CN111325126A - 遥感图像的解译方法及装置 - Google Patents
遥感图像的解译方法及装置 Download PDFInfo
- Publication number
- CN111325126A CN111325126A CN202010088505.3A CN202010088505A CN111325126A CN 111325126 A CN111325126 A CN 111325126A CN 202010088505 A CN202010088505 A CN 202010088505A CN 111325126 A CN111325126 A CN 111325126A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- interpreted
- interpretation
- sensing image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 43
- 238000003860 storage Methods 0.000 claims description 17
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 239000003086 colorant Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000003513 alkali Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明公开了一种遥感图像的解译方法及装置，涉及图像处理技术领域，主要目的在于提高对遥感图像进行解译的自动化水平、解译效率和解译准确率。本发明的方法包括：获取待解译遥感图像和解译任务，并根据所述解译任务确定所述待解译遥感图像对应的至少一个基本分类单元，其中，所述基本分类单元为对土地利用与覆被分类体系进行拆分获得的，所述基本分类单元具有统一的特征表现；将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像；对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。本发明适用于对遥感图像进行解译处理的过程中。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种遥感图像的解译方法及装置。
背景技术
随着科学技术的不断发展，遥感图像已经在交通、农业、林业、海洋、气象、军事等诸多领域内得到广泛的普及和应用。为了有效的利用遥感图像解决实际问题，需要对获取的遥感图像进行解译处理，以确定遥感图像中每个像元对应的类别信息，从而获得遥感图像的解译图像，后续根据遥感图像的解译图像便可获知遥感图像中的土地利用情况及土地覆被情况，例如，林业部门根据解译图像便可获知遥感图像中的植被覆被情况和森林覆被情况等等。因此，遥感图像解译在遥感应用领域内占据着十分重要的地位。
目前，通常采用人工解译或人机交互半自动化解译的方式，对遥感图像进行解译。然而，由于遥感图像具有细节较多、地物光谱特征比较复杂等特点，采用人工解译或人机交互半自动化解译的方式，对遥感图像进行解译，需要耗费大量时间，并且，解译图像的准确率也较低。
发明内容
有鉴于此，本发明提供一种遥感图像的解译方法及装置，主要目的在于提高对遥感图像进行解译的自动化水平、解译效率和解译准确率。
为了解决上述问题，本发明主要提供如下技术方案：
第一方面，本发明提供了一种遥感图像的解译方法，该方法包括：
获取待解译遥感图像和解译任务，并根据所述解译任务确定所述待解译遥感图像对应的至少一个基本分类单元，其中，所述基本分类单元为对土地利用与覆被分类体系进行拆分获得的，所述基本分类单元具有统一的特征表现；
将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像；
对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。
可选的，所述土地利用与覆被分类体系中包含多个分类级别，每个所述分类级别包含多个分类；在所述获取待解译遥感图像和解译任务之前，所述方法还包括：
根据每个所述分类对应的图像特征和/或地类属性，对多个所述分类进行拆分处理，以获得每个所述分类对应的多个基本分类单元；
根据预设算法建立每个所述基本分类单元对应的卷积神经网络模型；
获取每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像；
根据每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，对每个所述基本分类单元对应的卷积神经网络模型进行训练。
可选的，所述获取每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，包括：
在数据库中获取每个所述基本分类单元对应的多个原始遥感图像以及每个所述原始遥感图像对应的矢量信息；
使用遥感图像样本制作工具对每个所述原始遥感图像进行裁剪处理，以获得每个所述基本分类单元对应的多个样本遥感图像；
使用所述遥感图像样本制作工具从每个所述原始遥感图像对应的矢量信息中提取每个所述样本遥感图像对应的矢量信息；
使用所述遥感图像样本制作工具将每个所述样本遥感图像对应的矢量信息转换为每个所述样本遥感图像对应的样本标注图像。
可选的，所述根据每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，对每个所述基本分类单元对应的卷积神经网络模型进行训练，包括：
将所述基本分类单元对应的多个样本遥感图像和每个所述样本遥感图像对应的样本标注图像作为训练样本集，使用所述训练样本集对所述卷积神经网络模型进行训练；
当达到预设停止条件时，停止对所述卷积神经网络模型的训练。
可选的，在所述将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像之后，所述方法还包括：
对每个所述分类解译图像进行优化处理；
所述对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像，包括：
对经过优化处理的至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。
可选的，所述对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像，包括：
对至少一个所述分类解译图像进行拓扑检查处理及拓扑修订处理，以获得所述待解译遥感图像对应的解译图像。
第二方面，本发明还提供一种遥感图像的解译装置，该装置包括：
第一获取单元，用于获取待解译遥感图像和解译任务；
确定单元，用于根据所述解译任务确定所述待解译遥感图像对应的至少一个基本分类单元，其中，所述基本分类单元为对土地利用与覆被分类体系进行拆分获得的，所述基本分类单元具有统一的特征表现；
输入单元，用于将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像；
组合单元，用于对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。
可选的，所述土地利用与覆被分类体系中包含多个分类级别，每个所述分类级别包含多个分类；所述装置还包括：
拆分单元，用于在所述第一获取单元获取待解译遥感图像和解译任务之前，根据每个所述分类对应的图像特征和/或地类属性，对多个所述分类进行拆分处理，以获得每个所述分类对应的多个基本分类单元；
建立单元，用于根据预设算法建立每个所述基本分类单元对应的卷积神经网络模型；
第二获取单元，用于获取每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像；
训练单元，用于根据每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，对每个所述基本分类单元对应的卷积神经网络模型进行训练。
可选的，所述第二获取单元包括：
获取模块，用于在数据库中获取每个所述基本分类单元对应的多个原始遥感图像以及每个所述原始遥感图像对应的矢量信息；
裁剪模块，用于使用遥感图像样本制作工具对每个所述原始遥感图像进行裁剪处理，以获得每个所述基本分类单元对应的多个样本遥感图像；
提取模块，用于使用所述遥感图像样本制作工具从每个所述原始遥感图像对应的矢量信息中提取每个所述样本遥感图像对应的矢量信息；
转换模块，用于使用所述遥感图像样本制作工具将每个所述样本遥感图像对应的矢量信息转换为每个所述样本遥感图像对应的样本标注图像。
可选的，所述训练单元包括：
训练模块，用于将所述基本分类单元对应的多个样本遥感图像和每个所述样本遥感图像对应的样本标注图像作为训练样本集，使用所述训练样本集对所述卷积神经网络模型进行训练；
停止模块，用于当达到预设停止条件时，停止对所述卷积神经网络模型的训练。
可选的，所述装置还包括：
优化单元，用于在所述输入单元将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像之后，对每个所述分类解译图像进行优化处理；
所述组合单元，具体用于对经过优化处理的至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。
可选的，所述组合单元，具体用于对至少一个所述分类解译图像进行拓扑检查处理及拓扑修订处理，以获得所述待解译遥感图像对应的解译图像。
为了实现上述目的，根据本发明的第三方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述第一方面所述的遥感图像的解译方法。
为了实现上述目的，根据本发明的第四方面，提供了一种电子设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述第一方面所述的遥感图像的解译方法。
借由上述技术方案，本发明提供的技术方案至少具有下列优点：
本发明提供一种遥感图像的解译方法及装置，与现有技术中，采用人工解译或人机交互半自动化解译的方式，对遥感图像进行解译相比，本发明能够在运行于终端设备中的解译应用程序接收到用户输入的待解译遥感图像和解译任务后，由解译应用程序根据解译任务确定待解译遥感图像对应的至少一个基本分类单元，并将待解译遥感图像分别输入至每个基本分类单元对应的卷积神经网络模型中，从而获得每个基本分类单元对应的分类解译图像，在对至少一个分类解译图像进行组合处理后，便能获得待解译遥感图像对应的解译图像。由于，在用户将待解译遥感图像和解译任务输入至解译应用程序中后，无需用户人工干预，解译应用程序便能自动解译出待解译遥感图像对应的解译图像，因此，能够有效提高对待解译遥感图像进行解译的自动化水平和解译效率；并且，由于，解译应用程序是根据用户输入的解译任务确定待解译遥感图像对应的基本分类单元，再分别将待解译遥感图像输入至每个基本分类单元对应的卷积神经网络模型中，从而获得每个基本分类单元对应的分类解译图像，最终将多个分类解译图像组合成待解译遥感图像对应的解译图像，其中，基本分类单元是基于图像特征和/或地物属性对土地利用与覆被分类体系进行拆分获得的，从而可以减少同物异谱、异物同谱造成的影响，因此，解译应用程序解译出的解译图像更加准确，从而提高了对待解译遥感图像进行解译的解译准确率。
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，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种遥感图像的解译方法流程图；
图2示出了本发明实施例提供的另一种遥感图像的解译方法流程图；
图3示出了本发明实施例提供的一种遥感图像的解译装置的组成框图；
图4示出了本发明实施例提供的另一种遥感图像的解译装置的组成框图；
图5示出了本发明实施例提供的一种电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种遥感图像的解译方法，如图1所示，该方法包括：
101、获取待解译遥感图像和解译任务，并根据解译任务确定待解译遥感图像对应的至少一个基本分类单元。
其中，土地利用与覆被分类体系中包含多个分类级别，每个分类级别包含多个分类，即土地利用与覆被分类体系中包含一级分类级别、二级分类级别及三级分类级别，其中，一级分类级别中包含多个一级分类，二级分类级别中包含多个二级分类，三级分类级别中包含多个三级分类，具体的，多个一级分类可以但不限制于为：耕地、林地、草地、水域、城乡(工矿、居民)用地及未利用土地等等；多个二级分类可以但不限于为：水田、旱田、灌木林地、乔木林地、高覆盖度草地、中覆盖度草地、低覆盖度草地、河渠、湖泊、水库、坑塘、城镇用地、农村用地、其他建设用地、沙地、戈壁、盐碱地等等；其中，基本分类单元为对多个分类级别中包含的多个分类进行拆分获得的，即将一级分类级别中包含的一个或多个一级分类拆分为多个基本分类单元、将二级分类级别中包含的一个或多个二级分类拆分为多个基本分类单元、将三级分类级别中包含的一个或多个三级分类拆分为多个基本分类单元，例如，可以将二级分类：城镇用地拆分为蓝房顶建筑物、红房顶建筑物、黄房顶建筑物、别墅、平房、楼房等多个基本分类单元，但不限于此。需要进行说明的是，拆分获得的多个基本分类单元具有统一的特征表现。
在本发明实施例中，各个步骤中的执行主体为运行在终端设备中的解译应用程序，其中，终端设备可以但不限于为：计算机、服务器等等。当用户需要对某个遥感图像(即待解译遥感图像)进行解译处理时，用户可以将待解译遥感图像和解译任务输入至解译应用程序中，此时，解译应用程序便可获取得到待解译遥感图像和解译任务，其中，解译任务为用户根据解译需求确定的，例如，当用户需要获知待解译遥感图像中各类建筑物的分布情况时，用户输入至解译应用程序中的解译任务具体可以为：建筑物，当用户需要获知待解译遥感图像中各种林地的覆被情况时，用户输入至解译应用程序中的解译任务具体可以为：林地，本发明实施例对解译任务的具体形式不进行限定。
在获取得到待解译遥感图像和解译任务后，解译应用程序便可根据解译任务确定待解译遥感图像对应的至少一个基本分类单元。
具体的，在本步骤中，解译应用程序中可以预先存储有多个关键词与多个基本分类单元之间的映射关系，解译应用程序在获取得到待解译遥感图像和解译任务后，便可在解译任务中提取关键词，根据提取得到的关键词和存储的映射关系便可获知待解译遥感图像对应的至少一个基本分类单元，例如，当解译任务为建筑物时，解译应用程序能够从解译任务中提取得到关键词：建筑物，由于，解译应用程序中存储有建筑物与基本分类单元：蓝房顶建筑物、红房顶建筑物、黄房顶建筑物、别墅、平房、楼房之间的映射关系，因此，解译应用程序能够确定待解译遥感图像对应的基本分类单元为蓝房顶建筑物、红房顶建筑物、黄房顶建筑物、别墅、平房、楼房，但不限于此。
具体的，在本步骤中，解译应用程序在获取得到待解译遥感图像和解译任务后，可以先确定解译任务与土地利用与覆被分类体系中的哪个分类相匹配，再将与解译任务相匹配的分类对应的至少一个基本分类单元确定为待解译遥感图像对应的至少一个基本分类单元，例如，当解译任务为城镇用地时，解译应用程序能够确定解译任务：城镇用地与土地利用与覆被分类体系中的二级分类：城镇用地相匹配，此时，解译应用程序可以将二级分类：城镇用地对应的多个基本分类单元确定为待解译遥感图像对应的多个基本分类单元，但不限于此。
102、将待解译遥感图像分别输入至每个基本分类单元对应的卷积神经网络模型中，以获得每个基本分类单元对应的分类解译图像。
在本发明实施例中，解译应用程序在确定待解译遥感图像对应的至少一个基本分类单元后，便可将待解译遥感图像分别输入至每个基本分类单元对应的卷积神经网络模型中，从而获得每个基本分类单元对应的分类解译图像：将待解译遥感图像输入至某个基本分类单元对应的卷积神经网络模型后，该卷积神经网络模型便能对待解译遥感图像中属于这个基本分类单元的对象进行标注，从而生成这个基本分类单元对应的分类解译图像，再将该分类解译图像进行输出。需要进行说明的是，某个基本分类单元对应的分类解译图像为尺寸大小与待解译遥感图像相同、背景色为黑色(或其他颜色)、使用特殊颜色(与背景色不同的颜色)对属于这个基本分类单元的对象标注的图像，例如，将待解译遥感图像输入至蓝房顶建筑物基本分类单元对应的卷积神经网络模型中后，该卷积神经网络模型对待解译遥感图像中的蓝房顶建筑物进行标注，生成并输出蓝房顶建筑物基本分类单元对应的分类解译图像：尺寸大小与待解译遥感图像相同、背景色为黑色、使用白色对蓝色房顶建筑物标注的图像，但不限于此。
需要进行说明的是，任意一个基本分类单元对应的卷积神经网络模型均为：解译应用程序预先基于这个基本分类单元对应的多个样本遥感图像和每个样本遥感图像对应的样本标注图像训练获得的。
103、对至少一个分类解译图像进行组合处理，以获得待解译遥感图像对应的解译图像。
在本发明实施例中，解译应用程序在获取得到每个基本分类单元对应的分类解译图像后，便可对至少一个分类解译图像进行组合处理，从而获得待解译遥感图像对应的解译图像，即将至少一个分类解译图像中记录的标注结果进行组合处理，获得尺寸大小与待解译遥感图像相同、背景色为黑色(或其他颜色)、使用多个特殊颜色(与背景色不同的颜色)对属于多个基本分类单元的对象标注的解译图像，例如，待解译遥感图像对应的基本分类单元为：蓝房顶建筑物、红房顶建筑物、黄房顶建筑物，在分别将待解译遥感图像输入至蓝房顶建筑物基本分类单元对应的卷积神经网络模型、红房顶建筑物基本分类单元对应的卷积神经网络模型和黄房顶建筑物基本分类单元对应的卷积神经网络模型中后，获取得到蓝房顶建筑物基本分类单元对应的分类解译图像(尺寸大小与待解译遥感图像相同、背景色为黑色、使用蓝色对每个蓝房顶建筑物标注的图像)、红房顶建筑物基本分类单元对应的分类解译图像(尺寸大小与待解译遥感图像相同、背景色为黑色、使用红色对每个红房顶建筑物标注的图像)和黄房顶建筑物基本分类单元对应的分类解译图像(尺寸大小与待解译遥感图像相同、背景色为黑色、使用黄色对每个蓝房顶建筑物标注的图像)，对获取得到的三个分类解译图像进行组合处理后，便可获得待解译遥感图像对应的解译图像，其中，待解译遥感图像对应的解译图像为尺寸大小与待解译遥感图像相同、背景色为黑色、使用蓝色对每个蓝房顶建筑物标注、使用红色对每个红房顶建筑物标注、使用黄色对每个蓝房顶建筑物标注的图像。
本发明实施例提供一种遥感图像的解译方法，与现有技术中，采用人工解译或人机交互半自动化解译的方式，对遥感图像进行解译相比，本发明实施例能够在运行于终端设备中的解译应用程序接收到用户输入的待解译遥感图像和解译任务后，由解译应用程序根据解译任务确定待解译遥感图像对应的至少一个基本分类单元，并将待解译遥感图像分别输入至每个基本分类单元对应的卷积神经网络模型中，从而获得每个基本分类单元对应的分类解译图像，在对至少一个分类解译图像进行组合处理后，便能获得待解译遥感图像对应的解译图像。由于，在用户将待解译遥感图像和解译任务输入至解译应用程序中后，无需用户人工干预，解译应用程序便能自动解译出待解译遥感图像对应的解译图像，因此，能够有效提高对待解译遥感图像进行解译的自动化水平和解译效率；并且，由于，解译应用程序是根据用户输入的解译任务确定待解译遥感图像对应的基本分类单元，再分别将待解译遥感图像输入至每个基本分类单元对应的卷积神经网络模型中，从而获得每个基本分类单元对应的分类解译图像，最终将多个分类解译图像组合成待解译遥感图像对应的解译图像，其中，基本分类单元是基于图像特征和/或地物属性对土地利用与覆被分类体系进行拆分获得的，从而可以减少同物异谱、异物同谱造成的影响，因此，解译应用程序解译出的解译图像更加准确，从而提高了对待解译遥感图像进行解译的解译准确率。
以下为了更加详细地说明，本发明实施例提供了另一种遥感图像的解译方法，具体如图2所示，该方法包括：
201、对土地利用与覆被分类体系中包含多个分类进行拆分处理，以获得多个基本分类单元；建立并训练每个基本分类单元对应的卷积神经网络模型。
在本发明实施例中，为了能够准确地解译出待解译遥感图像对应的解译图像，解译应用程序需要预先对土地利用与覆被分类体系中多个分类级别中包含的多个分类进行拆分处理，从而获得多个基本分类单元，再建立并训练每个基本分类单元对应的卷积神经网络模型。以下将对解译应用程序如何对土地利用与覆被分类体系中多个分类级别中包含的多个分类进行拆分处理，从而获得多个基本分类单元，以及如何建立并训练每个基本分类单元对应的卷积神经网络模型进行详细说明。
(1)根据每个所述分类对应的图像特征和/或地类属性，对多个所述分类进行拆分处理，以获得每个所述分类对应的多个基本分类单元。
在本发明实施例中，由于，不同分类对应的地物类型是不同的，因此，每个分类对应的图像特征(如颜色、形状、性状、材质、时相等)和地类属性(为地物类型的定性、定量描述)也是不同的，从而使得解译应用程序需要根据每个分类对应的图像特征和/或地类属性，对多个分类进行拆分处理，从而获得每个分类对应的多个基本分类单元。
(2)根据预设算法建立每个基本分类单元对应的卷积神经网络模型。
在本发明实施例中，解译应用程序在获取得到多个基本分类单元后，便可根据预设算法建立每个基本分类单元对应的卷积神经网络模型。需要进行说明的是，在实际应用过程中，可以采用相同的预设算法建立每个基本分类单元对应的卷积神经网络模型，也可以根据每个基本分类单元具有的特点，采用不同的预设算法建立每个基本分类单元对应的卷积神经网络模型，本发明实施例对此不进行具体限定。
(3)获取每个基本分类单元对应的多个样本遥感图像以及每个样本遥感图像对应的样本标注图像。
在本发明实施例中，解译应用程序在建立每个基本分类单元对应的卷积神经网络模型后，便需要获取每个基本分类单元对应的多个样本遥感图像以及每个样本遥感图像对应的样本标注图像：首先，在数据库中获取每个基本分类单元对应的多个原始遥感图像以及每个原始遥感图像对应的矢量信息；然后，使用遥感图像样本制作工具对每个原始遥感图像进行裁剪处理，以获得每个基本分类单元对应的多个样本遥感图像；其次，使用遥感图像样本制作工具从每个原始遥感图像对应的矢量信息中提取每个样本遥感图像对应的矢量信息；最后，使用遥感图像样本制作工具将每个样本遥感图像对应的矢量信息转换为每个样本遥感图像对应的样本标注图像；其中，任意一个基本分类单元对应的样本遥感图像中包含属于这个基本分类单元的一个或多个对象，该样本遥感图像对应的样本标注图像为尺寸大小与该样本遥感图像相同、背景色为黑色(或其他颜色)、使用特殊颜色(与背景色不同的颜色)对属于这个基本分类单元的对象标注的图像。
需要进行说明的是，在实际应用过程中，解译应用程序在数据库中获取每个基本分类单元对应的多个原始遥感图像时，需要获取具备合适分辨率和合适时相的原始遥感图像，本发明实施例对此不进行具体限定。
(4)根据每个基本分类单元对应的多个样本遥感图像以及每个样本遥感图像对应的样本标注图像，对每个基本分类单元对应的卷积神经网络模型进行训练。
在本发明实施例中，解译应用程序在获取得到每个基本分类单元对应的多个样本遥感图像以及每个样本遥感图像对应的样本标注图像后，便可根据每个基本分类单元对应的多个样本遥感图像以及每个样本遥感图像对应的样本标注图像，对每个基本分类单元对应的卷积神经网络模型进行训练：对于任意一个基本分类单元而言，由于，已知这个基本分类单元对应的多个样本遥感图像与每个样本遥感图像对应的样本标注图像之间的对应关系，因此，将这个基本分类单元对应的多个样本遥感图像和每个样本遥感图像对应的样本标注图像作为训练样本集，根据每个样本遥感图像与其对应的样本标注图像之间的对应关系，对卷积神经网络模型中的参数不断的优化、调整，便能达到对卷积神经网络模型进行训练的效果，当达到预设停止条件时，便可停止对卷积神经网络模型的训练，此时，卷积神经网络模型训练完毕，其中，预设停止条件可以但不限于包括以下的一项或多项：MAE(MeanAbsolute Error，平均绝对值误差)小于预设阈值、MSE(Mean Squared Error，平均平方和误差)小于预设阈值、MedAE(Median Absolute Error，中位数绝对值误差)小于预设阈值、训练次数达到预设阈值。基于上述的方法，解译应用程序依次对每个基本分类单元对应的卷积神经网络模型进行训练。
202、获取待解译遥感图像和解译任务，并根据解译任务确定待解译遥感图像对应的至少一个基本分类单元。
其中，关于步骤202、获取待解译遥感图像和解译任务，并根据解译任务确定待解译遥感图像对应的至少一个基本分类单元，可以参考图1对应部分的描述，本发明实施例此处将不再赘述。
203、将待解译遥感图像分别输入至每个基本分类单元对应的卷积神经网络模型中，以获得每个基本分类单元对应的分类解译图像。
其中，关于步骤203、将待解译遥感图像分别输入至每个基本分类单元对应的卷积神经网络模型中，以获得每个基本分类单元对应的分类解译图像，可以参考图1对应部分的描述，本发明实施例此处将不再赘述。
204、对每个分类解译图像进行优化处理。
在本发明实施例中，为了保证最终获得的解译图像更加准确，解译应用程序在获取得到每个基本分类单元对应的分类解译图像后，还需要对每个分类解译图像进行优化处理，其中，对分类解译图像进行的优化处理至少包括以下的一项或多项：边界平滑处理、规整处理、边角优化处理等。
205、对经过优化处理的至少一个分类解译图像进行组合处理，以获得待解译遥感图像对应的解译图像。
在本发明实施例中，解译应用程序在对每个分类解译图像进行优化处理后，便可对经过优化处理的至少一个分类解译图像进行组合处理，从而获得待解译遥感图像对应的解译图像。
具体的，在本发明实施例中，解译应用程序可以通过对至少一个分类解译图像进行拓扑检查处理及拓扑修订处理，实现对至少一个分类解译图像进行组合处理，从而获得待解译遥感图像对应的解译图像，即通过对至少一个分类解译图像进行拓扑检查处理及拓扑修订处理，将至少一个解译图像中记录的标注结果进行组合处理(具体可以为：合并处理、融合处理、求交处理等)，从而获得尺寸大小与待解译遥感图像相同、背景色为黑色(或其他颜色)、使用多个特殊颜色(与背景色不同的颜色)对属于多个基本分类单元的对象标注的解译图像，但不限于此。需要进行说明的是，在实际应用过程中，用户在获取得到待解译遥感图像对应的解译图像后，还可以对解译图像进行人工修订处理，从而可以进一步提高解译图像的准确性，本发明实施例对此不进行具体限定。
为了实现上述目的，根据本发明的另一方面，本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的遥感图像的解译方法。
为了实现上述目的，根据本发明的另一方面，本发明实施例还提供了一种电子设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述所述的遥感图像的解译方法。
进一步的，作为对上述图1及图2所示方法的实现，本发明另一实施例还提供了一种遥感图像的解译装置。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置应用于提高对遥感图像进行解译的解译效率和解译准确率，具体如图3所示，该装置包括：
第一获取单元31，用于获取待解译遥感图像和解译任务；
确定单元32，用于根据所述解译任务确定所述待解译遥感图像对应的至少一个基本分类单元，其中，所述基本分类单元为对土地利用与覆被分类体系进行拆分获得的，所述基本分类单元具有统一的特征表现；
输入单元33，用于将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像；
组合单元34，用于对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。
进一步的，如图4所示，所述土地利用与覆被分类体系中包含多个分类级别，每个所述分类级别包含多个分类；该装置还包括：
拆分单元35，用于在第一获取单元31获取待解译遥感图像和解译任务之前，根据每个所述分类对应的图像特征和/或地类属性，对多个所述分类进行拆分处理，以获得每个所述分类对应的多个基本分类单元；
建立单元36，用于根据预设算法建立每个所述基本分类单元对应的卷积神经网络模型；
第二获取单元37，用于获取每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像；
训练单元38，用于根据每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，对每个所述基本分类单元对应的卷积神经网络模型进行训练。
进一步的，如图4所示，第二获取单元37包括：
获取模块371，用于在数据库中获取每个所述基本分类单元对应的多个原始遥感图像以及每个所述原始遥感图像对应的矢量信息；
裁剪模块372，用于使用遥感图像样本制作工具对每个所述原始遥感图像进行裁剪处理，以获得每个所述基本分类单元对应的多个样本遥感图像；
提取模块373，用于使用所述遥感图像样本制作工具从每个所述原始遥感图像对应的矢量信息中提取每个所述样本遥感图像对应的矢量信息；
转换模块374，用于使用所述遥感图像样本制作工具将每个所述样本遥感图像对应的矢量信息转换为每个所述样本遥感图像对应的样本标注图像。
进一步的，如图4所示，训练单元38包括：
训练模块381，用于将所述基本分类单元对应的多个样本遥感图像和每个所述样本遥感图像对应的样本标注图像作为训练样本集，使用所述训练样本集对所述卷积神经网络模型进行训练；
停止模块382，用于当达到预设停止条件时，停止对所述卷积神经网络模型的训练。
进一步的，如图4所示，该装置还包括：
优化单元39，用于在输入单元33将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像之后，对每个所述分类解译图像进行优化处理；
组合单元34，具体用于对经过优化处理的至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。
进一步的，如图4所示，组合单元34，具体用于对至少一个所述分类解译图像进行拓扑检查处理及拓扑修订处理，以获得所述待解译遥感图像对应的解译图像。
本发明实施例提供一种遥感图像的解译方法及装置，与现有技术中，采用人工解译或人机交互半自动化解译的方式，对遥感图像进行解译相比，本发明实施例能够在运行于终端设备中的解译应用程序接收到用户输入的待解译遥感图像和解译任务后，由解译应用程序根据解译任务确定待解译遥感图像对应的至少一个基本分类单元，并将待解译遥感图像分别输入至每个基本分类单元对应的卷积神经网络模型中，从而获得每个基本分类单元对应的分类解译图像，在对至少一个分类解译图像进行组合处理后，便能获得待解译遥感图像对应的解译图像。由于，在用户将待解译遥感图像和解译任务输入至解译应用程序中后，无需用户人工干预，解译应用程序便能自动解译出待解译遥感图像对应的解译图像，因此，能够有效提高对待解译遥感图像进行解译的自动化水平和解译效率；并且，由于，解译应用程序是根据用户输入的解译任务确定待解译遥感图像对应的基本分类单元，再分别将待解译遥感图像输入至每个基本分类单元对应的卷积神经网络模型中，从而获得每个基本分类单元对应的分类解译图像，最终将多个分类解译图像组合成待解译遥感图像对应的解译图像，其中，基本分类单元是基于图像特征和/或地物属性对土地利用与覆被分类体系进行拆分获得的，从而可以减少同物异谱、异物同谱造成的影响，因此，解译应用程序解译出的解译图像更加准确，从而提高了对待解译遥感图像进行解译的解译准确率。
所述遥感图像的解译装置包括处理器和存储器，上述第一获取单元、确定单元、输入单元和组合单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高对遥感图像进行解译的解译效率和解译准确率。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述的遥感图像的解译方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的遥感图像的解译方法。
本发明实施例提供了一种电子设备40，如图5所示，电子设备40包括至少一个处理器401、以及与处理器连接的至少一个存储器402、总线403；其中，处理器401、存储器402通过总线403完成相互间的通信；处理器401用于调用存储器402中的程序指令，以执行上述的遥感图像的解译方法。本文中的电子设备可以是计算机、服务器等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获取待解译遥感图像和解译任务，并根据所述解译任务确定所述待解译遥感图像对应的至少一个基本分类单元，其中，所述基本分类单元为对土地利用与覆被分类体系进行拆分获得的，所述基本分类单元具有统一的特征表现；
将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像；
对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。
进一步的，所述土地利用与覆被分类体系中包含多个分类级别，每个所述分类级别包含多个分类；在所述获取待解译遥感图像和解译任务之前，所述方法还包括：
根据每个所述分类对应的图像特征和/或地类属性，对多个所述分类进行拆分处理，以获得每个所述分类对应的多个基本分类单元；
根据预设算法建立每个所述基本分类单元对应的卷积神经网络模型；
获取每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像；
根据每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，对每个所述基本分类单元对应的卷积神经网络模型进行训练。
进一步的，所述获取每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，包括：
在数据库中获取每个所述基本分类单元对应的多个原始遥感图像以及每个所述原始遥感图像对应的矢量信息；
使用遥感图像样本制作工具对每个所述原始遥感图像进行裁剪处理，以获得每个所述基本分类单元对应的多个样本遥感图像；
使用所述遥感图像样本制作工具从每个所述原始遥感图像对应的矢量信息中提取每个所述样本遥感图像对应的矢量信息；
使用所述遥感图像样本制作工具将每个所述样本遥感图像对应的矢量信息转换为每个所述样本遥感图像对应的样本标注图像。
进一步的，所述根据每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，对每个所述基本分类单元对应的卷积神经网络模型进行训练，包括：
将所述基本分类单元对应的多个样本遥感图像和每个所述样本遥感图像对应的样本标注图像作为训练样本集，使用所述训练样本集对所述卷积神经网络模型进行训练；
当达到预设停止条件时，停止对所述卷积神经网络模型的训练。
进一步的，在所述将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像之后，所述方法还包括：
对每个所述分类解译图像进行优化处理；
所述对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像，包括：
对经过优化处理的至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。
进一步的，所述对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像，包括：
对至少一个所述分类解译图像进行拓扑检查处理及拓扑修订处理，以获得所述待解译遥感图像对应的解译图像。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种遥感图像的解译方法，其特征在于，包括：
获取待解译遥感图像和解译任务，并根据所述解译任务确定所述待解译遥感图像对应的至少一个基本分类单元，其中，所述基本分类单元为对土地利用与覆被分类体系进行拆分获得的，所述基本分类单元具有统一的特征表现；
将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像；
对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。
2.根据权利要求1所述的方法，其特征在于，所述土地利用与覆被分类体系中包含多个分类级别，每个所述分类级别包含多个分类；在所述获取待解译遥感图像和解译任务之前，所述方法还包括：
根据每个所述分类对应的图像特征和/或地类属性，对多个所述分类进行拆分处理，以获得每个所述分类对应的多个基本分类单元；
根据预设算法建立每个所述基本分类单元对应的卷积神经网络模型；
获取每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像；
根据每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，对每个所述基本分类单元对应的卷积神经网络模型进行训练。
3.根据权利要求2所述的方法，其特征在于，所述获取每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，包括：
在数据库中获取每个所述基本分类单元对应的多个原始遥感图像以及每个所述原始遥感图像对应的矢量信息；
使用遥感图像样本制作工具对每个所述原始遥感图像进行裁剪处理，以获得每个所述基本分类单元对应的多个样本遥感图像；
使用所述遥感图像样本制作工具从每个所述原始遥感图像对应的矢量信息中提取每个所述样本遥感图像对应的矢量信息；
使用所述遥感图像样本制作工具将每个所述样本遥感图像对应的矢量信息转换为每个所述样本遥感图像对应的样本标注图像。
4.根据权利要求2所述的方法，其特征在于，所述根据每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，对每个所述基本分类单元对应的卷积神经网络模型进行训练，包括：
将所述基本分类单元对应的多个样本遥感图像和每个所述样本遥感图像对应的样本标注图像作为训练样本集，使用所述训练样本集对所述卷积神经网络模型进行训练；
当达到预设停止条件时，停止对所述卷积神经网络模型的训练。
5.根据权利要求1所述的方法，其特征在于，在所述将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像之后，所述方法还包括：
对每个所述分类解译图像进行优化处理；
所述对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像，包括：
对经过优化处理的至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。
6.根据权利要求1所述的方法，其特征在于，所述对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像，包括：
对至少一个所述分类解译图像进行拓扑检查处理及拓扑修订处理，以获得所述待解译遥感图像对应的解译图像。
7.一种遥感图像的解译装置，其特征在于，包括：
第一获取单元，用于获取待解译遥感图像和解译任务；
确定单元，用于根据所述解译任务确定所述待解译遥感图像对应的至少一个基本分类单元，其中，所述基本分类单元为对土地利用与覆被分类体系进行拆分获得的，所述基本分类单元具有统一的特征表现；
输入单元，用于将所述待解译遥感图像分别输入至每个所述基本分类单元对应的卷积神经网络模型中，以获得每个所述基本分类单元对应的分类解译图像；
组合单元，用于对至少一个所述分类解译图像进行组合处理，以获得所述待解译遥感图像对应的解译图像。
8.根据权利要求7所述的装置，其特征在于，所述土地利用与覆被分类体系中包含多个分类级别，每个所述分类级别包含多个分类；所述装置还包括：
拆分单元，用于在所述第一获取单元获取待解译遥感图像和解译任务之前，根据每个所述分类对应的图像特征和/或地类属性，对多个所述分类进行拆分处理，以获得每个所述分类对应的多个基本分类单元；
建立单元，用于根据预设算法建立每个所述基本分类单元对应的卷积神经网络模型；
第二获取单元，用于获取每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像；
训练单元，用于根据每个所述基本分类单元对应的多个样本遥感图像以及每个所述样本遥感图像对应的样本标注图像，对每个所述基本分类单元对应的卷积神经网络模型进行训练。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求6中任一项所述的遥感图像的解译方法。
10.一种电子设备，其特征在于，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；
其中，所述处理器、所述存储器通过所述总线完成相互间的通信；
所述处理器用于调用所述存储器中的程序指令，以执行权利要求1至权利要求6中任一所述的遥感图像的解译方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010088505.3A CN111325126B (zh) | 2020-02-12 | 2020-02-12 | 遥感图像的解译方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010088505.3A CN111325126B (zh) | 2020-02-12 | 2020-02-12 | 遥感图像的解译方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325126A true CN111325126A (zh) | 2020-06-23 |
| CN111325126B CN111325126B (zh) | 2023-11-03 |
Family
ID=71172660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010088505.3A Active CN111325126B (zh) | 2020-02-12 | 2020-02-12 | 遥感图像的解译方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325126B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132091A (zh) * | 2020-09-29 | 2020-12-25 | 陕西省交通规划设计研究院 | 遥感图像的解译方法、装置、计算机设备及其存储介质 |
| WO2023138029A1 (zh) * | 2022-01-19 | 2023-07-27 | 上海商汤智能科技有限公司 | 一种遥感数据处理方法、装置、设备、存储介质和计算机程序产品 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222267A (zh) * | 2010-04-14 | 2011-10-19 | 同济大学 | 一种遗传算法改进神经网络遥感分类处理方法 |
| WO2012063241A1 (en) * | 2010-11-11 | 2012-05-18 | Avi Buzaglo Yoresh | System and method for detection of minefields |
| CN107657207A (zh) * | 2016-12-30 | 2018-02-02 | 航天星图科技（北京）有限公司 | 一种基于遥感影像的林地分类方法 |
| CN108229467A (zh) * | 2017-01-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 解译遥感图像的方法、装置和电子设备 |
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| CN109447916A (zh) * | 2018-10-30 | 2019-03-08 | 环境保护部华南环境科学研究所 | 一种基于高分辨率遥感影像的水质定量方法 |
| CN109447111A (zh) * | 2018-09-20 | 2019-03-08 | 杭州师范大学 | 一种基于子类训练样本的遥感监督分类方法 |
| CN109670521A (zh) * | 2018-07-27 | 2019-04-23 | 河海大学 | 一种基于遥感图像的内陆水体蓝藻分类识别方法 |
| CN110263764A (zh) * | 2019-07-09 | 2019-09-20 | 中国地质大学（北京） | 基于遥感影像数据的土地利用监测方法和装置 |
| CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
| CN110348506A (zh) * | 2019-07-03 | 2019-10-18 | 广州大学 | 基于遥感图像的土地利用分类方法、存储介质和计算设备 |
| WO2019217568A1 (en) * | 2018-05-10 | 2019-11-14 | The Climate Corporation | Analysis and presentation of agricultural data |
| CN110674735A (zh) * | 2019-09-23 | 2020-01-10 | 中国科学院地理科学与资源研究所 | 基于精细分类的农业设施遥感提取方法和装置 |
| CN110751019A (zh) * | 2019-09-03 | 2020-02-04 | 武汉珈和科技有限公司 | 基于深度学习的高分辨率影像农作物自动提取方法及装置 |
-
2020
- 2020-02-12 CN CN202010088505.3A patent/CN111325126B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222267A (zh) * | 2010-04-14 | 2011-10-19 | 同济大学 | 一种遗传算法改进神经网络遥感分类处理方法 |
| WO2012063241A1 (en) * | 2010-11-11 | 2012-05-18 | Avi Buzaglo Yoresh | System and method for detection of minefields |
| CN107657207A (zh) * | 2016-12-30 | 2018-02-02 | 航天星图科技（北京）有限公司 | 一种基于遥感影像的林地分类方法 |
| CN108229467A (zh) * | 2017-01-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 解译遥感图像的方法、装置和电子设备 |
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| WO2019217568A1 (en) * | 2018-05-10 | 2019-11-14 | The Climate Corporation | Analysis and presentation of agricultural data |
| CN109670521A (zh) * | 2018-07-27 | 2019-04-23 | 河海大学 | 一种基于遥感图像的内陆水体蓝藻分类识别方法 |
| CN109447111A (zh) * | 2018-09-20 | 2019-03-08 | 杭州师范大学 | 一种基于子类训练样本的遥感监督分类方法 |
| CN109447916A (zh) * | 2018-10-30 | 2019-03-08 | 环境保护部华南环境科学研究所 | 一种基于高分辨率遥感影像的水质定量方法 |
| CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
| CN110348506A (zh) * | 2019-07-03 | 2019-10-18 | 广州大学 | 基于遥感图像的土地利用分类方法、存储介质和计算设备 |
| CN110263764A (zh) * | 2019-07-09 | 2019-09-20 | 中国地质大学（北京） | 基于遥感影像数据的土地利用监测方法和装置 |
| CN110751019A (zh) * | 2019-09-03 | 2020-02-04 | 武汉珈和科技有限公司 | 基于深度学习的高分辨率影像农作物自动提取方法及装置 |
| CN110674735A (zh) * | 2019-09-23 | 2020-01-10 | 中国科学院地理科学与资源研究所 | 基于精细分类的农业设施遥感提取方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| LE YANG 等: "Building Extraction of Multi-source Data Based on Deep Learning", pages 296 - 300 * |
| 徐金晓 等: "深度学习在高分辨率遥感影像解译中的应用研究", vol. 36, no. 8, pages 68 - 72 * |
| 杨孝翠: "高分辨率遥感影像道路信息提取技术研究", pages 008 - 297 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132091A (zh) * | 2020-09-29 | 2020-12-25 | 陕西省交通规划设计研究院 | 遥感图像的解译方法、装置、计算机设备及其存储介质 |
| WO2023138029A1 (zh) * | 2022-01-19 | 2023-07-27 | 上海商汤智能科技有限公司 | 一种遥感数据处理方法、装置、设备、存储介质和计算机程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325126B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Phasinam et al. | Applicability of internet of things in smart farming | |
| CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
| EP3361414A1 (en) | Topographic data machine learning method and system | |
| CN110363449A (zh) | 一种风险识别方法、装置及系统 | |
| CN103577475A (zh) | 一种图片自动化分类方法、图片处理方法及其装置 | |
| CN114548832B (zh) | 一种基于大数据的风电设备状态评估方法及系统 | |
| WO2020228283A1 (zh) | 特征提取方法、装置及计算机可读存储介质 | |
| CN111325126A (zh) | 遥感图像的解译方法及装置 | |
| CN107886512A (zh) | 一种确定训练样本的方法 | |
| CN115424142A (zh) | 基于遥感影像的海岸线类型判别方法、装置、介质和设备 | |
| CN110188495B (zh) | 一种基于深度学习的二维户型图生成三维户型图的方法 | |
| CN111611419B (zh) | 一种子图识别方法及装置 | |
| CN108363942A (zh) | 一种基于多特征融合的刀具识别方法、装置以及设备 | |
| CN114677589A (zh) | 基于遥感解译的城市功能区识别方法、装置、设备及介质 | |
| CN115841557B (zh) | 基于数字孪生技术的智能起重机操作环境构建方法 | |
| CN109993071B (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
| CN116822980A (zh) | 一种基矢量引导的典型地表要素智能监测方法及系统 | |
| WO2023093850A1 (zh) | 组件识别方法、装置、电子设备及存储介质 | |
| CN111461992A (zh) | 基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法及装置 | |
| Tan et al. | Semantic enrichment for rooftop modeling using aerial LiDAR reflectance | |
| CN105760421A (zh) | 土地利用类型分类的方法 | |
| CN114155440A (zh) | 一种耕地非农化的自动检测方法及系统 | |
| CN115546465A (zh) | 一种用于定位界面上元素位置的方法、介质及电子设备 | |
| Nartišs et al. | Improving pixel‐based classification of GRASS GIS with support vector machine | |
| CN113537131A (zh) | 基于图像识别的土地资源分析模型训练方法及分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |