CN109034007A - 一种基于卷积神经网络的遥感影像的植被提取优化方法 - Google Patents
一种基于卷积神经网络的遥感影像的植被提取优化方法 Download PDFInfo
- Publication number
- CN109034007A CN109034007A CN201810735084.1A CN201810735084A CN109034007A CN 109034007 A CN109034007 A CN 109034007A CN 201810735084 A CN201810735084 A CN 201810735084A CN 109034007 A CN109034007 A CN 109034007A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- network
- remote sensing
- model
- sensing image
- 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.)
- Withdrawn
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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卷积神经网络的遥感影像的植被提取优化方法,包括训练过程和提取过程;训练过程得到训练好的模型;提取过程加载训练过程中训练好的模型,最终得到提取结果。本发明本着以应用为核心的设计思想,公开了一种基于深度学习的遥感影像的植被提取方法,该方法对VGG16网络进行了改进,将网络的全连接输出层换成了卷积层,使网络成为一个全卷积网络,并使用人工标注的样本对网络进行训练,使用训练好的模型对指定的影像进行提取,不仅实现了对遥感影像中植被的自动提取,而且减少人工的投入,同时提高了提取精度,最终实现了遥感影像植被的高效、精准、自动化提取。
Description
技术领域
本发明涉及一种植被提取优化方法,尤其涉及一种基于卷积神经网络的遥感影像的植被提取优化方法。
背景技术
随着遥感技术的不断发展,遥感数据急剧增加。因此,在大数据条件下的遥感影像的目标识别尤为重要。目前基于机器学习的图像分割的传统方法需要依靠先验知识进行人工选择和设计,不仅耗时耗力,而且难以保证最终结果的精度;基于非参数转换到数据驱动方法不适于任何场景,对不同的场景得不到准确的图像语义分割结果。
为了实现图像的语义分割,进而对遥感图像中的植被进行提取,目前有以下三种技术方案:方案一:采用阈值分割方法,用一个或者几个阈值将图像的灰度直方图分成几类,将图像中灰度值一致的像素划分为同一物体,但是阈值的选择容易收到噪声和亮度的影响;方案二:采用基于边缘的方法,通过检测包含不同语义信息的边缘进行图像的分割,然而权衡边缘检的时候抗噪性和检测精度较难;方案三:采用基于区域的分割方法,把具有相似性质的像素点进行连通,从而慢慢的组成最终的分割区域结果,从而容易造成图像的过渡分割。
目前在遥感图像的植被提取已有的常用方法中,需要人工提取图像的特征与表达,在精确度以及效率方面效果欠佳。而随着遥感影像数据的急剧增加,人工提取的方式就显得捉襟见肘。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种基于卷积神经网络的遥感影像的植被提取优化方法。
为了解决以上技术问题,本发明采用的技术方案是:一种基于卷积神经网络的遥感影像的植被提取优化方法,包括训练过程和提取过程;
训练过程包括以下步骤:
S11、选取要用于进行识别的影像类型,对影像上的植被进行人工标注,并将标注保存为栅格数据;
S12、将步骤S11得到的标注数据和原始数据进行切块,切块大小为512×512像素,舍弃边缘大小不足512像素的部分,原始数据需要和标注的数据一一对应;将数据的百分之二十作为验证集,剩余的作为样本集;
S13、修改VGG16网络模型,将最后的卷积层修改为全积层,构建全积网络;
S14、使用步骤S12中的样本对步骤S13中的模型进行训练;
S15、根据结果,加深网络的层次,使用步骤S14训练的模型作为预训练模型,再次使用步骤S12的样本进行训练,得到训练好的模型;
提取过程包括以下步骤:
S21、加载训练过程步骤S15中训练好的模型;
S22、对要进行植被提取的样本进行分块处理,分块的大小为512×512像素,和样本相同;
S23、使用步骤S21中的模型分别对每块影像进行处理,提取出植被所在的区域;
S24、对步骤S23中提取出来的区域进行合并,得到提取结果。
本发明本着以应用为核心的设计思想,公开了一种基于深度学习的遥感影像的植被提取方法,该方法对VGG16网络进行了改进,将网络的全连接输出层换成了卷积层,使网络成为一个全卷积网络,并使用人工标注的样本对网络进行训练,使用训练好的模型对指定的影像进行提取,不仅实现了对遥感影像中植被的自动提取,而且减少人工的投入,同时提高了提取精度,最终实现了遥感影像植被的高效、精准、自动化提取。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示的一种基于卷积神经网络的遥感影像的植被提取优化方法,包括训练过程和提取过程;
训练过程包括以下步骤:
S11、选取要用于进行识别的影像类型,对影像上的植被进行人工标注,并将标注保存为栅格数据;
S12、将步骤S11得到的标注数据和原始数据进行切块,切块大小为512×512像素,舍弃边缘大小不足512像素的部分,原始数据需要和标注的数据一一对应;将数据的百分之二十作为验证集,剩余的作为样本集;
S13、修改VGG16网络模型,将最后的卷积层修改为全积层,构建全积网络;该方法中使用的VGG16模型一共有16个卷积层,分为5个部分,该模型可以通过训练得到。以VGG16卷积神经网络作为设计核心,实现对遥感影像中植被的自动提取。
S14、使用步骤S12中的样本对步骤S13中的模型进行训练;
S15、根据结果,加深网络的层次,使用步骤S14训练的模型作为预训练模型,再次使用步骤S12的样本进行训练,得到训练好的模型;
基于VGG16网络的FCN-32/16/8s,FCN的意思是fully convolution network,即全卷积网络,就是连最后的全连接层也全部变成卷积层。FCN对图片的尺寸没有特别的要求,而且识别度高。
卷积神经网络能够自动学习得到图像特征的分布表示,避免了人工显式的特征提取与表达的需要,并且,与目前的传统方法对比,卷积神经网络能够从大量样本图像集中学习得到更深层次的图像特征。
提取过程包括以下步骤:
S21、加载训练过程步骤S15中训练好的模型;
S22、对要进行植被提取的样本进行分块处理,分块的大小为512×512像素,和样本相同;
S23、使用步骤S21中的模型分别对每块影像进行处理,提取出植被所在的区域;
S24、对步骤S23中提取出来的区域进行合并,得到提取结果。
本发明将深度学习中的卷积神经网络运用到遥感影像的植被提取中,用深度卷积神经网络解决不平衡分类问题,channel(通道)数目更大;VGG网络采用多个3×3的卷积,模仿出更大的感受野的效果,实现了遥感影像植被的精准提取。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (1)
1.一种基于卷积神经网络的遥感影像的植被提取优化方法,其特征在于:所述方法包括训练过程和提取过程;
所述训练过程包括以下步骤:
S11、选取要用于进行识别的影像类型,对影像上的植被进行人工标注,并将标注保存为栅格数据;
S12、将步骤S11得到的标注数据和原始数据进行切块,切块大小为512×512像素,舍弃边缘大小不足512像素的部分,原始数据需要和标注的数据一一对应;将数据的百分之二十作为验证集,剩余的作为样本集;
S13、修改VGG16网络模型,将最后的卷积层修改为全积层,构建全积网络;
S14、使用步骤S12中的样本对步骤S13中的模型进行训练;
S15、根据结果,加深网络的层次,使用步骤S14训练的模型作为预训练模型,再次使用步骤S12的样本进行训练,得到训练好的模型;
所述提取过程包括以下步骤:
S21、加载训练过程步骤S15中训练好的模型;
S22、对要进行植被提取的样本进行分块处理,分块的大小为512×512像素,和样本相同;
S23、使用步骤S21中的模型分别对每块影像进行处理,提取出植被所在的区域;
S24、对步骤S23中提取出来的区域进行合并,得到提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735084.1A CN109034007A (zh) | 2018-07-06 | 2018-07-06 | 一种基于卷积神经网络的遥感影像的植被提取优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735084.1A CN109034007A (zh) | 2018-07-06 | 2018-07-06 | 一种基于卷积神经网络的遥感影像的植被提取优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034007A true CN109034007A (zh) | 2018-12-18 |
Family
ID=64640714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810735084.1A Withdrawn CN109034007A (zh) | 2018-07-06 | 2018-07-06 | 一种基于卷积神经网络的遥感影像的植被提取优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034007A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903267A (zh) * | 2019-01-22 | 2019-06-18 | 江苏恒力化纤股份有限公司 | 一种基于图像处理技术测试网络丝网络度的方法 |
CN111243081A (zh) * | 2020-01-08 | 2020-06-05 | 广西医科大学附属口腔医院 | 一种数字化椅旁树脂充填导板的制作方法及导板 |
CN113780096A (zh) * | 2021-08-17 | 2021-12-10 | 北京数慧时空信息技术有限公司 | 基于半监督深度学习的植被类地物提取方法 |
-
2018
- 2018-07-06 CN CN201810735084.1A patent/CN109034007A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903267A (zh) * | 2019-01-22 | 2019-06-18 | 江苏恒力化纤股份有限公司 | 一种基于图像处理技术测试网络丝网络度的方法 |
CN109903267B (zh) * | 2019-01-22 | 2021-01-05 | 江苏恒力化纤股份有限公司 | 一种基于图像处理技术测试网络丝网络度的方法 |
CN111243081A (zh) * | 2020-01-08 | 2020-06-05 | 广西医科大学附属口腔医院 | 一种数字化椅旁树脂充填导板的制作方法及导板 |
CN113780096A (zh) * | 2021-08-17 | 2021-12-10 | 北京数慧时空信息技术有限公司 | 基于半监督深度学习的植被类地物提取方法 |
CN113780096B (zh) * | 2021-08-17 | 2023-12-01 | 北京数慧时空信息技术有限公司 | 基于半监督深度学习的植被类地物提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284758B (zh) | 一种发票印章消除方法、装置和计算机存储介质 | |
CN100565559C (zh) | 基于连通分量和支持向量机的图像文本定位方法和装置 | |
CN106447658A (zh) | 基于全局和局部卷积网络的显著性目标检测方法 | |
CN108710919A (zh) | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 | |
CN103699532B (zh) | 图像颜色检索方法和系统 | |
CN106372648A (zh) | 基于多特征融合卷积神经网络的浮游生物图像分类方法 | |
CN107871125A (zh) | 违章建筑识别方法、装置及电子设备 | |
CN109034007A (zh) | 一种基于卷积神经网络的遥感影像的植被提取优化方法 | |
CN104951554B (zh) | 为风景照配上符合其意境的诗句的方法 | |
CN102819728A (zh) | 一种基于分类模板匹配的交通标志检测方法 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN101763440A (zh) | 对搜索图像的过滤方法 | |
CN108614896A (zh) | 基于深度学习的银行大厅客户动线轨迹刻画系统及方法 | |
CN110276279B (zh) | 一种基于图像分割的任意形状场景文本探测方法 | |
CN104268590A (zh) | 基于互补性组合特征与多相回归的盲图像质量评价方法 | |
CN106960176A (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 | |
CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
CN102147867A (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN106127817A (zh) | 一种基于通道的图像二值化方法 | |
CN110503103A (zh) | 一种基于全卷积神经网络的文本行中的字符切分方法 | |
CN102184404A (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
CN104598907A (zh) | 一种基于笔画宽度图的图像中文字数据提取方法 | |
CN103955942A (zh) | 一种基于svm的2d图像的深度图提取方法 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
CN109145723A (zh) | 一种印章识别方法、系统、终端装置及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 101399 No. 2 East Airport Road, Shunyi Airport Economic Core Area, Beijing (1st, 5th and 7th floors of Industrial Park 1A-4) Applicant after: Zhongke Star Map Co., Ltd. Address before: 101399 No. 2 East Airport Road, Shunyi Airport Economic Core Area, Beijing (1st, 5th and 7th floors of Industrial Park 1A-4) Applicant before: Space Star Technology (Beijing) Co., Ltd. |
|
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181218 |