CN111860208A - 基于超像素的遥感影像地物分类方法、系统、装置及介质 - Google Patents

基于超像素的遥感影像地物分类方法、系统、装置及介质 Download PDF

Info

Publication number
CN111860208A
CN111860208A CN202010606565.XA CN202010606565A CN111860208A CN 111860208 A CN111860208 A CN 111860208A CN 202010606565 A CN202010606565 A CN 202010606565A CN 111860208 A CN111860208 A CN 111860208A
Authority
CN
China
Prior art keywords
image
image block
super
segmentation result
remote sensing
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
CN202010606565.XA
Other languages
English (en)
Other versions
CN111860208B (zh
Inventor
张鹏
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.)
Sun Yat Sen UniversityShenzhen
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202010606565.XA priority Critical patent/CN111860208B/zh
Publication of CN111860208A publication Critical patent/CN111860208A/zh
Application granted granted Critical
Publication of CN111860208B publication Critical patent/CN111860208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation 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
    • G06V10/267—Segmentation 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于超像素的遥感影像地物分类方法、系统、装置及介质，方法包括：对获取到的遥感影像进行图像分块，得到第一图像块集合；基于预设的语义分割模型，将所述第一图像块集合进行语义分割，得到语义分割结果；对所述第一图像块集合进行超像素分割，得到超像素分割结果；根据所述超像素分割结果，对所述语义分割结果进行边缘修剪，得到第二图像块集合；将所述第二图像块集合进行图像块拼接，得到地物分类结果图。本发明能够消除相邻图像块之间的不连续直线型接缝，实用性高，可广泛应用于图像处理技术领域。

Description

基于超像素的遥感影像地物分类方法、系统、装置及介质
技术领域
本发明涉及图像处理技术领域，尤其是基于超像素的遥感影像地物分类方法、系统、装置及介质。
背景技术
在航天或航空遥感影像处理中，地物分类与提取是非常重要的一项工作。地物分类的过程通常是这样的：首先，对遥感图像中各类地物的光谱信息和空间信息进行分析；然后，选择合适的能够反映地物光谱和空间信息的图像特征；接下来，在图像中各个像元处提取这些图像特征，并根据特征值判断各个像元的所属地物类别；最后，面向应用需求，对各个像元的分类结果进行综合处理，获得整幅遥感影像的地物分类结果。
遥感影像地物分类方法主要包括：基于像元的方法、基于邻域的方法、基于对象的方法等。近年来，随着深度学习技术的快速发展，基于深度卷积神经网络的语义分割技术逐渐被应用于遥感影像地物分类，并获得了大大优于传统方法的处理效果。典型的语义分割模型包括FCN、SegNet、U-Net、Deeplab等。
为了训练和使用方便，语义分割模型的输入通常是一幅固定尺寸的原始图像，输出是和该图像大小相同的语义标注图像，在该图像的每个像元处，用不同的像素值标注了其对应的语义类型。这里，模型输入和输出的图像尺寸不能太大，也不能太小，常见的尺寸如128*128、256*256或512*512等。
在遥感影像地物分类中，输入数据是航天或航空遥感影像，图像尺寸通常很大，能够达到数万乘数万像元的级别，输出数据是和输入数据相同尺寸的地物分布图。因此，无法直接将语义分割模型应用于遥感影像地物分类，最常使用的方法是：首先将输入的遥感影像划分为和语义分割模型相适应的小的固定尺寸的图像块；然后对每个图像块进行语义分割，得到每个图像块对应的地物分布图；最后将所有图像块对应的地物分布图组合起来，得到整幅遥感影像的地物分布图。
然而，由于一个图像块的地物分类结果会受到该图像块内部所有像素的影响，因此在两个相邻图像块的连接处，一侧图像块的地物分类结果和另一侧图像块的地物分类结果很难保持一致性，会表现出非常明显的不连续直线型接缝。显然，图像块之间的这种接缝并不符合真实的地物分布情况，需要研究和设计相应的算法来解决该问题。
发明内容
有鉴于此，本发明实施例提供一种基于超像素的遥感影像地物分类方法、系统、装置及介质，能够消除相邻图像块之间的不连续直线型接缝。
本发明的第一方面提供了基于超像素的遥感影像地物分类方法，包括：
对获取到的遥感影像进行图像分块，得到第一图像块集合；
基于预设的语义分割模型，将所述第一图像块集合进行语义分割，得到语义分割结果；
对所述第一图像块集合进行超像素分割，得到超像素分割结果；
根据所述超像素分割结果，对所述语义分割结果进行边缘修剪，得到第二图像块集合；
将所述第二图像块集合进行图像块拼接，得到地物分类结果图。
在一些实施例中，所述对获取到的遥感影像进行图像分块，得到第一图像块集合这一步骤，包括：
获取遥感影像；
基于预设的分块顺序和预设的分块尺度，将所述遥感影像进行分块处理，得到第一图像块集合，所述第一图像块集合中包含多个相同尺度的图像块；
其中，任意两个相邻图像块之间在横向和纵向上均保持预设比例的重叠。
在一些实施例中，所述语义分割结果中各个图像块的尺度等于所述分块尺度：
所述语义分割结果中各个图像块包含地物分类信息。
在一些实施例中，所述超像素分割结果中各个图像块的尺度等于所述分块尺度；
所述超像素分割结果中各个图像块不包含地物分类信息。
在一些实施例中，所述根据所述超像素分割结果，对所述语义分割结果进行边缘修剪，得到第二图像块集合这一步骤，包括：
根据所述语义分割结果中的每个图像块，确定待修剪超像素；其中，所述待修剪超像素与所述语义分割结果中的一个图像块边缘之间的距离小于30像素距离；
对于所述语义分割结果中位于遥感影像边界位置的图像块，不做修剪处理。
在一些实施例中，所述将所述第二图像块集合进行图像块拼接，得到地物分类结果图这一步骤，包括：
基于预设的拼接顺序，将所述第二图像块集合中各个图像块进行拼接；
对于各个图像块之间的重叠部分，用在后添加的图像块覆盖在先添加的图像块。
根据本发明的第二方面，提供了一种基于超像素的遥感影像地物分类系统，包括：
分块模块，用于对获取到的遥感影像进行图像分块，得到第一图像块集合；
语义分割模块，用于基于预设的语义分割模型，将所述第一图像块集合进行语义分割，得到语义分割结果；
超像素分割模块，用于对所述第一图像块集合进行超像素分割，得到超像素分割结果；
边缘修剪模块，用于根据所述超像素分割结果，对所述语义分割结果进行边缘修剪，得到第二图像块集合；
拼接模块，用于将所述第二图像块集合进行图像块拼接，得到地物分类结果图。
在一些实施例中，所述语义分割结果中各个图像块的尺度等于所述分块尺度：
所述语义分割结果中各个图像块包含地物分类信息；
所述超像素分割结果中各个图像块的尺度等于所述分块尺度；
所述超像素分割结果中各个图像块不包含地物分类信息；
所述将所述第二图像块集合进行图像块拼接，得到地物分类结果图这一步骤，包括：
基于预设的拼接顺序，将所述第二图像块集合中各个图像块进行拼接；
对于各个图像块之间的重叠部分，用在后添加的图像块覆盖在先添加的图像块。
根据本发明的第三方面，提供了一种装置，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器用于根据所述程序执行如本发明第一方面所述的方法。
根据本发明的第四方面，提供了一种存储介质，所述存储介质存储有程序，所述程序被处理器执行完成如本发明第一方面所述的方法。
本发明的实施例在首先对获取到的遥感影像进行图像分块，得到第一图像块集合；接着基于预设的语义分割模型，将所述第一图像块集合进行语义分割，得到语义分割结果；然后对所述第一图像块集合进行超像素分割，得到超像素分割结果；并根据所述超像素分割结果，对所述语义分割结果进行边缘修剪，得到第二图像块集合；最后将所述第二图像块集合进行图像块拼接，得到地物分类结果图；本发明能够消除相邻图像块之间的不连续直线型接缝，实用性高。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，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为本发明实施例的整体步骤流程图；
图2为本发明实施例的遥感影像分类的效果图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参加图1，本发明实施例提供了一种基于超像素的遥感影像地物分类方法、系统、装置及介质，能够消除相邻图像块之间的不连续直线型接缝，方法包括以下步骤：
S1、对获取到的遥感影像进行图像分块，得到第一图像块集合；
本实施例的步骤S1包括S11和S12：
S11、获取遥感影像；
S12、基于预设的分块顺序和预设的分块尺度，将所述遥感影像进行分块处理，得到第一图像块集合，所述第一图像块集合中包含多个相同尺度的图像块；
其中，任意两个相邻图像块之间在横向和纵向上均保持预设比例的重叠。
具体地，本实施例首先输入一幅大尺寸的遥感影像，基于预设的分块顺序，例如从图像左上角开始，按照从左向右、从上向下的顺序，以256*256尺度(即预设的分块尺度)划分图像块，相邻图像块之间在横向和纵向上均保持50％重叠。
若图像块范围超过整幅图像的最右侧和最下侧边界，则图像块需向左方或上方移动一定像素距离，使其位于整幅图像内部。
S2、基于预设的语义分割模型，将所述第一图像块集合进行语义分割，得到语义分割结果；
其中，所述语义分割结果中各个图像块的尺度等于所述分块尺度：
所述语义分割结果中各个图像块包含地物分类信息。
本实施例基于已经训练好的语义分割模型，处理所有图像块，输出一组与图像块相同尺寸的具有语义信息的地物分类结果。该结果包含地物类别信息，整体的分割精度较高，但在图像块边缘部分有明显下降。
S3、对所述第一图像块集合进行超像素分割，得到超像素分割结果；
本实施例利用超像素分割技术，处理所有图像块，输出一组与图像块相同尺寸的超像素分割结果。该结果不包含地物类别信息，而且整体的分割精度低于语义分割，但图像块内部和边缘的精度基本一致。
S4、根据所述超像素分割结果，对所述语义分割结果进行边缘修剪，得到第二图像块集合；
本实施例利用两种分割结果的互补性，根据S3得到的超像素分割结果，处理S2得到的地物分类结果，将距离图像块边缘小于30像素距离的超像素修剪掉。若图像块位于整幅图像的边界，则相应的边缘部分不做修剪。边缘修剪完毕后，每个图像块的地物分类结果由直线边缘变成了由超像素决定的曲线边缘。
S5、将所述第二图像块集合进行图像块拼接，得到地物分类结果图。
本实施例根据图像块在整幅图像中的位置，从左上角的图像块开始，按照从左向右、从上向下的顺序，依次将各个图像块对应的经过边缘修剪的地物分类结果叠加拼接起来。对于图像块之间的重叠部分，直接用后添加的地物分类结果覆盖已存在的重叠区。图像块拼接完毕后，得到一幅与输入的遥感影像尺寸相同的地物分类结果图。
下面详细说明本发明方法的完整实施流程：
整个基于超像素的遥感影像地物分类图像块接缝处理过程分为图像分块、语义分割、超像素分割、边缘修剪、图像块拼接五个步骤。
在图像分块阶段，执行以下操作：1)读取输入的大尺寸遥感影像；2)按照256*256尺度划分图像块，相邻图像块之间在横向和纵向上均保持50％重叠。
在语义分割阶段，执行以下操作：1)用已经训练好的语义分割模型，对各个图像块进行语义分割，得到与图像块大小相同的地物分类结果(256*256)。
在超像素分割阶段，执行以下操作：1)用超像素分割算法，对各个图像块进行处理，得到与图像块大小相同的超像素分割结果(256*256)。
在边缘修剪阶段，执行以下操作：1)处理每个图像块的地物分类结果，若存在距离图像块边缘小于30像素距离的超像素，则将其修剪掉。2)若图像块位于整幅图像的边界，则相应的边缘部分不做修剪。
在图像块拼接阶段，执行以下操作：1)根据图像块在整幅图像中的位置，从左上角的图像块开始，按照从左向右、从上向下的顺序，依次将各个图像块对应的经过边缘修剪的地物分类结果叠加拼接起来，形成一幅和输入的遥感影像尺寸相同的地物分类结果图；2)输出地物分类结果图。
图2是本发明的方法的遥感影像分类的效果示意图，将本发明的方法用于遥感影像的云分类场景下。其中，图2中的标记201是输入的遥感图像，标记202是不处理图像块接缝的常规方法的云分类结果；标记203是本发明方法的云分类结果。其中，在202和203中，浅灰色为无云区域、深灰色为薄云区域、白色为厚云区域。可以看到，常规方法云分类结果202中有明显的直线型接缝(例如图2中的2021、2022、2023)，而本发明方法云分类结果203中则基本没有图像块接缝(例如图2中的2031、2032、2033)。
本发明实施例还提供了一种基于超像素的遥感影像地物分类系统，包括：
分块模块，用于对获取到的遥感影像进行图像分块，得到第一图像块集合；
语义分割模块，用于基于预设的语义分割模型，将所述第一图像块集合进行语义分割，得到语义分割结果；
超像素分割模块，用于对所述第一图像块集合进行超像素分割，得到超像素分割结果；
边缘修剪模块，用于根据所述超像素分割结果，对所述语义分割结果进行边缘修剪，得到第二图像块集合；
拼接模块，用于将所述第二图像块集合进行图像块拼接，得到地物分类结果图。
在一些实施例中，所述语义分割结果中各个图像块的尺度等于所述分块尺度：
所述语义分割结果中各个图像块包含地物分类信息；
所述超像素分割结果中各个图像块的尺度等于所述分块尺度；
所述超像素分割结果中各个图像块不包含地物分类信息；
所述将所述第二图像块集合进行图像块拼接，得到地物分类结果图这一步骤，包括：
基于预设的拼接顺序，将所述第二图像块集合中各个图像块进行拼接；
对于各个图像块之间的重叠部分，用在后添加的图像块覆盖在先添加的图像块。
本发明实施例还提供了一种装置，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器用于根据所述程序执行如图1所述的方法。
本发明实施例还提供了一种存储介质，所述存储介质存储有程序，所述程序被处理器执行完成如图1所述的方法。
综上所述，本发明采用超像素分割技术，首先对遥感影像进行图像分块，然后对每个图像块分别进行语义分割和超像素分割，最后利用两种分割结果的互补性，将它们合并起来，得到整幅遥感影像的地物分类结果。本发明避免了语义分割中的图像块接缝问题，消除了相邻图像块之间的不连续直线型接缝，能够输出与真实场景一致性较高的精细化的遥感影像地物分类结果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.基于超像素的遥感影像地物分类方法，其特征在于，包括：
对获取到的遥感影像进行图像分块，得到第一图像块集合；
基于预设的语义分割模型，将所述第一图像块集合进行语义分割，得到语义分割结果；
对所述第一图像块集合进行超像素分割，得到超像素分割结果；
根据所述超像素分割结果，对所述语义分割结果进行边缘修剪，得到第二图像块集合；
将所述第二图像块集合进行图像块拼接，得到地物分类结果图。
2.根据权利要求1所述的基于超像素的遥感影像地物分类方法，其特征在于，所述对获取到的遥感影像进行图像分块，得到第一图像块集合这一步骤，包括：
获取遥感影像；
基于预设的分块顺序和预设的分块尺度，将所述遥感影像进行分块处理，得到第一图像块集合，所述第一图像块集合中包含多个相同尺度的图像块；
其中，任意两个相邻图像块之间在横向和纵向上均保持预设比例的重叠。
3.根据权利要求2所述的基于超像素的遥感影像地物分类方法，其特征在于，
所述语义分割结果中各个图像块的尺度等于所述分块尺度：
所述语义分割结果中各个图像块包含地物分类信息。
4.根据权利要求3所述的基于超像素的遥感影像地物分类方法，其特征在于，
所述超像素分割结果中各个图像块的尺度等于所述分块尺度；
所述超像素分割结果中各个图像块不包含地物分类信息。
5.根据权利要求1所述的基于超像素的遥感影像地物分类方法，其特征在于，所述根据所述超像素分割结果，对所述语义分割结果进行边缘修剪，得到第二图像块集合这一步骤，包括：
根据所述语义分割结果中的每个图像块，确定待修剪超像素；其中，所述待修剪超像素与所述语义分割结果中的一个图像块边缘之间的距离小于30像素距离；
对于所述语义分割结果中位于遥感影像边界位置的图像块，不做修剪处理。
6.根据权利要求1所述的基于超像素的遥感影像地物分类方法，其特征在于，所述将所述第二图像块集合进行图像块拼接，得到地物分类结果图这一步骤，包括：
基于预设的拼接顺序，将所述第二图像块集合中各个图像块进行拼接；
对于各个图像块之间的重叠部分，用在后添加的图像块覆盖在先添加的图像块。
7.基于超像素的遥感影像地物分类系统，其特征在于，包括：
分块模块，用于对获取到的遥感影像进行图像分块，得到第一图像块集合；
语义分割模块，用于基于预设的语义分割模型，将所述第一图像块集合进行语义分割，得到语义分割结果；
超像素分割模块，用于对所述第一图像块集合进行超像素分割，得到超像素分割结果；
边缘修剪模块，用于根据所述超像素分割结果，对所述语义分割结果进行边缘修剪，得到第二图像块集合；
拼接模块，用于将所述第二图像块集合进行图像块拼接，得到地物分类结果图。
8.根据权利要求7所述的基于超像素的遥感影像地物分类系统，其特征在于，
所述语义分割结果中各个图像块的尺度等于所述分块尺度：
所述语义分割结果中各个图像块包含地物分类信息；
所述超像素分割结果中各个图像块的尺度等于所述分块尺度；
所述超像素分割结果中各个图像块不包含地物分类信息；
所述将所述第二图像块集合进行图像块拼接，得到地物分类结果图这一步骤，包括：
基于预设的拼接顺序，将所述第二图像块集合中各个图像块进行拼接；
对于各个图像块之间的重叠部分，用在后添加的图像块覆盖在先添加的图像块。
9.一种装置，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器用于根据所述程序执行如权利要求1-6中任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行完成如权利要求1-6中任一项所述的方法。
CN202010606565.XA 2020-06-29 2020-06-29 基于超像素的遥感影像地物分类方法、系统、装置及介质 Active CN111860208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010606565.XA CN111860208B (zh) 2020-06-29 2020-06-29 基于超像素的遥感影像地物分类方法、系统、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010606565.XA CN111860208B (zh) 2020-06-29 2020-06-29 基于超像素的遥感影像地物分类方法、系统、装置及介质

Publications (2)

Publication Number Publication Date
CN111860208A true CN111860208A (zh) 2020-10-30
CN111860208B CN111860208B (zh) 2023-10-24

Family

ID=72988197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010606565.XA Active CN111860208B (zh) 2020-06-29 2020-06-29 基于超像素的遥感影像地物分类方法、系统、装置及介质

Country Status (1)

Country Link
CN (1) CN111860208B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435274A (zh) * 2020-11-09 2021-03-02 国交空间信息技术（北京）有限公司 一种基于面向对象分割的遥感影像面状地物提取方法
CN112580641A (zh) * 2020-11-23 2021-03-30 上海明略人工智能(集团)有限公司 图像特征的提取方法及装置、存储介质、电子设备
CN118446938A (zh) * 2024-07-08 2024-08-06 浙江国遥地理信息技术有限公司 一种遥感影像的阴影区域修复方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255334A (zh) * 2018-09-27 2019-01-22 中国电子科技集团公司第五十四研究所 基于深度学习语义分割网络的遥感影像地物分类方法
CN110570427A (zh) * 2019-07-19 2019-12-13 武汉珈和科技有限公司 一种融合边缘检测的遥感影像语义分割方法及装置
CN111028244A (zh) * 2019-12-04 2020-04-17 电子科技大学 基于超像素的已知样本不均衡情况下的遥感图像语义分割的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255334A (zh) * 2018-09-27 2019-01-22 中国电子科技集团公司第五十四研究所 基于深度学习语义分割网络的遥感影像地物分类方法
CN110570427A (zh) * 2019-07-19 2019-12-13 武汉珈和科技有限公司 一种融合边缘检测的遥感影像语义分割方法及装置
CN111028244A (zh) * 2019-12-04 2020-04-17 电子科技大学 基于超像素的已知样本不均衡情况下的遥感图像语义分割的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚建华;吴加敏;杨勇;施祖贤;: "全卷积神经网络下的多光谱遥感影像分割", 中国图象图形学报, no. 01 *
毛婷;唐宏;: "一种多源遥感影像非监督分类方法中的欠分割对象检测与拆分算法", 遥感信息, no. 06 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435274A (zh) * 2020-11-09 2021-03-02 国交空间信息技术（北京）有限公司 一种基于面向对象分割的遥感影像面状地物提取方法
CN112435274B (zh) * 2020-11-09 2024-05-07 国交空间信息技术（北京）有限公司 一种基于面向对象分割的遥感影像面状地物提取方法
CN112580641A (zh) * 2020-11-23 2021-03-30 上海明略人工智能(集团)有限公司 图像特征的提取方法及装置、存储介质、电子设备
CN112580641B (zh) * 2020-11-23 2024-06-04 上海明略人工智能(集团)有限公司 图像特征的提取方法及装置、存储介质、电子设备
CN118446938A (zh) * 2024-07-08 2024-08-06 浙江国遥地理信息技术有限公司 一种遥感影像的阴影区域修复方法、装置及电子设备

Also Published As

Publication number Publication date
CN111860208B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
US10762608B2 (en) Sky editing based on image composition
CN112016614B (zh) 光学图像目标检测模型的构建方法、目标检测方法及装置
CN111860208B (zh) 基于超像素的遥感影像地物分类方法、系统、装置及介质
US20230281763A1 (en) Generating an image mask for a digital image by utilizing a multi-branch masking pipeline with neural networks
US11393100B2 (en) Automatically generating a trimap segmentation for a digital image by utilizing a trimap generation neural network
Roeder et al. A computational image analysis glossary for biologists
CN110705583A (zh) 细胞检测模型训练方法、装置、计算机设备及存储介质
US20120092357A1 (en) Region-Based Image Manipulation
CN107564009B (zh) 基于深度卷积神经网络的室外场景多目标分割方法
CN108764039B (zh) 神经网络、遥感影像的建筑物提取方法、介质及计算设备
CN112132164B (zh) 目标检测方法、系统、计算机装置及存储介质
CN111768415A (zh) 一种无量化池化的图像实例分割方法
CN113591719A (zh) 一种自然场景任意形状文本检测方法、装置和训练方法
CN116645592B (zh) 一种基于图像处理的裂缝检测方法和存储介质
Florinabel et al. Combined frequency and spatial domain-based patch propagation for image completion
CN113744142A (zh) 图像修复方法、电子设备及存储介质
Mostafa et al. Corresponding regions for shadow restoration in satellite high-resolution images
CN112700460A (zh) 图像分割方法及系统
CN115294126A (zh) 一种病理图像的癌细胞智能识别方法
CN111260564A (zh) 一种图像处理方法和装置及计算机存储介质
CN118037976A (zh) 一种dem重建模型训练方法及dem重建方法
CN113272857A (zh) 缺陷图像生成装置及方法
CN116798041A (zh) 图像识别方法、装置和电子设备
He et al. Object-oriented classification of multi-resolution images for the extraction of narrow linear forest disturbance
CN116342446A (zh) 多聚焦图像融合方法及装置、电子设备、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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231219

Address after: 518107 Room 501, building 3, Herun Jiayuan, Huaxia Road, Guangming Street, Guangming New District, Shenzhen City, Guangdong Province

Patentee after: Sun Yat sen University.Shenzhen

Patentee after: SUN YAT-SEN University

Address before: 510275 No. 135 West Xingang Road, Guangzhou, Guangdong, Haizhuqu District

Patentee before: SUN YAT-SEN University