CN106897683A - 一种遥感图像的地物检测方法及系统 - Google Patents
一种遥感图像的地物检测方法及系统 Download PDFInfo
- Publication number
- CN106897683A CN106897683A CN201710081119.XA CN201710081119A CN106897683A CN 106897683 A CN106897683 A CN 106897683A CN 201710081119 A CN201710081119 A CN 201710081119A CN 106897683 A CN106897683 A CN 106897683A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- convolutional layer
- images
- segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种遥感图像的地物检测方法及系统,方法包括:S1:将遥感图像放入全卷积网络,全卷积网络包括依次排列的多个卷积层组、多个反卷积层和CRF模型层,其中,卷积层组包括交替排列的卷积层和稀松卷积层;S2:通过多个卷积层组和多个反卷积层对遥感图像进行坐标点标记,得到地物分类概率图;S3:通过CRF模型层对地物分类概率图中的地物进行分割,得到遥感图像中所有地物的分割图像;S4:将得到的所有分割图像与地物图像库中的所有图像进行匹配,得到地物检测结果。本发明的有益效果是:本技术方案通过全卷积网络对遥感图像进行深度识别和分割,得到所有地物的分割图像,通过对分割图像进行检测,可以得到准确的地物检测结果。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种遥感图像的地物检测方法及系统。
背景技术
对不同时期的遥感图像比对分析也被称为变化检测,是地理信息系统的关键技术,在土地规划、灾害防治、无人机、卫星、无人船与资源监控领域具有十分重要的作用。现有的图像对比方法是直接将待测图像与图像库中的地物图像作对比,显然,对比结果粗糙不精准。
发明内容
本发明所要解决的技术问题是:现有的图像对比方法是直接将待测图像与图像库中的地物图像作对比,对比结果粗糙不精准。
本发明解决上述技术问题的技术方案如下:
一种遥感图像的地物检测方法,包括:
S1:将遥感图像放入全卷积网络,所述全卷积网络包括依次排列的多个卷积层组、多个反卷积层和CRF模型层,其中,所述卷积层组包括交替排列的卷积层和稀松卷积层;
S2:通过多个所述卷积层组和多个所述反卷积层对所述遥感图像进行坐标点标记,得到地物分类概率图;
S3:通过所述CRF模型层对所述地物分类概率图中的地物进行分割,得到所述遥感图像中所有地物的分割图像;
S4:将得到的所有所述分割图像与地物图像库中的所有图像进行匹配,得到地物检测结果。
本发明的有益效果是:本技术方案通过全卷积网络对遥感图像进行深度识别和分割,得到所有地物的分割图像,通过对分割图像进行检测,可以得到准确的地物检测结果。
在上述技术方案的基础上,本发明还可以做如下改进。
优选地,所述步骤S2包括:
S21:将所述遥感图像经过至少一个所述卷积层组坐标点标记后的图像与经过所有所述卷积层组和至少一个所述反卷积层坐标点标记后的图像进行多次融合,得到融合图像;
S22:将所述遥感图像与所述融合图像经过至少一个所述反卷积层坐标点标记后的图像进行多次融合,得到地物分类概率图。
采用上述进一步方案的有益效果是:该全卷积网络把传统网络的全连接替换成了卷积,添加反卷积层,并将网络前几层的结果与网络最终的结果进行融和,可以得到更多的图像信息。
优选地,所述遥感图像的地物包括:建筑物、平地、道路和河流。
一种遥感图像的地物检测系统,包括:
放入模块,用于将遥感图像放入全卷积网络,所述全卷积网络包括依次排列的多个卷积层组、多个反卷积层和CRF模型层,其中,所述卷积层组包括交替排列的卷积层和稀松卷积层;
标记模块,用于通过多个所述卷积层组和多个所述反卷积层对所述遥感图像进行坐标点标记,得到地物分类概率图;
分割模块,用于通过所述CRF模型层对所述地物分类概率图中的地物进行分割,得到所述遥感图像中所有地物的分割图像;
检测模块,用于将得到的所有所述分割图像与地物图像库中的所有图像进行匹配,得到地物检测结果。
优选地,所述标记模块包括:
第一融合子模块,用于将所述遥感图像经过至少一个所述卷积层组坐标点标记后的图像与经过所有所述卷积层组和至少一个所述反卷积层坐标点标记后的图像进行多次融合,得到融合图像;
第二融合子模块,用于将所述遥感图像与所述融合图像经过至少一个所述反卷积层坐标点标记后的图像进行多次融合,得到地物分类概率图。
优选地,所述遥感图像的地物包括:建筑物、平地、道路和河流。
附图说明
图1为本发明实施例提供的一种遥感图像的地物检测方法的流程示意图;
图2为本发明另一实施例提供的一种遥感图像的地物检测方法的流程示意图;
图3为本发明实施例提供的一种遥感图像的地物检测系统的结构示意图;
图4为本发明另一实施例提供的一种遥感图像的地物检测系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,在实施例中,提供一种遥感图像的地物检测方法,包括:
S1:将遥感图像放入全卷积网络,全卷积网络包括依次排列的多个卷积层组、多个反卷积层和CRF模型层,其中,卷积层组包括交替排列的卷积层和稀松卷积层;
S2:通过多个卷积层组和多个反卷积层对遥感图像进行坐标点标记,得到地物分类概率图;
S3:通过CRF模型层对地物分类概率图中的地物进行分割,得到遥感图像中所有地物的分割图像;
S4:将得到的所有分割图像与地物图像库中的所有图像进行匹配,得到地物检测结果。
具体地,该实施例中,通过全卷积网络对遥感图像进行深度识别和分割,得到所有地物的分割图像,通过将分割图像与所有地物图像进行匹配,可以得到准确的地物检测结果。
应理解,该实施例中,CRF(conditional random field algorithm,条件随机场)结合了最大熵模型和隐马尔可夫模型的特点,是一种无向图模型,近年来在分词、词性标注和命名实体识别等序列标注任务中取得了很好的效果。CRF是一个典型的判别式模型。通过这种方法对大气、季节等干扰因素的容错性较好,对密集型地物的识别率较高,而且能够适应不同尺度的遥感图像。
上述实施例中,在卷积网络训练过程中采用多种数据增强方法,实现在较少标注数据的情况下达到较高的训练准确性,其中,采用的数据增强方法有数据的旋转和镜像等,将图像做镜像,或者旋转,能够有效扩大数据集,提高网络训练质量,防止欠拟合。
如图2所示,在另一实施例中,图1中的步骤S2包括:
S21:将遥感图像经过至少一个卷积层组坐标点标记后的图像与经过所有卷积层组和至少一个反卷积层坐标点标记后的图像进行多次融合,得到融合图像;
S22:将遥感图像与融合图像经过至少一个反卷积层坐标点标记后的图像进行多次融合,得到地物分类概率图。
应理解,该实施例中,该全卷积网络把传统网络的全连接替换成了卷积,添加反卷积层,并将网络前几层的结果与网络最终的结果进行融和,可以得到更多的图像信息。
应理解,该实施例中,遥感图像的地物包括:建筑物、平地、道路和河流。
如图3所示,在实施例中,提供一种遥感图像的地物检测系统,包括:
放入模块1,用于将遥感图像放入全卷积网络,全卷积网络包括依次排列的多个卷积层组、多个反卷积层和CRF模型层,其中,卷积层组包括交替排列的卷积层和稀松卷积层;
标记模块2,用于通过多个卷积层组和多个反卷积层对遥感图像进行坐标点标记,得到地物分类概率图;
分割模块3,用于通过CRF模型层对地物分类概率图中的地物进行分割,得到遥感图像中所有地物的分割图像;
检测模块4,用于将得到的所有分割图像与地物图像库中的所有图像进行匹配,得到地物检测结果。
如图4所示,在另一实施例中,图3中的标记模块2包括:
第一融合子模块21,用于将遥感图像经过至少一个卷积层组坐标点标记后的图像与经过所有卷积层组和至少一个反卷积层坐标点标记后的图像进行多次融合,得到融合图像;
第二融合子模块22,用于将遥感图像与融合图像经过至少一个反卷积层坐标点标记后的图像进行多次融合,得到地物分类概率图。
应理解,该实施例中,遥感图像的地物包括:建筑物、平地、道路和河流。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种遥感图像的地物检测方法,其特征在于,包括:
S1:将遥感图像放入全卷积网络,所述全卷积网络包括依次排列的多个卷积层组、多个反卷积层和CRF模型层,其中,所述卷积层组包括交替排列的卷积层和稀松卷积层;
S2:通过多个所述卷积层组和多个所述反卷积层对所述遥感图像进行坐标点标记,得到地物分类概率图;
S3:通过所述CRF模型层对所述地物分类概率图中的地物进行分割,得到所述遥感图像中所有地物的分割图像;
S4:将得到的所有所述分割图像与地物图像库中的所有图像进行匹配,得到地物检测结果。
2.根据权利要求1所述的地物检测方法,其特征在于,所述步骤S2包括:
S21:将所述遥感图像经过至少一个所述卷积层组坐标点标记后的图像与经过所有所述卷积层组和至少一个所述反卷积层坐标点标记后的图像进行多次融合,得到融合图像;
S22:将所述遥感图像与所述融合图像经过至少一个所述反卷积层坐标点标记后的图像进行多次融合,得到地物分类概率图。
3.根据权利要求1或2所述的地物检测方法,其特征在于,所述遥感图像的地物包括:建筑物、平地、道路和河流。
4.一种遥感图像的地物检测系统,其特征在于,包括:
放入模块(1),用于将遥感图像放入全卷积网络,所述全卷积网络包括依次排列的多个卷积层组、多个反卷积层和CRF模型层,其中,所述卷积层组包括交替排列的卷积层和稀松卷积层;
标记模块(2),用于通过多个所述卷积层组和多个所述反卷积层对所述遥感图像进行坐标点标记,得到地物分类概率图;
分割模块(3),用于通过所述CRF模型层对所述地物分类概率图中的地物进行分割,得到所述遥感图像中所有地物的分割图像;
检测模块(4),用于将得到的所有所述分割图像与地物图像库中的所有图像进行匹配,得到地物检测结果。
5.根据权利要求4所述的地物检测系统,其特征在于,所述标记模块(2)包括:
第一融合子模块(21),用于将所述遥感图像经过至少一个所述卷积层组坐标点标记后的图像与经过所有所述卷积层组和至少一个所述反卷积层坐标点标记后的图像进行多次融合,得到融合图像;
第二融合子模块(22),用于将所述遥感图像与所述融合图像经过至少一个所述反卷积层坐标点标记后的图像进行多次融合,得到地物分类概率图。
6.根据权利要求4或5所述的地物检测系统,其特征在于,所述遥感图像的地物包括:建筑物、平地、道路和河流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710081119.XA CN106897683B (zh) | 2017-02-15 | 2017-02-15 | 一种遥感图像的地物检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710081119.XA CN106897683B (zh) | 2017-02-15 | 2017-02-15 | 一种遥感图像的地物检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897683A true CN106897683A (zh) | 2017-06-27 |
CN106897683B CN106897683B (zh) | 2020-11-10 |
Family
ID=59198854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710081119.XA Active CN106897683B (zh) | 2017-02-15 | 2017-02-15 | 一种遥感图像的地物检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897683B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
CN108171220A (zh) * | 2018-01-31 | 2018-06-15 | 南京云思创智信息科技有限公司 | 基于全卷积神经网络与crf技术的道路自动识别方法 |
CN109934122A (zh) * | 2019-02-21 | 2019-06-25 | 北京以萨技术股份有限公司 | 一种基于深度学习的遥感影像船舶检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156987A (zh) * | 2011-04-25 | 2011-08-17 | 深圳超多维光电子有限公司 | 获取场景深度信息的方法及装置 |
CN106295714A (zh) * | 2016-08-22 | 2017-01-04 | 中国科学院电子学研究所 | 一种基于深度学习的多源遥感图像融合方法 |
-
2017
- 2017-02-15 CN CN201710081119.XA patent/CN106897683B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156987A (zh) * | 2011-04-25 | 2011-08-17 | 深圳超多维光电子有限公司 | 获取场景深度信息的方法及装置 |
CN106295714A (zh) * | 2016-08-22 | 2017-01-04 | 中国科学院电子学研究所 | 一种基于深度学习的多源遥感图像融合方法 |
Non-Patent Citations (1)
Title |
---|
汤浩,何楚: "全卷积网络结合改进的条件随机场-循环神经网络用于SAR图像场景分类", 《计算机应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
CN108171220A (zh) * | 2018-01-31 | 2018-06-15 | 南京云思创智信息科技有限公司 | 基于全卷积神经网络与crf技术的道路自动识别方法 |
CN109934122A (zh) * | 2019-02-21 | 2019-06-25 | 北京以萨技术股份有限公司 | 一种基于深度学习的遥感影像船舶检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106897683B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
US9454714B1 (en) | Sequence transcription with deep neural networks | |
CN106897681B (zh) | 一种遥感图像对比分析方法及系统 | |
US10586103B2 (en) | Topographic data machine learning method and system | |
CN105809651B (zh) | 基于边缘非相似性对比的图像显著性检测方法 | |
CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN112837315B (zh) | 一种基于深度学习的输电线路绝缘子缺陷检测方法 | |
CN106910202B (zh) | 一种遥感图像地物的图像分割方法及系统 | |
CN107977656A (zh) | 一种行人重识别方法及系统 | |
CN110766002B (zh) | 一种基于深度学习的船名字符区域检测方法 | |
Feriol et al. | A review of environmental context detection for navigation based on multiple sensors | |
CN112508985B (zh) | 一种基于语义分割的slam回环检测改进方法 | |
CN110223310B (zh) | 一种基于深度学习的线结构光中心线和箱体边缘检测方法 | |
CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取系统和方法 | |
CN105184308B (zh) | 一种基于全局优化决策的遥感图像建筑物检测分类方法 | |
Yang et al. | Classified road detection from satellite images based on perceptual organization | |
CN112132205B (zh) | 一种基于卷积神经网络的遥感图像分类方法 | |
CN114612835A (zh) | 一种基于YOLOv5网络的无人机目标检测模型 | |
CN112766417A (zh) | 一种利用现场照片识别目标地块土地利用现状地类的方法及系统 | |
CN106897683A (zh) | 一种遥感图像的地物检测方法及系统 | |
CN113420619A (zh) | 一种遥感影像建筑物提取方法 | |
CN110544268A (zh) | 一种基于结构光及SiamMask网络的多目标跟踪方法 | |
CN112232368A (zh) | 目标识别模型训练方法、目标识别方法及其相关装置 | |
CN117218201A (zh) | Gnss拒止条件下无人机影像定位精度提升方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |