CN111091532B - 一种基于多层感知机的遥感影像色彩评价方法和系统 - Google Patents

一种基于多层感知机的遥感影像色彩评价方法和系统 Download PDF

Info

Publication number
CN111091532B
CN111091532B CN201911043344.XA CN201911043344A CN111091532B CN 111091532 B CN111091532 B CN 111091532B CN 201911043344 A CN201911043344 A CN 201911043344A CN 111091532 B CN111091532 B CN 111091532B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
neural network
layer
network model
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
CN201911043344.XA
Other languages
English (en)
Other versions
CN111091532A (zh
Inventor
王海波
尤江彬
徐文
喻文勇
王巍霖
李晓进
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.)
China Survey Surveying And Mapping Technology Co ltd
Original Assignee
China Survey Surveying And Mapping Technology Co ltd
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 China Survey Surveying And Mapping Technology Co ltd filed Critical China Survey Surveying And Mapping Technology Co ltd
Priority to CN201911043344.XA priority Critical patent/CN111091532B/zh
Publication of CN111091532A publication Critical patent/CN111091532A/zh
Application granted granted Critical
Publication of CN111091532B publication Critical patent/CN111091532B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多层感知机的遥感影像色彩评价方法和系统，该方法包括：构建携带有标签信息的遥感影像缩略图样本库；对遥感影像缩略图样本库中的各缩略图样本进行特征提取；构建用于二分类的待训练多层感知机神经网络模型；根据遥感影像缩略图样本库中的各缩略图样本和提取的特征，对待训练多层感知机神经网络模型进行训练，得到网络参数；根据得到的网络参数，对待训练多层感知机神经网络模型进行参数更新，得到多层感知机神经网络模型；根据多层感知机神经网络模型，对待测试遥感影像进行色彩评价。通过本发明实现了对遥感影像的自动检测识别，给出了色彩是否正常的预测结果。

Description

一种基于多层感知机的遥感影像色彩评价方法和系统
技术领域
本发明属于可见光遥感图像技术领域，尤其涉及一种基于多层感知机的遥感影像色彩评价方法和系统。
背景技术
遥感即遥感地感知，一般是指运用传感器对物体的电磁波的辐射、反射特性的非接触的、远距离的探测，并通过分析，揭示出物体的特征性质及其变化的综合性探测技术。光学遥感属于遥感的一种，其产品一般为多波段的遥感影像。
目前，我国已经发射了多颗高分辨率光学卫星，在轨运行的多达几十颗，每天的遥感影像生产任务比较繁重。在影像生产过程中，由于传感器异常、数据传输异常、处理程序缺陷等多种原因，可能导致小部分遥感影像存在偏色、像素值异常、数据缺失等问题。对这些问题影像的检测是遥感影像质量控制的重要一环，如果全部由人工完成，时间成本、人力成本较大，且会大大影响遥感影像发布的实时性。因此，自动化的遥感影像色彩评价显得非常有必要。而且，由于色彩异常的影像的类型多种多样，例如偏色影像就有偏蓝、偏紫、偏绿、偏红等多种问题，因此，使用单一的问题导向的直接分析计算方式来进行异常检测效果较差。
发明内容
本发明的技术解决问题：克服现有技术的不足，提供一种基于多层感知机的遥感影像色彩评价方法和系统，实现了对遥感影像的自动检测识别，给出了色彩是否正常的预测结果。
为了解决上述技术问题，本发明公开了一种基于多层感知机的遥感影像色彩评价方法，包括：
构建携带有标签信息的遥感影像缩略图样本库；
对遥感影像缩略图样本库中的各缩略图样本进行特征提取；
构建用于二分类的待训练多层感知机神经网络模型；
根据遥感影像缩略图样本库中的各缩略图样本和提取的特征，对待训练多层感知机神经网络模型进行训练，得到网络参数；
根据得到的网络参数，对待训练多层感知机神经网络模型进行参数更新，得到多层感知机神经网络模型；
根据多层感知机神经网络模型，对待测试遥感影像进行色彩评价。
相应的，本发明还公开了一种基于多层感知机的遥感影像色彩评价系统，包括：
样本构建模块，用于构建携带有标签信息的遥感影像缩略图样本库；
特征提取模块，用于对遥感影像缩略图样本库中的各缩略图样本进行特征提取；
模型构建模块，用于构建用于二分类的待训练多层感知机神经网络模型；
参数训练模块，用于根据遥感影像缩略图样本库中的各缩略图样本和提取的特征，对待训练多层感知机神经网络模型进行训练，得到网络参数；
模型更新模块，用于根据得到的网络参数，对待训练多层感知机神经网络模型进行参数更新，得到多层感知机神经网络模型；
色彩评价模块，用于根据多层感知机神经网络模型，对待测试遥感影像进行色彩评价。
本发明具有以下优点：
(1)本发明公开了一种基于多层感知机的遥感影像色彩评价方案，通过抽取维特征输入多层感知机神经网络模型，对影像色彩情况进行预测，实现了基于多层感知机的遥感影像自动化色彩评价，且模型搭建、训练简单，浅层的模型就可以很好地解决问题。
(2)本发明公开了一种基于多层感知机的遥感影像色彩评价方案，多层感知机神经网络模型不关注色彩异常问题本身，只要输入的特征有足够的表达能力，其内部的非线性机制可以较好地拟合各种色彩异常问题，所以能够有效地统一检测所有色彩异常类型。
(3)本发明公开了一种基于多层感知机的遥感影像色彩评价方案，检测精度和自动化程度高，能够大幅度提高检测效率，降低人工成本，适合部署于影像生产系统中，进行长期自动检测。
附图说明
图1是本发明实施例中一种基于多层感知机的遥感影像色彩评价方法的步骤流程图；
图2是本发明实施例中一种多层感知机结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。
实施例1
如图1，在本实施例中，该基于多层感知机的遥感影像色彩评价方法，包括：
步骤101，构建携带有标签信息的遥感影像缩略图样本库。
在本实施例中，样本库的构建方式可以如下：获取遥感卫星多光谱相机采集到的多光谱遥感图像；对所述多光谱遥感图像进行下采样和真彩色合成处理，得到jpg格式的遥感影像缩略图；根据得到的jpg格式的遥感影像缩略图的色彩状态信息，对得到的jpg格式的遥感影像缩略图进行标签化处理；根据标签化处理后的jpg格式的遥感影像缩略图，构建得到所述携带有标签信息的遥感影像缩略图样本库。
步骤102，对遥感影像缩略图样本库中的各缩略图样本进行特征提取。
在本实施例中，对遥感影像缩略图样本库中的各缩略图样本进行了包含Lab色彩空间色偏因子等的27维的特征提取。其中，27维的特征如下：BlackRatio：黑像素比；WhiteRatio：白像素比；cast：色偏因子；da：Lab色彩空间a分量均值，db：Lab色彩空间b分量均值；D：Lab色彩空间等价圆心与原点间距离；M：Lab色彩空间等价圆半径；cast_NNO：中性灰区域色偏因子；da_NNO：Lab色彩空间中性灰区域a分量均值；db_NNO：Lab色彩空间中性灰区域b分量均值；D_NNO：Lab色彩空间中性灰区域等价圆心与原点间距离；M_NNO：Lab色彩空间中性灰区域等价圆半径；D_cr：Lab色彩空间等价圆心与原点间距离变化幅度；M_cr：Lab色彩空间等价圆半径变化幅度；CCI：色彩度；Mean_R：R波段像素均值；Dev_R：R波段标准差；Avg_R：R波段平均梯度；Entropy_R：R波段熵值；Mean_G：G波段像素均值；Dev_G：G波段标准差；Avg_G：G波段平均梯度；Entropy_G：G波段熵值；Mean_B：B波段像素均值；Dev_B：B波段标准差；Avg_B：B波段平均梯度；Entropy_B：B波段熵值。
优选的，特征提取的具体流程可以如下：计算得到遥感影像缩略图样本库中的各缩略图样本的黑像素掩膜和白像素掩膜，分别除以总像素数得到黑像素比和白像素比共计2维特征；将遥感影像缩略图样本库中的各缩略图样本从RGB色彩空间转换至Lab色彩空间，并结合黑像素掩膜和白像素掩膜，计算得到cast、da、db、D、M、cast_NNO、da_NNO、db_NNO、D_NNO、M_NNO、D_cr和M_cr，共计12维特征；根据黑像素与白像素掩膜，计算得到色彩度CCI；根据黑像素与白像素掩膜，逐波段计算得到R波段、G波段和B波段各自对应的像素均值、标准差、平均梯度与熵值，共计3×4＝12维特征。
优选的，色偏因子cast、Lab色彩空间等价圆心与原点间距离D、Lab色彩空间等价圆半径M的计算公式可以如下：
cast＝(D-M)/M
其中，σa表示Lab色彩空间a分量的标准差，σb表示Lab色彩空间b分量的标准差。
优选的，cast_NNO、da_NNO、db_NNO、D_NNO、M_NNO的计算流程如下：
若I(i,j)像素为NNO区域(near neutral objects，NNO，中性灰区域)像素，则有：
其中，Li,j、ai,j和bi,j分别表示Lab色彩空间中的L、a和b分量。
对NNO区域像素计算前述五个特征，分别得到cast_NNO、da_NNO、db_NNO、D_NNO、M_NNO。
优选的，D_cr、M_cr的计算公式如下：
D_cr＝(D-D_NNO)/D
M_cr＝(M-M_NNO)/M
在本实施例中，CCI、R波段、G波段和B波段各自对应的像素均值、标准差、平均梯度与熵值的计算过程可以采用任意一种适当的方式实现，本实施例在此不再一一赘述。其中，需要说明的是，在计算出除黑像素比和白像素比之外的其他25纬特征时，均辅以黑像素及白像素掩膜，即黑像素与白像素不参与特征计算。黑像素为：RGB三波段均为零的像素，白像素为：RGB三波段像素值均大于253的像素。
步骤103，构建用于二分类的待训练多层感知机神经网络模型。
在本实施例中，如图2，待训练多层感知机神经网络模型包含2个隐藏层，每个隐藏层含有50个神经元，激活函数为ReLU函数。
步骤104，根据遥感影像缩略图样本库中的各缩略图样本和提取的特征，对待训练多层感知机神经网络模型进行训练，得到网络参数。
在本实施例中，网络参数的训练方式可以如下：按照按照均值为0，方差为1的标准正态分布对待训练多层感知机神经网络模型的权重进行初始化；将遥感影像缩略图样本库中的各缩略图样本和提取的特征输入到初始化后的对待训练多层感知机神经网络模型中进行训练，得到预测结果和相对标签的误差；根据得到的预测结果和相对标签的误差，对待训练多层感知机神经网络模型的权重和偏置进行调整；当待训练多层感知机神经网络模型迭代更新至预设次数时，记录此时的网络参数。
步骤105，根据得到的网络参数，对待训练多层感知机神经网络模型进行参数更新，得到多层感知机神经网络模型。
步骤106，根据多层感知机神经网络模型，对待测试遥感影像进行色彩评价。
在本实施例中，具体可以通过如下方式实现对待测试遥感影像的色彩评价：获取待测试遥感影像；将获取的待测试遥感影像转换为待测缩略图，并提取得到待测缩略图的特征信息；将待测缩略图的特征信息输入到多层感知机神经网络模型中，得到色彩评价预测结果。
在本发明的一优选实施例中，该基于多层感知机的遥感影像色彩评价方法还可以包括：定期抽样判断色彩评价预测结果是否正确；若确定色彩评价预测结果不正确，则将当前的待测试遥感影像作为误判样本，并增加至遥感影像缩略图样本库中。也即，可以将误判样本加入样本库，重新进行训练，迭代模型，进而不断提高模型识别的准确性。
在本发明的一优选实施例中，该基于多层感知机的遥感影像色彩评价方法还可以包括：对新类型的异常影像，加入异常缩略图样本库，重复上述特征提取和多层感知机神经网络模型的训练过程，实现多层感知机神经网络模型的更新迭代，适应更多的异常类型。
实施例2
在上述实施例的基础上，下面结合一个具体实例进行说明。
本发明实施例提出了一种基于多层感知机的遥感影像色彩评价方法，用于光学遥感影像生产系统中问题影像的自动检测。首先进行样本库缩略图特征的提取；然后搭建多层感知机模型；再利用特征集进行模型训练，获得调优的网络参数；最后利用训练好的网络对新图像进行色彩评价。
步骤一：准备遥感影像缩略图样本库。
遥感影像数据为遥感卫星多光谱相机采集到的多光谱遥感图像。将遥感影像提取红、绿、蓝通道合成真彩色遥感图像并下采样生成缩略图，以方便快速查看图像并减少特征提取的计算量；给缩略图标记正常或异常的标签，形成样本库。
步骤二：对每个缩略图提取包含Lab色彩空间色偏因子等27维特征。
步骤三：构建多层感知机神经网络模型。
所构建的多层感知机神经网络模型具有4层结构：第一层为输入层，对应前述27维特征；第二层与第三层为隐藏层，均包含50个神经元；最后一层为输出层。其中，各层之间连接方式均为全连接，激活函数为ReLU函数。
步骤四：训练多层感知机神经网络模型，并记录此时的网络参数。
(41)按照均值为0，方差为1的标准正态分布对神经网络的权重进行初始化。
(42)将训练数据输入到神经网络中并进行前馈计算，即每层的输出作为下一层的输入。
(43)计算神经网络的输出结果和相对标签的误差。
本发明使用交叉熵函数作为损失函数来计算其误差。交叉熵函数公式如下：
其中，p(x)为训练样本标签，q(x)为模型的预估标签。
(44)利用误差反向传播算法调整网络的权重和偏置，并返回步骤(42)，当神经网络迭代更新至预设次数时，记录此时的网络参数。
实施例3
在上述实施例的基础上，本发明还公开了一种基于多层感知机的遥感影像色彩评价系统，包括：样本构建模块，用于构建携带有标签信息的遥感影像缩略图样本库；特征提取模块，用于对遥感影像缩略图样本库中的各缩略图样本进行特征提取；模型构建模块，用于构建用于二分类的待训练多层感知机神经网络模型；参数训练模块，用于根据遥感影像缩略图样本库中的各缩略图样本和提取的特征，对待训练多层感知机神经网络模型进行训练，得到网络参数；模型更新模块，用于根据得到的网络参数，对待训练多层感知机神经网络模型进行参数更新，得到多层感知机神经网络模型；色彩评价模块，用于根据多层感知机神经网络模型，对待测试遥感影像进行色彩评价。
对于系统实施例而言，由于其与方法实施例相对应，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。

Claims (7)

1.一种基于多层感知机的遥感影像色彩评价方法，其特征在于，包括：
构建携带有标签信息的遥感影像缩略图样本库；
对遥感影像缩略图样本库中的各缩略图样本进行特征提取；
构建用于二分类的待训练多层感知机神经网络模型；其中，所构建的多层感知机神经网络模型具有4层结构：第一层为输入层；第二层与第三层为隐藏层，均包含50个神经元；最后一层为输出层；其中，各层之间连接方式均为全连接，激活函数为ReLU函数；
根据遥感影像缩略图样本库中的各缩略图样本和提取的特征，对待训练多层感知机神经网络模型进行训练，得到网络参数；
根据得到的网络参数，对待训练多层感知机神经网络模型进行参数更新，得到多层感知机神经网络模型；
根据多层感知机神经网络模型，对待测试遥感影像进行色彩评价；
其中：
对遥感影像缩略图样本库中的各缩略图样本进行特征提取，包括：
计算得到遥感影像缩略图样本库中的各缩略图样本的黑像素掩膜和白像素掩膜，分别除以总像素数得到黑像素比和白像素比共计2维特征；其中，黑像素为：RGB三波段均为零的像素，白像素为：RGB三波段像素值均大于253的像素；
将遥感影像缩略图样本库中的各缩略图样本从RGB色彩空间转换至Lab色彩空间，并结合黑像素掩膜和白像素掩膜，计算得到cast、da、db、D、M、cast_NNO、da_NNO、db_NNO、D_NNO、M_NNO、D_cr和M_cr，共计12维特征；其中，cast：色偏因子；da：Lab色彩空间a分量均值；db：Lab色彩空间b分量均值；D：Lab色彩空间等价圆心与原点间距离；M：Lab色彩空间等价圆半径；cast_NNO：中性灰区域色偏因子；da_NNO：Lab色彩空间中性灰区域a分量均值；db_NNO：Lab色彩空间中性灰区域b分量均值；D_NNO：Lab色彩空间中性灰区域等价圆心与原点间距离；M_NNO：Lab色彩空间中性灰区域等价圆半径；D_cr：Lab色彩空间等价圆心与原点间距离变化幅度；M_cr：Lab色彩空间等价圆半径变化幅度；
根据黑像素与白像素掩膜，计算得到色彩度CCI；
根据黑像素与白像素掩膜，逐波段计算得到R波段、G波段和B波段各自对应的像素均值、标准差、平均梯度与熵值，共计3×4＝12维特征。
2.根据权利要求1所述的基于多层感知机的遥感影像色彩评价方法，其特征在于，构建携带有标签信息的遥感影像缩略图样本库，包括：
获取遥感卫星多光谱相机采集到的多光谱遥感图像；
对所述多光谱遥感图像进行下采样和真彩色合成处理，得到jpg格式的遥感影像缩略图；
根据得到的jpg格式的遥感影像缩略图的色彩状态信息，对得到的jpg格式的遥感影像缩略图进行标签化处理；
根据标签化处理后的jpg格式的遥感影像缩略图，构建得到所述携带有标签信息的遥感影像缩略图样本库。
3.根据权利要求1所述的基于多层感知机的遥感影像色彩评价方法，其特征在于，根据遥感影像缩略图样本库中的各缩略图样本和提取的特征，对待训练多层感知机神经网络模型进行训练，得到网络参数，包括：
按照均值为0，方差为1的标准正态分布对待训练多层感知机神经网络模型的权重进行初始化；
将遥感影像缩略图样本库中的各缩略图样本和提取的特征输入到初始化后的对待训练多层感知机神经网络模型中进行训练，得到预测结果和相对标签的误差；
根据得到的预测结果和相对标签的误差，对待训练多层感知机神经网络模型的权重和偏置进行调整；
当待训练多层感知机神经网络模型迭代更新至预设次数时，记录此时的网络参数。
4.根据权利要求1所述的基于多层感知机的遥感影像色彩评价方法，其特征在于，根据多层感知机神经网络模型，对待测试遥感影像进行色彩评价，包括：
获取待测试遥感影像；
将获取的待测试遥感影像转换为待测缩略图，并提取得到待测缩略图的特征信息；
将待测缩略图的特征信息输入到多层感知机神经网络模型中，得到色彩评价预测结果。
5.根据权利要求1所述的基于多层感知机的遥感影像色彩评价方法，其特征在于，还包括：
定期抽样判断色彩评价预测结果是否正确；若确定色彩评价预测结果不正确，则将当前的待测试遥感影像作为误判样本，并增加至遥感影像缩略图样本库中。
6.根据权利要求1所述的基于多层感知机的遥感影像色彩评价方法，其特征在于，还包括：
对新类型的异常影像，加入异常缩略图样本库，重复上述特征提取和多层感知机神经网络模型的训练过程，实现多层感知机神经网络模型的更新迭代，适应更多的异常类型。
7.一种基于多层感知机的遥感影像色彩评价系统，其特征在于，包括：
样本构建模块，用于构建携带有标签信息的遥感影像缩略图样本库；
特征提取模块，用于对遥感影像缩略图样本库中的各缩略图样本进行特征提取；
模型构建模块，用于构建用于二分类的待训练多层感知机神经网络模型；其中，所构建的多层感知机神经网络模型具有4层结构：第一层为输入层；第二层与第三层为隐藏层，均包含50个神经元；最后一层为输出层；其中，各层之间连接方式均为全连接，激活函数为ReLU函数；
参数训练模块，用于根据遥感影像缩略图样本库中的各缩略图样本和提取的特征，对待训练多层感知机神经网络模型进行训练，得到网络参数；
模型更新模块，用于根据得到的网络参数，对待训练多层感知机神经网络模型进行参数更新，得到多层感知机神经网络模型；
色彩评价模块，用于根据多层感知机神经网络模型，对待测试遥感影像进行色彩评价；
其中：
特征提取模块，具体用于：
计算得到遥感影像缩略图样本库中的各缩略图样本的黑像素掩膜和白像素掩膜，分别除以总像素数得到黑像素比和白像素比共计2维特征；其中，黑像素为：RGB三波段均为零的像素，白像素为：RGB三波段像素值均大于253的像素；
将遥感影像缩略图样本库中的各缩略图样本从RGB色彩空间转换至Lab色彩空间，并结合黑像素掩膜和白像素掩膜，计算得到cast、da、db、D、M、cast_NNO、da_NNO、db_NNO、D_NNO、M_NNO、D_cr和M_cr，共计12维特征；其中，cast：色偏因子；da：Lab色彩空间a分量均值；db：Lab色彩空间b分量均值；D：Lab色彩空间等价圆心与原点间距离；M：Lab色彩空间等价圆半径；cast_NNO：中性灰区域色偏因子；da_NNO：Lab色彩空间中性灰区域a分量均值；db_NNO：Lab色彩空间中性灰区域b分量均值；D_NNO：Lab色彩空间中性灰区域等价圆心与原点间距离；M_NNO：Lab色彩空间中性灰区域等价圆半径；D_cr：Lab色彩空间等价圆心与原点间距离变化幅度；M_cr：Lab色彩空间等价圆半径变化幅度；
根据黑像素与白像素掩膜，计算得到色彩度CCI；
根据黑像素与白像素掩膜，逐波段计算得到R波段、G波段和B波段各自对应的像素均值、标准差、平均梯度与熵值，共计3×4＝12维特征。
CN201911043344.XA 2019-10-30 2019-10-30 一种基于多层感知机的遥感影像色彩评价方法和系统 Active CN111091532B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911043344.XA CN111091532B (zh) 2019-10-30 2019-10-30 一种基于多层感知机的遥感影像色彩评价方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911043344.XA CN111091532B (zh) 2019-10-30 2019-10-30 一种基于多层感知机的遥感影像色彩评价方法和系统

Publications (2)

Publication Number Publication Date
CN111091532A CN111091532A (zh) 2020-05-01
CN111091532B true CN111091532B (zh) 2023-07-18

Family

ID=70393088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911043344.XA Active CN111091532B (zh) 2019-10-30 2019-10-30 一种基于多层感知机的遥感影像色彩评价方法和系统

Country Status (1)

Country Link
CN (1) CN111091532B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546574A (zh) * 2021-06-30 2022-12-30 华为技术有限公司 图像分类、模型训练方法、设备、存储介质及计算机程序

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101277371A (zh) * 2007-03-28 2008-10-01 夏普株式会社 图像的处理方法、处理装置、形成装置及读取装置
CN110009675A (zh) * 2019-04-03 2019-07-12 北京市商汤科技开发有限公司 生成视差图的方法、装置、介质及设备

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000069281A (ja) * 1998-08-24 2000-03-03 Toshiba Corp 画像縮小装置及び方法並びにプログラムを記録したコンピュータ読み取り可能な記録媒体
CN103679164A (zh) * 2012-09-21 2014-03-26 阿里巴巴集团控股有限公司 一种基于移动终端的标志识别处理方法和系统
CN104408469A (zh) * 2014-11-28 2015-03-11 武汉大学 基于图像深度学习的烟火识别方法及系统
CN107292948B (zh) * 2016-04-12 2021-03-26 香港理工大学 一种人体建模方法、装置及电子设备
CN107180439B (zh) * 2016-07-15 2020-02-04 重庆大学 一种基于Lab色度空间的色偏特征提取和色偏检测方法
JP2018068400A (ja) * 2016-10-25 2018-05-10 コニカミノルタ株式会社 動態画像処理装置
CN109117858B (zh) * 2017-06-26 2024-02-13 北京金风科创风电设备有限公司 监测风力发电机叶片结冰的方法及装置
CN107578412B (zh) * 2017-09-28 2021-03-02 微梦创科网络科技（中国）有限公司 图像质量综合评价方法及系统
CN107767343B (zh) * 2017-11-09 2021-08-31 京东方科技集团股份有限公司 图像处理方法、处理装置和处理设备
CN108921158A (zh) * 2018-06-14 2018-11-30 众安信息技术服务有限公司 图像校正方法、装置及计算机可读存储介质
CN109215038A (zh) * 2018-09-29 2019-01-15 中国资源卫星应用中心 一种基于遥感影像的智能信息提取方法及系统
CN109767412A (zh) * 2018-12-28 2019-05-17 珠海大横琴科技发展有限公司 一种基于深度残差神经网络的遥感影像融合方法及系统
CN109886106A (zh) * 2019-01-15 2019-06-14 浙江大学 一种基于深度学习的遥感图像建筑物变化检测方法
CN109872331A (zh) * 2019-01-30 2019-06-11 天津大学 一种基于深度学习的遥感图像数据自动识别分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101277371A (zh) * 2007-03-28 2008-10-01 夏普株式会社 图像的处理方法、处理装置、形成装置及读取装置
CN110009675A (zh) * 2019-04-03 2019-07-12 北京市商汤科技开发有限公司 生成视差图的方法、装置、介质及设备

Also Published As

Publication number Publication date
CN111091532A (zh) 2020-05-01

Similar Documents

Publication Publication Date Title
CN105678332B (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统
CN111598156B (zh) 基于多源异构数据融合的pm2.5预测方法
CN114139444B (zh) 一种基于机器学习的近海海表温度反演方法
CN106570485B (zh) 一种基于深度学习的筏式养殖遥感图像场景标注方法
CN108416784A (zh) 城市建成区边界快速提取方法、装置及终端设备
CN113298058A (zh) 基于无人机高光谱图像的水质预测反演方法及系统
CN111104850B (zh) 一种基于残差网络的遥感影像建筑物自动提取方法和系统
CN114299324B (zh) 一种基于多尺度域对抗网络的病理图像分类方法及系统
CN111222545A (zh) 基于线性规划增量学习的图像分类方法
CN109671038A (zh) 一种基于伪不变特征点分类分层的相对辐射校正方法
CN114965501A (zh) 基于冠层参数处理的花生病害检测与产量预测方法
CN111091532B (zh) 一种基于多层感知机的遥感影像色彩评价方法和系统
CN117011688B (zh) 一种水下结构病害的识别方法、系统及存储介质
CN111551252B (zh) 一种基于神经网络的光谱响应设计方法
CN116168311B (zh) 一种用于森林病虫害的无人机遥感监测系统及方法
KR102576427B1 (ko) 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체
CN117115679B (zh) 一种时空融合遥感影像对筛选方法
Abdalla et al. Color Consistency of UAV Imagery using Multi-Channel CNN-based Image-to-Image Regression and Residual Learning
Heng et al. MatSpectNet: Material Segmentation Network with Domain-Aware and Physically-Constrained Hyperspectral Reconstruction
Ramasamy et al. Classification of Nutrient Deficiencies in Plants Using Recurrent Neural Network
CN117934963B (zh) 一种气体传感器漂移补偿方法
CN116309849B (zh) 一种基于视觉雷达的起重机定位方法
CN118296463A (zh) 基于湖泊底部分类的内陆湖泊水深反演方法
김형기 et al. Estimation of concrete strength based on deep learning-based image segmentation coupled with IR thermal extraction
CN118071811A (zh) Transformer浅海水深遥感反演方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20201113

Address after: 1201, block a, building 1, yard 65, Zhichun Road, Haidian District, Beijing 100048

Applicant after: CHINA SURVEY SURVEYING AND MAPPING TECHNOLOGY Co.,Ltd.

Address before: 100094, Beijing, Yongfeng Haidian District industrial base, No. 5 East Feng Feng Road

Applicant before: CHINA CENTRE FOR RESOURCES SATELLITE DATA AND APPLICATION

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant