一种卫星图片中障碍物的识别方法及识别装置

摘要

本申请提供一种卫星图片中障碍物的识别方法及识别装置。所述方法包括：对卫星图片进行色系转换，并对色系转换后的卫星图片进行小波变换，得到低频分量、第一高频分量、第一水平分量以及第一垂直分量；对所述低频分量、第一高频分量、第一水平分量以及第一垂直分量进行优化处理，得到环境背景分量、第二高频分量、第二水平分量以及第二垂直分量；对所述环境背景分量、第二高频分量、第二水平分量以及第二垂直分量进行小波逆变换，并从小波逆变换后的卫星图片中抽取障碍物的边界对应的世界坐标。本申请实施例提供的一种卫星图片中障碍物的识别方法及识别装置，能够精确地对卫星图片中的障碍物进行识别。

说明书

技术领域

本申请涉及图像识别技术领域，特别涉及一种卫星图片中障碍物的识别方法及识别装 置。

背景技术

在地球物理勘探过程中，在进行观测系统布设之前往往需要进行避障处理。所谓避障处 理，就是将探区内的不能放炮或不适宜放炮的区域(即障碍物区域)标识出来，在此基础上 开展切合实际的观测系统设计，从而可以准确、快速地布设激发点和接收点。目前对探区内 的障碍物进行标识是在勘探完成后，由人工将测量得到的障碍物的世界坐标在电脑中标识出 来。这种操作方式存在耗时多、效率低、容易出错的问题。目前国际上比较成熟的专业采集 软件都没有障碍物自动识别的功能，而专业的图像识别软件针对卫星图片的识别精度也不够 高，并且格式转化步骤繁琐。

随着遥感技术的发展和卫星空间分辨率的提高，使得直接对卫星图片中的障碍物进行识 别成为可能。卫星图片的特点是覆盖范围广，目标繁多，数据量大，并且容易出现噪声、模 糊、阴影等，同时受地物材质、方位、几何形状和光照条件等条件响应巨大，这使得卫星图 片的数据有高度的复杂性和随机性，造成大规模、广泛的利用卫星图片进行障碍物识别变得 非常困难。

应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的 说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术 部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

本申请实施例的目的在于提供一种卫星图片中障碍物的识别方法及识别装置，能够直接 利用卫星图片作为识别主体，精确地对卫星图片中的障碍物进行识别。

本申请实施例提供的一种卫星图片中障碍物的识别方法及识别装置是这样实现的：

一种卫星图片中障碍物的识别方法，包括：

将第一色系的卫星图片进行色系转换，得到第二色系的卫星图片；

对所述第二色系的卫星图片进行小波变换，得到与所述第二色系的卫星图片相对应的低 频分量、第一高频分量、第一水平分量以及第一垂直分量；

对所述低频分量利用聚类算法进行聚类分析，并对聚类分析的结果利用二维高斯模型进 行判别，得到判别出的环境背景分量；

对所述第一高频分量进行滤波处理，得到去除噪声分量后的第二高频分量；

分别对所述第一水平分量以及所述第一垂直分量进行边界增强处理，得到去除噪声边界 后的第二水平分量以及去除噪声边界后的第二垂直分量；

对所述环境背景分量、第二高频分量、第二水平分量以及第二垂直分量进行小波逆变换， 得到小波逆变换后的第二色系的卫星图片；

从所述小波逆变换后的第二色系的卫星图片中抽取障碍物的边界对应的世界坐标。

一种卫星图片中障碍物的识别装置，包括：

色系转换单元，用来将第一色系的卫星图片进行色系转换，得到第二色系的卫星图片；

小波变换单元，用来对所述第二色系的卫星图片进行小波变换，得到与所述第二色系的 卫星图片相对应的低频分量、第一高频分量、第一水平分量以及第一垂直分量；

环境背景分量获取单元，用来对所述低频分量利用聚类算法进行聚类分析，并对聚类分 析的结果利用二维高斯模型进行判别，得到判别出的环境背景分量；

滤波处理单元，用来对所述第一高频分量进行滤波处理，得到去除噪声分量后的第二高 频分量；

边界增强处理单元，用来分别对所述第一水平分量以及所述第一垂直分量进行边界增强 处理，得到去除噪声边界后的第二水平分量以及去除噪声边界后的第二垂直分量；

小波逆变换单元，用来对所述环境背景分量、第二高频分量、第二水平分量以及第二垂 直分量进行小波逆变换，得到小波逆变换后的第二色系的卫星图片；

坐标抽取单元，用来从所述小波逆变换后的第二色系的卫星图片中抽取障碍物的边界对 应的世界坐标。

本申请实施例提供的一种卫星图片中障碍物的识别方法及识别装置，首先通过色系转 换，将卫星图片转换到光强影响以及数据量均较小的色系中进行处理，能够提高整个识别的 效率。然后对转换色系后的卫星图片进行小波变换，从而可以针对卫星图片相对应的四组分 量分别进行优化处理，然后对优化处理后的四组分量通过小波逆变换，从而可以从小波逆变 换后的第二色系的卫星图片中提取出障碍物边界的世界坐标，从而能够准确地识别出障碍物 的边界。

参照后文的说明和附图，详细公开了本申请的特定实施方式，指明了本申请的原理可以 被采用的方式。应该理解，本申请的实施方式在范围上并不因而受到限制。在所附权利要求 的精神和条款的范围内，本申请的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它 实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不 排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

附图说明

所包括的附图用来提供对本申请实施例的进一步的理解，其构成了说明书的一部分，用 于例示本申请的实施方式，并与文字描述一起来阐释本申请的原理。显而易见地，下面描述 中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动 性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本申请实施例提供的一种卫星图片中障碍物的识别方法的流程图；

图2为本申请实施例中所述二值图像的示意图；

图3为本申请实施例中提供的一种卫星图片中障碍物的识别装置的功能模块图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中 的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅 是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人 员在没有做出创造性劳动前提下所获得的所有其它实施例，都应当属于本申请保护的范围。

本申请实施例提供一种卫星图片中障碍物的识别方法及识别装置。图1为本申请实施例 提供的一种卫星图片中障碍物的识别方法的流程图。虽然下文描述流程包括以特定顺序出现 的多个操作，但是应该清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序 执行或并行执行(例如使用并行处理器或多线程环境)。如图1所示，所述方法可以包括：

S1：将第一色系的卫星图片进行色系转换，得到第二色系的卫星图片。

在本申请实施例中使用的卫星图片最初可以用第一色系进行表现。所述第一色系往往色 彩丰富，为障碍物的提取提供了更多的有效信息。然而所述第一色系对光线的亮度变化也往 往比较敏感，光强的变动会对整个图片的数据产生较大的影响。例如，本申请实施例使用的 卫星图片可以为彩色图片，一般是由红(R)、绿(G)、蓝(B)三元色组成的RGB色系， 该RGB色系就可以为所述的第一色系。RGB色系色彩丰富，同时对光线的亮度变化也比较 敏感。因此，在本申请实施例中，可以将具有第一色系的卫星图片进行色系转换，得到具有 第二色系的卫星图片。所述第二色系能够降低光强对图片数据的影响，同时还能够减少图片 数据的计算量。在本申请一优选实施例中，所述第二色系可以为CIELAB色系，所述CIELAB 色系是一种与人类视觉感知一致的色系，其一般具备L分量，A分量以及B分量。其中，L 分量能够密切匹配人类亮度感知，而A分量和B分量往往用来进行精确的颜色平衡。

因此，在本申请一优选实施例中，可以将具有RGB色系的卫星图片转换为具有CIELAB 色系的卫星图片。具体地，RGB色系与CIELAB色系之间没有直接的转换公式，在本申请实 施例中，可以利用XYZ色系作为中间色系，先将具有RGB色系的卫星图片转换为具有XYZ 色系的卫星图片，然后再将具有XYZ色系的卫星图片转换为具有CIELAB色系的卫星图片。

具体地，RGB色系与XYZ色系之间可以通过系数矩阵进行转换，例如，可以按照下述 公式将具有RGB色系的卫星图片转换为具有XYZ色系的卫星图片：

$\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)\left(\begin{array}{c}R\\ G\\ B\end{array}\right)$

其中，X、Y、Z分别代表XYZ色系中X通道的颜色系数、Y通道的颜色系数、Z通道 的颜色系数，R、G、B分别代表RGB色系中R通道的颜色系数、G通道的颜色系数、B通 道的颜色系数，a₁₁，a₁₂，…，a₃₃为转换系数。

接着，本申请实施例可以按照下述公式，将所述具有XYZ色系的卫星图片转换为具有 CIELAB色系的卫星图片：

L＝116f(Y)-16

A＝500{f(X)-f(Y)}

B＝200{f(Y)-f(Z)}

其中，

其中，X、Y、Z分别代表XYZ色系中X通道的颜色系数、Y通道的颜色系数、Z通道 的颜色系数，L、A、B分别代表CIELAB色系中L通道的颜色系数、A通道的颜色系数、B 通道的颜色系数。

上式中，X、Y、Z这三个颜色系数的取值范围都可以是[0，1]，那么L分量的取值范围 就可以为[0，100]，A分量以及B分量的取值范围都可以为[-127，127]。

S2：对所述第二色系的卫星图片进行小波变换，得到与所述第二色系的卫星图片相对应 的低频分量、第一高频分量、第一水平分量以及第一垂直分量。

若要对卫星图片中的障碍物进行识别，则需要对卫星图片进行比较细致的分析。在本申 请实施例中，可以对所述具有第二色系的卫星图片进行小波变换，小波变换可以对卫星图片 进行时间域和频率域的局部分析，可以通过伸缩平移运算对卫星图片的数据进行尺度细化， 从而可以多尺度多角度地对卫星图片进行分析和处理，从而可以更好地识别出卫星图片中的 障碍物。本申请实施例对所述具有第二色系的卫星图片进行小波变换后，可以得到与所述具 有第二色系的卫星图片相对应的低频分量、第一高频分量、第一水平分量以及第一垂直分量。

考虑到传统的小波变换需要通过对小波变换的母函数进行缩放与平移来构造空间的规 范正交基，这些缩放或平移的系数通常是2的整数次幂的倍数，因此在进行小波变换时，通 常要求被处理的图片的大小是2的整数次幂，如果图片的尺寸不满足要求，则需要进行补零 或延拓处理，这样会对数据的连续性造成一定影响。

在本申请实施例中，为了去除小波变换对图片尺寸的要求，减少不必要的操作步骤，可 以采用小波变换矩阵对所述具有第二色系的卫星图片进行小波变换。具体地，小波变换矩阵 可以根据卫星图片数据的长度生成。例如，某个卫星图片数据为[90,100,70,100]，那么该卫星 图片数据的长度为4，那么便可以生成4*4的小波变换矩阵，例如该矩阵可以表示为：

$\left(\begin{array}{cccc}\frac{1}{2}& 0& \frac{1}{2}& 0\\ \frac{1}{2}& 0& -\frac{1}{2}& 0\\ 0& \frac{1}{2}& 0& \frac{1}{2}\\ 0& \frac{1}{2}& 0& -\frac{1}{2}\end{array}\right)$

上述小波变换矩阵是4*4的矩阵，从而可以对长度为4的卫星图片数据进行小波变换。 这样，在本申请实施例中就不需要对卫星图片的数据进行周期性延拓或补零，这种方式避免 了人为造成的不必要的数据不连续的问题。

进行小波变换后的卫星图片对应的数据，可以通过下述形式表示：

[LL，LH，HL，HH]

其中，LL可以代表所述的低频分量，HH可以代表所述的第一高频分量，LH可以代表 所述的第一垂直分量，HL可以代表所述的第一水平分量。

S3：对所述低频分量利用聚类算法进行聚类分析，并对聚类分析的结果利用二维高斯模 型进行判别，得到判别出的环境背景分量。

进行小波变换后得到的低频分量可以代表所述具有第二色系的卫星图片的近似值部分， 所述低频分量反映了所述卫星图片的概貌特征。在所述低频分量中，包含了所述卫星图片中 环境背景的分量，若要识别出所述卫星图片中的障碍物，首先可以将卫星图片中的环境背景 以及障碍物进行分离。具体地，本申请实施例可以对所述低频分量利用聚类算法进行聚类分 析，并对聚类分析的结果利用二维高斯模型进行判别，得到判别出的环境背景分量。所述聚 类算法可以包括K-MEANS算法、凝聚层次聚类算法或DBSCAN算法中的至少一种。然而 值得注意是，上述所列举的集中聚类方法仅是为了更好地说明本申请，还可以采用其它的聚 类方法进行聚类分析，本申请对此不作限定。

以K-MEANS算法对所述低频分量中的各个样本进行聚类分析，得到聚类分析后的低频 分量为例进行说明，聚类分析的过程如下，可以包括：

1)在所述低频分量中指定K个类的初始中心点，记做C₁，C₂，…，C_K；

2)对所述低频分量中的某个样本x_i，计算该样本到所述K个初始中心点的距离，并将 该样本归类至距离最近的初始中心点所在的类中；

3)对所述低频分量中的每个样本均执行步骤2)，直至所述低频分量中所有样本均归类 完毕；

4)对于归类完毕的K个类，分别计算其中心点。具体地，对于某一个类，可以求取该 类中所有样本的平均值，并将该平均值作为该类的中心点。如果计算出的中心点与设定的初 始中心点相同，则计算完毕；如果不相同，则将计算出的中心点作为新的初始中心点，继续 进行步骤2)和步骤3)的运算。

最终，便可以得到聚类分析后的低频分量。

在得到聚类分析后的低频分量后，可以利用二维高斯模型计算所述聚类分析后的低频分 量中各个样本对应的概率值，其中，二维高斯模型可以表示为：

$p\left(x_i\right)=\frac{1}{{\left(2\pi \right)}^{d/2}\det {\left({\Sigma }_{\mathrm{cov}}\right)}^{1/2}}\exp (-\frac{1}{2}{\left(x_i-m_i\right)}^T{{\Sigma }_{\mathrm{cov}}}^{-1}(x_i-m_i\left)\right)$

其中，x_i代表所述低频分量中的一个样本，p(x_i)代表样本x_i对应的概率值，m_i为所述 样本x_i归属的类的中心点，∑_cov代表协方差矩阵，∑_cov^-1代表协方差矩阵的逆矩阵。这里以 K＝3为例，所述协方差矩阵∑_cov可以表示为：

${\Sigma }_{\mathrm{cov}}=\left(\begin{array}{ccc}\mathrm{cov}(x,x)& \mathrm{cov}(x,y)& \mathrm{cov}(x,z)\\ \mathrm{cov}(y,x)& \mathrm{cov}(y,y)& \mathrm{cov}(y,z)\\ \mathrm{cov}(z,x)& \mathrm{cov}(z,y)& \mathrm{cov}(z,z)\end{array}\right)$

其中，x代表归类后的第一个类中的样本集合，y代表归类后的第二个类中的样本集合， z代表归类后的第三个类中的样本集合，cov(x,x)，cov(x,y)，…，cov(z,z)代表样本集合与样 本集合之间的协方差。

在本申请实施例中，可以预先设置与环境背景分量相对应的概率阈值，当计算的概率值 大于或者等于所述概率阈值时，将所述计算的概率值对应的样本划分至所述环境背景分量 中。例如，所述概率阈值可以设置为0.8，那么当计算的概率值大于或者等于0.8时，则将该 概率值对应的样本划分至环境背景分量中。

S4：对所述第一高频分量进行滤波处理，得到去除噪声分量后的第二高频分量。

在所述第一高频分量中，由于存在大颗粒的地表物质所产生的高频噪声信号，因此本申 请实施例可以对所述第一高频分量进行滤波处理，得到去除噪声分量后的第二高频分量。这 样便可以去除高频噪声信号对障碍物识别带来的影响。

S5：分别对所述第一水平分量以及所述第一垂直分量进行边界增强处理，得到去除噪声 边界后的第二水平分量以及去除噪声边界后的第二垂直分量。

由于在某些环境(例如沙漠)中，障碍物与环境背景的比较近似，两者之间的边界也不 是很清楚，因此在本申请实施例中，需要对所述第一水平分量以及所述第一垂直分量进行边 界增强处理，从而可以对于一些无用的琐碎的噪声边界进行抑制和消除。

S6：对所述环境背景分量、第二高频分量、第二水平分量以及第二垂直分量进行小波逆 变换，得到小波逆变换后的第二色系的卫星图片。

对所述低频分量、第一高频分量、第一水平分量以及第一垂直分量均经过相对应的处理， 得到所述环境背景分量、第二高频分量、第二水平分量以及第二垂直分量后，可以对这些处 理后的分量进行小波逆变换，从而可以重新得到具有第二色系的卫星图片。由于已经对环境 背景进行了聚类，并且增强了障碍物和环境背景之间的边界，同时还去除了大颗粒地表物质 引入的高频噪声信号，那么重新得到的具有第二色系的卫星图片中已经可以比较清晰地划分 出障碍物区域和环境背景区域。在本申请一优选实施例中，还可以对小波逆变换后的卫星图 片进行二值处理，得到所述小波逆变换后的第二色系的卫星图片对应的二值图像。所述二值 处理可以指将卫星图片中的各个像素点用黑或者白来进行表示。那么所述二值图像中，由于 环境背景具有相同的特征，那么环境背景的像素的颜色均相同，即同时为白或者同时为黑。 而障碍物的像素的颜色则与环境背景的像素的颜色相反，这样通过读取二值图像中像素点的 像素值，便可以分辨出该像素点是属于障碍物区域还是属于环境背景区域。

S7：从所述小波逆变换后的第二色系的卫星图片中抽取障碍物的边界对应的世界坐标。

在本申请实施例中，可以直接从所述小波逆变换后的第二色系的卫星图片中抽取障碍物 的边界对应的世界坐标。当然，为了方便识别障碍物以及环境背景的像素点的颜色，本申请 还可以从所述小波逆变换后的第二色系的卫星图片对应的二值图像中抽取障碍物的边界对 应的世界坐标。这里以从二值图像中抽取障碍物的边界对应的世界坐标为例进行阐述：

在得到所述具有第二色系的卫星图片对应的二值图像后，便可以从所述二值图像中抽取 障碍物的边界对应的世界坐标，从而可以在探区内识别出障碍物区域。具体地，在实际应用 场景中，可以先从所述二值图像中提取障碍物的边界对应的像素坐标。例如，在所述二值图 像中，障碍物的边界的像素均由白色表示，那么便可以将白色的像素点的坐标提取出来。在 提取出像素坐标后，便可以按照下述公式，将所述像素坐标转换为世界坐标：

$\left(\begin{array}{c}{W}_x^i\\ W_y^i\\ 1\end{array}\right)=\left(\begin{array}{ccc}{R}_x& 0& O_x\\ 0& R_y& O_y\\ 0& 0& 1\end{array}\right)\left(\begin{array}{c}{B}_x^i\\ B_y^i\\ 1\end{array}\right)$

其中，和是障碍物边界中第i个像素的像素坐标，和是分别由和转换 得到的世界坐标，R_x和R_y是所述二值图像的空间分辨率，O_x和O_y是所述二值图像中原点对 应的世界坐标。这样，当获取到障碍物的边界对应的世界坐标后，在探区中进行观测系统布 设时，便可以避开障碍物所在的区域。

图2为本申请实施例中所述二值图像的示意图。从图2中可以看出，在所述二值图像中 白色区域便可以代表障碍物区域，黑色区域便可以代表环境背景区域。通过本申请实施例上 述的处理方法，卫星图片中障碍物区域能够明显地与环境背景区域相区分，便于从二值图像 中提取障碍物的边界对应的世界坐标。

由于所述二值图像中的障碍物边界的像素点的数量往往十分庞大，直接提取所述二值图 像中的障碍物边界的像素坐标会加大工作量。在本申请一优选实施例中，可以优先对二值图 像中障碍物的边界进行抽稀处理，得到能够勾勒出障碍物边界的预设数量的像素点，然后再 提取这些预设数量的像素点的坐标，从而可以大大提高数据处理的效率。具体地，本申请实 施例可以提取所述二值图像中障碍物的边界中预设数量的采样点，所述预设数量的采样点勾 勒出所述障碍物的边界的轮廓，然后便可以从所述二值图像中提取所述预设数量的采样点对 应的像素坐标。

本申请实施例还提供一种卫星图片中障碍物的识别装置。图3为本申请实施例中提供的 一种卫星图片中障碍物的识别装置的功能模块图。如图3所示，所述装置包括：

色系转换单元100，用来将第一色系的卫星图片进行色系转换，得到第二色系的卫星图 片；

小波变换单元200，用来对所述第二色系的卫星图片进行小波变换，得到与所述第二色 系的卫星图片相对应的低频分量、第一高频分量、第一水平分量以及第一垂直分量；

环境背景分量获取单元300，用来对所述低频分量利用聚类算法进行聚类分析，并对聚 类分析的结果利用二维高斯模型进行判别，得到判别出的环境背景分量；

滤波处理单元400，用来对所述第一高频分量进行滤波处理，得到去除噪声分量后的第 二高频分量；

边界增强处理单元500，用来分别对所述第一水平分量以及所述第一垂直分量进行边界 增强处理，得到去除噪声边界后的第二水平分量以及去除噪声边界后的第二垂直分量；

小波逆变换单元600，用来对所述环境背景分量、第二高频分量、第二水平分量以及第 二垂直分量进行小波逆变换，得到小波逆变换后的第二色系的卫星图片；

坐标抽取单元700，用来从所述小波逆变换后的第二色系的卫星图片中抽取障碍物的边 界对应的世界坐标。

其中，在本申请一优选实施例中，所述环境背景分量获取单元300具体包括：

聚类分析模块，用来利用K-MEANS算法对所述低频分量中的各个样本进行聚类分析， 得到聚类分析后的低频分量；

二维高斯模型计算模块，用来利用二维高斯模型计算所述聚类分析后的低频分量中各个 样本对应的概率值；

划分模块，用来预先设置与环境背景分量相对应的概率阈值，当计算的概率值大于或者 等于所述概率阈值时，将所述计算的概率值对应的样本划分至所述环境背景分量中。

在本申请另一优选实施例中，在所述坐标抽取单元700之前，所述装置还包括：

二值处理单元，用来对所述小波逆变换后的第二色系的卫星图片进行二值处理，得到所 述小波逆变换后的第二色系的卫星图片对应的二值图像；

相应地，

所述坐标抽取单元700可以用来从所述小波逆变换后的第二色系的卫星图片对应的二值 图像中抽取障碍物的边界对应的世界坐标。

在本申请另一优选实施例中，所述坐标抽取单元700具体包括：

采样点提取模块，用来提取所述二值图像中障碍物的边界中预设数量的采样点，所述预 设数量的采样点勾勒出所述障碍物的边界的轮廓；

像素坐标提取模块，用来从所述二值图像中提取所述预设数量的采样点对应的像素坐 标；

世界坐标转换模块，用来按照下述公式，将所述像素坐标转换为世界坐标：

$\left(\begin{array}{c}{W}_x^i\\ W_y^i\\ 1\end{array}\right)=\left(\begin{array}{ccc}{R}_x& 0& O_x\\ 0& R_y& O_y\\ 0& 0& 1\end{array}\right)\left(\begin{array}{c}{B}_x^i\\ B_y^i\\ 1\end{array}\right)$

其中，和是障碍物边界中第i个像素的像素坐标，和是分别由和转换 得到的世界坐标，R_x和R_y是所述二值图像的空间分辨率，O_x和O_y是所述二值图像中原点对 应的世界坐标。

上述识别装置中的各个功能模块的具体实现方式与步骤S1至S7中相同，这里便不再赘 述。

本申请实施例提供的一种卫星图片中障碍物的识别方法及识别装置，首先通过色系转 换，将卫星图片转换到光强影响以及数据量均较小的色系中进行处理，能够提高整个识别的 效率。然后通过对转换色系后的卫星图片进行小波变换，从而可以针对卫星图片相对应的四 组分量分别进行优化处理，然后对优化处理后的四组分量通过小波逆变换，从而可以得到小 波逆变换后的第二色系的卫星图片。最后则可以从该卫星图片中提取出障碍物边界的世界坐 标，从而能够准确地识别出障碍物的边界。

在本说明书中，诸如第一和第二、左和右、顶部和底部等这样的形容词仅可以用于将一 个元素或动作与另一元素或动作进行区分，而不必要求或暗示任何实际的这种关系或顺序。 在环境允许的情况下，参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步 骤中的一个，而可以是元素、部件、或步骤中的一个或多个等。

上面对本申请的各种实施方式的描述以描述的目的提供给本领域技术人员。其不旨在是 穷举的、或者不旨在将本发明限制于单个公开的实施方式。如上所述，本申请的各种替代和 变化对于上述技术所属领域技术人员而言将是显而易见的。因此，虽然已经具体讨论了一些 另选的实施方式，但是其它实施方式将是显而易见的，或者本领域技术人员相对容易得出。 本申请旨在包括在此已经讨论过的本发明的所有替代、修改、和变化，以及落在上述申请的 精神和范围内的其它实施方式。