CN102799898A - 大背景下高分辨率遥感影像目标识别高效处理方法 - Google Patents

Abstract

本发明公开了一种大背景下高分辨率遥感影像目标识别高效处理方法。本发明具体步骤如下：1.原始影像数据的灰度化处理，设定目标对象的经验值，获得目标对象的灰度阈值及最小外包矩形；2.采用十进制Morton码对最小外包矩形进行编码构建线性四叉树；3.目标对象边界多边形的提取与生成；4.边界多边形切割原始影像目标数据块；5.动态构建动态虚拟集群机，将影像目标数据块分发到对应的计算节点并按要求计算；6.集群主控计算节点收集各层级计算节点的结果，并根据步骤2的地址码按序返回原始影像数据的相应位置。本发明实现影像数据计算自动分块与分发处理，减少人机交互，同时提出采用局部化计算的思想进一步提升影像处理效率。

Description

大背景下高分辨率遥感影像目标识别高效处理方法

技术领域

本发明属于遥感影像应用技术领域范畴，主要涉及一种大背景下高分辨率遥感影像目标识别高效处理方法。

背景技术

遥感技术的不断发展伴随着遥感影像在空间、时空、分辨率的提高，导致每一景影像的数据量大增，计算负荷也相应增加。根据影像数据存储的规律性以及相关性特点，其算法也具有一致性、邻域性、行顺序性的特点，从而为影像并行计算创造了良好的条件。此外，随着计算机技术的发展，国内外关于遥感影像数据的存储、应用研究已转向分布式集群计算、高性能并行处理等技术。这为进一步研究大数据遥感影像高效处理提供技术基础。

当前，有关遥感影像高效处理方面的研究，国内外众多专家学者、研究机构及商业公司做了大量的工作，其研究主要集中在影像数据的组织与具体处理算法方面的改进与提升，遥感影像高效处理方法目前采用的主要技术有以并行数据处理为基础的高性能集群处理技术和以大规模分布式处理为基础的网格计算技术或云计算技术。其中研究在集群体系数据并行中研究且采用局部处理的思想针对影像数据的划分与集群计算节点的数据分发方法较少，虽然已有方法在一定程度上可以提升影像处理的性能，但如果在适当时机施以合理的机制，其在高效处理性能方面仍将有一定的提升空间。本发明方法基于大背景下遥感影像目标数量相对少的特点，提出一种面向遥感影像基于数据并行的集群高效处理方法，可以大大减少与目标无关区域的计算时间，提高目标识别效率。

发明内容

本发明的目的是针对现有技术的不足，运用现有集群计算技术数据并行思想，采用一种有效的数据划分与计算节点组织方式，提出了一种大背景下高分辨率遥感影像目标识别高效处理方法。

本发明解决其技术问题所采用的技术方案如下：

步骤(1).原始影像数据的灰度化处理，设定目标对象的经验值，获得目标对象的灰度阈值及最小外包矩形；

将原始影像数据通过加权平均值法进行灰度化处理，然后通过影像数据的影像解析度与经验值计算目标对象的大小并得出目标对象的灰度阈值；且将处理后影像数据的像素灰度值与目标对象的灰度阈值进行比较，最终获得所有目标对象的最小外包矩形(MBR)。

具体比较过程如下：

采用四叉树结构思想对处理后影像数据进行区块划分，该影像数据的行                                               

、列

所含像素个数分别为和，

若

和

为奇数，则划分时行、列时，

，

；若划分时分割线经过目标对象，即划分所在行或列的像素灰度值在目标对象的灰度阈值范围内，则该目标对象所在的子区块不再进行划分，并将该子区块称为与目标对象对应的最小外包矩形；否则继续划分。

所述的目标对象通常指用户感兴趣的地物目标，如海上目标识别领域所包括轮船、舰艇、海监飞机。

步骤(2).采用十进制Morton码对最小外包矩形进行编码构建线性四叉树；

将十进制Morton码（简称

码）作为线性四叉树的地址码，在步骤(1)的影像数据进行区块划分后，通过自下而上的方法对最小外包矩形构建线性四叉树；

步骤(3).目标对象边界多边形的提取与生成；

将步骤(1) 划分出的所有最小外包矩形，按行列顺序从左到右逐个扫描，若扫描得出该最小外包矩形内有多个目标对象，则对该最小外包矩形内能合并的多个目标对象的像素进行合并，不能合并的则产生相应的目标对象的边界多边形；在目标对象边界多边形的提取与生成中，必须经过一个栅格数据的矢量化过程，该矢量化过程包括以下基本步骤：

1）多边形的边界提取：采用高通滤波将栅格图像二值化或以特殊值标识边界点；

2）边界线追踪：对每个边界弧段由一个节点向其相邻的另一个节点搜索，通常对每个已知进入方向的边界点，除自身进入方向外需沿其它七个方向搜索下一个相邻的边界点，直到连成边界弧段。

3）拓扑关系生成：对于矢量表示的边界弧段，通过数学几何关系判断其与原图上各多边形的空间关系，然后形成完整的拓扑结构，并建立与属性数据的联系。

4）去除多余点及圆滑属于多边形边界的曲线：由于节点搜索是逐个像素进行的，必须通过拟合曲线去除由此造成的多余点，以减少数据冗余；同时采用插补算法对属于多边形边界的曲线进行光滑处理。

常用的补算法包括有线性叠代法、分段三次多项式插值法、正轴抛物线平均加权法、斜轴抛物线平均加权法、样条函数插值法。

步骤(4).使用目标对象的边界多边形切割原始影像目标数据块；

采用步骤(1)获得的所有目标对象的最小外包矩形作为对应目标对象的矢量多边形，对原始影像数据进行切割，并统计原始影像数据切割生成的目标区块数量；由于边界多边形在切割过程会影响影像数据的合并，因此对目标边界多边形的边界扩展2～3像素，便于目标处理后结果的镶嵌与完整。

步骤(5).采用负载均衡思想和四叉树结构思想组织动态构建动态虚拟集群机，将步骤(4)获得的影像目标数据块分发到对应的计算节点并按要求对影像数据的增强、融合、分类及云监测进行计算；

所述的影像数据的增强方法包括：基于空域变换方法的对比度增强、直方图增强，基于空域滤波方法的卷积增强、锐化增强；以及基于频域方法的高通、低通滤波影像增强方法。

影像数据的融合包括：IHS变换法、主成份变换法、高通滤波融合法、Brovery变换融合法。

影像数据的分类包括：监督分类、非监督分类。

影像数据的云监测包括：基于光谱的方法、基于纹理的方法；其中光谱方法有：ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等；纹理方法有基于统计模型的共生矩阵法、laws纹理能量法，以及基于结构的方法和基于场模型的方法。

步骤(6).集群主控计算节点收集各层级计算节点的结果，并根据步骤(2) 的地址码按序返回原始影像数据的相应位置。

本发明与现有技术相比具有的有益效果是：

（1）实现影像数据计算自动分块与分发处理，减少人机交互。传统的基于集群计算并行处理，包括任务并行与数据并行，其中数据的并行通常并没有准确的数据划分策略，且数据分发处理也比较随意，同时数据并行处理的时间也主要取决于数据块计算花费的最长时间。鉴于此，本发明主要运用了基于数据并行的计算机集群高效并行处理能力与负载均衡处理机制。具体方法主要表现在影像数据划分与集群计算节点的组织均采用四叉树结构思想，同时应用局部处理的思想减少了影像处理过程中与目标无关的不相关区域的计算，极大地提高了目标处理的效率。本发明在大背景下影像数据目标处理中应用前景非常大，尤其是在民用交通、军事等领域如海上舰船目标识别方面的应用更为广泛，通过扩展可以应用到一般高分辨率影像数据目标识别与分类处理，在诸如灾害等应急响应与快速处理具有极大的应用价值。

（2）针对大背景下的目标识别过程中所识别目标数量相对少的特点，提出采用局部化计算的思想。其最为突出的特点在于通过使用Morton码记录目标的位置关系，仅计算与目标识别相关的最小外包矩形MBR，大大缩短了本方法在影像数据处理时间。通过估算目标对象的大小自动设置分块的灰度阈值，为用户定义阈值参数提供借鉴，从而给出更准确的外包矩形以满足实际目标所要计算的区域。

附图说明

图1是本发明的流程图；

图2是本发明的四叉数分块结构与Morton编码规则图；

图3是本发明的数据划分与Morton编码示意图； 

图4是本发明集群计算节点与影像数据块分发示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，大背景下高分辨率遥感影像目标识别高效处理方法，具体实现步骤如下：

步骤(1).原始影像数据的灰度化处理，设定目标对象的经验值，获得目标对象的灰度阈值及最小外包矩形；

将原始影像数据通过加权平均值法进行灰度化处理，然后通过影像数据的影像解析度与经验值计算目标对象的大小并得出目标对象的灰度阈值；且将处理后影像数据的像素灰度值与目标对象的灰度阈值进行比较，最终获得所有目标对象的最小外包矩形(MBR)。

具体比较过程如图2所示：

采用四叉树结构思想对处理后影像数据进行区块划分，该影像数据的行、列所含像素个数分别为和

，

若

和

为奇数，则划分时行、列时，

，；若划分时分割线经过目标对象，即划分所在行或列的像素灰度值在目标对象的灰度阈值范围内，则该目标对象所在的子区块不再进行划分，并将该子区块称为与目标对象对应的最小外包矩形；否则继续划分。

所述的目标对象通常指用户感兴趣的地物目标，如海上目标识别领域所包括轮船、舰艇、海监飞机。

步骤(2).采用十进制Morton码对最小外包矩形进行编码构建线性四叉树；

将十进制Morton码（简称

码）作为线性四叉树的地址码，在步骤(1)的影像数据进行区块划分后，通过自下而上的方法对最小外包矩形构建线性四叉树；

步骤(3).目标对象边界多边形的提取与生成；

将步骤(1) 划分出的所有最小外包矩形，按行列顺序从左到右逐个扫描，若扫描得出该最小外包矩形内有多个目标对象，则对该最小外包矩形内能合并的多个目标对象的像素进行合并，不能合并的则产生相应的目标对象的边界多边形；在目标对象边界多边形的提取与生成中，必须经过一个栅格数据的矢量化过程，该矢量化过程包括以下基本步骤：

1）多边形的边界提取：采用高通滤波将栅格图像二值化或以特殊值标识边界点；

2）边界线追踪：对每个边界弧段由一个节点向其相邻的另一个节点搜索，通常对每个已知进入方向的边界点，除自身进入方向外需沿其它七个方向搜索下一个相邻的边界点，直到连成边界弧段。

3）拓扑关系生成：对于矢量表示的边界弧段，通过数学几何关系判断其与原图上各多边形的空间关系，然后形成完整的拓扑结构，并建立与属性数据的联系。

4）去除多余点及圆滑属于多边形边界的曲线：由于节点搜索是逐个像素进行的，必须通过拟合曲线去除由此造成的多余点，以减少数据冗余；同时采用插补算法对属于多边形边界的曲线进行光滑处理。

常用的补算法包括有线性叠代法、分段三次多项式插值法、正轴抛物线平均加权法、斜轴抛物线平均加权法、样条函数插值法。

步骤(4).使用目标对象的边界多边形切割原始影像目标数据块；

采用步骤(1)获得的所有目标对象的最小外包矩形作为对应目标对象的矢量多边形，对原始影像数据进行切割，并统计原始影像数据切割生成的目标区块数量；由于边界多边形在切割过程会影响影像数据的合并，因此对目标边界多边形的边界扩展2～3像素，便于目标处理后结果的镶嵌与完整。

步骤(5).采用负载均衡思想和四叉树结构思想组织动态构建动态虚拟集群机，将步骤(4)获得的影像目标数据块分发到对应的计算节点并按要求对影像数据的增强、融合、分类及云监测进行计算；

所述的影像数据的增强方法包括：基于空域变换方法的对比度增强、直方图增强，基于空域滤波方法的卷积增强、锐化增强；以及基于频域方法的高通、低通滤波影像增强方法。

影像数据的融合包括：IHS变换法、主成份变换法、高通滤波融合法、Brovery变换融合法。

影像数据的分类包括：监督分类、非监督分类。

影像数据的云监测包括：基于光谱的方法、基于纹理的方法；其中光谱方法有：ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等；纹理方法有基于统计模型的共生矩阵法、laws纹理能量法，以及基于结构的方法和基于场模型的方法。

步骤(6).集群主控计算节点收集各层级计算节点的结果，并根据步骤(2) 的地址码按序返回原始影像数据的相应位置。

实施例

第一步：为影像数据的灰度化处理，根据经验值设定目标对象的灰度阈值按四叉树结构思想与规则针对影像数据的长宽进行区块划分，经多次循环与层次化过程，最后获得目标对象最小外包矩形。划分结果如图2所示，影像大小为

,经过一次划分，则每个子区块大小为

；再划分子区块大小为

，依此类推。

第二步：采用十进制Morton码对目标区块进行编码构建四叉树，首先针对第一步划分结果依自然数顺序按行进行扫描并编码，如对附图2划分后可得附图3左图所示的Morton编码，再由左边所示自底向上构建形成一颗倒挂的四叉树，见附图3右图，其中黑色叶子节点表示目标对象所在区域，即为下面要分发到各计算节点的影像数据区域。

第三步：针对第一步的目标对象的最小外包矩形，采用按行列顺序从左到右扫描，通过合并给定阈值范围的像素灰度值的象元可以进一步获得该MBR内所有的目标对象边界多边形，同时在子区块1，经过扫描合并的过程，可以得到3个目标对象边界多边形。

第四步：利用第三步获得的目标对象边界多边形对原始影像数据进行切割，可得到基于目标数量一致的影像数据块。如附图2所示，针对给定目标大小阈值范围，对符合条件的目标采用其MBR进行切割，得到如图3右图构筑的黑色叶子节点，Morton编码分别为（1,3,8,9,10,12,21）共7个目标对象。其中Morton编码为1的经过多次循环，可以切割产生出3个目标对象。

第五步：采用负载均衡思想并依据四叉树结构思想组织集群计算节点构建虚拟集群机，将第三步获得的影像数据块分发到对应的计算节点按要求进行计算。先对目标数量与各目标信息量进行统计，然后组织集群计算节点形成四叉树结构，具体组织如附图4所示，组织方法为：

，

为四叉树虚拟组织结构的级（层）数。基于负载均衡的思路，目标数量Num计算节点具有如下分发情况：

（1）

, 

,影像目标直接分发到一级主控计算节点

；

（2）

，

，可将影像目标平均分发到二级节点；

（3）依此类推，在分发完前

级数据的基础上，将剩余的数据平均分配到当前

级计算节点。

第六步：集群主控计算节点收集各层级计算节点的结果，并根据步骤(2) 的地址码按序返回原始影像数据的相应位置；目标对象结果的收集按自底向上逐级收集并及时合并，经过多轮的操作，最后到达主控计算节点。如附图4所示，七个计算目标对象组织成一个准平衡四叉树结构，由于最后一个计算节点仅分配一个计算数据，因此可不分配计算节点回退到上一级计算节点即二级节点。

Claims (1)

1.大背景下高分辨率遥感影像目标识别高效处理方法，其特征在于包括如下步骤：

步骤(1).原始影像数据的灰度化处理，设定目标对象的经验值，获得目标对象的灰度阈值及最小外包矩形；

将原始影像数据通过加权平均值法进行灰度化处理，然后通过影像数据的影像解析度与经验值计算目标对象的大小并得出目标对象的灰度阈值；且将处理后影像数据的像素灰度值与目标对象的灰度阈值进行比较，最终获得所有目标对象的最小外包矩形；

具体比较过程如下：

采用四叉树结构思想对处理后影像数据进行区块划分，该影像数据的行                                                、列

所含像素个数分别为

和

，

若

或为奇数，则划分时行、列时，

，

；若划分时分割线经过目标对象，即划分所在行或列的像素灰度值在目标对象的灰度阈值范围内，则该目标对象所在的子区块不再进行划分，并将该子区块称为与目标对象对应的最小外包矩形；否则继续划分；

步骤(2).采用十进制Morton码对最小外包矩形进行编码构建线性四叉树；

将十进制Morton码作为线性四叉树的地址码，在步骤(1)的影像数据进行区块划分后，通过自下而上的方法对最小外包矩形构建线性四叉树；

步骤(3).目标对象边界多边形的提取与生成；

将步骤(1) 划分出的所有最小外包矩形，按行列顺序从左到右逐个扫描，若扫描得出该最小外包矩形内有多个目标对象，则对该最小外包矩形内能合并的多个目标对象的像素进行合并，不能合并的则产生相应的目标对象的边界多边形；在目标对象边界多边形的提取与生成中，必须经过一个栅格数据的矢量化过程，该矢量化过程包括以下基本步骤：

1）多边形的边界提取：采用高通滤波将栅格图像二值化或以特殊值标识边界点；

2）边界线追踪：对每个边界弧段由一个节点向其相邻的另一个节点搜索，通常对每个已知进入方向的边界点，除自身进入方向外需沿其它七个方向搜索下一个相邻的边界点，直到连成边界弧段；

3）拓扑关系生成：对于矢量表示的边界弧段，通过数学几何关系判断其与原图上各多边形的空间关系，然后形成完整的拓扑结构，并建立与属性数据的联系；

4）去除多余点及圆滑属于多边形边界的曲线：由于节点搜索是逐个像素进行的，必须通过拟合曲线去除由此造成的多余点，以减少数据冗余；同时采用插补算法对属于多边形边界的曲线进行光滑处理；

常用的插补算法包括有线性叠代法、分段三次多项式插值法、正轴抛物线平均加权法、斜轴抛物线平均加权法、样条函数插值法；

步骤(4).使用目标对象的边界多边形切割原始影像目标数据块；

采用步骤(1)获得的所有目标对象的最小外包矩形作为对应目标对象的矢量多边形，对原始影像数据进行切割，并统计原始影像数据切割生成的目标区块数量；同时对目标边界多边形的边界扩展2～3像素，便于目标处理后结果的镶嵌与完整；

步骤(5).采用负载均衡思想和四叉树结构思想组织动态构建动态虚拟集群机，将步骤(4)获得的影像目标数据块分发到对应的计算节点并按要求对影像数据的增强、融合、分类及云监测进行计算；

所述的影像数据的增强方法包括：基于空域变换方法的对比度增强、直方图增强，基于空域滤波方法的卷积增强、锐化增强；以及基于频域方法的高通、低通滤波影像增强方法；

影像数据的融合包括：IHS变换法、主成份变换法、高通滤波融合法、Brovery变换融合法；

影像数据的分类包括：监督分类、非监督分类；

影像数据的云监测包括：基于光谱的方法、基于纹理的方法；其中光谱方法有：ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等；纹理方法有基于统计模型的共生矩阵法、laws纹理能量法，以及基于结构的方法和基于场模型的方法；

步骤(6).集群主控计算节点收集各层级计算节点的结果，并根据步骤(2) 的地址码按序返回原始影像数据的相应位置。

Images