一种遥感对象确定方法与流程

1.本发明涉及数据处理技术领域，具体涉及一种遥感对象确定方法。


背景技术：

2.当前遥感定位过程中，在获取卫星遥感图像数据后，经常需要对数据进行聚类处理以完成对数据中待定位对象的数量以及其轮廓和对应位置的确定。当前聚类处理过程中因均值漂移聚类无需给出聚类簇的数量而具备较强通用性，是最常用的聚类方法。
3.但均值漂移聚类在实际应用过程中对一些稀疏点的分类是通过簇类的访问频率，对于一个样本点，将访问频率最高的簇类作为其分类簇的。该种对稀疏点的分类方式会导致大量稀疏点的分类错乱，从而导致聚类分割效果较差，最终导致无法完成对遥感过程中需检测对象的位置与轮廓的准确确定。


技术实现要素：

4.本发明提供了一种遥感对象确定方法，用以解决现有遥感定位过程中对定位对象的位置与轮廓定位准确度较差的技术文体，所采用的技术方案具体如下：本发明的一种遥感对象确定方法，包括以下步骤：获取遥感图像数据，将遥感图像数据映射到三维颜色空间得到颜色样本空间；对颜色样本空间中的像素点进行密度判断确定颜色样本空间中的稀疏区域，然后确定稀疏区域的稀疏程度并将稀疏区域的稀疏程度作为稀疏区域中稀疏像素点的稀疏程度；确定稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子；根据稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子对稀疏像素点所属簇类进行第一类投票，根据稀疏像素点的稀疏程度对稀疏像素点所属簇类进行第二类投票，选取两类投票结果中的较大值所对应的簇类作为稀疏像素点的簇分类；以均值漂移聚类方法对颜色样本空间中非稀疏区域内的像素点进行聚类，以所确定的各个稀疏像素点的簇分类对所有稀疏像素点进行聚类，完成对遥感过程中不同的遥感对象的确定；所述对颜色样本空间中的像素点进行密度判断确定颜色样本空间中的稀疏区域的方法为：从颜色样本空间中任选一个样本点p，判断样本点p的邻域半径中的样本点数量m，如果样本点数量m大于密度阈值m，则将样本点p的邻域半径内的邻域区域记为密集区域并不再被选取，但该邻域区域内的样本点判断样本点数量时会被计算，已经被确定为稀疏区域的像素点不会被再更改为密集区域；如果样本点数量m不大于密度阈值m，则将样本点p的邻域半径内的邻域区域记为稀疏区域，但该邻域区域内的样本点判断样本点数量时会被计算，且已经被确定为密集区域的像素点依然会被再更改为稀疏区域；
在未被标记的区域中继续选取样本点并进行稀疏区域与密集区域的判断，直到所有的样本点都进行了区域标记，完成颜色样本空间中稀疏区域的确定；所述确定稀疏区域的稀疏程度并将稀疏区域的稀疏程度作为稀疏区域中稀疏像素点的稀疏程度的方法为：首先使用稀疏区域中像素点数量值与确定稀疏区域时所使用的邻域半径来确定稀疏区域的密集程度也即稀疏区域中像素点的密集程度值：其中，为稀疏区域的密集程度也即稀疏区域中像素点的密集程度值，为稀疏区域中像素点的数量，为确定稀疏区域时所使用的邻域半径；对所有稀疏区域的密集程度也即稀疏区域中像素点的密集程度进行归一化处理，然后确定各个稀疏区域的稀疏程度也即稀疏区域中稀疏像素点的稀疏程度：其中，表示稀疏区域的稀疏程度也即稀疏区域中稀疏像素点的稀疏程度，表示归一化后的稀疏区域的密集程度也即稀疏区域中像素点的密集程度值。
5.本发明的有益效果为：本发明首先对遥感图像数据进行数据获取，然后将所获取的遥感图像数据映射到三维颜色空间得到颜色样本空间，根据颜色样本空间中像素点的密度确定稀疏区域，然后根据稀疏区域中稀疏像素点的稀疏程度，以及稀疏像素点邻域内密集像素点对其的距离影响因子，分别对稀疏像素点所属聚类簇进行了两类方式的确定，并以两类方式中所确定的聚类簇投票值中的较大值对应的聚类簇作为稀疏像素点所属聚类簇，可有效结合邻域像素点所在样本空间的位置与稀疏程度两方面因素为稀疏像素点划分更为准确的聚类簇，实现对遥感图像中不同的关注区域也即不同的遥感对象的更准确确定。
6.进一步的，确定所述稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子的方法为：计算稀疏像素点到其8邻域内密集像素点之间的距离：其中，表示稀疏像素点到其8邻域内第i个密集像素点之间的距离，、以及分别表示稀疏像素点的三通道分量，、以及分别表示稀疏像素点8邻域内第i个密集像素点的三通道分量；通过函数将距离集合中的值进行不同程度划分，并保证划分后距离集合中所有距离的和为1，然后计算稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子：
其中，表示稀疏像素点的8邻域内第i个密集像素点对稀疏像素点的距离影响因子，表示稀疏像素点到其8邻域内第i个密集像素点之间的距离，表示以自然常数e为底的指数函数。
7.进一步的，所述进行第二类投票的方法为：其中，表示稀疏像素点属于簇类的投票数，表示簇类的窗口经过稀疏像素点的次数，表示稀疏像素点的稀疏程度；所述进行第一类投票的方法为：其中，表示稀疏像素点属于簇类的投票数，表示簇类的窗口经过稀疏像素点的次数，表示取最大值，表示稀疏像素点的8邻域内第i个密集像素点对稀疏像素点的距离影响因子。
附图说明
8.图1是本发明该种遥感对象确定方法的流程图。
具体实施方式
9.本发明的构思为：本发明首先对遥感图像数据进行数据获取，然后将所获取的遥感图像数据映射到三维颜色空间得到颜色样本空间，根据颜色样本空间中像素点的密度确定稀疏区域，然后根据稀疏区域中稀疏像素点的稀疏程度，以及稀疏像素点邻域内密集像素点对其的距离影响因子，分别对稀疏像素点所属聚类簇进行了两类方式的确定，并以两类方式中所确定的聚类簇投票值中的较大值对应的聚类簇作为稀疏像素点所属聚类簇，可有效结合邻域像素点所在样本空间的位置与稀疏程度两方面因素为稀疏像素点划分更为准确的聚类簇，实现对遥感图像中不同的关注区域也即不同的遥感对象的更准确确定。
10.下面结合附图及实施例，对本发明的一种遥感对象确定方法进行详细说明。
11.方法实施例：本发明的一种遥感对象确定方法实施例，其整体流程如图1所示，具体过程如下：步骤一，获取遥感图像的数据，将遥感图像数据映射到三维颜色空间，得到颜色样本空间。
12.对于一张遥感影像，根据其图像数据对其进行初步的分割是期望可以将同类像素点合并为一类，即可以通过簇类选择得到不同的关注区域像素信息，也即确定不同待定位
对象所对应的像素点，同时也可以将像素值邻近的点使用相同像素值以达到压缩图像的作用。
13.遥感定位过程中遥感卫星初始获取的是陆地表面的俯拍平面图，为了更为有效地完成稀疏像素点与稠密像素点的区别处理，本实施例将所获取的遥感图像的数据向三位颜色空间进行映射处理，得到颜色样本空间。
14.在颜色样本空间中，可以更为直观地观察到稀疏像素点。
15.步骤二，确定颜色样本空间中的稀疏区域，然后确定稀疏区域的稀疏程度也即稀疏区域中稀疏像素点的稀疏程度。
16.对样本空间中的像素点进行密度判断需要提前确定进行判断的邻域与密度阈值，这里将邻域半径记为，将密度阈值记为，即当一个像素点的邻域内的像素点少于时，即将这个像素点的邻域记为稀疏区域，稀疏区域中所有的像素点即为稀疏像素点。
17.具体的，从颜色样本空间中任选一个样本点p，判断样本点p的邻域半径中的样本点数量m，如果样本点数量m大于密度阈值m，则将样本点p的邻域半径内的邻域区域记为密集区域并不再被选取，但该邻域区域内的样本点判断样本点数量时会被计算，已经被确定为稀疏区域的像素点不会被再更改为密集区域；如果样本点数量m不大于密度阈值m，则将样本点p的邻域半径内的邻域区域记为稀疏区域，但该邻域区域内的样本点判断样本点数量时会被计算，且已经被确定为密集区域的像素点依然会被再更改为稀疏区域。
18.在未被标记的区域中继续选取样本点并进行稀疏区域与密集区域的判断，直到所有的样本点都进行了区域标记。
19.将所有稀疏区域记为，每个稀疏区域中的像素点可表示为，其中k表示第i个稀疏区域中像素点的数量，n为稀疏区域的数量。
20.稀疏区域中像素点数量越少，稀疏程度越高，稀疏区域中像素点数量越接近于密度阈值，则稀疏程度越低。
21.首先使用稀疏区域中像素点数量值与确定稀疏区域时所使用的邻域半径来确定稀疏区域中像素点的密集程度值：其中，为稀疏区域的密集程度也即稀疏区域中像素点的密集程度值，为稀疏区域中像素点的数量，为确定稀疏区域时所使用的邻域半径。
22.每个稀疏区域对应可得到一个其中像素点的密集程度值，那么对应可得到n个稀疏区域的像素点密集程度值。
23.根据所得所有稀疏区域中像素点的密集程度值，对所有稀疏区域的密集程度也即稀疏区域的像素点的密集程度值进行归一化处理，然后确定各个稀疏区域的稀疏程度也即
稀疏区域中稀疏像素点的稀疏程度：其中，表示稀疏区域的稀疏程度也即稀疏区域中稀疏像素点的稀疏程度，表示归一化后的稀疏区域的密集程度也即稀疏区域中像素点的密集程度值。
24.步骤三，获取稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子。
25.稀疏像素点也即稀疏区域中的像素点，获取稀疏像素点的投票权重，能够更准确地确定稀疏像素点所属簇类。对于稀疏像素点可以根据其图像中的邻域信息对比其颜色样本空间中的距离，并以此作为一部分分簇依据，另外一部分分簇依据仍然由投票信息获取，不过要在原有投票信息上加入稀疏程度的影响。
26.对于一个稀疏像素点，获取其在原图像中8邻域内其它像素点对应在颜色样本空间的位置，稀疏像素点对应在颜色样本空间的位置距离其8邻域内其它像素点对应在颜色样本空间的簇类越接近，则该稀疏像素点越应该分于相应簇类。
27.如果稀疏像素点其8邻域内的其它像素点在颜色样本空间中全部属于一个簇类，则该稀疏像素点也属于该簇类。如果稀疏像素点其8邻域内的其它像素点在颜色样本空间中分属于不同簇类，那么判断稀疏像素点其8邻域内的其它像素点在颜色样本空间中与稀疏像素点在颜色样本空间中位置距离最接近的其它像素点所属簇类，具体如下：因为图像是rgb图像，所以每个像素的像素值为三通道信息，即，将稀疏像素点8邻域中的其它稀疏像素点排除而只保留稀疏像素点8邻域中的密集像素点，计算稀疏像素点到其8邻域内密集像素点之间的距离：其中，表示稀疏像素点到其8邻域内第i个密集像素点之间的距离，、以及分别表示稀疏像素点的三通道分量，、以及分别表示稀疏像素点8邻域内第i个密集像素点的三通道分量。
28.将距离集合中的值进行不同程度划分，因为一个稀疏像素点所在邻域的影响更倾向于距离最近的像素点，通过函数表示其不同的划分程度，可以凸显距离最近的像素点的影响，同时降低距离更远的像素点的影响，并且可以保证其加和为1：其中，表示稀疏像素点的8邻域内第i个密集像素点对稀疏像素点的距离影响因子，表示稀疏像素点到其8邻域内第i个密集像素点之间的距离，表示以自然常数e为底的指数函数。
29.步骤四，根据稀疏像素点邻域内密集像素点对稀疏像素点的距离影响因子对稀疏
像素点所属簇类进行第一类投票，根据稀疏像素点的稀疏程度对稀疏像素点所属簇类进行第二类投票，选取两类投票结果中的较大值所对应的簇类作为稀疏像素点的簇分类。
30.在聚类过程中如果有簇类窗口经过了稀疏像素点两次，那么按照现有均值漂移聚类方法，稀疏像素点属于簇类的票数即为2。
31.但本实施例中，考虑到稀疏程度的影响，根据稀疏像素点的稀疏程度对现有均值漂移聚类方法中稀疏像素点属于簇类的票数进行修正。具体的票数如下：其中，表示稀疏像素点属于簇类的投票数，表示簇类的窗口经过稀疏像素点的次数，表示稀疏像素点的稀疏程度。
32.同时，考虑到稀疏像素点其邻域像素点对其的影响，如果稀疏像素点8邻域内其它密集像素点对该稀疏像素点的距离影响因子中的最大值所对应的样本点所在簇类为，则以稀疏像素点8邻域内其它密集像素点对该稀疏像素点的距离影响因子对稀疏像素点属于簇类的票数进行确定：其中，表示稀疏像素点属于簇类的投票数，表示簇类的窗口经过稀疏像素点的次数，表示取最大值，表示稀疏像素点的8邻域内第i个密集像素点对稀疏像素点的距离影响因子。
33.比较投票数与，投票数更大的投票簇类即为稀疏像素点所述簇类。
34.步骤五，以均值漂移聚类方法对颜色样本空间中非稀疏区域内的像素点进行聚类，以所确定的各个稀疏像素点的簇分类对所有稀疏像素点进行聚类，确定遥感过程中不同的遥感对象。
35.颜色样本空间中非稀疏区域也即密集区域，其中的像素点属于密集像素点，所以使用现有的均值漂移聚类方法便可很好地完成对其中像素点的分类簇的确定。
36.而对于颜色样本空间中稀疏区域内的稀疏像素点，则根据本实施例所特别给出的确定每个稀疏像素点分类簇的方法，完成对稀疏区域中所有稀疏像素点的聚类，最终完成对遥感图像中所有像素点的聚类，确定遥感过程中不同的关注区域也即不同的遥感对象。
37.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。