CN112348823A - 一种面向对象的高分辨率遥感影像分割算法 - Google Patents
一种面向对象的高分辨率遥感影像分割算法 Download PDFInfo
- Publication number
- CN112348823A CN112348823A CN202011011810.9A CN202011011810A CN112348823A CN 112348823 A CN112348823 A CN 112348823A CN 202011011810 A CN202011011810 A CN 202011011810A CN 112348823 A CN112348823 A CN 112348823A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- sensing image
- resolution
- picture
- 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
- 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
- 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
Abstract
本发明公开了一种面向对象的高分辨率遥感影像分割算法,该方法包括以下步骤:A.无人机或者卫星拍照单元采集遥感影像数据;B.对每张IMG源数据图片进行矢量、栅格、PNG格式转换;C.将预处理的图片依据crop size进行裁剪作为神经网络的输入;D.按照8∶2比例随机划分训练集和测试集;E.深度学习训练神经网络参数,保存训练结果最优的模型;F.预测图片,输出后处理优化成果物。本发明显著解决数据样本不均衡问题,模型交并比高;输入大尺度遥感影像图片,成果图像融合性好,生成的图像分辨率高。
Description
技术领域
本发明属于遥感测绘地理信息技术领域,具体为一种面向对象的高分辨率遥感影像分割算法。
背景技术
语义分割是一种典型的计算机视觉问题,其涉及将一些原始数据例如:平面图像作为输入,并将它们转换为具有突出显示的感兴趣区域的掩模。专业术语为全像素语义分割,其中图像中的每个像素根据其所属的感兴趣对象被分配类别ID。
普通的图像分割,通常意味着传统语义分割,这个时期的图像分割(大概2010年前),由于计算机计算能力有限,早期只能处理一些灰度图,后来才能处理RGB图,这个时期的分割主要是通过提取图片的低级特征,然后进行分割,涌现了一些方法:Ostu、FCM、分水岭、N-Cut等。这个阶段一般是非监督学习,分割出来的结果并没有语义的标注;换句话说,分割出来的东西并不知道是什么。
随后,随着计算能力的提高,人们开始考虑获得图像的语义分割,这里的语义目前是低级语义,主要指分割出来的物体的类别,这个阶段(大概是2010年到2015年)人们考虑使用机器学习的方法进行图像语义分割。
随着FCN的出现,深度学习正式进入图像语义分割领域。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接,容易引入空间信息,能较好地解决图像中的噪声和不均匀问题。
针对相关技术中的问题,目前尚未提出有效的解决方案,为此,我们提出一种面向对象的高分辨率遥感影像分割算法。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供一种面向对象的高分辨率遥感影像分割算法,解决了背景技术中提到的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种面向对象的高分辨率遥感影像分割算法,该方法包括以下步骤:
A.无人机或者卫星拍照单元采集遥感影像数据;
B.对每张IMG源数据图片进行矢量、栅格、PNG格式转换;
C.将预处理的图片依据crop size进行裁剪作为神经网络的输入;
D.按照8∶2比例随机划分训练集和测试集;
E.深度学习训练神经网络参数,保存训练结果最优的模型;
F.预测图片,输出后处理优化成果物。
优选的,所述拍照单元是用于拍照和采集图像信息的,其设置有多个,所述拍照单元为摄像头;多个拍照单元以扫描目标为中心形成向心型阵列,所有拍照单元均与处理三维建模数据的计算机连接,所述拍照单元固定在主面板上,主面板固定在支架组件上。
优选的,所述遥感影像额分辨率为空间分辨率,又称地面分辨率,后者是针对地面而言,指可以识别的最小地面距离或最小目标物的大小,前者是针对遥感器或图像而言的,指图像上能够详细区分的最小单元的尺寸或大小,或指遥感器区分两个目标的最小角度或线性距离的度量,它们均反映对两个非常靠近的目标物的识别、区分能力。
优选的,所述步骤C中crop size指芯片的尺寸,即图像处理芯片,所述图像处理芯片为SP图像处理芯片MDIN241;该芯片具备1、自适应式3D Deinterlace;2、图像抗锯齿;3、快速移动物体抗拖影;4、自适应3D De-noise;5、图像增强OSD边缘抗抖动;7、串色抑制;8、动态对比度和宽动态(WDR);9、高品质缩放模块。
(三)有益效果
与现有技术相比,本发明提供了一种面向对象的高分辨率遥感影像分割算法,具备以下有益效果:
本发明显著解决数据样本不均衡问题,模型交并比高;输入大尺度遥感影像图片,成果图像融合性好,生成的图像分辨率高。
附图说明
图1为本发明工作流程图;
图2为本发明图像优化前的示意图;
图3为本发明图像优化后的示意图。
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。
请参考图1-3所示,本发明提出一种面向对象的高分辨率遥感影像分割算法,该方法包括以下步骤:
A.无人机或者卫星拍照单元采集遥感影像数据;
B.对每张IMG源数据图片进行矢量、栅格、PNG格式转换;
C.将预处理的图片依据crop size进行裁剪作为神经网络的输入;
D.按照8∶2比例随机划分训练集和测试集;
E.深度学习训练神经网络参数,保存训练结果最优的模型;
F.预测图片,输出后处理优化成果物。
其中,所述拍照单元是用于拍照和采集图像信息的,其设置有多个,所述拍照单元为摄像头;多个拍照单元以扫描目标为中心形成向心型阵列,所有拍照单元均与处理三维建模数据的计算机连接,所述拍照单元固定在主面板上,主面板固定在支架组件上。
其中,所述遥感影像额分辨率为空间分辨率,又称地面分辨率,后者是针对地面而言,指可以识别的最小地面距离或最小目标物的大小,前者是针对遥感器或图像而言的,指图像上能够详细区分的最小单元的尺寸或大小,或指遥感器区分两个目标的最小角度或线性距离的度量,它们均反映对两个非常靠近的目标物的识别、区分能力。
其中,所述步骤C中crop size指芯片的尺寸,即图像处理芯片,所述图像处理芯片为SP图像处理芯片MDIN241;该芯片具备1、自适应式3D Deinterlace;2、图像抗锯齿;3、快速移动物体抗拖影;4、自适应3D De-noise;5、图像增强OSD边缘抗抖动;7、串色抑制;8、动态对比度和宽动态(WDR);9、高品质缩放模块。
其实现的具体步骤包括如下:
步骤1:读取图像数据Image和对应的Label数据;
步骤2:计算输入尺寸与输出尺寸比(output stride=16),最后一个stage的膨胀率rate为2;
步骤3:因为ASPP有四个不同的rate,所以额外做一个全局平均池化,采用ASPP多尺度全局信息模块的特征进行融合以加强模型契合度;
步骤4:先把encoder的结果上采样4倍,然后与resnet中下采样前的Conv2特征concat一起,再进行3x3的卷积,最后上采样4倍得到最终结果;
步骤5:融合低层次信息前,先进行1x1的卷积,目的是降通道(例如有512个通道,而encoder结果只有256个通道)。
进而本发明显著解决数据样本不均衡问题,模型交并比高;输入大尺度遥感影像图片,成果图像融合性好,生成的图像分辨率高。
本发明提到的遥感影像是指用计算机处理的遥感图像必须是数字图像。以摄影方式获取的模拟图像必须用图像扫描仪等进行模/数(A/D)转换;以扫描方式获取的数字数据必须转存到一般数字计算机都可以读出的CCT等通用载体上。计算机图像处理要在图像处理系统中进行。图像处理系统是由硬件(计算机、显示器、数字化仪、磁带机等等)和软件(具有数据输入,输出,校正,变换,分类等功能)构成。图像处理内容主要包括校正、变换和分类。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神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,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种面向对象的高分辨率遥感影像分割算法,其特征在于,该方法包括以下步骤:
A.无人机或者卫星拍照单元采集遥感影像数据;
B.对每张IMG源数据图片进行矢量、栅格、PNG格式转换;
C.将预处理的图片依据crop size进行裁剪作为神经网络的输入;
D.按照8∶2比例随机划分训练集和测试集;
E.深度学习训练神经网络参数,保存训练结果最优的模型;
F.预测图片,输出后处理优化成果物。
2.根据权利要求1所述的一种面向对象的高分辨率遥感影像分割算法,其特征在于,所述拍照单元是用于拍照和采集图像信息的,其设置有多个,所述拍照单元为摄像头;多个拍照单元以扫描目标为中心形成向心型阵列,所有拍照单元均与处理三维建模数据的计算机连接,所述拍照单元固定在主面板上,主面板固定在支架组件上。
3.根据权利要求1所述的一种面向对象的高分辨率遥感影像分割算法,其特征在于,所述遥感影像额分辨率为空间分辨率,又称地面分辨率,后者是针对地面而言,指可以识别的最小地面距离或最小目标物的大小,前者是针对遥感器或图像而言的,指图像上能够详细区分的最小单元的尺寸或大小,或指遥感器区分两个目标的最小角度或线性距离的度量,它们均反映对两个非常靠近的目标物的识别、区分能力。
4.根据权利要求1所述的一种面向对象的高分辨率遥感影像分割算法,其特征在于,所述步骤C中crop size指芯片的尺寸,即图像处理芯片,所述图像处理芯片为SP图像处理芯片MDIN241;该芯片具备1、自适应式3D Deinterlace;2、图像抗锯齿;3、快速移动物体抗拖影;4、自适应3D De-noise;5、图像增强OSD边缘抗抖动;7、串色抑制;8、动态对比度和宽动态(WDR);9、高品质缩放模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011011810.9A CN112348823A (zh) | 2020-09-22 | 2020-09-22 | 一种面向对象的高分辨率遥感影像分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011011810.9A CN112348823A (zh) | 2020-09-22 | 2020-09-22 | 一种面向对象的高分辨率遥感影像分割算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348823A true CN112348823A (zh) | 2021-02-09 |
Family
ID=74357407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011011810.9A Pending CN112348823A (zh) | 2020-09-22 | 2020-09-22 | 一种面向对象的高分辨率遥感影像分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348823A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128558A (zh) * | 2021-03-11 | 2021-07-16 | 重庆邮电大学 | 基于浅层空间特征融合与自适应通道筛选的目标检测方法 |
-
2020
- 2020-09-22 CN CN202011011810.9A patent/CN112348823A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128558A (zh) * | 2021-03-11 | 2021-07-16 | 重庆邮电大学 | 基于浅层空间特征融合与自适应通道筛选的目标检测方法 |
CN113128558B (zh) * | 2021-03-11 | 2022-07-19 | 重庆邮电大学 | 基于浅层空间特征融合与自适应通道筛选的目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
EP3499414B1 (en) | Lightweight 3d vision camera with intelligent segmentation engine for machine vision and auto identification | |
CN111462128B (zh) | 一种基于多模态光谱图像的像素级图像分割系统及方法 | |
CN111914698B (zh) | 图像中人体的分割方法、分割系统、电子设备及存储介质 | |
CN109472752B (zh) | 基于航拍图像的多曝光融合系统 | |
CN112396053A (zh) | 一种基于级联神经网络的环视鱼眼图像目标检测方法 | |
CN111754531A (zh) | 图像实例分割方法和装置 | |
US20230127009A1 (en) | Joint objects image signal processing in temporal domain | |
CN110807384A (zh) | 低能见度下的小目标检测方法和系统 | |
CN109657538B (zh) | 基于上下文信息指导的场景分割方法和系统 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
CN113409355A (zh) | 一种基于fpga的运动目标识别系统及方法 | |
CN116129291A (zh) | 一种面向无人机畜牧的图像目标识别方法及其装置 | |
CN117274756A (zh) | 基于多维特征配准的二维图像与点云的融合方法及装置 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
CN112348823A (zh) | 一种面向对象的高分辨率遥感影像分割算法 | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
CN110298347B (zh) | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 | |
CN117079286A (zh) | 一种指针仪表的识别方法和识别系统 | |
CN111507252A (zh) | 人体跌倒检测装置、方法、电子终端及存储介质 | |
CN115601792A (zh) | 一种牛脸图像增强方法 | |
CN114926456A (zh) | 一种半自动标注和改进深度学习的铁轨异物检测方法 | |
WO2022019747A1 (en) | System and method for identification of text region in video | |
CN112351181A (zh) | 基于cmos芯片和zynq体系的智能相机 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 504, Block E, HUanpu science and Technology Industrial Park, 211 tianguba Road, high tech Zone, Xi'an City, Shaanxi Province, 710000 Applicant after: Tudou Data Technology Group Co.,Ltd. Address before: Room 504, Block E, HUanpu science and Technology Industrial Park, 211 Gaoxin Tiangu 8th Road, Yanta District, Xi'an City, Shaanxi Province, 710075 Applicant before: SHAANXI TUDOU DATA TECHNOLOGY Co.,Ltd. |