CN110956213A - 遥感影像特征库生成、遥感影像检索方法及装置 - Google Patents
遥感影像特征库生成、遥感影像检索方法及装置 Download PDFInfo
- Publication number
- CN110956213A CN110956213A CN201911204905.XA CN201911204905A CN110956213A CN 110956213 A CN110956213 A CN 110956213A CN 201911204905 A CN201911204905 A CN 201911204905A CN 110956213 A CN110956213 A CN 110956213A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- sensing image
- similarity
- candidate
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种遥感影像特征库生成、遥感影像检索方法及装置。遥感影像特征库生成方法包括:读取预先上传至分布式存储系统中的多景遥感影像;针对每景遥感影像,分别提取所述遥感影像的多个候选区域;针对每个候选区域,分别提取所述候选区域的图像特征;对全部候选区域的图像特征进行聚类,得到K个聚类中心;针对每个候选区域,分别获取所述候选区域的图像特征与每个聚类中心的相似度,将得到的K个相似度组成所述候选区域对应的K维特征向量;将所述K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,存储至遥感影像特征库中。本发明对候选区域的描述方式更加简便、准确,能够为高效、准确地检索遥感影像提供依据。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种遥感影像特征库生成、遥感影像检索方法及装置。
背景技术
海量遥感影像数据为基于高分辨率遥感影像的各类重大应用场景提供丰富、高质量数据源,在林业、农业、测绘、海洋科学、经济学、城市建设、国土规划等领域发挥了重要作用。由于目前地面数据处理能力不足,使得“数据海量,信息淹没”问题日益突出;多平台、高空间分辨率和光谱分辨率、重访周期短、影像条带宽等特点使得当前遥感数据总量呈现爆炸式增长,日积月累,各部门、公司、科研机构都存储了海量遥感数据,面对海量数据密集型计算需求,传统“独立存储、分散管理”的遥感数据存储方式面临极大挑战。
因此,如何对海量高分辨率遥感影像进行更加简便、更加准确地存储和管理,以便为从包含丰富地物光谱、纹理和空间关系信息的高分辨率遥感影像上实现感兴趣目标区域的快速定位和高效检索提供条件,是遥感影像应用过程中急需解决的难题。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种遥感影像特征库生成、遥感影像检索方法及装置。
第一方面,本发明实施例公开了一种遥感影像特征库生成方法,所述方法包括:
读取预先上传至分布式存储系统中的多景遥感影像;
针对每景遥感影像,分别提取所述遥感影像的多个候选区域;
针对每个候选区域,分别提取所述候选区域的图像特征;
对全部候选区域的图像特征进行聚类,得到K个聚类中心,K为正整数;
针对每个候选区域,分别获取所述候选区域的图像特征与每个聚类中心的相似度,将得到的K个相似度组成所述候选区域对应的K维特征向量;
将所述K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,存储至遥感影像特征库中。
可选地,所述提取所述遥感影像的多个候选区域,包括:将所述遥感影像分割成多个子区域;计算每两个相邻子区域的相似度;将相似度大于第一预设阈值的相邻子区域合并,得到多个合并区域;确定每个所述合并区域的权重;将权重最大的第一预设个数的合并区域作为所述遥感影像的多个候选区域。
可选地,所述确定每个所述合并区域的权重,包括:按照所述合并区域的生成顺序,为每个所述合并区域赋予权重,生成顺序在先的合并区域的权重大于生成顺序在后的合并区域的权重;计算每两个合并区域的相似度;将相似度大于第二预设阈值的两个合并区域的权重累加,将累加后的权重作为所述相似度大于第二预设阈值的两个合并区域的权重。
可选地,所述遥感影像在所述分布式存储系统中以二进制数据流格式分块存储;所述读取预先上传至分布式存储系统中的多景遥感影像,包括:针对每景遥感影像,获取所述遥感影像的各分块的二进制数据流,对传输过程中的二进制数据流进行序列化与反序列化;在所述二进制数据流传输完成后,将所述遥感影像对应的分块参数设置为不分块;将所述二进制数据流中Text类型的数据作为key,BytesWritable类型的数据作为value,构建预设格式的所述遥感影像。
第二方面,本发明实施例公开了一种遥感影像检索方法,所述方法包括:
获取待检索图像,提取所述待检索图像的图像特征;
获取预先生成的遥感影像特征库中存储的K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,K为正整数;所述遥感影像特征库是根据如上任一项所述的方法生成的;
计算所述待检索图像的图像特征与所述K个聚类中心的相似度,将得到的K个相似度组成所述待检索图像对应的K维特征向量;
分别计算所述待检索图像对应的K维特征向量与每个候选区域对应的K维特征向量的相似度,将相似度最大的第二预设个数的候选区域所属的遥感影像作为所述待检索图像对应的遥感影像。
第三方面,本发明实施例公开了一种遥感影像特征库生成装置,所述装置包括:
读取模块,用于读取预先上传至分布式存储系统中的多景遥感影像;
区域提取模块,用于针对每景遥感影像,分别提取所述遥感影像的多个候选区域;
第一特征提取模块,用于针对每个候选区域,分别提取所述候选区域的图像特征;
聚类模块,用于对全部候选区域的图像特征进行聚类,得到K个聚类中心,K为正整数;
第一组合模块,用于针对每个候选区域,分别获取所述候选区域的图像特征与每个聚类中心的相似度,将得到的K个相似度组成所述候选区域对应的K维特征向量;
存储模块,用于将所述K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,存储至遥感影像特征库中。
可选地,所述区域提取模块包括:分割单元,用于将所述遥感影像分割成多个子区域;计算单元,用于计算每两个相邻子区域的相似度;合并单元,用于将相似度大于第一预设阈值的相邻子区域合并,得到多个合并区域;确定单元,用于确定每个所述合并区域的权重;区域选取单元,用于将权重最大的第一预设个数的合并区域作为所述遥感影像的多个候选区域。
可选地,所述确定单元包括:赋值子单元,用于按照所述合并区域的生成顺序,为每个所述合并区域赋予权重,生成顺序在先的合并区域的权重大于生成顺序在后的合并区域的权重;相似度计算子单元,用于计算每两个合并区域的相似度;累加子单元,用于将相似度大于第二预设阈值的两个合并区域的权重累加,将累加后的权重作为所述相似度大于第二预设阈值的两个合并区域的权重。
可选地,所述遥感影像在所述分布式存储系统中以二进制数据流格式分块存储;所述读取模块包括:数据获取单元,用于针对每景遥感影像,获取所述遥感影像的各分块的二进制数据流,对传输过程中的二进制数据流进行序列化与反序列化;设置单元,用于在所述二进制数据流传输完成后,将所述遥感影像对应的分块参数设置为不分块;构建单元,用于将所述二进制数据流中Text类型的数据作为key,BytesWritable类型的数据作为value,构建预设格式的所述遥感影像。
第四方面,本发明实施例公开了一种遥感影像检索装置,所述装置包括:
第二特征提取模块,用于获取待检索图像,提取所述待检索图像的图像特征;
获取模块,用于获取预先生成的遥感影像特征库中存储的K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,K为正整数;所述遥感影像特征库是根据如上任一项所述的装置生成的;
第二组合模块,用于计算所述待检索图像的图像特征与所述K个聚类中心的相似度,将得到的K个相似度组成所述待检索图像对应的K维特征向量;
选取模块,用于分别计算所述待检索图像对应的K维特征向量与每个候选区域对应的K维特征向量的相似度,将相似度最大的第二预设个数的候选区域所属的遥感影像作为所述待检索图像对应的遥感影像。
本发明实施例中,预先将多景遥感影像上传至分布式存储系统,从分布式存储系统中读取多景遥感影像;针对每景遥感影像,分别提取所述遥感影像的多个候选区域;针对每个候选区域,分别提取所述候选区域的图像特征;对全部候选区域的图像特征进行聚类,得到K个聚类中心;针对每个候选区域,分别获取所述候选区域的图像特征与每个聚类中心的相似度,将得到的K个相似度组成所述候选区域对应的K维特征向量;将所述K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,存储至遥感影像特征库中。因此,本发明实施例中通过构建K个聚类中心,根据K个聚类中心可以生成遥感影像的每个候选区域对应的K维特征向量,通过该K维特征向量描述候选区域,描述方式更加简便、准确。当依据待检索图像检索遥感影像时,根据K个聚类中心生成待检索图像对应的K维特征向量,然后针对K维特征向量计算相似度,以便确定与待检索图像相似的遥感影像,计算相似度的过程更加简便,计算更加准确,从而提高检索的效率及准确性。
附图说明
图1是本发明实施例一的一种遥感影像特征库生成方法的步骤流程图。
图2是本发明实施例二的一种遥感影像检索方法的步骤流程图。
图3是本发明实施例三的一种遥感影像的整体处理过程示意图。
图4是本发明实施例四的一种遥感影像特征库生成装置的结构框图。
图5是本发明实施例五的一种遥感影像检索装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,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。
本发明实施例涉及海量遥感卫星数据处理系统中的应用,尤其是涉及使用神经网络和并行计算加速构建海量遥感影像特征库并进行检索。
在实现中,遥感影像的检索方式可以分为基于文本的图像检索技术和基于内容的图像检索技术。基于文本的图像检索技术需要大量人工标注工作,主要标记图像的采集时间、采集设备、采集人员、采集地点、图像内容、图像编号、图像尺寸等属性信息,并以文本信息方式存入传统关系型数据库进行管理。将待检索图像与数据库中的文本信息进行比对并返回检索结果。该方法严重依赖人工及先验知识,人工标注工作效率已远远不能满足海量图像数据标注需求。基于内容的图像检索使用图像库中数据统一提取特征向量,构建图像特征向量库,当上传待检索图像至系统时,提取待检索图像特征向量并与特征向量库中数据进行相似度度量运算,返回图像库中所有图像的相似度排名。该方法避免人工标注带来的误差,提高了检索精度,面对海量遥感影像时特征库的构建属于计算密集型任务,建库速度慢,此外选择何种图像特征描述方法对检索精度存在巨大影响。
本发明实施例中,采用基于分布式框架Hadoop实现数据分布式存储和和并行计算,并使用神经网络提取图像特征构建特征库,适用于海量遥感影像数据的处理。
实施例一
参照图1,示出了本发明实施例一的一种遥感影像特征库生成方法的步骤流程图。
本发明实施例的遥感影像特征库生成方法可以包括以下步骤:
步骤101,读取预先上传至分布式存储系统中的多景遥感影像。
一景指拍摄一次所拍摄到的画面,一景遥感图像所包含的面积少则几千平方公里,多则上万平方公里。一景遥感影像也可以理解为一幅遥感影像。
预先将多景遥感影像上传至HDFS(Hadoop Distributed File System,分布式文件系统)中。在需要对遥感影像进行处理,生成遥感影像特征库时,从HDFS中读取待处理的多景遥感影像。
步骤102,针对每景遥感影像,分别提取所述遥感影像的多个候选区域。
针对每景遥感影像分别进行处理,每景遥感影像的处理过程相同。针对一景遥感影像,提取该景遥感影像的候选区域,一景遥感影像可以提取出多个候选区域。
步骤103,针对每个候选区域,分别提取所述候选区域的图像特征。
针对每景遥感影像的每个候选区域,分别提取该候选区域的图像特征。比如,HDFS中存储有1000景遥感影像,每景遥感影像可以提取出2000个候选区域,则一共可以提取出1000×2000=2×106个候选区域。针对每个候选区域提取图像特征。
本发明实施例中,可以采用任意一种适用的特征提取方式提取候选区域的图像特征。比如,可以采用各种可选的神经网络提取候选区域的图像特征等。神经网络比如可以为AlexNet等。
步骤104,对全部候选区域的图像特征进行聚类,得到K个聚类中心。
对全部候选区域的图像特征进行K-means聚类,得到K个聚类中心。一个聚类中心即表示一个候选区域的图像特征。其中,K为正整数。
步骤105,针对每个候选区域,分别获取所述候选区域的图像特征与每个聚类中心的相似度,将得到的K个相似度组成所述候选区域对应的K维特征向量。
针对每个候选区域,分别获取该候选区域的图像特征与每个聚类中心的相似度,即可得到K个相似度,将K个相似度组成K维特征向量,即为该候选区域对应的K维特征向量。
步骤106,将所述K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,存储至遥感影像特征库中。
本发明实施例中,通过构建K个聚类中心,根据K个聚类中心可以生成遥感影像的每个候选区域对应的K维特征向量,通过该K维特征向量描述候选区域,描述方式更加简便、准确。
实施例二
参照图2,示出了本发明实施例二的一种遥感影像检索方法的步骤流程图。
本发明实施例的遥感影像检索方法可以包括以下步骤:
步骤201,获取待检索图像,提取所述待检索图像的图像特征。
当用户需要检索遥感影像时,用户提交待检索图像。针对待检索图像,提取其图像特征。
本发明实施例中,可以采用任意一种适用的特征提取方式提取待检索图像的图像特征。比如,可以采用各种可选的神经网络提取待检索图像的图像特征等。神经网络比如可以为AlexNet等。
步骤202,获取预先生成的遥感影像特征库中存储的K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量。
其中,遥感影像特征库是根据上述实施例的遥感影像特征库生成方法生成的。
步骤203,计算所述待检索图像的图像特征与所述K个聚类中心的相似度,将得到的K个相似度组成所述待检索图像对应的K维特征向量。
计算所述待检索图像的图像特征与所述K个聚类中心的相似度,即可得到K个相似度,将K个相似度组成K维特征向量,即为待检索图像对应的K维特征向量。
步骤204,分别计算所述待检索图像对应的K维特征向量与每个候选区域对应的K维特征向量的相似度,将相似度最大的第二预设个数的候选区域所属的遥感影像作为所述待检索图像对应的遥感影像。
计算得到待检索图像对应的K维特征向量与每个候选区域对应的K维特征向量的相似度后,按照相似度的大小对候选区域进行排序,选取其中相似度最大的第二预设个数的候选区域,将选取的候选区域所属的遥感影像作为检索结果,返回给用户。
对于第二预设个数的具体数值,本领域技术人员根据实际经验选取任意适用的数值均可,本发明实施例对此不作限制。
本发明实施例中,当依据待检索图像检索遥感影像时,根据K个聚类中心生成待检索图像对应的K维特征向量,然后针对K维特征向量计算相似度,以便确定与待检索图像相似的遥感影像,计算相似度的过程更加简便,计算更加准确,从而提高检索的效率及准确性。
实施例三
参照图3,示出了本发明实施例三的一种遥感影像的整体处理过程示意图。如图3所示,整体处理过程可以包括离线建库和在线检索。其中离线建库过程可以包括:高分辨率遥感影像→基于HDFS的影像库→基于Selective Search(选择性搜索)提取候选区域→基于AlexNet提取图像特征→基于改进的K-means构建视觉词袋模型→基于HBase(HBase是一种Hadoop数据库)和HDFS的特征库。在线检索过程可以包括:用户提交的待检索图像→基于AlexNet提取图像特征→查询基于HBase和HDFS的特征库进行相似度计算→从基于HDFS的影像库获取检索结果,并返回检索结果。其中,基于HDFS的影像库、基于Selective Search提取候选区域、基于AlexNet提取图像特征、基于改进的K-means构建视觉词袋模型、基于HBase和HDFS的特征库、相似度计算、获取检索结果,并返回检索结果的过程基于Hadoop分布式存储与并行计算框架进行处理。
下面具体说明。本发明实施例的遥感影像的整体处理过程可以包括:
Step.1,将原始的高分辨率遥感影像上传至基于HDFS的影像库中,实现海量遥感影像的分布式存储。
将格式为GeoTIFF的高分辨率遥感影像上传至HDFS集群中。GeoTIFF是包含地理信息的一种TIFF(Tag Image File Format,标记影像文件格式)文件格式。
由于不同于遥感影像分辨率很高,如果在单个节点上存储则会存在使用时磁盘I/O(Input/Output,输入/输出)瓶颈,同时也会存在数据存储的安全问题。并且因为HDFS为了适应各种类型的数据存储,比如.jpg、.txt、.log、.tiff等,所以为了兼容各类格式,HDFS通常将数据作为单纯的二进制数据存储。基于以上原因,单景遥感影像被分成不同块存储在多个节点中。比如,每一景遥感影像按照64M进行数据分块,分布于集群各个节点中进行存储和管理,当单块不足64M时按照实际大小存储。
Step.2,基于GDAL(Geospatial Data Abstraction Library,栅格空间数据转换库)实现GdalInputFormat批量读取HDFS中标准格式(也即二进制数据格式)的海量遥感影像,将读取的一批遥感影像通过MapReduce(映射/归约)框架分发至集群中各个节点,在每个节点中使用Selective Search算法提取每景遥感影像的候选区域。
Hadoop分布式与并行计算框架已在搜索引擎、电子商务、社交网络等领域取得了巨大成功。HDFS为海量数据的分布式存储与管理提供保障,用户无需关心数据存放,传输与管理等问题。MapReduce简化了分布式计算,将分布式计算分为Map(映射)和Reduce(归约)两个阶段,用户无需关注分布式底层细节,实现分布式计算。由于Hadoop内置方法不具有图像处理的能力,现在大多Hadoop应用均针对的是文本数据源。虽然通过编程语言自带的图像处理库将Hadoop应用到图像处理中,但该方式处理的图像仅适用于常见的jpg、jpeg等格式,无法读取Tiff、Erdas、Image、NetCDF(network Common Data Form,网络通用数据格式)、HDF4(Hierarchical Data Format,层次型数据格式)、HDF5等常见遥感影像格式,不能获取其地理信息并对其进行处理。
本发明实施例中,基于GDAL实现GdalInputFormat批量读取HDFS中标准格式的海量遥感影像。其中GdalInputFormat继承自FileInputFormat。不同于传统Hadoop图像读取时将整景影像划分为条带进行物理切分导致的目标割裂、边缘数据丢失问题,本方法将整景遥感影像作为整体分发至各个节点。
在一种可选实施方式中,读取预先上传至分布式存储系统中的多景遥感影像的过程可以包括:针对每景遥感影像,获取所述遥感影像的各分块的二进制数据流,对传输过程中的二进制数据流进行序列化与反序列化;在所述二进制数据流传输完成后,将所述遥感影像对应的分块参数设置为不分块;将所述二进制数据流中Text类型的数据作为key,BytesWritable类型的数据作为value,构建预设格式的所述遥感影像。其中,预设格式为遥感影像的原始格式,比如Tiff格式等。
针对一景遥感影像来说,集群中的master节点(主节点)判定离该景遥感影像的数据最近的节点作为该景遥感影像的计算节点。该计算节点从各个存储该景遥感影像的数据的节点中获取该景遥感影像的二进制数据流,使用自定义的RSImageWritable方式对传输过程中的二进制数据流进行序列化与反序列化的过程,依次传输影像坐标参数、名称、宽、高、影像数据类型、影像波段信息、影像数据等。当数据传输完成后,在计算节点返回一个新的RecordReader,名称为GdalRecordReader,为了避免图像处理时数据的损失,通过自定义的GdalInputFormat类实现对图像分块方式的定义,将其中isSplitable的值设置为false。通过GdalRecordReader类将BytesWritable(可写字节)类型的影像数据作为value(值),将Text(文本)类型的影像名称作为key(键),将key和value送入Hadoop的Map函数中。当Map函数调用遥感影像时,以二进制数据流形式从HDFS中读取影像数据,使用GDAL在内存中构建虚拟影像文件(也即预设格式的遥感影像),按照波段顺序读取影像文件并将一景遥感影像数据存入一个数组。
在每个计算节点上,通过Map函数调用Selective Search算法对单景遥感影像进行候选区域提取,这样子可以在集群中同时对一批遥感影像进行候选区域提取。
在一种可选实施方式中,提取所述遥感影像的多个候选区域的过程可以包括A1~A5:
A1,将所述遥感影像分割成多个子区域。
比如,可以采用felzenszwalb算法等图像分割算法将遥感影像分割成多个子区域。对于具体的分割过程,本发明实施例在此不再详细论述。
A2,计算每两个相邻子区域的相似度。
本发明实施例中,相似度计算时可以考虑颜色、纹理、尺寸和空间交叠这4个参数。计算公式如下所示:
公式1中,scolour(ri,rj)表示两个相邻子区域ri和rj的颜色相似度,n表示HSV(Hue,Saturation,Value,色调,饱和度,明度)方法中的通道数,比如n=25,表示子区域ri的第k个HSV通道直方图区间归一化后的值,表示子区域rj的第k个HSV通道直方图区间归一化后的值。
公式2中,Stexture(ri,rj)表示两个相邻子区域ri和rj的纹理相似度,n表示RGB(Red,Green,Blue,红,绿,蓝)方法中的通道数,比如n=240,表示子区域ri的第k个RGB通道直方图区间归一化后的值,表示子区域rj的第k个RGB通道直方图区间归一化后的值。
公式3中,ssize(ri,rj)表示两个相邻子区域ri和rj的尺寸相似度,size(ri)表示子区域ri的尺寸(即像素大小),size(rj)表示子区域rj的尺寸,size(im)表示该景遥感影像的尺寸。
公式4中,sfill(ri,rj)表示两个相邻子区域ri和rj的空间交叠相似度,size(ri)表示子区域ri的尺寸(即像素大小),size(rj)表示子区域rj的尺寸,size(im)表示该景遥感影像的尺寸,size(BBij)表示包含子区域ri和rj的矩形包围框的尺寸。
s(ri,rj)=a1scolour(ri,rj)+a2stexture(ri,rj)+a3ssize(ri,rj)+a4sfill(ri,rj)
公式5
公式5中,s(ri,rj)表示两个相邻子区域ri和rj的相似度,a1、a2、a3、a4表示权重值,a1、a2、a3、a4总和为1。
本发明实施例中,在计算相似度时,可以采用计算欧氏距离、余弦距离等各种适用的相似度计算方式。
A3,将相似度大于第一预设阈值的相邻子区域合并,得到多个合并区域。
对于第一预设阈值的具体数值,本领域技术人员根据实际经验选用任意适用的数值均可,本发明实施例对此不作限制。
A4,确定每个所述合并区域的权重。
可选地,所述确定每个所述合并区域的权重的过程可以包括A41~A43:
A41,按照所述合并区域的生成顺序,为每个所述合并区域赋予权重。
本发明实施例中,在赋予权重时,原则是生成顺序在先的合并区域的权重大于生成顺序在后的合并区域的权重。对于权重的具体数值,本发明实施例不作限制。
比如,有100个合并区域,则可以将第一个生成的合并区域的权重赋为100,第二个生成的合并区域的权重赋为99,……,将倒数第二个生成的合并区域的权重赋为2,将最后一个生成的合并区域的权重赋为1,等等。
A42,计算每两个合并区域的相似度。
对于每两个合并区域的相似度的计算过程,与上述每两个相邻子区域的相似度的计算过程基本相似,具体参照上述A2的相关描述即可,本发明实施例在此不再详细论述。
A43,将相似度大于第二预设阈值的两个合并区域的权重累加,将累加后的权重作为所述相似度大于第二预设阈值的两个合并区域的权重。
比如,合并区域1与合并区域2的相似度大于第二预设阈值,合并区域1的权重为5,合并区域2的权重为3,则权重累加后,合并区域1的权重变为8,合并区域2的权重也变为8。
对于第二预设阈值的具体数值,本领域技术人员根据实际经验选用任意适用的数值均可,本发明实施例对此不作限制。
A5,将权重最大的第一预设个数的合并区域作为所述遥感影像的多个候选区域。
在得到每个合并区域的权重后,按照权重的大小对合并区域进行排序,选取其中权重最大的第一预设个数的合并区域,将选取的合并区域作为遥感影像的多个候选区域。
对于第一预设个数的具体数值,本领域技术人员根据实际经验选用任意适用的数值均可,本发明实施例对此不作限制。
Step.3,在集群计算节点上使用神经网络AlexNet对候选区域进行特征提取,并将fc7层提取到的特征作为图像描述,也即作为候选区域的图像特征,每个候选区域特征将存储于一个txt文件分布式存储于HDFS中。
在提取候选区域后,主节点按照每个候选区域数据最近原则再次分配计算节点,在各个计算节点提取候选区域的图像特征并送入HDFS中作为特征文件进行存储。
AlexNet网络结构描述如下:
(1)该网络使用RGB三通道图像作为输入,分辨率为224*224。网络第一个卷积层使用96个11*11*3的卷积核对输入图像进行卷积操作,同时在xy方向以步长4进行移动,完成卷积运算后数据以55*55*96尺寸输出。经ReLU(Rectified Liner Uints,修正线性单元)激活层处理后进行最大化池化操作,池化操作时,步长为2,尺度为3*3。归一化操作后将数据以27*27*96尺寸输出。
(2)第二个卷积层接收来自上一层的数据(27*27*96),使用256个5*5卷积核对数据进行处理,步长为1。为保证数据尺寸便于后续处理,本次卷积处理前使用pad操作对数据进行补充,每幅像素层四个边分别填充像素数量为2。卷积操作后经ReLU激活层输出特征图尺寸为27*27*256。然后进行池化操作、局部响应归一化层操作,池化运算尺度为3*3,步长为2,最后输出数据为13*13*256。
(3)卷积层三接收来自上一层输出数据13*13*256,进行卷积操作。其中pad值为1,卷积步长为1,卷积核尺寸为3*3,卷积核数量为384,因此经卷积和ReLU激活层后输出为13*13*284。该卷积层后未接池化层和局部响应归一化层操作。
(4)卷积层四接收来自卷积层三的输出,大小为13*13*284。该层使用284个13*13卷积核对数据进行处理,步长为1,pad为1。经ReLU激活层后输出数据为13*13*384。
(5)卷积层五接受来自卷积层四的输出,大小为13*13*284,进行卷积操作。该层使用256个卷积核对数据进行卷积操作,卷积核尺寸为13*13,步长为1,pad为1.经ReLU激活层后输出数据为13*13*256。后接池化层进行池化操作,池化运算尺度为3*3,步长为2,因此输出数据尺寸为6*6*256。
(6)卷积层五后接全连接层,简写为fc6。该层输入数据尺寸为6*6*256。由于全连接层是特殊大小卷积核的池化层,因此fc6使用4096个6*6卷积核进行卷积操作,经ReLU层和Dropout层后输出为4096维向量。
(7)后接网络第七层,第七层为全连接层,简写为fc7,经ReLU层和Dropout层后输出为4096维向量。
(8)AlexNet第八层使用1000个神经元与第七层相连接,经训练后输出1000个类别打分。
Step.4,使用改进后的基于MapReduce的K-means方法对所有提取到的图像特征聚类,使用生成的K个聚类中心构建数据字典。然后将每个候选区域的图像特征对应K个聚类中心建立一个K维的特征向量来代替提取的fc7特征对候选区域进行描述,以此构建视觉词袋模型。
该步骤通过K-means方法进行具体实现。K-means算法是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量V最优分类,使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。改进后的K-means算法可以在基于Hadoop的并行计算框架MapReduce中进行处理。
对全部候选区域的图像特征进行聚类,得到K个聚类中心。算法过程如下:
1)从随机选取K个候选区域的图像特征作为初始质心(质心也即聚类中心)。
2)对剩余的每个候选区域的图像特征,计算其到每个质心的距离(比如欧氏距离),并把它归到最近的质心的类。
3)重新计算已经得到的各个类的质心。
4)迭代2~3步直至新的质心与原质心相等或小于指定阈值,算法结束。
对于K-means算法进行聚类的具体过程,本领域技术人员根据实际经验进行处理即可,本发明实施例对此不再详细论述。
得到K个聚类中心后,针对每个候选区域,分别获取所述候选区域的图像特征与每个聚类中心的相似度,这里的相似度可以为欧氏距离。针对每个候选区域可以得到K个相似度,将得到的K个相似度组成所述候选区域对应的K维特征向量。
Step.5,将K个聚类中心,每景遥感影像的每个候选区域对应的K维特征向量、每景遥感影像的每个候选区域在遥感影像上的像素坐标(该坐标可以在提取候选区域后获取)、每景遥感影像的每个候选区域对应的fc7层图像特征向量,存入HBase中进行入库管理,每景遥感影像的特征文件对应一个HBase列,得到基于HBase和HDFS的特征库。
Step.6,检索时用户提交待检索图像,在集群主节点提取AlexNet中fc7层的图像特征。根据数据字典(也即K个聚类中心)计算待检索图像的图像特征与K个聚类中心的相似度,将得到的K个相似度组成待检索图像对应的K维特征向量。
Step.7,将待检索图像对应的K维特征向量提交MapReduce框架,与特征库中每个候选区域对应的K维特征向量进行相似度计算(这里的相似度可以为欧氏距离)。相似度排名靠前第二预设个数的候选区域所属的遥感影像作为检索结果返回用户。
本发明实施例中,结合深度特征的较强描述能力与分布式框架的强大计算能力,能够从海量遥感影像中快速检索及定位出感兴趣目标。
实施例四
参照图4,示出了本发明实施例四的一种遥感影像特征库生成装置的结构框图。
本发明实施例的遥感影像特征库生成装置可以包括以下模块:
读取模块401,用于读取预先上传至分布式存储系统中的多景遥感影像。
区域提取模块402,用于针对每景遥感影像,分别提取所述遥感影像的多个候选区域。
第一特征提取模块403,用于针对每个候选区域,分别提取所述候选区域的图像特征。
聚类模块404,用于对全部候选区域的图像特征进行聚类,得到K个聚类中心,K为正整数。
第一组合模块405,用于针对每个候选区域,分别获取所述候选区域的图像特征与每个聚类中心的相似度,将得到的K个相似度组成所述候选区域对应的K维特征向量。
存储模块406,用于将所述K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,存储至遥感影像特征库中。
可选地,所述区域提取模块402包括:分割单元,用于将所述遥感影像分割成多个子区域;计算单元,用于计算每两个相邻子区域的相似度;合并单元,用于将相似度大于第一预设阈值的相邻子区域合并,得到多个合并区域;确定单元,用于确定每个所述合并区域的权重;区域选取单元,用于将权重最大的第一预设个数的合并区域作为所述遥感影像的多个候选区域。
可选地,所述确定单元包括:赋值子单元,用于按照所述合并区域的生成顺序,为每个所述合并区域赋予权重,生成顺序在先的合并区域的权重大于生成顺序在后的合并区域的权重;相似度计算子单元,用于计算每两个合并区域的相似度;累加子单元,用于将相似度大于第二预设阈值的两个合并区域的权重累加,将累加后的权重作为所述相似度大于第二预设阈值的两个合并区域的权重。
可选地,所述遥感影像在所述分布式存储系统中以二进制数据流格式分块存储;所述读取模块401包括:数据获取单元,用于针对每景遥感影像,获取所述遥感影像的各分块的二进制数据流,对传输过程中的二进制数据流进行序列化与反序列化;设置单元,用于在所述二进制数据流传输完成后,将所述遥感影像对应的分块参数设置为不分块;构建单元,用于将所述二进制数据流中Text类型的数据作为key,BytesWritable类型的数据作为value,构建预设格式的所述遥感影像。
实施例五
参照图5,示出了本发明实施例五的一种遥感影像检索装置的结构框图。
本发明实施例的遥感影像检索装置可以包括以下模块:
第二特征提取模块501,用于获取待检索图像,提取所述待检索图像的图像特征。
获取模块502,用于获取预先生成的遥感影像特征库中存储的K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,K为正整数;所述遥感影像特征库是根据实施例四中所述的装置生成的。
第二组合模块503,用于计算所述待检索图像的图像特征与所述K个聚类中心的相似度,将得到的K个相似度组成所述待检索图像对应的K维特征向量。
选取模块504,用于分别计算所述待检索图像对应的K维特征向量与每个候选区域对应的K维特征向量的相似度,将相似度最大的第二预设个数的候选区域所属的遥感影像作为所述待检索图像对应的遥感影像。
通过构建K个聚类中心,根据K个聚类中心可以生成遥感影像的每个候选区域对应的K维特征向量,通过该K维特征向量描述候选区域,描述方式更加简便、准确。当依据待检索图像检索遥感影像时,根据K个聚类中心生成待检索图像对应的K维特征向量,然后针对K维特征向量计算相似度,以便确定与待检索图像相似的遥感影像,计算相似度的过程更加简便,计算更加准确,从而提高检索的效率及准确性。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种遥感影像特征库生成、遥感影像检索方法及装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种遥感影像特征库生成方法,其特征在于,所述方法包括:
读取预先上传至分布式存储系统中的多景遥感影像;
针对每景遥感影像,分别提取所述遥感影像的多个候选区域;
针对每个候选区域,分别提取所述候选区域的图像特征;
对全部候选区域的图像特征进行聚类,得到K个聚类中心,K为正整数;
针对每个候选区域,分别获取所述候选区域的图像特征与每个聚类中心的相似度,将得到的K个相似度组成所述候选区域对应的K维特征向量;
将所述K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,存储至遥感影像特征库中。
2.根据权利要求1所述的方法,其特征在于,所述提取所述遥感影像的多个候选区域,包括:
将所述遥感影像分割成多个子区域;
计算每两个相邻子区域的相似度;
将相似度大于第一预设阈值的相邻子区域合并,得到多个合并区域;
确定每个所述合并区域的权重;
将权重最大的第一预设个数的合并区域作为所述遥感影像的多个候选区域。
3.根据权利要求2所述的方法,其特征在于,所述确定每个所述合并区域的权重,包括:
按照所述合并区域的生成顺序,为每个所述合并区域赋予权重,生成顺序在先的合并区域的权重大于生成顺序在后的合并区域的权重;
计算每两个合并区域的相似度;
将相似度大于第二预设阈值的两个合并区域的权重累加,将累加后的权重作为所述相似度大于第二预设阈值的两个合并区域的权重。
4.根据权利要求1所述的方法,其特征在于,所述遥感影像在所述分布式存储系统中以二进制数据流格式分块存储;所述读取预先上传至分布式存储系统中的多景遥感影像,包括:
针对每景遥感影像,获取所述遥感影像的各分块的二进制数据流,对传输过程中的二进制数据流进行序列化与反序列化;
在所述二进制数据流传输完成后,将所述遥感影像对应的分块参数设置为不分块;
将所述二进制数据流中Text类型的数据作为key,BytesWritable类型的数据作为value,构建预设格式的所述遥感影像。
5.一种遥感影像检索方法,其特征在于,所述方法包括:
获取待检索图像,提取所述待检索图像的图像特征;
获取预先生成的遥感影像特征库中存储的K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,K为正整数;所述遥感影像特征库是根据权利要求1至4中任一项所述的方法生成的;
计算所述待检索图像的图像特征与所述K个聚类中心的相似度,将得到的K个相似度组成所述待检索图像对应的K维特征向量;
分别计算所述待检索图像对应的K维特征向量与每个候选区域对应的K维特征向量的相似度,将相似度最大的第二预设个数的候选区域所属的遥感影像作为所述待检索图像对应的遥感影像。
6.一种遥感影像特征库生成装置,其特征在于,所述装置包括:
读取模块,用于读取预先上传至分布式存储系统中的多景遥感影像;
区域提取模块,用于针对每景遥感影像,分别提取所述遥感影像的多个候选区域;
第一特征提取模块,用于针对每个候选区域,分别提取所述候选区域的图像特征;
聚类模块,用于对全部候选区域的图像特征进行聚类,得到K个聚类中心,K为正整数;
第一组合模块,用于针对每个候选区域,分别获取所述候选区域的图像特征与每个聚类中心的相似度,将得到的K个相似度组成所述候选区域对应的K维特征向量;
存储模块,用于将所述K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,存储至遥感影像特征库中。
7.根据权利要求6所述的装置,其特征在于,所述区域提取模块包括:
分割单元,用于将所述遥感影像分割成多个子区域;
计算单元,用于计算每两个相邻子区域的相似度;
合并单元,用于将相似度大于第一预设阈值的相邻子区域合并,得到多个合并区域;
确定单元,用于确定每个所述合并区域的权重;
区域选取单元,用于将权重最大的第一预设个数的合并区域作为所述遥感影像的多个候选区域。
8.根据权利要求7所述的装置,其特征在于,所述确定单元包括:
赋值子单元,用于按照所述合并区域的生成顺序,为每个所述合并区域赋予权重,生成顺序在先的合并区域的权重大于生成顺序在后的合并区域的权重;
相似度计算子单元,用于计算每两个合并区域的相似度;
累加子单元,用于将相似度大于第二预设阈值的两个合并区域的权重累加,将累加后的权重作为所述相似度大于第二预设阈值的两个合并区域的权重。
9.根据权利要求6所述的装置,其特征在于,所述遥感影像在所述分布式存储系统中以二进制数据流格式分块存储;所述读取模块包括:
数据获取单元,用于针对每景遥感影像,获取所述遥感影像的各分块的二进制数据流,对传输过程中的二进制数据流进行序列化与反序列化;
设置单元,用于在所述二进制数据流传输完成后,将所述遥感影像对应的分块参数设置为不分块;
构建单元,用于将所述二进制数据流中Text类型的数据作为key,BytesWritable类型的数据作为value,构建预设格式的所述遥感影像。
10.一种遥感影像检索装置,其特征在于,所述装置包括:
第二特征提取模块,用于获取待检索图像,提取所述待检索图像的图像特征;
获取模块,用于获取预先生成的遥感影像特征库中存储的K个聚类中心,以及每景遥感影像的每个候选区域对应的K维特征向量,K为正整数;所述遥感影像特征库是根据权利要求6至9中任一项所述的装置生成的;
第二组合模块,用于计算所述待检索图像的图像特征与所述K个聚类中心的相似度,将得到的K个相似度组成所述待检索图像对应的K维特征向量;
选取模块,用于分别计算所述待检索图像对应的K维特征向量与每个候选区域对应的K维特征向量的相似度,将相似度最大的第二预设个数的候选区域所属的遥感影像作为所述待检索图像对应的遥感影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204905.XA CN110956213A (zh) | 2019-11-29 | 2019-11-29 | 遥感影像特征库生成、遥感影像检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204905.XA CN110956213A (zh) | 2019-11-29 | 2019-11-29 | 遥感影像特征库生成、遥感影像检索方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956213A true CN110956213A (zh) | 2020-04-03 |
Family
ID=69979130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911204905.XA Pending CN110956213A (zh) | 2019-11-29 | 2019-11-29 | 遥感影像特征库生成、遥感影像检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956213A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598092A (zh) * | 2020-05-25 | 2020-08-28 | 北京达佳互联信息技术有限公司 | 图像中目标区域的确定方法、目标识别方法及装置 |
CN111598036A (zh) * | 2020-05-22 | 2020-08-28 | 广州地理研究所 | 分布式架构的城市群地理环境知识库构建方法及系统 |
CN112651351A (zh) * | 2020-12-29 | 2021-04-13 | 珠海大横琴科技发展有限公司 | 一种数据处理的方法和装置 |
CN113792787A (zh) * | 2021-09-14 | 2021-12-14 | 江苏速度遥感大数据研究院有限公司 | 遥感大数据处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1191459A1 (en) * | 2000-09-22 | 2002-03-27 | Nightingale Technologies Ltd. | Data clustering methods and applications |
CN102073748A (zh) * | 2011-03-08 | 2011-05-25 | 武汉大学 | 一种基于视觉关键词的遥感影像语义检索方法 |
CN104200458A (zh) * | 2014-07-30 | 2014-12-10 | 浙江工业大学 | 基于MeanShift的高分辨率遥感影像分割距离度量优化方法 |
US20150347481A1 (en) * | 2014-05-28 | 2015-12-03 | International Business Machines Corporation | Storing and querying multidimensional data using first and second indicies |
CN105787097A (zh) * | 2016-03-16 | 2016-07-20 | 中山大学 | 一种基于文本聚类的分布式索引构建方法及系统 |
CN105893620A (zh) * | 2016-04-28 | 2016-08-24 | 江苏物联网研究发展中心 | 基于分布式数据库的海量超大影像存取方法 |
CN107657616A (zh) * | 2017-08-28 | 2018-02-02 | 南京信息工程大学 | 一种面向地理对象的高分遥感影像分割方法 |
CN109766467A (zh) * | 2018-12-28 | 2019-05-17 | 珠海大横琴科技发展有限公司 | 基于图像分割和改进vlad的遥感图像检索方法及系统 |
-
2019
- 2019-11-29 CN CN201911204905.XA patent/CN110956213A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1191459A1 (en) * | 2000-09-22 | 2002-03-27 | Nightingale Technologies Ltd. | Data clustering methods and applications |
CN102073748A (zh) * | 2011-03-08 | 2011-05-25 | 武汉大学 | 一种基于视觉关键词的遥感影像语义检索方法 |
US20150347481A1 (en) * | 2014-05-28 | 2015-12-03 | International Business Machines Corporation | Storing and querying multidimensional data using first and second indicies |
CN104200458A (zh) * | 2014-07-30 | 2014-12-10 | 浙江工业大学 | 基于MeanShift的高分辨率遥感影像分割距离度量优化方法 |
CN105787097A (zh) * | 2016-03-16 | 2016-07-20 | 中山大学 | 一种基于文本聚类的分布式索引构建方法及系统 |
CN105893620A (zh) * | 2016-04-28 | 2016-08-24 | 江苏物联网研究发展中心 | 基于分布式数据库的海量超大影像存取方法 |
CN107657616A (zh) * | 2017-08-28 | 2018-02-02 | 南京信息工程大学 | 一种面向地理对象的高分遥感影像分割方法 |
CN109766467A (zh) * | 2018-12-28 | 2019-05-17 | 珠海大横琴科技发展有限公司 | 基于图像分割和改进vlad的遥感图像检索方法及系统 |
Non-Patent Citations (3)
Title |
---|
QIMIN CHENG ET AL: "A Distributed System Architecture for High-resolution Remote Sensing Image Retrieval by Combining Deep and Traditional Features", 《SPIE REMOTE SENSING》 * |
吴桐: "基于深度学习的复杂结构件装配正确性X射线检测算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
殷兵: "基于Hadoop的分布式遥感图像处理研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598036A (zh) * | 2020-05-22 | 2020-08-28 | 广州地理研究所 | 分布式架构的城市群地理环境知识库构建方法及系统 |
CN111598092A (zh) * | 2020-05-25 | 2020-08-28 | 北京达佳互联信息技术有限公司 | 图像中目标区域的确定方法、目标识别方法及装置 |
CN112651351A (zh) * | 2020-12-29 | 2021-04-13 | 珠海大横琴科技发展有限公司 | 一种数据处理的方法和装置 |
CN113792787A (zh) * | 2021-09-14 | 2021-12-14 | 江苏速度遥感大数据研究院有限公司 | 遥感大数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220391437A1 (en) | Geo-visual search | |
Memon et al. | GEO matching regions: multiple regions of interests using content based image retrieval based on relative locations | |
Li et al. | GPS estimation for places of interest from social users' uploaded photos | |
EP2805262B1 (en) | Image index generation based on similarities of image features | |
CN110956213A (zh) | 遥感影像特征库生成、遥感影像检索方法及装置 | |
CN110413816B (zh) | 彩色草图图像搜索 | |
Srivastava et al. | A review: color feature extraction methods for content based image retrieval | |
CN111241345A (zh) | 一种视频检索方法、装置、电子设备和存储介质 | |
CN110516096A (zh) | 合成感知数字图像搜索 | |
CN108460114B (zh) | 一种基于层次注意力模型的图像检索方法 | |
Qian et al. | Image location inference by multisaliency enhancement | |
JP2001202523A (ja) | 画像処理方法及びその装置 | |
CN102890700A (zh) | 一种基于体育比赛视频的相似视频片段检索方法 | |
CN106777090A (zh) | 基于视觉词汇表与多特征匹配的Skyline的医学大数据检索方法 | |
Purificato et al. | Multimedia and geographic data integration for cultural heritage information retrieval | |
JP2000311246A (ja) | 類似画像表示方法及び類似画像表示処理プログラムを格納した記録媒体 | |
JP6173754B2 (ja) | 画像検索システム、画像検索装置および画像検索方法 | |
Bhattacharjee et al. | Query adaptive multiview object instance search and localization using sketches | |
CN106844733B (zh) | 基于词汇树信息融合与豪斯多夫距离结合的图像检索方法 | |
Kim et al. | Classification and indexing scheme of large-scale image repository for spatio-temporal landmark recognition | |
CN114077682B (zh) | 一种图像检索智能识别匹配处理方法、系统和存储介质 | |
CN112597329B (zh) | 一种基于改进的语义分割网络的实时图像检索方法 | |
Zhan et al. | Fast method of constructing image correlations to build a free network based on image multivocabulary trees | |
CN106777094A (zh) | 基于视觉词汇表与多特征匹配的Skyline的医学大数据检索系统 | |
Ning et al. | Deep Learning on 3D Point Cloud for Semantic Segmentation |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |
|
RJ01 | Rejection of invention patent application after publication |