CN112434660B - 一种基于分割算法的高分遥感影像地类数据集制作方法 - Google Patents

一种基于分割算法的高分遥感影像地类数据集制作方法 Download PDF

Info

Publication number
CN112434660B
CN112434660B CN202011441727.5A CN202011441727A CN112434660B CN 112434660 B CN112434660 B CN 112434660B CN 202011441727 A CN202011441727 A CN 202011441727A CN 112434660 B CN112434660 B CN 112434660B
Authority
CN
China
Prior art keywords
image
data set
ground
resolution
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.)
Active
Application number
CN202011441727.5A
Other languages
English (en)
Other versions
CN112434660A (zh
Inventor
王立刚
张海中
周鑫
包雪翔
王勇
高静伟
韩学武
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.)
Ningxia Hui Autonomous Region Natural Resources Information Center
China University of Geosciences
Original Assignee
Ningxia Hui Autonomous Region Natural Resources Information Center
China University of Geosciences
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 Ningxia Hui Autonomous Region Natural Resources Information Center, China University of Geosciences filed Critical Ningxia Hui Autonomous Region Natural Resources Information Center
Priority to CN202011441727.5A priority Critical patent/CN112434660B/zh
Publication of CN112434660A publication Critical patent/CN112434660A/zh
Application granted granted Critical
Publication of CN112434660B publication Critical patent/CN112434660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Color Image Communication Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于分割算法的高分遥感影像地类数据集制作方法，包括：S1，获取高分遥感图像；S2，读取高分遥感图像，按照分割算法对图像分割形成地类图像，并标注数据集合的地类类型；S3，根据分类结果，按照0.8米的分辨了进行分辨率统一化；S4，将统一化的结果，实现规格化，将所有的分类的图像规格化为224*224像素的图像，并生成其局部224*224的截图；S5，对规格化图像进行色彩的处理；S6，输出混合型地类数据集合。本发明的方法解决了无矢量文件对遥感图像进行划分，人工全面标识训练集工作量巨大的问题，相较传统的数据集制作方法，对VGG数据模型具有更优的特征提取及分类效果。

Description

一种基于分割算法的高分遥感影像地类数据集制作方法
技术领域
本发明涉及遥感技术，具体涉及一种基于分割算法的高分遥感影像地类数据集制作方法。
背景技术
高分辨率遥感影像分类是遥感技术应用中最重要最核心的技术之一，也是许多实际应用的基础和前提，如何快速、准确地进行大范围遥感影像分类一直是遥感技术应用研究领域的热点。现阶段特别是基于神经网络的分类模型在遥感影像中应用之后，基于高分遥感影像的地类数据训练集的准备就成为一个重要的问题。特别是基于VGG模型的地类特征提取及数据训练，需要对数据集合有特殊的要求，比如输入处理需要224*224的数据集等。因此如何制作具有代表性广泛又具有特征明显的地类数据集便成了一个重要的工作。
经典数据集制作方法主要是利用图片进行规格化成为224*224图片，然后用黑色填补。但是在遥感图像的分割方面存在两种情况，一种是存在矢量地类数据另一种是不存在地类矢量数据。尤其是后者，如何高效的制作训练图像集合是一个核心的问题。特别是没有矢量地图的情况下，如何将遥感图形按照地类进行切分成了一个重要的问题。
发明内容
本发明的主要目的在于提供一种基于分割算法的高分遥感影像地类数据集制作方法，通过对高分影像进行图像分割、归一化、正规化和色彩处理，最后形成具有特征明显的混合型农用地数据集。
本发明采用的技术方案是：一种基于分割算法的高分遥感影像地类数据集制作方法，包括：
S1，获取高分遥感图像；
S2，读取高分遥感图像，按照分割算法对图像分割形成地类图像，并标注数据集合的地类类型；
S3，根据分类结果，按照0.8米的分辨率进行分辨率统一化；
S4，将统一化的结果，实现规格化，将所有的分类的图像规格化为224*224像素的图像，并生成其局部224*224的截图；
S5，对规格化图像进行色彩的处理；
S6，输出混合型地类数据集合。
进一步地，所述步骤S2包括：
S21，获取高分遥感图像；
S22，利用SLIC分割算法对高分影像进行分割获得数据集合Q1；
S23，利用SEEDS分割算法对高分影像进行分割获取数据集合Q2；
S24，对获取的数据集合Q1、Q2所有多边形包络矩形B1和B2；
S25，遍历B1和B2筛选坐标差小于12%且面积差小于5%的包络矩形；
S26，根据筛选出的包络矩形从Q1和Q2中获取多边形数据集N1；
S27，对数据集N1进行人工标记地类类型，形成地类图像集。
更进一步地，所述步骤S3包括：
S31，获取S2中的地类图像集合；
S32，获取集图像集合分辨率；
S33，如果图像的分辨率小于0.8米，将图像分辨率提升到0.8米；如果图像分辨率大于0.8米，将图像分辨率降低到0.8米，最后形成标准的0.8米的图像数据集合；
S34，整合所有的图像，形成不同的地类数据集合。
更进一步地，所述步骤S4包括：
S41，获取地类数据集合；
S42，获取数据集合的一个数据图像，获取图像的大小；
S43，计算图像的内包络正方形，判断其内像素点是否大于224*224；如果大于则截取224*224的正方形图像，放入数据集合中；
S44，将数据集合中的所有图像都进行步骤S42、S43的操作，形成新的混合数据集合；
S45，将混合数据集全部放缩成224*224的图像，其空白处用黑色填充，形成最终的混合数据集合；
S46，输出混合型的正方形数据集合。
更进一步地，所述步骤S5包括：
S51，获取混合型的正方形数据集合；
S52，遍历每个图像，获取图像的RGB色彩值；
S53，重新计算色彩值RGB，其中计算方式如下：
R新=255-（255-R）*0.86；
S54，输出色彩处理后的数据集合。
本发明的优点：
本发明的方法解决了无矢量文件对遥感图像进行划分，人工全面标识训练集工作量巨大的问题，通过分割算法，对原始遥感影像进行分割，然后再经由人机相互校验，从而大大提升了工作效率，相较于原来的人工制作数据集的方法，该方法的工作效率是传统方法的8倍，同时相较于在压缩图像制作训练模型的基础上，通过局部裁剪，补充了训练集中地类数据局部特征，与此同时，通过对色彩的处理，丰富了遥感图像的色彩特征，通过混合型VGG模型制作的遥感影像地类数据训练集，相较于传统的制作方面，在特征提取的准确性上提升约4.2%，并通过对应的识别模型，其图像识别正确率相较于传统的制作方式提升15.3%。该方法，适用于无矢量文件的地类遥感影像数据集制作方法，相较传统的数据集制作方法，对VGG数据模型具有更优的特征提取及分类效果。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明的总体方法流程图；
图2是本发明的遥感影像数据集分辨率归一化流程图；
图3是本发明的图像数据规格化流程图；
图4是本发明的图像图像色彩处理流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
参考图1，一种基于分割算法的高分遥感影像地类数据集制作方法，包括：
S1，获取高分遥感图像；
S2，读取高分遥感图像，按照分割算法对图像分割形成地类图像，并标注数据集合的地类类型；
S3，根据分类结果，按照0.8米的分辨率进行分辨率统一化；
S4，将统一化的结果，实现规格化，将所有的分类的图像规格化为224*224像素的图像，并生成其局部224*224的截图；
S5，对规格化图像进行色彩的处理；
S6，输出混合型地类数据集合。
本发明的方法解决了无矢量文件对遥感图像进行划分，人工全面标识训练集工作量巨大的问题，通过分割算法，对原始遥感影像进行分割，然后再经由人机相互校验，从而大大提升了工作效率，相较于原来的人工制作数据集的方法，该方法的工作效率是传统方法的8倍，同时相较于在压缩图像制作训练模型的基础上，通过局部裁剪，补充了训练集中地类数据局部特征，与此同时，通过对色彩的处理，丰富了遥感图像的色彩特征，通过混合型VGG模型制作的遥感影像地类数据训练集，相较于传统的制作方面，在特征提取的准确性上提升约4.2%，并通过对应的识别模型，其图像识别正确率相较于传统的制作方式提升15.3%。该方法，适用于无矢量文件的地类遥感影像数据集制作方法，相较传统的数据集制作方法，对VGG数据模型具有更优的特征提取及分类效果。
所述步骤S2包括：
S21，获取高分遥感图像；
S22，利用SLIC分割算法对高分影像进行分割获得数据集合Q1；
S23，利用SEEDS分割算法对高分影像进行分割获取数据集合Q2；
S24，对获取的数据集合Q1、Q2所有多边形包络矩形B1和B2；
S25，遍历B1和B2筛选坐标差小于12%且面积差小于5%的包络矩形；
S26，根据筛选出的包络矩形从Q1和Q2中获取多边形数据集N1；
S27，对数据集N1进行人工标记地类类型，形成地类图像集。
参考图2，所述步骤S3包括：
S31，获取S2中的地类图像集合；
S32，获取集图像集合分辨率；
S33，如果图像的分辨率小于0.8米，将图像分辨率提升到0.8米；如果图像分辨率大于0.8米，将图像分辨率降低到0.8米，最后形成标准的0.8米的图像数据集合；
S34，整合所有的图像，形成不同的地类数据集合。
参考图3，所述步骤S4包括：
S41，获取地类数据集合；
S42，获取数据集合的一个数据图像，获取图像的大小；
S43，计算图像的内包络正方形，判断其内像素点是否大于224*224；如果大于则截取224*224的正方形图像，放入数据集合中；
S44，将数据集合中的所有图像都进行步骤S42、S43的操作，形成新的混合数据集合；
S45，将混合数据集全部放缩成224*224的图像，其空白处用黑色填充，形成最终的混合数据集合；
S46，输出混合型的正方形数据集合。
参考图4，所述步骤S5包括：
S51，获取混合型的正方形数据集合；
S52，遍历每个图像，获取图像的RGB色彩值；
S53，重新计算色彩值RGB，其中计算方式（按照R值）如下：
R新=255-（255-R）*0.86；
S54，输出色彩处理后的数据集合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于分割算法的高分遥感影像地类数据集制作方法，其特征在
于，包括：
S1，获取高分遥感图像；
S2，读取高分遥感图像，按照分割算法对高分遥感图像分割形成数据集合，并标注数据集合的地类类型；
S3，根据分类结果，按照0.8米的分辨率进行分辨率统一化；
S4，将统一化的结果，实现规格化，将所有的地类图像集合的图像规格化为224*224像素的图像，并生成其局部224*224的截图；
S5，对规格化图像进行色彩的处理；
S6，输出最终的混合型地类数据集合；
所述步骤S2包括：
S21，获取高分遥感图像；
S22，利用SLIC分割算法对高分遥感图像进行分割获得数据集合Q1；
S23，利用SEEDS分割算法对高分遥感图像进行分割获取数据集合Q2；
S24，对获取的数据集合Q1、Q2所有多边形包络矩形B1和B2；
S25，遍历包络矩形B1和包络矩形B2，筛选坐标差小于12%且面积差小于5%的包络矩形B1和包络矩形B2；
S26，根据筛选出的包络矩形从数据集合Q1和数据集合Q2中获取多边形数据集N1；
S27，对多边形数据集N1进行人工标记地类类型，形成地类图像集合；
所述步骤S3包括：
S31，获取S2中的地类图像集合；
S32，获取地类图像集合中地类图像的分辨率；
S33，如果地类图像的分辨率小于0.8米，将地类图像分辨率提升到0.8米；如果地类图像分辨率大于0.8米，将地类图像分辨率降低到0.8米，最后形成标准的0.8米的地类图像数据集合；
S34，整合所有的地类图像，形成不同的地类图像数据集合；
所述步骤S4包括：
S41，获取地类图像数据集合；
S42，获取地类图像数据集合的一个地类图像，获取地类图像的大小；
S43，计算地类图像的内包络正方形，判断其内像素点是否大于224*224；如果大于则截取224*224的正方形图像，放入新的数据集合中；
S44，将新的数据集合中的所有图像都进行步骤S42、S43的操作，形成新的混合型地类数据集合；
S45，将新的混合型地类数据集合全部放缩成224*224的图像，其空白处用黑色填充，形成最新的混合型地类数据集合；
S46，输出混合型地类数据集合；
所述步骤S5包括：
S51，获取混合型地类数据集合；
S52，遍历混合型地类数据集合的每个图像，获取图像的RGB色彩值；
S53，重新计算RGB色彩值，其中计算方式如下：
R新=255-（255-R）*0.86；
S54，输出色彩处理后的混合型地类数据集合。
CN202011441727.5A 2020-12-11 2020-12-11 一种基于分割算法的高分遥感影像地类数据集制作方法 Active CN112434660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011441727.5A CN112434660B (zh) 2020-12-11 2020-12-11 一种基于分割算法的高分遥感影像地类数据集制作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011441727.5A CN112434660B (zh) 2020-12-11 2020-12-11 一种基于分割算法的高分遥感影像地类数据集制作方法

Publications (2)

Publication Number Publication Date
CN112434660A CN112434660A (zh) 2021-03-02
CN112434660B true CN112434660B (zh) 2023-08-22

Family

ID=74692617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011441727.5A Active CN112434660B (zh) 2020-12-11 2020-12-11 一种基于分割算法的高分遥感影像地类数据集制作方法

Country Status (1)

Country Link
CN (1) CN112434660B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989675B (zh) * 2021-11-02 2022-06-14 四川睿迈威科技有限责任公司 基于遥感影像的地理信息提取深度学习训练样本交互制作方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629287A (zh) * 2018-04-09 2018-10-09 华南农业大学 一种遥感影像地物分类方法
CN109816014A (zh) * 2019-01-22 2019-05-28 天津大学 生成深度学习目标检测网络训练用带标注数据集的方法
CN110334724A (zh) * 2019-04-16 2019-10-15 武汉理工大学 基于lstm的遥感对象自然语言描述及多尺度矫正方法
CN111414907A (zh) * 2020-03-12 2020-07-14 深圳中兴网信科技有限公司 数据集标注方法、数据集标注装置和计算机可读存储介质
CN111860305A (zh) * 2020-07-17 2020-10-30 北京百度网讯科技有限公司 一种图像标注方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629287A (zh) * 2018-04-09 2018-10-09 华南农业大学 一种遥感影像地物分类方法
CN109816014A (zh) * 2019-01-22 2019-05-28 天津大学 生成深度学习目标检测网络训练用带标注数据集的方法
CN110334724A (zh) * 2019-04-16 2019-10-15 武汉理工大学 基于lstm的遥感对象自然语言描述及多尺度矫正方法
CN111414907A (zh) * 2020-03-12 2020-07-14 深圳中兴网信科技有限公司 数据集标注方法、数据集标注装置和计算机可读存储介质
CN111860305A (zh) * 2020-07-17 2020-10-30 北京百度网讯科技有限公司 一种图像标注方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龚健雅.高分辨率影像目标识别与智能解译.《对地观测数据处理与分析研究进展》.武汉：武汉大学出版社,2007, *

Also Published As

Publication number Publication date
CN112434660A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN111210435B (zh) 一种基于局部和全局特征增强模块的图像语义分割方法
US20210256258A1 (en) Method, apparatus, and computer program for extracting representative characteristics of object in image
US20200134797A1 (en) Image style conversion method, apparatus and device
US20110052062A1 (en) System and method for identifying pictures in documents
CN102930518B (zh) 基于改进的稀疏表示的图像超分辨率方法
US20110050723A1 (en) Image processing apparatus and method, and program
CN112801904B (zh) 一种基于卷积神经网络的混合退化图像增强方法
CN112884758A (zh) 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统
CN111242241A (zh) 刻蚀字符识别网络训练样本增广方法
CN112434660B (zh) 一种基于分割算法的高分遥感影像地类数据集制作方法
CN110399760A (zh) 一种批量二维码定位方法、装置、电子设备及存储介质
CN111553363A (zh) 一种端到端的图章识别方法及系统
CN111899202B (zh) 一种视频图像中叠加时间字符的增强方法
CN114155541A (zh) 一种文字识别方法、装置、终端设备及存储介质
CN114519788A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN113221991A (zh) 一种利用深度学习重新标注数据集的方法
CN117522735A (zh) 基于多尺度的密流感知去雨图像增强方法
CN106021228B (zh) 一种利用知识地形图进行文本分析的方法及系统
CN116386048A (zh) 一种印章去除方法、装置、设备及存储介质
CN114612647A (zh) 图像处理方法、装置、电子设备及存储介质
CN110489584B (zh) 基于密集连接的MobileNets模型的图像分类方法及系统
CN113947529A (zh) 图像增强方法、模型训练方法、构件识别方法及相关设备
JP5824309B2 (ja) 画像処理装置、画像処理方法、およびプログラム
CN112907486A (zh) 一种基于深度学习和色彩映射的遥感影像调色方法
CN112434752A (zh) 一种混合型vgg模型遥感影像地类数据训练集制作方法

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