CN112287894A - 基于深度学习的水域特征提取方法及系统 - Google Patents
基于深度学习的水域特征提取方法及系统 Download PDFInfo
- Publication number
- CN112287894A CN112287894A CN202011342143.2A CN202011342143A CN112287894A CN 112287894 A CN112287894 A CN 112287894A CN 202011342143 A CN202011342143 A CN 202011342143A CN 112287894 A CN112287894 A CN 112287894A
- Authority
- CN
- China
- Prior art keywords
- water area
- test
- training
- random forest
- forest model
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的水域特征提取方法,包括:获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图;将所述水域二值图处理为适合输入到随机森林模型的测试特征集合;获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合;将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型;将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合;添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果,解决了水域检测分类效果不佳的问题,提高水域提取结果的稳定性与精度。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种基于深度学习的水域特征提取方法及系统。
背景技术
水域检测一般可以采用如无人机设备等鸟瞰角度进行图像的拍摄,提取图像中的水域区域,一般包括池塘、湖泊、河流等不同级别与类型的区域;目前,水域提取项目大多实现于遥感图像任务中,该类算法经常被水利局使用进行水利测绘,而鸟瞰图像的分辨率更高,视野区域低于遥感图像,场景更加复杂,房地产规划,市政规划等项目都需要水域提取技术进行支撑,现有的很多算法都是基于数学形态学技术的检测方法,这类方法通过动态选择滤波器完成对图像中水域边缘、形状等空间特征提取来检测水域,但是对形状复杂的水域检测效果不佳,其次,对水域只进行检测而不进行分类,损失了大量的可用信息,限制了该方法输出结果的应用范围。
因此,设计一种基于深度学习的水域特征提取方法及装置,能够准确检测出水域位置,并对检测出的水域进行快速精确地分类,提高水域提取结果的稳定性与精度是至关重要的。
发明内容
本发明主要目的在于提供一种基于深度学习的水域特征提取方法及系统,旨在解决现有技术中水域检测分类效果不佳的问题。
为实现上述目的,本发明提供一种基于深度学习的水域特征提取方法,所述基于深度学习的水域特征提取方法包括以下步骤:
在一实施例中,获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图;
将所述水域二值图处理为适合输入到随机森林模型的测试特征集合;
获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合;
将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型;
将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合;
添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果。
在一实施例中,还包括,利用公开数据集训练水域识别模型。
在一实施例中,所述水域识别模型为VGG16模型。
在一实施例中,所述水域二值图包括测试水域集合;所述将所述水域二值图处理为适合输入到随机森林模型的测试特征集合,包括:
根据联通域标记方法对测试水域集合中各测试水域进行标记,得到测试联通域集合;
提取所述测试联通域集合中各测试联通域的特征,将所述测试联通域的特征合并为测试特征,得到适合输入到随机森林模型的测试特征集合。
在一实施例中,所述测试联通域的特征包括:直接特征和间接特征;所述将所述测试联通域的特征合并为测试特征,包括将所述测试联通域的直接特征和间接特征合并为测试特征。
在一实施例中,所述获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合,包括:
获取已有的水域分类数据集,提取所述分类数据集中的训练水域集合;
根据联通域标记方法对所述训练水域集合进行标记,生成训练联通域集合;
提取所述训练联通域集合中各训练联通域的直接特征和间接特征,将所述训练联通域的直接特征和间接特征合并为训练特征,得到适合输入到随机森林模型的训练特征集合。
为实现上述目的,本发明还提供一种基于深度学习的水域特征提取系统,在一实施例中,所述系统包括:
水域图像识别模块,用于获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图;
水域数据处理模块,用于将所述水域二值图处理为适合输入到随机森林模型的测试特征集合;获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合;
模型训练模块,用于将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型;
水域分类与优化模块,用于将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合;添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果。
在一实施例中,所述水域图像识别模块中采用的水域识别模型为VGG16模型。
为实现上述目的,本发明还提供一种水域特征提取装置,所述水域特征提取装置包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的基于深度学习的水域特征提取程序,所述基于深度学习的水域特征提取程序被所述处理器执行时实现如上所述的基于深度学习的水域特征提取方法的各个步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有基于深度学习的水域特征提取程序,所述基于深度学习的水域特征提取程序被处理器执行时实现如上所述的基于深度学习的水域特征提取方法的各个步骤。
本申请实施例中提供的基于深度学习的水域特征提取方法及系统、水域特征提取装置、计算机可读存储介质的技术方案,至少具有如下技术效果:
由于采用了获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图;根据联通域标记方法对测试水域集合中各测试水域进行标记,得到测试联通域集合,提取所述测试联通域集合中各测试联通域的特征,将所述测试联通域的特征合并为测试特征,将所述水域二值图处理为适合输入到随机森林模型的测试特征集合;获取已有的水域分类数据集,提取所述分类数据集中的训练水域集合,根据联通域标记方法对所述训练水域集合进行标记,生成训练联通域集合,提取所述训练联通域集合中各训练联通域的直接特征和间接特征,将所述训练联通域的直接特征和间接特征合并为训练特征,以并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合;将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型;将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合;通过添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果的技术方案,解决了现有技术中水域检测分类效果不佳的问题,提高水域提取结果的稳定性与精度。
附图说明
图1为本发明实施例涉及的水域特征提取装置结构示意图;
图2为本发明基于深度学习的水域特征提取方法第一实施例的流程示意图;
图3为本发明基于深度学习的水域特征提取方法第二实施例的流程示意图;
图4为本发明基于深度学习的水域特征提取方法第一实施例步骤S230的一个细化流程示意图;
图5为本发明基于深度学习的水域特征提取方法第一实施例步骤S240的一个细化流程示意图;
图6为本发明基于深度学习的水域特征提取系统的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请为了解决了现有技术中水域检测分类效果不佳的问题,采用了获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图;将所述水域二值图处理为适合输入到随机森林模型的测试特征集合;获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合;将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型;将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合;添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果的技术方案,提高水域提取结果的稳定性与精度。
为了更好地理解上述技术方案,下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,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例所限制。相反,提供这些实施例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。
本领域技术人员可以理解,图1所示的水域特征提取装置结构并不构成对水域特征提取装置的限定,水域特征提取装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器1100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1100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1100可以是通用处理器、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发明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。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1200,处理器1100读取存储器1200中的信息,结合其硬件完成上述方法的步骤。
可以理解,本发明实施例中的存储器1200可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本发明实施例描述的系统和方法的存储器1200旨在包括但不限于这些和任意其它适合类型的存储器。
对于软件实现,可通过执行本发明实施例所述功能的模块(例如过程、函数等)来实现本发明实施例所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
基于上述结构,提出本发明的实施例。
参照图2,图2为本发明基于深度学习的水域特征提取方法第一实施例的流程示意图,包括以下步骤:
步骤S110,获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图。
在本实施例中,获取待分类识别的图像,将待分类识别的鸟瞰图像输入训练好的水域识别模型m1,在这个过程中,需要先对待分类识别的图像进行预处理,所述待分类识别的图像一般为彩色图像,因此,对彩色图像进行灰度化转化为灰度图像,所述灰度图像也称为灰阶图像,灰度图像中每个像素可以由0(黑)到255(白)的亮度值表示,0-255之间表示不同的灰度级;最后,对彩色图像进行灰度化处理后,进行二值化处理转化为水域二值图A,所述二值化处理可以采用阈值法,利用图像中目标与背景的差异,把图像分别设置为两个不同的级别,选取一个合适的阈值,以确定像素是目标还是背景,从而获得水域二值图A;在这个过程中,还可以将预处理后的水域二值图进行均衡处理,使输入图像各像素分布均衡,获取所述待分类识别图像的三通道图像,为每个通道图像进行增广处理,将进行均衡处理后的待分类识别的图像输入水域识别模型进行训练,生成水域二值图。
步骤S120,将所述水域二值图处理为适合输入到随机森林模型的测试特征集合。
在本实施例中,所述水域二值图包括测试水域集合W和背景b,其中W={w1,w2,...,wi,...,wn},其中wi表示二值图A中的第i个水域,i的取值是从1到n,n表示测试水域个数,取值为正整数;所述将水域二值图处理为适合输入到随机森林模型的测试特征集合,首先,需要获取水域二值图中的测试水域集合,接着,根据联通域标记方法对测试水域集合中各测试水域进行标记,得到测试联通域集合,最后,提取所述测试联通域集合中各测试联通域的特征,将所述测试联通域的特征合并为测试特征,得到适合输入到随机森林模型的测试特征集合,具体实现过程如第二实施例步骤S231至步骤S232所述,这里不再赘述。
步骤S130,获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合。
在本实施例中,首先,从公开网站获取已有的水域分类数据集,该水域分类数据集中的数据可以是不同级别、不同类型的水域数据,例如池塘、湖泊或河流等,具体还可以细分为池塘水域的边缘、池塘水域的的形状等,还可以是池塘水域不同角度的水域数据等,这些水域分类数据集数据都可以从公开网站获取;接着,将所述已有的水域分类数据集处理为适合输入所述随机森林的训练特征集合,包括:获取已有的水域分类数据集,提取所述分类数据集中的训练水域集合,根据联通域标记方法对所述训练水域集合进行标记,生成训练联通域集合,提取所述训练联通域集合中各训练联通域的直接特征和间接特征,将所述训练联通域的直接特征和间接特征合并为训练特征,得到适合输入到随机森林模型的训练特征集合,具体实现过程如第二实施例步骤S241至步骤S243所述,这里不再赘述。
步骤S140,将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型。
在本实施例中,将训练特征集合中的每一个训练特征输入随机森林中训练,训练得到已训练随机森林模型,随机森林指的是利用多棵树对样本进行训练并预测的一种分类器,将所述训练特征集合输入所述随机森林模型根据下列算法而建造每棵树:
①用N来表示训练样本的个数,M表示特征数目;
②输入特征数目m,用于确定决策树上一个节点的决策结果;其中m应远小于M。
③从N个训练样本中以有放回抽样的方式,取样N次,形成一个训练集(即取样),并用未抽到的样本作预测,评估其误差。
④对于每一个节点,随机选择m个特征,决策树上每个节点的决定都是基于这些特征确定的,根据这m个特征,计算其最佳的分裂方式。
⑤每棵树都会完整成长而不会剪枝,这有可能在建完一棵正常树状分类器后会被采用。
步骤S150,将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合。
在本实施例中,将测试特征集合中的每一个测试特征输入至已训练随机森林模型,得到初始分类结果集合H={h1,...,hi,...,hn},其中,hi表示初始分类结果集合中的第i个初始分类结果。
步骤S160,添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果。
在本实施例中,本申请将先验约束规则与深度学习方法相结合,所述先验约束规则即先验知识,先验知识的应用,使得水域识别率明显提高,因为水域分类问题中只是在“边界”上的样本比较难分类,而这样的样本一般只出现在几类样本的“边界”上。因此,当预测某样本所属的类别时,可以排除该样本不可能属于的一些类,在其余类上对该样本进行分类,实际上就相当于给这个样本一定的先验知识。例如,当你遇到一个白发苍苍,满脸皱纹的人时,要判断这个人是老年、中年、青年、少年中的哪一类时,肯定不会认为他属于少年这一类,但是在一般的方法中仍要检测他是否属于少年,这显然是多余的,因此,将某个样本不属于的那些类去掉相当于去掉了若干影响分类效果的类别,以提高识别率。先验知识的有效利用能够得到更简单的神经网络结构,如果需要分类的类别很多时,有效利用先验可以简化模型,便于调参,提高效率,更容易进行参数调整以及网络结构优化等细节的处理,从而实现大量的分类实验。一个样本有很多特征,根据某些特征,对样本做预分类,可以判断它属于或是不属于哪些类,得到先验知识;对于图像样本,根据训练集中若干像素点的统计结果,也可以获取样本的先验知识,例如,对于0,1,2,...,9这10类图片,如果图片左边框的中间部分有黑色像素点的话,我们首先能够区分出这张图片不属于1,2,7这3类,这就是先验知识的获取。选取不同的分类方法,我们可以得到不同的先验知识。本申请通过添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果,对于每一个待分类的样本,都对应此样本的一个先验知识,来表示此样本在没有其它信息时所属类别的概率表示:(p1,p2,p3,…,pn),其中pn表示此样本属于第n类的先验概率,假设一个样本的概率表示是(0.4,0.4,0.2,0)表示此样本是老年人的先验概率是0.4,是中年人的先验概率是0.4,是青年人的概率是0.2,但不可能是少年。
由于采用了获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图;获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合;将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型;将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合;通过添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果的技术方案,解决了现有技术中水域检测分类效果不佳的问题,提高水域提取结果的稳定性与精度。
参照图3,图3为本发明基于深度学习的水域特征提取方法第二实施例的流程示意图,包括以下步骤:
步骤S210,利用公开数据集训练水域识别模型。
在本实施例中,所述水域识别模型为VGG16模型,VGG16模型总共有16层,13个卷积层和3个全连接层,第一次经过64个卷积核的两次卷积后,采用一次池化,第二次经过两次128个卷积核卷积后,再采用池化,再重复两次三个512个卷积核卷积后,再池化,最后经过三次全连接,本申请从公开数据集以及各种网站获取包含水域的鸟瞰图像,设计多层卷积神经网络,并利用所有鸟瞰图像训练神经网络,得到一个训练好的水域识别模型,将待分类识别的水域图像输入水域识别模型中训练。
步骤S220,获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图。
步骤S230,将所述水域二值图处理为适合输入到随机森林模型的测试特征集合。
参照图4,图4为本发明基于深度学习的水域特征提取方法第二实施例步骤S230的一个细化流程示意图,包括以下步骤:
步骤S231,根据联通域标记方法对测试水域集合中各测试水域进行标记,得到测试联通域集合。
在本实施例中,利用联通域标记算法对测试水域集合W中每一个wi进行标记,得到测试联通域集合D={d1,...,di,...,dn},其中,di表示测试联通域集合中的第i个联通域。
步骤S232,提取所述测试联通域集合中各测试联通域的特征,将所述测试联通域的特征合并为测试特征,得到适合输入到随机森林模型的测试特征集合。
在本实施例中,所述测试联通域的特征包括直接特征和间接特征;所述将所述测试联通域的特征合并为测试特征包括将所述测试联通域的直接特征和间接特征合并为测试特征,在本实施例中,提取测试联通域集合D中每一个di的直接特征fi 1和间接特征fi 2,将di的直接特征fi 1和间接特征fi 2合并为fi,得到测试特征集合F={f1,...,fi,...,fn},其中,fi表示测试特征集合的第i个特征。
由于采用了根据联通域标记方法对测试水域集合中各测试水域进行标记,得到测试联通域集合,提取测试联通域集合中每一个测试联通域的直接特征和间接特征,将所述测试联通域的特征合并为测试特征,得到适合输入到随机森林模型的测试特征集合,从而得到可以输入到随机森林模型中训练的测试特征集合。
步骤S240,获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合。
参照图5,图5为本发明基于深度学习的水域特征提取方法第一实施例步骤S240的一个细化流程示意图,包括以下步骤:
步骤S241,获取已有的水域分类数据集,提取所述分类数据集中的训练水域集合。
在本实施例中,从公开网站获取水域分类数据集,提取该数据集的训练水域集合C={c1,...,cj,...,cm},其中,cj表示该数据集中的第j个水域,j的取值是从1到m,m表示训练水域个数,取值为正整数。
步骤S242,根据联通域标记方法对所述训练水域集合进行标记,生成训练联通域集合。
在本实施例中,利用联通域标记算法对训练水域集合C中每一个cj进行标记,得到训练联通域集合E={e1,...,ej,...,em},其中,ej表示训练联通域集合中的第j个联通域。
步骤S243,提取所述训练联通域集合中各训练联通域的直接特征和间接特征,将所述训练联通域的直接特征和间接特征合并为训练特征,得到适合输入到随机森林模型的训练特征集合。
在本实施例中,提取训练联通域集合E中每一个训练联通域ej的直接特征和间接特征将ej的直接特征和间接特征合并为gj,得到训练特征集合G={g1,...,gj,...,gm},其中gj表示训练特征集合中的第j个特征,从而得到可以是适合输入到随机森林模型中训练的训练特征集合。
由于采用获取已有的水域分类数据集,提取所述分类数据集中的训练水域集合,根据联通域标记方法对所述训练水域集合进行标记,生成训练联通域集合,提取所述训练联通域集合中各训练联通域的直接特征和间接特征,将所述训练联通域的直接特征和间接特征合并为训练特征,得到适合输入到随机森林模型的训练特征集合。
步骤S250,将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型。
步骤S260,将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合。
步骤S270,添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果。
与第一实施例相比,第二实施例步骤S220至步骤S270与第一实施例相同,不再赘述。
由于采用了利用公开数据集训练水域识别模型,获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图;根据联通域标记方法对测试水域集合中各测试水域进行标记,得到测试联通域集合,提取所述测试联通域集合中各测试联通域的特征,将所述测试联通域的特征合并为测试特征,将所述水域二值图处理为适合输入到随机森林模型的测试特征集合;获取已有的水域分类数据集,提取所述分类数据集中的训练水域集合,根据联通域标记方法对所述训练水域集合进行标记,生成训练联通域集合,提取所述训练联通域集合中各训练联通域的直接特征和间接特征,将所述训练联通域的直接特征和间接特征合并为训练特征,以并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合;将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型;将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合;通过添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果的技术方案,解决了现有技术中水域检测分类效果不佳的问题,提高水域提取结果的稳定性与精度。
基于同一发明构思,本发明还提供一种基于深度学习的水域特征提取系统,如图6所示,图6为本发明基于深度学习的水域特征提取系统的结构示意图,所述系统利用公开数据集训练水域识别模型,所述系统包括:水域图像识别模块10、水域数据处理模块20、模型训练模块30、水域分类与优化模块40。
水域图像识别模块10,用于获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图,其中,水域图像识别模块中采用的水域识别模型为VGG16模型。
水域数据处理模块20,用于将所述水域二值图处理为适合输入到随机森林模型的测试特征集合;其中,所述水域数据处理模块20根据联通域标记方法对测试水域集合中各测试水域进行标记,得到测试联通域集合;提取所述测试联通域集合中各测试联通域的特征,将所述测试联通域的特征合并为测试特征,得到适合输入到随机森林模型的测试特征集合,所述测试联通域的特征包括:直接特征和间接特征,所述水域数据处理模块20将所述测试联通域的直接特征和间接特征合并为测试特征;所述水域数据处理模块20,还用于获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合;其中,水域数据处理模块20通过获取已有的水域分类数据集,提取所述分类数据集中的训练水域集合;根据联通域标记方法对所述训练水域集合进行标记,生成训练联通域集合;提取所述训练联通域集合中各训练联通域的直接特征和间接特征,将所述训练联通域的直接特征和间接特征合并为训练特征,得到适合输入到随机森林模型的训练特征集合。
模型训练模块30,用于将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型。
水域分类与优化模块40,用于将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合;添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果。
由于采用了水域图像识别模块获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图;水域数据处理模块将所述水域二值图处理为适合输入到随机森林模型的测试特征集合;获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合;模型训练模块将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型;水域分类与优化模块将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合;添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果的技术方案,解决了现有技术中水域检测分类效果不佳的问题,通过提供一种基于深度学习的水域特征提取系统从而提高水域提取结果的稳定性与精度。
基于同一发明构思,本发明还提供一种水域特征提取装置,所述水域特征提取装置包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的基于深度学习的水域特征提取程序,所述基于深度学习的水域特征提取程序被所述处理器执行时实现如上所述的基于深度学习的水域特征提取方法的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
由于本申请实施例提供的水域特征提取装置,为实施本申请实施例的方法所采用的水域特征提取装置,故而基于本申请实施例所介绍的方法,本领域所属人员能够了解该水域特征提取装置的具体结构及变形,故而在此不再赘述。凡是本申请实施例的方法所采用的水域特征提取装置都属于本申请所欲保护的范围。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
基于同一发明构思,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有基于深度学习的水域特征提取程序,所述基于深度学习的水域特征提取程序被处理器执行时实现如上所述的基于深度学习的水域特征提取方法的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
由于本申请实施例提供的计算机可读存储介质,为实施本申请实施例的方法所采用的计算机可读存储介质,故而基于本申请实施例所介绍的方法,本领域所属人员能够了解该计算机可读存储介质的具体结构及变形,故而在此不再赘述。凡是本申请实施例的方法所采用的计算机可读存储介质都属于本申请所欲保护的范围。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,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部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习的水域特征提取方法,其特征在于,所述方法包括:
获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图;
将所述水域二值图处理为适合输入到随机森林模型的测试特征集合;
获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合;
将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型;
将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合;
添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果。
2.如权利要求1所述的基于深度学习的水域特征提取方法,其特征在于,还包括,利用公开数据集训练水域识别模型。
3.如权利要求2所述的基于深度学习的水域特征提取方法,其特征在于,所述水域识别模型为VGG16模型。
4.如权利要求2所述的基于深度学习的水域特征提取方法,其特征在于,所述水域二值图包括测试水域集合;所述将所述水域二值图处理为适合输入到随机森林模型的测试特征集合,包括:
根据联通域标记方法对测试水域集合中各测试水域进行标记,得到测试联通域集合;
提取所述测试联通域集合中各测试联通域的特征,将所述测试联通域的特征合并为测试特征,得到适合输入到随机森林模型的测试特征集合。
5.如权利要求4所述的基于深度学习的水域特征提取方法,其特征在于,所述测试联通域的特征包括:直接特征和间接特征;所述将所述测试联通域的特征合并为测试特征,包括:将所述测试联通域的直接特征和间接特征合并为测试特征。
6.如权利要求2所述的基于深度学习的水域特征提取方法,其特征在于,所述获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合,包括:
获取已有的水域分类数据集,提取所述分类数据集中的训练水域集合;
根据联通域标记方法对所述训练水域集合进行标记,生成训练联通域集合;
提取所述训练联通域集合中各训练联通域的直接特征和间接特征,将所述训练联通域的直接特征和间接特征合并为训练特征,得到适合输入到随机森林模型的训练特征集合。
7.一种基于深度学习的水域特征提取系统,其特征在于,包括:
水域图像识别模块,用于获取待分类识别的图像,并将所述待分类识别的图像输入水域识别模型以生成水域二值图;
水域数据处理模块,用于将所述水域二值图处理为适合输入到随机森林模型的测试特征集合;获取已有的水域分类数据集,并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合;
模型训练模块,用于将所述训练特征集合输入所述随机森林模型,训练得到已训练随机森林模型;
水域分类与优化模块,用于将所述测试特征集合输入到所述已训练随机森林模型,得到初始分类结果集合;添加先验约束规则,采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化,得到水域分类结果。
8.如权利要求7所述的基于深度学习的水域特征提取系统,其特征在于,所述水域图像识别模块中采用的水域识别模型为VGG16模型。
9.一种水域特征提取装置,其特征在于,所述装置包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的基于深度学习的水域特征提取程序,所述基于深度学习的水域特征提取程序被所述处理器执行时实现如权利要求1-6任一项所述的基于深度学习的水域特征提取方法的各个步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有基于深度学习的水域特征提取程序,所述基于深度学习的水域特征提取程序被处理器执行时实现如权利要求1-6任一项所述的基于深度学习的水域特征提取方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342143.2A CN112287894A (zh) | 2020-11-25 | 2020-11-25 | 基于深度学习的水域特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342143.2A CN112287894A (zh) | 2020-11-25 | 2020-11-25 | 基于深度学习的水域特征提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112287894A true CN112287894A (zh) | 2021-01-29 |
Family
ID=74425511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011342143.2A Pending CN112287894A (zh) | 2020-11-25 | 2020-11-25 | 基于深度学习的水域特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287894A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128568A (zh) * | 2021-03-26 | 2021-07-16 | 广州大学 | 一种挖掘机活动识别方法、系统、装置及存储介质 |
CN113609779A (zh) * | 2021-08-16 | 2021-11-05 | 深圳力维智联技术有限公司 | 分布式机器学习的建模方法、装置及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738257A (zh) * | 2019-10-15 | 2020-01-31 | 西安电子科技大学 | 基于特征提取的光学遥感图像水域分类方法 |
-
2020
- 2020-11-25 CN CN202011342143.2A patent/CN112287894A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738257A (zh) * | 2019-10-15 | 2020-01-31 | 西安电子科技大学 | 基于特征提取的光学遥感图像水域分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128568A (zh) * | 2021-03-26 | 2021-07-16 | 广州大学 | 一种挖掘机活动识别方法、系统、装置及存储介质 |
CN113128568B (zh) * | 2021-03-26 | 2023-08-11 | 广州大学 | 一种挖掘机活动识别方法、系统、装置及存储介质 |
CN113609779A (zh) * | 2021-08-16 | 2021-11-05 | 深圳力维智联技术有限公司 | 分布式机器学习的建模方法、装置及设备 |
CN113609779B (zh) * | 2021-08-16 | 2024-04-09 | 深圳力维智联技术有限公司 | 分布式机器学习的建模方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN109840531B (zh) | 训练多标签分类模型的方法和装置 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
Zhuo et al. | Cloud classification of ground-based images using texture–structure features | |
CN110826558B (zh) | 图像分类方法、计算机设备和存储介质 | |
US9245198B2 (en) | Object recognition by comparison of patterns against map of image | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
CN112001403A (zh) | 一种图像轮廓检测方法及系统 | |
CN112287894A (zh) | 基于深度学习的水域特征提取方法及系统 | |
Chen et al. | Finding arbitrary-oriented ships from remote sensing images using corner detection | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
CN114037640A (zh) | 图像生成方法及装置 | |
CN111177447B (zh) | 一种基于深度网络模型的行人图像识别方法 | |
CN114048810A (zh) | 一种基于多层次特征提取网络的高光谱图像分类方法 | |
CN112801227A (zh) | 一种台风识别模型的生成方法、装置、设备及存储介质 | |
CN115439654A (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
Oga et al. | River state classification combining patch-based processing and CNN | |
KR101622748B1 (ko) | 입력 이미지로부터 객체를 검출하기 위한 방법, 장치 및 컴퓨터 판독가능 기록매체 | |
CN112597997A (zh) | 感兴趣区域确定方法、图像内容识别方法及装置 | |
CN112348750A (zh) | 基于阈值融合和邻域投票的sar图像变化检测方法 | |
Li et al. | Change detection in synthetic aperture radar images based on log-mean operator and stacked auto-encoder | |
CN112699809B (zh) | 痘痘类别识别方法、装置、计算机设备及存储介质 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN113344042A (zh) | 基于辅助驾驶的路况图像模型训练方法、系统和智能终端 |
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 |