CN111028178B - 一种基于深度学习的遥感影像数据自动化几何纠正方法 - Google Patents
一种基于深度学习的遥感影像数据自动化几何纠正方法 Download PDFInfo
- Publication number
- CN111028178B CN111028178B CN201911323845.3A CN201911323845A CN111028178B CN 111028178 B CN111028178 B CN 111028178B CN 201911323845 A CN201911323845 A CN 201911323845A CN 111028178 B CN111028178 B CN 111028178B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- layer
- sensing image
- target
- road
- 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
Links
- 238000012937 correction Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 72
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 60
- 230000004913 activation Effects 0.000 claims description 48
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 230000009897 systematic effect Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的遥感影像数据自动化几何纠正方法,包括:步骤1,根据几何拓扑关系,从矢量道路数据中,筛选出道路交叉口作为控制点;步骤2,以矢量数据道路交叉口控制点为中心,以一定面积的窗口截取遥感影像,利用训练好的深度学习模型从截取遥感影像中提取影像道路交叉口,并通过几何距离匹配与矢量数据道路交叉口构成同名控制点;步骤3,利用基于密度的空间聚类算法,对同名控制点数据进行数据清洗,并用数据清洗后的同名控制点基于二元三次多项式纠正模型对遥感影像进行几何纠正。本发明中采用深度学习模型自动提取遥感影像道路交叉控制点,提高了遥感影像特征提取的准确率。
Description
技术领域
本发明涉及一种遥感影像数据几何纠正技术领域,尤其涉及一种基于深度学习的遥感影像数据自动化几何纠正方法。
背景技术
目前,多波段遥感影像的空间分辨率达到米级,单波段影像的空间分辨率已经可以达到亚米以内。如此高分辨率的遥感影像能够清晰地表达一些地物景观的结构、纹理等细部信息,因而使我们不仅获得了丰富的地物光谱信息,同时还获得了更多的地物结构、形状和纹理信息,使得在较小的空间尺度上观察地表的细节变化、进行大比例尺遥感制图以及监测人为活动对环境的影响成为可能。
但是,原始遥感影像通常包含严重的几何变形,必须加以纠正,赋予影像像素正确的地理编码,才能在测绘生产等诸多方面得以应用。遥感影像的几何变形可以分为系统性几何变形和非系统性几何变形。系统性几何变形可以根据遥感平台位置、遥感传感器的扫描视野、使用的投影类型推算出并且可以进行系统改正。非系统性几何变形是不规律,它是由遥感器平台高度、姿态、速度、经纬度等因素的不稳定性以及地球曲率、大气折射等因素的变化引起的难以预料和不规律的几何形变。因此,需要对遥感影像进行几何纠正,以改正这些系统和非系统性的图像几何变形。通常,卫星影像的用户购买得到的都是已经经过根据卫星轨道公式、遥感传感器位置及姿态解算过的数据,但由于遥感传感器位置及姿态的测量参数精度不高,影像中仍然包含几何变形,需要加以纠正。
目前常用的遥感影像几何纠正处理方法是基于ERDAS等专业图像处理软件进行的。通常采用的操作流程都是人工目视判读,选取影像上的特征点,结合这些特征点的地面实际坐标,或者配准己有正射影像扫描地图或航片的上的同名特征点对,根据需要选择采用共线方程或多项式纠正等方法进行影像坐标的变换,使得影像纠正到正确的大地坐标,去除影像上的几何变形。然而地面控制点的选取是一个十分耗时和枯燥的工作,其工作量占整个过程的90%以上,同时人工选择特征点存在个人视觉误差以及其他个人习惯引起的误差。
本文提出一种基于深度学习的遥感影像数据自动化几何纠正方法,能够依据标准矢量数据自动化计算标准矢量数据与遥感影像的同名点,完成遥感影像的几何纠正。
发明内容
本发明通过提供一种基于深度学习的遥感影像数据自动化几何纠正方法,实现了遥感影像自动化几何纠正,解决了人工遥感图像几何纠正效率低下问题。
为了达到上述目的,本发明提供的技术方案是:一种基于深度学习的遥感影像数据自动化几何纠正方法,包括以下步骤:
步骤1,根据几何拓扑关系,从矢量道路数据中,筛选出道路交叉口作为控制点;
步骤2,以矢量数据道路交叉口控制点为中心,以一定面积的窗口截取遥感影像,利用训练好的深度学习模型从截取遥感影像中提取影像道路交叉口,并通过几何距离匹配与矢量数据道路交叉口构成同名控制点;
步骤3,利用基于密度的空间聚类算法,对同名控制点数据进行数据清洗,并用数据清洗后的同名控制点基于二元三次多项式纠正模型对遥感影像进行几何纠正,二元三次多项式纠正模型如下:
xi=a0+(a1Xi+a2Yi)+(a3Xi 2+a4XiYi+a5Yi 2)+(a6Xi 3+a7Xi 2Yi+a8XiYi 2+a9Yi 3)
yi=b0+(b1Xi+b2Yi)+(b3Xi 2+b4XiYi+b5Yi 2)+(b6Xi 3+b7Xi 2Yi+b8XiYi 2+b9Yi 3)
其中(xi,yi)为原始图像坐标,(Xi,Yi)为同名点的地面或地图坐标,a0-a9,b0-b9为多项式系数,多项式的系数利用同名控制点建立的方程组来解算。
进一步的,步骤1的具体实现方式如下,
第一步,首先对矢量数据中道路网数据进行遍历获取所有道路单线并存储,然后通过两两相交获取交点,并存储所有的交点;
第二步,计算道路交点连通度,道路交点的连通度是指与该点有连接的矢量道路的数量,以道路交点为中心,建立面积为m米*m米的矩形窗口,计算矢量道路与矩形窗口相交的交点个数,获得其连通度;
第三步,设置连通度阈值,连通度大于连通度阈值的道路交点作为矢量数据道路交叉口,连通度小于等于连通度阈值的道路交点被过滤;
第四步,合并道路交叉口,设置距离阈值为n米,如果两个道路交叉点距离在阈值内则进行合并,以最终形成的道路交叉点作为道路交叉口控制点。
进一步的,步骤2中所述深度学习模型是对Mask R-CNN进行改进后的网络,其中输入为遥感影像数据,输出道路交叉口目标包围框,深度学习模型首先将遥感影像数据输入到全卷积神经网络中进行特征提取得到特征图;然后通过目标估计网络提取可能存在的目标区域,再利用目标对齐网络将可能存在的目标区域映射成固定维数的候选目标特征图,最后利用全连接神经网络层对目标包围框的判别确定。
进一步的,所述全卷积神经网络包含13层卷积层,13层激活函数层和4个最大池化层,其中卷积层的卷积核为3*3,步长为1,填充为1,最大池化层的池化核为2*2,步长为1,填充为1,激活函数层激活函数为relu函数,全卷积神经网络结构为:卷积层,激活函数层,卷积层,激活函数层,最大池化层,卷积层,激活函数层,卷积层,激活函数层,最大池化层,卷积层,激活函数层,卷积层,激活函数层,卷积层,激活函数层,最大池化层,卷积层,激活函数层,卷积层,激活函数层,卷积层,激活函数层,最大池化层,卷积层,激活函数层,卷积层,激活函数层,卷积层,激活函数层;输入的遥感影像通过全卷积神经网络得到遥感影像的特征图。
进一步的,所述目标估计网络分成两个支路,第一个支路是目标判别支路用于判别选择框是否包含目标地物,第二个支路是目标框回归支路用于对选择框进行调整使选择框更好的框中目标地物,目标判别支路包含1层卷积层和1层激活函数层:卷积层的卷积核为1*1,步长为1,填充为1,激活函数层激活函数采用的softmax函数;目标框回归支路包含一层卷积层:卷积层的卷积核为1*1,步长为1,填充为1,全卷积网络提取的特征图通过目标估计网路得到目标地物的候选位置区域。
进一步的,所述目标对齐网络包含1层感兴趣区域池层,感兴趣区域池映射结果固定大小为7*7,将全卷积神经网络提取的特征图和目标估计网络提取的候选位置区域输入到目标对齐网络,映射成固定维数的候选目标特征图。
进一步的,所述全连接神经网络包含3个全连接层和3的激活函数层,其中激活函数层的前两层为relu函数,最后一层为softmax函数,3个全连接层的神经元个数分别为256,128,2,具体结构为:全连接层,激活函数层,全连接层,激活函数层relu,全连接层,激活函数层softmax,将目标对齐网络得到的固定维数的候选目标特征图输入到全连接神经网络,用于判别候选目标的类型,并将目标包围框进行输出。
进一步的,步骤2中利用几何距离确定矢量数据与遥感数据的同名控制点,具体实现方式如下,
(1)将矢量数据各个矢量道路交叉口控制点作为中心点,(2)将截取遥感影像中提取的道路交叉口控制点从像素坐标转换到矢量数据坐标,(3)分别计算各个矢量道路交叉口控制点与对应截取影像道路交叉口控制点的距离,选取距离最小的一对矢量与影像道路交叉口构成同名控制点。
与现有技术相比,本发明的优点和有益效果:(1)本发明能够自动化提取矢量数据与遥感影像的同名控制点,完成遥感影像的几何纠正,避免了人工寻找同名点成本高和效率低的问题。
(2)本发明中采用深度学习模型自动提取遥感影像道路交叉控制点,提高了遥感影像特征提取的准确率,使得自动化提取矢量数据与遥感影像的同名控制点的误差极大降低。
附图说明
为了更清楚地说明本实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
图2为矢量数据道路交叉口控制点提取流程。
图3为深度学习模型框架。
图4为矢量与影像同名控制点生成示意图
图示说明:1、影像道路交叉口控制点;2、矢量道路交叉口控制点;3矢量-影像同名控制点。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
本实施例提供了一种基于深度学习的遥感影像数据自动化几何纠正方法,适用于遥感影像数据自动化几何纠正,包括以下步骤:
步骤1、根据几何拓扑关系,从矢量道路数据中,筛选出道路交叉口作为控制点,矢量道路交叉口控制点筛选流程如下:
第一步:首先对矢量数据中道路网数据进行遍历获取所有道路单线并存储,然后通过两两相交获取交点,并存储所有的交点。
第二步:计算道路交点连通度,道路交点的连通度是指与该点有连接的矢量道路的数量,以道路交点为中心,建立面积为40米*40米的矩形窗口,计算矢量道路与矩形窗口相交的交点个数,获得其连通度。
第三步:设置连通度阈值为3,连通度大于3的道路交点作为矢量数据道路交叉口,连通度小于等于3的道路交点被过滤。
第四步:合并道路交叉口,为避免多车道中道路交叉口距离过近问题,设置距离阈值为50米,如果两个道路交叉点距离在阈值内则进行合并,以最终形成的道路交叉点作为道路交叉口控制点。
步骤2、以矢量数据道路交叉口控制点为中心,指定面积为800*600像素的窗口截取遥感影像;利用训练好的深度学习模型从截取遥感影像中提取道路交叉口,并通过几何拓扑匹配与矢量数据道路交叉口构成同名控制点。
其中步骤2中遥感影像数据与矢量数据的基准、坐标系统和投影设置相同。深度学习模型采用基于Mask R-CNN改进的神经网络,其中输入为遥感影像数据,输出道路交叉口目标包围框,深度学习模型首先将遥感影像数据输入到全卷积神经网络中进行特征提取得到特征图;然后通过目标估计网络提取可能存在的目标区域,再利用目标对齐网络将可能存在的目标区域映射成固定维数的候选目标特征图,最后利用全连接神经网络层进行对目标包围框的判别确定。深度学习模型采用相同来源的遥感影像数据作为样本数据,通过人工标识道路交叉口制作样本集进行训练,以深度学习模型提取的道路交叉口包围框中心作为影像道路交叉口控制点,利用几何距离确定矢量数据与遥感数据的同名控制点。
其中步骤2深度学习模型的全卷积神经网络包含13层卷积层(ConvolutionLayer),13层激活函数层(relu Layer),4个最大池化层(Max Pooling Layer),其中上述卷积层的卷积核为3*3,步长(stride)为1,填充(padding)为1,上述最大池化层的池化核为2*2,步长(stride)为1,填充(padding)为1,上述激活函数层激活函数为relu函数,全卷积神经网络结构为:卷积层->激活函数层(relu)->卷积层->激活函数层(relu)->最大池化层->卷积层->激活函数层(relu)->卷积层->激活函数层(relu)->最大池化层->卷积层->激活函数层(relu)->卷积层->激活函数层(relu)->卷积层->激活函数层(relu)->最大池化层->卷积层->激活函数层(relu)->卷积层->激活函数层(relu)->卷积层->激活函数层(relu)->最大池化层->卷积层->激活函数层(relu)->卷积层->激活函数层(relu)->卷积层->激活函数层(relu);输入的遥感影像通过全卷积神经网络可以得到遥感影像的特征图。
其中步骤2深度学习模型中的目标估计网络分成两个支路,第一个支路是目标判别支路用于判别选择框是否包含目标地物,第二个支路是目标框回归支路用于对选择框进行调整使选择框可以更好框中目标地物,目标判别支路包含1层卷积层和1层激活函数层(Softmax layer):卷积层的卷积核为1*1,步长(stride)为1,填充(padding)为1;激活函数层激活函数采用的softmax函数,目标框回归支路包含一层卷积层:卷积层的卷积核为1*1,步长(stride)为1,填充(padding)为1,全卷积网络提取的特征图通过目标估计网路可以得到目标地物的候选位置区域。
其中步骤2深度学习中的目标对齐网络包含1层感兴趣区域池层(ROI poolinglayer)(He K,Gkioxari G,Dollar P,et al.Mask R-CNN[A].IEEE Conference onComputer Vision and Pattern Recognition[C].Washington,D C:IEEE ComputerSociety,2018.1.),感兴趣区域池映射结果固定大小为7*7,将全卷积神经网络提取的特征图和目标估计网络提取的候选位置区域输入到目标对齐网络可以映射成固定维数的候选目标特征图。
其中步骤2深度学习中的全连接神经网络包含3个全连接层(full connectionlayer)和3的激活函数层(relu layer),其中激活函数层的激活函数前两层为relu函数,最后一层为softmax函数,3个全连接层的神经元个数分别为256,128,2;全连接神经网络结构为全连接层->激活函数层(relu)->全连接层->激活函数层(relu)->全连接层->激活函数层(softmax),将目标对齐网络得到的固定维数的候选目标特征图输入到全连接神经网络可以判别候选目标的类型,并将目标包围框进行输出。
其中矢量数据与遥感数据同名控制点的筛选流程如下:(1)将矢量数据各个矢量道路交叉口控制点作为中心点,(2)将截取遥感影像中提取的道路交叉口控制点从像素坐标转换到矢量数据坐标,(3)分别计算各个矢量道路交叉口控制点与对应截取影像道路交叉口控制点的距离,选取距离最小的一对矢量与影像道路交叉口构成同名控制点。
步骤3、利用基于密度的空间聚类算法(参照Ester M,Kriegel H P,Sander J,etal.A density-based algorithm for discovering clusters in large spatialdatabases with noise[C]//Kdd.1996,96(34):226-231.)对同名控制点数据进行数据清洗,并用数据清洗后的同名控制点基于二元三次多项式纠正模型对遥感影像进行几何纠正,二元三次多项式纠正模型如下:
xi=a0+(a1Xi+a2Yi)+(a3Xi 2+a4XiYi+a5Yi 2)+(a6Xi 3+a7Xi 2Yi+a8XiYi 2+a9Yi 3)
yi=b0+(b1Xi+b2Yi)+(b3Xi 2+b4XiYi+b5Yi 2)+(b6Xi 3+b7Xi 2Yi+b8XiYi 2+b9Yi 3)
其中(xi,yi)为原始图像坐标,(Xi,Yi)为同名点的地面或地图坐标,a0-a9,b0-b9为多项式系数,多项式的系数利用同名控制点建立的方程组来解算。
在基于深度学习的遥感影像数据自动化几何纠正过程中,参见图1,主要包括以下步骤:
本实施例中涉及矢量数据和遥感影像数据的坐标系统选用“CGCS2000国家大地坐标”,投影系统选用“横轴墨卡托”投影。
步骤1、矢量数据根据几何拓扑关系,从矢量道路数据中,筛选出道路交叉口作为控制点,如图2所示矢量道路交叉口控制点筛选流程如下:首先对矢量数据中道路网数据进行遍历获取所有道路单线并存储,然后通过两两相交获取交点,并存储所有的交点。然后计算道路交点连通度,道路交点的连通度是指与该点有连接的矢量道路的数量,以道路交点为中心,建立面积为40米*40米的矩形窗口,计算矢量道路与矩形窗口相交的交点个数,获得其连通度。再设置连通度阈值为3,连通度大于3的道路交点作为矢量数据道路交叉口控,连通度小于等于3的道路交点被过滤。最后合并道路交叉口,为避免多车道中道路交叉口距离过近问题,设置距离阈值为50米,如果两个道路交叉点距离在阈值内则进行合并,以最终形成的道路交叉点作为道路交叉口控制点。
步骤2、以矢量数据道路交叉口控制点为中心,指定面积为400*400像素的窗口截取遥感影像,利用训练好的深度学习模型从截取遥感影像中提取道路交叉口,并通过几何拓扑匹配与矢量数据道路交叉口构成同名控制点。如图3所示深度学习模型采用的是全卷积神经网络,其中输入为遥感影像数据,输出道路交叉口目标包围框,深度学习模型首先将遥感影像数据输入到全卷积神经网络中进行特征提取得到特征图;然后通过目标估计网络提取可能存在的目标区域,再利用目标对齐网络将可能存在的目标区域映射成固定维数的特征向量,最后利用全连接神经网络层进行对目标包围框的回归。深度学习模型采用相同来源的遥感影像数据作为样本数据,通过人工标识道路交叉口制作样本集进行训练,以深度学习模型提取的道路交叉口包围框中心作为影像道路交叉口控制点。
将矢量数据各个矢量道路交叉口控制点2作为中心点,将截取遥感影像中提取的影像道路交叉口控制点1像素坐标转换到矢量数据坐标,分别计算各个矢量道路交叉口控制点2与对应截取影像道路交叉口控制点1的距离,选取距离最小的一对矢量与影像道路交叉口控制点构成矢量-影像同名控制点3。
步骤3、利用基于密度的空间聚类算法对同名控制点数据进行数据清洗,用数据清洗后的同名控制点基于二元三次多项式纠正模型对遥感影像进行几何纠正。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种基于深度学习的遥感影像数据自动化几何纠正方法,其特征在于,包括如下步骤:
步骤1,根据几何拓扑关系,从矢量道路数据中,筛选出道路交叉口作为控制点;
步骤2,以矢量数据道路交叉口控制点为中心,以一定面积的窗口截取遥感影像,利用训练好的深度学习模型从截取遥感影像中提取影像道路交叉口,并通过几何距离匹配与矢量数据道路交叉口构成同名控制点;
步骤3,利用基于密度的空间聚类算法,对同名控制点数据进行数据清洗,并用数据清洗后的同名控制点基于二元三次多项式纠正模型对遥感影像进行几何纠正,二元三次多项式纠正模型如下:
xi=a0+(a1Xi+a2Yi)+(a3Xi 2+a4XiYi+a5Yi 2)+(a6Xi 3+a7Xi 2Yi+a8XiYi 2+a9Yi 3)
yi=b0+(b1Xi+b2Yi)+(b3Xi 2+b4XiYi+b5Yi 2)+(b6Xi 3+b7Xi 2Yi+b8XiYi 2+b9Yi 3)
其中(xi,yi)为原始图像坐标,(Xi,Yi)为同名点的地面或地图坐标,a0-a9,b0-b9为多项式系数,多项式的系数利用同名控制点建立的方程组来解算。
2.如权利要求1所述的一种基于深度学习的遥感影像数据自动化几何纠正方法,其特征在于:步骤1的具体实现方式如下,
第一步,首先对矢量数据中道路网数据进行遍历获取所有道路单线并存储,然后通过两两相交获取交点,并存储所有的交点;
第二步,计算道路交点连通度,道路交点的连通度是指与该点有连接的矢量道路的数量,以道路交点为中心,建立面积为m米*m米的矩形窗口,计算矢量道路与矩形窗口相交的交点个数,获得其连通度;
第三步,设置连通度阈值,连通度大于连通度阈值的道路交点作为矢量数据道路交叉口,连通度小于等于连通度阈值的道路交点被过滤;
第四步,合并道路交叉口,设置距离阈值为n米,如果两个道路交叉点距离在阈值内则进行合并,以最终形成的道路交叉点作为道路交叉口控制点。
3.如权利要求1所述的一种基于深度学习的遥感影像数据自动化几何纠正方法,其特征在于:步骤2中所述深度学习模型是对Mask R-CNN进行改进后的网络,其中输入为遥感影像数据,输出道路交叉口目标包围框,深度学习模型首先将遥感影像数据输入到全卷积神经网络中进行特征提取得到特征图;然后通过目标估计网络提取可能存在的目标区域,再利用目标对齐网络将可能存在的目标区域映射成固定维数的候选目标特征图,最后利用全连接神经网络层对目标包围框的判别确定。
4.如权利要求3所述的一种基于深度学习的遥感影像数据自动化几何纠正方法,其特征在于:所述全卷积神经网络包含13层卷积层,13层激活函数层和4个最大池化层,其中卷积层的卷积核为3*3,步长为1,填充为1,最大池化层的池化核为2*2,步长为1,填充为1,激活函数层激活函数为relu函数,全卷积神经网络结构为:卷积层,激活函数层,卷积层,激活函数层,最大池化层,卷积层,激活函数层,卷积层,激活函数层,最大池化层,卷积层,激活函数层,卷积层,激活函数层,卷积层,激活函数层,最大池化层,卷积层,激活函数层,卷积层,激活函数层,卷积层,激活函数层,最大池化层,卷积层,激活函数层,卷积层,激活函数层,卷积层,激活函数层;输入的遥感影像通过全卷积神经网络得到遥感影像的特征图。
5.如权利要求3所述的一种基于深度学习的遥感影像数据自动化几何纠正方法,其特征在于:所述目标估计网络分成两个支路,第一个支路是目标判别支路用于判别选择框是否包含目标地物,第二个支路是目标框回归支路用于对选择框进行调整使选择框更好的框中目标地物,目标判别支路包含1层卷积层和1层激活函数层:卷积层的卷积核为1*1,步长为1,填充为1,激活函数层激活函数采用的softmax函数;目标框回归支路包含一层卷积层:卷积层的卷积核为1*1,步长为1,填充为1,全卷积网络提取的特征图通过目标估计网路得到目标地物的候选位置区域。
6.如权利要求3所述的一种基于深度学习的遥感影像数据自动化几何纠正方法,其特征在于:所述目标对齐网络包含1层感兴趣区域池层,感兴趣区域池映射结果固定大小为7*7,将全卷积神经网络提取的特征图和目标估计网络提取的候选位置区域输入到目标对齐网络,映射成固定维数的候选目标特征图。
7.如权利要求3所述的一种基于深度学习的遥感影像数据自动化几何纠正方法,其特征在于:所述全连接神经网络包含3个全连接层和3的激活函数层,其中激活函数层的前两层为relu函数,最后一层为softmax函数,3个全连接层的神经元个数分别为256,128,2,具体结构为:全连接层,激活函数层,全连接层,激活函数层relu,全连接层,激活函数层softmax,将目标对齐网络得到的固定维数的候选目标特征图输入到全连接神经网络,用于判别候选目标的类型,并将目标包围框进行输出。
8.如权利要求1所述的一种基于深度学习的遥感影像数据自动化几何纠正方法,其特征在于:步骤2中利用几何距离确定矢量数据与遥感数据的同名控制点,具体实现方式如下,
(1)将矢量数据各个矢量道路交叉口控制点作为中心点,(2)将截取遥感影像中提取的道路交叉口控制点从像素坐标转换到矢量数据坐标,(3)分别计算各个矢量道路交叉口控制点与对应截取影像道路交叉口控制点的距离,选取距离最小的一对矢量与影像道路交叉口构成同名控制点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911323845.3A CN111028178B (zh) | 2019-12-20 | 2019-12-20 | 一种基于深度学习的遥感影像数据自动化几何纠正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911323845.3A CN111028178B (zh) | 2019-12-20 | 2019-12-20 | 一种基于深度学习的遥感影像数据自动化几何纠正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111028178A CN111028178A (zh) | 2020-04-17 |
CN111028178B true CN111028178B (zh) | 2022-04-29 |
Family
ID=70211630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911323845.3A Active CN111028178B (zh) | 2019-12-20 | 2019-12-20 | 一种基于深度学习的遥感影像数据自动化几何纠正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028178B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067221B (zh) * | 2022-01-14 | 2022-04-15 | 成都数联云算科技有限公司 | 一种遥感影像林地提取方法及系统及装置及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968631A (zh) * | 2012-11-22 | 2013-03-13 | 中国科学院、水利部成都山地灾害与环境研究所 | 山区多光谱遥感卫星影像的自动几何纠正与正射校正方法 |
CN103129752A (zh) * | 2013-02-28 | 2013-06-05 | 中国资源卫星应用中心 | 一种基于地面导航的光学遥感卫星姿态角误差动态补偿方法 |
CN103218783A (zh) * | 2013-04-17 | 2013-07-24 | 国家测绘地理信息局卫星测绘应用中心 | 基于控制点影像数据库的卫星遥感图像快速几何纠正方法 |
CN103295202A (zh) * | 2013-06-07 | 2013-09-11 | 中国科学院新疆生态与地理研究所 | 一种面向高山地区的遥感影像几何纠正方法 |
CN103337052A (zh) * | 2013-04-17 | 2013-10-02 | 国家测绘地理信息局卫星测绘应用中心 | 面向宽幅遥感影像的自动几何纠正方法 |
CN104835202A (zh) * | 2015-05-20 | 2015-08-12 | 中国人民解放军装甲兵工程学院 | 一种三维虚拟场景快速构建方法 |
CN106991656A (zh) * | 2017-03-17 | 2017-07-28 | 杭州电子科技大学 | 一种海量遥感影像分布式几何纠正系统及方法 |
CN108629190A (zh) * | 2018-03-23 | 2018-10-09 | 国网陕西省电力公司电力科学研究院 | 地理信息数据脱密方法 |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
CN109493320A (zh) * | 2018-10-11 | 2019-03-19 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 |
CN109800736A (zh) * | 2019-02-01 | 2019-05-24 | 东北大学 | 一种基于遥感影像和深度学习的道路提取方法 |
CN110399819A (zh) * | 2019-07-15 | 2019-11-01 | 北京洛斯达数字遥感技术有限公司 | 一种基于深度学习的遥感影像居民区自动提取方法 |
-
2019
- 2019-12-20 CN CN201911323845.3A patent/CN111028178B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968631A (zh) * | 2012-11-22 | 2013-03-13 | 中国科学院、水利部成都山地灾害与环境研究所 | 山区多光谱遥感卫星影像的自动几何纠正与正射校正方法 |
CN103129752A (zh) * | 2013-02-28 | 2013-06-05 | 中国资源卫星应用中心 | 一种基于地面导航的光学遥感卫星姿态角误差动态补偿方法 |
CN103218783A (zh) * | 2013-04-17 | 2013-07-24 | 国家测绘地理信息局卫星测绘应用中心 | 基于控制点影像数据库的卫星遥感图像快速几何纠正方法 |
CN103337052A (zh) * | 2013-04-17 | 2013-10-02 | 国家测绘地理信息局卫星测绘应用中心 | 面向宽幅遥感影像的自动几何纠正方法 |
CN103295202A (zh) * | 2013-06-07 | 2013-09-11 | 中国科学院新疆生态与地理研究所 | 一种面向高山地区的遥感影像几何纠正方法 |
CN104835202A (zh) * | 2015-05-20 | 2015-08-12 | 中国人民解放军装甲兵工程学院 | 一种三维虚拟场景快速构建方法 |
CN106991656A (zh) * | 2017-03-17 | 2017-07-28 | 杭州电子科技大学 | 一种海量遥感影像分布式几何纠正系统及方法 |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
CN108629190A (zh) * | 2018-03-23 | 2018-10-09 | 国网陕西省电力公司电力科学研究院 | 地理信息数据脱密方法 |
CN109493320A (zh) * | 2018-10-11 | 2019-03-19 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 |
CN109800736A (zh) * | 2019-02-01 | 2019-05-24 | 东北大学 | 一种基于遥感影像和深度学习的道路提取方法 |
CN110399819A (zh) * | 2019-07-15 | 2019-11-01 | 北京洛斯达数字遥感技术有限公司 | 一种基于深度学习的遥感影像居民区自动提取方法 |
Non-Patent Citations (2)
Title |
---|
An automatic method for synthetically preprocessing multi‐source NOAA‐AVHRR series and FY‐1D 1A.5 data;ShanYou Zhu等;《International Journal of Remote Sensing》;20090622;第2963-2975页 * |
一种资源一号卫星影像的正射纠正方法;张红英等;《测绘科学》;20160930;第66-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111028178A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gruszczyński et al. | Comparison of low-altitude UAV photogrammetry with terrestrial laser scanning as data-source methods for terrain covered in low vegetation | |
CN112288875B (zh) | 一种面向无人机矿山巡检场景的快速三维重建方法 | |
Lafarge et al. | Structural approach for building reconstruction from a single DSM | |
CN111738165B (zh) | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 | |
CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
CN110866531A (zh) | 一种基于三维建模的建筑物特征提取方法、系统及存储介质 | |
CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
CN106780712B (zh) | 联合激光扫描和影像匹配的三维点云生成方法 | |
CN108921035B (zh) | 基于空间引力和像元聚集度的亚像元定位方法和系统 | |
US7778808B2 (en) | Geospatial modeling system providing data thinning of geospatial data points and related methods | |
CN109360144B (zh) | 一种基于手机平台的图像实时校正改进方法 | |
CN107341781A (zh) | 基于改进相位一致性特征矢量底图匹配的sar影像校正方法 | |
CN116740288B (zh) | 一种融合激光雷达、倾斜摄影的三维重建方法 | |
CN112270698A (zh) | 基于最邻近曲面的非刚性几何配准方法 | |
Yang et al. | Approaches for exploration of improving multi-slice mapping via forwarding intersection based on images of UAV oblique photogrammetry | |
CN113538501A (zh) | 低空图像dsm生成建筑物边缘精细化方法 | |
CN113916130A (zh) | 一种基于最小二乘法的建筑物位置测量方法 | |
CN111382715A (zh) | 一种地形图中地物要素的提取方法 | |
CN111028178B (zh) | 一种基于深度学习的遥感影像数据自动化几何纠正方法 | |
CN114463503A (zh) | 三维模型和地理信息系统的融合方法及装置 | |
Forlani et al. | Building reconstruction and visualization from lidar data | |
CN112767459A (zh) | 基于2d-3d转换的无人机激光点云与序列影像配准方法 | |
CN116051777A (zh) | 超高层建筑提取方法、设备和可读存储介质 | |
CN107784666B (zh) | 基于立体影像的地形地物三维变化检测和更新方法 | |
CN114758087B (zh) | 一种城市信息模型的构建方法及装置 |
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 |