CN111523459A - 遥感影像裸地识别方法、装置、电子设备及存储介质 - Google Patents

遥感影像裸地识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111523459A
CN111523459A CN202010323916.6A CN202010323916A CN111523459A CN 111523459 A CN111523459 A CN 111523459A CN 202010323916 A CN202010323916 A CN 202010323916A CN 111523459 A CN111523459 A CN 111523459A
Authority
CN
China
Prior art keywords
image
remote sensing
convolution
layer
images
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
Application number
CN202010323916.6A
Other languages
English (en)
Other versions
CN111523459B (zh
Inventor
孙增怡
安刚
张海忠
秦东明
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.)
3Clear Technology Co Ltd
Original Assignee
3Clear 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 3Clear Technology Co Ltd filed Critical 3Clear Technology Co Ltd
Priority to CN202010323916.6A priority Critical patent/CN111523459B/zh
Publication of CN111523459A publication Critical patent/CN111523459A/zh
Application granted granted Critical
Publication of CN111523459B publication Critical patent/CN111523459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/13Satellite images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation 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
    • G06V10/267Segmentation 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 by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种遥感影像裸地识别方法、装置、电子设备及存储介质,该方法包括:创建编码‑解码网络结构;获取包括遥感切片图像及对应的标记切片图像的训练集;通过训练集训练编码‑解码网络结构得到编码‑解码结构模型;获取待识别的遥感图像;将遥感图像划分为多个遥感切片图像;通过编码‑解码结构模型识别多个遥感切片图像,分别得到每个遥感切片图像对应的识别图像;拼接每个识别图像得到遥感图像对应的预测结果图像。本申请将编码器‑解码器结构用于裸地识别,通过大量遥感图像及对应的标记了裸地的单通道灰度图像训练编码‑解码结构模型,通过该模型能快速识别出遥感图像中的裸地,节省大量的人力和时间,裸地识别的准确率和效率都很高。

Description

遥感影像裸地识别方法、装置、电子设备及存储介质
技术领域
本申请属于图像处理技术领域,具体涉及一种遥感影像裸地识别方法、装置、电子设备及存储介质。
背景技术
遥感影像是通过卫星上的传感器对地球进行特定电磁波谱段的成像。对遥感影像进行目标识别处理,对于气象、环境保护、土地利用、城市规划等各种领域具有重要意义。如识别遥感影像中的裸地对城市景观美化、土地可持续利用、大气环境保护等相关管理决策均具有重要意义。
目前相关技术中通常采用面向对象的影像分类方法来识别遥感影像中的裸地目标,首先根据裸地目标的类别,设计好分类策略和步骤。具体步骤为:选取合适的影像对象分割方法;设置合适的影像分割参数形成影像对象;建立分类规则进行基于知识的分类或选取样本进行监督分类;最终输出分类结果。
但每次进行裸地识别都需要设计适用的处理步骤,操作复杂,处理效率低,且每次裸地识别效果不一致,识别准确性低。
发明内容
本申请提出一种遥感影像裸地识别方法、装置、电子设备及存储介质,将编码器-解码器结构用于遥感影像中的裸地目标识别,通过编码-解码结构模型能快速的识别出遥感图像中包含的需识别的裸地目标,能够节省大量的人力和时间,裸地目标识别的准确率和效率都很高。
本申请第一方面实施例提出了一种遥感影像裸地识别方法,所述方法包括;
将深度可分离卷积层、批标准化层和激活层串联,得到第一卷积组合层;将第一预设数目个第一卷积组合层串联得到卷积单元;将第二预设数目个卷积单元串联,并将任意一个卷积单元的输出与下一个卷积单元并联,得到串行网络模块;将第三预设数目个第一卷积层、第四预设数目个空洞卷积层和所述第三预设数目个全局平均池化层并联,得到并行网络模块;将所述串行网络模块和所述并行网络模块串联,得到编码器;将第二卷积层、第一上采样层、拼接层、第二卷积组合层和第二上采样层串联,得到解码器;将所述编码器和所述解码器串联,得到编码-解码网络结构;
获取训练集,所述训练集中包括多个图像组,所述图像组中包括遥感切片图像及其对应的标记切片图像;
通过所述训练集对所述编码-解码网络结构进行训练,获得训练好的编码-解码结构模型;
获取待识别的遥感图像;
将所述遥感图像划分为多个遥感切片图像;
通过预先训练的编码-解码结构模型对所述多个遥感切片图像进行识别处理,分别得到每个遥感切片图像对应的识别图像;
对每个遥感切片图像对应的识别图像进行拼接,得到所述遥感图像对应的预测结果图像。
在本申请的一些实施例中,所述将所述遥感图像划分为多个遥感切片图像,包括:
以预设网格尺寸为切割窗口,以预设数目个像素的宽度为所述切割窗口的移动步长,所述移动步长小于或等于所述切割窗口的宽度;
根据所述移动步长,通过所述切割窗口按照预设切割顺序对所述遥感图像进行网格切片,得到多个遥感切片图像。
在本申请的一些实施例中,所述对每个遥感切片图像对应的识别图像进行拼接,得到所述遥感图像对应的预测结果图像,包括:
根据每个遥感切片图像对应的切割顺序信息,确定每个遥感切片图像对应的识别图像的拼接顺序;
按照每个识别图像的拼接顺序,将所述每个识别图像拼接成所述遥感图像对应的预测结果图像。
在本申请的一些实施例中,所述按照每个识别图像的拼接顺序,将所述每个识别图像拼接成所述遥感图像对应的预测结果图像,包括:
按照每个识别图像的拼接顺序,将拼接顺序相邻的任意两个识别图像的重合区域中坐标相同的像素点的像素值相加,得到拼接图像;
将所述拼接图像中大于零的像素值均重置为预设目标值;
对所述拼接图像中存在的空洞位置进行像素填充;
将所述拼接图像中满足预设碎片条件的像素点的像素值重置为预设背景值;
对所述拼接图像进行中值滤波平滑处理,得到所述遥感图像对应的预测结果图像。
在本申请的一些实施例中,所述获取训练集,包括:
获取预设数目的遥感图像;
标记所述遥感图像中的裸地目标,记录所述裸地目标的位置信息及所述裸地目标所属的类别信息;
根据所述裸地目标对应的位置信息和类别信息,将所述遥感图像转换为标记图像;
按照预设切割顺序,对所述遥感图像及所述标记图像进行网格切片,得到多个遥感切片图像及每个遥感切片图像对应的标记切片图像;
将遥感切片图像及其对应的标记切片图像组成图像组,将得到的多个图像组构成训练集。
在本申请的一些实施例中,所述第一预设数目为3,所述第二预设数目为22,所述第三预设数目为1,第四预设数目为3;所述深度可分离卷积层中的卷积核大小为3×3,步长为1,边距为1;所述第四预设数目个空洞卷积层中每层的卷积核大小为3×3,步长为1,卷积核个数均为256,每个空洞卷积层的采样率分别为6、12、18;所述第二卷积层的卷积核大小为1×1;第一上采样层和第二上采样层的倍数均为4;所述第二卷积组合层由一个3×3的卷积层,一个批标准化层和一个激活层串联组成。
本申请第二方面的实施例提供了一种遥感影像裸地识别装置,所述装置包括;
编码-解码网络结构的创建模块,用于将深度可分离卷积层、批标准化层和激活层串联,得到第一卷积组合层;将第一预设数目个第一卷积组合层串联得到卷积单元;将第二预设数目个卷积单元串联,并将任意一个卷积单元的输出与下一个卷积单元并联,得到串行网络模块;将第三预设数目个第一卷积层、第四预设数目个空洞卷积层和所述第三预设数目个全局平均池化层并联,得到并行网络模块;将所述串行网络模块和所述并行网络模块串联,得到编码器;将第二卷积层、第一上采样层、拼接层、第二卷积组合层和第二上采样层串联,得到解码器;将所述编码器和所述解码器串联,得到编码-解码网络结构;
训练集获取模块,用于获取训练集,所述训练集中包括多个图像组,所述图像组中包括遥感切片图像及其对应的标记切片图像;
模型训练模块,用于通过所述训练集对所述编码-解码网络结构进行训练,获得训练好的编码-解码结构模型;
遥感图像获取模块,用于获取待识别的遥感图像;
划分模块,用于将所述遥感图像划分为多个切片图像;
识别模块,用于通过预先训练的编码-解码结构模型对所述多个切片图像进行识别处理,分别得到每个切片图像对应的识别图像;
拼接模块,用于对每个切片图像对应的识别图像进行拼接,得到所述遥感图像对应的预测结果图像。
本申请第三方面的实施例提供了一种电子设备,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,所述处理器运行所述计算机程序以实现上述第一方面所述的方法。
本申请第四方面的实施例提供了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实现上述第一方面所述的方法。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本申请实施例将编码器-解码器结构用于遥感影像中的裸地识别,能够节省大量的人力和时间,裸地目标识别的准确率很高,且效率也很高。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变的明显,或通过本申请的实践了解到。
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,而并不认为是对本申请的限制。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示出了本申请一实施例所提供的一种遥感影像裸地识别方法的流程图;
图2示出了本申请一实施例所提供的一种遥感影像裸地识别装置的结构示意图;
图3示出了本申请一实施例所提供的一种电子设备的结构示意图;
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面结合附图来描述根据本申请实施例提出的一种遥感影像裸地识别方法、装置、电子设备及存储介质。
本申请实施例提供了一种遥感影像裸地识别方法,将编码器-解码器结构用于遥感图像中的裸地目标识别,只需要将遥感图像划分成一定尺寸的遥感切片图像,将遥感切片图像输入编码-解码结构模型中即可识别出该遥感图像中的裸地目标。通过编码-解码结构模型来识别遥感图像中的裸地目标,能够节省大量的人力和时间,准确率和效率都很高。
参见图1,该方法具体包括以下步骤:
步骤101:将深度可分离卷积层、批标准化层和激活层串联,得到第一卷积组合层;将第一预设数目个第一卷积组合层串联得到卷积单元;将第二预设数目个卷积单元串联,并将任意一个卷积单元的输出与下一个卷积单元并联,得到串行网络模块。
其中,串行网络模块中包括串联的第二预设数目个卷积单元,且任意一个卷积单元的输出与下一个卷积单元并联,第二预设数目可以为22。卷积单元由第一预设数目个第一卷积组合层串联而成,第一预设数目可以为3。
第一卷积组合层由深度可分离卷积层、批标准化层和激活层串联而成,深度可分离卷积层中的卷积核大小可以为3×3,步长可以为1,边距可以为1。激活层可以采用ReLU(Rectified Linear Unit,线性整流函数)函数。
步骤102:将第三预设数目个第一卷积层、第四预设数目个空洞卷积层和第三预设数目个全局平均池化层并联,得到并行网络模块;将串行网络模块和并行网络模块串联,得到编码器。
其中,第三预设数目可以为1,第四预设数目可以为3。第四预设数目个空洞卷积层中每层的卷积核大小为可以3×3,步长可以为1,卷积核个数均为256。若第四预设数目为3,则3个空洞卷积层的采样率可以分别为6、12、18。
编码器包括串行网络模块和并行网络模块,串行网络模块的输出作为并行网络模块的输入。
步骤103:将第二卷积层、第一上采样层、拼接层、第二卷积组合层和第二上采样层串联,得到解码器。
其中,第二卷积层的卷积核大小可以为1×1,第一上采样层和第二上采样层的倍数可以均为4。第二卷积组合层可以由一个3×3的卷积层,一个批标准化层和一个激活层串联组成。
步骤104:将编码器和解码器串联,得到编码-解码网络结构。
上述编码-解码网络结构包括编码器和解码器,编码器的输出作为解码器的输入。
通过上述步骤101-104的操作创建出编码-解码网络结构之后,通过如下步骤105和106的操作来训练编码-解码结构模型。
步骤105:获取训练集,该训练集中包括多个图像组,图像组中包括遥感切片图像及其对应的标记切片图像。
具体地,从卫星、航天飞机等航空设备获取预设数目的遥感图像,预设数目可以为10000或30000等。获取大量的遥感图像之后,利用图像标注工具用多边形描边的形式标记遥感图像中的裸地目标,记录裸地目标的位置信息及裸地目标所属的类别信息。裸地目标的位置信息包括圈住裸地目标的多边形的顶点坐标。
根据裸地目标对应的位置信息和类别信息,将遥感图像转换为标记图像。具体地,将裸地目标对应的位置信息处属于该裸地目标的所有像素点的像素值重置为预设目标值,将其他不属于该裸地目标的像素点的像素值重置为预设背景值,得到该遥感图像对应的标记图像。其中,预设目标值可以为255,预设背景值为0,即裸地目标是白色的,背景是黑色的。遥感图像为RGB(RGB color mode)彩色图像,其对应的标记图像为单通道的灰度图像,即黑白图像。
通过上述方式得到遥感图像对应的标记图像后,按照预设切割顺序,对遥感图像及标记图像进行网格切片,得到多个遥感切片图像及每个遥感切片图像对应的标记切片图像。其中,预设切割顺序可以为从左到右从上到下或从右到左从上到下等。本申请实施例以预设网格尺寸为切割窗口,以预设数目个像素的宽度为切割窗口的移动步长。将切割窗口按照预设切割顺序以上述移动步长在遥感图像上进行移动,以对遥感图像进行网格切片,得到多个遥感切片图像。同样地,将切割窗口按照预设切割顺序以上述移动步长在标记图像上进行移动,以对标记图像进行网格切片,得到多个标记切片图像。
上述预设网格尺寸为N×N,N表示像素个数,N可以为大于1的自然数。上述预设数目可以为大于1的自然数。上述移动步长可以与切割窗口的宽度相等,以将遥感图像均匀地切割为多个不存在重合区域的遥感切片图像,通过能够将标记图像均匀地切割为多个不存在重合区域的标记切片图像。或者,该移动步长还可以小于切割窗口的宽度,以使切割出的多个遥感切片图像中任意相邻的两个遥感切片图像之间存在重合区域,重合区域的宽度为预设数目个像素的宽度。同样地,可以使切割出的多个标记切片图像中任意相邻的两个标记切片图像之间存在宽度为预设数目个像素的重合区域。
本申请实施例中标记遥感图像中的裸地目标之前,也可以先将遥感图像切分成多个一定尺寸的图块,如将遥感图像切分成多个4600×8000大小的图块,图块中每一行有4600个像素,每一列有8000个像素。然后按照上述方式标记出每个图块中的裸地目标,并转换得到每个图块对应的标记图块。然后再按照上述方式对每个图块及每个图块对应的标记图块进行网格切片,得到多个遥感切片图像和每个遥感切片图像对应的标记切片图像。
通过上述任意方式将遥感图像切分为多个遥感切片图像,以及将该遥感图像对应的标记图像切分为多个标记切片图像之后,将每个遥感切片图像及每个遥感切片图像对应的标记切片图像分别组成图像组。本申请实施例中可以直接将上述得到的所有图像组构成训练集。
上述得到的图像组中,有的图像组包括的遥感切片图像及其对应的标记切片图像中包括需要识别的裸地目标,有的图像组包括的遥感切片图像及其对应的标记切片图像中不包括需要识别的裸地目标。
在本申请实施例中,对于包括需要识别的裸地目标的图像组,还可以对含有需要识别的裸地目标的遥感切片图像及其对应标记切片图像进行同步的图像旋转、镜像反转、平移变换、尺度变换等数据增广操作,从而大大增加获得的图像组的数量,以获得足够多的图像组来训练编码-解码结构模型。
对于不包括需要识别的地物标的图像组,从这些图像组中随机选取部分图像组,将选取的部分图像组和上述数据增广操作后所有包含需要识别的地物标的图像组混合,并充分打乱排列顺序,构成训练集。
本申请实施例还可以将上述得到的多个图像组中的90%划分为训练和验证集,将剩余的10%划分为测试集。再将训练和验证集中的90%划分为训练集,将剩余的10%划分为验证集。
步骤106:通过训练集对编码-解码网络结构进行训练,获得训练好的编码-解码结构模型。
通过上述步骤101-104的操作创建出编码-解码网络结构之后,从训练集中每次随机选取一定数目的图像组,每个图像组中均包括遥感切片图像及其对应的标记切片图像,将选取的图像组输入至编码-解码网络结构中进行训练学习,经过大量反复学习训练即可得到训练好的编码-解码结构模型。编码-解码结构模型能够接收大小为N×N的彩色的遥感切片图像作为输入,输出则为N×N大小的单通道灰度图像作为分割预测结果,该单通道灰度图像即为输入的遥感切片图像对应的识别图像。
通过训练集训练得到编码-解码结构模型之后,还可以将验证集输入训练得到的编码-解码结构模型中进行验证,以对编码-解码结构模型进行参数调整。
通过上述步骤101-106的操作训练出编码-解码结构模型之后,通过如下步骤107-110的操作来进行裸地目标的识别。
步骤107:获取待识别的遥感图像。
从卫星、航天飞机等航空设备获取待识别的遥感图像。
步骤108:将遥感图像划分为多个遥感切片图像。
以预设网格尺寸为切割窗口,以预设数目个像素的宽度为切割窗口的移动步长,移动步长小于或等于切割窗口的宽度。将切割窗口按照预设切割顺序以上述移动步长在遥感图像上进行移动,以对遥感图像进行网格切片,得到多个遥感切片图像。
其中,预设网格尺寸为N×N,N可以为大于1的自然数。上述预设数目可以为大于1的自然数。预设切割顺序可以为从左到右从上到下或从右到左从上到下等。
本申请实施例还记录对该遥感图像进行划分的预设切割顺序、以及划分得到的每个遥感切片图像的切割序号。
步骤109:通过预先训练的编码-解码结构模型对多个遥感切片图像进行识别处理,分别得到每个遥感切片图像对应的识别图像。
从步骤108得到的多个遥感切片图像中每次选取一定数量的遥感切片图像,将选取的遥感切片图像输入编码-解码结构模型中,编码-解码结构模型对选取的遥感切片图像进行预测分析,分别输出每个遥感切片图像对应的识别图像。按照该方式将该遥感图像切分得到的每个遥感切片图像,都通过遥感切片图像进行预测分析,得到该遥感图像包括的每个遥感切片图像对应的识别图像。
步骤110:对每个遥感切片图像对应的识别图像进行拼接,得到遥感图像对应的预测结果图像。
根据每个遥感切片图像对应的切割顺序信息,确定每个遥感切片图像对应的识别图像的拼接顺序;按照每个识别图像的拼接顺序,将每个识别图像拼接成遥感图像对应的预测结果图像。其中,切割顺序信息包括步骤108中记录预设切割顺序及遥感切片图像对应的切割序号。
若步骤108中对遥感图像进行切分时,移动步长等于切割窗口的宽度,即切割出的多个遥感切片图像中任意相邻的两个遥感切片图像中不存在重合区域。则在本步骤中,根据每个识别图像的拼接顺序,直接将相邻的识别图像的边缘拼接起来得到拼接图像。
若步骤108中对遥感图像进行切分时,移动步长小于切割窗口的宽度,即切割出的多个遥感切片图像中任意相邻的两个遥感切片图像中存在重合区域。则在本步骤中,按照每个识别图像的拼接顺序,将拼接顺序相邻的任意两个识别图像的重合区域中坐标相同的像素点的像素值相加,得到拼接图像。
本申请实施例中可以直接将上述拼接图像确定为遥感图像对应的预测结果图像。也可以通过下述各操作对拼接图像进行各种优化处理,从而得到遥感图像对应的预测结果图像。
通过上述方式得到拼接图像后,拼接图像中可能存在一些像素点的像素值大于0但小于255,将拼接图像中大于零的像素值均重置为预设目标值,预设目标值可以为255。
拼接图像中在两个识别图像拼接的临界位置可能会出现一些像素点缺失的空洞位置,因此本申请实施例还对拼接图像中存在的空洞位置进行像素填充。具体可以查看空洞位置周围相邻的像素点的像素值,在空洞位置处填充与周围相邻的像素点的像素值相同的像素点。
拼接图像中还可能存在一些零散出现的被识别为裸地目标的像素点,因此本申请实施例中还设置了预设碎片条件,该预设碎片条件规定若像素值为预设目标值的像素点组成的连续区域中像素点的数目小于预设数值,则该连续区域为误判的碎片区域。本申请实施例检测拼接图像中每个像素值为预设目标值的像素点组成的连续区域是否满足上述预设碎片条件,将拼接图像中满足预设碎片条件的连续区域中的像素点的像素值重置为预设背景值。
拼接图像的边缘位置还可能存在一些锯齿状的褶皱等缺陷,因此本申请实施例还对拼接图像进行中值滤波平滑处理,从而得到遥感图像对应的预测结果图像。
本申请实施例除了可以用于识别遥感影像中的裸地目标,还可应用于识别河流、城市、山脉等其他地物目标,只需要通过标记了需要识别的地物目标的遥感图像及标记图像训练好编码-解码结构模型,即可利用该模型来进行快速的识别地物目标。
本申请实施例提出一种基于编码-解码结构的遥感图像语义分割方案,能够对遥感图像进行高效准确的语义分割识别出裸地目标。将编码器-解码器结构用于遥感影像中的裸地识别,能够节省大量的人力和时间,裸地目标识别的准确率很高,且效率也很高。
本申请实施例提供了一种遥感影像裸地识别装置,该装置用于执行上述实施例所述的遥感影像裸地识别方法,如图2所示,该装置包括;
编码-解码网络结构的创建模块301,用于将深度可分离卷积层、批标准化层和激活层串联,得到第一卷积组合层;将第一预设数目个第一卷积组合层串联得到卷积单元;将第二预设数目个卷积单元串联,并将任意一个卷积单元的输出与下一个卷积单元并联,得到串行网络模块;将第三预设数目个第一卷积层、第四预设数目个空洞卷积层和第三预设数目个全局平均池化层并联,得到并行网络模块;将串行网络模块和并行网络模块串联,得到编码器;将第二卷积层、第一上采样层、拼接层、第二卷积组合层和第二上采样层串联,得到解码器;将编码器和解码器串联,得到编码-解码网络结构;
训练集获取模块302,用于获取训练集,训练集中包括多个图像组,图像组中包括遥感切片图像及其对应的标记切片图像;
模型训练模块303,用于通过训练集对编码-解码网络结构进行训练,获得训练好的编码-解码结构模型;
遥感图像获取模块304,用于获取待识别的遥感图像;
划分模块305,用于将遥感图像划分为多个切片图像;
识别模块306,用于通过预先训练的编码-解码结构模型对多个切片图像进行识别处理,分别得到每个切片图像对应的识别图像;
拼接模块307,用于对每个切片图像对应的识别图像进行拼接,得到遥感图像对应的预测结果图像。
上述划分模块305,用于以预设网格尺寸为切割窗口,以预设数目个像素的宽度为切割窗口的移动步长,移动步长小于或等于切割窗口的宽度;根据移动步长,通过切割窗口按照预设切割顺序对遥感图像进行网格切片,得到多个遥感切片图像。
上述拼接模块307包括:
确定单元,用于根据每个遥感切片图像对应的切割顺序信息,确定每个遥感切片图像对应的识别图像的拼接顺序;
拼接单元,用于按照每个识别图像的拼接顺序,将每个识别图像拼接成遥感图像对应的预测结果图像。
上述拼接单元,用于按照每个识别图像的拼接顺序,将拼接顺序相邻的任意两个识别图像的重合区域中坐标相同的像素点的像素值相加,得到拼接图像;将拼接图像中大于零的像素值均重置为预设目标值;对拼接图像中存在的空洞位置进行像素填充;将拼接图像中满足预设碎片条件的像素点的像素值重置为预设背景值;对拼接图像进行中值滤波平滑处理,得到遥感图像对应的预测结果图像。
上述模型训练模块,用于获取预设数目的遥感图像;标记遥感图像中的裸地目标,记录裸地目标的位置信息及裸地目标所属的类别信息;根据裸地目标对应的位置信息和类别信息,将遥感图像转换为标记图像;按照预设切割顺序,对遥感图像及标记图像进行网格切片,得到多个遥感切片图像及每个遥感切片图像对应的标记切片图像;将遥感切片图像及其对应的标记切片图像组成图像组,将得到的多个图像组构成训练集。
在编码-解码网络结构的创建模块301中,第一预设数目为3,第二预设数目为22,第三预设数目为1,第四预设数目为3;深度可分离卷积层中的卷积核大小为3×3,步长为1,边距为1;第四预设数目个空洞卷积层中每层的卷积核大小为3×3,步长为1,卷积核个数均为256,每个空洞卷积层的采样率分别为6、12、18。第二卷积层的卷积核大小为1×1;第一上采样层和第二上采样层的倍数均为4;第二卷积组合层由一个3×3的卷积层,一个批标准化层和一个激活层串联组成。
本申请的上述实施例提供的遥感影像裸地识别装置与本申请实施例提供的遥感影像裸地识别方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的遥感影像裸地识别方法对应的电子设备,以执行上遥感影像裸地识别方法。本申请实施例不做限定。
请参考图3,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图3所示,所述电子设备2包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的遥感影像裸地识别方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述遥感影像裸地识别方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的遥感影像裸地识别方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的遥感影像裸地识别方法对应的计算机可读存储介质,请参考图4,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的遥感影像裸地识别方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,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)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的遥感影像裸地识别方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种遥感影像裸地识别方法,其特征在于,所述方法包括;
将深度可分离卷积层、批标准化层和激活层串联,得到第一卷积组合层;将第一预设数目个第一卷积组合层串联得到卷积单元;将第二预设数目个卷积单元串联,并将任意一个卷积单元的输出与下一个卷积单元并联,得到串行网络模块;将第三预设数目个第一卷积层、第四预设数目个空洞卷积层和所述第三预设数目个全局平均池化层并联,得到并行网络模块;将所述串行网络模块和所述并行网络模块串联,得到编码器;将第二卷积层、第一上采样层、拼接层、第二卷积组合层和第二上采样层串联,得到解码器;将所述编码器和所述解码器串联,得到编码-解码网络结构;
获取训练集,所述训练集中包括多个图像组,所述图像组中包括遥感切片图像及其对应的标记切片图像;
通过所述训练集对所述编码-解码网络结构进行训练,获得训练好的编码-解码结构模型;
获取待识别的遥感图像;
将所述遥感图像划分为多个遥感切片图像;
通过预先训练的编码-解码结构模型对所述多个遥感切片图像进行识别处理,分别得到每个遥感切片图像对应的识别图像;
对每个遥感切片图像对应的识别图像进行拼接,得到所述遥感图像对应的预测结果图像。
2.根据权利要求1所述的方法,其特征在于,所述将所述遥感图像划分为多个遥感切片图像,包括:
以预设网格尺寸为切割窗口,以预设数目个像素的宽度为所述切割窗口的移动步长,所述移动步长小于或等于所述切割窗口的宽度;
根据所述移动步长,通过所述切割窗口按照预设切割顺序对所述遥感图像进行网格切片,得到多个遥感切片图像。
3.根据权利要求1所述的方法,其特征在于,所述对每个遥感切片图像对应的识别图像进行拼接,得到所述遥感图像对应的预测结果图像,包括:
根据每个遥感切片图像对应的切割顺序信息,确定每个遥感切片图像对应的识别图像的拼接顺序;
按照每个识别图像的拼接顺序,将所述每个识别图像拼接成所述遥感图像对应的预测结果图像。
4.根据权利要求3所述的方法,其特征在于,所述按照每个识别图像的拼接顺序,将所述每个识别图像拼接成所述遥感图像对应的预测结果图像,包括:
按照每个识别图像的拼接顺序,将拼接顺序相邻的任意两个识别图像的重合区域中坐标相同的像素点的像素值相加,得到拼接图像;
将所述拼接图像中大于零的像素值均重置为预设目标值;
对所述拼接图像中存在的空洞位置进行像素填充;
将所述拼接图像中满足预设碎片条件的像素点的像素值重置为预设背景值;
对所述拼接图像进行中值滤波平滑处理,得到所述遥感图像对应的预测结果图像。
5.根据权利要求1所述的方法,其特征在于,所述获取训练集,包括:
获取预设数目的遥感图像;
标记所述遥感图像中的裸地目标,记录所述裸地目标的位置信息及所述裸地目标所属的类别信息;
根据所述裸地目标对应的位置信息和类别信息,将所述遥感图像转换为标记图像;
按照预设切割顺序,对所述遥感图像及所述标记图像进行网格切片,得到多个遥感切片图像及每个遥感切片图像对应的标记切片图像;
将遥感切片图像及其对应的标记切片图像组成图像组,将得到的多个图像组构成训练集。
6.根据权利要求1所述的方法,其特征在于,
所述第一预设数目为3,所述第二预设数目为22,所述第三预设数目为1,第四预设数目为3;
所述深度可分离卷积层中的卷积核大小为3×3,步长为1,边距为1;
所述第四预设数目个空洞卷积层中每层的卷积核大小为3×3,步长为1,卷积核个数均为256,每个空洞卷积层的采样率分别为6、12、18。
7.根据权利要求1所述的方法,其特征在于,
所述第二卷积层的卷积核大小为1×1;
第一上采样层和第二上采样层的倍数均为4;
所述第二卷积组合层由一个3×3的卷积层,一个批标准化层和一个激活层串联组成。
8.一种遥感影像裸地识别装置,其特征在于,所述装置包括;
编码-解码网络结构的创建模块,用于将深度可分离卷积层、批标准化层和激活层串联,得到第一卷积组合层;将第一预设数目个第一卷积组合层串联得到卷积单元;将第二预设数目个卷积单元串联,并将任意一个卷积单元的输出与下一个卷积单元并联,得到串行网络模块;将第三预设数目个第一卷积层、第四预设数目个空洞卷积层和所述第三预设数目个全局平均池化层并联,得到并行网络模块;将所述串行网络模块和所述并行网络模块串联,得到编码器;将第二卷积层、第一上采样层、拼接层、第二卷积组合层和第二上采样层串联,得到解码器;将所述编码器和所述解码器串联,得到编码-解码网络结构;
训练集获取模块,用于获取训练集,所述训练集中包括多个图像组,所述图像组中包括遥感切片图像及其对应的标记切片图像;
模型训练模块,用于通过所述训练集对所述编码-解码网络结构进行训练,获得训练好的编码-解码结构模型;
遥感图像获取模块,用于获取待识别的遥感图像;
划分模块,用于将所述遥感图像划分为多个切片图像;
识别模块,用于通过预先训练的编码-解码结构模型对所述多个切片图像进行识别处理,分别得到每个切片图像对应的识别图像;
拼接模块,用于对每个切片图像对应的识别图像进行拼接,得到所述遥感图像对应的预测结果图像。
9.一种电子设备,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,所述处理器运行所述计算机程序以实现如权利要求1-7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实现如权利要求1-7中任一项所述的方法。
CN202010323916.6A 2020-04-22 2020-04-22 遥感影像裸地识别方法、装置、电子设备及存储介质 Active CN111523459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010323916.6A CN111523459B (zh) 2020-04-22 2020-04-22 遥感影像裸地识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010323916.6A CN111523459B (zh) 2020-04-22 2020-04-22 遥感影像裸地识别方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111523459A true CN111523459A (zh) 2020-08-11
CN111523459B CN111523459B (zh) 2020-11-03

Family

ID=71903511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010323916.6A Active CN111523459B (zh) 2020-04-22 2020-04-22 遥感影像裸地识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111523459B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258431A (zh) * 2020-09-27 2021-01-22 成都东方天呈智能科技有限公司 基于混合深度可分离膨胀卷积的图像分类模型及其分类方法
CN112329751A (zh) * 2021-01-06 2021-02-05 北京道达天际科技有限公司 一种基于深度学习的多尺度遥感影像目标识别系统及方法
CN113158856A (zh) * 2021-04-08 2021-07-23 成都国星宇航科技有限公司 一种提取遥感图像中目标区域的处理方法和装置
CN113155033A (zh) * 2020-12-30 2021-07-23 交通运输部科学研究院 一种基于遥感影像计算农村公路路面宽度的方法
CN113706556A (zh) * 2021-08-20 2021-11-26 珠江水利委员会珠江水利科学研究院 一种影像切片边缘碎片快速探测与替换方法
CN114663412A (zh) * 2022-04-01 2022-06-24 中国科学院地理科学与资源研究所 基于陆表水域生态红线的长连续遥感图像处理方法及装置
CN115984709A (zh) * 2022-12-20 2023-04-18 中国科学院空天信息创新研究院 一种快速大尺度遥感图像的内容识别方法
CN115984302A (zh) * 2022-12-19 2023-04-18 中国科学院空天信息创新研究院 基于稀疏混合专家网络预训练的多模态遥感图像处理方法
CN116563718A (zh) * 2023-07-11 2023-08-08 成都垣景科技有限公司 一种基于遥感测绘的碳储量估算方法
CN117132479A (zh) * 2023-04-28 2023-11-28 荣耀终端有限公司 摩尔纹的消除方法、电子设备及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070217689A1 (en) * 2000-01-22 2007-09-20 Kairos-Scientific Inc. Visualization and Processing of Multidimensional Data Using Prefiltered and Sorting Criteria
WO2009137616A2 (en) * 2008-05-06 2009-11-12 Strongwatch Corporation Novel sensor apparatus
CN110458173A (zh) * 2019-08-16 2019-11-15 京东数字科技控股有限公司 用于生成物品颜色值的方法和装置
CN110599533A (zh) * 2019-09-20 2019-12-20 湖南大学 适用于嵌入式平台的快速单目深度估计方法
CN110674742A (zh) * 2019-09-24 2020-01-10 电子科技大学 基于DLinkNet的遥感图像道路提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070217689A1 (en) * 2000-01-22 2007-09-20 Kairos-Scientific Inc. Visualization and Processing of Multidimensional Data Using Prefiltered and Sorting Criteria
WO2009137616A2 (en) * 2008-05-06 2009-11-12 Strongwatch Corporation Novel sensor apparatus
CN110458173A (zh) * 2019-08-16 2019-11-15 京东数字科技控股有限公司 用于生成物品颜色值的方法和装置
CN110599533A (zh) * 2019-09-20 2019-12-20 湖南大学 适用于嵌入式平台的快速单目深度估计方法
CN110674742A (zh) * 2019-09-24 2020-01-10 电子科技大学 基于DLinkNet的遥感图像道路提取方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258431A (zh) * 2020-09-27 2021-01-22 成都东方天呈智能科技有限公司 基于混合深度可分离膨胀卷积的图像分类模型及其分类方法
CN112258431B (zh) * 2020-09-27 2021-07-20 成都东方天呈智能科技有限公司 基于混合深度可分离膨胀卷积的图像分类模型及其分类方法
CN113155033A (zh) * 2020-12-30 2021-07-23 交通运输部科学研究院 一种基于遥感影像计算农村公路路面宽度的方法
CN112329751A (zh) * 2021-01-06 2021-02-05 北京道达天际科技有限公司 一种基于深度学习的多尺度遥感影像目标识别系统及方法
CN113158856A (zh) * 2021-04-08 2021-07-23 成都国星宇航科技有限公司 一种提取遥感图像中目标区域的处理方法和装置
CN113158856B (zh) * 2021-04-08 2024-04-19 成都国星宇航科技股份有限公司 一种提取遥感图像中目标区域的处理方法和装置
CN113706556A (zh) * 2021-08-20 2021-11-26 珠江水利委员会珠江水利科学研究院 一种影像切片边缘碎片快速探测与替换方法
CN113706556B (zh) * 2021-08-20 2022-06-10 珠江水利委员会珠江水利科学研究院 一种影像切片边缘碎片快速探测与替换方法
CN114663412B (zh) * 2022-04-01 2023-02-10 中国科学院地理科学与资源研究所 基于陆表水域生态红线的长连续遥感图像处理方法及装置
CN114663412A (zh) * 2022-04-01 2022-06-24 中国科学院地理科学与资源研究所 基于陆表水域生态红线的长连续遥感图像处理方法及装置
CN115984302A (zh) * 2022-12-19 2023-04-18 中国科学院空天信息创新研究院 基于稀疏混合专家网络预训练的多模态遥感图像处理方法
CN115984302B (zh) * 2022-12-19 2023-06-06 中国科学院空天信息创新研究院 基于稀疏混合专家网络预训练的多模态遥感图像处理方法
CN115984709A (zh) * 2022-12-20 2023-04-18 中国科学院空天信息创新研究院 一种快速大尺度遥感图像的内容识别方法
CN115984709B (zh) * 2022-12-20 2023-07-04 中国科学院空天信息创新研究院 一种快速大尺度遥感图像的内容识别方法
CN117132479A (zh) * 2023-04-28 2023-11-28 荣耀终端有限公司 摩尔纹的消除方法、电子设备及可读存储介质
CN116563718A (zh) * 2023-07-11 2023-08-08 成都垣景科技有限公司 一种基于遥感测绘的碳储量估算方法
CN116563718B (zh) * 2023-07-11 2023-09-05 成都垣景科技有限公司 一种基于遥感测绘的碳储量估算方法

Also Published As

Publication number Publication date
CN111523459B (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111523459B (zh) 遥感影像裸地识别方法、装置、电子设备及存储介质
CN107067003B (zh) 感兴趣区域边界的提取方法、装置、设备和计算机存储介质
CN106447721B (zh) 图像阴影检测方法和装置
CN110598743A (zh) 一种目标对象的标注方法和装置
CN110991560B (zh) 一种结合上下文信息的目标检测方法及系统
CN106097353A (zh) 基于多层次局部区域融合的物体分割方法及装置、计算设备
GB2579434A (en) Boundary-aware object removal and content fill
CN110598784A (zh) 基于机器学习的建筑垃圾分类方法及装置
CN109886928A (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN111353580B (zh) 目标检测网络的训练方法、电子设备及存储介质
CN111680701A (zh) 图像识别模型的训练方法、装置及图像识别方法、装置
CN113362331A (zh) 图像分割方法、装置、电子设备及计算机存储介质
CN112990086A (zh) 遥感影像建筑物检测方法、装置及计算机可读存储介质
CN112084923A (zh) 一种遥感图像语义分割方法、存储介质及计算设备
CN114022774A (zh) 一种基于雷达影像的海洋中尺度涡监测方法和装置
CN112115862B (zh) 一种结合密度估计的拥挤场景行人检测方法
CN112465886A (zh) 模型生成方法、装置、设备和可读存储介质
CN115457408A (zh) 一种土地监测方法、装置、电子设备及介质
CN115953612A (zh) 一种基于ConvNeXt的遥感影像植被分类方法和装置
CN111489293A (zh) 图像的超分辨率重建方法及装置
CN111079807A (zh) 一种地物分类方法及装置
CN113744280A (zh) 图像处理方法、装置、设备及介质
CN111292331B (zh) 图像处理的方法与装置
KR102416714B1 (ko) 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법
US20220327811A1 (en) System and method for composite training in machine learning architectures

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200811

Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd.

Assignor: 3CLEAR TECHNOLOGY Co.,Ltd.

Contract record no.: X2022980012305

Denomination of invention: Remote sensing image bare ground identification method, device, electronic device and storage medium

Granted publication date: 20201103

License type: Common License

Record date: 20220815

EE01 Entry into force of recordation of patent licensing contract