CN111160127A - 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 - Google Patents
一种基于深度卷积神经网络模型的遥感影像处理及检测方法 Download PDFInfo
- Publication number
- CN111160127A CN111160127A CN201911268507.4A CN201911268507A CN111160127A CN 111160127 A CN111160127 A CN 111160127A CN 201911268507 A CN201911268507 A CN 201911268507A CN 111160127 A CN111160127 A CN 111160127A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- neural network
- network model
- accuracy rate
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 title claims description 30
- 230000008859 change Effects 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013467 fragmentation Methods 0.000 claims description 5
- 238000006062 fragmentation reaction Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06V20/13—Satellite images
-
- 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
- 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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于深度卷积神经网络模型的遥感影像处理及检测方法,通过直接将遥感图像的每个像素按照图像中表达的语义含义进行土地分类,并将覆盖同一地表区域、多时相遥感图像的分类结果进行对比,对每一张图片上的每一个像素点按照图像中表达的语义含义进行土地分类,再对不同时相遥感影像进行对比,得到每个像素对应类别的变化情况,最终根据变化情况提取所需的信息,方法流程清晰,时效性强,处理精度高。
Description
技术领域
本发明涉及一种基于深度卷积神经网络模型的遥感影像处理及检测方法,属于遥感图像处理与分析技术领域。
背景技术
随着遥感对地观测技术的日益精进,国产遥感卫星数量急剧增多,每日接收处理的原始数据量由GB级急剧增长至TB级,年归档量达到PB级,影像分辨率覆盖了亚米级到百米级,载荷类型丰富多样,包含全色、多光谱、高光谱、雷达、激光等,可以满足农、林、水、土、城建、环保等众多行业的应用需求,逐步迈入“大数据时代”。
传统的遥感应用主要还是依靠大量的人工进行影像判读和信息分析,自动化程度低,任务量相当繁重,面对遥感大数据带来的巨大工作量,局限性日益明显,难以深度挖掘遥感大数据的潜在价值。因此,如何快速、有效地获取遥感影像的信息,如农作物面积变化、城市新增建筑用地面积、道路更新等,充分发挥遥感影像在诸多领域巨大的应用潜力,是理论和应用研究中必须突破的瓶颈。
目前,遥感影像自动变化检测的常规方法主要分为像素级、特征级和对象级三个类别:①像素级:对多时相图像对应像素灰度值直接计算处理,虽然简捷、快速,但精度不高、效率低下;②特征级:从原始图像中提取纹理、轮廓等特征信息,然后进行综合分析,判断是否发生变化,虽然在一定程度上提高了效率、减少了干扰,但会出现信息丢失,且不能提供变化类别信息;③对象级:结合光谱和几何信息构建多变量的影像分割或模板匹配数学模型,然后提取目标特征,从图像中检测到目标,进行比较分析,虽然检测结果与目视解译较为吻合,但受限于图像分割和模板匹配的精度。综上所述,现有常规检测方法模型描述参数数量有限,且高度依赖先验知识、手工调参,很难利用大数据的优势。
发明内容
本发明解决的技术问题是:针对目前现有技术中遥感影像自动变化检测的常规方法存在的不足,提出了一种基于深度卷积神经网络模型的遥感影像处理及检测方法,利用深度学习的方法,从大数据中自动学习特征,简化了图像分类、标记、处理过程。
本发明解决上述技术问题是通过如下技术方案予以实现的:
一种基于深度卷积神经网络模型的遥感影像处理及检测方法,步骤如下:
(1)根据样本地表区的多时相遥感图像及该地表区的标准遥感信息图像,以Ubuntu14.04.3和Caffe框架为基础通过修改并优化框架网络参数构建深度卷积神经网络模型;
(2)利用步骤(1)中所选样本地表区的多时相遥感图像对深度卷积神经网络模型进行训练,对深度卷积神经网络模型输出的遥感信息图像与该地表区的标准遥感信息图像进行对比,若测试输出的遥感信息图像满足遥感信息图像判定标准,则停止对深度卷积神经网络模型训练并以当前模型作为最终深度卷积神经网络模型;否则继续训练直至深度卷积神经网络模型满足遥感信息图像判定标准;
(3)对待测地表区的多时相遥感图像进行采集,并进行预处理;
(4)将步骤(3)中预处理后所得多时相遥感图像作为最终深度卷积神经网络模型的输入图像,根据地物分类指标进行土地分类及地物标记,并输出经过最终深度卷积神经网络模型处理后的待测地表区遥感信息图像;
(5)根据图像分析要求进行判断,若需要识别待测地表区遥感信息图像特定时段内的地物标记,则通过遥感信息图像进行识别,若需要识别待测地表区遥感信息图像不同时段的变化情况,则进入步骤(6);
(6)对待测地表区不同时段内的2幅遥感信息图像进行对比,对重合地区变化信息进行分析,获取2幅遥感信息图像的地物标记变化情况,同时根据地物标记种类变化或面积变化情况进行二次筛选,并将筛选后所得图像信息向用户进行反馈。
所述预处理步骤具体为:
(3-1)根据云概率、云厚度、破碎度建立图像可用度模型,并对多时相遥感图像进行云检测,并对图像进行等级评估;
(3-2)对步骤(3-1)所得等级评估后图像进行全色与多光谱图像融合;
(3-3)对步骤(3-2)所得全色与多光谱图像融合后图像进行相对辐射纠正;
(3-4)对步骤(3-3)所得相对辐射纠正后图像进行几何校正消除畸变。
所述深度卷积神经网络模型可根据地物标记种类对输入的卫星遥感图像进行标记,并根据标记后的卫星遥感图像输出遥感影像色彩变换后的遥感信息图像。
所述地物标记变化情况包括面积变化情况、种类变化情况。
所述步骤(3-1)中,等级评估包括0~5级,具体评估参数为:
当多时相遥感图像被云覆盖度大于80%且地物不可见,为0级;
当多时相遥感图像被云覆盖度大于60%小于80%且地物可见,为1级;
当多时相遥感图像被云覆盖度大于40%小于60%且地物可见,为2级;
当多时相遥感图像被云覆盖度大于20%小于40%且地物可见,云区分散,为3级;
当多时相遥感图像被云覆盖度大于20%小于40%且地物可见,云区集中,为4级;
当多时相遥感图像清晰无云且地物可见,为5级。
所述待测地表区不同时段内的遥感信息图像均采用一一对应对比,若需要通过地物标记种类进行二次筛选,则标记2幅遥感信息图像中相同位置不同的地物,若需要通过面积变化情况进行二次筛选,则标记2幅遥感信息图像中同一类地物的占地面积并进行比较。
所述遥感信息图像判定标准具体为:
对所需地物于待测地表区遥感信息图像中的召回率、准确率、交并比进行记录,并与预设召回率、准确率、交并比进行比较确定是否需要继续训练深度卷积神经网络模型。
所述地物种类包括人工堆掘地、水体、植被、建筑、道路,其中,预设准确率具体为:人工堆掘地准确率高于0.45,水体准确率高于0.75,植被准确率高于0.85,建筑准确率高于0.80,道路准确率高于0.65即认为分类合格。
所述地物标记预设召回率具体为:人工堆掘地准确率高于0.35,水体准确率高于0.75,植被准确率高于0.85,建筑准确率高于0.80,道路准确率高于0.60即认为分类合格,交并比根据召回率、准确率确定。
本发明与现有技术相比的优点在于:
(1)本发明提供的一种基于深度卷积神经网络模型的遥感影像处理及检测方法,通过归纳训练图像数据构建深度卷积神经网络模型,并对该模型进行不断训练更新直至达到提出输出的遥感信息图像的严格判定标准,对神经网络模型输出图像处理能力进行严格控制,能够保证针对覆盖同一地表区域、不同时相的两张或多张遥感图片进行比对和图像处理,根据变化情况提取所需的信息,解决了传统图像检测方法中受限于图像分割和模板匹配的精度、检测参数数量有限且高度依赖先验知识的问题;
(2)本发明采用的模型训练过程中,先对同一地表区域、不同时相的两张或多张遥感图片中每一张图片上的每一个像素点按照图像中表达的语义含义进行土地分类,再对不同时相遥感影像进行对比,得到每个像素对应类别的变化情况,最终根据变化情况提取所需的信息,可从训练样本中自动学习图像分类特征,其对特征的表示可以包含成千上万的参数,因而可以对特征进行更完备的描述,带来更好的分类效果;
(3)本发明输入输出模型的数据均为遥感影像或定量、定性的参数描述,可以自动化、实时化的完成多平台、多光谱、多时相、大范围遥感影像变化信息的检测,可以更充分的发挥遥感数据的优势,方法时效性好,处理精度很高,应用价值突出。
附图说明
图1为发明提供的图像预处理流程图;
图2为发明提供的神经网络模型结构示意图;
图3为发明提供的神经网络模型训练流程图;
图4为发明提供的神经网络模型图像处理分类整体流程图;
图5为发明提供的训练模型用训练样本图;
图6为发明提供的待训练的测试多时相遥感图;
图7为发明提供的土地分类及地物标记后多时相遥感图;
图8为发明提供的根据地物标记种类二次筛选前后图像示意图;
具体实施方式
一种基于深度卷积神经网络模型的遥感影像处理及检测方法,通过建立深度卷积神经网络模型并进行训练,实现将外部输入多时相遥感图像处理至接近标准遥感信息图像的能力,如图4所示,具体步骤如下:
(1)根据样本地表区的多时相遥感图像及该地表区的标准遥感信息图像,以Ubuntu14.04.3和Caffe框架为基础通过修改并优化框架网络参数构建深度卷积神经网络模型;
(2)利用步骤(1)中所选样本地表区的多时相遥感图像对深度卷积神经网络模型进行训练,如图3所示,对深度卷积神经网络模型输出的遥感信息图像与该地表区的标准遥感信息图像进行对比,若测试输出的遥感信息图像满足遥感信息图像判定标准,则停止对深度卷积神经网络模型训练并以当前模型作为最终深度卷积神经网络模型;否则继续训练直至深度卷积神经网络模型满足遥感信息图像判定标准;
所述遥感信息图像判定标准具体为:
对所需地物于待测地表区遥感信息图像中的召回率、准确率、交并比进行记录,并与预设召回率、准确率、交并比进行比较确定是否需要继续训练深度卷积神经网络模型。
受限于分类过程中人工判定难易程度,对人工堆掘地、水体、植被、建筑、道路给出不同的限定值,人工堆掘地准确率高于0.45,水体准确率高于0.75,植被准确率高于0.85,建筑准确率高于0.80,道路准确率高于0.65即认为分类合格。
(3)对待测地表区的多时相遥感图像进行采集,并进行预处理;
如图1所示,预处理步骤具体为:
(3-1)根据云概率、云厚度、破碎度建立图像可用度模型,并对多时相遥感图像进行云检测,并对图像进行等级评估;
等级评估包括0~5级,具体评估参数为:
0级,图像全部被厚云覆盖(>80%),地物完全不可见;1级,图像较大部分被厚云覆盖(>60%),地物有少部分可见;2级:图像较少部分被厚云覆盖(>40%),地物较大部分可见;3级:图像少部分被厚云覆盖(>20%),地物大部分可见,但是云破碎度较大,云区分散面积较大;4级:图像少部分被厚云覆盖(>20%),地物大部分可见,且云破碎度小,即云分布很集中;5级:图像清晰无云,全部像素都是地物信息。
(3-2)对步骤(3-1)所得等级评估后图像进行全色与多光谱图像融合;
(3-3)对步骤(3-2)所得全色与多光谱图像融合后图像进行相对辐射纠正;
(3-4)对步骤(3-3)所得相对辐射纠正后图像进行几何校正消除畸变。
(4)将步骤(3)中预处理后所得多时相遥感图像作为最终深度卷积神经网络模型的输入图像,根据地物分类指标进行土地分类及地物标记,并输出经过最终深度卷积神经网络模型处理后的待测地表区遥感信息图像;
(5)根据图像分析要求进行判断,若需要识别待测地表区遥感信息图像特定时段内的地物标记,则通过遥感信息图像进行识别,若需要识别待测地表区遥感信息图像不同时段的变化情况,则进入步骤(6);
(6)对待测地表区不同时段内的2幅遥感信息图像进行对比,对重合地区变化信息进行分析,获取2幅遥感信息图像的地物标记变化情况,同时根据地物标记种类变化或面积变化情况进行二次筛选,并将筛选后所得图像信息向用户进行反馈;
所述待测地表区不同时段内的遥感信息图像均采用一一对应对比,若需要通过地物标记种类进行二次筛选,则标记2幅遥感信息图像中相同位置不同的地物,若需要通过面积变化情况进行二次筛选,则标记2幅遥感信息图像中同一类地物的占地面积并进行比较。
训练完成并达标后的深度卷积神经网络模型可根据地物标记种类对输入的卫星遥感图像进行标记,并根据标记后的卫星遥感图像输出遥感影像色彩变换后的遥感信息图像。
训练过程中,模型使用的是一一对应的所选样本地表区的多时相遥感图像和人工绘制的标准遥感信息图像,输入该样本地表区的多时相遥感图像后,如图2所示,得到的输出图像会随着不断训练以及对网络模型内由数个卷积层构成的残差层、多尺度的卷积层和降采样层的参数进行调整优化而变得更接近标准遥感信息图像,从而实现越来越好的图像处理效果,当对所选样本地表区的图像处理程度达标后,其他样本地表区的图像处理也能够达标。
深度卷积神经网络模型中,使用DeepLab模型,利用改进的全卷积神经网络和全连接条件随机场算法,将FCN的精确度进一步提升,为了进一步提高网络的表达性和检测性能,进一步结合残差网络ResNet的思想。通过公式表达,如果其所对应的理想映射关系为H(x),则现在每一层网络需要学习的残差映射F(x)则为H(x)-x,之后,每一层网络的输出再被重新映射到F(x)+x;
该模型联合了Softmax loss和Euclidean loss提出自适应联合损失函数Self-adaption-joint loss function-SAJ loss,使得神经网络既可以学习到输入图像的空间关系,也可以学习到标签图像的空间关系,同时二者的权重关系是通过优化学习到的,更有利于训练得到更优网络参数。自适应联合损失函数的方程如下:
其中yj和oj为y和o的第j个元素,W和b为可学习的参数矩阵和偏置,自适应地调节两种经典损失函数的关系;
同时,神经网络模型采用全连接的条件随机场算法,利用输入图像对输出结果中神经网络的分类偏差进行修正,该算法的能量函数E(x)的表达式为:
其中x是像素点的标签向量,θi(xi)=-logP(xi),其中P(xi)是是像素点是第i类的概率。
θij(xi,xij)按下式计算:
其中,这就意味着,如果两个像素点属于同一类别,那么它们的能量很小,反之,如果不属于同一类别,则需要考虑它们的位置和像素值的差异。显然地,像素值类似的或者位置类似的两个像素属于同一类别的概率更大,所以一旦两个像素的类别不相同,计算由像素值不同和位置不同导致的θij(xi,xij)。
因此对上述函数进行迭代优化,即可对分类结果进行修正。
在模型训练过程中,采用迁移学习结合逐层初始化的方法。具体的,在训练神经网络时,先利用已有的神经网络模型参数进行迁移,再对未迁移的参数层进行非监督预训练,最后,利用已有的样本数据进行有监督训练,从而得到较优的参数。
下面结合具体实施例进行进一步说明:
在Ubuntu14.04.3和Caffe深度学习框架下,首先完成网络的搭建,并配置相关的参数;再利用训练数据进行训练,获得调优的网络参数;最后利用训练好的网络对影像进行土地分类和信息提取。
选取的数据使用了28张4000*4000的遥感影像和与之对应的标签图作为训练数据,4张遥感影像作为测试数据,中间结果为土地分类、地物标记后图像,信息提取结果为建筑物与非建筑物的变化信息。
地物标记包括人工堆掘地、水体、植被、建筑、道路,各个地物分类的混淆矩阵、召回率、准确率和交并比如下表所示:
人工堆掘地 | 水体 | 植被 | 建筑 | 道路 | |
人工堆掘地 | 0.3845 | 0.0006 | 0.4278 | 0.1561 | 0.0311 |
水体 | 0.0019 | 0.761 | 0.1627 | 0.0597 | 0.0147 |
植被 | 0.0193 | 0.0036 | 0.8961 | 0.0601 | 0.0209 |
建筑 | 0.0133 | 0.001 | 0.0572 | 0.8978 | 0.0306 |
道路 | 0.0094 | 0.001 | 0.2361 | 0.1497 | 0.6138 |
人工堆掘地 | 水体 | 植被 | 建筑 | 道路 | |
召回率 | 0.3845 | 0.761 | 0.8961 | 0.8978 | 0.6138 |
准确率 | 0.4943 | 0.7641 | 0.899 | 0.849 | 0.6825 |
交并比 | 0.276 | 0.6162 | 0.8142 | 0.7742 | 0.4774 |
在本实施例中,如图5所示为训练模型用的样本地表区的多时相遥感图像及标准遥感信息图,如图6所示,为待训练的测试多时相遥感图像,如图7所示,为土地分类及地物标记前后预处理后所得多时相遥感图像,如图8所示,为根据地物标记种类进行二次筛选前后示意图,由图可知为建筑物与非建筑物的变化情况。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (9)
1.一种基于深度卷积神经网络模型的遥感影像处理及检测方法,其特征在于步骤如下:
(1)根据样本地表区的多时相遥感图像及该地表区的标准遥感信息图像,以Ubuntu14.04.3和Caffe框架为基础通过修改并优化框架网络参数构建深度卷积神经网络模型;
(2)利用步骤(1)中所选样本地表区的多时相遥感图像对深度卷积神经网络模型进行训练,对深度卷积神经网络模型输出的遥感信息图像与该地表区的标准遥感信息图像进行对比,若测试输出的遥感信息图像满足遥感信息图像判定标准,则停止对深度卷积神经网络模型训练并以当前模型作为最终深度卷积神经网络模型;否则继续训练直至深度卷积神经网络模型满足遥感信息图像判定标准;
(3)对待测地表区的多时相遥感图像进行采集,并进行预处理;
(4)将步骤(3)中预处理后所得多时相遥感图像作为最终深度卷积神经网络模型的输入图像,根据地物分类指标进行土地分类及地物标记,并输出经过最终深度卷积神经网络模型处理后的待测地表区遥感信息图像;
(5)根据图像分析要求进行判断,若需要识别待测地表区遥感信息图像特定时段内的地物标记,则通过遥感信息图像进行识别,若需要识别待测地表区遥感信息图像不同时段的变化情况,则进入步骤(6);
(6)对待测地表区不同时段内的2幅遥感信息图像进行对比,对重合地区变化信息进行分析,获取2幅遥感信息图像的地物标记变化情况,同时根据地物标记种类变化或面积变化情况进行二次筛选,并将筛选后所得图像信息向用户进行反馈。
2.根据权利要求1所述的一种基于深度卷积神经网络模型的遥感影像处理及检测方法,其特征在于:
所述预处理步骤具体为:
(3-1)根据云概率、云厚度、破碎度建立图像可用度模型,并对多时相遥感图像进行云检测,并对图像进行等级评估;
(3-2)对步骤(3-1)所得等级评估后图像进行全色与多光谱图像融合;
(3-3)对步骤(3-2)所得全色与多光谱图像融合后图像进行相对辐射纠正;
(3-4)对步骤(3-3)所得相对辐射纠正后图像进行几何校正消除畸变。
3.根据权利要求1所述的一种基于深度卷积神经网络模型的遥感影像处理及检测方法,其特征在于:所述深度卷积神经网络模型可根据地物标记种类对输入的卫星遥感图像进行标记,并根据标记后的卫星遥感图像输出遥感影像色彩变换后的遥感信息图像。
4.根据权利要求1所述的一种基于深度卷积神经网络模型的遥感影像处理及检测方法,其特征在于:所述地物标记变化情况包括面积变化情况、种类变化情况。
5.根据权利要求1所述的一种基于深度卷积神经网络模型的遥感影像处理及检测方法,其特征在于:所述步骤(3-1)中,等级评估包括0~5级,具体评估参数为:
当多时相遥感图像被云覆盖度大于80%且地物不可见,为0级;
当多时相遥感图像被云覆盖度大于60%小于80%且地物可见,为1级;
当多时相遥感图像被云覆盖度大于40%小于60%且地物可见,为2级;
当多时相遥感图像被云覆盖度大于20%小于40%且地物可见,云区分散,为3级;
当多时相遥感图像被云覆盖度大于20%小于40%且地物可见,云区集中,为4级;
当多时相遥感图像清晰无云且地物可见,为5级。
6.根据权利要求1所述的一种基于深度卷积神经网络模型的遥感影像处理及检测方法,其特征在于:所述待测地表区不同时段内的遥感信息图像均采用一一对应对比,若需要通过地物标记种类进行二次筛选,则标记2幅遥感信息图像中相同位置不同的地物,若需要通过面积变化情况进行二次筛选,则标记2幅遥感信息图像中同一类地物的占地面积并进行比较。
7.根据权利要求1所述的一种基于深度卷积神经网络模型的遥感影像处理及检测方法,其特征在于:所述遥感信息图像判定标准具体为:
对所需地物于待测地表区遥感信息图像中的召回率、准确率、交并比进行记录,并与预设召回率、准确率、交并比进行比较确定是否需要继续训练深度卷积神经网络模型。
8.根据权利要求1所述的一种基于深度卷积神经网络模型的遥感影像处理及检测方法,其特征在于:
所述地物标记种类包括人工堆掘地、水体、植被、建筑、道路,其中,预设准确率具体为:人工堆掘地准确率高于0.45,水体准确率高于0.75,植被准确率高于0.85,建筑准确率高于0.80,道路准确率高于0.65即认为分类合格,召回率、交并比均根据地物标记准确率确定。
9.根据权利要求1所述的一种基于深度卷积神经网络模型的遥感影像处理及检测方法,其特征在于:
所述地物标记预设召回率具体为:人工堆掘地准确率高于0.35,水体准确率高于0.75,植被准确率高于0.85,建筑准确率高于0.80,道路准确率高于0.60即认为分类合格,交并比根据召回率、准确率确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911268507.4A CN111160127B (zh) | 2019-12-11 | 2019-12-11 | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911268507.4A CN111160127B (zh) | 2019-12-11 | 2019-12-11 | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160127A true CN111160127A (zh) | 2020-05-15 |
CN111160127B CN111160127B (zh) | 2023-07-21 |
Family
ID=70557081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911268507.4A Active CN111160127B (zh) | 2019-12-11 | 2019-12-11 | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160127B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598174A (zh) * | 2020-05-19 | 2020-08-28 | 中国科学院空天信息创新研究院 | 图像地物要素分类模型的训练方法、图像分析方法及系统 |
CN111899249A (zh) * | 2020-08-05 | 2020-11-06 | 吉林大学 | 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法 |
CN111951284A (zh) * | 2020-08-12 | 2020-11-17 | 湖南神帆科技有限公司 | 一种基于深度学习的光学遥感卫星图像精细化云检测方法 |
CN112580510A (zh) * | 2020-12-18 | 2021-03-30 | 广州市城市规划设计所 | 可渗透地面面积率的估算方法、装置、设备及存储介质 |
CN113807301A (zh) * | 2021-09-26 | 2021-12-17 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取系统 |
CN114782815A (zh) * | 2022-04-26 | 2022-07-22 | 平安普惠企业管理有限公司 | 绿地自动化监管方法、装置、设备及存储介质 |
CN116246175A (zh) * | 2023-05-05 | 2023-06-09 | 西昌学院 | 土地利用信息生成方法、电子设备和计算机可读介质 |
CN116340733A (zh) * | 2023-05-29 | 2023-06-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于0级遥感信号的在轨云检测方法及遥感数据处理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844230A (zh) * | 2016-03-22 | 2016-08-10 | 浙江大学 | 一种基于云平台的遥感影像分割方法 |
CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
US20180089763A1 (en) * | 2016-09-23 | 2018-03-29 | Aon Benfield Inc. | Platform, Systems, and Methods for Identifying Property Characteristics and Property Feature Maintenance Through Aerial Imagery Analysis |
CN108573276A (zh) * | 2018-03-12 | 2018-09-25 | 浙江大学 | 一种基于高分辨率遥感影像的变化检测方法 |
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 |
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 |
CN109657616A (zh) * | 2018-12-19 | 2019-04-19 | 四川立维空间信息技术有限公司 | 一种遥感影像土地覆盖自动分类方法 |
CN109961105A (zh) * | 2019-04-08 | 2019-07-02 | 上海市测绘院 | 一种基于多任务深度学习的高分辨率遥感影像分类方法 |
-
2019
- 2019-12-11 CN CN201911268507.4A patent/CN111160127B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844230A (zh) * | 2016-03-22 | 2016-08-10 | 浙江大学 | 一种基于云平台的遥感影像分割方法 |
US20180089763A1 (en) * | 2016-09-23 | 2018-03-29 | Aon Benfield Inc. | Platform, Systems, and Methods for Identifying Property Characteristics and Property Feature Maintenance Through Aerial Imagery Analysis |
CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
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 |
CN108573276A (zh) * | 2018-03-12 | 2018-09-25 | 浙江大学 | 一种基于高分辨率遥感影像的变化检测方法 |
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 |
CN109657616A (zh) * | 2018-12-19 | 2019-04-19 | 四川立维空间信息技术有限公司 | 一种遥感影像土地覆盖自动分类方法 |
CN109961105A (zh) * | 2019-04-08 | 2019-07-02 | 上海市测绘院 | 一种基于多任务深度学习的高分辨率遥感影像分类方法 |
Non-Patent Citations (1)
Title |
---|
新疆维吾尔自治区测绘科学研究院等: "《塔里木河流域地表覆盖变化遥感监测》", vol. 1, 31 October 2018, 测绘出版社, pages: 43 - 44 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598174A (zh) * | 2020-05-19 | 2020-08-28 | 中国科学院空天信息创新研究院 | 图像地物要素分类模型的训练方法、图像分析方法及系统 |
CN111899249A (zh) * | 2020-08-05 | 2020-11-06 | 吉林大学 | 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法 |
CN111951284A (zh) * | 2020-08-12 | 2020-11-17 | 湖南神帆科技有限公司 | 一种基于深度学习的光学遥感卫星图像精细化云检测方法 |
CN111951284B (zh) * | 2020-08-12 | 2022-04-22 | 湖南神帆科技有限公司 | 一种基于深度学习的光学遥感卫星图像精细化云检测方法 |
CN112580510A (zh) * | 2020-12-18 | 2021-03-30 | 广州市城市规划设计所 | 可渗透地面面积率的估算方法、装置、设备及存储介质 |
CN112580510B (zh) * | 2020-12-18 | 2024-05-21 | 广州市城市规划设计有限公司 | 可渗透地面面积率的估算方法、装置、设备及存储介质 |
CN113807301A (zh) * | 2021-09-26 | 2021-12-17 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取系统 |
CN113807301B (zh) * | 2021-09-26 | 2024-06-07 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取系统 |
CN114782815A (zh) * | 2022-04-26 | 2022-07-22 | 平安普惠企业管理有限公司 | 绿地自动化监管方法、装置、设备及存储介质 |
CN116246175A (zh) * | 2023-05-05 | 2023-06-09 | 西昌学院 | 土地利用信息生成方法、电子设备和计算机可读介质 |
CN116340733A (zh) * | 2023-05-29 | 2023-06-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于0级遥感信号的在轨云检测方法及遥感数据处理方法 |
CN116340733B (zh) * | 2023-05-29 | 2023-09-01 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于0级遥感信号的在轨云检测方法及遥感数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111160127B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160127B (zh) | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 | |
CN108985238B (zh) | 联合深度学习和语义概率的不透水面提取方法及系统 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN107316064B (zh) | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 | |
Van Coillie et al. | Feature selection by genetic algorithms in object-based classification of IKONOS imagery for forest mapping in Flanders, Belgium | |
Ling et al. | Object-based sub-pixel mapping of buildings incorporating the prior shape information from remotely sensed imagery | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN104182985B (zh) | 遥感图像变化检测方法 | |
CN111738113B (zh) | 基于双注意力机制与语义约束的高分辨遥感图像的道路提取方法 | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN108898096B (zh) | 一种面向高分影像的信息快速精确提取方法 | |
CN109829507B (zh) | 航拍高压输电线路环境检测方法 | |
CN110807485B (zh) | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN114943893B (zh) | 一种土地覆盖分类的特征增强方法 | |
CN114926511A (zh) | 一种基于自监督学习的高分辨率遥感影像变化检测方法 | |
CN115049841A (zh) | 基于深度无监督多步对抗域自适应的高分辨sar图像地物要素提取方法 | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
CN106780586A (zh) | 一种基于地面激光点云的太阳能潜力评估方法 | |
CN104036294A (zh) | 基于光谱标记的多光谱遥感图像自适应分类方法 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN112241956B (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN113936222A (zh) | 一种基于双分支输入神经网络的火星地形分割方法 |
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: 20201109 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 |