【技术实现步骤摘要】
一种海量图像条件下的快速目标场景信息提取方法
[0001]本专利技术涉及目标场景信息提取的
,尤其涉及一种海量图像条件下的快速目标场景信息提取方法。
技术介绍
[0002]无人机在进行地理测绘过程中会采用连续拍摄的方式获取指定区域航拍图像,后续由人工对航拍图像进行处理和地形地貌识别,该过程需要消耗领域人员大量时间和精力识别核心地形,同时工作人员面临的另一个问题就是无人机连续航拍产生的大量相似重复图像,严重增加工作人员的工作时间,浪费工作人员的工作精力,针对该问题,本专利提出一种海量图像条件下的快速目标场景信息提取方法,用于从大量相似图像序列中提取关键地形地貌信息。
技术实现思路
[0003]有鉴于此,本专利技术提供一种海量图像条件下的快速目标场景信息提取方法,目的在于(1)基于差分空间实现无人机航拍图像的特征提取,并利用流形学习对所提取特征进行降维处理,从而快速实现相邻航拍图像的相似度计算,根据相似度计算结果仅保留不存在相似图像的航拍图像以及相似图像中信息最丰富的图像,删除重复图像,简化后续航拍区域地形识别的复杂性,能够快速提取有用的航拍区域地形信息;(2)提取无人机航拍图像的线性结构特征以及非线性结构特征,从线性层面以及非线性层面对航拍图像进行多尺度表征,并基于迁移学习快速构建训练得到可用的敏感区域识别模型,根据敏感区域的识别结果,将无人机航拍图像序列与航拍区域的真实坐标进行对应,得到不同航拍区域的地形标注,实现航拍区域的地形信息提取。
[0004]实现上述目的,本专利技术提供的一种海
【技术保护点】
【技术特征摘要】
1.一种海量图像条件下的快速目标场景信息提取方法,其特征在于,所述方法包括:S1:获取无人机的航拍图像序列A,对航拍图像序列A中的每张航拍图像进行特征提取,并对所提取特征进行降维处理,形成航拍图像序列特征集合,其中对航拍图像序列A中的每张航拍图像进行特征提取,包括:获取无人机的航拍图像序列A,其中航拍图像序列A中的航拍图像集合为:{I1,I2,
…
,I
i
,
…
,I
n
}其中:I
i
为航拍图像序列A中的第i张图像,n表示航拍图像序列A中图像的总数;对航拍图像序列A中的任意一张航拍图像I
i
,利用特征提取方法提取I
i
的特征f
i
,所述特征提取方法流程为:1)设置固定大小的图像块,将航拍图像均匀划分为若干同等大小的图像块;2)构建每个图像块中像素的尺度空间:2)构建每个图像块中像素的尺度空间:其中:I
i,k
(p,q)为航拍图像I
i
的第k个图像块的第p行第q列像素的灰度值;*为卷积计算;σ1,σ2为尺度因子,将σ1设置为1,将σ2设置为2,L(I
i,k
(p,q),σ1)为航拍图像I
i
的第k个图像块中第p行第q列像素的σ1尺度空间,L(I
i,k
(p,q),σ2)为航拍图像I
i
的第k个图像块中第p行第q列像素的σ2尺度空间;3)基于尺度空间构建高斯差分空间:G(I
i,k
(p,q))=L(I
i,k
(p,q),σ2)
‑
L(I
i,k
(p,q),σ1)其中:G(I
i,k
(p,q))为航拍图像I
i
的第k个图像块中第p行第q列像素的高斯尺度空间;对高斯差分空间中每个像素进行检测,若该像素为邻近8个像素的极大值或极小值,则将该像素标记为该图像块内的特征点f
i,k
(p
′
,q
′
);计算该特征点所对应像素点I
i,k
(p
′
,q
′
)的梯度方向θ(p
′
,q
′
):将图像块内所有特征点的梯度方向构成梯度直方图,其中梯度直方图的横轴表示梯度方向值,纵轴表示该梯度方向下特征点的数量;对不同梯度方向的特征点数量进行编码,将梯度直方图转换为特征向量,则航拍图像I
i
中第k个图像块的特征向量为f
i,k
;4)重复上述步骤2)
‑
3),得到航拍图像I
i
中所有图像块的特征向量,并构成航拍图像I
i
的特征f
i
:f
i
=[f
i,1
,f
i,2
,
…
,f
i,m
]
其中:m表示航拍图像中图像块的数目;5)重复上述步骤1)
‑
4),得到航拍图像序列A中所有航拍图像的特征;S2:构建航拍图像序列A中每幅航拍图像的特征图谱,基于特征图谱对航拍图像序列A中相邻航拍图像进行图像相似度计算,若计算结果小于指定阈值则所计算的两张相邻航拍图像为相似图像,否则不是,将不存在相似图像的航拍图像以及相似图像中信息最丰富的图像构成航拍图像序列B;S3:对航拍图像序列B中的每一张图像进行特征提取,获取每张航拍图像的线性结构和非线性结构,其中所述特征提取方法为多尺度融合方法;S4:基于航拍图像序列B中每张图像的线性结构特征以及非线性结构特征对航拍区域进行敏感区域识别,得到航拍区域地形信息,基于迁移学习的卷积网络模型为进行敏感区域识别的手段。2.如权利要求1所述的一种海量图像条件下的快速目标场景信息提取方法,其特征在于,所述特征降维方法为航拍图像子图流形学习,包括:将航拍图像序列A中n张航拍图像的特征构成特征集合:{f1,f2,
…
,f
i
,
…
,f
n
}利用欧式距离法确定距离任意特征f
i
最近的k
′
个特征,构成f
i
的邻域特征集Ω(i):Ω(i)={f
i1
,f
i2
,
…
,f
ik
′
}其中:f
ik
′
为特征集合{f1,f2,
…
,f
n
}中距离f
i
第k
′
近的特征;计算邻域特征集Ω(i)的权重向量w
i
:其中:C
i
=(f
i
‑
f
ij
)(f
i
‑
f
ij
)
T
,j∈[1,k
′
],C
i
‑1表示矩阵C
i
的逆矩阵;D
k
′
表示k
′
维全为1的向量;T表示矩阵的转置;将所有特征的权重向量构成权重矩阵W,并设置矩阵E=(U
‑
W)(U
‑
W)
T
,其中U为单位矩阵,计算矩阵E的前n+1个大的特征值所对应的特征向量{d2,d3,
…
,d
i+1
,
…
,d
n+1
},将d
i+1
作为特征f
i
的降维后特征,构成航拍图像序列特征集合{d2,d3,
…
,d
i+1
,
…
,d
n+1
}。3.如权利要求1所述的一种海量图像条件下的快速目标场景信息提取方法,其特征在于,所述S2步骤中基于特征图谱对航拍图像序列中相邻航拍图像进行图像相似度计算,包括:对于航拍图像序列A中的任意一张航拍图像I
i
,将降维处理后的d
i+1
作为航拍图像I
i
的特征图谱F
i
,计算任意航拍图像I
i
的特征图谱F
i
,与相邻航拍图像特征图谱F
i+1
,F
i
‑1的图像相似度,其中所述图像相似度计算公式为:Sim(F
i
,F
i+1
)=||F
i
‑
F
i+1
||1其中:Sim(F
i
,F
i+1
)为特征图谱F
i
与特征图谱F
i+1
的图像相似度;
||
·
||1为1
‑
范数。4.如权利要求3所述的一种海量图像条件下的快速目标场景信息提取方法,其特征在于,所述S2步骤根据相似度计算结果构建航拍图像序列B,包括:若计算结果小于指定阈值ξ则所计算的两张相邻航拍图像为相似图像,否则所计算的两张相邻航拍图像不为相似图像,将不存在相似图像的航拍图像以及相似图像中信息最丰富的图像构成航拍图像序列B,其中所述图像的像素灰度值标准差...
【专利技术属性】
技术研发人员:吕楠,张丽秋,王立亚,
申请(专利权)人:无锡慧眼人工智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。