CN111860465A - 基于超像素的遥感图像提取方法、装置、设备及存储介质 - Google Patents
基于超像素的遥感图像提取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111860465A CN111860465A CN202010794623.6A CN202010794623A CN111860465A CN 111860465 A CN111860465 A CN 111860465A CN 202010794623 A CN202010794623 A CN 202010794623A CN 111860465 A CN111860465 A CN 111860465A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural network
- remote sensing
- superpixel
- training
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于超像素的遥感图像提取方法、装置、设备及存储介质,方法包括:用超像素分割技术将训练图像分割成超像素块,生成不同尺寸的模型训练样本;根据生成的不同尺寸的模型训练样本,分别训练生成不同扫描尺寸的卷积神经网络模型;利用训练好的不同扫描尺寸的卷积神经网络模型,对训练图像进行提取,融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本;基于生成的高阶卷积神经网络的训练样本,训练生成高阶卷积神经网络模型,并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。本发明通过超像素块扫描,大大提升了处理的速度。
Description
技术领域
本发明涉及图像提取领域,具体而言,涉及一种基于超像素的遥感图像提取方法、装置、设备及存储介质。
背景技术
遥感图像处理在地图更新、目标识别等具有重要应用,例如土地、草地、森林和湿地覆盖监测和道路识别均运用遥感图像处理,但目前的基于局部狄利克雷混合模型与多尺度高阶深度学习的遥感图像道路提取技术,不管是狄利克雷阶段还是深度学习阶段,都是逐像素处理,逐像素的处理导致处理速度极慢。例如,一张尺寸为1131×1589的遥感图像,其整体处理时间需要2.1个小时。尤其是多尺度高阶深度学习的逐像素扫描,需要耗费大量的计算能力和时间。
发明内容
本发明的目的在于提供一种基于超像素的遥感图像提取方法、装置、设备及存储介质用以解决遥感图像提取耗费大量的计算能力和时间的问题。
为实现上述目的,本发明实施例提供一种基于超像素的遥感图像提取方法,包括以下步骤:
用超像素分割技术将训练图像分割成超像素块,并以每个超像素块的中心为中心,生成不同尺寸的模型训练样本;
根据生成的不同尺寸的模型训练样本,分别训练生成不同扫描尺寸的卷积神经网络模型;
利用训练好的不同扫描尺寸的卷积神经网络模型,对训练图像进行提取;
融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本;
基于生成的高阶卷积神经网络的训练样本,训练生成高阶卷积神经网络模型,并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。
进一步的,利用所述高阶卷积神经网络模型对待提取的遥感图像进行目标提取具体为:
用超像素分割技术将待提取的道路的遥感图像分割成超像素块;
对超像素块进行二类分割,得到道路的潜在引导区域;
利用训练好的不同扫描尺寸的神经网络模型和高阶卷积神经网络模型对潜在引导区域进行扫描计算,得到最终提取结果。
更进一步的,对超像素块进行二类分割,得到道路的潜在引导区域采用嵌入超像素的整体狄利克雷分割技术,所述嵌入超像素的整体狄利克雷分割技术进行二类分割是基于稀疏表示对狄利克雷混合模型参数的自动优化。
进一步的,所述不同尺寸的模型训练样本包括正负样本。
进一步的,在将不同扫描尺寸的卷积神经网络的提取结果进行融合时,结合超像素分割结果,以超像素块的中心为中心生成融合结果。
本发明还提供一种基于超像素的遥感图像提取装置,包括:
分割模块,用于用超像素分割技术将训练图像分割成超像素块,并以每个超像素块的中心为中心,生成不同尺寸的模型训练样本;
训练模块,用于根据生成的不同尺寸的模型训练样本,分别训练生成不同扫描尺寸的卷积神经网络模型;
第一提取模块,用于利用训练好的不同扫描尺寸的卷积神经网络模型,对训练图像进行提取;
融合模块,用于融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本;
第二提取模块,基于生成的高阶卷积神经网络的训练样本,训练生成高阶卷积神经网络模型,并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。
更进一步的,所述利用所述高阶卷积神经网络模型对待提取的遥感图像进行目标提取具体为:
用超像素分割技术将待提取的道路的遥感图像分割成超像素块;
对超像素块进行二类分割,得到道路的潜在引导区域;
利用训练好的不同扫描尺寸的神经网络模型和高阶卷积神经网络模型对潜在引导区域进行扫描计算,得到最终提取结果。
更进一步的,所述对超像素块进行二类分割,得到道路的潜在引导区域采用嵌入超像素的整体狄利克雷分割技术,所述嵌入超像素的整体狄利克雷分割技术进行二类分割是基于稀疏表示对狄利克雷混合模型参数的自动优化。
本发明还提供了一种基于超像素的遥感图像提取设备,包括存储器以及处理器,所述存储器内存储有计算机程序,所述处理器用于运行所述计算机程序以实现所述的一种基于超像素的遥感图像提取方法。
本发明还提供了一种存储介质,所述存储介质用于存储至少一个程序,至少一个指令,所述至少一个程序、指令被执行以实现所述的一种基于超像素的遥感图像提取方法。
本发明的有益技术效果:
本发明通过用超像素分割技术将训练图像分割成超像素块,生成不同尺寸的模型训练样本,根据生成的不同尺寸的模型训练样本,分别训练生成不同扫描尺寸的卷积神经网络模型,利用训练好的不同扫描尺寸的卷积神经网络模型,对训练图像进行提取,融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本,基于生成的高阶卷积神经网络的训练样本,训练生成高阶卷积神经网络模型,并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。同样处理一张1131×1589的遥感图像,原始方法需要2.1小时,而本实施例的技术只需要大约200秒,而且道路提取精度几乎没有影响。本实施例通过超像素块的扫描,可以大大提升了处理的速度,节省时间。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明第一实施例提供的一种基于超像素的遥感图像提取方法的流程示意图。
图2为本发明第一实施例提供的一种基于超像素的遥感图像提取方法的另一种流程示意图。
图3为本发明第二实施例提供的一种基于超像素的遥感图像提取装置流程示意图。
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。
本发明的多个实施例提供了一种基于超像素的遥感图像提取方法、装置、设备及存储介质,与现有的结合狄利克雷混合模型和多尺度高阶深度学习模型的道路提取方法相比,本专利的分割和扫描过程,不是逐像素扫描,而是基于超像素块的扫描,大大提升了处理的速度,节省时间。
以下详述本发明实施例的具体内容。
如图1和图2所示,本发明第一实施例提供了一种基于超像素的遥感图像提取方法,包括步骤:
S11:用超像素分割技术将训练图像分割成超像素块,并以每个超像素块的中心为中心,生成不同尺寸的模型训练样本。
在本实施例中,所述超像素是指图像中局部的、具有一致性的、能够表达一定图像局部结构特征的子区域。超像素分割是按照灰度、频谱、纹理等特性把图像空间划分成一定数量互不相交的子区域,超像素分割主要作为预分割步骤参与到图像分割过程中,当然也可以用于分割的后处理。利用超像素分割,可以大幅度降低图的规模,减少后续处理的计算复杂度,同时超像素具有一定的局部结构特征表达能力,有利于图像局部特征的提取与表达。
在本实施例中,根据使用需求,可选择一种超像素分割算法(参数固定)生成超像素作为分割基元,同时,同一种超像素分割算法生成的不同尺度的超像素表达了不同层次的视觉内容,从而代表了生成的不同尺寸的模型训练样本。其中,不同尺寸的模型训练样本均包括正负样本。
S12:根据生成的不同尺寸的模型训练样本,分别训练生成不同扫描尺寸的卷积神经网络模型。
在本实施例中,所述卷积神经网络是一种学习效率很高的深度学习模型。所述卷积神经网络的基本结构由输入层、卷积层、取样层、全连接层及输出层构成。卷积层最重要部分为卷积核,卷积层和取样层一般会取若干个,采用卷积层和取样层交替设置,即一个卷积层连接一个取样层,取样层后再连接一个卷积层,依此类推。由于卷积层中输出特征面的每个神经元与其输入进行局部连接,并通过对应的连接权值与局部输入进行加权求和再加上偏置值,得到该神经元输入值,该过程等同于卷积过程。进行卷积的过程是将卷积核与预测试图形进行卷积,可简化网络模型,降低网络模型复杂度,从而缩减参数。
S13:利用训练好的不同扫描尺寸的卷积神经网络模型,对训练图像进行提取。
在本实施例中,利用卷积神经网络模型对对图像进行提取的过程为:首先对目标图像初始化,对初始化后的图像进行卷积和采样,再反馈到全连接层,通过变换可计算进入输出层面,再通过特征增强效果和逻辑之间的线性回归判断目标图像是否符合识别的期望效果,往复循环,每循环一次迭代一次,进而对目标图像进行识别。
S14:融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本。
在本实施例中,所述在将不同扫描尺寸的卷积神经网络的提取结果进行融合时,结合超像素分割结果,以超像素块的中心为中心生成融合结果。
S15:基于生成的高阶卷积神经网络的训练样本,训练生成高阶卷积神经网络模型,并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。
在本实施例中,所述利用所述高阶卷积神经网络模型对待提取的遥感图像进行目标提取具体为:
首先用超像素分割技术将待提取的道路的遥感图像分割成超像素块;
然后对超像素块进行二类分割,得到道路的潜在引导区域;
最后利用训练好的不同扫描尺寸的神经网络模型和高阶卷积神经网络模型对潜在引导区域进行扫描计算,得到最终提取结果。
为便于对本发明的理解,以三个训练样本为例详述本发明过程,本发明通过利用超像素分割技术,首先将训练图像分割成超像素块,并以每个超像素块中心生成训练样本。然后,利用生成的训练样本训练三个不同尺度的卷积神经网络模型。接下来,利用训练好的三个不同尺度的卷积神经网络模型,返回去对训练图像进行道路提取扫描。下一步,利用不同尺度的三个卷积神经网络的提取扫描结果,以超像素块中心为中心,融合生成高阶卷积神经网络的训练样本,并以生成的高阶训练样本训练成高阶融合卷积神经网络模型。接下来是提取阶段,首先将目标图像分割成超像素块。然后用嵌入超像素的整体狄利克雷分割技术对目标图像进行二类分割,每个超像素块先判断是否在狄利克雷分割结果中的潜在道路类中,如果不是,则直接判定为背景;如果是,则将超像素块放入训练好的多尺度高阶卷积神经网络模型中进行精确判断。最后,汇总所有超像素块的判断结果,得到整张图像的道路提取结果。
综上所述,本发明通过用超像素分割技术将训练图像分割成超像素块,生成不同尺寸的模型训练样本,根据生成的不同尺寸的模型训练样本,分别训练生成不同扫描尺寸的卷积神经网络模型,利用训练好的不同扫描尺寸的卷积神经网络模型,对训练图像进行提取,融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本,基于生成的高阶卷积神经网络的训练样本,训练生成高阶卷积神经网络模型,并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。同样处理一张1131×1589的遥感图像,原始方法需要2.1小时,而本实施例的技术只需要大约200秒,而且道路提取精度几乎没有影响。本实施例通过超像素块的扫描,可以大大提升了处理的速度,节省时间。
本发明第二实施例提供一种基于超像素的遥感图像提取装置,如图3,包括:
110:分割模块,用于用超像素分割技术将训练图像分割成超像素块,并以每个超像素块的中心为中心,生成不同尺寸的模型训练样本;
120:训练模块,用于根据生成的不同尺寸的模型训练样本,分别训练生成不同扫描尺寸的卷积神经网络模型;
130:第一提取模块,用于利用训练好的不同扫描尺寸的卷积神经网络模型,对训练图像进行提取;
140:融合模块,用于融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本;
150:第二提取模块,基于生成的高阶卷积神经网络的训练样本,训练生成高阶卷积神经网络模型,并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。
在本实施例中,所述利用所述高阶卷积神经网络模型对待提取的遥感图像进行目标提取具体为:
首先用超像素分割技术将待提取的道路的遥感图像分割成超像素块;
然后对超像素块进行二类分割,得到道路的潜在引导区域;
最后利用训练好的不同扫描尺寸的神经网络模型和高阶卷积神经网络模型对潜在引导区域进行扫描计算,得到最终提取结果。
在本实施例中,所述对超像素块进行二类分割,得到道路的潜在引导区域采用嵌入超像素的整体狄利克雷分割技术,可使目标提取结果更加精确,所述嵌入超像素的整体狄利克雷分割技术进行二类分割是基于稀疏表示对狄利克雷混合模型参数的自动优化,不需要通过人工调整。
本发明第三实施例提供了一种基于超像素的遥感图像提取设备,包括存储器以及处理器,所述存储器内存储有计算机程序,所述处理器用于运行所述计算机程序以实现所述一种基于超像素的遥感图像提取方法。
本发明第四实施例还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序能够被所述存储介质所在设备的处理器执行,以实现所述的一种基于超像素的遥感图像提取方法。
在本发明实施例所提供的几个实施例中,应该理解到,所提供的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,电子设备或者网络设备等)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。需要说明的是,在本文中,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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (10)
1.一种基于超像素的遥感图像提取方法,其特征在于,包括以下步骤:
用超像素分割技术将训练图像分割成超像素块,并以每个超像素块的中心为中心,生成不同尺寸的模型训练样本;
根据生成的不同尺寸的模型训练样本,分别训练生成不同扫描尺寸的卷积神经网络模型;
利用训练好的不同扫描尺寸的卷积神经网络模型,对训练图像进行提取;
融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本;
基于生成的高阶卷积神经网络的训练样本,训练生成高阶卷积神经网络模型,并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。
2.根据权利要求1所述的基于超像素的遥感图像提取方法,其特征在于,利用所述高阶卷积神经网络模型对待提取的遥感图像进行目标提取具体为:用超像素分割技术将待提取的道路的遥感图像分割成超像素块;
对超像素块进行二类分割,得到道路的潜在引导区域;
利用训练好的不同扫描尺寸的神经网络模型和高阶卷积神经网络模型对潜在引导区域进行扫描计算,得到最终提取结果。
3.根据权利要求1所述的一种基于超像素的遥感图像提取方法,其特征在于,所述不同尺寸的模型训练样本包括正负样本。
4.根据权利要求1所述的一种基于超像素的遥感图像提取方法,其特征在于,在将不同扫描尺寸的卷积神经网络的提取结果进行融合时,结合超像素分割结果,以超像素块的中心为中心生成融合结果。
5.根据权利要求2所述的一种基于超像素的遥感图像提取方法,其特征在于,对超像素块进行二类分割,得到道路的潜在引导区域采用嵌入超像素的整体狄利克雷分割技术,所述嵌入超像素的整体狄利克雷分割技术进行二类分割是基于稀疏表示对狄利克雷混合模型参数的自动优化。
6.一种基于超像素的遥感图像提取装置,其特征在于,包括:
分割模块,用于用超像素分割技术将训练图像分割成超像素块,并以每个超像素块的中心为中心,生成不同尺寸的模型训练样本;
训练模块,用于根据生成的不同尺寸的模型训练样本,分别训练生成不同扫描尺寸的卷积神经网络模型;
第一提取模块,用于利用训练好的不同扫描尺寸的卷积神经网络模型,对训练图像进行提取;
融合模块,用于融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本;
第二提取模块,基于生成的高阶卷积神经网络的训练样本,训练生成高阶卷积神经网络模型,并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。
7.根据权利要求6所述的基于超像素的遥感图像提取装置,其特征在于,利用所述高阶卷积神经网络模型对待提取的遥感图像进行目标提取具体为:用超像素分割技术将待提取的道路的遥感图像分割成超像素块;
对超像素块进行二类分割,得到道路的潜在引导区域;
利用训练好的不同扫描尺寸的神经网络模型和高阶卷积神经网络模型对潜在引导区域进行扫描计算,得到最终提取结果。
8.根据权利要求7所述的一种基于超像素的遥感图像提取方法,其特征在于,对超像素块进行二类分割,得到道路的潜在引导区域采用嵌入超像素的整体狄利克雷分割技术,所述嵌入超像素的整体狄利克雷分割技术进行二类分割是基于稀疏表示对狄利克雷混合模型参数的自动优化。
9.一种基于超像素的遥感图像提取设备,其特征在于,包括存储器以及处理器,所述存储器内存储有计算机程序,所述处理器用于运行所述计算机程序以实现如权利要求1-5任意一项所述的一种基于超像素的遥感图像提取方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序能够被所述存储介质所在设备的处理器执行,以实现如权利要求1-5任意一项所述的一种基于超像素的遥感图像提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794623.6A CN111860465A (zh) | 2020-08-10 | 2020-08-10 | 基于超像素的遥感图像提取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794623.6A CN111860465A (zh) | 2020-08-10 | 2020-08-10 | 基于超像素的遥感图像提取方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860465A true CN111860465A (zh) | 2020-10-30 |
Family
ID=72971784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010794623.6A Pending CN111860465A (zh) | 2020-08-10 | 2020-08-10 | 基于超像素的遥感图像提取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860465A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561925A (zh) * | 2020-12-02 | 2021-03-26 | 中国联合网络通信集团有限公司 | 图像分割方法、系统、计算机设备及存储介质 |
CN112926596A (zh) * | 2021-02-10 | 2021-06-08 | 北京邮电大学 | 基于循环神经网络的实时超像素分割方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016172889A1 (zh) * | 2015-04-29 | 2016-11-03 | 华为技术有限公司 | 一种图像分割方法和装置 |
WO2019001208A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 一种oct图像中脉络膜新生血管分割算法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
-
2020
- 2020-08-10 CN CN202010794623.6A patent/CN111860465A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016172889A1 (zh) * | 2015-04-29 | 2016-11-03 | 华为技术有限公司 | 一种图像分割方法和装置 |
WO2019001208A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 一种oct图像中脉络膜新生血管分割算法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
ZIY CHEN: "Vehicle Detection in High-Resolution Aerial Images Based on Fast Sparse Representation,Classification and Multiorder Feature", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING * |
ZIYI CHEN: "Corse-to-Fine Road Extraction Based on Local Dirichlet Mixture Models and Multiscale-High-Order Deep Learning", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561925A (zh) * | 2020-12-02 | 2021-03-26 | 中国联合网络通信集团有限公司 | 图像分割方法、系统、计算机设备及存储介质 |
CN112926596A (zh) * | 2021-02-10 | 2021-06-08 | 北京邮电大学 | 基于循环神经网络的实时超像素分割方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10410353B2 (en) | Multi-label semantic boundary detection system | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
CN108230339A (zh) | 一种基于伪标签迭代标注的胃癌病理切片标注补全方法 | |
Dong et al. | Oil palm plantation mapping from high-resolution remote sensing images using deep learning | |
CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
Raghavan et al. | Optimized building extraction from high-resolution satellite imagery using deep learning | |
CN109615614B (zh) | 基于多特征融合的眼底图像中血管的提取方法与电子设备 | |
CN112233129B (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
CN113989662A (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
CN114266794B (zh) | 基于全卷积神经网络的病理切片图像癌症区域分割系统 | |
CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
CN111507337A (zh) | 基于混合神经网络的车牌识别方法 | |
CN111860465A (zh) | 基于超像素的遥感图像提取方法、装置、设备及存储介质 | |
CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN116958827A (zh) | 一种基于深度学习的撂荒区域提取方法 | |
CN116612280A (zh) | 车辆分割方法、装置、计算机设备和计算机可读存储介质 | |
CN116977633A (zh) | 地物要素分割模型训练方法、地物要素分割方法及装置 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN112613354A (zh) | 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法 | |
CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
CN111079807A (zh) | 一种地物分类方法及装置 |
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 |