首页 / 专利库 / 人工智能 / 相似性得分 / 一种基于特征位置优选整合的城区检测方法

一种基于特征位置优选整合的城区检测方法

阅读:1017发布:2020-08-13

专利汇可以提供一种基于特征位置优选整合的城区检测方法专利检索,专利查询,专利分析的服务。并且本 发明 提出一种基于特征 位置 优选整合的城区检测方法,无需进行先验学习,计算简单,更适合在实际应用中实现。步骤一、图像预处理:包括RGB彩图转灰度图像及高斯金字塔生成;步骤二、城区位置特征点初步选取;步骤三、城区位置特征点筛选;步骤四、基于高斯 渲染 加权的城区区域整合;步骤五、通过自适应 迭代 法求出分割 阈值 并对加权矩阵进行二值化,对二值图进行连通域标记并将连通域面积小于预设阈值的连通域剔除;步骤六、对步骤一生成的高斯金字塔的各层重复步骤二至步骤五,并将各层结果扩展到原图大小后取并集得到城区候选范围,检查RGB彩图中候选范围的色彩特征,剔除色彩特征不满足条件的 像素 区域,得到最终检测结果。,下面是一种基于特征位置优选整合的城区检测方法专利的具体信息内容。

1.一种基于特征位置优选整合的城区检测方法,其特征在于,包括以下步骤:
步骤一、图像预处理:包括RGB彩图转灰度图像及高斯金字塔生成;
步骤二、城区位置特征点初步选取:从步骤一中生成的图像中选取能够标示城区的特征点;
步骤三、城区位置特征点筛选:通过步骤二中选取的特征点的局部最大值筛选与全局特征点数量约束,剔除不稳定的特征点;
步骤四、基于高斯渲染加权的城区区域整合:使用二维高斯函数将步骤三中剔除后的每个特征点扩展成为加权子矩阵,将每个特征点扩展的加权子矩阵相叠加得到整幅图的加权矩阵,并对加权矩阵进行中值滤波;
步骤五、通过自适应迭代法对步骤四得到的加权矩阵求出分割阈值并进行二值化操作,然后再对二值图进行连通域标记并将连通域面积小于预设阈值的连通域剔除;
步骤六、对步骤一生成的高斯金字塔的各层重复步骤二至步骤五,并将各层结果扩展到原图大小后取并集得到城区候选范围,检查RGB彩图中候选范围的色彩特征,剔除色彩特征不满足条件的像素区域,得到最终检测结果;
其中,步骤二中城区特征点的选取采用下述方法:
1)建立特征标记矩阵C,各元素初始值为零,大小等于本层金字塔图像尺寸;
2)将滑窗中心G置于图像中待判断像素点I(i,j),建立一个16位一维数组a[n],通过比较滑窗中心G与其周围半径为3的16个离散点的灰度值,对数组进行赋值;如下式所示:
其中,IG→n表示模板中圆弧上的第n个点的灰度值,IG表示滑窗中心G的灰度值,T为相似性度量阈值,选取范围为15至30;
3)对数组a[n]求和,若和大于等于15或者小于等于-15,则认为该点为候选特征点,将特征标记矩阵中C(i,j)置为1,若和等于0,则认为该点不是候选特征点,进行下一个像素点判断;
4)若不满足第3)步的条件,则比较数组首尾两个数a[1]和a[16],若两者相同则进行一次循环移位,移位后再进行比较,直到两者不相同后进入下一步;
5)判断移位后的数组是否存在连续9个“1”或者连续9个“-1”,若数组存在连续9个“1”或者连续9个“-1”的情况,则认为该点为候选特征点,将特征标记矩阵中C(i,j)置为1,否则将滑窗中心G移至下一个像素点重复步骤2)-5);
重复步骤1)-5)将全图每个像素点遍历一遍,矩阵C(i,j)中元素为1的位置即为图中特征点位置。
2.如权利要求1所述的一种基于特征位置优选整合的城区检测方法,其特征在于,步骤三中城区位置特征点筛选采用以下方法:
首先,构造一个得分函数V作为判定标准,用于剔除局部范围内非极大值的特征点;
其次,在提取的所有候选特征点集M中,任意选取一个候选特征点,设该点为P,其得分函数响应为VP,若以P为中心的3*3范围内存在任意一点q∈M,其得分函数响应为Vq,当VP≥Vq时,P作为特征点保留,否则P就被剔除;
最后,设任意特征点Pe的邻域为 其中, 表示以Pe为中心,以R为半径的圆形区域,则定义约束准则为:
其中pf表示在所述圆形区域中任意一个特征点,card{.}表示集合内元素的个数,即以Pe为中心的邻域 中特征点的总个数,δ是给定的阈值,满足上述准则的特征点Pe将被保留,不满足的则被剔除。
3.如权利要求1所述的一种基于特征位置优选整合的城区检测方法,其特征在于,步骤五中进行二值化的方法如下:
1)选取图像中最大亮度和最小亮度的中间值作为初始值Th;
2)使用Th分割图像,亮度值≥Th的所有像素组成I1,亮度值3)计算I1和I2范围内像素的平均亮度值μ1和μ2;
4)按照下式计算新的阈值:
5)重复上述步骤2)至4),直到连续迭代得到的Th满足下式停止:
|Thx-Thx-1|≤ε,其中ε为预设阈值,设定为0.1;
6)将大于阈值Th的点赋值为1,将小于阈值的点赋值为0,并对二值图进行连通域标记并将连通域面积小于一定阈值的连通域剔除。

说明书全文

一种基于特征位置优选整合的城区检测方法

技术领域

[0001] 本发明属于图像目标检测技术领域,具体涉及一种基于特征位置优选整合的城区检测方法。

背景技术

[0002] 随着遥感技术的不断发展,遥感影像的分辨率越来越高,能够得到的信息也越来越多。其中,通过遥感图像获取城市区域信息逐渐成为国内外学者研究的热点,这将对国家建设和国土勘探等方面带来巨大的帮助。首先,城市区域检测作为城市监测的第一步,可有效检测出哪些区域范围属于城市,有助于政府或城市规划建设部制定城市建设与发展规划;其次,城市区域检测可用于城市变化检测、数字化城市建设、军事侦察等多个领域;最后,由于遥感图像覆盖区域广,通过人工判图方式进行检测工作量大,城区的自动检测与实时检测将成为发展的趋势。
[0003] 近10年来,国内外学者使用各种方法和模型对城市区域进行自动检测,其技术路线大致分为两类。第一类是基于结构、纹理等特征的城市区域检测方法。其中,有学者使用SIFT算法或者Harris点提取算法提取城区范围内的特征点,再根据特征点的分布稠密性划分为不同子图,通过多子图匹配确定城区范围,该算法理论上可行,但计算复杂且运算时间较长,不适宜实际应用;有学者通过图像纹理特征获取建筑物密度,依据密度信息进行城市区域的分割。第二类是基于模式识别的检测方法。有学者使用数学形态学操作提取结构信息,并通过神经网络或者支持向量机对其进行分类得到城市区域;有学者使用结构特征,如梯度、直线或多种特征相融合的方法通过统计分类器对城区进行分类。但基于模式识别的各种方法都需要先验数据进行参数训练。

发明内容

[0004] 鉴于此,本发明在改进基于结构纹理特征的城市区域检测方法的基础上提出一种基于特征位置优选整合的城区检测方法,无需进行先验学习,计算简单,更适合在实际应用中实现。
[0005] 为了解决上述技术问题,本发明是这样实现的:
[0006] 一种基于特征位置优选整合的城区检测方法,包括以下步骤:
[0007] 步骤一、图像预处理:包括RGB彩图转灰度图像及高斯金字塔生成;
[0008] 步骤二、城区位置特征点初步选取:从步骤一中生成的图像中选取能够标示城区的特征点;
[0009] 步骤三、城区位置特征点筛选:通过步骤二中选取的特征点进行局部最大值筛选与全局特征点数量约束,剔除不稳定的特征点;
[0010] 步骤四、基于高斯渲染加权的城区区域整合:使用二维高斯函数将步骤三保留的各特征点扩展成为加权子矩阵,将每个特征点扩展的加权子矩阵相叠加得到整幅图的加权矩阵,并对加权矩阵进行中值滤波;
[0011] 步骤五、通过自适应迭代法对步骤四得到的加权矩阵求出分割阈值并进行二值化操作,然后再对二值图进行连通域标记并将连通域面积小于预设阈值的连通域剔除;
[0012] 步骤六、对步骤一生成的高斯金字塔的各层重复步骤二至步骤五,并将各层结果扩展到原图大小后取并集得到城区候选范围;检查RGB彩图中相应候选范围的色彩特征,剔除色彩特征不满足条件的像素区域,得到最终检测结果。
[0013] 本发明的有益效果:
[0014] 本发明无需大量数据进行先验学习或训练,可完成城区的自动检测;本发明计算简单、运算时间短,这样一来可在载荷平台上进行实时处理,只将城市区域的检测结果下传给地面监控人员,减小了数据传输带宽,缩短了数据回路的延迟。可应用于星载或机载平台的连续检测。附图说明
[0015] 图1为基于特征位置优选整合的城区检测流程示意图;
[0016] 图2为特征点提取模板示意图。

具体实施方式

[0017] 下面结合附图并举实施例,对本发明进行详细描述。
[0018] 如图1所示,基于特征位置优选整合的城区检测方法,具体步骤为:
[0019] 步骤一、图像预处理。首先将RGB彩图转换为灰度图,可使用下式进行:
[0020]
[0021] 其中,Igray为灰度图像,Ir、Ig、Ib分别表示彩色图像中红色、绿色、蓝色分量。
[0022] 然后,对灰度图像建立高斯金字塔。使用高斯模板对灰度图像进行滤波,之后对原图分别进行隔二抽一下采样和隔四抽一下采样,这样灰度图本身作为金字塔第一层,隔二抽一后图像为金字塔第二层,隔四抽一后图像为金字塔第三层。
[0023] 步骤二、城区位置特征点初步选取。
[0024] 1)建立特征标记矩阵C,各元素初始值为零,大小等于本层金字塔图像尺寸;
[0025] 2)如图2所示,将滑窗中心P置于图像中待判断像素点I(i,j),建立一个16位一维数组a[n],通过比较中点P与其周围半径为3的16个离散点的灰度值,对数组进行赋值,如下式所示:
[0026]
[0027] 其中,Ip→n表示模板中圆弧上的第n个点的灰度值,Ip表示模板中点P的灰度值,T为相似性度量阈值,选取范围一般为15至30。
[0028] 3)对数组a[n]求和,若和大于等于15或者小于等于-15,则认为该点为候选特征点,将特征标记矩阵中C(i,j)置为1。若和等于0,则认为该点不是候选特征点,进行下一个像素点判断。
[0029] 4)若不满足第3步条件,则比较数组首位两个数a[1]和a[16],若两者相同则进行一次循环移位,移位后再进行比较,直到两者不相同后进入下一步。
[0030] 5)判断移位后的数组是否存在连续9个“1”或者连续9个“-1”,若数组满足上述情况则认为该点为候选特征点,将特征标记矩阵中C(i,j)置为1,否则将P移至下一个像素点重复步骤2-5。
[0031] 按照上述方法将全图每个像素点遍历一遍,矩阵C(i,j)中元素为1的位置即为图中特征点位置。
[0032] 步骤三、城区位置特征点筛选。
[0033] 首先,构造一个得分函数V作为判定标准,用于剔除局部范围内非极大值的特征点。得分函数V的定义为:
[0034]
[0035] 其中,
[0036] Sbright={x|Ip→x≥Ip+T}       (7)
[0037] Sdark={x|Ip→x≤Ip-T}         (8)
[0038] IP表示任意候选特征点P的灰度值,Ip→x表示以P为中心图2模板中对应标号为x的灰度值,T为相似性度量阈值。
[0039] 其次,在第一步提取的所有候选特征点集M中,任意选取一个候选特征点,不妨设该点为P,其得分函数响应为VP,若以P为中心的3*3范围内存在任意一点q∈M,其得分函数响应为Vq,当VP≥Vq时,P作为特征点保留,否则P就被剔除。
[0040] 再次,假设任意特征点Pi的邻域NPi表示以Pi为中心半径为M的圆形区域,则定义约束准则为:
[0041]
[0042] 其中card{.}表示集合内元素的个数,即以Pi为中心的邻域NPi中特征点的总个数,δ是给定的阈值。满足上述准则的特征点Pi将被保留,不满足的则被剔除。
[0043] 步骤四、基于高斯渲染加权的城区区域整合。
[0044] 首先,使用二维高斯函数将每个特征点扩展成为加权子矩阵。设定高斯加权子矩阵大小为M×M,使用下式计算加权子矩阵:
[0045]
[0046] 其中,Gc(x,y)为二维高斯矩阵,(xc,yc)为特征点所在位置,上式中x、y的取值在以(xc,yc)为中心M×M的范围内。选取σ为固定值,这时每个特征点扩展的高斯加权子矩阵相同 。将每个特征点扩展的加权子矩阵相叠加得到整幅图的 加权矩阵 :
[0047] 其中,N为特征点的总个数,G(x,y)为整图的加权矩阵,大小与本层图片大小相同。
[0048] 最后,对G(x,y)使用5*5的窗口对加权矩阵进行中值滤波。
[0049] 步骤五、通过自适应迭代法求出分割阈值并对加权矩阵进行二值化,具体步骤如下:
[0050] 1)选取图像中最大亮度和最小亮度的中间值作为初始值Th;
[0051] 2)使用Th分割图像,亮度值≥Th的所有像素组成I1,亮度值<Th的所有像素组成I2;
[0052] 3)计算I1和I2范围内像素的平均亮度值μ1和μ2;
[0053] 4)按照下式计算新的阈值:
[0054]
[0055] 5)重复上述步骤2至4,直到连续迭代得到的Th满足下式停止,其中ε为预设阈值,设定为0.1。
[0056] Thn-Thn-1|≤ε            (13)
[0057] 6)将大于阈值Th的点赋值为1,将小于阈值的点赋值为0。并对二值图进行连通域标记并将连通域面积小于一定阈值的连通域剔除。
[0058] 步骤六、对金字塔的各层重复步骤二至步骤五,并将各层结果扩展到原图大小后取并集得到城区候选范围。
[0059] 在RGB彩图中查看候选范围的色彩分量,当G(绿色)分量均值大于一定阈值则将该连通域剔除,之后得到的区域为最终检测结果。
[0060] 可见,本发明通过使用快速的特征点提取方法,并结合特征点局部约束和全局约束进行特征点筛选,可有效保证特征点的置信度,并将这些特征点通过高斯渲染加权的方法进行城市区域的整合提取,从而更快更准地进行城区的检测。
[0061] 综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,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。综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,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。
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