CN108932303B - 一种分布式可见光遥感影像动态目标检测与分析系统 - Google Patents

一种分布式可见光遥感影像动态目标检测与分析系统 Download PDF

Info

Publication number
CN108932303B
CN108932303B CN201810599819.2A CN201810599819A CN108932303B CN 108932303 B CN108932303 B CN 108932303B CN 201810599819 A CN201810599819 A CN 201810599819A CN 108932303 B CN108932303 B CN 108932303B
Authority
CN
China
Prior art keywords
target
index
service module
map
cluster
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.)
Active
Application number
CN201810599819.2A
Other languages
English (en)
Other versions
CN108932303A (zh
Inventor
郭乔进
胡杰
梁中岩
宫世杰
罗毅
张智超
祁骏
许建
陈文明
孟剑萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN201810599819.2A priority Critical patent/CN108932303B/zh
Publication of CN108932303A publication Critical patent/CN108932303A/zh
Application granted granted Critical
Publication of CN108932303B publication Critical patent/CN108932303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Processing Or Creating Images (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种分布式可见光遥感影像动态目标检测与分析系统，包括Web服务模块、地图服务模块、Kafka消息队列集群、HBase数据库服务模块、图像处理集群以及Elasticsearch数据索引集群；Web服务模块提供地图显示、影像处理任务监控与管理、目标检索结果显示、挖掘分析结果显示功能；地图服务模块采用金字塔瓦片格式对可见光遥感影像数据进行存储和管理；Kafka消息队列集群由若干消息处理服务器组成；图像处理集群提供遥感影像动态目标检测、目标分类及目标特征提取功能；HBase数据库服务模块提供目标属性和图像数据的存储服务；Elasticsearch数据索引集群提供索引功能。

Description

一种分布式可见光遥感影像动态目标检测与分析系统
技术领域
本发明涉及一种分布式可见光遥感影像动态目标检测与分析系统。
背景技术
随着遥感成像技术的发展，在遥感图像上进行大型动态目标的检测成为可能，例如检测舰船、飞机等。光学遥感图像具有成像清晰直观、分辨率高、细节丰富等优点，广泛应用在情报侦察、分析处理等领域。
利用遥感影像对重点海域、港口等区域进行舰船检测，可以大大提高海防预警、海运监测管理、渔业管理、指挥调度等能力。常规的高分辨率光学遥感影像舰船检测算法由基于阈值分割的方法和基于机器学习的方法。阈值分割方法的主要步骤包括图像输入、海陆分离、显著图计算、舰船分割、舰船识别、目标输出等阶段。基于机器学习的方法则主要是基于SIFT等图像特征，利用训练好的分类器对舰船和背景区域进行分类。同样的，利用遥感图像进行飞机检测，在民用和军用方面又具有重要的应用价值，自动化的目标检测，能够实现遥感图像向情报信息快速转化，节约人力资源，从而提高信息获取效率。
随着深度学习技术的飞速发展，深度卷积神经网络技术被应用到各类图像处理应用中。相比传统的目标检测和识别方法，深度卷积神经网络能够提供端到端的目标检测机制，只需要提供舰船、飞机等目标的训练样本，卷积神经网络能够完成包括特征提取、目标检测、目标分类在内的全部工作，同时其对遥感影像进行动态目标的检测准确率更高，虚警率更低。
然而，目前针对遥感影像的目标检测技术仅仅限于检测算法本身，并没有对检测出的目标进行定位，更没有对目标的时间、空间信息进行关联分析，未能有效利用遥感影像图像所提供的情报信息；另一方面，随着时间的推移，每时每刻都会产生大量的卫星、航拍等影像数据，目前的系统仅能对图像数据提供浏览功能，不支持对海量的历史影像数据的目标检测与分析，因而需要投入大量的人力对其中的情报进行人工研判和分析，耗时耗力。针对上述问题，本发明提出了一种分布式可见光遥感影像动态目标检测与分析系统，一方面支持海量历史遥感影像图像的分布式目标检测、分布式存储以及分布式索引，另一方面，本发明结合Elasticsearch分布式索引技术对检测出的目标进行挖掘分析，包括时间统计分析、空间统计分析和异常检测，从而更为有效的利用遥感影像中的情报信息，辅助用户决策。
发明内容
发明目的：本发明所要解决的技术问题是针对现有遥感影像处理技术的不足，提供一种分布式可见光遥感影像动态目标检测与分析系统，该系统支持对海量的历史遥感影像图像中的动态目标(舰船、飞机)进行分布式并行检测和分析，本发明能够帮助用户更充分的挖掘和利用遥感影像所提供的情报信息进行判断和决策。
技术方案：本发明提出了一种分布式可见光遥感影像动态目标检测与分析系统，包括Web服务模块、地图服务模块、Kafka消息队列集群、HBase数据库服务模块、图像处理集群以及Elasticsearch数据索引集群；
所述Web服务模块提供地图显示、影像处理任务监控与管理、目标检索结果显示、挖掘分析结果显示功能；
所述地图服务模块采用金字塔瓦片格式对可见光遥感影像数据进行存储和管理，该模块为Web服务模块和图像处理集群提供地图数据访问服务；
所述Kafka消息队列集群由消息处理服务器组成，该模块能够接收Web服务模块所产生的地图瓦片处理任务消息，图像处理集群从Kafka消息队列中获取待处理地图瓦片任务消息；
所述图像处理集群由图像处理服务器组成，每个图像处理服务器都能够提供遥感影像动态目标检测、目标分类及目标特征提取功能，各图像处理服务器从Kafka消息队列中获取待处理地图瓦片任务消息，进行处理并将处理结果写入HBase数据库服务模块，同时将目标类别信息、目标特征信息建立索引，将索引信息写入Elasticsearch数据索引集群；
所述HBase数据库服务模块提供目标属性和图像数据的存储服务，由图像处理集群进行数据写入，供Web服务模块进行数据读取和显示；
所述Elasticsearch数据索引集群提供文本索引、时间索引、经纬度索引以及图像特征相似度索引功能，支持根据关键字、空间范围及时间范围的目标查询和筛选功能，支持依据图像视觉特征进行相似度查询。
本发明系统根据Web服务模块、地图服务模块、Kafka消息队列集群、HBase数据库服务模块、图像处理集群以及Elasticsearch数据索引集群能够处理遥感影像并进行遥感影像分析。
所述Web服务模块采用Web墨卡托坐标系，该坐标系以整个世界范围，赤道作为标准纬线，本初子午线作为中央经线，两者交点为坐标原点，向东向北为正，向西向南为负，X轴和Y轴范围如下：
X轴：X轴的取值范围：[-L,L]，其中L＝20037508.3427892；
Y轴：将Y轴的取值范围限定在[-L,L]之间，成为正方形，地图服务模块采用地图瓦片的形式来管理和维护遥感影像图像，并为Web浏览和影像处理集群提供地图调阅服务；
对于输入的遥感影像图像，Web服务模块根据金字塔瓦片将其分为0-20级，第N级包含22N个瓦片，每个瓦片为256x256像素的图片，每一个瓦片都对应一个坐标，该坐标表示其在金字塔中的坐标(u,v,n)，其中u和v分别代表该瓦片的横坐标和纵坐标，u∈[0,…,2n-1]，v∈[0,…,2n-1]，n代表该瓦片的层级，其中(u＝0,v＝0)对应瓦片左上角的Web墨卡托坐标为(-L,L)，(u＝2n-1,v＝2n-1)对应瓦片右下角的Web墨卡托坐标为(L,-L)，瓦片的金字塔坐标用来构成获取该瓦片图像的URL，供Web服务模块调用显示；同时瓦片的金字塔坐标(u,v,n)能够计算该瓦片的经纬度范围(Pbl,Ptr)，Web服务模块利用瓦片左下角Pbl和右上角Ptr的经纬度来描述瓦片的区域范围，其中Pbl＝(lonbl,latbl)对应Web墨卡托坐标为
Figure BDA0001692782990000031
ybl＝2L(1-v/2n)-L)，Ptr＝(lontr,lattr)对应Web墨卡托坐标为
Figure BDA0001692782990000032
ybl＝2L(1-(v+1)/2n)-L)，Web墨卡托坐标转换为经纬度坐标的公式为(
Figure BDA0001692782990000033
Figure BDA0001692782990000034
其中π为圆周率，e为自然常数。
系统处理遥感影像的过程具体步骤如下：
步骤1-1：用户登陆Web服务模块，浏览遥感影像地图，并在地图上框选区域，获取待分析地图数据范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，同时用户选定待处理的地图层级范围(Nmin,Nmax)，默认Nmin＝18，Nmax＝20；
步骤1-2：Web服务模块根据用户提交的地图数据范围(Rbl,Rtr)和地图层级范围(Nmin,Nmax)计算其中包含的瓦片：针对层级n，计算左下角经纬度坐标Rbl＝(lonbl,latbl)所在瓦片的金字塔坐标(ubl,vbl,n)，首先将经纬度转换为墨卡托坐标
Figure BDA0001692782990000041
然后计算
Figure BDA0001692782990000045
Figure BDA0001692782990000046
其中
Figure BDA0001692782990000047
代表向下取整，
Figure BDA0001692782990000048
代表向上取整；计算右上角经纬度坐标Rtr＝(lontr,lattr)所在瓦片的金字塔坐标(utr,vtr,n)，首先将经纬度转换为墨卡托坐标
Figure BDA0001692782990000042
然后计算
Figure BDA0001692782990000049
Figure BDA00016927829900000410
据此得到待处理的瓦片数据金字塔坐标范围为{(u,v,n)|,u＝[ubl,…,utr],v＝[vtr,…,vbl],n＝[Nmin,Nmax]}；
步骤1-3：Web服务模块针对任意待处理的瓦片数据，根据其金字塔坐标(u,v,n)，获取其在地图服务中所对应的URL，记为F(u,v,n)，Web服务模采用重叠滑动窗口对选定区域进行检测，从而避免瓦片边界区域的目标被遗漏，每个滑动窗口T(u,v,n)包含4个瓦片图像T(u,v,n)＝{F(u,v,n),F(u+1,v,n),F(u,v+1,n),F(u+1,v+1,n)}，Web服务模块将待处理的滑动窗口T(u,v,n)发送到Kafka消息队列集群；
步骤1-4：Kafka消息队列集群接收由Web服务模块发送的待处理滑动窗口信息，并存入队列中，队列采取先进先出的原则，供图像处理集群获取待处理的滑动窗口信息；
步骤1-5：图像处理集群中各图像处理服务器通过从Kafka消息队列获取待处理的滑动窗口信息T(u,v,n)，根据每个滑动窗口所包含的瓦片信息T(u,v,n)＝{F(u,v,n),F(u+1,v,n),F(u,v+1,n),F(u+1,v+1，n)}，利用瓦片图像的URL地址从地图服务中获取相应图片，将四幅图像合并为1张512*512的图像，利用WeiLiu等提出的SSD(Single Shot MultiBox Detector)深度神经网络对图像进行舰船和飞机的检测；
步骤1-6：图像处理集群将检测出的动态目标属性信息存储到HBase数据库服务模块中，动态目标属性信息包括目标截图、目标经纬度信息θ、时间τ、目标类别c、目标尺寸
Figure BDA0001692782990000044
米、视觉特征向量ω，其中视觉特征索引采用SSD神经网络最后一个全连接层的输出，构成一个7308维的特征向量；
步骤1-7：图像处理集群将检测出的动态目标属性信息发送到Elasticsearch数据索引集群并建立索引；
步骤1-8：Web服务模块从Kafka消息队列集群中获取初始待处理滑动窗口消息数量α0以及当前待处理滑动窗口消息数量αt，计算当前影像处理任务进度
Figure BDA0001692782990000043
并显示，当队列中待处理消息数量为0时，当前遥感影像数据处理完毕。
步骤1-6包括：在存储过程中，系统首先查询HBase数据库中已有的目标属性信息，对重复目标进行忽略，当目标i和目标j满足条件
Figure BDA0001692782990000051
时则判断两个目标为重复目标，其中τi和τj分别代表目标i的时间和目标j的时间，ci和cj分别代表目标i的类别和目标j的类别，δθ(θi,θj)表示两个经纬度θi,θj之间的距离，单位为米，
Figure BDA0001692782990000052
表示两个目标
Figure BDA0001692782990000053
的尺度差。
步骤1-7包括：索引包括时间τ索引、经纬度θ索引、类别c索引、尺寸
Figure BDA0001692782990000054
索引、视觉特征ω索引；在检索过程中，Elasticsearch数据索引集群根据不同类型索引进行相似度计算，并按照相似度从大到小的顺序进行排序，返回排序后的检索结果，其中时间τ索引相似度sτ(τi,τj)计算公式为sτ(τi,τj)＝1/(1+exp(δτ(τi,τj)))，δτ(τi,τj)＝|τi-τj|表示两个时间之差，单位为秒，经纬度θ索引相似度sθ(θi,θj)计算公式为sθ(θi,θj)＝1/(1+exp(δθ(θi,θj)))，θi和θj分别代表目标i的经纬度坐标和目标j的经纬度坐标，δθ(θi,θj)表示两个经纬度之间的距离，单位为米，类别c索引相似度sc(ci,cj)计算公式为sc(ci,cj)＝1/(1+exp(δc(ci,cj)))，
Figure BDA0001692782990000055
尺寸
Figure BDA0001692782990000056
索引相似度
Figure BDA0001692782990000057
计算公式为
Figure BDA0001692782990000058
Figure BDA0001692782990000059
分别表示目标i尺寸和目标j尺寸，
Figure BDA00016927829900000510
表示两个目标尺寸差，视觉特征ω索引相似度sω(ωi,ωj)计算公式为sω(ωi,ωj)＝(ωi·ωj)/(‖ωi‖||ωj||)，其中ωi和ωj分别代表目标i的视觉特征向量和目标j的视觉特征向量，ωi·ωj代表两个特征向量的点积，‖ω‖代表向量的L2范数。
系统的遥感影像分析过程包括以下步骤：
步骤2-1，用户登陆Web服务模块，加载地图，框选地图区域，获取经纬度范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，设定时间范围(τstart,τend)，τstart,τend分别表示起始时间和结束时间，设定目标类型c为飞机或舰船，系统在Elasticsearch数据索引集群中利用时间τ索引、经纬度θ索引和类别c索引，保留索引中经纬度坐标在(Rbl,Rtr)范围内、时间在(τstart,τend)范围内，且目标类别为c的目标，并返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库服务模块中获取相应目标属性信息，并在地图上进行标注和显示，完成基础目标数据查询和筛选；
步骤2-2，用户登陆Web服务模块，加载地图，设定时间范围(τstart,τend)，设定目标类型c为飞机或舰船，系统在Elasticsearch数据索引集群中利用时间τ索引、和类别c索引，保留索引中时间在(τstart,τend)范围内，且目标类别为c的目标，并返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库中获取相应目标属性信息，对获取到的目标进行根据行政区域进行统计，计算不同行政区域内(地区、城市、国家)的目标数量，并在Web地图上显示和标注，利用不同颜色来标注不同行政区域内的目标数量，完成目标空间统计分析；
步骤2-3，用户登陆Web服务模块，加载地图，框选地图区域，获取经纬度范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，设定时间范围(τstart,τend)，设定目标类型c为飞机或舰船，系统在Elasticsearch数据索引集群中利用时间τ索引、经纬度θ索引和类别c索引，保留索引中经纬度坐标在(Rbl,Rtr)范围内、时间在(τstart,τend)范围内，且目标类别为c的目标，并返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库中获取相应目标属性信息，并根据时间间隔(日、周、月、年)目标数量，生成目标数量变化曲线并进行显示，完成目标时间统计分析；
步骤2-4，用户登陆Web服务模块，加载地图，框选地图区域，获取经纬度范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，设定目标类型c为飞机或舰船，设定异常变化阈值ε，默认取值ε＝0.35，创建异常检测任务，系统定时在Elasticsearch数据索引集群中利用经纬度θ索引和类别c索引对目标进行筛选，保留索引中经纬度坐标在(Rbl,Rtr)范围内、且目标类别为c的目标，并统计个数ρt，计算目标数量变化指数
Figure BDA0001692782990000061
其中βt＝|ρt-ρt-1|，当变化指数εt>ε，发送告警到Web服务模块并显示告警，完成异常检测；
步骤2-5，用户登陆Web服务，加载地图，在地图上框选飞机或舰船目标，系统将框选的目标图像区域r利用SSD神经网络计算视觉特征向量ωr，系统在Elasticsearch数据索引集群中利用视觉特征ω索引，计算输入特征向量ωr与索引中存储的目标特征进行相似度计算，并按照视觉相似度sω(ωr,ωj)降序排列，返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库服务模块中获取相应目标属性信息，并在地图上进行显示查询出的目标位置、时间，完成目标视觉特征相似度检索。
有益效果：本发明显著优点是：
1、本发明所述系统能够对海量的历史遥感影像图像中的动态目标(舰船、飞机)进行检测和分析，支持对海量的历史影像数据进行分布式动态目标检测，并标注目标类别、目标时间、经纬度坐标等属性；
2、本发明所述系统支持对检测出的目标进行存储和检索，支持类别、时间区域、空间范围及视觉相似度检索；
3、本发明所述系统支持对历史目标进行关联分析和可视化显示，包括时间统计分析、空间统计分析、异常检测；
4、本发明所述系统具备横向扩展能力，能够适应不断增长的遥感影像图像，可根据数据容量对系统进行动态扩容。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。
图1是分布式可见光遥感影像动态目标检测与分析系统工作流程示意图。
图2是各功能模块交互示意图
图3是遥感影像图像导入与管理示意图。
图4是遥感影像图像处理示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明公开了一种分布式可见光遥感影像动态目标检测与分析系统，能够对海量的历史遥感影像图像中的动态目标(舰船、飞机)进行检测和分析，其工作流程如图1所示，包含遥感影像图像导入与管理，遥感影像图像处理和遥感影像图像分析三个步骤。
图2展示了本发明各模块之间的交互示意图，其中地图服务模块负责管理和存储导入的遥感影像数据，供Web服务模块和图像处理集群调阅；Web服务模块从地图服务模块获取地图数据进行显示，利用Elasticsearch集群进行目标检索，并从HBase数据库服务模块获取目标属性信息并在地图上进行标绘；Kafka消息队列集群负责接收Web服务器发送的影像处理任务信息，并供图像处理集群订阅；图像处理集群从Kafka消息队列获取待处理影像任务信息，并从地图服务模块获取图像数据进行分析处理，将处理得到的目标属性信息保存到HBase数据库中，同时在Elasticsearch集群中建立索引。具体流程如下文所述。
一、遥感影像图像导入与管理
本发明所述地图服务能够维护和管理多组遥感影像图像，从而，可用于对同一地区不同时间段的遥感影像进行比对分析。如图1所示，每组待处理的遥感影像图像由图像拍摄时间、图像处理区域以及图像数据三部分组成。对于每组待处理的遥感影像数据，本发明将依据下面所述的方法进行金字塔切片，用于地图显示以及后续目标检测处理。
如图3所示，本发明所述遥感影像图像管理采用Web墨卡托坐标系，该坐标系以整个世界范围，赤道作为标准纬线，本初子午线作为中央经线，两者交点为坐标原点，向东向北为正，向西向南为负。
X轴：由于赤道半径r为6378137米，则赤道周长为2πr＝2*20037508.3427892，记L＝20037508.3427892，因此X轴的取值范围：[-L,L]。
Y轴：由于当纬度接近两极，即90°时，y值趋向于无穷。因此为了工程方便，就把Y轴的取值范围也限定在[-L,L]之间，成为正方形。
目前Google、百度、Bing等大量云地图服务商采用Web Mercator坐标系对地图数据进行管理。地图服务商会将地图切分为金字塔状的瓦片地图，本发明也采用地图瓦片的形式来管理和维护遥感影像图像，并为Web浏览和影像处理集群提供地图调阅服务。
如图3所示，系统对于输入的遥感影像图像，Web服务模块根据金字塔瓦片将其分为0-20级，其中第0级包含1个瓦片，第1级包含4个瓦片，第2级包含16个瓦片，第N级包含22N个瓦片，每个瓦片为256x256像素的图片，每一个瓦片都对应一个坐标，该坐标表示其在金字塔中的坐标(u,v,n)，其中u和v分别代表该瓦片的横坐标和纵坐标，u∈[0,…,2n-1]，v∈[0,…,2n-1]，n代表该瓦片的层级，其中(u＝0,v＝0)对应瓦片左上角的Web墨卡托坐标为(x＝-L,y＝L)，(u＝2n-1,v＝2n-1)对应瓦片右下角的Web墨卡托坐标为(x＝L,y＝-L)，瓦片的金字塔坐标用来构成获取该瓦片图像的URL，供Web服务模块调用显示；同时瓦片的金字塔坐标(u,v,n)可以计算该瓦片的经纬度范围(Pbl,Ptr)，Web服务模块利用瓦片左下角Pbl和右上角Ptr的经纬度来描述瓦片的区域范围，其中Pbl＝(lonbl,latbl)对应Web墨卡托坐标为
Figure BDA0001692782990000091
Figure BDA0001692782990000092
ybl＝2L(1-v/2n)-L)，Ptr＝(lontr,lattr)对应Web墨卡托坐标为
Figure BDA0001692782990000093
Figure BDA0001692782990000094
ybl＝2L(1-(v+1)/2n)-L)，Web墨卡托坐标转换为经纬度坐标的公式为
Figure BDA0001692782990000095
其中π为圆周率，e为自然常数。瓦片数量随着层级的增加呈指数增长，随着层级的增加，瓦片中目标的分辨率越高，19级的分辨率为0.54米，20级的分辨率为0.27米。
二、遥感影像图像处理
为适应遥感影像图像的不断增长，本发明采用可横向扩展的分布式框架来对数据进行处理，本发明所述Kafka消息队列集群、图像处理集群、HBase数据库服务以及Elasticsearch数据索引集群可根据待处理遥感影像数据的增加进行横向扩展，通过增加各模块中服务器的数量来提升系统的存储、处理和分析能力。其中Kafka消息队列，HBase数据库以及Elasticsearch索引集群自身均支持横向扩展，可以根据遥感影像图像的增加进行扩容；图像处理集群中各图像处理服务器负责从Kafka消息队列中获取待处理的滑动窗口信息进行处理，各服务器软件模块配置完全相同且相互独立，因此能够根据处理任务的数量进行动态扩容。
如图1所示，遥感影像图像处理主要包括创建遥感影像处理任务，遥感影像目标检测以及检测结果的存储和索引创建，具体处理流程如图4所示。
步骤1-1：用户登陆Web服务模块，浏览遥感影像地图，并在地图上框选区域，获取待分析地图数据范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，同时用户选定待处理的地图层级范围(Nmin,Nmax)，默认Nmin＝18,Nmax＝20；
步骤1-2：Web服务模块根据用户提交的地图数据范围(Rbl,Rtr)和地图层级范围(Nmin,Nmax)计算其中包含的瓦片：针对层级n，计算左下角经纬度坐标Rbl＝(lonbl,latbl)所在瓦片的金字塔坐标(ubl,vbl,n)，首先将经纬度转换为墨卡托坐标
Figure BDA0001692782990000096
然后计算
Figure BDA0001692782990000097
Figure BDA0001692782990000098
其中
Figure BDA0001692782990000099
代表向下取整，
Figure BDA00016927829900000910
代表向上取整；同样方法可以计算右上角经纬度坐标Rtr＝(lontr,lattr)所在瓦片的金字塔坐标(utr,vtr,n)，首先将经纬度转换为墨卡托坐标
Figure BDA0001692782990000101
然后计算
Figure BDA0001692782990000105
Figure BDA0001692782990000106
据此可以得到待处理的瓦片数据金字塔坐标范围为{(u,v,n)|,u＝[ubl,…,utr],v＝[vtr,…,vbl],n＝[Nmin,Nmax]}；
步骤1-3,：Web服务模块针对任意待处理的瓦片数据，根据其金字塔坐标(u,v,n)，获取其在地图服务中所对应的URL，记为F(u,v,n)，例如F(u,v,n)＝“http://map.web/IMG/n/u/v.jpg”，其中“http://map.web/”为地图服务的Web访问地址，“IMG”表示影像地图名称，(u,v,n)表示瓦片的金字塔坐标，Web服务模采用重叠滑动窗口对选定区域进行检测，从而避免瓦片边界区域的目标被遗漏，如图4所示，每个滑动窗口T(u,v,n)包含4个瓦片图像T(u,v,n)＝{F(u,v,n),F(u+1,v,n),F(u,v+1,n),F(u+1,v+1,n)}，Web服务模将待处理的滑动窗口T(u,v,n)发送到Kafka消息队列；
步骤1-4：Kafka消息队列集群接收由Web服务模块发送的待处理滑动窗口信息Ti，并存入队列中，队列采取先进先出的原则，供图像处理集群获取待处理的滑动窗口信息；
步骤1-5：图像处理集群中各图像处理服务器通过从Kafka消息队列获取待处理的滑动窗口信息T(u,v,n)，根据每个滑动窗口所包含的瓦片信息T(u,v,n)＝{F(u,v,n),F(u+1,v,n),F(u,v+1,n),F(u+1,v+1,n)}，利用瓦片图像的URL地址F从地图服务中获取相应图片，将四幅图像合并为1张512*512的图像，利用WeiLiu等提出的SSD(Single Shot MultiBox Detector)深度神经网络对图像进行舰船和飞机的检测；
步骤1-6：图像处理集群将检测出的动态目标属性信息存储到HBase数据库服务模块中，动态目标属性信息包括目标截图、目标经纬度信息θ、时间τ、目标类别c、目标尺寸
Figure BDA0001692782990000102
米、视觉特征向量ω以及一个随机生成的唯一字符串作为该目标在HBase中的存储键值，其中视觉特征索引采用SSD神经网络最后一个全连接层的输出，构成一个7308维的特征向量，具体如表1所示；在存储过程中，系统首先查询HBase数据库中已有的目标属性信息，对重复目标进行忽略，当目标i和目标j满足条件
Figure BDA0001692782990000103
Figure BDA0001692782990000104
时则判断两个目标为重复目标，其中τi和τj分别代表目标i和目标j的时间，ci和cj分别代表目标i和目标j的类别，δθ(θi,θj)表示两个经纬度之间的距离，单位为米，
Figure BDA0001692782990000111
表示两个目标的尺度差；
表1动态目标属性
属性名 属性值类型 单位
目标键值 字符串 -
目标截图 二进制文件 -
目标经纬度 2维Double向量 度
时间 Long 秒
目标类别 枚举 0：飞机、1：舰船
目标尺寸 Double 米
视觉特征向量 7308维Double向量 -
步骤1-7：图像处理集群将检测出的动态目标属性信息发送到Elasticsearch数据索引集群并建立索引，每条数据索引的键值与其在HBase中的目标键值相同，索引包括时间τ索引、经纬度θ索引、类别c索引、尺寸
Figure BDA00016927829900001110
索引、视觉特征ω索引；在检索过程中，Elasticsearch根据不同类型索引进行相似度计算，并按照相似度从大到小的顺序进行排序，返回排序后的检索结果，其中时间τ索引相似度sτ(τi,τj)计算公式为sτ(τi,τj)＝1/(1+exp(δτ(τi,τj)))，δτ(τi,τj)＝|τi-τj|表示两个时间之差，单位为秒，经纬度θ索引相似度sθ(θi,θj)计算公式为sθ(θi,θj)＝1/(1+exp(δθ(θi,θj)))，θi和θj分别代表目标i的经纬度坐标和目标j的经纬度坐标，δθ(θi,θj)表示两个经纬度之间的距离，单位为米，类别c索引相似度sc(ci,cj)计算公式为sc(ci,cj)＝1/(1+exp(δc(ci,cj)))，
Figure BDA0001692782990000112
Figure BDA0001692782990000113
尺寸
Figure BDA0001692782990000114
索引相似度
Figure BDA0001692782990000115
计算公式为
Figure BDA0001692782990000116
Figure BDA0001692782990000117
Figure BDA0001692782990000118
分别表示目标i尺寸和目标j尺寸，
Figure BDA0001692782990000119
表示两个目标尺寸差，视觉特征ω索引相似度sω(ωi,ωj)计算公式为sω(ωi,ωj)＝(ωi·ωj)/(‖ωi‖||ωj||)，其中ωi和ωj分别代表目标i的视觉特征向量和目标j的视觉特征向量，ωi·ωj代表两个特征向量的点积，‖ω‖代表向量的L2范数。不同类型索引相似度计算公式如表2所示。除了支持基于相似度的查询，Elasticsearch还支持区间查询，支持根据经纬度坐标范围、时间范围来进行目标查询。
表2目标属性索引相似度计算
Figure BDA0001692782990000121
步骤1-8：Web服务模块从Kafka消息队列中获取初始待处理滑动窗口消息数量α0以及当前待处理滑动窗口消息数量αt，计算当前影像处理任务进度
Figure BDA0001692782990000122
并显示在影像处理任务状态监控页面上，当队列中待处理消息数量为0时，当前遥感影像数据处理完毕。
三、遥感影像图像分析
本发明采用Elasticsearch数据索引集群对不同批次遥感影像图像检测出目标的属性建立索引，提供目标筛选、目标视觉相似度检索、时间统计分析、空间统计分析以及异常检测功能。所述遥感影像分析过程包括以下步骤：
步骤2-1，用户登陆Web服务，加载地图，框选地图区域，获取经纬度范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，设定时间范围(τstart,τend)，设定目标类型c为飞机或舰船，系统在Elasticsearch集群中利用时间τ索引、经纬度θ索引和类别c索引，保留索引中经纬度坐标在(Rbl,Rtr)范围内、时间在(τstart,τend)范围内，且目标类别为c的目标，并返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库中获取相应目标属性信息，并在地图上进行标注和显示，完成基础目标数据查询和筛选；
步骤2-2，用户登陆Web服务，加载地图，设定时间范围(τstart,τend)，设定目标类型c为飞机或舰船，系统在Elasticsearch集群中利用时间τ索引、和类别c索引，保留索引中时间在(τstart,τend)范围内，且目标类别为c的目标，并返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库中获取相应目标属性信息，对获取到的目标进行根据行政区域进行统计，计算不同行政区域内(地区、城市、国家)的目标数量，并在Web地图上显示和标注，利用不同颜色来标注不同行政区域内的目标数量，完成目标空间统计分析
步骤2-3，用户登陆Web服务，加载地图，框选地图区域，获取经纬度范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，设定时间范围(τstart,τend)，设定目标类型c为飞机或舰船，系统在Elasticsearch集群中利用时间τ索引、经纬度θ索引和类别c索引，保留索引中经纬度坐标在(Rbl,Rtr)范围内、时间在(τstart,τend)范围内，且目标类别为c的目标，并返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库中获取相应目标属性信息，并根据时间间隔(日、周、月、年)目标数量，生成目标数量变化曲线并在Web页面进行显示，完成目标时间统计分析；
步骤2-4，用户登陆Web服务，加载地图，框选地图区域，获取经纬度范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，设定目标类型c为飞机或舰船，设定异常变化阈值ε，默认取值ε＝0.35，创建异常检测任务，系统定时在Elasticsearch集群中利用经纬度θ索引和类别c索引对目标进行筛选，保留索引中经纬度坐标在(Rbl,Rtr)范围内、且目标类别为c的目标，并统计个数ρt，计算目标数量变化指数
Figure BDA0001692782990000131
其中βt＝|ρt-ρt-1|，当变化指数εt>ε，发送告警到Web服务模块并在页面上显示告警，完成异常检测；
步骤2-5，用户登陆Web服务，加载地图，在地图上框选飞机或舰船目标，系统将框选的目标图像区域r利用SSD神经网络计算视觉特征向量ωr，系统在Elasticsearch集群中利用视觉特征ω索引，计算输入特征向量ωr与索引中存储的目标特征进行相似度计算，并按照视觉相似度sω(ωr,ωj)降序排列，返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库中获取相应目标属性信息，并在地图上进行显示查询出的目标位置、时间，完成目标视觉特征相似度检索。
本发明提供了一种分布式可见光遥感影像动态目标检测与分析系统，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (1)

1.一种分布式可见光遥感影像动态目标检测与分析系统，其特征在于，包括Web服务模块、地图服务模块、Kafka消息队列集群、HBase数据库服务模块、图像处理集群以及Elasticsearch数据索引集群；
所述Web服务模块提供地图显示、影像处理任务监控与管理、目标检索结果显示、挖掘分析结果显示功能；
所述地图服务模块采用金字塔瓦片格式对可见光遥感影像数据进行存储和管理，该模块为Web服务模块和图像处理集群提供地图数据访问服务；
所述Kafka消息队列集群由消息处理服务器组成，该模块能够接收Web服务模块所产生的地图瓦片处理任务消息，图像处理集群从Kafka消息队列中获取待处理地图瓦片任务消息；
所述图像处理集群由图像处理服务器组成，每个图像处理服务器都能够提供遥感影像动态目标检测、目标分类及目标特征提取功能，各图像处理服务器从Kafka消息队列中获取待处理地图瓦片任务消息，进行处理并将处理结果写入HBase数据库服务模块，同时将目标类别信息、目标特征信息建立索引，将索引信息写入Elasticsearch数据索引集群；
所述HBase数据库服务模块提供目标属性和图像数据的存储服务，由图像处理集群进行数据写入，供Web服务模块进行数据读取和显示；
所述Elasticsearch数据索引集群提供文本索引、时间索引、经纬度索引以及图像特征相似度索引功能；
所述系统根据Web服务模块、地图服务模块、Kafka消息队列集群、HBase数据库服务模块、图像处理集群以及Elasticsearch数据索引集群能够处理遥感影像并进行遥感影像分析；
所述Web服务模块采用Web墨卡托坐标系，该坐标系以整个世界范围，赤道作为标准纬线，本初子午线作为中央经线，两者交点为坐标原点，向东向北为正，向西向南为负，X轴和Y轴范围如下：
X轴：X轴的取值范围：[-L,L]，其中L＝20037508.3427892；
Y轴：将Y轴的取值范围限定在[-L,L]之间，成为正方形，地图服务模块采用地图瓦片的形式来管理和维护遥感影像图像，并为Web浏览和影像处理集群提供地图调阅服务；
对于输入的遥感影像图像，Web服务模块根据金字塔瓦片将其分为0-20级，第N级包含22N个瓦片，每个瓦片为256x256像素的图片，每一个瓦片都对应一个坐标，该坐标表示其在金字塔中的坐标(u,v,n)，其中u和v分别代表该瓦片的横坐标和纵坐标，u∈[0,…,2n-1]，v∈[0,…,2n-1]，n代表该瓦片的层级，其中(u＝0,v＝0)对应瓦片左上角的Web墨卡托坐标为(-L,L)，(u＝2n-1,v＝2n-1)对应瓦片右下角的Web墨卡托坐标为(L,-L)，瓦片的金字塔坐标用来构成获取该瓦片图像的URL，供Web服务模块调用显示；同时瓦片的金字塔坐标(u,v,n)能够计算该瓦片的经纬度范围(Pbl,Ptr)，Web服务模块利用瓦片左下角Pbl和右上角Ptr的经纬度来描述瓦片的区域范围，其中Pbl＝(lonbl,latbl)对应Web墨卡托坐标为
Figure FDA0003386930830000021
Figure FDA0003386930830000022
Ptr＝(lontr,lattr)对应Web墨卡托坐标为
Figure FDA0003386930830000023
Figure FDA0003386930830000024
Web墨卡托坐标转换为经纬度坐标的公式为
Figure FDA0003386930830000025
其中π为圆周率，e为自然常数；
系统处理遥感影像的过程具体步骤如下：
步骤1-1：用户登陆Web服务模块，浏览遥感影像地图，并在地图上框选区域，获取待分析地图数据范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，同时用户选定待处理的地图层级范围(Nmin,Nmax)，默认Nmin＝18，Nmax＝20；
步骤1-2：Web服务模块根据用户提交的地图数据范围(Rbl,Rtr)和地图层级范围(Nmin,Nmax)计算其中包含的瓦片：针对层级n，计算左下角经纬度坐标Rbl＝(lonbl,latbl)所在瓦片的金字塔坐标(ubl,vbl,n)，首先将经纬度转换为墨卡托坐标
Figure FDA0003386930830000026
然后计算
Figure FDA0003386930830000028
Figure FDA0003386930830000029
其中
Figure FDA00033869308300000210
代表向下取整，
Figure FDA00033869308300000211
代表向上取整；计算右上角经纬度坐标Rtr＝(lontr,lattr)所在瓦片的金字塔坐标(utr,vtr,n)，首先将经纬度转换为墨卡托坐标
Figure FDA0003386930830000027
然后计算
Figure FDA00033869308300000212
Figure FDA00033869308300000213
据此得到待处理的瓦片数据金字塔坐标范围为{(u,v,n)|,u＝[ubl,…,utr],v＝[vtr,…,vbl],n＝[Nmin,Nmax]}；
步骤1-3：Web服务模块针对任意待处理的瓦片数据，根据其金字塔坐标(u,v,n)，获取其在地图服务中所对应的URL，记为F(u,v,n)，Web服务模采用重叠滑动窗口对选定区域进行检测，每个滑动窗口T(u,v,n)包含4个瓦片图像T(u,v,n)＝{F(u,v,n),F(u+1,v,n),F(u,v+1,n),F(u+1,v+1,n)}，Web服务模块将待处理的滑动窗口T(u,v,n)发送到Kafka消息队列集群；
步骤1-4：Kafka消息队列集群接收由Web服务模块发送的待处理滑动窗口信息，并存入队列中，队列采取先进先出的原则，供图像处理集群获取待处理的滑动窗口信息；
步骤1-5：图像处理集群中各图像处理服务器通过从Kafka消息队列获取待处理的滑动窗口信息T(u,v,n)，根据每个滑动窗口所包含的瓦片信息T(u,v,n)＝{F(u,v,n),F(u+1,v,n),F(u,v+1,n),F(u+1,v+1,n)}，利用瓦片图像的URL地址从地图服务中获取相应图片，将四幅图像合并为1张512*512的图像，利用深度神经网络对图像进行舰船和飞机的检测；
步骤1-6：图像处理集群将检测出的动态目标属性信息存储到HBase数据库服务模块中，动态目标属性信息包括目标截图、目标经纬度信息θ、时间τ、目标类别c、目标尺寸
Figure FDA0003386930830000031
米、视觉特征向量ω，其中视觉特征索引采用SSD神经网络最后一个全连接层的输出，构成一个7308维的特征向量；
步骤1-7：图像处理集群将检测出的动态目标属性信息发送到Elasticsearch数据索引集群并建立索引；
步骤1-8：Web服务模块从Kafka消息队列集群中获取初始待处理滑动窗口消息数量α0以及当前待处理滑动窗口消息数量αt，计算当前影像处理任务进度
Figure FDA0003386930830000032
并显示，当队列中待处理消息数量为0时，当前遥感影像数据处理完毕；
步骤1-6包括：在存储过程中，系统首先查询HBase数据库中已有的目标属性信息，对重复目标进行忽略，当目标i和目标j满足条件
Figure FDA0003386930830000033
Figure FDA0003386930830000034
时则判断两个目标为重复目标，其中τi和τj分别代表目标i的时间和目标j的时间，ci和cj分别代表目标i的类别和目标j的类别，δθ(θi,θj)表示两个经纬度θi,θj之间的距离，单位为米，
Figure FDA0003386930830000035
表示两个目标
Figure FDA0003386930830000036
的尺度差；
步骤1-7包括：索引包括时间τ索引、经纬度θ索引、类别c索引、尺寸
Figure FDA0003386930830000041
索引、视觉特征ω索引；在检索过程中，Elasticsearch数据索引集群根据不同类型索引进行相似度计算，并按照相似度从大到小的顺序进行排序，返回排序后的检索结果，其中时间τ索引相似度sτ(τi,τj)计算公式为sτ(τi,τj)＝1/(1+exp(δτ(τi,τj)))，δτ(τi,τj)＝|τi-τj|表示两个时间之差，单位为秒，经纬度θ索引相似度sθ(θi,θj)计算公式为sθ(θi,θj)＝1/(1+exp(δθ(θi,θj)))，θi和θj分别代表目标i的经纬度坐标和目标j的经纬度坐标，δθ(θi,θj)表示两个经纬度之间的距离，单位为米，类别c索引相似度sc(ci,cj)计算公式为sc(ci,cj0＝1/(1+exp(δc(ci,cj)))，
Figure FDA0003386930830000042
尺寸
Figure FDA0003386930830000043
索引相似度
Figure FDA0003386930830000044
计算公式为
Figure FDA0003386930830000045
Figure FDA0003386930830000046
分别表示目标i尺寸和目标j尺寸，
Figure FDA0003386930830000047
表示两个目标尺寸差，视觉特征ω索引相似度sω(ωi,ωj)计算公式为sω(ωi,ωj)＝(ωi·ωj)/(‖ωi‖||ωj||)，其中ωi和ωj分别代表目标i的视觉特征向量和目标j的视觉特征向量，ωi·ωj代表两个特征向量的点积，‖ω‖代表向量的L2范数；
系统的遥感影像分析过程包括以下步骤：
步骤2-1，用户登陆Web服务模块，加载地图，框选地图区域，获取经纬度范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，设定时间范围(τstart,τend)，τstart,τend分别表示起始时间和结束时间，设定目标类型c为飞机或舰船，系统在Elasticsearch数据索引集群中利用时间τ索引、经纬度θ索引和类别c索引，保留索引中经纬度坐标在(Rbl,Rtr)范围内、时间在(τstart,τend)范围内，且目标类别为c的目标，并返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库服务模块中获取相应目标属性信息，并在地图上进行标注和显示，完成基础目标数据查询和筛选；
步骤2-2，用户登陆Web服务模块，加载地图，设定时间范围(τstart,τend)，设定目标类型c为飞机或舰船，系统在Elasticsearch数据索引集群中利用时间τ索引、和类别c索引，保留索引中时间在(τstart,τend)范围内，且目标类别为c的目标，并返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库中获取相应目标属性信息，对获取到的目标进行根据行政区域进行统计，计算不同行政区域内的目标数量，并在Web地图上显示和标注，利用不同颜色来标注不同行政区域内的目标数量，完成目标空间统计分析；
步骤2-3，用户登陆Web服务模块，加载地图，框选地图区域，获取经纬度范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，设定时间范围(τstart,τend)，设定目标类型c为飞机或舰船，系统在Elasticsearch数据索引集群中利用时间τ索引、经纬度θ索引和类别c索引，保留索引中经纬度坐标在(Rbl,Rtr)范围内、时间在(τstart,τend)范围内，且目标类别为c的目标，并返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库中获取相应目标属性信息，并根据时间间隔目标数量，生成目标数量变化曲线并进行显示，完成目标时间统计分析；
步骤2-4，用户登陆Web服务模块，加载地图，框选地图区域，获取经纬度范围(Rbl,Rtr)，Rbl和Rtr分别表示左下角和右上角的经纬度坐标，设定目标类型c为飞机或舰船，设定异常变化阈值ε，创建异常检测任务，系统定时在Elasticsearch数据索引集群中利用经纬度θ索引和类别c索引对目标进行筛选，保留索引中经纬度坐标在(Rbl,rtr)范围内、且目标类别为c的目标，并统计个数ρt，计算目标数量变化指数
Figure FDA0003386930830000051
其中βt＝|ρt-ρt-1|，当变化指数εt>ε，发送告警到Web服务模块并显示告警，完成异常检测；
步骤2-5，用户登陆Web服务，加载地图，在地图上框选飞机或舰船目标，系统将框选的目标图像区域r利用SSD神经网络计算视觉特征向量ωr，系统在Elasticsearch数据索引集群中利用视觉特征ω索引，计算输入特征向量ωr与索引中存储的目标特征进行相似度计算，并按照视觉相似度sω(ωr,ωj)降序排列，返回目标的索引键值列表，Web服务模块根据返回的索引键值列表在HBase数据库服务模块中获取相应目标属性信息，并在地图上进行显示查询出的目标位置、时间，完成目标视觉特征相似度检索。
CN201810599819.2A 2018-06-12 2018-06-12 一种分布式可见光遥感影像动态目标检测与分析系统 Active CN108932303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810599819.2A CN108932303B (zh) 2018-06-12 2018-06-12 一种分布式可见光遥感影像动态目标检测与分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810599819.2A CN108932303B (zh) 2018-06-12 2018-06-12 一种分布式可见光遥感影像动态目标检测与分析系统

Publications (2)

Publication Number Publication Date
CN108932303A CN108932303A (zh) 2018-12-04
CN108932303B true CN108932303B (zh) 2022-02-08

Family

ID=64450128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810599819.2A Active CN108932303B (zh) 2018-06-12 2018-06-12 一种分布式可见光遥感影像动态目标检测与分析系统

Country Status (1)

Country Link
CN (1) CN108932303B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383659B (zh) * 2018-12-28 2021-03-23 广州市百果园网络科技有限公司 分布式语音监控方法、装置、系统、存储介质和设备
CN109753937A (zh) * 2019-01-09 2019-05-14 宽凳（北京）科技有限公司 一种嵌套目标的识别方法及装置
CN109993104B (zh) * 2019-03-29 2022-09-16 河南工程学院 一种遥感图像对象层次的变化检测方法
CN109977192B (zh) * 2019-04-02 2023-04-07 山东大学 无人机瓦片地图快速加载方法、系统、设备及存储介质
KR102455227B1 (ko) * 2019-10-10 2022-10-17 한국전자통신연구원 공간 정보 구성 방법 및 장치
CN111126189A (zh) * 2019-12-10 2020-05-08 北京航天世景信息技术有限公司 一种基于遥感影像的目标查找方法
CN111563069B (zh) * 2020-05-06 2023-09-19 杭州安恒信息技术股份有限公司 一种工控设备的探针配置方法和系统
CN111612800B (zh) * 2020-05-18 2022-08-16 智慧航海（青岛）科技有限公司 船舶图像检索方法、计算机可读存储介质和设备
CN112749162B (zh) * 2020-12-31 2021-08-17 浙江省方大标准信息有限公司 一种基于es的检验检测机构快速检索排序方法
CN113034025B (zh) * 2021-04-08 2023-12-01 成都国星宇航科技股份有限公司 一种遥感图像标注系统和方法
CN113157654B (zh) * 2021-05-12 2022-12-02 山东志盈医学科技有限公司 数字切片图像存储的方法和装置
CN114158242B (zh) * 2021-12-30 2023-03-31 广西九维正链信息科技有限公司 九维遥感影像智能分析系统
CN116521041A (zh) * 2023-05-10 2023-08-01 北京天工科仪空间技术有限公司 基于前端页面的遥感数据标注方法、计算机设备和介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657436A (zh) * 2015-02-02 2015-05-27 中国人民解放军空军航空大学 基于MapReduce的静态瓦片金字塔并行构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2617119A1 (en) * 2008-01-08 2009-07-08 Pci Geomatics Enterprises Inc. Service oriented architecture for earth observation image processing

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657436A (zh) * 2015-02-02 2015-05-27 中国人民解放军空军航空大学 基于MapReduce的静态瓦片金字塔并行构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Edge-Guided Image Object Detection in Multiscale Segmentation for High-Resolution Remotely Sensed Imagery;Yongyue Hu 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20160831;第54卷(第8期);第4702页-第4711页 *
光学遥感图像舰船目标检测与识别综述;王彦情 等;《自动化学报》;20110930;第37卷(第9期);第1029页-第1039页 *

Also Published As

Publication number Publication date
CN108932303A (zh) 2018-12-04

Similar Documents

Publication Publication Date Title
CN108932303B (zh) 一种分布式可见光遥感影像动态目标检测与分析系统
CN111666313B (zh) 基于多源异构遥感数据关联构建及多用户数据匹配方法
Kakooei et al. Fusion of satellite, aircraft, and UAV data for automatic disaster damage assessment
Peiman Pre-classification and post-classification change-detection techniques to monitor land-cover and land-use change using multi-temporal Landsat imagery: a case study on Pisa Province in Italy
US20140212055A1 (en) Automated Mapping of Land Cover Using Sequences of Aerial Imagery
CN104077312A (zh) 一种图片分类方法和装置
Sandnes Determining the geographical location of image scenes based on object shadow lengths
Liu et al. Super-pixel cloud detection using hierarchical fusion CNN
US20210124478A1 (en) Systems and Method for a Customizable Layered Map for Visualizing and Analyzing Geospatial Data
CN111813875B (zh) 地图点位信息处理方法、装置及服务器
CN110659369B (zh) 在轨高精度轻量化全球影像控制点数据库构建方法及系统
US20220357176A1 (en) Methods and data processing systems for predicting road attributes
CN111832578A (zh) 兴趣点信息处理方法、装置、电子设备和存储介质
US20170039264A1 (en) Area modeling by geographic photo label analysis
CN114067118B (zh) 一种航空摄影测量数据的处理方法
US9208171B1 (en) Geographically locating and posing images in a large-scale image repository and processing framework
CN107578424A (zh) 一种基于时空分类的动态背景差分检测方法、系统及装置
Qiao et al. Urban land-use analysis using proximate sensing imagery: a survey
Zhang et al. An improved multi‐task pointwise network for segmentation of building roofs in airborne laser scanning point clouds
Li et al. Urban infrastructure audit: an effective protocol to digitize signalized intersections by mining street view images
Tu et al. Detecting building facade damage from oblique aerial images using local symmetry feature and the GINI index
CN117611988A (zh) 一种面向新增耕地管护属性自动识别监测方法及系统
CN112066998A (zh) 用于航线地图的渲染方法及系统
CN109934147B (zh) 基于深度神经网络的目标检测方法、系统及装置
Farzanyar et al. Trip pattern mining using large scale geo-tagged photos

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant