CN112287757B - 水体识别方法、装置、电子设备及存储介质 - Google Patents
水体识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112287757B CN112287757B CN202011025407.1A CN202011025407A CN112287757B CN 112287757 B CN112287757 B CN 112287757B CN 202011025407 A CN202011025407 A CN 202011025407A CN 112287757 B CN112287757 B CN 112287757B
- Authority
- CN
- China
- Prior art keywords
- data
- water body
- identified
- point
- channel
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 19
- 230000003287 optical effect Effects 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005570 vertical transmission Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Electromagnetism (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了水体识别方法、装置、电子设备及存储介质,涉及图像处理、深度学习、自然语言处理技术领域。具体实现方案为:首先,获取待识别区域的雷达卫星数据及待识别区域内各个点的先验知识数据;接着,根据待识别区域内各个点在VV通道和VH通道下的雷达散射数据,以及待识别区域内各个点的先验知识数据,生成RGB图像;最后,将RGB图像输入预设的水体识别模型,获取待识别区域内的水体信息,该方法通过将待识别区域的雷达散射数据与待识别区域内的各个点的先验知识数据进行结合,生成RGB图像,从而根据RGB图像获取待识别区域的水体信息,实现了在雷达散射数据上增加水体先验知识,增强了雷达散射数据的语义信息,提升了水体识别的准确率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及图像处理、深度学习、自然语言处理技术领域,尤其涉及水体识别方法、装置、电子设备及存储介质。
背景技术
目前,水资源不仅与人类的生产、生活息息相关,更关乎我国经济的可持续和稳定发展。随着人口基数的不断增加,分布极为不均匀的水资源使得我国水资源供需缺口急剧增大。因此,对水资源进行监测和识别,动态分析水资源状态变得尤为重要。
相关技术中,通过深度学习方法对水体进行识别,主要采用雷达散射数据归一化后的RGB(红绿蓝)伪彩色图片进行特征提取对水体进行识别,但是上述技术中,只包含卫星雷达散射数据的信息,水体识别效果较差。
发明内容
提供了一种用于水体识别方法、装置、电子设备及存储介质。
根据第一方面,提供了一种水体识别方法,包括:获取待识别区域的雷达卫星数据,其中,所述雷达卫星数据包括:所述待识别区域内各个点在VV通道和VH通道下的雷达散射数据;获取所述待识别区域内各个点的先验知识数据;根据所述待识别区域内各个点在VV通道和VH通道下的雷达散射数据,以及所述待识别区域内各个点的先验知识数据,生成RGB图像;以及,将所述RGB图像输入预设的水体识别模型,获取所述待识别区域内的水体信息。
根据第二方面,提供了一种水体识别装置,包括:第一获取模块,用于获取待识别区域的雷达卫星数据,其中,所述雷达卫星数据包括:所述待识别区域内各个点在VV通道和VH通道下的雷达散射数据;第二获取模块,用于获取所述待识别区域内各个点的先验知识数据;生成模块,用于根据所述待识别区域内各个点在VV通道和VH通道下的雷达散射数据,以及所述待识别区域内各个点的先验知识数据,生成RGB图像;第三获取模块,用于将所述RGB图像输入预设的水体识别模型,获取所述待识别区域内的水体信息。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的水体识别方法。
根据第四方面,提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上所述的水体识别方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是用来实现本申请实施例的水体识别方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本申请实施例的水体识别方法、装置、电子设备及存储介质。
图1是根据本申请第一实施例的示意图。其中,需要说明的是,本申请实施例的执行主体为水体识别装置,水体识别装置具体可以为硬件设备,或者硬件设备中的软件等。
如图1所示,水体识别方法的具体实现过程如下:
步骤101,获取待识别区域的雷达卫星数据,其中,雷达卫星数据包括:待识别区域内各个点在VV通道和VH通道下的雷达散射数据。
在本申请实施例中,可通过雷达卫星信号接收机实时捕获雷达卫星信号,水体识别装置可与雷达卫星接收机连接以获取待识别区域的雷达卫星数据,其中,需要说明的是,待识别区域可为需要进行水体信息识别的区域,雷达卫星数据可由多个像素点的雷达散射数据组成,每个像素点可对应待识别区域的位置点,在本申请实施例中,雷达卫星数据可包括但不限于待识别区域内各个点在VV通道和VH通道下的雷达散射数据。
需要理解的是,雷达卫星(如哨兵1号雷达卫星)通过发送和接收电磁波获取区域的雷达散射数据,其中VV通道用于垂直发送和垂直接收电磁波。VH通道用于垂直发送和水平接收电磁波。此外,不同的区域对应的雷达散射数据不同。
步骤102,获取待识别区域内各个点的先验知识数据。
为了便于将待识别区域的雷达散射数据与待识别区域内的各个点的先验知识数据进行结合,以增强雷达散射数据的语义信息,在本申请实施例中,获取到待识别区域的雷达散射数据时,可获取待识别区域内各个点的先验知识数据。先验知识数据可包括以下数据中的任意一种:高程数据、结合阈值法以及雷达卫星数据确定得到的水体标记、结合水体指数法以及光学反射数据确定得到的水体标记、网络抓取到的水面覆盖数据确定得到的水体标记,其中,水体标记,表征对应的点为水体或者非水体。
其中,高程数据可为网络公开的数字高程模型的高程数据,通过访问公开高程数据的网络可获取高程数据;结合阈值法以及雷达卫星数据确定得到的水体标记,也就是,根据不同区域对应的雷达散射数据不同(水体对应的雷达散射数据较低),采用一个或多个固定阈值对不同区域对应的雷达散射数据进行区分,实现水体识别并进行水体标记,将该水体标记作为待识别区域内各个点的先验知识数据,如,预先设置一个固定阈值A,如果区域对应的雷达散射数据大于A,则该区域为非水体,如果区域对应的雷达散射数据小于或等于A,则该区域为水体,进行水体标记;又比如,将雷达散射数据覆盖的整个区域划分为不同的子区域,每个子区域对应一个固定阈值,将每个子区域对应的雷达散射数据与该子区域对应的固定阈值进行比对,若该子区域对应的雷达散射数据大于固定阈值,则该子区域为非水体,若该子区域对应的雷达散射数据小于或等于固定阈值,则该子区域为水体,进行水体标记;结合水体指数法以及光学反射数据确定得到的水体标记,也就是通过对光学遥感多个波段反射数据进行计算,将计算结果作为水体指数,将该水体指数作为待识别区域内各个点的先验知识数据,该水体指数可反映区域是否为水体;比如,水体指数大于0时,表示该区域为水体,水体指数小于0时,表示该区域为非水体;网络抓取到的水面覆盖数据确定得到的水体标记,也就是通过对网络抓取到的水面覆盖数据进行计算,确定水体标记,将该水体标记作为待识别区域内各个点的先验知识数据,通过该水体标记可获知待识别区域内对应的点为水体或者非水体。
需要说明的是,为了使待识别区域的雷达散射数据与待识别区域内的各个点的先验知识数据更好地进行结合,雷达卫星数据还可包括采集时间,对应的待识别区域内各个点的先验知识数据可包括待识别区域内各个点在采集时间的先验知识数据。比如,先验知识数据为高程数据时,待识别区域内各个点在采集时间的先验知识数据可为待识别区域内各个点在采集时间点获取的高程数据;又比如,先验知识数据为结合阈值法以及雷达卫星数据确定得到的水体标记时,待识别区域内各个点在采集时间的先验知识数据可为待识别区域内各个点在采集时间点结合阈值法以及雷达卫星数据确定得到的水体标记;又比如,先验知识数据为结合水体指数法以及光学反射数据确定得到的水体标记时,待识别区域内各个点在采集时间的先验知识数据可为待识别区域内各个点在采集时间点结合水体指数法以及光学反射数据确定得到的水体标记;再比如,先验知识数据为网络抓取到的水面覆盖数据确定得到的水体标记时,由于通过网络抓取获取水面覆盖数据,确定得到水体标记具有更新周期,因此,待识别区域内各个点在采集时间的先验知识数据可为待识别区域内各个点在采集时间之前预设时间段内网络抓取到的水面覆盖数据确定得到的水体标记。
步骤103,根据待识别区域内各个点在VV通道和VH通道下的雷达散射数据,以及待识别区域内各个点的先验知识数据,生成RGB图像。
为了增强雷达散射数据的语义信息,可选地,将待识别区域内各个点在VV通道和VH通道下的雷达散射数据、待识别区域内各个点的先验知识数据,依次作为各个点的R通道数据、G通道数据和B通道数据,根据所述待识别区域内各个点的R通道数据、G通道数据和B通道数据,生成RGB图像。具体详见后续实施例的描述。
步骤104,将RGB图像输入预设的水体识别模型,获取待识别区域内的水体信息。
作为一种示例,可将RGB图像输入预设的水体识别模型,获取识别结果,其中,识别结果包括:待识别区域内各个点为水体的概率;接着,根据待识别区域内各个点为水体的概率,确定待识别区域的水体信息。
也就是说,可将RGB图像输入预设的水体识别模型,该水体识别模型可输出待识别区域内各个点为水体的概率,比如,待识别区域内的某个点为水体的概率为0,表示该点为非水体,待识别区域的另外一个点为水体的概率为1,表示该点为水体。接着,将待识别区域内为水体的点组成区域,该区域对应的水体信息为水体,则待识别区域的其他区域对应的水体信息为非水体。由此,将RGB图像输入预设的水体识别模型,可获取待识别区域内各个点为水体的概率,根据待识别区域内各个点为水体的概率,可获知待识别区域的水体信息。
可以理解的是,将RGB图像输入预设的水体识别模型,获取待识别区域内的水体信息之前,可先获取预设的水体识别模型。可选地,通过将获取到的各个区域在历史时间的雷达卫星数据以及先验知识数据,生成对应的RGB图像,将该RGB图像结合历史时间的水体信息,生成训练数据集,根据该训练集对初始的水体识别模型进行训练,从而生成预设的水体识别模型,具体详见后续实施例的描述。
综上,通过将待识别区域的雷达散射数据与待识别区域内的各个点的先验知识数据进行结合,生成RGB图像,从而根据RGB图像获取待识别区域的水体信息,实现了在雷达散射数据上增加水体先验知识,增强了雷达散射数据的语义信息,提升了水体识别的准确率。
为了增强雷达散射数据的语义信息,如图2所示,图2是根据本申请第二实施例的示意图。可选地,将待识别区域内各个点在VV通道和VH通道下的雷达散射数据、待识别区域内各个点的先验知识数据,依次作为各个点的R通道数据、G通道数据和B通道数据,根据所述待识别区域内各个点的R通道数据、G通道数据和B通道数据,生成RGB图像。图1所示实施例的步骤103中可包括如下步骤:
步骤201,将待识别区域内各个点在VV通道下的雷达散射数据、待识别区域内各个点在VH通道下的雷达散射数据、待识别区域内各个点的先验知识数据,依次作为各个点的R通道数据、G通道数据和B通道数据。
为了使待识别区域内各个点在VV通道和VH通道下的雷达散射数据更加准确,作为一种示例,可对待识别区域内各个点在VV通道和VH通道下的雷达散射数据进行预处理,比如,可对待识别区域内各个点在VV通道和VH通道下的雷达散射数据依次进行精准轨道信息修正、加性热噪声去除、边界噪声去除、辐射校准、斑点滤波、地形校正等。接着,将预处理后的待识别区域内各个点在VV通道和VH通道下的雷达散射数据转化为待识别区域内各个点的R通道数据、G通道数据,也就是将预处理后的待识别区域内各个点在VV通道下的雷达散射数据、待识别区域内各个点在VH通道下的雷达散射数据分别作为待识别区域内各个点的R通道数据、G通道数据,另外,将待识别区域内各个点的先验知识数据作为B通道数据。
步骤202,根据待识别区域内各个点的R通道数据、G通道数据和B通道数据,生成RGB图像。
为了增强雷达散射数据的语义信息,可将待识别区域内各个点的R通道数据、G通道数据和B通道数据进行合并,生成RGB图像。由此,在雷达散射数据上增加水体先验知识,增强了雷达散射数据的语义信息。
综上,通过将待识别区域内各个点在VV通道和VH通道下的雷达散射数据、待识别区域内各个点的先验知识数据,依次作为各个点的R通道数据、G通道数据和B通道数据,根据待识别区域内各个点的R通道数据、G通道数据和B通道数据,生成RGB图像,实现了在雷达散射数据上增加水体先验知识,增强了雷达散射数据的语义信息,进而可提升水体识别的准确率。
为了提升待识别区域内的水体信息识别的准确率,在本申请实施例中,将RGB图像输入预设的水体识别模型,获取待识别区域内的水体信息之前,可先获取预设的水体识别模型。如图3所示,图3是根据本申请第三实施例的示意图。通过将获取到的各个区域在历史时间的雷达卫星数据以及先验知识数据,生成对应的RGB图像,将该RGB图像结合历史时间的水体信息,生成训练数据集,根据该训练集对初始的水体识别模型进行训练,从而生成预设的水体识别模型,图1所示实施例的步骤104中可包括如下步骤:
步骤301,获取各个区域在历史时间的水体信息、雷达卫星数据以及先验知识数据。
在本申请实施例中,可将整个地图版块划分为不同的区域,各个区域在历史时间的水体信息可通过在历史时间对各个区域的水体信息进行统计以获取,比如,区域A为水体,区域B为非水体。历史时间的雷达卫星数据可通过在历史时间雷达卫星信号接收机捕获雷达卫星信号,水体识别装置与雷达卫星接收机连接以获取历史时间的雷达卫星数据。此外,为了使预设的水体识别模型更加准确,各个区域在历史时间的先验知识数据可至少包括以下数据中的一种:高程数据、结合阈值法以及雷达卫星数据确定得到的水体标记、结合水体指数法以及光学反射数据确定得到的水体标记、网络抓取到的水面覆盖数据确定得到的水体标记,其中,水体标记,表征对应的点为水体或者非水体。在历史时间的先验知识数据的获取具体可参考图1所述实施例的步骤102,本申请不再赘述。其中,需要说明的是,历史时间可为将RGB图像输入预设的水体模型之前的一定的时间段。
步骤302,根据各个区域的雷达卫星数据以及先验知识数据,生成各个区域在历史时间的RGB图像。
可以理解的是,各个区域的雷达卫星数据可包括各个区域内各个点在VV通道和VH通道下的雷达散射数据,在本申请实施例中,为了使各个区域内各个点在VV通道和VH通道下的雷达散射数据更加准确,作为一种示例,可对各个区域内各个点在VV通道和VH通道下的雷达散射数据进行预处理,比如,可对各个区域内各个点在VV通道和VH通道下的雷达散射数据依次进行精准轨道信息修正、加性热噪声去除、边界噪声去除、辐射校准、斑点滤波、地形校正等。接着,将预处理后的各个区域内各个点在VV通道和VH通道下的雷达散射数据转化为各个区域内各个点的R通道数据、G通道数据,也就是将预处理后的各个区域内各个点在VV通道下的雷达散射数据、各个区域内各个点在VH通道下的雷达散射数据分别作为各个区域内各个点的R通道数据、G通道数据,另外,将各个区域内各个点的先验知识数据作为B通道数据。
需要理解的是,由于各个区域在历史时间的先验知识数据可至少包括以下数据中的一种:高程数据、结合阈值法以及雷达卫星数据确定得到的水体标记、结合水体指数法以及光学反射数据确定得到的水体标记、网络抓取到的水面覆盖数据确定得到的水体标记,其中,水体标记,表征对应的点为水体或者非水体。各个区域在历史时间的每种先验知识数据可对应一个B通道数据,因此,各个区域在历史时间的多种先验知识数据可对应多个不同的B通道数据,根据各个区域的雷达卫星数据以及先验知识数据,生成各个区域在历史时间的RGB图像可为多个。
步骤303,根据各个区域在历史时间的水体信息和RGB图像,生成训练数据集。
步骤304,采用训练数据集对初始的水体识别模型进行训练,生成预设的水体识别模型。
可以理解的是,相比于其他机器学习方法,深度学习在大数据集上的表现更好。在本申请实施例中,可将各个区域在历史时间的水体信息和RGB图像,作为训练数据集,采用该训练数据集对初始的水体识别模型进行深度学习训练,生成预设的水体识别模型。比如,将该训练数据集输入初始的水体识别模型中,根据训练数据集中的各个区域在历史时间的水体信息对初始的水体识别模型的输出结果进行修正,从而生成预设的水体识别模型。其中,需要说明的是,初始的水体识别模型可为未训练的神经网络模型。
综上,通过将获取到的各个区域在历史时间的雷达卫星数据以及先验知识数据,生成对应的RGB图像,将该RGB图像结合历史时间的水体信息,生成训练数据集,根据该训练集对初始的水体识别模型进行训练,从而生成预设的水体识别模型,将待识别区域对应的RGB图像输入该预设的水体识别模型,可提升待识别区域内的水体信息识别的准确率。
本申请实施例的水体识别方法,通过获取待识别区域的雷达卫星数据,其中,雷达卫星数据包括:待识别区域内各个点在VV通道和VH通道下的雷达散射数据;获取待识别区域内各个点的先验知识数据;根据待识别区域内各个点在VV通道和VH通道下的雷达散射数据,以及待识别区域内各个点的先验知识数据,生成RGB图像;以及,将RGB图像输入预设的水体识别模型,获取待识别区域内的水体信息。该方法通过将待识别区域的雷达散射数据与待识别区域内的各个点的先验知识数据进行结合,生成RGB图像,从而根据RGB图像获取待识别区域的水体信息,实现了在雷达散射数据上增加水体先验知识,增强了雷达散射数据的语义信息,提升了水体识别的准确率。
为了实现上述实施例,本申请实施例还提出一种水体识别装置。
图4是根据本申请第四实施例的示意图。如图4所示,该水体识别装置400包括:第一获取模块410、第二获取模块420、生成模块430、第三获取模块440。
其中,第一获取模块410,用于获取待识别区域的雷达卫星数据,其中,雷达卫星数据包括:待识别区域内各个点在VV通道和VH通道下的雷达散射数据;第二获取模块420,用于获取待识别区域内各个点的先验知识数据;生成模块430,用于根据待识别区域内各个点在VV通道和VH通道下的雷达散射数据,以及待识别区域内各个点的先验知识数据,生成RGB图像;第三获取模块440,用于将RGB图像输入预设的水体识别模型,获取所述待识别区域内的水体信息。
作为本申请实施例的一种可能实现方式,先验知识数据包括以下数据中的任意一种:高程数据、结合阈值法以及雷达卫星数据确定得到的水体标记、结合水体指数法以及光学反射数据确定得到的水体标记、网络抓取到的水面覆盖数据确定得到的水体标记。
作为本申请实施例的一种可能实现方式,雷达卫星数据还包括:采集时间;第二获取模块420具体用于,获取待识别区域内各个点在采集时间的先验知识数据。
作为本申请实施例的一种可能实现方式,生成模块430具体用于,将所述待识别区域内各个点在VV通道下的雷达散射数据、所述待识别区域内各个点在VH通道下的雷达散射数据、所述待识别区域内各个点的先验知识数据,依次作为所述各个点的R通道数据、G通道数据和B通道数据;根据所述待识别区域内各个点的R通道数据、G通道数据和B通道数据,生成所述RGB图像。
作为本申请实施例的一种可能实现方式,第三获取模块440具体用于,将RGB图像输入预设的水体识别模型,获取识别结果,其中,识别结果包括:待识别区域内各个点为水体的概率;根据待识别区域内各个点为水体的概率,确定待识别区域的水体信息。
作为本申请实施例的一种可能实现方式,该水体识别装置400还包括:训练模块。
其中,训练模块具体用于获取各个区域在历史时间的水体信息、雷达卫星数据以及先验知识数据;根据各个区域的雷达卫星数据以及先验知识数据,生成各个区域在历史时间的RGB图像;根据各个区域在历史时间的水体信息和RGB图像,生成训练数据集;采用训练数据集对初始的水体识别模型进行训练,生成预设的水体识别模型。
本申请实施例的水体识别装置,通过获取待识别区域的雷达卫星数据,其中,雷达卫星数据包括:待识别区域内各个点在VV通道和VH通道下的雷达散射数据;获取待识别区域内各个点的先验知识数据;根据待识别区域内各个点在VV通道和VH通道下的雷达散射数据,以及待识别区域内各个点的先验知识数据,生成RGB图像;以及,将RGB图像输入预设的水体识别模型,获取待识别区域内的水体信息。该装置可实现通过将待识别区域的雷达散射数据与待识别区域内的各个点的先验知识数据进行结合,生成RGB图像,从而根据RGB图像获取待识别区域的水体信息,实现了在雷达散射数据上增加水体先验知识,增强了雷达散射数据的语义信息,提升了水体识别的准确率。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的水体识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的水体识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的水体识别方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的水体识别方法对应的程序指令/模块(例如,附图4所示的第一获取模块410、第二获取模块420、生成模块430、第三获取模块440)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的水体识别方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据水体识别的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至水体识别的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
水体识别方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与水体识别的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种水体识别方法,包括:
获取待识别区域的雷达卫星数据,其中,所述雷达卫星数据包括:所述待识别区域内各个点在VV通道和VH通道下的雷达散射数据;
获取所述待识别区域内各个点的先验知识数据;
根据所述待识别区域内各个点在VV通道和VH通道下的雷达散射数据,以及所述待识别区域内各个点的先验知识数据,生成RGB图像;以及,
将所述RGB图像输入预设的水体识别模型,获取所述待识别区域内的水体信息;
所述先验知识数据包括以下数据中的任意一种:高程数据、结合阈值法以及所述雷达卫星数据确定得到的水体标记、结合水体指数法以及光学反射数据确定得到的水体标记、网络抓取到的水面覆盖数据确定得到的水体标记;其中,所述水体标记,表征对应的点为水体或者非水体;
所述根据所述待识别区域内各个点在VV通道和VH通道下的雷达散射数据,以及所述待识别区域内各个点的先验知识数据,生成RGB图像,包括:将所述待识别区域内各个点在VV通道下的雷达散射数据、所述待识别区域内各个点在VH通道下的雷达散射数据、所述待识别区域内各个点的先验知识数据,依次作为所述各个点的R通道数据、G通道数据和B通道数据;根据所述待识别区域内各个点的R通道数据、G通道数据和B通道数据,生成所述RGB图像。
2.根据权利要求1所述的方法,其中,所述雷达卫星数据还包括:采集时间;
所述获取所述待识别区域内各个点的先验知识数据,包括:
获取所述待识别区域内各个点在所述采集时间的先验知识数据。
3.根据权利要求1所述的方法,其中,所述将所述RGB图像输入预设的水体识别模型,获取所述待识别区域内的水体信息,包括:
将所述RGB图像输入预设的水体识别模型,获取识别结果,其中,所述识别结果包括:所述待识别区域内各个点为水体的概率;
根据所述待识别区域内各个点为水体的概率,确定所述待识别区域的水体信息。
4.根据权利要求1所述的方法,其中,在将所述RGB图像输入预设的水体识别模型,获取所述待识别区域内的水体信息之前,还包括:
获取各个区域在历史时间的水体信息、雷达卫星数据以及先验知识数据;
根据各个区域的雷达卫星数据以及先验知识数据,生成各个区域在历史时间的RGB图像;
根据各个区域在历史时间的水体信息和RGB图像,生成训练数据集;
采用所述训练数据集对初始的水体识别模型进行训练,生成所述预设的水体识别模型。
5.一种水体识别装置,包括:
第一获取模块,用于获取待识别区域的雷达卫星数据,其中,所述雷达卫星数据包括:所述待识别区域内各个点在VV通道和VH通道下的雷达散射数据;
第二获取模块,用于获取所述待识别区域内各个点的先验知识数据;
生成模块,用于根据所述待识别区域内各个点在VV通道和VH通道下的雷达散射数据,以及所述待识别区域内各个点的先验知识数据,生成RGB图像;
第三获取模块,用于将所述RGB图像输入预设的水体识别模型,获取所述待识别区域内的水体信息;
所述先验知识数据包括以下数据中的任意一种:高程数据、结合阈值法以及所述雷达卫星数据确定得到的水体标记、结合水体指数法以及光学反射数据确定得到的水体标记、网络抓取到的水面覆盖数据确定得到的水体标记;其中,所述水体标记,表征对应的点为水体或者非水体;
所述生成模块具体用于,将所述待识别区域内各个点在VV通道下的雷达散射数据、所述待识别区域内各个点在VH通道下的雷达散射数据、所述待识别区域内各个点的先验知识数据,依次作为所述各个点的R通道数据、G通道数据和B通道数据;根据所述待识别区域内各个点的R通道数据、G通道数据和B通道数据,生成所述RGB图像。
6.根据权利要求5所述的装置,其中,所述雷达卫星数据还包括:采集时间;
所述第二获取模块具体用于,获取所述待识别区域内各个点在所述采集时间的先验知识数据。
7.根据权利要求5所述的装置,其中,所述第三获取模块具体用于,
将所述RGB图像输入预设的水体识别模型,获取识别结果,其中,所述识别结果包括:所述待识别区域内各个点为水体的概率;
根据所述待识别区域内各个点为水体的概率,确定所述待识别区域的水体信息。
8.根据权利要求5所述的装置,其中,所述装置还包括:训练模块,所述训练模块具体用于,
获取各个区域在历史时间的水体信息、雷达卫星数据以及先验知识数据;
根据各个区域的雷达卫星数据以及先验知识数据,生成各个区域在历史时间的RGB图像;
根据各个区域在历史时间的水体信息和RGB图像,生成训练数据集;
采用所述训练数据集对初始的水体识别模型进行训练,生成所述预设的水体识别模型。
9. 一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011025407.1A CN112287757B (zh) | 2020-09-25 | 2020-09-25 | 水体识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011025407.1A CN112287757B (zh) | 2020-09-25 | 2020-09-25 | 水体识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287757A CN112287757A (zh) | 2021-01-29 |
CN112287757B true CN112287757B (zh) | 2024-04-26 |
Family
ID=74421379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011025407.1A Active CN112287757B (zh) | 2020-09-25 | 2020-09-25 | 水体识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287757B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107361793A (zh) * | 2017-07-18 | 2017-11-21 | 深圳开立生物医疗科技股份有限公司 | 超声波成像方法、系统及超声成像设备 |
CN110378865A (zh) * | 2019-04-28 | 2019-10-25 | 湖南师范大学 | 一种复杂背景下的雾天能见度智能分级识别方法及系统 |
WO2020000879A1 (zh) * | 2018-06-27 | 2020-01-02 | 北京字节跳动网络技术有限公司 | 图像识别方法和装置 |
GB202002023D0 (en) * | 2020-02-14 | 2020-04-01 | Nokia Technologies Oy | Adapting models for artifical intelligence |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9106078B2 (en) * | 2013-02-05 | 2015-08-11 | Utilidata, Inc. | Cascade adaptive regulator tap manager method and system |
-
2020
- 2020-09-25 CN CN202011025407.1A patent/CN112287757B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107361793A (zh) * | 2017-07-18 | 2017-11-21 | 深圳开立生物医疗科技股份有限公司 | 超声波成像方法、系统及超声成像设备 |
WO2020000879A1 (zh) * | 2018-06-27 | 2020-01-02 | 北京字节跳动网络技术有限公司 | 图像识别方法和装置 |
CN110378865A (zh) * | 2019-04-28 | 2019-10-25 | 湖南师范大学 | 一种复杂背景下的雾天能见度智能分级识别方法及系统 |
GB202002023D0 (en) * | 2020-02-14 | 2020-04-01 | Nokia Technologies Oy | Adapting models for artifical intelligence |
Non-Patent Citations (2)
Title |
---|
VHF/UHF常用通信信号调制识别算法;沈连腾;巩克现;王伟年;杨建元;;计算机仿真;20170115(01);全文 * |
一种基于深度学习的舰船目标融合识别算法;李家起;江政杰;姚力波;简涛;;舰船电子工程;20200920(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112287757A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11615605B2 (en) | Vehicle information detection method, electronic device and storage medium | |
US11694461B2 (en) | Optical character recognition method and apparatus, electronic device and storage medium | |
US20210312172A1 (en) | Human body identification method, electronic device and storage medium | |
CN111582375B (zh) | 数据增强策略搜索方法、装置、设备以及存储介质 | |
CN112270669B (zh) | 人体3d关键点检测方法、模型训练方法及相关装置 | |
CN111259671B (zh) | 文本实体的语义描述处理方法、装置及设备 | |
CN112149634B (zh) | 图像生成器的训练方法、装置、设备以及存储介质 | |
CN110968718B (zh) | 目标检测模型负样本挖掘方法、装置及电子设备 | |
CN111462174B (zh) | 多目标跟踪方法、装置以及电子设备 | |
CN112150462B (zh) | 确定目标锚点的方法、装置、设备以及存储介质 | |
US20210390346A1 (en) | Method and apparatus for training cross-modal face recognition model, device and storage medium | |
CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
CN112149741B (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN111860769A (zh) | 预训练图神经网络的方法以及装置 | |
CN111539347B (zh) | 用于检测目标的方法和装置 | |
CN112241716B (zh) | 训练样本的生成方法和装置 | |
CN111488821B (zh) | 用于识别交通信号灯倒计时信息的方法及装置 | |
US20220027575A1 (en) | Method of predicting emotional style of dialogue, electronic device, and storage medium | |
CN111861991B (zh) | 计算图像清晰度的方法以及装置 | |
CN111709428B (zh) | 图像中关键点位置的识别方法、装置、电子设备及介质 | |
CN111768005B (zh) | 轻量级检测模型的训练方法、装置、电子设备及存储介质 | |
CN111640103B (zh) | 图像检测方法、装置、设备以及存储介质 | |
CN111695516B (zh) | 热力图的生成方法、装置及设备 | |
CN112150463B (zh) | 用于确定黄斑中心凹位置的方法及装置 | |
CN112016523B (zh) | 跨模态人脸识别的方法、装置、设备和存储介质 |
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 |