CN111460862A - 基于神经网络的遥感图像地物提取方法及系统 - Google Patents
基于神经网络的遥感图像地物提取方法及系统 Download PDFInfo
- Publication number
- CN111460862A CN111460862A CN201910055261.6A CN201910055261A CN111460862A CN 111460862 A CN111460862 A CN 111460862A CN 201910055261 A CN201910055261 A CN 201910055261A CN 111460862 A CN111460862 A CN 111460862A
- Authority
- CN
- China
- Prior art keywords
- neural network
- remote sensing
- sensing image
- feature extraction
- extraction result
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000003860 storage Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于神经网络的遥感图像地物提取方法及系统，所述方法包括获取遥感图像；将所述遥感图像输入预先训练的神经网络，得到地物提取结果；存储所述地物提取结果。本申请提供的技术方案，通过预先训练的神经网络自动提取地物信息，节省了人力，提高了效率，并且无需人工设计图像的特征和基于规则的分类算法，满足了对复杂场景遥感图像进行精确地物提取的需求。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于神经网络的遥感图像地物提取方法及系统。
背景技术
随着航天航空事业的发展，对地遥感观测获取地物信息的应用也越来越广泛。卫星遥感图像、航拍遥感图像的图像分辨率也越来越高，中分辨率遥感图像用于土地分类等大范围地物识别，影像中的道路以线状出现；而高分辨率遥感图像可获得地物1m大小的地物。迫切需要挖掘遥感图像中的有用信息，为研究地物变化灾害预警提供依据，为人们生产生活提供便利。
目前，遥感图像的地物识别主要是根据地物的色调、颜色、阴影、形状、纹理、大小、位置、图型和相关布局等特征进行识别。现有的地物提取，要么采用人工标注的方法，需要耗费大量人力，且效率低下；要么需要人工涉及图像的特征和基于规则的分类算法，但是随着遥感图像数据形式的逐渐多样化，数据量增加以及数据分辨率的提高，遥感图像的场景变得更为复杂，人工设计特征已经无法满足精确的地物提取任务的需求。
发明内容
本申请的多个方面提供一种基于神经网络的遥感图像地物提取方法及系统，用以提高地物提取的效率和精度。
本申请的一方面，提供一种基于神经网络的遥感图像地物提取方法，包括
获取遥感图像；将所述遥感图像输入预先训练的神经网络，得到地物提取结果；存储所述地物提取结果。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在将所述遥感图像输入预先训练的神经网络之前，还包括：对所述原始遥感图像进行预处理，得到预设尺寸的待提取遥感图像。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述神经网络为全卷积神经网络。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述全卷积神经网络是通过以下步骤进行训练的：
对原始遥感图像进行人工标注，生成训练样本；
采用随机梯度下降法，通过训练样本和全卷积神经网络的损失函数，对全卷积神经网络进行训练，得到包含模型参数的全卷积神经网络。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述全卷积神经网络包括：
用于特征提取的主网络和用于目标检测的子网络；所述主网络为深度卷积神经网络，包括输入层、隐藏层和全连接层；所述子网络为卷积层。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述地物提取结果包括预测的地物的位置以及类别置信度。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，对所述地物提取结果进行矢量化，得到矢量数据；根据所述地物提取结果的地理信息对所述矢量形式的地物提取结果进行存储。
本申请的另一方面，提供了一种基于神经网络的遥感图像地物提取系统，包括：
获取模块，用于获取遥感图像；
提取模块，用于将所述遥感图像输入预先训练的神经网络，得到地物提取结果；
存储模块，用于存储所述地物提取结果。
本发明的另一方面，提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
本发明的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
由所述技术方案可知，本申请提高了地物提取的效率和精度。
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请一实施例提供的基于神经网络的遥感图像地物提取方法的流程示意图；
图2为本申请一实施例提供的基于神经网络的遥感图像地物提取系统的结构示意图；
图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器的框图。
具体实施方式
图1为本申请一实施例提供的基于神经网络的遥感图像地物提取方法的示意图，如图1所示，包括以下步骤：
步骤S11、获取遥感图像；
步骤S12、将所述遥感图像输入预先训练的神经网络，得到地物提取结果；
步骤S13、存储所述地物提取结果。
优选地，在步骤S11的一种优选实现方式中，所述遥感图像为通过卫星或航拍器获取的原始遥感图像。
所述步骤S11还包括以下步骤：对所述原始遥感图像进行预处理，得到待提取遥感图像，以便将所述待提取遥感图像输入预先训练的神经网络。
优选地，所述预处理可以是，将所述原始遥感图像缩放至固定尺寸，例如，500*500；
优选地，所述预处理可以是，将所述原始遥感图像进行切分，得到M个大小为N*N的图像块，例如，N为500，作为待提取遥感图像。
优选地，所述切分为可重叠的截取，重叠范围为50，以免造成原始遥感图像中的地物截断，影响地物提取。例如，如果地物为切分到两个图像块中，预先训练的神经网络可能无法识别被切分的地物或识别错误。因此，进行可重叠的截取，虽然增加了计算量，但是保证了地物识别的准确率。
优选地，所述原始遥感图像为栅格影像。
在步骤S12的一种优选实现方式中，
将所述遥感图像输入预先训练的神经网络中，得到地物提取结果。
优选地，将所述待提取遥感图像输入预先训练的神经网络中，得到地物提取结果。
在本申请的一个优选实施例中，所述神经网络为全卷积神经网络。
所述全卷积神经网络是通过以下步骤进行训练的：
步骤S21、对原始遥感图像进行人工标注，生成训练样本；
优选地，获取原始遥感图像，对所述原始遥感图像中需要提取的地物的位置和类别进行人工标注，生成训练样本。
优选地，将所述人工标注保存为栅格数据。在栅格数据中，每个像元都有一个值，用来表达是所描绘的现象，如类别、高度、量级或光谱等等。其中的类别则可以是草地、森林或道路等地物。同时，每个像元所表示的区域(或表面)的高和宽都相等。像元的尺寸可根据栅格数据所描述的表面的精细度来确定。
现有遥感图像数据库中，原始遥感图像图幅大多是正方形图像。全卷积神经网络在进行特征提取的时候，会多次对输入图像进行下采样，因此输入图像的大小有下限。而一般的原始遥感图像大小在100×100至2000×2000之间，因此大多数数据库中的遥感图像均满足上述需求。在本发明实施例中，优选地，可选择现有的遥感目标检测数据库中的遥感图像对所述全卷积神经网络进行训练。该数据库需要对图像中的地物的位置和类别进行准确标注。所述遥感图像的大小为500*500。
优选地，若所述遥感图像的大小不为500*500，则需要对所述遥感图像进行预处理。
优选地，所述预处理可以是，将所述遥感图像缩放至固定尺寸，例如，500*500；
优选地，所述预处理可以是，将所述遥感图像进行切分，得到M个大小为N*N的图像块，例如，N为500。
优选地，所述切分为可重叠的截取，重叠范围为50，以免造成遥感图像中的地物截断，影响地物提取。例如，如果地物为切分到两个图像块中，预先训练的神经网络可能无法识别被切分的地物或识别错误。因此，进行可重叠的截取，虽然增加了计算量，但是保证了地物识别的准确率。
优选地，所述预处理可以是，将所述遥感图像进行拼接，将小于500*500的遥感图像拼接为500*500的遥感图像。
步骤S22、采用随机梯度下降法，通过训练样本和全卷积神经网络的损失函数，对全卷积神经网络进行训练，得到包含模型参数的全卷积神经网络；
所述全卷积神经网络，包括输入层、隐藏层和输出层。输入层用于将待测遥感图像输入卷积神经网络；隐藏层通常包含多个卷积层和池化层，通过卷积和池化操作实现深度特征的提取，每个池化层输出的特征为特征图。通过对所述特征图上的区域进行卷积，可以得到待测遥感图片中的地物位置和输出类别置信度信息。
优选地，所述深度全卷积神经网络包括用于特征提取的主网络和用于目标检测的子网络两部分。所述主网络为深度卷积神经网络，包括输入层、隐藏层和全连接层。输入层用于将待测遥感图像输入卷积神经网络；隐藏层通常包含多个卷积层和池化层，通过卷积和池化操作实现深度特征的提取；全连接层作为分类器。每个隐藏层输出的特征为特征图。所述子网络为较浅的卷积神经网络，例如可只包含一层卷积层。该子网络附加在主网络的特定隐藏层之后，例如可在每个池化层之后附加一组子网络。因为不同深度的主网络隐藏层具有不同大小的感受野，因此一组子网络只检测一定尺寸范围内(包括特定的宽高比)的目标。若某一层主网络隐藏层对应的感受野的大小为32像素，那么这个隐藏层之后附加的一组子网络所检测的目标大小也在32像素左右。对于每一组子网络，若事先设定了k种宽高比的参考边界框，那么这组子网络就应该包含k个子网络，每个子网络对应一个参考边界框。一组子网络在所附加的隐藏层输出的特征图上进行卷积操作，每个子网络包含C+4个卷积核，分别输出C个类别的置信度以及4个预测边界框的中心位置和边长相对于参考边界框的位置信息(Δx,Δy,Δh,Δw)，之后计算出预测边界框相对于图像坐标系的中心点位置、长度和宽度。其中，子网络采用滑动窗口的方式对主网络产生的特征图上的区域进行卷积，得到目标的位置和类别置信度。
本发明实施例中，训练过程中，预先加载PASCAL-VOC FCN-8S的网络参数，在网络参数的基础上，进行微调，将学习率设置为10-14，批量大小设置为10，采用随机梯度下降法，训练1000代，网络收敛，得到全卷积神经网络的网络参数。
在步骤S12的一种优选实现方式中，
将所述待提取遥感图像输入预先训练的神经网络中，得到地物提取结果。
优选地，将预处理为固定尺寸，如500*500的待提取遥感图像输入值预先训练的全卷积神经网络中；
通过预先训练的全卷积神经网络的前向传播计算所述待提取遥感图像中包含的疑似地物的位置、尺寸和类别置信度；
优选地，所述疑似地物的位置、尺寸通过所述待提取遥感图像中的像素坐标体现。
判断各个提取结果的类别置信度是否高于预设阈值，将高于预设阈值的提取结果进行保留，作为最终输出的地物提取结果。所述地物提取结果包括预测的地物的位置以及类别置信度。
在步骤S13的一种优选实现方式中，
存储所述地物提取结果。
优选地，所述地物提取结果为栅格数据，对所述地物提取结果进行矢量化，得到矢量数据。
优选地，根据所述待提取遥感图像的地理信息，获取所述地物提取结果的地理信息，根据所述地理信息对所述矢量形式的地物提取结果进行存储。
优选地，在进行矢量化操作之前，若所述待提取遥感图像经过预处理，则将所述待提取遥感图像进行逆处理，得到原始遥感图像。
在本实施例的一种优选实现方式中，通过预先训练的神经网络得到所述待提取遥感图像的地物提取结果后，根据所述地物提取结果对所述待提取遥感图像进行自动标注，生成训练样本，继续对所述神经网络进行训练。通过这种方式，可以降低对训练样本的人工标注需求，不断对所述神经网络进行训练，提高地物识别的效率和准确率。
采用上述实施例提供的技术方案，能够避免现有地物提取方法中，采用人工标注的方法，需要耗费大量人力，且效率低下；需要人工设计图像的特征和基于规则的分类算法已经无法满足精确的地物提取任务的需求的问题。通过预先训练的神经网络自动提取地物信息，节省了人力，提高了效率，并且无需人工设计图像的特征和基于规则的分类算法，满足了对复杂场景遥感图像进行精确地物提取的需求。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
图2为本申请一实施例提供的基于神经网络的遥感图像地物提取系统的结构示意图，如图2所示，包括：
获取模块21，用于获取遥感图像；
提取模块22，用于将所述遥感图像输入预先训练的神经网络，得到地物提取结果；
存储模块23，用于存储所述地物提取结果。
在所述系统实施例中没有详述的部分，可以参见方法实施例的相关描述，在此不再赘述。
采用上述实施例提供的技术方案，能够避免现有地物提取方法中，采用人工标注的方法，需要耗费大量人力，且效率低下；需要人工设计图像的特征和基于规则的分类算法已经无法满足精确的地物提取任务的需求的问题。通过预先训练的神经网络自动提取地物信息，节省了人力，提高了效率，并且无需人工设计图像的特征和基于规则的分类算法，满足了对复杂场景遥感图像进行精确地物提取的需求。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图3显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。
总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图3所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图3中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元016通过运行存储在系统存储器028中的程序，从而执行本发明所描述的实施例中的功能和/或方法。
上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于神经网络的遥感图像地物提取方法，其特征在于，包括：
获取遥感图像；
将所述遥感图像输入预先训练的神经网络，得到地物提取结果；
存储所述地物提取结果。
2.根据权利要求1所述的方法，其特征在于，在将所述遥感图像输入预先训练的神经网络之前，还包括：对所述原始遥感图像进行预处理，得到预设尺寸的待提取遥感图像。
3.根据权利要求1所述的方法，其特征在于，所述神经网络为全卷积神经网络。
4.根据权利要求3所述的方法，其特征在于，所述全卷积神经网络是通过以下步骤进行训练的：
对原始遥感图像进行人工标注，生成训练样本；
采用随机梯度下降法，通过训练样本和全卷积神经网络的损失函数，对全卷积神经网络进行训练，得到包含模型参数的全卷积神经网络。
5.根据权利要求4所述的方法，其特征在于，所述全卷积神经网络包括：
用于特征提取的主网络和用于目标检测的子网络；所述主网络为深度卷积神经网络，包括输入层、隐藏层和全连接层；所述子网络为卷积层。
6.根据权利要求5所述的方法，其特征在于，
所述地物提取结果包括预测的地物的位置以及类别置信度。
7.根据权利要求6所述的方法，其特征在于，
对所述地物提取结果进行矢量化，得到矢量数据；根据所述地物提取结果的地理信息对所述矢量形式的地物提取结果进行存储。
8.一种基于神经网络的遥感图像地物提取系统，其特征在于，包括：
获取模块，用于获取遥感图像；
提取模块，用于将所述遥感图像输入预先训练的神经网络，得到地物提取结果；
存储模块，用于存储所述地物提取结果。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。
10.一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，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910055261.6A CN111460862A (zh) | 2019-01-21 | 2019-01-21 | 基于神经网络的遥感图像地物提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910055261.6A CN111460862A (zh) | 2019-01-21 | 2019-01-21 | 基于神经网络的遥感图像地物提取方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111460862A true CN111460862A (zh) | 2020-07-28 |
Family
ID=71682151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910055261.6A Pending CN111460862A (zh) | 2019-01-21 | 2019-01-21 | 基于神经网络的遥感图像地物提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111460862A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112598062A (zh) * | 2020-12-24 | 2021-04-02 | 清华大学 | 一种图像识别方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288014A (zh) * | 2017-01-09 | 2018-07-17 | 北京四维图新科技股份有限公司 | 道路智能提取方法和装置、提取模型构建方法及混合导航系统 |
| CN108520197A (zh) * | 2018-02-28 | 2018-09-11 | 中国航空工业集团公司洛阳电光设备研究所 | 一种遥感图像目标检测方法及装置 |
-
2019
- 2019-01-21 CN CN201910055261.6A patent/CN111460862A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288014A (zh) * | 2017-01-09 | 2018-07-17 | 北京四维图新科技股份有限公司 | 道路智能提取方法和装置、提取模型构建方法及混合导航系统 |
| CN108520197A (zh) * | 2018-02-28 | 2018-09-11 | 中国航空工业集团公司洛阳电光设备研究所 | 一种遥感图像目标检测方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112598062A (zh) * | 2020-12-24 | 2021-04-02 | 清华大学 | 一种图像识别方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11232318B2 (en) | Methods and apparatuses for vehicle appearance feature recognition, methods and apparatuses for vehicle retrieval, storage medium, and electronic devices | |
| US11454500B2 (en) | Map feature extraction system for computer map visualizations | |
| CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
| Sevara et al. | Pixel versus object—A comparison of strategies for the semi-automated mapping of archaeological features using airborne laser scanning data | |
| CN110443862B (zh) | 基于无人机的岩性填图方法及系统、电子设备 | |
| Hormese et al. | Automated road extraction from high resolution satellite images | |
| CN108711172B (zh) | 基于细粒度分类的无人机识别与定位方法 | |
| CN113537180B (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
| CN110991430B (zh) | 基于遥感图像的地物识别及覆盖率计算方法及系统 | |
| CN110956137A (zh) | 点云数据的目标检测方法、系统及介质 | |
| CN114612835A (zh) | 一种基于YOLOv5网络的无人机目标检测模型 | |
| US20220237908A1 (en) | Flight mission learning using synthetic three-dimensional (3d) modeling and simulation | |
| Xiao et al. | Autonomous rock detection on mars through region contrast | |
| Mohammadpour et al. | Automatic lineament extraction method in mineral exploration using CANNY algorithm and hough transform | |
| CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
| CN111460862A (zh) | 基于神经网络的遥感图像地物提取方法及系统 | |
| CN115565072A (zh) | 一种道路垃圾识别和定位方法、装置、电子设备及介质 | |
| CN116246161A (zh) | 领域知识引导下的遥感图像目标精细类型识别方法及装置 | |
| CN114118127B (zh) | 一种视觉场景标志检测与识别方法及装置 | |
| CN115984712A (zh) | 基于多尺度特征的遥感图像小目标检测方法及系统 | |
| CN113449799B (zh) | 目标检测与分类方法、系统、设备及存储介质 | |
| CN112651986B (zh) | 环境识别方法、识别装置、识别系统、电子设备及介质 | |
| Zhao et al. | Building extraction from lidar point cloud data using marked point process | |
| Widyaningrum et al. | Tailored features for semantic segmentation with a DGCNN using free training samples of a colored airborne point cloud | |
| EP3944137A1 (en) | Positioning method and positioning apparatus |
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 |