CN111709388A - 一种干旱状态下应急水源地提取方法及系统 - Google Patents
一种干旱状态下应急水源地提取方法及系统 Download PDFInfo
- Publication number
- CN111709388A CN111709388A CN202010577755.3A CN202010577755A CN111709388A CN 111709388 A CN111709388 A CN 111709388A CN 202010577755 A CN202010577755 A CN 202010577755A CN 111709388 A CN111709388 A CN 111709388A
- Authority
- CN
- China
- Prior art keywords
- dirichlet
- image
- training
- remote sensing
- probability distribution
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000005070 sampling Methods 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 18
- 238000001556 precipitation Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 235000006506 Brasenia schreberi Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种干旱状态下应急水源地提取方法及系统。所述方法包括:获取全色遥感训练影像和全色遥感测试影像;构建隐含狄利克雷分布主题模型;隐含狄利克雷分布主题模型为狄利克雷先验参数待确定的主题模型;将全色遥感训练影像输入至隐含狄利克雷分布主题模型中,采用定点迭代方法对狄利克雷先验参数进行估计,确定隐含狄利克雷分布主题模型中的狄利克雷先验参数;将狄利克雷先验参数确定后的主题模型确定为应急水源地提取模型;将全色遥感测试影像输入至应急水源地提取模型中,得到全色遥感测试影像中的水源地。本发明能提高应急水源地提取的准确度,且能避免消耗极大的人力成本,便于提取。
Description
技术领域
本发明涉及水源提取技术领域,特别是涉及一种干旱状态下应急水源地提取方法及系统。
背景技术
我国水资源时空分布受降水的影响,降水在空间上从东南沿海向西北内陆逐渐减少,导致我国水资源分布东多西少、南多北少。最近几年,西北区连年干旱,西北地区资源性缺水日益严重。其中西北干旱地区的降水主要由西风环流和南亚季风提供,西风和季风两种气流的激荡进退,决定了西北干旱区降水分布的主要特征和历史上多次重大干湿变化,受海拔高度、地形及水汽输送条件等因素的影响,西北干旱区年降水分布极不均匀。西北干旱地区平均只有25.2%的降水转化为河川径流,地表水资源总量在1000×108m3左右。我国西北干旱区由世界上著名高山环绕和大大小小的断陷盆地所构造成,该干旱区水资源分布的地区性差异显著,并且受季风的影响水资源分布变化明显。因此,如何在受旱地区快速对应急水源地分布进行提取,准确找到这些应急水源地是急需解决的技术难题,对水源的勘查保护以及调水救灾具有重要意义。
传统的水源地识别方法主要有基于光学遥感影像的方法、采用“先分割后识别”的面向对象影像分类技术识别水体的方法、基于机器学习的方法。基于光学遥感影像的方法有单波段阈值法、多波段阈值法等,该类方法基本原理是利用水体在近红外波段上反射率低,容易与其它地物区分开来的特点,是提取水体比较简单易行的方法。“先分割后识别”的面向对象影像分类技术,传统方法是首先采用分形网络演化算法对高分辨率遥感影像分割,再结合分割对象的多维特征,如光谱特征、纹理特征、空间特征等,利用Adaboost算法进行分类,得到基于像素方法的分类精度。基于机器学习的方法主要包括监督和非监督分类的方法,该类方法不用设定阈值,利用相关的数理统计方法和合适的分类器便可达到分类的目的,监督/非监督分类方法,典型方法如支持向量机和随机森林等。
但是,由于很多建筑物的反射率和水体的反射率在某些波段上表现一样,表现出“异物同谱”的现象,因此传统只基于光学遥感影像的方法会产生很大的提取误差,达不到较高的水体识别准确率。“先分割后识别”的面向对象分析技术的缺陷为尺度的划分难以把握,因而识别效率较低,并且识别常采用人工目视解译方法,虽然可以取得较高的解译精度,但是其费时费力,需要消耗极大的人力成本,且难以满足实时性的要求。采用机器学习监督分类模式的缺陷主要为:训练样本的选择必须依赖于分割结果,而影像分析前在野外调绘收集训练样本十分不便;训练样本需要在对象层面给定,因而像素层面的监督信息将无法直接被利用。
因此,亟待一种便于实现且识别准确度高的干旱状态下应急水源地提取方法的出现。
发明内容
基于此,有必要提供一种干旱状态下应急水源地提取方法及系统,以提高应急水源地提取的准确度,且避免消耗极大的人力成本,便于提取。
为实现上述目的,本发明提供了如下方案:
一种干旱状态下应急水源地提取方法,包括:
获取全色遥感训练影像和全色遥感测试影像;所述全色遥感训练影像为水源地已知的全色遥感影像,所述全色遥感测试影像为待提取水源地知的全色遥感影像;
构建隐含狄利克雷分布主题模型;所述隐含狄利克雷分布主题模型为狄利克雷先验参数待确定的主题模型;
将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中,采用定点迭代方法对所述狄利克雷先验参数进行估计,确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数;
将狄利克雷先验参数确定后的主题模型确定为应急水源地提取模型;
将所述全色遥感测试影像输入至所述应急水源地提取模型中,得到全色遥感测试影像中的水源地。
可选的,所述将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中,采用定点迭代方法对所述狄利克雷先验参数进行估计,确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数,具体包括:
将所述全色遥感训练影像划分为多个训练子影像块;
确定所述隐含狄利克雷分布主题模型的标量参数和初始化所述隐含狄利克雷分布主题模型的狄利克雷先验参数,得到初始隐含狄利克雷分布主题模型;所述标量参数包括全色遥感训练影像中地物类别数目、训练子影像块的尺寸、控制训练子影像块选择的先验概率参数和对称的狄利克雷超参数;
将各所述训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中,对各所述训练子影像块中的每个位置进行Gibbs采样,确定地物类别的概率分布和训练子影像块的概率分布;所述当前迭代次数下的隐含狄利克雷分布主题模型为当前迭代次数下的狄利克雷先验参数对应的隐含狄利克雷分布主题模型;
由像素的概率分布、所述地物类别的概率分布和所述训练子影像块的概率分布确定全色遥感训练影像上观测量和隐变量的联合概率分布;
判断所述联合概率分布确定后的隐含狄利克雷分布主题模型是否收敛;
若是,则将当前次数下的狄利克雷先验参数作为所述隐含狄利克雷分布主题模型中的狄利克雷先验参数;
若否,则更新当前次数下的狄利克雷先验参数,令当前迭代次数加1,并将更新后的狄利克雷先验参数作为当前迭代次数下的狄利克雷先验参数,返回所述将各所述多个训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中,对各所述训练子影像块中的每个位置进行Gibbs采样,确定地物类别的概率分布和训练子影像块的概率分布。
可选的,所述地物类别的概率分布为:
其中,p(dt|D-t,W,Z)为地物类别的概率分布,dt为训练子影像块d的第t个位置的像素坐标索引,D-t为除第t个位置以外的像素坐标索引所对应的二维矩阵,W为全色遥感训练影像对应的像素矩阵,Z为地物类别坐标索引所对应的二维矩阵,为训练子影像块d的第t个位置的像素坐标索引对应的像素的横坐标,为训练子影像块d的第t个位置的像素坐标索引对应的像素的纵坐标,xt为邻域内的像素的横坐标,yt为邻域内的像素的纵坐标,δ为控制训练子影像块选择的先验概率参数,为训练子影像块d内除去第t个位置以外的第k类地物类别被观测到的次数,αk是狄利克雷先验参数中第k类地物类别对应的向量元素,为训练子影像块d内除去第t个位置以外,且除去第k类地物类别外,其他地物类别被观测到的次数,αk‘是狄利克雷先验参数中除去αk以外的向量元素,K为除去第k类地物类别外,其他地物类别的数目。
可选的,所述训练子影像块的概率分布为:
p(zt|Z-t,D,W)
其中,p(zt|Z-t,D,W)为训练子影像块的概率分布,Z-t为除第t个位置以外的地物类别坐标索引所对应的二维矩阵,zt为地物类别坐标索引所对应的二维矩阵,D为像素坐标索引所对应的二维矩阵,αk是狄利克雷先验参数的第k个向量元素,wt为第t个位置对应的像素值,为训练子影像块内除去第t个位置以外的wt与zt一起被观测到的次数,v′是除去第v个训练子影像块外的其他的训练子影像块,V是除去第v个训练子影像块外,其他训练子影像的数目,为训练子影像块内除去第t个位置以外,且除去第v个训练子影像块外,其他训练子影像块被观测到的次数,β为对称的狄利克雷超参数。
可选的,所述联合概率分布为:
本发明还提供了一种干旱状态下应急水源地提取系统,包括:
影像获取模块,用于获取全色遥感训练影像和全色遥感测试影像;所述全色遥感训练影像为水源地已知的全色遥感影像,所述全色遥感测试影像为待提取水源地知的全色遥感影像;
主题模型构建模块,用于构建隐含狄利克雷分布主题模型;所述隐含狄利克雷分布主题模型为狄利克雷先验参数待确定的主题模型;
参数估计模块,用于将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中,采用定点迭代方法对所述狄利克雷先验参数进行估计,确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数;
水源地提取模型构建模块,用于将狄利克雷先验参数确定后的主题模型确定为应急水源地提取模型;
水源地提取模块,用于将所述全色遥感测试影像输入至所述应急水源地提取模型中,得到全色遥感测试影像中的水源地。
可选的,所述参数估计模块,具体包括:
影像划分单元,用于将所述全色遥感训练影像划分为多个训练子影像块;
初始化单元,用于确定所述隐含狄利克雷分布主题模型的标量参数和初始化所述隐含狄利克雷分布主题模型的狄利克雷先验参数,得到初始隐含狄利克雷分布主题模型;所述标量参数包括全色遥感训练影像中地物类别数目、训练子影像块的尺寸、控制训练子影像块选择的先验概率参数和对称的狄利克雷超参数;
采样单元,用于将各所述训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中,对各所述训练子影像块中的每个位置进行Gibbs采样,确定地物类别的概率分布和训练子影像块的概率分布;所述当前迭代次数下的隐含狄利克雷分布主题模型为当前迭代次数下的狄利克雷先验参数对应的隐含狄利克雷分布主题模型;
联合概率分布确定单元,用于由像素的概率分布、所述地物类别的概率分布和所述训练子影像块的概率分布确定全色遥感训练影像上观测量和隐变量的联合概率分布;
判断单元,用于判断所述联合概率分布确定后的隐含狄利克雷分布主题模型是否收敛;
参数确定单元,用于若所述联合概率分布确定后的隐含狄利克雷分布主题模型收敛,则将当前次数下的狄利克雷先验参数作为所述隐含狄利克雷分布主题模型中的狄利克雷先验参数;
更新单元,用于若所述联合概率分布确定后的隐含狄利克雷分布主题模型不收敛,则更新当前次数下的狄利克雷先验参数,令当前迭代次数加1,并将更新后的狄利克雷先验参数作为当前迭代次数下的狄利克雷先验参数,返回所述采样单元。
可选的,所述采样单元中的所述地物类别的概率分布为:
其中,p(dt|D-t,W,Z)为地物类别的概率分布,dt为训练子影像块d的第t个位置的像素坐标索引,D-t为除第t个位置以外的像素坐标索引所对应的二维矩阵,W为全色遥感训练影像对应的像素矩阵,Z为地物类别坐标索引所对应的二维矩阵,为训练子影像块d的第t个位置的像素坐标索引对应的像素的横坐标,为训练子影像块d的第t个位置的像素坐标索引对应的像素的纵坐标,xt为邻域内的像素的横坐标,yt为邻域内的像素的纵坐标,δ为控制训练子影像块选择的先验概率参数,为训练子影像块d内除去第t个位置以外的第k类地物类别被观测到的次数,αk是狄利克雷先验参数中第k类地物类别对应的向量元素,为训练子影像块d内除去第t个位置以外,且除去第k类地物类别外,其他地物类别被观测到的次数,αk‘是狄利克雷先验参数中除去αk以外的向量元素,K为除去第k类地物类别外,其他地物类别的数目。
可选的,所述采样单元中的所述训练子影像块的概率分布为:
p(zt|Z-t,D,W)
其中,p(zt|Z-t,D,W)为训练子影像块的概率分布,Z-t为除第t个位置以外的地物类别坐标索引所对应的二维矩阵,zt为地物类别坐标索引所对应的二维矩阵,D为像素坐标索引所对应的二维矩阵,αk是狄利克雷先验参数的第k个向量元素,wt为第t个位置对应的像素值,为训练子影像块内除去第t个位置以外的wt与zt一起被观测到的次数,v′是除去第v个训练子影像块外的其他的训练子影像块,V是除去第v个训练子影像块外,其他训练子影像的数目,为训练子影像块内除去第t个位置以外,且除去第v个训练子影像块外,其他训练子影像块被观测到的次数,β为对称的狄利克雷超参数。
可选的,所述联合概率分布确定单元中的所述联合概率分布为:
与现有技术相比,本发明的有益效果是:
本发明提出了一种干旱状态下应急水源地提取方法及系统。所述方法基于隐式文档生成的隐含狄利克雷分布(LDA)主题模型技术,综合利用光谱维、空间维和时间维等多重特征,最终的水体目标提取与分类的结果仍为对象,从而实现影像目标分割的一体化过程,大大提高应急水源地识别的准确率;且能避免消耗极大的人力成本,便于提取。
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为本发明实施例1一种干旱状态下应急水源地提取方法的流程图;
图2为本发明实施例2文本分析术语与非监督分类中遥感影像的分析对象建立的映射关系图;
图3为本发明实施例2基于隐式文档生成的LDA模型对应的概率模型图;
图4为本发明实施例2应急水源地提取方法的流程图;
图5为具体应用框架实例示意图;
图6为本发明实施例3一种干旱状态下应急水源地提取系统的流程图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1一种干旱状态下应急水源地提取方法的流程图。
参见图1,实施例的应急水源地提取方法,包括:
步骤S1:获取全色遥感训练影像和全色遥感测试影像。
所述全色遥感训练影像为水源地已知的全色遥感影像,所述全色遥感测试影像为待提取水源地知的全色遥感影像。
步骤S2:构建隐含狄利克雷分布主题模型;所述隐含狄利克雷分布主题模型为狄利克雷先验参数待确定的主题模型。
步骤S3:将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中,采用定点迭代方法对所述狄利克雷先验参数进行估计,确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数。
所述步骤S3,具体包括:
31)将所述全色遥感训练影像划分为多个训练子影像块。
32)确定所述隐含狄利克雷分布主题模型的标量参数和初始化所述隐含狄利克雷分布主题模型的狄利克雷先验参数,得到初始隐含狄利克雷分布主题模型;所述标量参数包括全色遥感训练影像中地物类别数目、训练子影像块的尺寸、控制训练子影像块选择的先验概率参数和对称的狄利克雷超参数。
33)将各所述训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中,对各所述训练子影像块中的每个位置进行Gibbs采样,确定地物类别的概率分布和训练子影像块的概率分布;所述当前迭代次数下的隐含狄利克雷分布主题模型为当前迭代次数下的狄利克雷先验参数对应的隐含狄利克雷分布主题模型。
所述地物类别的概率分布为:
其中,p(dt|D-t,W,Z)为地物类别的概率分布,dt为训练子影像块d的第t个位置的像素坐标索引,D-t为除第t个位置以外的像素坐标索引所对应的二维矩阵,W为全色遥感训练影像对应的像素矩阵,Z为地物类别坐标索引所对应的二维矩阵,为训练子影像块d的第t个位置的像素坐标索引对应的像素的横坐标,为训练子影像块d的第t个位置的像素坐标索引对应的像素的纵坐标,xt为邻域内的像素的横坐标,yt为邻域内的像素的纵坐标,δ为控制训练子影像块选择的先验概率参数,为训练子影像块d内除去第t个位置以外的第k类地物类别被观测到的次数,αk是狄利克雷先验参数中第k类地物类别对应的向量元素(第k个向量元素),为训练子影像块d内除去第t个位置以外,且除去第k类地物类别外,其他地物类别被观测到的次数,αk‘是狄利克雷先验参数中除去αk以外的向量元素,K为除去第k类地物类别外,其他地物类别的数目。
所述训练子影像块的概率分布为:
p(zt|Z-t,D,W)
其中,p(zt|Z-t,D,W)为训练子影像块的概率分布,Z-t为除第t个位置以外的地物类别坐标索引所对应的二维矩阵,zt为地物类别坐标索引所对应的二维矩阵,D为像素坐标索引所对应的二维矩阵,αk是狄利克雷先验参数的第k个向量元素,wt为第t个位置对应的像素值,为训练子影像块内除去第t个位置以外的wt与zt一起被观测到的次数,v′是除去第v个训练子影像块外的其他的训练子影像块,V是除去第v个训练子影像块外,其他训练子影像的数目,为训练子影像块内除去第t个位置以外,且除去第v个训练子影像块外,其他训练子影像块被观测到的次数,β为对称的狄利克雷超参数。
34)由像素的概率分布、所述地物类别的概率分布和所述训练子影像块的概率分布确定全色遥感训练影像上观测量和隐变量的联合概率分布。
所述联合概率分布为:
35)判断所述联合概率分布确定后的隐含狄利克雷分布主题模型是否收敛;若是,则将当前次数下的狄利克雷先验参数作为所述隐含狄利克雷分布主题模型中的狄利克雷先验参数;若否,则更新当前次数下的狄利克雷先验参数,令当前迭代次数加1,并将更新后的狄利克雷先验参数作为当前迭代次数下的狄利克雷先验参数,返回所述将各所述多个训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中,对各所述训练子影像块中的每个位置进行Gibbs采样,确定地物类别的概率分布和训练子影像块的概率分布。
步骤S4:将狄利克雷先验参数确定后的主题模型确定为应急水源地提取模型。
步骤S5:将所述全色遥感测试影像输入至所述应急水源地提取模型中,得到全色遥感测试影像中的水源地。
本实施例的应急水源地提取方法,基于隐式文档生成的隐含狄利克雷分布(LDA)主题模型技术,综合利用光谱维、空间维和时间维等多重特征,最终的水体目标提取与分类的结果仍为对象,从而实现影像目标分割的一体化过程,大大提高应急水源地识别的准确率;且能避免消耗极大的人力成本,便于提取。
下面提供了一个更为具体的实施例。
实施例2
本实施例提供的应急水源地提取方法基于隐式文档的原理实现,首先对本实施例的水源地提取思路进行介绍。
在基于隐式文档生成的隐含狄利克雷分布(LDA)模型高分辨率全色遥感影像非监督分类框架下,LDA模型的基本建模对象依然是文档和词(在视觉领域建模时,词又被形象地称之为视觉词),模型中相关文本分析术语与非监督分类中遥感影像的分析对象建立的映射关系如图2所示。因此,在本实施例有关叙述中,像素和视觉词,主题和地物类别的称谓完全等价,地物类别主要指水体与非水体。
在待提取的遥感影像上,以每个像素为中心的正方形窗口,大小为h×h,影像边缘窗口采用镜像的方式补足或用零值填充,隐式地看作是文档,正方形窗口包括像素本身,遥感影像中的每个像素对应的正方形窗口的集合构成了主题模型建模的文档集。
具体字母符号表示如下:对于一幅遥感影像I,假设表示影像中每个像素所在的位置网格,定义Nt为以位置t所在像素为中心的正方形窗口,每个像素对用的窗口大小统一设定为h×h,即文档大小为N=h×h,主题模型建模的文档集为其中,第t个文档包括Nt窗口所对应的所有像素的集合。
下面对基于隐式文档生成的LDA模型的生成过程进行介绍。
图3为本发明实施例2基于隐式文档生成的LDA模型对应的概率模型图,图3中,虚线所指示的为模型相应部分直观的说明,对于全色遥感影像中每个像素(视觉词)假设有下列的生成过程:
(a)依据先验概率分布p(dt|δ,h)采样获得文档(像素对应的正方形窗口)索引dt。dt表明位置t所对应像素wt由文档d生成。
下面对基于隐式文档生成的LDA模型的原理进行介绍。
其中,W是原始全色遥感影像I所对应的视觉词矩阵,即全色遥感影像上像素的灰度值矩阵,潜变量Z和D分别是地物类别(即主题)和文档坐标索引所对应的二维矩阵。W、Z和D同遥感影像I具有完全相同的维数。和分别为地物类别混合比例参数集和地物类别关于像素灰度值分布的参数集。
由于文档采样和地物类别采用的过程是条件独立,所以上式所对应的联合概率分布可以进一步近似表示为更新一系列潜变量zt和dt,即
p(W,Z,D)∝Π{p(wt|W-t,Z,D)×p(zt|Z-t,W,D)×p(dt|D-t,W,Z)},
特别地,为了公式表达的方便,上式中存在着如下等价关系Z={zt,Z-t}、W={wt,W-t}和D={dt,D-t}。Z-t表示除了位置t之外所对应的二维矩阵,D-t表示除位置t外的像素坐标索引所对应的二维矩阵,W-t表示除了位置t之外的像素的灰度值矩阵,p(wt|W-t,Z,D表示像素的概率分布,p(zt|Z-t,W,D)表示文档(子影像块)索引的概率分布,p(dt|D-t,W,Z)表示地物类别值的概率分布。
下面对本实施例的应急水源地提取方法的具体过程进行阐述:
如流程图4所示,利用Gibbs采样进行隐式文档生成的LDA模型非监督分类的推理和参数估计主要可以归结为以下四个步骤:
步骤1:初始化或重新估计模型参数
(1)模型中所涉及的参数主要包括两种类型:1)四个标量:水体与非水体等地物类别(即主题)的数目K,文档(即像素的正方形窗口)的边长h,控制文档选择的先验概率p(dt|δ,h)中参数δ,以及对称的狄利克雷先验参数β(V维向量中的每个值均取β,因此实际上对应一个标量);2)一个向量:K维的狄利克雷先验参数所有的标量参数将被一次性初始化;向量参数首先进行初始化,然后基于估计获得的统计量利用定点迭代方法进行重新估计以获得最优值。
此外,为了Gibbs采样的需要,文档坐标索引矩阵D以及地物类别矩阵Z将在采样前进行随机初始化。
本实施例假设文档索引dt服从先验概率分布p(dt|δ,h),最终到下式对于影像格网上的位置t,通过近似逼近后验概率p(dt|D-t,W,Z)来采样得到文档坐标索引dt。后验概率(地物类别的概率分布)p(dt|D-t,W,Z)最终推导公式为:
其中,p(dt|D-t,W,Z)为地物类别的概率分布,dt为训练子影像块d的第t个位置的像素坐标索引,D-t为除第t个位置以外的像素坐标索引所对应的二维矩阵,W为全色遥感训练影像对应的像素矩阵,Z为地物类别坐标索引所对应的二维矩阵,为训练子影像块d的第t个位置的像素坐标索引对应的像素的横坐标,为训练子影像块d的第t个位置的像素坐标索引对应的像素的纵坐标,xt为邻域内的像素的横坐标,yt为邻域内的像素的纵坐标,δ为控制训练子影像块选择的先验概率参数,为训练子影像块d内除去第t个位置以外的第k类地物类别被观测到的次数,αk是狄利克雷先验参数中第k类地物类别对应的向量元素,为训练子影像块d内除去第t个位置以外,且除去第k类地物类别外,其他地物类别被观测到的次数,αk‘是狄利克雷先验参数中除去αk以外的向量元素,K为除去第k类地物类别外,其他地物类别的数目。
(3)对于遥感影像格网上的每个位置t,采样水体与非水体以及地物类别值对于影像格网上的位置t,当给定文档坐标索引dt后,地物类别值的采样可以按照与基本LDA采样主题完全相同的方式获得,具体的,子影像块的概率分布为p(zt|Z-t,D,W)
其中,p(zt|Z-t,D,W)为训练子影像块的概率分布,Z-t为除第t个位置以外的地物类别坐标索引所对应的二维矩阵,zt为地物类别坐标索引所对应的二维矩阵,D为像素坐标索引所对应的二维矩阵,αk是狄利克雷先验参数的第k个向量元素,wt为第t个位置对应的像素值,为训练子影像块内除去第t个位置以外的wt与zt一起被观测到的次数,v′是除去第v个训练子影像块外的其他的训练子影像块,V是除去第v个训练子影像块外,其他训练子影像的数目,为训练子影像块内除去第t个位置以外,且除去第v个训练子影像块外,其他训练子影像块被观测到的次数,β为对称的狄利克雷超参数。
步骤4:检查是否收敛并获取最终的非监督分类结果。
不断的重复步骤(3)-(4)进行Gibbs循环采样,当设定的最大循环次数达到后,检查模型是否收敛,如果模型不收敛,返回到步骤(1)并根据已获得的采样结果利用定点迭代方法重新估计狄利克雷先验参数然后重新进入Gibbs采样过程。反复进行这个过程,直到模型收敛,从而获得最终的非监督分类结果,可从分类结果中确定水体与非水体区域。具体应用框架实例如图5所示,其中,图5的(a)部分为遥感测试影像图,图5的(b)部分为每个像素和其对应的子影像块,图5的(c)部分为模型推理图,图5的(d)部分为分类结果图。
本实施例的应急水源地提取方法,基于光谱-空间的影像分析技术,以像素分析为基础,通过构建合适的领域模式特征,基于隐式文档生成的LDA主题模型技术,综合利用光谱维、空间维和时间维等多重特征,最终的水体目标提取与分类的结果仍为对象,从而实现影像目标分割的一体化过程,大大提高应急水源地识别的准确率;且能避免消耗极大的人力成本,便于提取。
实施例3
图6为本发明实施例3一种干旱状态下应急水源地提取系统的流程图。参见图6,本实施例提供的应急水源地提取系统,包括:
影像获取模块601,用于获取全色遥感训练影像和全色遥感测试影像;所述全色遥感训练影像为水源地已知的全色遥感影像,所述全色遥感测试影像为待提取水源地知的全色遥感影像。
主题模型构建模块602,用于构建隐含狄利克雷分布主题模型;所述隐含狄利克雷分布主题模型为狄利克雷先验参数待确定的主题模型。
参数估计模块603,用于将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中,采用定点迭代方法对所述狄利克雷先验参数进行估计,确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数。
水源地提取模型构建模块604,用于将狄利克雷先验参数确定后的主题模型确定为应急水源地提取模型。
水源地提取模块605,用于将所述全色遥感测试影像输入至所述应急水源地提取模型中,得到全色遥感测试影像中的水源地。
作为一种可选的实施方式,所述参数估计模块603,具体包括:
影像划分单元,用于将所述全色遥感训练影像划分为多个训练子影像块。
初始化单元,用于确定所述隐含狄利克雷分布主题模型的标量参数和初始化所述隐含狄利克雷分布主题模型的狄利克雷先验参数,得到初始隐含狄利克雷分布主题模型;所述标量参数包括全色遥感训练影像中地物类别数目、训练子影像块的尺寸、控制训练子影像块选择的先验概率参数和对称的狄利克雷超参数。
采样单元,用于将各所述训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中,对各所述训练子影像块中的每个位置进行Gibbs采样,确定地物类别的概率分布和训练子影像块的概率分布;所述当前迭代次数下的隐含狄利克雷分布主题模型为当前迭代次数下的狄利克雷先验参数对应的隐含狄利克雷分布主题模型。
联合概率分布确定单元,用于由像素的概率分布、所述地物类别的概率分布和所述训练子影像块的概率分布确定全色遥感训练影像上观测量和隐变量的联合概率分布。
判断单元,用于判断所述联合概率分布确定后的隐含狄利克雷分布主题模型是否收敛。
参数确定单元,用于若所述联合概率分布确定后的隐含狄利克雷分布主题模型收敛,则将当前次数下的狄利克雷先验参数作为所述隐含狄利克雷分布主题模型中的狄利克雷先验参数。
更新单元,用于若所述联合概率分布确定后的隐含狄利克雷分布主题模型不收敛,则更新当前次数下的狄利克雷先验参数,令当前迭代次数加1,并将更新后的狄利克雷先验参数作为当前迭代次数下的狄利克雷先验参数,返回所述采样单元。
作为一种可选的实施方式,所述采样单元中的所述地物类别的概率分布为:
其中,p(dt|D-t,W,Z)为地物类别的概率分布,dt为训练子影像块d的第t个位置的像素坐标索引,D-t为除第t个位置以外的像素坐标索引所对应的二维矩阵,W为全色遥感训练影像对应的像素矩阵,Z为地物类别坐标索引所对应的二维矩阵,为训练子影像块d的第t个位置的像素坐标索引对应的像素的横坐标,为训练子影像块d的第t个位置的像素坐标索引对应的像素的纵坐标,xt为邻域内的像素的横坐标,yt为邻域内的像素的纵坐标,δ为控制训练子影像块选择的先验概率参数,为训练子影像块d内除去第t个位置以外的第k类地物类别被观测到的次数,αk是狄利克雷先验参数中第k类地物类别对应的向量元素,为训练子影像块d内除去第t个位置以外,且除去第k类地物类别外,其他地物类别被观测到的次数,αk‘是狄利克雷先验参数中除去αk以外的向量元素,K为除去第k类地物类别外,其他地物类别的数目。
作为一种可选的实施方式,所述采样单元中的所述训练子影像块的概率分布为:
p(zt|Z-t,D,W)
其中,p(zt|Z-t,D,W)为训练子影像块的概率分布,Z-t为除第t个位置以外的地物类别坐标索引所对应的二维矩阵,zt为地物类别坐标索引所对应的二维矩阵,D为像素坐标索引所对应的二维矩阵,αk是狄利克雷先验参数的第k个向量元素,wt为第t个位置对应的像素值,为训练子影像块内除去第t个位置以外的wt与zt一起被观测到的次数,v′是除去第v个训练子影像块外的其他的训练子影像块,V是除去第v个训练子影像块外,其他训练子影像的数目,为训练子影像块内除去第t个位置以外,且除去第v个训练子影像块外,其他训练子影像块被观测到的次数,β为对称的狄利克雷超参数。
作为一种可选的实施方式,所述联合概率分布确定单元中的所述联合概率分布为:
本实施例的应急水源地提取系统,能够提高应急水源地识别的准确率,且能避免消耗极大的人力成本,便于提取。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种干旱状态下应急水源地提取方法,其特征在于,包括:
获取全色遥感训练影像和全色遥感测试影像;所述全色遥感训练影像为水源地已知的全色遥感影像,所述全色遥感测试影像为待提取水源地知的全色遥感影像;
构建隐含狄利克雷分布主题模型;所述隐含狄利克雷分布主题模型为狄利克雷先验参数待确定的主题模型;
将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中,采用定点迭代方法对所述狄利克雷先验参数进行估计,确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数;
将狄利克雷先验参数确定后的主题模型确定为应急水源地提取模型;
将所述全色遥感测试影像输入至所述应急水源地提取模型中,得到全色遥感测试影像中的水源地。
2.根据权利要求1所述的一种干旱状态下应急水源地提取方法,其特征在于,所述将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中,采用定点迭代方法对所述狄利克雷先验参数进行估计,确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数,具体包括:
将所述全色遥感训练影像划分为多个训练子影像块;
确定所述隐含狄利克雷分布主题模型的标量参数和初始化所述隐含狄利克雷分布主题模型的狄利克雷先验参数,得到初始隐含狄利克雷分布主题模型;所述标量参数包括全色遥感训练影像中地物类别数目、训练子影像块的尺寸、控制训练子影像块选择的先验概率参数和对称的狄利克雷超参数;
将各所述训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中,对各所述训练子影像块中的每个位置进行Gibbs采样,确定地物类别的概率分布和训练子影像块的概率分布;所述当前迭代次数下的隐含狄利克雷分布主题模型为当前迭代次数下的狄利克雷先验参数对应的隐含狄利克雷分布主题模型;
由像素的概率分布、所述地物类别的概率分布和所述训练子影像块的概率分布确定全色遥感训练影像上观测量和隐变量的联合概率分布;
判断所述联合概率分布确定后的隐含狄利克雷分布主题模型是否收敛;
若是,则将当前次数下的狄利克雷先验参数作为所述隐含狄利克雷分布主题模型中的狄利克雷先验参数;
若否,则更新当前次数下的狄利克雷先验参数,令当前迭代次数加1,并将更新后的狄利克雷先验参数作为当前迭代次数下的狄利克雷先验参数,返回所述将各所述多个训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中,对各所述训练子影像块中的每个位置进行Gibbs采样,确定地物类别的概率分布和训练子影像块的概率分布。
3.根据权利要求2所述的一种干旱状态下应急水源地提取方法,其特征在于,所述地物类别的概率分布为:
其中,p(dt|D-t,W,Z)为地物类别的概率分布,dt为训练子影像块d的第t个位置的像素坐标索引,D-t为除第t个位置以外的像素坐标索引所对应的二维矩阵,W为全色遥感训练影像对应的像素矩阵,Z为地物类别坐标索引所对应的二维矩阵,为训练子影像块d的第t个位置的像素坐标索引对应的像素的横坐标,为训练子影像块d的第t个位置的像素坐标索引对应的像素的纵坐标,xt为邻域内的像素的横坐标,yt为邻域内的像素的纵坐标,δ为控制训练子影像块选择的先验概率参数,为训练子影像块d内除去第t个位置以外的第k类地物类别被观测到的次数,αk是狄利克雷先验参数中第k类地物类别对应的向量元素,为训练子影像块d内除去第t个位置以外,且除去第k类地物类别外,其他地物类别被观测到的次数,αk‘是狄利克雷先验参数中除去αk以外的向量元素,K为除去第k类地物类别外,其他地物类别的数目。
4.根据权利要求3所述的一种干旱状态下应急水源地提取方法,其特征在于,所述训练子影像块的概率分布为:
6.一种干旱状态下应急水源地提取系统,其特征在于,包括:
影像获取模块,用于获取全色遥感训练影像和全色遥感测试影像;所述全色遥感训练影像为水源地已知的全色遥感影像,所述全色遥感测试影像为待提取水源地知的全色遥感影像;
主题模型构建模块,用于构建隐含狄利克雷分布主题模型;所述隐含狄利克雷分布主题模型为狄利克雷先验参数待确定的主题模型;
参数估计模块,用于将所述全色遥感训练影像输入至所述隐含狄利克雷分布主题模型中,采用定点迭代方法对所述狄利克雷先验参数进行估计,确定所述隐含狄利克雷分布主题模型中的狄利克雷先验参数;
水源地提取模型构建模块,用于将狄利克雷先验参数确定后的主题模型确定为应急水源地提取模型;
水源地提取模块,用于将所述全色遥感测试影像输入至所述应急水源地提取模型中,得到全色遥感测试影像中的水源地。
7.根据权利要求6所述的一种干旱状态下应急水源地提取系统,其特征在于,所述参数估计模块,具体包括:
影像划分单元,用于将所述全色遥感训练影像划分为多个训练子影像块;
初始化单元,用于确定所述隐含狄利克雷分布主题模型的标量参数和初始化所述隐含狄利克雷分布主题模型的狄利克雷先验参数,得到初始隐含狄利克雷分布主题模型;所述标量参数包括全色遥感训练影像中地物类别数目、训练子影像块的尺寸、控制训练子影像块选择的先验概率参数和对称的狄利克雷超参数;
采样单元,用于将各所述训练子影像块输入至当前迭代次数下的隐含狄利克雷分布主题模型中,对各所述训练子影像块中的每个位置进行Gibbs采样,确定地物类别的概率分布和训练子影像块的概率分布;所述当前迭代次数下的隐含狄利克雷分布主题模型为当前迭代次数下的狄利克雷先验参数对应的隐含狄利克雷分布主题模型;
联合概率分布确定单元,用于由像素的概率分布、所述地物类别的概率分布和所述训练子影像块的概率分布确定全色遥感训练影像上观测量和隐变量的联合概率分布;
判断单元,用于判断所述联合概率分布确定后的隐含狄利克雷分布主题模型是否收敛;
参数确定单元,用于若所述联合概率分布确定后的隐含狄利克雷分布主题模型收敛,则将当前次数下的狄利克雷先验参数作为所述隐含狄利克雷分布主题模型中的狄利克雷先验参数;
更新单元,用于若所述联合概率分布确定后的隐含狄利克雷分布主题模型不收敛,则更新当前次数下的狄利克雷先验参数,令当前迭代次数加1,并将更新后的狄利克雷先验参数作为当前迭代次数下的狄利克雷先验参数,返回所述采样单元。
8.根据权利要求7所述的一种干旱状态下应急水源地提取系统,其特征在于,所述采样单元中的所述地物类别的概率分布为:
其中,p(dt|D-t,W,Z)为地物类别的概率分布,dt为训练子影像块d的第t个位置的像素坐标索引,D-t为除第t个位置以外的像素坐标索引所对应的二维矩阵,W为全色遥感训练影像对应的像素矩阵,Z为地物类别坐标索引所对应的二维矩阵,为训练子影像块d的第t个位置的像素坐标索引对应的像素的横坐标,为训练子影像块d的第t个位置的像素坐标索引对应的像素的纵坐标,xt为邻域内的像素的横坐标,yt为邻域内的像素的纵坐标,δ为控制训练子影像块选择的先验概率参数,为训练子影像块d内除去第t个位置以外的第k类地物类别被观测到的次数,αk是狄利克雷先验参数中第k类地物类别对应的向量元素,为训练子影像块d内除去第t个位置以外,且除去第k类地物类别外,其他地物类别被观测到的次数,αk‘是狄利克雷先验参数中除去αk以外的向量元素,K为除去第k类地物类别外,其他地物类别的数目。
9.根据权利要求8所述的一种干旱状态下应急水源地提取系统,其特征在于,所述采样单元中的所述训练子影像块的概率分布为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010577755.3A CN111709388B (zh) | 2020-06-23 | 2020-06-23 | 一种干旱状态下应急水源地提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010577755.3A CN111709388B (zh) | 2020-06-23 | 2020-06-23 | 一种干旱状态下应急水源地提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709388A true CN111709388A (zh) | 2020-09-25 |
CN111709388B CN111709388B (zh) | 2023-05-12 |
Family
ID=72541504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010577755.3A Active CN111709388B (zh) | 2020-06-23 | 2020-06-23 | 一种干旱状态下应急水源地提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709388B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102439597A (zh) * | 2011-07-13 | 2012-05-02 | 华为技术有限公司 | 基于潜在狄利克雷模型的参数推断方法、计算装置及系统 |
CN103440501A (zh) * | 2013-09-01 | 2013-12-11 | 西安电子科技大学 | 基于非参数空间判决隐狄利克雷模型的场景分类方法 |
US20140006334A1 (en) * | 2012-06-28 | 2014-01-02 | Raytheon Company | System and method for scaled multinomial-dirichlet bayesian evidence fusion |
CN103942573A (zh) * | 2014-02-18 | 2014-07-23 | 西安电子科技大学 | 一种基于空间关系的潜在狄利克雷模型自然场景图像分类方法 |
-
2020
- 2020-06-23 CN CN202010577755.3A patent/CN111709388B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102439597A (zh) * | 2011-07-13 | 2012-05-02 | 华为技术有限公司 | 基于潜在狄利克雷模型的参数推断方法、计算装置及系统 |
US20140006334A1 (en) * | 2012-06-28 | 2014-01-02 | Raytheon Company | System and method for scaled multinomial-dirichlet bayesian evidence fusion |
CN103440501A (zh) * | 2013-09-01 | 2013-12-11 | 西安电子科技大学 | 基于非参数空间判决隐狄利克雷模型的场景分类方法 |
CN103942573A (zh) * | 2014-02-18 | 2014-07-23 | 西安电子科技大学 | 一种基于空间关系的潜在狄利克雷模型自然场景图像分类方法 |
Non-Patent Citations (3)
Title |
---|
YINFENG QI ET.AL: "An object-oriented clustering algorithm for VHR panchromatic images using nonparametric latent Dirichlet allocation" * |
徐盛: "基于主题模型的高空间分辨率遥感影像分类研究" * |
杨赛和赵春霞: "基于隐含狄利克雷分配模型的图像分类算法" * |
Also Published As
Publication number | Publication date |
---|---|
CN111709388B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446992B (zh) | 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 | |
CN107092870B (zh) | 一种高分辨率影像语义信息提取方法 | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN111461238B (zh) | 模型训练方法、字符识别方法、装置、设备及存储介质 | |
CN104331698B (zh) | 一种遥感图像城区提取方法 | |
CN110097101B (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN106096655B (zh) | 一种基于卷积神经网络的光学遥感图像飞机检测方法 | |
CN113449594A (zh) | 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 | |
CN110334762A (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
CN111414923B (zh) | 基于单幅rgb图像的室内场景三维重建方法及系统 | |
CN108304357A (zh) | 一种基于字体流形的中文字库自动生成方法 | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN115205672A (zh) | 一种基于多尺度区域注意力的遥感建筑物语义分割方法及系统 | |
CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
CN111368843A (zh) | 一种基于语义分割的冰上湖提取的方法 | |
CN113569772A (zh) | 遥感影像耕地实例掩膜提取方法及系统、设备、存储介质 | |
CN116452850A (zh) | 一种基于数据挖掘和深度学习的道路积水区域识别方法 | |
CN117058546A (zh) | 全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法 | |
CN111985487B (zh) | 一种遥感影像目标提取方法、电子设备及存储介质 | |
CN114219701A (zh) | 敦煌壁画艺术风格转换方法、系统、计算机设备及存储介质 | |
CN117292126A (zh) | 一种利用重复纹理约束的建筑物立面解析方法、系统及电子设备 |
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 |