CN111127393B - 雷达影像变化检测的样本制作方法及系统、存储介质、设备 - Google Patents
雷达影像变化检测的样本制作方法及系统、存储介质、设备 Download PDFInfo
- Publication number
- CN111127393B CN111127393B CN201911113221.9A CN201911113221A CN111127393B CN 111127393 B CN111127393 B CN 111127393B CN 201911113221 A CN201911113221 A CN 201911113221A CN 111127393 B CN111127393 B CN 111127393B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- segmentation
- module
- radar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 230000008859 change Effects 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005464 sample preparation method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (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)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供雷达影像变化检测的样本制作方法,包括配准、获得差异图像、融合、图像分割、形成样本库、模型训练以及精度评定。本发明还涉及雷达影像变化检测的样本库制作系统、电子设备以及存储介质。本发明通过加权指数的自动迭代生成增加了方法的适应性,对不同的数据源通过迭代生成加权指数更加的合理,提高结果的准确性。与目前较为纯粹的深度学习方法相比,自动生成大量样本,只需要少量手工样本加快迭代速度,大大节约了时间,但是通过反复迭代仍然满足精度要求,这种效果显著的方法更加符合工程化的需要。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及雷达影像变化检测的样本制作方法。
背景技术
雷达影像的变化检测一直是遥感领域研究的重点,经过长期发展其处理流程主要包括三部即数据预处理、差异图获取、差异图分割。变化检测是提取多期影像的变化情况,对于遥感影像来说首先需要对多期影像进行配准、匀色、直方图均衡化等预处理使得多期影像保持一致。从最初的比值法开始,变化检测差异图的获取在比值法的基础上不断衍生出新的方法,包括对数比值、均值比、基于小波变换的方法等。取得差异图后,通过差异图的分割就可以获得变换检测的具体情况,差异图的分割方法主要有阈值法、水平集法、模糊C均值法等。其中模糊C均值法即FCM是目前比较成熟的方法,并且该方法也是非监督方法中被研究及应用最广泛的方法,基于该方法的衍生方法有空间FCM(SFCM)、增强FCM(EnFCM)、快速通用FCM(FCM)等。这些方法在取得较好的效果的时候需要不断调整参数并观察,效率低下。
目前,通过深度学习方法来实现雷达影像的变化检测,但是深度学习的样本制作通常通过人工绘制,通过人工绘制的样本需要大量的人力、物力,严重影像检测效率。
发明内容
为了克服现有技术的不足,本发明提供雷达影像变化检测的样本制作方法。本发明通过FCM算法自动迭代自动生成大量样本,在保证精度的前提下提高了效率。
本发明提供雷达影像变化检测的样本制作方法,包括如下步骤:
配准,将两幅同一地区不同时刻的原始雷达影像进行配准,得到第一雷达影像;
获得差异图像,将所述第一雷达影像进行对数比处理,得到差异图像;
融合,将获得的所述差异图像与所述第一雷达影像进行波段融合,得到三波段影像;
图像分割,利用分割法将步骤对数比中的所述差异图像进行分割处理,获得标签文件;
形成样本库,分别对所述三波段影像与所述标签文件进行裁剪处理,以形成若干设定尺寸的样本文件,若干所述样本文件形成样本库。
优选地,在步骤图像分割中还包括:
图像处理,将所述差异图像进行分割处理后得到的分割结果图进行滤波去噪处理后获得所述标签文件。
优选地,在步骤图像分割中还包括:
获得加权指数值,将所述加权指数设置为可变,并通过精度评价获得所述加权指数的值。
优选地,所述FCM算法自迭代加权指数包括手动画出的真值标签,利用IOU函数进行所述精度评价,当所述真值标签与利用FCM算法产生的分割图之间的精度达到设定精度阈值范围时,获得此时的所述加权指数的值;否则,继续迭代。
优选地,在步骤形成样本库中还包括手工绘制样本,将所述手工绘制样本加入所述样本库。
优选地,在步骤形成样本库之后还包括:
模型训练,利用深度学习网络模型对所述样本库中的样本进行训练,得到变化检测模型;
精度评定,将待测试的雷达影像数据输入所述变化检测模型进行数据预测测试,并计算本次测试的检查平均函数IOU,若IOU值均达标则跳转至下一步,若IOU值存在不达标情况则调整深度学习网络模型参数返回步骤模型训练并重新迭代训练。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行雷达影像变化检测的样本制作方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行雷达影像变化检测的样本制作方法。
雷达影像变化检测的样本库制作系统,包括配准模块、获得差异图像模块、融合模块、图像分割模块以及形成样本库模块;其中,
所述配准模块用于将两幅同一地区不同时刻的原始雷达影像进行配准,得到第一雷达影像;
所述获得差异图像模块用于将所述配准后的雷达影像进行对数比处理,得到差异图像;
所述融合模块用于将获得的所述差异图像与所述配准后的雷达影像进行波段融合,得到三波段影像;
所述图像分割模块用于利用分割法将步骤对数比中的所述差异图像进行分割处理,获得标签文件;
所述形成样本库模块用于将分别对所述三波段影像与所述标签文件进行裁剪处理,以形成若干设定尺寸的样本文件,若干所述样本文件形成样本库。
优选地,还包括模型训练模块与精度评定模块,所述模型训练模块用于利用深度学习网络模型对所述样本库中的样本进行训练,得到变化检测模型;所述精度评定模块用于将待测试的雷达影像数据输入所述变化检测模型进行数据预测测试,并计算本次测试的检查平均函数IOU,若IOU值均达标则跳转至下一步,若IOU值存在不达标情况则调整深度学习网络模型参数返回步骤模型训练并重新迭代训练;
所述图像分割模块包括图像处理单元与获得加权指数单元,所述图像处理单元用于将所述差异图像进行分割处理后得到的分割结果图进行滤波去噪处理后获得所述标签文件;
所述获得加权指数单元用于所述分割法包括FCM算法自迭代加权指数,将所述加权指数设置为可变,并通过精度评价获得所述加权指数的值;所述FCM算法自迭代加权指数包括手动画出的真值标签,利用IOU函数进行所述精度评价,当所述真值标签与利用FCM算法产生的分割图之间的精度达到设定精度阈值范围时,获得此时的所述加权指数的值;否则,继续迭代。
相比现有技术,本发明的有益效果在于:
本发明公开了雷达影像变化检测的样本制作方法,该方法加权指数的自动迭代生成增加了方法的适应性,对不同的数据源通过迭代生成加权指数更加的合理,提高结果的准确性。与目前较为纯粹的深度学习方法相比,自动生成大量样本,只需要少量手工样本加快迭代速度,大大节约了时间,但是通过反复迭代仍然满足精度要求,这种效果显著的方法更加符合工程化的需要。另外,本发明结合了卷积神经网络,兼顾了更加多样化的影像特征;卷积神经网络的最大优点是对特征的提取,通过卷积神经网络能够获取样本的多尺度、形态、空间、上下文等信息;本发明充分利用率卷积神经网络的特征提取能力,将两期影像以及两期影像的差异图融合成3波段的图像数据,将图像对应的差异图的FCM分割结果作为标签,将图像及标签一起作为卷积神经网络的样本,同时加入少量手工样本加速迭代,最后经过反复迭代训练能够准确得出变化的模型。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的雷达影像变化检测的样本制作方法的整体流程图;
图2为本发明的雷达影像变化检测的样本制作方法的逻辑示意图;
图3为本发明的雷达影像变化检测的样本制作方法的FCM算法自迭代加权指数逻辑示意图;
图4为本发明的雷达影像变化检测的样本制作方法的UNET网络结构示意图;
图5为本发明的雷达影像变化检测的样本制作方法的样本示意图;
图6为20170629拍摄的影像即T1时间的雷达影像;
图7为20180130拍摄的影像即T2时间的雷达影像;
图8为应用本发明的方法获得图6、图7的变化区域;
图9为本发明的雷达影像变化检测的样本库制作系统的模块图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本发明提供雷达影像变化检测的样本制作方法,如图1-8所示,包括如下步骤:
S1、配准,将两幅同一地区不同时刻的原始雷达影像进行配准,得到配准后的雷达影像。在一个实施例中,将两期空间分辨率优于2米的COSMO-SkyMed雷达影像进行配准及直方图均衡化,保证两期影像的灰度值差异最小。两期雷达影像即指两幅同一个地区不同时刻的雷达影像进行配准,直方图均衡化处理之后,原来比较少像素的灰度会被分配到别的灰度去,像素相对集中,处理后灰度范围变大,对比度变大,清晰度变大,所以能有效增强图像;通过直方图均衡化使两期雷达影像灰度值接近达到数据统一。
S2、获得差异图像,将配准后的雷达影像进行对数比处理,得到差异图像。在一个实施例中,将配准后并经过直方图均衡化处理后的两幅雷达影像进行对数比处理得到两期影像的差异图像。
S3、融合,将获得的所述差异图像与所述配准后的雷达影像进行波段融合,得到三波段影像。在一个实施例中,在将两期雷达影像进行对数比处理的过程中将丢失部分信息,将差异图像与配准后的雷达影像进行对数比处理前的雷达影像进行融合,得到三波段影像,使得在对数比处理中丢失的信息补充回来;另外三波段影像信息丰富,提高图像处理的准确性。
S4、图像分割,利用分割法将步骤S2中的差异图像进行分割处理,获得标签文件;在一个实施例中,如图3所示,分割法优选为FCM算法,模糊C-均值聚类即FCM方法通过优化目标函数得到每个样本点对所有类中心的隶属度,从而决定样本点的类属性以达到自动对样本数据进行分类的目的。
一般地,FCM算法首先对类别数c和加权指数m进行初始值设定,其中对于加权指数m的最佳值并没有理论指导,大多情况下取2,但是由于数据源的不同,这个值是否是最佳值还需要验证,因此通过在FCM外再加一层迭代来完成,FCM自身迭代停止仅仅是在加权指数为固定的情况下。
在一个优选的实施例中,获得加权指数值,将加权指数设置为可变,并通过精度评价获得所述加权指数的值;FCM算法自迭代加权指数包括手动画出的真值标签,利用IOU函数进行精度评价,当真值标签与利用FCM算法产生的分割图之间的精度达到设定精度阈值范围时,获得此时的加权指数的值;否则,继续迭代。在本实施例中,变化检测的样本只有一类,就是相对于不变的那些变化的部分,因此类别数即变化类别确定为1,加权指数为可变。当FCM产生的分割图与手动绘制的真值样本之间的精度评价达到设定精度阈值范围时,迭代停止,获得此时的加权指数;当未达到设定精度阈值时,加权指数就增加0.1继续重复分割并进行精度评价,加权指数优选从0.1开始迭代。加权指数的自动迭代生成增加了方法的适应性,对不同的数据源通过迭代生成加权指数更加的合理,最终使结果更加准确。另外,在将差异图像进行分割处理后得到的分割结果图再进行滤波去噪处理后获得标签文件。
S5、形成样本库,将步骤S3中获得的三波段影像与步骤S4中获得的标签文件裁剪出设定尺寸的样本文件形成样本库。在一个实施例中,样本库中还包括手工绘制的样本,只需要较少的数量的手工绘制样本即可。
S6、模型训练,利用深度学习网络模型对样本库中的样本进行训练,得到变化检测模型。在一个实施例中,如图4所示,选择UNET作为卷积神经网络,将样本库中的样本输入网络进行迭代训练得到变化检测模型;UNET卷积神经网络结构主要思想是学习图像的特征映射,并利用它进行更细致的特征映射。该结构由三部分组成:contraction,bottleneck和expansion 部分。contraction部分由许多contraction块组成。每个块接受一个输入,应用两个3X3的卷积层,然后是一个2X2的最大池化。在每个块之后,核或特征映射的数量会加倍,这样体系结构就可以有效地学习复杂的结构。最底层介于contraction层和expansion层之间。它使用两个3X3CNN层,然后是2X2 up convolution层。
S7、精度评定,将待测试的雷达影像数据输入所述变化检测模型进行数据预测测试,并计算本次测试的检查平均函数IOU,若IOU值均达标则跳转至下一步,若IOU值存在不达标情况则调整深度学习网络模型参数返回步骤模型训练并重新迭代训练。在一个实施例中,利用训练好的模型预测测试区域并进行精度评定,利用IOU函数进行评定,如果满足要求就输出结果,如果不满足精度要求就增加样本或修改样本继续迭代直到满足精度要求。
应用本发明的雷达影像变化检测的样本制作方法对图像处理的结果及分析,如图6-8所示:
图6为目标区域,拍摄时间为20170629,图7为同一个目标区域,拍摄时间为20180130,图8为两期影像的变化区域,可以明显的看出很多细小的变化区域没有遗漏。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行雷达影像变化检测的样本制作方法。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行雷达影像变化检测的样本制作方法。
雷达影像变化检测的样本库制作系统,如图9所示,包括配准模块、获得差异图像模块、融合模块、图像分割模块以及形成样本库模块;其中,
配准模块用于将两幅同一地区不同时刻的原始雷达影像进行配准,得到第一雷达影像;
获得差异图像模块用于将配准后的雷达影像进行对数比处理,得到差异图像;
融合模块用于将获得的差异图像与配准后的雷达影像进行波段融合,得到三波段影像;
图像分割模块用于利用分割法将步骤对数比中的差异图像进行分割处理,获得标签文件;
形成样本库模块用于将分别对三波段影像与标签文件进行裁剪处理,以形成若干设定尺寸的样本文件,若干样本文件形成样本库。
进一步地,还包括模型训练模块与精度评定模块,模型训练模块用于利用深度学习网络模型对样本库中的样本进行训练,得到变化检测模型;精度评定模块用于将待测试的雷达影像数据输入变化检测模型进行数据预测测试,并计算本次测试的检查平均函数IOU,若IOU值均达标则跳转至下一步,若IOU值存在不达标情况则调整深度学习网络模型参数返回步骤模型训练并重新迭代训练;
图像分割模块包括图像处理单元与获得加权指数单元,图像处理单元用于将差异图像进行分割处理后得到的分割结果图进行滤波去噪处理后获得标签文件;
获得加权指数单元用于分割法包括FCM算法自迭代加权指数,将加权指数设置为可变,并通过精度评价获得加权指数的值;FCM算法自迭代加权指数包括手动画出的真值标签,利用IOU函数进行精度评价,当真值标签与利用FCM算法产生的分割图之间的精度达到设定精度阈值范围时,获得此时的加权指数的值;否则,继续迭代。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (8)
1.雷达影像变化检测的样本制作方法,其特征在于,包括如下步骤:
配准,将两幅同一地区不同时刻的原始雷达影像进行配准,得到第一雷达影像;
获得差异图像,将所述第一雷达影像进行对数比处理,得到差异图像;
融合,将获得的所述差异图像与所述第一雷达影像进行波段融合,得到三波段影像;
图像分割,利用分割法将步骤对数比中的所述差异图像进行分割处理,获得标签文件;获得加权指数值,所述分割法包括FCM算法自迭代加权指数,将所述加权指数设置为可变,并通过精度评价获得所述加权指数的值;FCM算法自迭代加权指数包括手动画出的真值标签,利用IOU函数进行精度评价,当真值标签与利用FCM算法产生的分割图之间的精度达到设定精度阈值范围时,获得此时的加权指数的值;否则,继续迭代;
形成样本库,分别对所述三波段影像与所述标签文件进行裁剪处理,以形成若干设定尺寸的样本文件,若干所述样本文件形成样本库。
2.如权利要求1所述的雷达影像变化检测的样本制作方法,其特征在于,在步骤图像分割中还包括:
图像处理,将所述差异图像进行分割处理后得到的分割结果图进行滤波去噪处理后获得所述标签文件。
3.如权利要求2所述的雷达影像变化检测的样本制作方法,其特征在于,在步骤形成样本库中还包括手工绘制样本,将所述手工绘制样本加入所述样本库。
4.如权利要求1或2所述的雷达影像变化检测的样本制作方法,其特征在于,在步骤形成样本库之后还包括:
模型训练,利用深度学习网络模型对所述样本库中的样本进行训练,得到变化检测模型;
精度评定,将待测试的雷达影像数据输入所述变化检测模型进行数据预测测试,并计算本次测试的检查平均函数IOU,若IOU值均达标则跳转至下一步,若IOU值存在不达标情况则调整深度学习网络模型参数返回步骤模型训练并重新迭代训练。
5.一种电子设备,其特征在于,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行如权利要求1所述的方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1所述的方法。
7.雷达影像变化检测的样本库制作系统,其特征在于,包括配准模块、获得差异图像模块、融合模块、图像分割模块以及形成样本库模块;其中,
所述配准模块用于将两幅同一地区不同时刻的原始雷达影像进行配准,得到第一雷达影像;
所述获得差异图像模块用于将所述配准后的雷达影像进行对数比处理,得到差异图像;
所述融合模块用于将获得的所述差异图像与所述配准后的雷达影像进行波段融合,得到三波段影像;
所述图像分割模块用于利用分割法将步骤对数比中的所述差异图像进行分割处理,获得标签文件;所述图像分割模块包括图像处理单元与获得加权指数单元,所述图像处理单元用于将所述差异图像进行分割处理后得到的分割结果图进行滤波去噪处理后获得所述标签文件;所述获得加权指数单元用于所述分割法包括FCM算法自迭代加权指数,将所述加权指数设置为可变,并通过精度评价获得所述加权指数的值;所述FCM算法自迭代加权指数包括手动画出的真值标签,利用IOU函数进行所述精度评价,当所述真值标签与利用FCM算法产生的分割图之间的精度达到设定精度阈值范围时,获得此时的所述加权指数的值;否则,继续迭代;
所述形成样本库模块用于将分别对所述三波段影像与所述标签文件进行裁剪处理,以形成若干设定尺寸的样本文件,若干所述样本文件形成样本库。
8.如权利要求7所述的雷达影像变化检测的样本库制作系统,其特征在于,还包括模型训练模块与精度评定模块,所述模型训练模块用于利用深度学习网络模型对所述样本库中的样本进行训练,得到变化检测模型;所述精度评定模块用于将待测试的雷达影像数据输入所述变化检测模型进行数据预测测试,并计算本次测试的检查平均函数IOU,若IOU值均达标则跳转至下一步,若IOU值存在不达标情况则调整深度学习网络模型参数返回步骤模型训练并重新迭代训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113221.9A CN111127393B (zh) | 2019-11-14 | 2019-11-14 | 雷达影像变化检测的样本制作方法及系统、存储介质、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113221.9A CN111127393B (zh) | 2019-11-14 | 2019-11-14 | 雷达影像变化检测的样本制作方法及系统、存储介质、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127393A CN111127393A (zh) | 2020-05-08 |
CN111127393B true CN111127393B (zh) | 2023-07-25 |
Family
ID=70495607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113221.9A Active CN111127393B (zh) | 2019-11-14 | 2019-11-14 | 雷达影像变化检测的样本制作方法及系统、存储介质、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127393B (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481235A (zh) * | 2017-08-24 | 2017-12-15 | 河海大学 | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 |
-
2019
- 2019-11-14 CN CN201911113221.9A patent/CN111127393B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111127393A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN112668663B (zh) | 一种基于YOLOv4的航拍小汽车检测方法 | |
CN108830285B (zh) | 一种基于Faster-RCNN的加强学习的目标检测方法 | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
CN110569738B (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
CN112668579A (zh) | 基于自适应亲和力和类别分配的弱监督语义分割方法 | |
CN112102229A (zh) | 一种基于深度学习的工业ct检测缺陷的智能识别方法 | |
CN114140683A (zh) | 一种航拍图像目标检测的方法、设备与介质 | |
CN111353580B (zh) | 目标检测网络的训练方法、电子设备及存储介质 | |
CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN111079807B (zh) | 一种地物分类方法及装置 | |
CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
CN112348750B (zh) | 基于阈值融合和邻域投票的sar图像变化检测方法 | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
CN110751061B (zh) | 基于sar网络的sar图像识别方法、装置、设备和存储介质 | |
CN117636298A (zh) | 基于多尺度特征学习的车辆重识别方法、系统及存储介质 | |
CN112966757A (zh) | 训练样本的扩展方法、装置、存储介质及设备 | |
CN112085001A (zh) | 一种基于多尺度边缘特征检测的隧道识别模型及方法 | |
CN116597275A (zh) | 一种基于数据增强的高速移动目标识别方法 | |
CN111127393B (zh) | 雷达影像变化检测的样本制作方法及系统、存储介质、设备 | |
CN111144422A (zh) | 一种飞机部件的定位识别方法和系统 |
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 |