER(Maximally Stable Extremal Regions)算法进行改进,提取基于颜色的不变区域CMSER(Colour Maximally Stable Extremal Regions)。
[0022] 所述的视觉词袋模型的表示方法为:利用两种不变区域EBR和CMSER将输入影像image1构造成多个影像对象,接着通过角点邻域分解法进行图像块分解,对落入每个图像块内的Harris角点采用SIFT描述子进行描述,然后利用k均值聚类算法对分解的图像块进行聚类,得到k个聚类中心,并指定每个中心作为一个视觉单词,从而得到每个图像块的特征量化向量,最后统计每个对象中单词出现的频次,得到对象的视觉词袋表示,即各个视觉单词的直方图表示。
[0023] 所述的对象的可视化表达方式为:以对象的质心为原点,用8个方向的,各有一定模值大小的线段表示。
[0024] 本发明的有益效果是:解决了高空间分辨率遥感影像中对象提取运算量大的问题,有利于缓解高空间分辨率遥感影像中“同谱异物”和“同物异谱”的问题。附图说明
[0025] 图1是本发明的总体处理流程图

具体实施方式

[0026] 下面结合附图详细描述本发明的具体实施方式。
[0027] 在步骤101,输入的待处理遥感影像image1为Quick bird的多光谱影像。
[0028] 在步骤102,图像预处理包括进行图像平滑以减少噪声的影响,通过改变图像的灰度等级以提高影像对比度及突出边缘或地物。
[0029] 在步骤103,线性尺度空间利用高斯核函数进行变换,保证在Harris特征点的提取过程中,随着尺度的增加不会增加新的极值点,变换公式如下:
[0030]
[0031] 其中,σ为尺度系数,分别取2、4、8、16和32共5个尺度构成线性尺度空间。
[0032] 在步骤104,非线性尺度空间采用适应性更强的各向异性热扩散方程,其迭代方程如下:
[0033] It+1=It+λ(cNx,y▽ N(It)+cSx,y▽ S(It)+cEx,y▽ E(It)+cWx,y▽ W(It))[0034] 其中,I为图像,▽N(It)、▽S(It)、▽E(It)和▽W(It)分别是四个方向的偏导,cNx,y、cSx,y、cEx,y和cWx,y分别是四个方向上的导热系数。λ是平滑系数,取值为50。
[0035] 在步骤105,Harris角点的提取方法为:给定图像分层数初值为2,对Harris角点进行检测,从最大尺度的图像开始,将其中的每个点分别独立成一个分组,记为分组中心点,设定一个欧式距离阈值10,从大尺度到小尺度依次搜索每一层图像,将距离某一分组中心点小于阈值10的点归并到对应分组中,分组结束后,在每个角点分组中搜索最大角点度量值并保留作为表示该局部结构的角点,以1为步长递增分层数,比较每次获得的角点的数量,当角点数量达到稳定时,认为这时的检测准确性最高,对应的分层数确定为最佳分层数。
[0036] 在步骤106,利用Canny边缘检测算法6个尺度中提取边缘,通过设置阈值50对不同尺度上的边缘进行匹配处理,大尺度上保留大范围的边缘,小尺度上保留小范围的边缘,由大尺度向小尺度进行边缘精确定位获得清晰的边缘,最后结合数学形态学的开闭运算方法对断裂边缘进行连接。
[0037] 在步骤107,仿射不变区域的提取方法为:利用Harris角点和边缘进行EBR(Edge-Based Region)不变区域的提取,再结合光谱信息对MSER(Maximally Stable Extremal Regions)算法进行改进,提取基于颜色的不变区域CMSER(Colour Maximally Stable Extremal Regions)。
[0038] 在步骤108,采用SIFT描述子进行描述。
[0039] 在步骤109,通过角点邻域分解法进行图像块分解。
[0040] 在步骤110,几何步骤108和步骤109的结果,综合描述图像块。
[0041] 在步骤111,对落入每个图像块内的Harris角点采用SIFT描述子进行描述,然后利用k均值聚类算法对分解的图像块进行聚类,得到k个聚类中心,其中k=15。
[0042] 在步骤112,指定步骤111中得到的每个聚类中心作为一个视觉单词,从而得到每个图像块的特征量化向量,最后统计每个对象中单词出现的频次,得到对象的视觉词袋表示,即各个视觉单词的直方图表示。
[0043] 在步骤113,以对象的质心为原点,用8个方向的,各有一定模值大小的线段表示。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈