CN111462098A - 待侦测物体阴影面积重叠的检测方法、装置、设备及介质 - Google Patents
待侦测物体阴影面积重叠的检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111462098A CN111462098A CN202010262597.2A CN202010262597A CN111462098A CN 111462098 A CN111462098 A CN 111462098A CN 202010262597 A CN202010262597 A CN 202010262597A CN 111462098 A CN111462098 A CN 111462098A
- Authority
- CN
- China
- Prior art keywords
- image
- shadow
- detected
- target
- preset
- 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
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种待侦测物体阴影面积重叠的检测方法、装置、设备和介质,所述方法包括:接收遥感影像,获取所述遥感影像中待侦测物体的目标外拓图像;对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,以确定所述目标阴影图像是否与其他阴影图像重叠。本申请解决现有技术中待侦测物体阴影易被遮挡,导致待侦测物体阴影面积提取不准确的技术问题。
Description
技术领域
本申请涉及金融科技(Fintech)的人工智能技术领域,尤其涉及一种待侦测物体阴影面积重叠的检测方法、装置、设备及介质。
背景技术
随着金融科技,尤其是互联网科技金融的不断发展,越来越多的技术应用在金融领域,但金融业也对技术提出了更高的要求,如对金融业对待侦测物体阴影面积的提取也有更高的要求。
即当今时代是原油的时代,实时了解各国原油储备数据,直接关系国家安全,目前原油储备估计或者预估通常是通过卫星对各国原油港口进行监控,以得到遥感影像,以计算港口中每个大型待侦测物体如大型待侦测物体的容量,计算港口中每个大型待侦测物体的容量的过程中,阴影面积提取是最重要的一环节,目前,由于太阳入射角不同,导致待侦测物体阴影厚度不一,因此在提取待侦测物体阴影过程中,经常出现待侦测物体A的阴影被待侦测物体B遮挡,导致待侦测物体阴影面积提取不准确的技术问题。
发明内容
本申请的主要目的在于提供一种待侦测物体阴影面积重叠的检测方法、装置、设备和介质,旨在解决现有技术中待侦测物体阴影易被遮挡,导致待侦测物体阴影面积提取不准确的技术问题。
为实现上述目的,本申请提供一种待侦测物体阴影面积重叠的检测方法,所述待侦测物体阴影面积重叠的检测方法包括:
接收遥感影像,获取所述遥感影像中待侦测物体的目标外拓图像;
对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠。
可选地,所述对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像的步骤,包括:
将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
其中,所述预设语义分割网络模型是基于具有预设阴影标签的预设待侦测物体图像数据,通过对预设待训练基础模型进行训练后得到的准确预测阴影图像的模型。
可选地,所述确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点的步骤,包括:
获取采集所述港口遥感影像时所述待侦测物体对应的太阳入射角,基于所述太阳入射角确定所述目标阴影图像的方位角;
获取所述待侦测物体的待侦测物体中心点,根据所述待侦测物体中心点以及所述方位角的预设延展方向,确定所述目标阴影图像中距离所述待侦测物体中心点最远的第一像素点;
获取在所述预设延展方向上,距离所述第一像素点预设个数像素点距离的第二像素点,将所述第二像素点设为所述重叠判定点。
可选地,所述根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠的步骤,包括:
提取所述港口遥感影像中目标外拓图像外的其他所有外拓图像的第一边界点坐标,以及所有与所述第一边界点坐标距离最远的对应第二边界点坐标;
获取所述重叠判定点的重叠判定点坐标,将所述重叠判定点坐标分别与所述第一边界点坐标以及第二边界点坐标进行比对,得到比对结果;
根据所述比对结果确定所述目标阴影图像是否与其他阴影图像重叠。
可选地,所述根据所述比对结果确定所述目标阴影图像是否与其他阴影图像重叠的步骤,包括:
若所述比对结果为所述重叠判定点坐标大于所述第一边界点坐标,且所述重叠判定点坐标对应小于所述第二边界点坐标时,确定所述目标阴影图像与其他阴影图像重叠;
若所述比对结果为所述重叠判定点坐标小于所述第一边界点坐标,或者所述重叠判定点坐标对应大于所述第二边界点坐标时,确定所述目标阴影图像与其他阴影图像不重叠。
可选地,所述将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像的步骤之前,所述方法包括:
获取预设待侦测物体图像数据,基于所述预设待侦测物体图像数据对所述预设待训练基础模型进行迭代训练,得到迭代训练后的基础模型;
判断所述迭代训练后的基础模型是否满足预设训练完成条件,若所述迭代训练后的基础模型满足预设训练完成条件,得到所述预设语义分割网络模型。
可选地,所述将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像的步骤,包括:
将所述目标外拓图像输入至预设语义分割网络模型中,得到目标阴影图像,确定所述目标阴影图像中与所述目标外拓图像的外拓矩形框相交的相交图像,对所述相交图像进行去除处理,得到第一处理图像;
获取第一预设阴影面积阈值,从所述第一处理图像中提取面积大于所述第一预设阴影面积阈值的图像,得到第二处理图像;
获取第二预设阴影面积阈值,从所述第二处理图像中提取面积大于所述二预设阴影面积阈值的图像,得到第三处理图像,从所述第三处理图像中提取与所述外接框图像的外接框相交的图像,得到每个待侦测物体的待侦测物体阴影面积。
可选地,所述确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠步骤之后,所述方法包括:
若所述目标阴影图像与其他阴影图像重叠,则获取重叠阴影图像;
根据所述重叠阴影图像,确定所述待侦测物体的阴影面积厚度。
本申请还提供一种待侦测物体阴影面积重叠的检测装置,所述待侦测物体阴影面积重叠的检测装置包括:
接收模块,用于接收遥感影像,获取所述遥感影像中待侦测物体的目标外拓图像;
第一获取模块,用于对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
确定模块,用于确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠。
可选地,所述第一获取模块包括:
语义分割处理单元,用于将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
其中,所述预设语义分割网络模型是基于具有预设阴影标签的预设待侦测物体图像数据,通过对预设待训练基础模型进行训练后得到的准确预测阴影图像的模型。
可选地,所述确定模块包括:
第一获取单元,用于获取采集所述港口遥感影像时所述待侦测物体对应的太阳入射角,基于所述太阳入射角确定所述目标阴影图像的方位角;
第二获取单元,用于获取所述待侦测物体的待侦测物体中心点,根据所述待侦测物体中心点以及所述方位角的预设延展方向,确定所述目标阴影图像中距离所述待侦测物体中心点最远的第一像素点;
第三获取单元,用于获取在所述预设延展方向上,距离所述第一像素点预设个数像素点距离的第二像素点,将所述第二像素点设为所述重叠判定点。
可选地,所述确定模块还包括:
提取单元,用于提取所述港口遥感影像中目标外拓图像外的其他所有外拓图像的第一边界点坐标,以及所有与所述第一边界点坐标距离最远的对应第二边界点坐标;
第四获取单元,用于获取所述重叠判定点的重叠判定点坐标,将所述重叠判定点坐标分别与所述第一边界点坐标以及第二边界点坐标进行比对,得到比对结果;
确定单元,用于根据所述比对结果确定所述目标阴影图像是否与其他阴影图像重叠。
可选地,所述确定单元包括:
第一确定子单元,用于若所述比对结果为所述重叠判定点坐标大于所述第一边界点坐标,且所述重叠判定点坐标对应小于所述第二边界点坐标时,确定所述目标阴影图像与其他阴影图像重叠;
第二确定子单元,用于若所述比对结果为所述重叠判定点坐标小于所述第一边界点坐标,或者所述重叠判定点坐标对应大于所述第二边界点坐标时,确定所述目标阴影图像与其他阴影图像不重叠。
可选地,所述待侦测物体阴影面积重叠的检测装置还包括:
第二获取模块,用于获取预设待侦测物体图像数据,基于所述预设待侦测物体图像数据对所述预设待训练基础模型进行迭代训练,得到迭代训练后的基础模型;
判断模块,用于判断所述迭代训练后的基础模型是否满足预设训练完成条件,若所述迭代训练后的基础模型满足预设训练完成条件,得到所述预设语义分割网络模型。
可选地,所述第一获取模块包括:
输入单元,用于将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到目标阴影图像,确定所述目标阴影图像中与所述目标外拓图像的外拓矩形框相交的相交图像,对所述相交图像进行去除处理,得到第一处理图像;
第五获取单元,用于获取第一预设阴影面积阈值,从所述第一处理图像中提取面积大于所述第一预设阴影面积阈值的图像,得到第二处理图像;
第六获取单元,用于获取第二预设阴影面积阈值,从所述第二处理图像中提取面积大于所述二预设阴影面积阈值的图像,得到第三处理图像,从所述第三处理图像中提取与所述外接框图像的外接框相交的图像,得到每个待侦测物体的待侦测物体阴影面积。
可选地,所述待侦测物体阴影面积重叠的检测装置还包括:
重叠阴影图像获取模块,用于若所述目标阴影图像与其他阴影图像重叠,则获取重叠阴影图像;
厚度获取模块,用于根据所述重叠阴影图像,确定所述待侦测物体的阴影面积厚度。
本申请还提供一种待侦测物体阴影面积重叠的检测设备,所述待侦测物体阴影面积重叠的检测设备为实体设备,所述待侦测物体阴影面积重叠的检测设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述待侦测物体阴影面积重叠的检测方法的程序,所述待侦测物体阴影面积重叠的检测方法的程序被处理器执行时可实现如上述的待侦测物体阴影面积重叠的检测方法的步骤。
本申请还提供一种介质,所述介质上存储有实现上述待侦测物体阴影面积重叠的检测方法的程序,所述待侦测物体阴影面积重叠的检测方法的程序被处理器执行时实现如上述的待侦测物体阴影面积重叠的检测方法的步骤。
本申请通过接收遥感影像,获取所述遥感影像中待侦测物体的目标外拓图像;对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠。在本申请中,在接收遥感影像,得到目标外拓图像后,通过对目标外拓图像进行预设语义分割处理,得到所述所述待侦测物体的目标阴影图像(由于预设语义分割处理过程中是不受自然因素的影响的,因而提升待侦测物体目标阴影图像的提取准确率),进而,在准确得到目标阴影图像后,准确确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠。也即,在本实施例中,通过准确确定重叠判定点的方式实现对可能存在阴影重叠的侦测物体进行阴影面积的准确提取,避免待侦测物体阴影面积提取不准确的现象。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请待侦测物体阴影面积重叠的检测方法第一实施例的流程示意图;
图2为本申请待侦测物体阴影面积重叠的检测方法第一实施例中确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点的细化步骤流程示意图;
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图;
图4为本申请待侦测物体阴影面积重叠的检测方法的第一场景示意图;
图5为本申请待侦测物体阴影面积重叠的检测方法的第二场景示意图;
图6为本申请待侦测物体阴影面积重叠的检测方法的第三场景示意图;
图7为本申请待侦测物体阴影面积重叠的检测方法的第四场景示意图;
图8为本申请待侦测物体阴影面积重叠的检测方法的第五场景示意图;
图9为本申请待侦测物体阴影面积重叠的检测方法的第六场景示意图;
图10为本申请待侦测物体阴影面积重叠的检测方法的第七场景示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种待侦测物体阴影面积重叠的检测方法,在本申请待侦测物体阴影面积重叠的检测方法的第一实施例中,参照图1,所述待侦测物体阴影面积重叠的检测方法包括:
步骤S10,接收遥感影像,获取所述遥感影像中待侦测物体的目标外拓图像;
步骤S20,对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
步骤S30,确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠。
具体步骤如下:
步骤S10,接收遥感影像,获取所述遥感影像中待侦测物体的目标外拓图像;
在当今时代,实时了解他国的各项数据储备如待侦测物体数据储备,直接关系到国计民生,而实时了解各国原油储备数据,更是直接关系国家安全,也即,在本实施中,以待侦测物体是油罐尤其是大型油罐为例进行具体说明 (但不限于油罐,例如,该待侦测物体还可以是集装箱等),目前原油储备估计或者预估通常是通过卫星对各国原油港口进行监控,以得到遥感影像,以基于遥感影像计算港口中每个大型油罐的容量的,计算港口中每个大型油罐的容量的过程中,阴影面积提取是最重要的一环节,也即计算港口中每个大型油罐的容量一般可以分为三步:油罐检测与定位、油罐阴影面积提取、计算油罐容积,其中油罐阴影面积提取是非常重要的一个环节,目前油罐阴影面积经常采用在RGB(三基色,红绿蓝,Red,Green,Blue)颜色空间中进行颜色阈值分割的方式进行提取,在RGB颜色空间中进行颜色阈值分割的方式导致油罐阴影提取受之前采集影像时的光照影响大,提取效果不稳定,另外,油罐容积处理出了与提取方式关联外,还与太阳入射角关联,而在一些太阳入射角的角度下,经常出现油罐A的阴影被油罐B遮挡,进而导致油罐阴影提取不准确,进而影响油罐容积计算的现象。
在本实施例中,通过对目标外拓图像进行预设语义分割处理以确定及重叠判定点,实现准确确定待侦测物体阴影面积是否重叠,进而为准确确定油罐的阴影面积以及准确确定油罐阴影厚度奠定基础,进而为实现准确计算油罐容积奠定基础。
在本实施例中,首先接收卫星发送的港口遥感影像,基于所述港口遥感影像确定每个待侦测物体的外接框图像,以获取每个所述外接框图像的位置信息,具体地,若待侦测物体是圆形的油罐,则基于所述港口遥感影像确定每个待侦测物体的外接矩形框图像,以获取每个所述外接框图像的位置信息,若待侦测物体是集装箱,则基于所述港口遥感影像确定每个待侦测物体的外层集装箱图像,以获取每个所述外层集装箱图像的位置信息,需要说明的是,在本实施例中,以待侦测物体是圆形的油罐,则基于所述港口遥感影像确定每个待侦测物体的外接矩形框图像,以获取每个所述外接框图像的位置信息为例进行具体说明,具体地,通过预设的Rotated-Faster-R-CNN模型(是已经训练好的能够准确地定位港口遥感影像中油罐的外接框图像位置信息的模型),对所述港口遥感影像进行分析,确定每个待侦测物体的外接框图像(图 7中的小框是外接框,小框内的图像是外接框图像),以获取每个所述外接框图像的位置信息,需要说明的是,每个所述外接框图像的位置信息可以用(c_x, c_y,w,h)表示,其中,(c_x,c_y)表示每个外接框图像的中心坐标点,(w) 表示每个外接框的宽,(h)表示每个外接框的高。
根据所述每个待侦测物体的外接框图像的位置信息,得到每个待侦测物体的包括待侦测物体阴影的目标外拓图像;
在本实施例中,需要得到每个待侦测物体的包括待侦测物体阴影的目标外拓图像,具体地,根据所述外接框图像的位置信息,得到所述待侦测物体的包括待侦测物体阴影的目标外拓图像(目标外拓图像是整个图7中的图像,目标外拓图像的边框是图7中大框,或者目标外拓图像的边框是图6中的最外延黑边框)。其中,图7中的大框可能包括其他待侦测物体的图像。
根据所述外接矩形框图像的位置信息,以所述外接矩形框图像为中心,从所述遥感影像中裁减得到包括所述外接矩形框图像的,且大小是预设倍数于所述外接矩形框图像的图像:具体地,根据每个外接矩形框图像的位置信息,对每张遥感影像里每个待侦测物体进行图像的外拓,每张遥感影像里有多个待侦测物体,因而,在对某一待侦测物体进行向外拓时(以所述外接矩形框图像为中心,从所述遥感影像中裁减得到包括所述外接矩形框图像的,且大小是预设倍数于所述外接矩形框图像的图像),可能会包括其他待侦测物体的图像或者阴影图像,将包括所述外接矩形框图像的,且大小是预设倍数于所述外接矩形框图像的图像设为所述外拓图像。
在本实施例中,是以所述外接矩形框图像为中心,从所述遥感影像中裁减得到包括所述外接矩形框图像的,且大小是预设倍数于所述外接矩形框图像的图像,该预设倍数可以为1-2,特别地,该预设拓展比例可以为1.8,设置预设倍数的目的在于得到包括所述待侦测物体阴影的图像(即避免阴影不完全),同时不过多处理多余的图像,以避免增加处理负担,在得到外拓图像后,具体地,则外拓矩形框宽度width=(1+rates)*w,外拓矩形框高度height= (1+rates)*h,新的矩形框可以表示为(new_x,new_y,new_w,new_h),rates 表示预设倍数与1的差值。
对所述各个拓展图像进行裁剪,得到每个待侦测物体的包括待侦测物体阴影的目标外拓图像。
在得到目标外拓图像后,对所述目标外拓图像进行裁剪,避免后续处理过多的图像而造成处理效率的降低,得到所述待侦测物体的包括待侦测物体阴影的目标外拓图像。
步骤S20,对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
在本实施例中,将当前需要处理的外拓图像作为目标外拓图像,或者将最新需要处理的外拓图像作为目标外拓图像,在得到目标外拓图像后,对目标外拓图像进行预设语义分割处理,其中,语义在图像处理领域可以指的是图像的内容,对目标外拓图像进行预设语义分割处理可以指的是通过预设标签特征或者预设编码特征对目标外拓图像中的像素进行分割,其中,具体可以通过机器学习或者神经网络对目标外拓图像中的像素进行分割。
其中,所述对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像的步骤,包括:
步骤S21,将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
其中,所述预设语义分割网络模型是基于具有预设阴影标签的预设待侦测物体图像数据,通过对预设待训练基础模型进行训练后得到的准确预测阴影图像的模型。
在本实施例中,需要说明的是,所述预设语义分割网络模型是基于具有预设阴影标签的预设待侦测物体图像数据,通过对预设待训练基础模型进行训练后得到的准确预测阴影图像的模型,由于预设语义分割网络模型是经过训练后能够准确预测阴影图像的模型,因而,能够在将所述待侦测物体的目标外拓图像输入至预设语义分割网络模型中后,准确得到每个待侦测物体的目标阴影图像。需要说明的是,由于待侦测物体既可以是油罐又可以是集装箱等,因而,在本实施例中,所述预设语义分割网络模型是存在多个子模型的,如预设油罐语义分割网络子模型,预设集装箱语义分割网络子模型,因而,在将所述目标外拓图像输入至预设语义分割网络模型中后,需要获取目标外拓图像的类别,进而,根据该目标外拓图像的类别,将目标外拓图像输入至对应的子模型如预设油罐语义分割网络子模型中,在本实施例中,由于预设语义分割网络模型包括多个子模型,因而,能够提升检测待侦测物体的便捷性。
在本实施例中,需要说明的是,将所述待侦测物体的目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影后,是需要进行噪声阴影去除的,在噪声去除过程中,需要进行阴影轮廓的描绘(如图6所示,目标外拓图像中包括多个其他非所述待侦测物体的阴影轮廓,但是只有1个或者2个是目标目标油罐的),若存在阴影轮廓的相近(可能相交),其他油罐的阴影与目标油罐的阴影可能存在重叠,如图5或者如图6所示,此时,噪声阴影去除可能不准确。
其中,所述将所述待侦测物体的目标外拓图像输入至预设语义分割网络模型中,得到所述待侦测物体的目标阴影图像步骤包括:
对所述目标外拓图像进行预处理,得到目标预处理图像;
需要说明的是,由于不同的图像外拓比例(预设倍数)的不同,如当前目标外拓图像的外拓比例是1.8,另一目标外拓图像的外拓比例(预设倍数) 是1.5,即两者得到的目标外拓图像大小不同,而预设语义分割网络模型是对确定大小或者确定明暗度等的图像进行处理的,为了提升模型处理的便捷性,在本实施例中,在得到目标外拓图像后,在将所述目标外拓图像输入至预设语义分割网络模型中之前,先对目标外拓图像进行预处理(即将目标外拓图像拉伸为预设尺寸大小或者对目标外拓图像进行明暗度的调节等),得到预处理图像。
将所述目标预处理图像输入至预设语义分割网络模型中,得到每个待侦测物体的目标阴影图像。
具体地,在得到目标预处理图像后,将所述目标预处理图像输入至预设语义分割网络模型中,得到目标阴影图像。
其中,所述将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像的步骤之前,所述方法包括:
步骤a1,获取预设待侦测物体图像数据,基于所述预设待侦测物体图像数据对所述预设待训练基础模型进行迭代训练,得到迭代训练后的基础模型;
在本实施例中,为准确得到预设语义分割网络模型,具体地,首先获取预设待侦测物体图像数据,该预设待侦测物体图像数据既包括各个预设待侦测物体图像,还包括该各个预设待侦测物体图像对应的预设阴影标签,也即,在本实施例中,首先基于预设待侦测物体图像的原图获取其对应掩码(mask) 图(包括预设阴影标签),在mask图中,阴影区域标注为“1”,背景区域标注为“0”。获取预设待侦测物体图像数据后,基于所述预设待侦测物体图像数据中的各个预设待侦测物体图像对所述预设待训练基础模型进行迭代训练,以迭代训练更新所述预设待训练预测模型。具体地,基于迭代训练的训练结果(或者预测概率图像数据)与其对应掩码(mask)图中的预设阴影标签的期望结果进行比对,以迭代训练更新所述预设待训练预测模型,其中,可以是迭代训练更新所述预设待训练预测模型中的网络权重变量,得到迭代训练后的基础模型。
需要说明的是,所述预设待训练预测模型中包括特征提取部分以及上采样部分等,其中,所述特征提取部分包括卷积层、池化层等,上采样部分包括反卷积层等。在本实施例中,所述预设待训练基础模型中的特征提取部分是包括跳层连接层的,具体地,所述预设待训练基础模型中,若特征提取部分是包括Unet网络编码阶段或者Unet网络架构(不包括跳层连接层),则改为ResNet网络编码阶段或者是ResNet网络架构(包括跳层连接层),跳层连接层的作用在于:在卷积预设次数后,将卷积预设次数之前丢弃的信息经过处理添加至卷积预设次数的数据中,以避免图像数据卷积过程中造成的信息损失。在本实施例中,在网络解码过程中或者是上采样部分中,依然采用Unet 解码网络阶段,以得到大小可以是(C,W,H)尺寸的概率图,其中C为预测类别数(C=目标类别数N+背景类,如C=2,只用预测阴影区域)。
步骤a2,判断所述迭代训练后的基础模型是否满足预设训练完成条件,若所述迭代训练后的基础模型满足预设训练完成条件,得到所述预设语义分割网络模型。
判断迭代训练后的所述预设待训练预测模型是否满足预设训练完成条件,若满足预设训练完成条件,得到所述预设语义分割网络模型,具体地,预设训练完成条件可以是迭代达到预设次数,或者是预设损失函数收敛,需要说明的是,每迭代训练一次,则基于迭代训练的结果与其对应掩码(mask) 图中的预设阴影标签的期望结果进行比对,确定差异数据,根据差异数据有方向地进行所述预设待训练预测模型中的调整,特别地,进行网络权重变量的调整,以最终得到所述预设语义分割网络模型。
步骤S30,确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠。
在本实施例中,在得到目标阴影图像后,确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,为确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,需要执行如下步骤:
其中,所述确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点的步骤,包括:
步骤S31,获取采集所述港口遥感影像时所述待侦测物体对应的太阳入射角,基于所述太阳入射角确定所述目标阴影图像的方位角;
在本实施例中,需要获取太阳入射角,以确定所述目标阴影图像的方位角,进而确定重叠判定点,具体地,太阳入射角是采集遥感影像时获取太阳光线射至目标油罐时的第一角度,并对该第一角度进行预设坐标转换后确定的,采集遥感影像时间确定,则第一角度也是已经确定的,如图4所示,其中OM'是OM在地平面投影,MOM'组合成的夹角称为太阳入射角,在得到 OM'后,确定OM'与OS的夹角,OM'与OS的夹角称为方位角。
步骤S32,获取所述待侦测物体的待侦测物体中心点,根据所述待侦测物体中心点以及所述方位角的预设延展方向,确定所述目标阴影图像中距离所述待侦测物体中心点最远的第一像素点;
在本实施例中,还获取所述目标阴影图像对应待侦测物体的待侦测物体中心点,根据所述待侦测物体中心点以及所述方位角的预设延展方向,确定所述目标阴影图像中距离所述待侦测物体中心点最远的第一像素点,具体地,获取所述方位角的预设延展方向最边缘的全部像素点,并获取该全部像素点与待侦测物体中心点的距离,以得到最远的第一像素点,如图5所示,A点即是第一像素点。
步骤S33,获取在所述预设延展方向上,距离所述第一像素点预设个数像素点距离的第二像素点,将所述第二像素点设为所述重叠判定点。
获取在所述预设延展方向上,距离所述第一像素点预设个数像素点距离的第二像素点,将所述第二像素点设为所述重叠判定点,具体地,如图5所示,通过油罐中心,按照方位角方向延长,得到距离中心点距离最远的点A,通过点A,继续按照该方位角方向,继续延长距离所述第一像素点预设个数像素点距离,如继续延长2个像素点得距离或者3个像素点的距离,得到点B 即第二像素点,将所述第二像素点设为所述重叠判定点。
所述根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠的步骤,包括:
步骤S34,提取所述港口遥感影像中目标外拓图像外的其他所有外拓图像的第一边界点坐标,以及所有与所述第一边界点坐标距离最远的对应第二边界点坐标;
在本实施例中,在得到重叠判定点后,提取所述港口遥感影像中所有其他目标外拓图像的第一边界点坐标以及与所述第一边界点坐标距离最远的对应第二边界点坐标,具体地,如图8中所示,包括多个油罐的外接框,每个油罐的外接框图像的位置信息可以用(x_min,y_min,x_max,y_max)表示,其中 (x_min,y_min)可以表示每个外接矩形框的左上角坐标点即第一边界点坐标, (x_max,y_max)表示每个外接矩形框的右下角坐标点即对应第二边界点坐标。当然,第一边界点坐标还可以是右上角坐标点,第一边界点坐标还可以是左下角坐标点,在此不做具体限定。
步骤S35,获取所述重叠判定点的重叠判定点坐标,将所述重叠判定点坐标分别与所述第一边界点坐标以及第二边界点坐标进行比对,得到比对结果;
在本实施例中,还获取所述重叠判定点的重叠判定点坐标如点B坐标为 (b_x,b_y),,将所述重叠判定点坐标分别与所述第一边界点坐标以及第二边界点坐标进行比对,得到比对结果,具体地,设所有目标油罐外的其他油罐的外接矩形框位置信息或者外接框的集合为C,遍历所有外接矩形框位置信息,与(b_x,b_y)做比较,得到比较结果。
步骤S36,根据所述比对结果确定所述目标阴影图像是否与其他阴影图像重叠。
在本实施例中,根据所述比对结果确定所述目标阴影图像是否与其他阴影图像重叠,该比对结果可以是x_min<b_x,y_min<b_y并且x_max>b_x, y_max>b_y,或者x_max<b_x,y_max<b_y,或者x_min>b_x,y_min>b_y等。
所述根据所述比对结果确定所述目标阴影图像是否与其他阴影图像重叠的步骤,包括:
步骤S361,若所述比对结果为所述重叠判定点坐标大于所述第一边界点坐标,且所述重叠判定点坐标对应小于所述第二边界点坐标时,确定所述目标阴影图像与其他阴影图像重叠;
在本实施例中,若所述比对结果为所述重叠判定点坐标大于所述第一边界点坐标,且所述重叠判定点坐标对应小于所述第二边界点坐标时,即 x_min<b_x,y_min<b_y并且x_max>b_x,y_max>b_y时,确定所述目标阴影图像与其他阴影图像重叠。
步骤S362,若所述比对结果为所述重叠判定点坐标小于所述第一边界点坐标,或者所述重叠判定点坐标对应大于所述第二边界点坐标时,确定所述目标阴影图像与其他阴影图像不重叠。
若所述比对结果为所述重叠判定点坐标小于所述第一边界点坐标,或者所述重叠判定点坐标对应大于所述第二边界点坐标时,如或者x_max<b_x, y_max<b_y,或者x_min>b_x,y_min>b_y时,确定所述目标阴影图像与其他阴影图像不重叠。
本申请通过接收遥感影像,获取所述遥感影像中待侦测物体的目标外拓图像;对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠。在本申请中,在接收遥感影像,得到目标外拓图像后,通过对目标外拓图像进行预设语义分割处理,得到所述所述待侦测物体的目标阴影图像(由于预设语义分割处理过程中是不受自然因素的影响的,因而提升待侦测物体目标阴影图像的提取准确率),进而,在准确得到目标阴影图像后,准确确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠。也即,在本实施例中,通过准确确定重叠判定点的方式实现对可能存在阴影重叠的侦测物体进行阴影面积的准确提取,避免待侦测物体阴影面积提取不准确的现象。
进一步地,参照图2,基于本申请中第一实施例,在本申请的另一实施例中,所述将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像的步骤,包括:
步骤b1,将所述目标外拓图像输入至预设语义分割网络模型中,得到目标阴影图像,确定所述目标阴影图像中与所述目标外拓图像的外拓矩形框相交的相交图像,对所述相交图像进行去除处理,得到第一处理图像;
将所述目标外拓图像输入至预设语义分割网络模型中,得到目标阴影图像(如图9所示),确定所述目标阴影图像中与所述目标外拓矩形框相交的相交图像,特别地,其中,外拓矩形框图像指的是目标外拓图像的边界或者边框,对所述相交图像进行去除处理,得到第一处理图像,如图9中对所述相交图像进行去除处理,得到第一处理图像,该第一处理图像如图10中的图像。
需要说明的是,第一处理图像中还可能具有与外拓矩形框图像不相交的其他噪声阴影面积。
步骤b2,获取第一预设阴影面积阈值,从所述第一处理图像中提取面积大于所述第一预设阴影面积阈值的图像,得到第二处理图像;
步骤b3,获取第二预设阴影面积阈值,从所述第二处理图像中提取面积大于所述二预设阴影面积阈值的图像,得到第三处理图像,从所述第三处理图像中提取与所述外接框图像的外接框相交的图像,得到每个待侦测物体的待侦测物体阴影面积。
需要说明的是,第一处理图像中还可能具有与目标外拓图像不相交的其他噪声阴影面积。因而,在得到第一处理图像后,获取第一预设阴影面积阈值,从所述第一处理图像中提取面积大于所述第一预设阴影面积阈值的图像,得到第二处理图像,具体地,通过预设的形态学开闭运算(仅用于小斑点处理),从所述第一处理图像中提取面积大于所述第一预设阴影面积阈值的图像,实现去除图像中小噪声阴影或者小斑点(小噪声阴影或者小斑点指的是小于所述第一预设阴影面积阈值),如具体先根据目标阴影图像中所有阴影轮廓的面积,剔除小于预设指定阈值即第一预设阴影面积阈值(t3)的小斑点 (阴影轮廓面积),最终得到第二处理图像,经过第一次去噪处理后,绝大部分噪声被去除,但是依然存在其他大噪声,因而,在得到第二处理图像后,统计单个的阴影轮廓的面积,提取面积大于指定阈值(t4)即第二预设阴影面积阈值的阴影轮廓的面积,需要说明的是,在本实施例中,分次进行噪声阴影的去除,能够提升噪声阴影去除的效率(避免一次性处理造成的去除卡顿或者避免不可使用形态学开闭运算等),并得到第三处理图像,确定与所述目标外拓图像对应内嵌坐标框即外接框(如图7中的小矩形框),确定所述第三处理图像中与内嵌坐标框相交的阴影图像,将所述与所述第三处理图像中与内嵌坐标框相交的阴影图像设为所述待侦测物体的绝对阴影图像。也即,在本实施例中,需要强调的是,绝对阴影图像是与内嵌坐标框相交的。
本实施例通过将所述目标外拓图像输入至预设语义分割网络模型中,得到目标阴影图像,确定所述目标阴影图像中与所述目标外拓图像的外拓矩形框相交的相交图像,对所述相交图像进行去除处理,得到第一处理图像;获取第一预设阴影面积阈值,从所述第一处理图像中提取面积大于所述第一预设阴影面积阈值的图像,得到第二处理图像;获取第二预设阴影面积阈值,从所述第二处理图像中提取面积大于所述二预设阴影面积阈值的图像,得到第三处理图像,从所述第三处理图像中提取与所述外接框图像的外接框相交的图像,得到每个待侦测物体的待侦测物体阴影面积。在本申请中,实现高效准确地得到待侦测物体阴影面积。
进一步地,基于本申请中第一实施例和第二实施例,所述确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠步骤之后,所述方法包括:
步骤c1,若所述目标阴影图像与其他阴影图像重叠,则获取重叠阴影图像;
步骤c2,根据所述重叠阴影图像,确定所述待侦测物体的阴影面积厚度。
在本实施例中,若所述目标阴影图像与其他阴影图像重叠,则生成提示信息,即是由于目标阴影图像与其他阴影图像重叠,因而,可能造成阴影面积提取不准确,因而,生成提示信息进行阴影面积的再次提取(在其他太阳入射角的情况下),另外,所述确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠步骤之后,所述方法还包括:若所述目标阴影图像与其他阴影图像重叠,则获取重叠阴影图像;根据所述重叠阴影图像,确定所述待侦测物体的阴影面积厚度,需要说明的是,获取重叠阴影图像后,基于重叠阴影图像采用预设非常规计算方式阴影面积厚度,在该预设非常规计算方式中,获取所述待侦测物体所述目标阴影图像中对应非重叠月牙阴影图像的第一半径,并获取所有其他待侦测物体对应的其他非重叠月牙子图像的第二半径;根据所述第一半径,以及所有第二半径,确定所述重叠阴影图像对应的厚度,根据所述阴影厚度,确定所述待侦测物体的高度,进而确定待侦测物体的容积。
本实施例通过若所述目标阴影图像与其他阴影图像重叠,则生成提示信息,进而为各所述第一设备训练出效果更好的模型奠定了基础。
参照图3,图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示,该待侦测物体阴影面积重叠的检测设备可以包括:处理器 1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速 RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该待侦测物体阴影面积重叠的检测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的待侦测物体阴影面积重叠的检测设备结构并不构成对待侦测物体阴影面积重叠的检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及待侦测物体阴影面积重叠的检测程序。操作系统是管理和控制待侦测物体阴影面积重叠的检测设备硬件和软件资源的程序,支持待侦测物体阴影面积重叠的检测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与待侦测物体阴影面积重叠的检测系统中其它硬件和软件之间通信。
在图3所示的待侦测物体阴影面积重叠的检测设备中,处理器1001用于执行存储器1005中存储的待侦测物体阴影面积重叠的检测程序,实现上述任一项所述的待侦测物体阴影面积重叠的检测方法的步骤。
本申请待侦测物体阴影面积重叠的检测设备具体实施方式与上述待侦测物体阴影面积重叠的检测方法各实施例基本相同,在此不再赘述。
本申请还提供一种待侦测物体阴影面积重叠的检测装置,所述待侦测物体阴影面积重叠的检测装置包括:
接收模块,用于接收遥感影像,获取所述遥感影像中待侦测物体的目标外拓图像;
第一获取模块,用于对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
确定模块,用于确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠。
可选地,所述第一获取模块包括:
语义分割处理单元,用于将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
其中,所述预设语义分割网络模型是基于具有预设阴影标签的预设待侦测物体图像数据,通过对预设待训练基础模型进行训练后得到的准确预测阴影图像的模型。
可选地,所述确定模块包括:
第一获取单元,用于获取采集所述港口遥感影像时所述待侦测物体对应的太阳入射角,基于所述太阳入射角确定所述目标阴影图像的方位角;
第二获取单元,用于获取所述待侦测物体的待侦测物体中心点,根据所述待侦测物体中心点以及所述方位角的预设延展方向,确定所述目标阴影图像中距离所述待侦测物体中心点最远的第一像素点;
第三获取单元,用于获取在所述预设延展方向上,距离所述第一像素点预设个数像素点距离的第二像素点,将所述第二像素点设为所述重叠判定点。
可选地,所述确定模块还包括:
提取单元,用于提取所述港口遥感影像中目标外拓图像外的其他所有外拓图像的第一边界点坐标,以及所有与所述第一边界点坐标距离最远的对应第二边界点坐标;
第四获取单元,用于获取所述重叠判定点的重叠判定点坐标,将所述重叠判定点坐标分别与所述第一边界点坐标以及第二边界点坐标进行比对,得到比对结果;
确定单元,用于根据所述比对结果确定所述目标阴影图像是否与其他阴影图像重叠。
可选地,所述确定单元包括:
第一确定子单元,用于若所述比对结果为所述重叠判定点坐标大于所述第一边界点坐标,且所述重叠判定点坐标对应小于所述第二边界点坐标时,确定所述目标阴影图像与其他阴影图像重叠;
第二确定子单元,用于若所述比对结果为所述重叠判定点坐标小于所述第一边界点坐标,或者所述重叠判定点坐标对应大于所述第二边界点坐标时,确定所述目标阴影图像与其他阴影图像不重叠。
可选地,所述待侦测物体阴影面积重叠的检测装置还包括:
第二获取模块,用于获取预设待侦测物体图像数据,基于所述预设待侦测物体图像数据对所述预设待训练基础模型进行迭代训练,得到迭代训练后的基础模型;
判断模块,用于判断所述迭代训练后的基础模型是否满足预设训练完成条件,若所述迭代训练后的基础模型满足预设训练完成条件,得到所述预设语义分割网络模型。
可选地,所述第一获取模块包括:
输入单元,用于将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到目标阴影图像,确定所述目标阴影图像中与所述目标外拓图像的外拓矩形框相交的相交图像,对所述相交图像进行去除处理,得到第一处理图像;
第五获取单元,用于获取第一预设阴影面积阈值,从所述第一处理图像中提取面积大于所述第一预设阴影面积阈值的图像,得到第二处理图像;
第六获取单元,用于获取第二预设阴影面积阈值,从所述第二处理图像中提取面积大于所述二预设阴影面积阈值的图像,得到第三处理图像,从所述第三处理图像中提取与所述外接框图像的外接框相交的图像,得到每个待侦测物体的待侦测物体阴影面积。
可选地,所述待侦测物体阴影面积重叠的检测装置还包括:
重叠阴影图像获取模块,用于若所述目标阴影图像与其他阴影图像重叠,则获取重叠阴影图像;
厚度获取模块,用于根据所述重叠阴影图像,确定所述待侦测物体的阴影面积厚度。
本申请待侦测物体阴影面积重叠的检测装置的具体实施方式与上述待侦测物体阴影面积重叠的检测方法各实施例基本相同,在此不再赘述。
为实现上述目的,本申请还提供一种待侦测物体阴影面积重叠的检测装置,所述待侦测物体阴影面积重叠的检测装置应用于第二设备或者对应待侦测物体阴影面积重叠的检测设备,所述待侦测物体阴影面积重叠的检测装置包括:
发送模块,用于生成预设纵向联邦流程对应的密钥,并将所述密钥分别发送至与所述第二设备关联的多个第一设备,以供各所述第一设备基于所述密钥对各自的初始用户特征表示变量进行加密;
接收模块,用于接收各所述第一设备加密发送的初始用户特征表示变量,并对各所述初始用户特征表示变量进行聚合处理,获得聚合用户特征表示变量;
反馈模块,用于将所述聚合用户特征表示变量反馈至各所述第一设备,以供各所述第一设备对各自的预设待训练预测模型进行迭代训练。
本申请待侦测物体阴影面积重叠的检测装置的具体实施方式与上述待侦测物体阴影面积重叠的检测方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种介质,且所述介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的待侦测物体阴影面积重叠的检测方法的步骤。
本申请介质具体实施方式与上述待侦测物体阴影面积重叠的检测方法各实施例基本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利处理范围内。
Claims (11)
1.一种待侦测物体阴影面积重叠的检测方法,其特征在于,所述待侦测物体阴影面积重叠的检测方法包括:
接收遥感影像,获取所述遥感影像中待侦测物体的目标外拓图像;
对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠。
2.如权利要求1所述待侦测物体阴影面积重叠的检测方法,其特征在于,所述对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像的步骤,包括:
将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
其中,所述预设语义分割网络模型是基于具有预设阴影标签的预设待侦测物体图像数据,通过对预设待训练基础模型进行训练后得到的准确预测阴影图像的模型。
3.如权利要求1所述待侦测物体阴影面积重叠的检测方法,其特征在于,所述确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点的步骤,包括:
获取采集所述港口遥感影像时所述待侦测物体对应的太阳入射角,基于所述太阳入射角确定所述目标阴影图像的方位角;
获取所述待侦测物体的待侦测物体中心点,根据所述待侦测物体中心点以及所述方位角的预设延展方向,确定所述目标阴影图像中距离所述待侦测物体中心点最远的第一像素点;
获取在所述预设延展方向上,距离所述第一像素点预设个数像素点距离的第二像素点,将所述第二像素点设为所述重叠判定点。
4.如权利要求1-3任一项所述待侦测物体阴影面积重叠的检测方法,其特征在于,所述根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠的步骤,包括:
提取所述港口遥感影像中目标外拓图像外的其他所有外拓图像的第一边界点坐标,以及所有与所述第一边界点坐标距离最远的对应第二边界点坐标;
获取所述重叠判定点的重叠判定点坐标,将所述重叠判定点坐标分别与所述第一边界点坐标以及第二边界点坐标进行比对,得到比对结果;
根据所述比对结果确定所述目标阴影图像是否与其他阴影图像重叠。
5.如权利要求4所述待侦测物体阴影面积重叠的检测方法,其特征在于,所述根据所述比对结果确定所述目标阴影图像是否与其他阴影图像重叠的步骤,包括:
若所述比对结果为所述重叠判定点坐标大于所述第一边界点坐标,且所述重叠判定点坐标对应小于所述第二边界点坐标时,确定所述目标阴影图像与其他阴影图像重叠;
若所述比对结果为所述重叠判定点坐标小于所述第一边界点坐标,或者所述重叠判定点坐标对应大于所述第二边界点坐标时,确定所述目标阴影图像与其他阴影图像不重叠。
6.如权利要求2所述待侦测物体阴影面积重叠的检测方法,其特征在于,所述将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像的步骤之前,所述方法包括:
获取预设待侦测物体图像数据,基于所述预设待侦测物体图像数据对所述预设待训练基础模型进行迭代训练,得到迭代训练后的基础模型;
判断所述迭代训练后的基础模型是否满足预设训练完成条件,若所述迭代训练后的基础模型满足预设训练完成条件,得到所述预设语义分割网络模型。
7.如权利要求2所述待侦测物体阴影面积重叠的检测方法,其特征在于,所述将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像的步骤,包括:
将所述目标外拓图像输入至预设语义分割网络模型中,以对所述目标外拓图像进行预设语义分割处理,得到目标阴影图像,确定所述目标阴影图像中与所述目标外拓图像的外拓矩形框相交的相交图像,对所述相交图像进行去除处理,得到第一处理图像;
获取第一预设阴影面积阈值,从所述第一处理图像中提取面积大于所述第一预设阴影面积阈值的图像,得到第二处理图像;
获取第二预设阴影面积阈值,从所述第二处理图像中提取面积大于所述二预设阴影面积阈值的图像,得到第三处理图像,从所述第三处理图像中提取与所述外接框图像的外接框相交的图像,得到每个待侦测物体的待侦测物体阴影面积。
8.如权利要求1所述待侦测物体阴影面积重叠的检测方法,其特征在于,所述确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠步骤之后,所述方法包括:
若所述目标阴影图像与其他阴影图像重叠,则获取重叠阴影图像;
根据所述重叠阴影图像,确定所述待侦测物体的阴影面积厚度。
9.一种待侦测物体阴影面积重叠的检测装置,其特征在于,所述待侦测物体阴影面积重叠的检测装置包括:
接收模块,用于接收遥感影像,获取所述遥感影像中待侦测物体的目标外拓图像;
第一获取模块,用于对所述目标外拓图像进行预设语义分割处理,得到所述待侦测物体的目标阴影图像;
确定模块,用于确定判断所述目标阴影图像中阴影面积重叠与否的重叠判定点,根据所述重叠判定点确定所述目标阴影图像是否与其他阴影图像重叠。
10.一种待侦测物体阴影面积重叠的检测设备,其特征在于,所述待侦测物体阴影面积重叠的检测设备包括:存储器、处理器以及存储在存储器上的用于实现所述待侦测物体阴影面积重叠的检测方法的程序,
所述存储器用于存储实现待侦测物体阴影面积重叠的检测方法的程序;
所述处理器用于执行实现所述待侦测物体阴影面积重叠的检测方法的程序,以实现如权利要求1至8中任一项所述待侦测物体阴影面积重叠的检测方法的步骤。
11.一种介质,其特征在于,所述介质上存储有实现待侦测物体阴影面积重叠的检测方法的程序,所述实现待侦测物体阴影面积重叠的检测方法的程序被处理器执行以实现如权利要求1至8中任一项所述待侦测物体阴影面积重叠的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010262597.2A CN111462098A (zh) | 2020-04-03 | 2020-04-03 | 待侦测物体阴影面积重叠的检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010262597.2A CN111462098A (zh) | 2020-04-03 | 2020-04-03 | 待侦测物体阴影面积重叠的检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111462098A true CN111462098A (zh) | 2020-07-28 |
Family
ID=71680546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010262597.2A Pending CN111462098A (zh) | 2020-04-03 | 2020-04-03 | 待侦测物体阴影面积重叠的检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462098A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915625A (zh) * | 2020-08-13 | 2020-11-10 | 湖南省有色地质勘查研究院 | 一种能量积分的遥感影像地形阴影自动检测方法和系统 |
CN112184639A (zh) * | 2020-09-15 | 2021-01-05 | 佛山(华南)新材料研究院 | 圆孔检测方法、装置、电子设备及存储介质 |
CN117575976A (zh) * | 2024-01-12 | 2024-02-20 | 腾讯科技(深圳)有限公司 | 图像阴影的处理方法、装置、设备及存储介质 |
-
2020
- 2020-04-03 CN CN202010262597.2A patent/CN111462098A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915625A (zh) * | 2020-08-13 | 2020-11-10 | 湖南省有色地质勘查研究院 | 一种能量积分的遥感影像地形阴影自动检测方法和系统 |
CN112184639A (zh) * | 2020-09-15 | 2021-01-05 | 佛山(华南)新材料研究院 | 圆孔检测方法、装置、电子设备及存储介质 |
CN112184639B (zh) * | 2020-09-15 | 2024-03-29 | 佛山(华南)新材料研究院 | 圆孔检测方法、装置、电子设备及存储介质 |
CN117575976A (zh) * | 2024-01-12 | 2024-02-20 | 腾讯科技(深圳)有限公司 | 图像阴影的处理方法、装置、设备及存储介质 |
CN117575976B (zh) * | 2024-01-12 | 2024-04-19 | 腾讯科技(深圳)有限公司 | 图像阴影的处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021196698A1 (zh) | 待侦测物体储量确定方法、装置、设备及介质 | |
CN108009543B (zh) | 一种车牌识别方法及装置 | |
US10719937B2 (en) | Automated detection and trimming of an ambiguous contour of a document in an image | |
Liasis et al. | Building extraction in satellite images using active contours and colour features | |
US10929648B2 (en) | Apparatus and method for data processing | |
CN111462098A (zh) | 待侦测物体阴影面积重叠的检测方法、装置、设备及介质 | |
WO2021051604A1 (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
AU2018379107A1 (en) | Computer vision systems and methods for geospatial property feature detection and extraction from digital images | |
US9384398B2 (en) | Method and apparatus for roof type classification and reconstruction based on two dimensional aerial images | |
WO2021147817A1 (zh) | 文本定位方法和系统以及文本定位模型训练方法和系统 | |
CN112308797B (zh) | 角点检测方法、装置、电子设备及可读存储介质 | |
WO2020125062A1 (zh) | 一种图像融合方法及相关装置 | |
CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
CN112396050B (zh) | 图像的处理方法、设备以及存储介质 | |
WO2022194079A1 (zh) | 天空区域分割方法、装置、计算机设备和存储介质 | |
CN112651953A (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
CN111462221A (zh) | 待侦测物体阴影面积提取方法、装置、设备及存储介质 | |
CN111178200B (zh) | 一种仪表盘指示灯的识别方法及计算设备 | |
US11270152B2 (en) | Method and apparatus for image detection, patterning control method | |
CN109785367B (zh) | 三维模型追踪中外点滤除方法和装置 | |
WO2022206679A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
WO2015151553A1 (ja) | 異動検出支援装置、異動検出支援方法、及びコンピュータ読み取り可能な記録媒体 | |
JP2005241886A (ja) | 地理画像間変化領域の抽出方法、地理画像間変化領域を抽出可能なプログラム、閉領域抽出方法及び閉領域抽出可能なプログラム | |
CN115937537A (zh) | 一种目标图像的智能识别方法、装置、设备及存储介质 | |
CN113343987B (zh) | 文本检测处理方法、装置、电子设备及存储介质 |
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 |