CN111401467B - 遥感影像分类方法、图像处理设备和计算机可读存储装置 - Google Patents

遥感影像分类方法、图像处理设备和计算机可读存储装置 Download PDF

Info

Publication number
CN111401467B
CN111401467B CN202010224342.7A CN202010224342A CN111401467B CN 111401467 B CN111401467 B CN 111401467B CN 202010224342 A CN202010224342 A CN 202010224342A CN 111401467 B CN111401467 B CN 111401467B
Authority
CN
China
Prior art keywords
classification
image
remote sensing
sample
plaque
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
CN202010224342.7A
Other languages
English (en)
Other versions
CN111401467A (zh
Inventor
裴晓炳
刘旭东
克里斯·哈肯·麦克斯
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.)
Suzhou Zhengtu Intelligent Technology Co ltd
Original Assignee
Suzhou Zhengtu Intelligent 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 Suzhou Zhengtu Intelligent Technology Co ltd filed Critical Suzhou Zhengtu Intelligent Technology Co ltd
Priority to CN202010224342.7A priority Critical patent/CN111401467B/zh
Publication of CN111401467A publication Critical patent/CN111401467A/zh
Application granted granted Critical
Publication of CN111401467B publication Critical patent/CN111401467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion

Landscapes

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

Abstract

本发明公开了遥感影像分类方法、图像处理设备和计算机可读存储装置。遥感影像分类方法包括：对待处理的遥感影像进行第一裁切，获取第一图像；获取用户对至少部分第一图像进行第一分类后生成的第一分类样本，将第一分类样本和第一图像输入第一监督分类器，获取第一分类结果；对待处理的遥感影像进行第二裁切，获取第一斑块；根据第一分类结果和第一斑块获取第二分类样本，将第二分类样本和待处理的遥感影像输入第二监督分类器，获取第二分类结果；根据第二分类结果获取对待处理的遥感影像的最终分类结果。通过上述方式，本发明能够有效提升土地利用分类的结果的精度。

Description

遥感影像分类方法、图像处理设备和计算机可读存储装置
技术领域
本发明涉及遥感影像处理技领域，特别是涉及遥感影像分类方法、图像处理设备和计算机可读存储装置。
背景技术
在土地利用分类实际工程项目中，为了实现分类结果精度高，提高监督分类中的样本精度是目前可行的手段。高质量的样本会增加分类最后结果精度。然而，在实际生产过程中，由于选择样本是一个人机交互的过程，针对大区域生产需要选择大量的样本，结果会造成人机交互工作量增加和工作效率低下。
在针对大区域尺度分类上，需要增加样本的数量和样本均匀分布，以满足大区域的监督分类要求。而这样会造成人机交互选择样本工作量增加。此外，选择样本结果往往会受到影像质量和人为经验的因素影响。
发明内容
本发明主要解决的技术问题是能够有效提升土地利用分类的结果的精度。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种遥感影像分类方法，包括：对待处理的遥感影像进行第一裁切，获取第一图像；获取用户对至少部分第一图像进行第一分类后生成的第一分类样本，将所述第一分类样本和所述第一图像输入第一监督分类器，获取第一分类结果；对待处理的遥感影像进行第二裁切，获取第一斑块；根据所述第一分类结果和所述第一斑块获取第二分类样本，将所述第二分类样本和所述待处理的遥感影像输入第二监督分类器，获取第二分类结果；根据所述第二分类结果获取对所述待处理的遥感影像的最终分类结果。
其中，所述对待处理的遥感影像进行第二裁切的步骤，包括：对所述待处理的遥感影像进行面向对象分割，获取第二斑块；根据所述第二斑块对所述待处理的遥感影像进行第二裁切，获取所述第一斑块。
其中，所述根据所述第二分类结果获取对所述待处理的遥感影像的最终分类结果的步骤，包括：根据所述第二分类结果和所述第二斑块获取最终分类样本；采用第三监督分类器对所述最终分类样本进行分类，获取所述待处理的遥感影像的最终分类结果。
其中，所述根据所述第一分类结果和所述第一斑块获取第二分类样本的步骤，包括：获取所述第一分类样本中第一样本图斑的图像面积，筛选出图像面积满足第一预设条件的所述第一样本图斑；获取所述图像面积满足第一预设条件的第一样本图斑的第一内缓冲图斑；提取所述第一内缓冲图斑与所述第一斑块的相交斑块；判断所述相交斑块是否满足第二预设条件，若是，则根据所述相交斑块对应的第一斑块生成第二分类样本。
其中，所述根据所述第二分类结果和所述第二斑块获取最终分类样本的步骤，包括：获取所述第二分类样本中的第二样本图斑的图像面积，筛选出图像面积满足第一预设条件的所述第二样本图斑；获取所述图像面积满足第一预设条件的第二样本图斑的第二内缓冲图斑；提取所述第二内缓冲图斑与所述第二斑块的相交斑块；判断所述相交斑块是否满足第二预设条件，若是，则根据所述相交斑块对应的第二斑块生成最终分类样本。
其中，所述第一斑块的尺寸不相等。
其中，所述第一监督分类器、所述第二监督分类器和所述第三监督分类器包括最大似然法、支持向量机、随机森林、贝叶斯分类、决策树、邻近算法中的至少一项。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种图像处理设备，包括：第一裁切模块，用于对待处理的遥感影像进行第一裁切，获取第一图像；第一分类模块，用于获取用户对至少部分第一图像进行第一分类后生成的第一分类样本，将所述第一分类样本和所述第一图像输入第一监督分类器，获取第一分类结果；第二裁切模块，用于对待处理的遥感影像进行第二裁切，获取第一斑块；第二分类模块，用于根据所述第一分类结果和所述第一斑块获取第二分类样本，将所述第二分类样本和所述待处理的遥感影像输入第二监督分类器，获取第二分类结果；第三分类模块，用于根据所述第二分类结果获取对所述待处理的遥感影像的最终分类结果。
为解决上述技术问题，本发明采用的再一个技术方案是：提供一种图像处理设备，包括：处理器和存储器，所述处理器耦接所述存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序以实现如上所述的方法。
为解决上述技术问题，本发明采用的又一个技术方案是：提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序能够被处理器执行以实现如上所述的方法。
本发明的有益效果是：区别于现有技术的情况，本发明先通过人工选取对应范围较小的第一图像的分类样本，再逐渐扩大至对待处理的遥感图像获取分类样本，样本的选取仅需在第一分类时进行人机交互，后续生成最终分类结果时无需人机交互，减少人机交互可以有效降低人为误差，从而有效提升土地利用分类的结果的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明提供的遥感影像分类方法的第一实施例的流程示意图；
图2是本发明提供的遥感影像分类方法的第二实施例的流程示意图；
图3是本发明提供的遥感影像分类方法的第三实施例的流程示意图；
图4是本发明提供的图像处理设备的第一实施例的结构示意图；
图5是本发明提供的图像处理设备的第二实施例的结构示意图
图6是本发明提供的计算机可读存储介质的一实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1是本发明提供的遥感影像分类方法的第一实施例的流程示意图。本发明提供的遥感影像分类方法包括：
S101：对待处理的遥感影像进行第一裁切，获取第一图像。
在一个具体的实施场景中，获取待处理的遥感影像，该待处理的遥感影像可以是实时获取，例如通过遥感设备获取，或者是预先准备的。对待处理的遥感影像进行第一裁切，获取第一图像，在本实施场景中第一图像为待处理的遥感影像的部分影像区域，第一图像可以是多个也可以是一个，第一图像的面积可以相等或者不等。在本实施场景中通过ACRMAP实现第一裁切。在本实施场景中，待处理的遥感影像为中分辨率影像。
S102：获取用户对至少部分第一图像进行第一分类后生成的第一分类样本，将第一分类样本和第一图像输入第一监督分类器，获取第一分类结果。
在一个具体的实施场景中，用户对步骤S101中获取的第一图像人工进行分类样本的选取，分类样本的选取根据用户所需的分类标准进行，此处不再进行赘述。人工进行第一分类选取合适分类样本后，可以为选取的样本标注类别，获取用户选取的作为样本的第一图像及其标注的类别，生成第一分类样本。
利用第一分类监督器对第一图像进行初步的监督分类，具体地说，先输入第一分类样本，然后选择第一图像，最后选择第一分类监督器进行分类，获取第一图像对应的部分影像区域的第一分类结果。在本实施场景中，上述步骤可以在ENVI(Environment forVisualizing Images，完整的遥感图像处理平台)软件中实现。第一监督分类器可选择以下几种：最大似然法、SVM(Support Vector Machine，支持向量机)、随机森林、贝叶斯分类、决策树、KNN(k-Nearest Neighbor，K最邻近算法)等。在本实施场景中，选择SVM。
S103：对待处理的遥感影像进行第二裁切，获取第一斑块。
在一个具体的实施场景中，对待处理的遥感影像进行第二裁切，获取第一斑块，第一斑块的个数为多个，且至少部分第一斑块的面积不相等。在本实施场景中，通过ACRMAP实现第二裁切。
S104：根据第一分类结果和第一斑块获取第二分类样本，将第二分类样本和待处理的遥感影像输入第二监督分类器，获取第二分类结果。
在一个具体的实施场景中，第一图像对应部分影像区域，第一斑块为对应部分影像区域的对象斑块，将第一分类结果和第一图像结合，获取第一图像对应的部分影像区域的更多样本，即为第二分类样本。与本实施例中步骤S102类似的，先输入第二分类样本，然后选择待处理的遥感图像，最后选择第二分类监督器进行分类，获取待处理的遥感影像的第二分类结果。在本实施场景中，上述步骤可以在ENVI(Environment for VisualizingImages，完整的遥感图像处理平台)软件中实现。第二监督分类器可选择以下几种：最大似然法、SVM(Support Vector Machine，支持向量机)、随机森林、贝叶斯分类、决策树、KNN(k-Nearest Neighbor，K最邻近算法)等。在本实施场景中，选择SVM。
S105：根据第二分类结果获取对待处理的遥感影像的最终分类结果。
在一个具体的实施场景中，与步骤S104中类似的，将第二分类结果和待处理的遥感图像结合，获取对应待处理的遥感图像的更多样本，根据该获取的更多样本获取对应待处理的遥感图像的最终分类结果。
通过上述描述可知，在本实施例中通过人工选取对应范围较小的第一图像的分类样本，再逐渐扩大至对待处理的遥感图像获取分类样本，样本的选取仅需在第一分类时进行人机交互，后续生成最终分类结果时无需人机交互，减少人机交互可以有效降低人为误差，从而有效提升土地利用分类的结果的精度。
请参阅图2，图2是本发明提供的遥感影像分类方法的第二实施例的流程示意图。本发明提供的遥感影像的分类方法包括：
S201：对待处理的遥感影像进行第一裁切，获取第一图像。
S202：获取用户对至少部分第一图像进行第一分类后生成的第一分类样本，将第一分类样本和第一图像输入第一监督分类器，获取第一分类结果。
在一个具体的实施场景中，步骤S201-S202与本发明提供的遥感影像分类方法的第一实施例中的步骤S101-S102基本一致，此处不再进行赘述。
S203：对待处理的遥感影像进行面向对象分割，获取第二斑块。
在一个具体的实施场景中，在易康软件下对待处理的遥感影像进行面向对象分割，获取第二斑块，在本实施场景中，采用多尺度分割方法，至少部分第二斑块的面积不相等。
在本实施场景中，步骤S203与步骤S201同步执行，在其他实施场景中，步骤S203可以在步骤S201之后执行。
S204：根据第二斑块对待处理的遥感影像进行第二裁切，获取第一斑块。
在本实施场景中，根据步骤S203中获取的第二斑块对待处理的遥感图像进行裁切，获取第一斑块。在本实施场景中，可以根据第一图像对第二斑块进行裁切，获取对应第一图像的第一斑块。在本实施场景中，第二裁切可以通过ACRMAP实现。
S205：根据第一分类结果和第一斑块获取第二分类样本，将第二分类样本和待处理的遥感影像输入第二监督分类器，获取第二分类结果。
在一个具体的实施场景中，步骤S205与本发明提供的遥感影像分类方法的第一实施例中的步骤S104基本一致，此处不再进行赘述。
S206：根据第二分类结果和第二斑块获取最终分类样本，采用第三监督分类器对最终分类样本进行分类，获取待处理的遥感影像的最终分类结果。
在本实施场景中，第二分类结果和第二斑块均对应待处理的遥感影像，将第二分类结果和第二斑块结合，获取对应待处理的遥感区域的最终分类样本。与本实施例中步骤S205类似的，先输入最终分类样本，然后选择待处理的遥感图像，最后选择第三分类监督器进行分类，获取待处理的遥感影像的最终分类结果。在本实施场景中，上述步骤可以在ENVI(Environment for Visualizing Images，完整的遥感图像处理平台)软件中实现。第三监督分类器可选择以下几种：最大似然法、SVM(Support Vector Machine，支持向量机)、随机森林、贝叶斯分类、决策树、KNN(k-Nearest Neighbor，K最邻近算法)等。在本实施场景中，选择SVM。
通过上述描述可知，在本实施例中，先通过人工选取对应范围较小的第一图像的分类样本，根据第一图像和第一分类样本获取第一分类结果，根据第一分类结果获取对应待处理的遥感图像的第二分类结果，再根据第二分类结果获取对弈待处理的遥感图像的最终分类结果，仅需在第一分类时进行人机交互，减少人机交互可以有效降低人为误差，从而有效提升土地利用分类的结果的精度。
请参阅图3，图3是本发明提供的遥感影像分类方法的第三实施例的流程示意图。本发明提供的遥感影像分类方法包括：
S301：对待处理的遥感影像进行第一裁切，获取第一图像。
S302：获取用户对至少部分第一图像进行第一分类后生成的第一分类样本，将第一分类样本和第一图像输入第一监督分类器，获取第一分类结果。
S303：对待处理的遥感影像进行面向对象分割，获取第二斑块。
S304：根据第二斑块对待处理的遥感影像进行第二裁切，获取第一斑块。
在一个具体的实施场景中，步骤S301-S304与本发明提供的遥感影像分类方法的第二实施例中的步骤S201-S204基本一致，此处不再进行赘述。
S305：获取第一分类结果中第一样本图斑的图像面积，筛选出图像面积满足第一预设条件的第一样本图斑。
在一个具体的实施场景中，经过第一监督分类器的监督分类后，第一分类结果中包括对应第一图像的多个第一样本图斑，获取每个第一样本图斑的图像面积，将第一分类结果中的所有第一样本图斑按照图像面积由大到小排列，选择前20％的第一样本图斑。
在其他实施场景中，第一预设条件为图像面积处于前20％，在其他实施场景中，第一预设条件可以为图像面积处于前30％，或者其他根据用户需求设置的条件，例如图像面积大于一预设阈值。
S306：获取图像面积满足第一预设条件的第一样本图斑的第一内缓冲图斑，提取第一内缓冲图斑与第一斑块的相交斑块。
在一个具体的实施场景中，根据步骤S305中获取的图像面积满足第一预设条件的第一样本图斑，向内建立缓冲区，生成对应的内缓冲图斑。由于第一样本图斑对应第一图像，则对第一内缓冲图斑和第一斑块进行相交分析，提取第一内缓冲图斑和第一斑块的第一相交斑块。在本实施场景中通过拓扑-match函数查询重叠图斑的方法获取第一相交斑块。
S307：判断相交斑块是否满足第二预设条件，若是，则根据第一相交斑块对应的第一斑块生成第二分类样本。
在本实施场景中，获取第一相交斑块的面积和第一斑块的面积，计算第一相交斑块占第一斑块的面积比例。判断面积比例是否大于预设阈值，例如80％。预设阈值可以根据用户实际需求进行设置，例如75％、90％等。若面积比例大于预设阈值，则将该第一斑块作为样本斑块，并定义该样本斑块相应的类别，该类别可以是该第一相交斑块对应的第一样本图斑的类别。根据定义了类别的样本斑块生成第二分类样本。
S308：将第二分类样本和待处理的遥感影像输入第二监督分类器，获取第二分类结果。
在一个具体的实施场景中，步骤S308与本发明提供的遥感影像分类方法的第二实施例中的步骤S205基本一致，此处不再进行赘述。
S309：获取第二分类结果中的第二样本图斑的图像面积，筛选出图像面积满足第一预设条件的第二样本图斑。
在一个具体的实施场景中，经过第二监督分类器的监督分类后，第二分类结果中包括对应待处理的遥感图像的多个第二样本图斑，获取每个第二样本图斑的图像面积，将第二分类结果中的所有第二样本图斑按照图像面积由大到小排列，选择前20％的第二样本图斑。
在其他实施场景中，第预设条件为图像面积处于前20％，在其他实施场景中，第一预设条件可以为图像面积处于前30％，或者其他根据用户需求设置的条件，例如图像面积大于一预设阈值。
S310：获取图像面积满足第一预设条件的第二样本图斑的第二内缓冲图斑，提取第二内缓冲图斑与第二斑块的相交斑块。
在一个具体的实施场景中，根据步骤S309中获取的图像面积满足第一预设条件的第二样本图斑，向内建立缓冲区，生成对应的内缓冲图斑。由于第二样本图斑对应待处理的遥感图像，第二斑块对应待处理的遥感图像，则对第二内缓冲图斑和第二斑块进行相交分析，提取第二内缓冲图斑和第二斑块的第二相交斑块。在本实施场景中通过拓扑-match函数查询重叠图斑的方法获取第一相交斑块。
S311：判断第二相交斑块是否满足第二预设条件，若是，则根据第二相交斑块对应的第二斑块生成最终分类样本。
在一个具体的实施场景中，获取第二相交斑块的面积和第二斑块的面积，计算第二相交斑块占第二斑块的面积比例。判断面积比例是否大于预设阈值，例如80％。预设阈值可以根据用户实际需求进行设置，例如75％、90％等。若面积比例大于预设阈值，则将该第二斑块作为样本斑块，并定义该样本斑块相应的类别，该类别可以是该第二相交斑块对应的第二样本图斑的类别。根据定义了类别的样本斑块生成最终分类样本。
S312：采用第三监督分类器对最终分类样本进行分类，获取待处理的遥感影像的最终分类结果。
在一个具体的实施场景中，步骤S312与本发明提供的遥感影像分类方法的第二实施例中的步骤S206基本一致，此处不再进行赘述。
通过上述描述可知，在本实施例中，先通过人工选取对应范围较小的第一图像的分类样本，根据第一图像和第一分类样本获取第一分类结果，根据第一分类结果获取对应待处理的遥感图像的第二分类结果，再根据第二分类结果获取对弈待处理的遥感图像的最终分类结果，仅需在第一分类时进行人机交互，减少人机交互可以有效降低人为误差，从而有效提升土地利用分类的结果的精度。
请参阅图4，图4是本发明提供的图像处理设备的第一实施例的结构示意图。图像处理设备10包括：第一裁切模块11、第一分类模块12、第二裁切模块13、第二分类模块14和第三分类模块15。
第一裁切模块11用于对待处理的遥感影像进行第一裁切，获取第一图像。第一分类模块12用于获取用户对至少部分第一图像进行第一分类后生成的第一分类样本，将第一分类样本和第一图像输入第一监督分类器，获取第一分类结果。第二裁切模块13用于对待处理的遥感影像进行第二裁切，获取第一斑块。第二分类模块14用于根据第一分类结果和第一斑块获取第二分类样本，将第二分类样本和待处理的遥感影像输入第二监督分类器，获取第二分类结果。第三分类模块15用于根据第二分类结果获取对待处理的遥感影像的最终分类结果。
第二裁切模块13还用于对待处理的遥感影像进行面向对象分割，获取第二斑块；根据第二斑块对待处理的遥感影像进行第二裁切，获取第一斑块。
第三分类模块15还用于根据第二分类结果和第二斑块获取最终分类样本；采用第三监督分类器对最终分类样本进行分类，获取待处理的遥感影像的最终分类结果。
第二分类模块14还用于获取第一分类结果中第一样本图斑的图像面积，筛选出图像面积满足第一预设条件的第一样本图斑；获取图像面积满足第一预设条件的第一样本图斑的第一内缓冲图斑，提取第一内缓冲图斑与第一斑块的相交斑块；判断第一相交斑块是否满足第二预设条件，若是，则根据第一相交斑块对应的第一斑块生成第二分类样本。
第三分类模块15还用于获取第二分类结果中的第二样本图斑的图像面积，筛选出图像面积满足第一预设条件的第二样本图斑；获取图像面积满足第一预设条件的第二样本图斑的第二内缓冲图斑，提取第二内缓冲图斑与第二斑块的相交斑块；判断第二相交斑块是否满足第二预设条件，若是，则根据第二相交斑块对应的第二斑块生成最终分类样本。
其中，第二斑块的尺寸不相等。
其中，第一监督分类器、第二监督分类器和第三监督分类器包括最大似然法、支持向量机、随机森林、贝叶斯分类、决策树、邻近算法中的至少一项。
通过上述描述可知，在本实施例中图像处理设备先通过人工选取对应范围较小的第一图像的分类样本，根据第一图像和第一分类样本获取第一分类结果，根据第一分类结果获取对应待处理的遥感图像的第二分类结果，再根据第二分类结果获取对弈待处理的遥感图像的最终分类结果，仅需在第一分类时进行人机交互，减少人机交互可以有效降低人为误差，从而有效提升土地利用分类的结果的精度。
请参阅图5，图5是本发明提供的图像处理设备的第二实施例的结构示意图，图像处理设备20包括处理器21、存储器22。处理器21耦接存储器22。存储器22中存储有计算机程序，处理器21在工作时执行该计算机程序以实现如图1-图3所示的方法。详细的方法可参见上述，在此不再赘述。
通过上述描述可知，在本实施例中图像处理设备先通过人工选取对应范围较小的第一图像的分类样本，根据第一图像和第一分类样本获取第一分类结果，根据第一分类结果获取对应待处理的遥感图像的第二分类结果，再根据第二分类结果获取对弈待处理的遥感图像的最终分类结果，仅需在第一分类时进行人机交互，减少人机交互可以有效降低人为误差，从而有效提升土地利用分类的结果的精度。
请参阅图6，图6是本发明提供的计算机可读存储介质的一实施例的结构示意图。计算机可读存储介质30中存储有至少一个计算机程序31，计算机程序31用于被处理器执行以实现如图1-图3所示的方法，详细的方法可参见上述，在此不再赘述。在一个实施例中，计算机可读存储介质30可以是终端中的存储芯片、硬盘或者是移动硬盘或者优盘、光盘等其他可读写存储的工具，还可以是服务器等等。
通过上述描述可知，在本实施例中计算机可读存储介质中的计算机程序可以用于通过人工选取对应范围较小的第一图像的分类样本，根据第一图像和第一分类样本获取第一分类结果，根据第一分类结果获取对应待处理的遥感图像的第二分类结果，再根据第二分类结果获取对弈待处理的遥感图像的最终分类结果，仅需在第一分类时进行人机交互，减少人机交互可以有效降低人为误差，从而有效提升土地利用分类的结果的精度。
区别于现有技术，本发明可以减少人机交互可以有效降低人为误差，从而有效提升土地利用分类的结果的精度。
以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种遥感影像分类方法，其特征在于，包括：
对待处理的遥感影像进行第一裁切，获取第一图像；
获取用户对至少部分第一图像进行第一分类后生成的第一分类样本，将所述第一分类样本和所述第一图像输入第一监督分类器，获取第一分类结果；
对待处理的遥感影像进行第二裁切，获取第一斑块；
根据所述第一分类结果和所述第一斑块获取第二分类样本，将所述第二分类样本和所述待处理的遥感影像输入第二监督分类器，获取第二分类结果；
根据所述第二分类结果获取对所述待处理的遥感影像的最终分类结果；
所述对待处理的遥感影像进行第二裁切的步骤，包括：
对所述待处理的遥感影像进行面向对象分割，获取第二斑块；
根据所述第二斑块对所述待处理的遥感影像进行第二裁切，获取所述第一斑块；
所述根据所述第二分类结果获取对所述待处理的遥感影像的最终分类结果的步骤，包括：
根据所述第二分类结果和所述第二斑块获取最终分类样本；
采用第三监督分类器对所述最终分类样本进行分类，获取所述待处理的遥感影像的最终分类结果；
所述根据所述第一分类结果和所述第一斑块获取第二分类样本的步骤，包括：
获取所述第一分类结果中第一样本图斑的图像面积，筛选出图像面积满足第一预设条件的所述第一样本图斑；
获取所述图像面积满足第一预设条件的第一样本图斑的第一内缓冲图斑，提取所述第一内缓冲图斑与所述第一斑块的相交斑块；
判断第一相交斑块是否满足第二预设条件，若是，则根据所述第一相交斑块对应的第一斑块生成第二分类样本。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第二分类结果和所述第二斑块获取最终分类样本的步骤，包括：
获取所述第二分类结果中的第二样本图斑的图像面积，筛选出图像面积满足第一预设条件的所述第二样本图斑；
获取所述图像面积满足第一预设条件的第二样本图斑的第二内缓冲图斑，提取所述第二内缓冲图斑与所述第二斑块的相交斑块；
判断第二相交斑块是否满足第二预设条件，若是，则根据所述第二相交斑块对应的第二斑块生成最终分类样本。
3.根据权利要求1所述的方法，其特征在于，
所述第二斑块的尺寸不相等。
4.根据权利要求1所述的方法，其特征在于，
所述第一监督分类器、所述第二监督分类器和第三监督分类器包括最大似然法、支持向量机、随机森林、贝叶斯分类、决策树、邻近算法中的至少一项。
5.一种图像处理设备，以实现如权利要求1-4任一项所述的方法，其特征在于，包括：
第一裁切模块，用于对待处理的遥感影像进行第一裁切，获取第一图像；
第一分类模块，用于获取用户对至少部分第一图像进行第一分类后生成的第一分类样本，将所述第一分类样本和所述第一图像输入第一监督分类器，获取第一分类结果；
第二裁切模块，用于对待处理的遥感影像进行第二裁切，获取第一斑块；
第二分类模块，用于根据所述第一分类结果和所述第一斑块获取第二分类样本，将所述第二分类样本和所述待处理的遥感影像输入第二监督分类器，获取第二分类结果；
第三分类模块，用于根据所述第二分类结果获取对所述待处理的遥感影像的最终分类结果。
6.一种图像处理设备，其特征在于，包括：处理器和存储器，所述处理器耦接所述存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序以实现如权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被处理器执行以实现如权利要求1-4任一项所述的方法。
CN202010224342.7A 2020-03-26 2020-03-26 遥感影像分类方法、图像处理设备和计算机可读存储装置 Active CN111401467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010224342.7A CN111401467B (zh) 2020-03-26 2020-03-26 遥感影像分类方法、图像处理设备和计算机可读存储装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010224342.7A CN111401467B (zh) 2020-03-26 2020-03-26 遥感影像分类方法、图像处理设备和计算机可读存储装置

Publications (2)

Publication Number Publication Date
CN111401467A CN111401467A (zh) 2020-07-10
CN111401467B true CN111401467B (zh) 2023-12-19

Family

ID=71432877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010224342.7A Active CN111401467B (zh) 2020-03-26 2020-03-26 遥感影像分类方法、图像处理设备和计算机可读存储装置

Country Status (1)

Country Link
CN (1) CN111401467B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496034A (zh) * 2011-11-29 2012-06-13 南京师范大学 基于直线单词的高空间分辨率遥感图像词袋分类方法
CN102831440A (zh) * 2012-08-20 2012-12-19 中国测绘科学研究院 一种广域遥感影像决策树分类方法及装置
WO2017161892A1 (zh) * 2016-03-23 2017-09-28 深圳大学 一种高光谱遥感图像的分类方法及其系统
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
CN110363798A (zh) * 2019-07-24 2019-10-22 宁波市测绘设计研究院 一种遥感影像解译样本集的生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496034A (zh) * 2011-11-29 2012-06-13 南京师范大学 基于直线单词的高空间分辨率遥感图像词袋分类方法
CN102831440A (zh) * 2012-08-20 2012-12-19 中国测绘科学研究院 一种广域遥感影像决策树分类方法及装置
WO2017161892A1 (zh) * 2016-03-23 2017-09-28 深圳大学 一种高光谱遥感图像的分类方法及其系统
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
CN110363798A (zh) * 2019-07-24 2019-10-22 宁波市测绘设计研究院 一种遥感影像解译样本集的生成方法

Also Published As

Publication number Publication date
CN111401467A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
US10198672B2 (en) Single tree segmentation method and apparatus
CN111291637A (zh) 一种基于卷积神经网络的人脸检测方法、装置及设备
CN114266773B (zh) 显示面板缺陷定位方法、装置、设备及存储介质
JP2008009782A (ja) 画像処理装置及び画像処理プログラム
CN111814905A (zh) 目标检测方法、装置、计算机设备和存储介质
US20210248729A1 (en) Superpixel merging
CN113642576B (zh) 一种目标检测及语义分割任务中训练图像集合的生成方法及装置
CN114170227B (zh) 产品表面缺陷检测方法、装置、设备及存储介质
CN115578602A (zh) 一种基于改进YOLOv7的自然树种识别方法
CN110660694B (zh) 基于系统缺陷的半导体晶片的引导式检验
CN106683105B (zh) 图像分割方法及图像分割装置
CN111401467B (zh) 遥感影像分类方法、图像处理设备和计算机可读存储装置
JP2023002201A (ja) 試料観察装置および方法
CN113269752A (zh) 一种图像检测方法、装置终端设备及存储介质
CN111860287A (zh) 一种目标检测方法及装置、存储介质
CN111898408A (zh) 一种快速人脸识别方法及装置
CN110310897B (zh) 基于空间密度分析的半导体晶片的引导检查
US20220075059A1 (en) Learning data generation device, learning data generation method, learning data generation program, learning device, learning method, learning program, inference device, inference method, inference program, learning system, and inference system
CN112700415B (zh) 一种笔电外壳缺陷快速检测算法
CN113763240B (zh) 一种点云缩略图生成方法、装置、设备及存储介质
CN110569943B (zh) 一种基于三维码的优化方法及系统
CN113674142A (zh) 图像中目标物的消融方法、装置、计算机设备及介质
CN113450355A (zh) 一种基于多膜态ct图像和3dcnn网络提取图像特征的方法
CN116563674B (zh) 样本图像增强方法、系统、电子设备及可读存储介质
CN116109627B (zh) 基于迁移学习和小样本学习缺陷检测方法、装置及介质

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
TA01 Transfer of patent application right

Effective date of registration: 20231116

Address after: Room 512, Zone E, Zhongyin Square, No. 2, Xugongqiao Road, Huaqiao Town, Kunshan City, Suzhou City, Jiangsu Province, 215332

Applicant after: Suzhou Zhengtu Intelligent Technology Co.,Ltd.

Address before: 1405-008, 14th floor, shining building, 35 Xueyuan Road, Haidian District, Beijing

Applicant before: Telephase technology development (Beijing) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant