CN112507122A - 一种基于知识图谱的高分多源遥感数据融合方法 - Google Patents

一种基于知识图谱的高分多源遥感数据融合方法 Download PDF

Info

Publication number
CN112507122A
CN112507122A CN202011387486.0A CN202011387486A CN112507122A CN 112507122 A CN112507122 A CN 112507122A CN 202011387486 A CN202011387486 A CN 202011387486A CN 112507122 A CN112507122 A CN 112507122A
Authority
CN
China
Prior art keywords
remote sensing
knowledge
extraction
data
source
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
Application number
CN202011387486.0A
Other languages
English (en)
Inventor
于辉
尚永衡
陈钢
沈正伟
程卓
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.)
Zhejiang Yizhi Information Technology Co ltd
Original Assignee
Zhejiang Yizhi Information Technology Co ltd
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 Zhejiang Yizhi Information Technology Co ltd filed Critical Zhejiang Yizhi Information Technology Co ltd
Priority to CN202011387486.0A priority Critical patent/CN112507122A/zh
Publication of CN112507122A publication Critical patent/CN112507122A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于知识图谱的高分多源遥感数据融合方法，主要流程包括知识图谱信息抽取、知识图谱信息融合、新图谱生成、新数据融合。本技术通过对不同数据源高分影像抽取知识图谱，并对其进行深度挖掘，分析关联信息，建立两个知识图谱之间的映射关系，从而将新的知识图谱与不同数据源的影像融合成新的遥感影像。这种基于知识图谱的数据融合方式，能够直观有效的表达出不同数据源影像之间错综复杂的关系，充分利用不对称的非结构化信息，更大程度上提高了多源数据融合的可能性。

Description

一种基于知识图谱的高分多源遥感数据融合方法
技术领域
本发明涉及一种基于知识图谱的高分多源遥感数据融合方法。
背景技术
海量的数据为人们更好地掌握与认知事物规律提供了越来越丰富的来源。由于非结构化数据的急剧增长，对高分多源数据融合的要求已经不能满足于现状，这对遥感图像的融合方式提出了新的要求与挑战。传统的图像融合是将同一地区不同属性的遥感影像加以合成，产生比单一信息源更精确、更完全的图像信息，而如何将不同地区、不同属性的高分多源非结构化遥感数据信息高效自动匹配起来，使遥感图像融合技术向着多维方向发展，是需要不断探索的问题。
发明内容
为了克服现有技术的不足，本发明提供了一种基于知识图谱的高分多源遥感数据融合方法，包括知识图谱信息抽取、知识图谱信息融合、新图谱生成、新数据融合四个步骤。本方法通过对不同数据源高分影像抽取知识图谱，并对其进行深度挖掘，分析其关联信息，建立两个知识图谱的映射关系，从而将新的知识图谱与不同数据源的影像本体融合成新的遥感影像。
本发明的实现方式如下：
一种基于知识图谱的高分多源遥感数据融合方法，包括知识图谱信息抽取、知识图谱信息融合、新图谱生成、新数据融合四个步骤。
所述的对于知识图谱的抽取包括实体抽取、关系抽取、属性抽取。
所述的实体抽取是指抽取遥感影像的头文件信息元素，通常包含遥感图像的中心经纬度、分辨率、传感器类型、轨道信息、拍摄日期、拍摄平台、图像类型、波段组成、坐标投影内容标签，具体的标签定义可根据任务不同而调整。
所述的关系抽取是抽取出两个或多个源数据之间的语义关系，例如位置重叠度、相同的空间分辨率。
所述的属性抽取的任务是为每个本体语义类构造属性列表，属性抽取之后能够形成完整的实体概念的知识图谱维度。
对所述的两个源数据分别进行实体抽取、关系抽取、属性抽取，根据抽取的语义信息进行数据映射关联，再对实体抽取的离散的信息利用深度学习方法进行深入挖掘、分析、推理以构建它们之间良好的映射关系，最后为两个本体建立的一一对应的映射关系构造属性列表，两个源数据关系可以表示为（第一源数据，关系，第二源数据）。
所述的根据建立的映射关系进行知识融合，将两个知识图谱合并，通过数据映射技术建立影像本体和不同数据源抽取知识的映射关系，进而将不同数据源的知识图谱融合在一起，融合后形成新的知识图谱。
所述利用新的知识图谱，根据本体与新的知识图谱的映射关系，将不同数据源的影像融合成新的遥感影像，从而实现不同数据源遥感数据的融合。
本发明的有益效果：这种基于知识图谱的数据融合方式，能够直观有效的表达出不同数据源影像之间错综复杂的关系，将海量高分多源非结构化遥感数据信息高效自动利用起来，更大程度上提高了多源数据融合的可能性。
附图说明
附图1为发明一种基于知识图谱的高分多源遥感数据融合方法的功能设计框图。
具体实施方式
为了更加清晰有条理的说明本系统的技术方案设计，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如附图1，本发明提出一种基于知识图谱的高分多源遥感数据融合方法，包括知识图谱信息抽取、知识图谱信息融合、新图谱生成、新数据融合四个步骤。
对于知识图谱的抽取包括实体抽取、关系抽取、属性抽取。
实体抽取是指抽取遥感影像的头文件信息元素，通常包含遥感图像的中心经纬度、分辨率、传感器类型、轨道信息、拍摄日期、拍摄平台、图像类型、波段组成、坐标投影内容标签，具体的标签定义可根据任务不同而调整。
关系抽取是抽取出两个或多个源数据之间的语义关系，例如位置重叠度、相同的空间分辨率。
属性抽取的任务是为每个本体语义类构造属性列表，属性抽取之后能够形成完整的实体概念的知识图谱维度。
对两个源数据分别进行实体抽取、关系抽取、属性抽取，根据抽取的语义信息进行数据映射关联，再对实体抽取的离散的信息利用深度学习方法进行深入挖掘、分析、推理以构建它们之间良好的映射关系，最后为两个本体建立的一一对应的映射关系构造属性列表，两个源数据关系可以表示为（第一源数据，关系，第二源数据）。
根据建立的映射关系进行知识融合，将两个知识图谱合并，通过数据映射技术建立影像本体和不同数据源抽取知识的映射关系，进而将不同数据源的知识图谱融合在一起，融合后形成新的知识图谱。
利用新的知识图谱，根据本体与新的知识图谱的映射关系，将不同数据源的影像融合成新的遥感影像，从而实现不同数据源遥感数据的融合。
这种基于知识图谱的数据融合方式，能够直观有效的表达出不同数据源影像之间错综复杂的关系，将海量高分多源非结构化遥感数据信息高效自动匹配起来，更大程度上提高了多源数据融合的可能性。
上述技术方案公开了本发明的改进点，未详细公开的技术内容，可由本领域技术人员通过现有技术实现。
以上所述的具体实施方式对本发明的技术方案进行了详细说明，应理解的是以上所述的实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于知识图谱的高分多源遥感数据融合方法，其特征在于，流程包括：对多源的遥感数据分别进行知识图谱信息的抽取，然后把抽取的知识图谱信息进行分析与融合，生成新遥感数据知识图谱，最后融合和生成新遥感数据。
2.根据权利要求1所述的方法，其特征在于，对于知识图谱信息的抽取包括实体抽取、关系抽取、属性抽取；
实体抽取是抽取遥感影像的头文件信息元素，包含遥感图像的中心经纬度、分辨率、传感器类型、轨道信息、拍摄日期、拍摄平台、图像类型、波段组成、坐标投影内容标签，具体的标签定义可根据任务不同而调整；关系抽取是抽取出两个或多个源数据之间的语义关系，包括位置重叠度、相同的空间分辨率；属性抽取的任务是为每个本体语义类构造属性列表，属性抽取之后能够形成完整的实体概念的知识图谱维度。
3.根据权利要求1所述的方法，其特征在于，为突破不同数据源影像结构的限制，对第一源数据与第二源数据分别进行实体抽取、关系抽取、属性抽取，根据抽取的语义信息进行数据映射关联，再对实体抽取的离散的信息利用深度学习方法进行深入挖掘、分析、推理以构建它们之间的映射关系，最后为两个本体建立的一一对应的映射关系构造属性列表，两个源数据关系可以表示为（第一源数据，关系，第二源数据）。
4.根据权利要求3所述的方法，其特征在于，根据建立的映射关系进行知识融合，将两个知识图谱合并，通过数据映射技术建立影像本体和不同数据源抽取知识的映射关系，进而将不同数据源的知识图谱融合在一起，融合后形成新的知识图谱。
5.根据权利要求4所述的方法，其特征在于，利用新的知识图谱，根据本体与新的知识图谱的映射关系，将不同数据源的影像融合成新的遥感影像，从而实现不同数据源遥感数据的融合。
CN202011387486.0A 2020-12-01 2020-12-01 一种基于知识图谱的高分多源遥感数据融合方法 Pending CN112507122A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011387486.0A CN112507122A (zh) 2020-12-01 2020-12-01 一种基于知识图谱的高分多源遥感数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011387486.0A CN112507122A (zh) 2020-12-01 2020-12-01 一种基于知识图谱的高分多源遥感数据融合方法

Publications (1)

Publication Number Publication Date
CN112507122A true CN112507122A (zh) 2021-03-16

Family

ID=74969198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011387486.0A Pending CN112507122A (zh) 2020-12-01 2020-12-01 一种基于知识图谱的高分多源遥感数据融合方法

Country Status (1)

Country Link
CN (1) CN112507122A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361938A (zh) * 2021-06-11 2021-09-07 湖北中烟工业有限责任公司 一种卷烟批次追溯数据网络图谱组织方法及装置
CN114187179A (zh) * 2021-12-14 2022-03-15 广州赋安数字科技有限公司 一种基于视频监控的遥感图像模拟生成方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800671A (zh) * 2018-12-28 2019-05-24 北京市遥感信息研究所 面向目标解译的多源遥感信息知识图谱构建方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800671A (zh) * 2018-12-28 2019-05-24 北京市遥感信息研究所 面向目标解译的多源遥感信息知识图谱构建方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361938A (zh) * 2021-06-11 2021-09-07 湖北中烟工业有限责任公司 一种卷烟批次追溯数据网络图谱组织方法及装置
CN114187179A (zh) * 2021-12-14 2022-03-15 广州赋安数字科技有限公司 一种基于视频监控的遥感图像模拟生成方法及系统

Similar Documents

Publication Publication Date Title
Arruda et al. Cross-domain car detection using unsupervised image-to-image translation: From day to night
US20210150203A1 (en) Parametric top-view representation of complex road scenes
Yang et al. Spatio-temporal domain awareness for multi-agent collaborative perception
CN112507122A (zh) 一种基于知识图谱的高分多源遥感数据融合方法
CN112800937A (zh) 一种智能人脸识别方法
Likhar et al. Deep learning methods for indian sign language recognition
Wichmann et al. Roofn3d: Deep learning training data for 3d building reconstruction
US20230017578A1 (en) Image processing and model training methods, electronic device, and storage medium
Shi et al. Challenges and prospects of uncertainties in spatial big data analytics
Kumar et al. Sign language unification: The need for next generation deaf education
CN116384020A (zh) 一种融合多维语义信息的数字孪生变电站空间布局方法
Lin et al. V2VFormer: Vehicle-to-vehicle cooperative perception with spatial-channel transformer
CN116309913A (zh) 一种基于生成对抗网络asg-gan文本描述生成图像方法
CN117745944A (zh) 预训练模型确定方法、装置、设备以及存储介质
Zhao et al. Exploration of Vehicle Target Detection Method Based on Lightweight YOLOv5 Fusion Background Modeling
WO2024159959A1 (zh) 一种基于bev多任务模型框架的任务处理方法、装置
Wang et al. RSBuilding: Towards General Remote Sensing Image Building Extraction and Change Detection with Foundation Model
CN113536798A (zh) 一种多实例文档关键信息抽取方法和系统
Salunke et al. Automatic Vehicle Plate Recognition using Deep Learning
Zhao The application of graphic language in animation visual guidance system under intelligent environment
Xia et al. Enhancing 3D object detection through multi-modal fusion for cooperative perception
Yu et al. 3D-SceneCaptioner: Visual scene captioning network for three-dimensional point clouds
Qi et al. Millimeter-Wave Radar and Vision Fusion Target Detection Algorithm Based on an Extended Network
Meka et al. Real-Time Sign Language Detection Using OpenCV
Chen et al. Monocular 3D Pedestrian Localization Fusing with Bird's Eye View

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210316