[发明专利]高分辨率多光谱遥感影像中的油田井场的识别方法

说明书

技术领域

本发明涉及图像识别领域，尤其涉及一种高分辨率多光谱遥感影像中的油田井场的识别方法。

背景技术

现有的遥感影像处理方法，对地物目标的分类时，通常是面向像素的。样本数据为通常为采样点的像素值，其中包含了采样点的光谱信息。在对地物目标分类时，常需要综合考虑采样点的多个波段的光谱数据，因此，样本数据非常庞大，影像处理量也很大，这致使影像处理速度很慢。

此外，地物目标的分类精度多受分类算法、影像信噪比、参与分类的波段、光谱信息及空间信息等诸多因素的影响，所以，现有遥感影像处理中的地物目标的分类精度常难以达到图像的使用要求。

因此，目前亟需一种识别速度快、识别正确率高的遥感影像处理方法，以有效识别地物目标。

发明内容

本发明提供一种高分辨率多光谱遥感影像中的油田井场的识别方法，以提高遥感影像中的油田井场的识别速度及识别正确率。

本发明提供一种高分辨率多光谱遥感影像中的油田井场的识别方法，所述识别方法包括：根据油田遥感影像生成油田井场样本，并基于所述油田井场样本的Haar特征训练一油田井场识别分类器；利用所述油田井场识别分类器对待检测遥感影像进行识别，生成井场目标识别区。

一个实施例中，根据油田遥感影像生成油田井场样本，并基于所述油田井场样本的Haar特征训练一油田井场识别分类器，包括：分别生成油田井场正样本及油田井场负样本，所述油田井场正样本及油田井场负样本属于所述油田井场样本；构造矩形特征，计算所述油田井场样本的Haar特征，每一所述矩形特征对应一种Haar特征；根据所述油田井场样本的Haar特征对所述油田井场样本进行训练，得到多个强分类器，并将所述强分类器串联起来，得到所述油田井场识别分类器，所述强分类器对应的多个弱分类器。

一个实施例中，所述利用所述油田井场识别分类器对待检测遥感影像进行识别，生成井场目标识别区，包括：加载所述待检测遥感影像及所述油田井场识别分类器；通过所述油田井场识别分类器中的各个强分类器对所述待检测遥感影像进行检测，在所述待检测遥感影像中生成所述井场目标识别区。

一个实施例中，生成所述油田井场正样本，包括：在所述油田遥感影像上采集包含井场目标的图像，并标定出所述井场目标所在的位置；根据所述井场目标所在的位置提取油田井场图像，并根据所述油田井场图像的固有长宽比进行放缩，生成所述油田井场正样本。

一个实施例中，所述生成油田井场负样本，包括：在所述油田遥感影像上采集包含非井场目标的图像，并标定所述非井场目标的位置；根据所述非井场目标的位置提取非井场图像，并根据所述非井场图像的固有长宽比进行放缩，生成所述油田井场负样本。

一个实施例中，所述非井场目标包括建筑物、水体、河流、交通道路、植被覆盖区中的一个或多个。

一个实施例中，在所述构造矩形特征，计算所述油田井场样本的Haar特征，每一所述矩形特征对应一种Haar特征之前，包括：根据预定长度和预定宽度对所述油田井场正样本进行归一化处理。

一个实施例中，所述计算所述油田井场样本的Haar特征，包括：求得所述矩形特征的积分图像，所有所述矩形特征的积分图像构成一积分图像表；根据所述积分图像表，求得所述油田井场样本的Haar特征。

一个实施例中，所述矩形特征包括4种边界特征、8种线特征及2种中心特征，所述矩形特征由2个或3个矩形区域构成，所述矩形特征所对应的Haar特征为所述矩形区域的像素和的加权和。

一个实施例中，所述根据所述积分图像表，求得所述油田井场样本的Haar特征，包括：查找所述积分图像表，得到所述油田井场样本所包含的所述矩形特征；加权求和所述油田井场样本所包含的所述矩形特征的积分图像。

一个实施例中，所述根据所述油田井场样本的Haar特征对所述油田井场样本进行训练，得到多个强分类器，包括：根据所述油田井场样本定义弱分类器；利用每个所述油田井场样本训练对应的弱分类器；每次训练所述弱分类器时，在所有所述油田井场样本所对应的所述弱分类器中，选出错误率最低的弱分类器，并将选出的所述弱分类器作为所述强分类器加入到一级联分类器中，经过T次训练所述弱分类器后，所述级联分类器包含T个所述强分类器，将所述级联分类器作为所述油田井场识别分类器，其中，T为正整数，T>1。