CN111489387B - 遥感图像建筑物面积计算方法 - Google Patents
遥感图像建筑物面积计算方法 Download PDFInfo
- Publication number
- CN111489387B CN111489387B CN202010273603.4A CN202010273603A CN111489387B CN 111489387 B CN111489387 B CN 111489387B CN 202010273603 A CN202010273603 A CN 202010273603A CN 111489387 B CN111489387 B CN 111489387B
- Authority
- CN
- China
- Prior art keywords
- building
- image
- contour
- remote sensing
- area
- 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
Links
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
Abstract
本发明公开了一种遥感图像建筑物面积计算方法,该方法包括:获取遥感数据图像数据集,划分开发集和测试集;搭建用于遥感图像建筑物特征提取的Unet网络模型,通过开发集中的数据拟合模型中的各个权重参数,得到高精度Unet网络;利用高精度Unet网络对测试集图像进行预测,得到二值化分割图像;利用opencv模块对二值化分割图像进行轮廓检测,并将轮廓画在对应的测试集图像上,计算各轮廓内建筑物的面积。本发明的遥感图像建筑物面积计算方法,通过搭建Unet网络来提高对遥感图像中建筑物识别的准确性、快速性;使用opencv模块绘制建筑物的外轮廓,计算每个轮廓内建筑物的面积,在统计某一区域建筑物的总面积时,不会忽略单体建筑物的影响,准确性较高。
Description
技术领域
本发明涉及遥感图像目标提取领域,尤其涉及一种遥感图像建筑物面积计算方法。
背景技术
遥感技术在我国国民经济建设、国家安全等方面都有着重要作用,各个行业对其都有着不同的需求。遥感技术在农业、林业、水资源、城市规划和重大工程建设等领域取得了良好的应用效果,有土地覆盖率检测、森林覆盖率检测、水体覆盖率检测、建筑物检测等,其中在建筑物检测中对建筑物面积的计算也是一热点问题,可用来做灾害评估,人口密集度估计。
现有技术在进行建筑物面积时,训练好神经网络模型,对遥感影像进行预测,得到的预测图像,进而统计图像中所有建筑物的像素点的个数,经过换算后得到的结果是某一区域建筑物的总面积,这样就忽略了单体建筑物的影响。
发明内容
为解决上述现有技术中存在的技术问题,本发明提供了一种遥感图像建筑物面积计算方法。具体技术方案如下:
一种遥感图像建筑物面积计算方法,所述方法包括:
S1,获取遥感数据图像数据集,对数据集进行预处理后,将遥感数据图像数据集中对建筑物进行标注的部分划分为开发集,未对建筑物进行标注的部分划分为测试集;
S2,搭建用于遥感图像建筑物特征提取的Unet网络模型,通过开发集中的数据拟合模型中的各个权重参数,得到高精度Unet网络;
S3,利用高精度Unet网络对测试集图像进行预测,得到二值化分割图像;
S4,利用opencv模块对二值化分割图像进行轮廓检测,并将轮廓画在对应测试集图像上,计算各轮廓内建筑物的面积。
在一种可能的设计中,步骤S1中,对数据集进行预处理,包括:对数据进行归一化处理;将开发集中的图片与其对应的标签进行同种方式的镜像、裁剪和增加噪声之后进行切割。
在一种可能的设计中,步骤S2中,将开发集按照9:1的比例划分为训练集和验证集,利用训练集中的数据获取高精度Unet网络,利用验证集中的数据验证高精度Unet网络的准确率。
在一种可能的设计中,步骤S2中,利用Tensorflow深度学习框架搭建Unet网络模型。
在一种可能的设计中,步骤S4中,利用opencv模块对二值化分割图像进行轮廓检测,并将轮廓画在对应的测试集图像上,计算各轮廓内各个建筑物的面积,包括:选取二值化分割图像进行建筑物轮廓检测,调用轮廓检测方法,记录轮廓的坐标信息,并将其画在对应的测试图像内;对于一张图像存在多个建筑物,每检测到一个建筑物轮廓就进行一次面积计算,并对检测到的轮廓编号。
在一种可能的设计中,根据轮廓内像素点的个数计算建筑物面积。
在一种可能的设计中,记录的每一个建筑物轮廓坐标个数加2作为第一次面积补偿。
在一种可能的设计中,根据轮廓内像素点的个数计算建筑物面积时,对计算结果加上(n+2)/2个像素点作为面积补偿。
在一种可能的设计中,步骤S4之后,将计算得到的面积值与实际面积值进行比较,得到面积计算误差。
本发明技术方案的主要优点如下:
本发明的遥感图像建筑物面积计算方法,通过搭建Unet网络来提高对遥感图像中建筑物识别的准确性、快速性;使用opencv模块绘制建筑物的外轮廓,计算每个轮廓内建筑物的面积,在统计某一区域建筑物的总面积时,不会忽略单体建筑物的影响,准确性较高。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一实施例提供的遥感图像建筑物面积计算方法的流程图;
图2为本发明一实施例提供的遥感图像建筑物面积计算方法中测试集图像;
图3为本发明一实施例提供的遥感图像建筑物面积计算方法中轮廓绘制图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做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。
以下结合附图,详细说明本发明实施例提供的技术方案。
本发明实施例提供了一种遥感图像建筑物面积计算方法,该方法包括:
S1,获取遥感数据图像数据集,对数据集进行预处理后,将遥感数据图像数据集中对建筑物进行标注的部分作为开发集,未对建筑物进行标注的部分作为测试集。
S2,搭建用于遥感图像建筑物特征提取的Unet网络模型,通过开发集中的数据拟合模型中的各个权重参数,得到高精度Unet网络。
S3,利用高精度Unet网络对测试集图像进行预测,得到二值化分割图像。
S4,利用opencv模块对二值化分割图像进行轮廓检测,并将轮廓画在对应测试集图像上,计算各轮廓内建筑物的面积。
本发明实施例提供的遥感图像建筑物面积计算方法,通过搭建Unet网络来提高对遥感图像中建筑物识别的准确性、快速性;使用opencv模块绘制建筑物的外轮廓,计算每个轮廓内建筑物的面积,在统计某一区域建筑物的总面积时,不会忽略单体建筑物的影响,准确性较高。
具体地,以下结合具体实施例,对本发明的遥感图像建筑物面积计算方法进行详细阐述:
S101,该实施例中所用的数据集来自Inria数据库中的Inria Aerial ImageLabeling Dataset,已对建筑物进行标注的部分作为开发集,未对建筑物进行标注的部分作为测试集。为了无偏评估算法的运行状况,开发集和测试集应来自同一分布。进一步地,这里选择9:1的比例将开发集划分为训练集、验证集,便于后续对训练出的模型进行验证。
S102,为了便于训练,加快模型的收敛,对开发集中的原图进行数据归一化,采用离差标准化处理,即为
S103,数据集中图片大小为5000*5000*3,训练集中的每张图片都有各自对应的标签,为了便于训练,将训练集中的图片与其对应的标签进行同种方式的镜像、裁剪、增加噪声等操作,共切割成64000张256*256*3大小的图片作为开发集。
S201,使用Tensorflow深度学习框架来搭建Unet网络,用于遥感图像建筑物特征提取。Unet网络中,所有的卷积核大小均为3*3,为了防止输入与输出的图片的大小不一致,采用padding=same的操作,保证经过一次卷积之后图片的高度和宽度不发生变化。
S202,使用S103中处理好的数据去训练Unet网络,一共训练15个epoch,训练过程中采用Adam优化算法,learning rate设为0.001,损失函数采用二元交叉熵损失函数,并采用pixcal-accuracy评估方式对训练集和验证集的输出结果进行评估。最终在训练集上的准确率达到96.11%,验证集上的准确率达到95.81%,并将模型进行保存。
S301,将测试集中的图片送入到模型中进行测试,得到二值化分割建筑物图像,0代表为背景,1代表为建筑物。
S401,轮廓的优化。凡是一个建筑物,必定占有一定的面积,但是预测结果中也许会出现一些误差,为了消除这些误差,去除那些面积太小的区域,首先对结果进行轮廓检测,然后可以获得轮廓的几何矩,通过几何矩找到轮廓的重心坐标,对于那些面积较小的区域,通过泛洪填充将那一块区域填充为背景。
S402,用优化的结果采用opencv中的轮廓检测函数检测出二值图像中的轮廓信息,并得到各个轮廓信息的几何矩以及重心区域,将建筑物的序号索引以标注在对应测试集图像上,绘制出建筑物轮廓。
S403,对于一张图像存在多个建筑物,每检测到一个建筑物轮廓就进行一次面积计算,并对检测到的轮廓编号,用于区分各个建筑物的面积值。
面积计算的实质是统计轮廓内像素点的个数,然后换算为建筑物实际的面积。记录的每一个建筑物轮廓坐标个数(记为n)均与轮廓的实际长度相差2个像素点,一实施例中对建筑物轮廓坐标个数加2作为第一次面积补偿。
对计算的面积加上(n+2)/2个像素点作为最终的面积补偿,所以实际计算面积:
通过上步骤得到的面积值与真实面积值相比较,得到面积计算误差。
综上所述,本发明一实施例提供的遥感图像建筑物面积计算方法的流程图如附图1所示。
在一实施例中,采用本发明的遥感图像建筑物面积计算方法进行面积计算时,测试集图像与轮廓绘制图如附图2和附图3所示(可以理解的是,该图仅用于作为示例展示本发明的应用,不对技术方案构成实质影响,不应以说明书附图的要求进行严格限制)。
面积计算值如下表所示(单位,mm2)。
Building | Area8 | Area9 | Area10 | area11 | area12 | ||
Area | 90.72 | 127.44 | 155.61 | 40.5 | 21.6 |
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备所固有的要素。此外,本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是:以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (5)
1.一种遥感图像建筑物面积计算方法,其特征在于,所述方法包括:
S1,获取遥感数据图像数据集,对数据集进行预处理后,将遥感数据图像数据集中对建筑物进行标注的部分划分为开发集,未对建筑物进行标注的部分划分为测试集;
S2,搭建用于遥感图像建筑物特征提取的Unet网络模型,通过开发集中的数据拟合模型中的各个权重参数,得到高精度Unet网络;
S3,利用高精度Unet网络对测试集图像进行预测,得到二值化分割图像;
S4,利用opencv模块对二值化分割图像进行轮廓检测,并将轮廓画在对应的测试集图像上,计算各轮廓内建筑物的面积;
利用opencv模块对二值化分割图像进行轮廓检测,并将轮廓画在对应测试集图像上,计算各轮廓内各个建筑物的面积,包括:
选取二值化分割图像进行建筑物轮廓检测,调用轮廓检测方法,记录轮廓的坐标信息,并将其画在对应测试集图像上;
对于一张图像存在多个建筑物,每检测到一个建筑物轮廓就进行一次面积计算,并对检测到的轮廓编号;
根据轮廓内像素点的个数计算建筑物面积,根据轮廓内像素点的个数计算建筑物面积时,加上(n+2)/2个像素点作为面积补偿,n表示建筑物轮廓像素点个数。
2.根据权利要求1所述的遥感图像建筑物面积计算方法,其特征在于,步骤S1中,对数据集进行预处理,包括:
对数据进行归一化处理;
将开发集中的图片与其对应的标签进行同种方式的镜像、裁剪和增加噪声之后进行切割。
3.根据权利要求2所述的遥感图像建筑物面积计算方法,其特征在于,步骤S2中,将开发集按照9:1的比例划分为训练集和验证集,利用训练集中的数据获取高精度Unet网络,利用验证集中的数据验证Unet网络的准确率。
4.根据权利要求1所述的遥感图像建筑物面积计算方法,其特征在于,步骤S2中,利用Tensorflow深度学习框架搭建Unet网络模型。
5.根据权利要求1-4任一项所述的遥感图像建筑物面积计算方法,其特征在于,步骤S4之后,将计算得到的面积值与实际面积值进行比较,得到面积计算误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010273603.4A CN111489387B (zh) | 2020-04-09 | 2020-04-09 | 遥感图像建筑物面积计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010273603.4A CN111489387B (zh) | 2020-04-09 | 2020-04-09 | 遥感图像建筑物面积计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489387A CN111489387A (zh) | 2020-08-04 |
CN111489387B true CN111489387B (zh) | 2023-10-20 |
Family
ID=71811820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010273603.4A Active CN111489387B (zh) | 2020-04-09 | 2020-04-09 | 遥感图像建筑物面积计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489387B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200029B (zh) * | 2020-09-27 | 2022-03-25 | 电子科技大学 | 基于改进型UNet++网络的遥感图像建筑物提取方法 |
CN112634349A (zh) * | 2020-12-22 | 2021-04-09 | 福建省星云大数据应用服务有限公司 | 一种基于遥感影像的茶园面积估计方法及系统 |
CN113449594B (zh) * | 2021-05-25 | 2022-11-11 | 湖南省国土资源规划院 | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008242508A (ja) * | 2007-03-23 | 2008-10-09 | Nec System Technologies Ltd | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム |
CN107527351A (zh) * | 2017-08-31 | 2017-12-29 | 华南农业大学 | 一种融合fcn和阈值分割的哺乳母猪图像分割方法 |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
CN109712153A (zh) * | 2018-12-25 | 2019-05-03 | 杭州世平信息科技有限公司 | 一种遥感图像城区超像素分割方法 |
CN109903304A (zh) * | 2019-02-25 | 2019-06-18 | 武汉大学 | 一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法 |
CN110675408A (zh) * | 2019-09-19 | 2020-01-10 | 成都数之联科技有限公司 | 基于深度学习的高分辨率影像建筑物提取方法及系统 |
CN110889449A (zh) * | 2019-11-27 | 2020-03-17 | 中国人民解放军国防科技大学 | 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10115194B2 (en) * | 2015-04-06 | 2018-10-30 | IDx, LLC | Systems and methods for feature detection in retinal images |
US9589210B1 (en) * | 2015-08-26 | 2017-03-07 | Digitalglobe, Inc. | Broad area geospatial object detection using autogenerated deep learning models |
-
2020
- 2020-04-09 CN CN202010273603.4A patent/CN111489387B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008242508A (ja) * | 2007-03-23 | 2008-10-09 | Nec System Technologies Ltd | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
CN107527351A (zh) * | 2017-08-31 | 2017-12-29 | 华南农业大学 | 一种融合fcn和阈值分割的哺乳母猪图像分割方法 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
CN109712153A (zh) * | 2018-12-25 | 2019-05-03 | 杭州世平信息科技有限公司 | 一种遥感图像城区超像素分割方法 |
CN109903304A (zh) * | 2019-02-25 | 2019-06-18 | 武汉大学 | 一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法 |
CN110675408A (zh) * | 2019-09-19 | 2020-01-10 | 成都数之联科技有限公司 | 基于深度学习的高分辨率影像建筑物提取方法及系统 |
CN110889449A (zh) * | 2019-11-27 | 2020-03-17 | 中国人民解放军国防科技大学 | 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111489387A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489387B (zh) | 遥感图像建筑物面积计算方法 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
CN112101328A (zh) | 一种深度学习中识别并处理标签噪声的方法 | |
CN113837151B (zh) | 表格图像处理方法、装置、计算机设备及可读存储介质 | |
CN111640130A (zh) | 表格还原方法及装置 | |
CN109242883B (zh) | 基于深度sr-kcf滤波的光学遥感视频目标跟踪方法 | |
CN110490190B (zh) | 一种结构化图像文字识别方法及系统 | |
CN110189341B (zh) | 一种图像分割模型训练的方法、图像分割的方法及装置 | |
CN109886978B (zh) | 一种基于深度学习的端到端告警信息识别方法 | |
CN111461101A (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
CN112036295A (zh) | 票据图像处理方法、装置、存储介质及电子设备 | |
CN112364974A (zh) | 一种基于激活函数改进的YOLOv3算法 | |
CN105786957A (zh) | 一种基于单元格邻接关系与深度优先遍历的表格排序方法 | |
CN111914706B (zh) | 一种文字检测输出结果质量检测和控制的方法与装置 | |
CN109919626B (zh) | 一种高风险银行卡的识别方法及装置 | |
Huang et al. | Robust fundamental matrix estimation with accurate outlier detection | |
CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
CN114240928B (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
CN112199984B (zh) | 一种大尺度遥感图像的目标快速检测方法 | |
WO2021184178A1 (zh) | 标注方法和装置 | |
CN106778048A (zh) | 数据处理的方法及装置 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN112491999A (zh) | 一种数据上报方法及装置 | |
CN116612474B (zh) | 对象检测方法、装置、计算机设备及计算机可读存储介质 | |
CN114708230B (zh) | 基于图像分析的车架质量检测方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |