一种用于植被提取深度学习的四通道影像处理方法技术

技术编号:35822815 阅读:9 留言:0更新日期:2022-12-03 13:48
本发明专利技术提供一种用于植被提取深度学习的四通道影像处理方法,通过获取的一选区的海量影像及对应方位信息,并将其输入无人机数据处理软件中得到与该选区对应的正射影像和数字表面模型,进一步对该数字表面模型通过逐像元计算得到对应的坡度图,进而将该得到的正射影像和坡度图进行格式转换和归一化处理得到对应的包含RGB和坡度通道的四通道影像,并将该四通道影像用于植被识别和提取。通过本方法,首次在植被识别及提取领域引入了正射影像和坡度图,方便精确的对待测影像进行预测及提取处理。处理。处理。

【技术实现步骤摘要】
一种用于植被提取深度学习的四通道影像处理方法


[0001]本专利技术涉及影像植被识别提取方法领域,特别是一种用于植被提取深度学习的四通道影像处理方法。

技术介绍

[0002]目前利用倾斜摄影测量技术对可见光影像进行数字表面模型(DSM)的制作已较为成熟,但倾斜摄影测量技术获得的是包含地物高度的表面高程。在平方公里及以上范围的大型工程设计中,地形中多含有植被等覆盖物,如果直接用数字表面模型DSM生成等高线,则会出现高程异常区域,不能反应真实的地形情况,因此为了还原地面高程,通常需要滤除植被等地物高度。为了更好的去除植被等覆盖物的影响,需要对影像中的植被等进行识别,进一步提取并去除影像中的植被部分,为后续影像空洞的填补做准备。

技术实现思路

[0003]本专利技术提供一种用于植被提取深度学习的四通道影像处理方法,首次将正射影像和坡度图同时使用于植被的识别及提取领域,可以实现影像中植被的精准识别。
[0004]本专利技术所采用的技术手段如下所述:
[0005]一种用于植被提取深度学习的四通道影像处理方法,选用植被分类文件和四通道影像作为基础影像进行植被提取深度学习,其中四通道影像由正射影像和坡度图整合而成;该四通道影像通过以下步骤处理得到:
[0006]步骤一:通过无人机搭载光学相机获取一选区内的海量像片,并同步获得该像片的内外方位元素信息和像片控制点;
[0007]步骤二:将步骤一中得到的像片、内外方位元素信息、像片控制点输入无人机数据处理软件中,得到该选区的正射影像及数字表面模型;
[0008]步骤三:通过对步骤二中获得的数字表面模型逐像元计算坡度,得到与该选区对应的坡度图;
[0009]步骤四:将步骤二中得到的正射影像和步骤三中得到的坡度图进行格式转换和归一化处理得到包含RGB通道和坡度通道的四通道浮点型数据影像图。
[0010]作为优选,其步骤一中的选区选用平方公里级的植被稀疏区域。
[0011]作为优选,在步骤一获取的海量像片中,飞行航向的像片重叠度≥70%,飞行旁向的像片重叠度≥60%。
[0012]作为优选,步骤一中获得的正射影像为RGB三通道无符号整型数据,所述数字表面模型为32位浮点型数据。
[0013]作为优选,其步骤四中的格式转换处理包括将正射影像的整型数据转换为浮点型数据。
[0014]作为优选,其步骤二中的无人机数据处理软件选用Context Capture软件。
[0015]作为优选,在步骤二中逐像元计算坡度时,考虑中心像元的8领域,设待算中心像
元的高程e,其外周8个像元的高程值从左到右、从上到下依次为a、b、c、d、f、g、h、i;
[0016]并通过式(1)和式(2)分别计算中心像元e在左右x方向上的变化率和中心像元e在上下y方向上的变化率:
[0017][dz/dx]=((c+2f+i)

(a+2d+g)/(8*x_cellsize)
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0018][dz/dy]=((g+2h+i)

(a+2b+c))/(8*y_cellsize)
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0019]其中:x_cellsize和y_cellsize分别为x方向和y方向的单位距离;
[0020]进一步通过式(3)计算中心像元e处的坡度值Slope:
[0021][0022]作为优选,利用植被分类文件和多通道影像进行植被提取深度学习的模型选用UNET模型。
[0023]本专利技术与现有的技术相比具有如下优点:
[0024]本方法首次将正射影像和坡度图引入影像植被识别及提取领域,两种影像尤其适用于UNET深度学习模型中进行地面植被的识别,该种影像处理方法可为后续影像的重新填补创造基础,能够更精准快速的识别待测影像中植被等覆盖物,可以更好解决地面植被等覆盖物对成像的影响。
附图说明
[0025]图1为基于可见光影像及深度学习算法的地面高程提取方法的流程示意图。
[0026]图2为一实施例中某测区的包含植被区域的俯视图。
[0027]图3为图2对应的等高线图。
[0028]图4为一实施例中获取照片的对应测区范围及相控点分布图。
[0029]图5为对图4测区内照片处理得到的正射影像DOM。
[0030]图6为对图4测区内照片处理得到的数字表面模型DSM。
[0031]图7为对正射影像DOM格式转换和归一化处理后选取的一样本区dom13N。
[0032]图8为对数字表面模型DSM格式转换和归一化处理后选取的一图7中样本区位置对应的样本区slope13N。
[0033]图9为对多通道影像标注处理后得到的矢量影像。
[0034]图10为图9对应的栅格数据影像。
[0035]图11为对多通道影像和类标签图进行剪切和增强处理后得到的样本数据集。
[0036]图12对待预测四通道影像进行剪切和增强处理后得到的待预测数据(样本)集。
[0037]图13为与待预测影像对应的预测结果矢量图。
[0038]图14为根据预测结果矢量图进行掩膜处理后得到的包含空洞的DEM影像。
[0039]图15为与进行空洞填补后得到的DEM影像对应的登高线和原待测数字表面模型DSM生成等高线的叠加图。
具体实施方式
[0040]具体的,结合说明书附图1

15,给出以下具体方案:
[0041]结合一某灰场地形图测图项目,对本方法进行说明。项目测区面积约12平方公里,
成图比例尺为1:500。本项目外业采用飞马D2000无人机搭载SONY a6000相机,并集成具有RTK功能的POS和IMU系统。SONY a6000相机传感器大小为23.5X15.5mm,有效像素2400万,焦距25mm。
[0042]在该项目中,测区内沟壑纵横,如图2所示,为该实施例测区的包含植被区域的俯视图,如框中区域,为沟内多散布的高大树木,若直接使用数字表面模型DSM生成如图3所示的等高线,可以看到,存在多个高程异常区域(黑色团块),不能反映真实的地形状况,给挖填方计算带来误差。
[0043]因此对于以上存在的问题,按照实际操作步骤,如图1所示,本方法提出一具体实施例:
[0044]第一步,使用无人机搭载光学相机获取一选区内的海量厘米级空间分辨率照片,选区主要选用平方公里级的植被稀疏区域。须同步获取照片的内外方位元素信息,须同步布设满足规范要求的像片控制点。
[0045]具体的,该实施例项目航拍时间为2020年5月17日,天气晴朗。飞行高度约300米,飞行航向的照片重叠度≥70%,优选是80%,飞行旁向的照片重叠度≥60%,优选是65%。本项目共拍摄3619张照片,相片平均空间分辨率0.05m,单张照片范围约280m*212m,测区内共布设29个相控点,如图4所示本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种用于植被提取深度学习的四通道影像处理方法,其特征在于,选用植被分类文件和四通道影像作为基础影像进行植被提取深度学习,其中四通道影像由正射影像和坡度图整合而成;该四通道影像通过以下步骤处理得到:步骤一:通过无人机搭载光学相机获取一选区内的海量像片,并同步获得该像片的内外方位元素信息和像片控制点;步骤二:将步骤一中得到的像片、内外方位元素信息、像片控制点输入无人机数据处理软件中,得到该选区的正射影像及数字表面模型;步骤三:通过对步骤二中获得的数字表面模型逐像元计算坡度,得到与该选区对应的坡度图;步骤四:将步骤二中得到的正射影像和步骤三中得到的坡度图进行格式转换和归一化处理得到包含RGB通道和坡度通道的四通道浮点型数据影像图。2.根据权利要求1所述的一种用于植被提取深度学习的四通道影像处理方法,其特征在于,其步骤一中的选区选用平方公里级的植被稀疏区域。3.根据权利要求1所述的一种用于植被提取深度学习的四通道影像处理方法,其特征在于,在步骤一获取的海量像片中,飞行航向的像片重叠度≥70%,飞行旁向的像片重叠度≥60%。4.根据权利要求1所述的一种用于植被提取深度学习的四通道影像处理方法,其特征在于,步骤一中获得的正射影像为RGB三通道无符号整型数据,所述数字表面模型为32位浮点型数据。5.根据权利要求4所述的一种用于植被提取深度学习的四通道影像处理方法,其特征在于,其步...

【专利技术属性】
技术研发人员:张阳刘顺李彦利
申请(专利权)人:中国电力工程顾问集团华北电力设计院有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1