CN112633171A - 一种基于多源光学遥感影像的海冰识别方法和系统 - Google Patents
一种基于多源光学遥感影像的海冰识别方法和系统 Download PDFInfo
- Publication number
- CN112633171A CN112633171A CN202011540724.7A CN202011540724A CN112633171A CN 112633171 A CN112633171 A CN 112633171A CN 202011540724 A CN202011540724 A CN 202011540724A CN 112633171 A CN112633171 A CN 112633171A
- Authority
- CN
- China
- Prior art keywords
- sea ice
- remote sensing
- optical remote
- sensing image
- image
- 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.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 238
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000011218 segmentation Effects 0.000 claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000001514 detection method Methods 0.000 claims description 42
- 238000007781 pre-processing Methods 0.000 claims description 27
- 238000012952 Resampling Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 17
- 238000013135 deep learning Methods 0.000 abstract description 13
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000109539 Conchita Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于多源光学遥感影像的海冰识别方法和系统,其中方法包括:将光学遥感影像输入海冰语义分割模型,得到海冰识别结果;海冰语义分割模型基于样本光学遥感影像及其对应的海冰掩膜图训练得到;样本光学遥感影像是基于多种光学遥感传感器采集所得的原始遥感影像确定的。系统包括:将待识别的光学遥感影像导入系统进行海冰识别,得到识别结果后,在海冰图斑编辑模块中对识别结果进行人工编辑,编辑完成后一键生成海冰监测报表。本发明提供的方法和系统,深度学习技术的应用够克服传统算法泛化能力差的问题,系统中的图斑编辑功能能够进一步提高海冰监测的精度和可靠性。此外,海冰语义分割模型能够兼容多数中‑高分辨率卫星遥感数据。
Description
技术领域
本发明涉及遥感监测技术领域,尤其涉及一种基于多源光学遥感影像的海冰识别方法和系统。
背景技术
海冰识别是遥感监测领域的重要应用之一,海冰识别的准确性对于评估海冰冰情、应对海冰灾害和保证航海安全具有重要意义。
通过遥感技术可以快速获取大面积的海冰冰情信息。目前使用遥感手段进行海上海冰监测主要从数据和算法两方面入手:
在数据方面,主要基于光学影像和雷达影像进行海冰识别,其中,雷达影像有不受天气影响、全天时、全天候对地观测的特点,但是数据成本较高,在实际业务使用中存在一定的局限性。而光学遥感虽然受云雾和光照条件的影响,但具有价格低廉、适合目视解译判读的优势,是现阶段海冰遥感监测的主要业务手段。由于受到中高分辨率光学遥感在数据获取和监测范围的限制,目前基于中高分辨率的光学影像海冰识别算法较少。已有的海冰识别与分类相关研究多使用中低分辨率的遥感数据,如MODIS和AVHRR等,且基于中低分辨率的光学遥感数据提取的海冰类型信息已在海冰预报的业务化工作中得到应用,但是由于空间分辨率较低,很难获取海冰的细节信息。近年来,随着中高分辨率光学卫星发射数量增多,特别是2013年以后,国内外先后发射了Sentinel2、Landsat-8卫星和GF系列等卫星,这些卫星数据具有多光谱和高空间分辨率观测的优势,为海冰监视监测提供了新的、高性能的技术手段。
在算法方面,目前多采用传统的机器学习方法,例如SVM(support vectormachines,支持向量机)、随机森林和决策树等进行海冰识别。然而,受到机器学习算法自身特性的影响,由此得到的海冰识别模型泛化能力较差。此外,由于不同类型的光学遥感传感器采集所得的光学遥感影像包含的光谱信息并不相同,因此需要针对不同类型的光学遥感传感器采集所得的光学遥感影像分别构建并训练模型,导致海冰识别方案十分繁复。
发明内容
本发明提供一种基于多源光学遥感影像的海冰识别方法和系统,用以解决现有的海冰识别泛化能力差、识别方案繁复的问题。
本发明提供一种基于多源光学遥感影像的海冰识别方法,包括:
确定待识别的光学遥感影像;
将所述光学遥感影像输入至海冰语义分割模型,得到所述海冰语义分割模型输出的海冰识别结果;
所述海冰语义分割模型是基于样本光学遥感影像及其对应的海冰掩膜图,对语义分割模型进行训练得到的;所述样本光学遥感影像是基于多种光学遥感传感器采集所得的原始遥感影像确定的。
根据本发明提供一种的基于多源光学遥感影像的海冰识别方法,所述海冰掩膜图是基于如下步骤确定的:
基于海岸线矢量数据,对所述样本光学遥感影像的NDVI数据进行海陆分离,得到所述样本光学遥感影像的海洋区域的NDVI数据;
对海洋区域的NDVI数据进行阈值分割,得到所述海冰掩膜图。
根据本发明提供一种的基于多源光学遥感影像的海冰识别方法,所述样本光学遥感影像是基于如下步骤确定的:
确定多种光学遥感传感器采集所得的原始遥感影像,对各个原始遥感影像进行预处理,所述预处理包括辐射定标、正射校正和大气校正中的至少一种;
将各个原始遥感影像重采样到同一尺度,对重采样后的各个原始遥感影像进行影像拉伸,得到所述样本光学遥感影像,并将重采样后的各个原始遥感影像的NDVI数据作为对应样本光学遥感影像的NDVI数据。
根据本发明提供一种的基于多源光学遥感影像的海冰识别方法,所述海冰语义分割模型的训练方法包括:
基于预设区域尺寸,对所述样本光学遥感影像及其对应的海冰掩膜图进行滑动采样,得到样本区域影像及其对应的样本区域掩膜;
对所述样本区域影像及其对应的样本区域掩膜进行样本增强,得到样本训练集;
基于所述样本训练集,训练所述语义分割模型,得到所述海冰语义分割模型。
根据本发明提供一种的基于多源光学遥感影像的海冰识别方法,所述语义分割模型是基于Resnet和U-Net构建的。
本发明还提供一种基于多源光学遥感影像的海冰识别装置,包括:
影像获取单元,用于确定待识别的光学遥感影像;
海冰分割单元,用于将所述光学遥感影像输入至海冰语义分割模型,得到所述海冰语义分割模型输出的海冰识别结果;
所述海冰语义分割模型是基于样本光学遥感影像及其对应的海冰掩膜图,对语义分割模型进行训练得到的;所述样本光学遥感影像是基于多种光学遥感传感器采集所得的原始遥感影像确定的。
本发明还提供一种基于多源光学遥感影像的海冰识别系统,包括如上述基于多源光学遥感影像的海冰识别装置;
还包括预处理模块、海冰图斑编辑模块、报表生成模块和信息归档模块中的至少一种;
其中,所述预处理模块用于对待识别的光学遥感影像进行预处理;
所述海冰图斑编辑模块用于校正所述海冰识别装置的海冰识别结果中的图斑,得到海冰图斑信息;
所述报表生成模块用于基于所述海冰识别结果生成海冰检测报表;
所述信息归档模块用于对海冰检测信息进行归档,得到归档文件;所述海冰检测信息包括预处理后的光学遥感影像、所述海冰检测结果、所述海冰图斑信息和海冰检测报表中的至少一种。
根据本发明提供一种的基于多源光学遥感影像的海冰识别系统,还包括可视化窗口;
所述可视化窗口用于显示所述海冰检测信息,并提供影像编辑接口以供用户编辑所述海冰检测信息。
根据本发明提供一种的基于多源光学遥感影像的海冰识别系统,所述海冰识别系统设置于本地后台服务器。
根据本发明提供一种的基于多源光学遥感影像的海冰识别系统,所述本地后台服务器包括计算服务器和数据服务器;
其中,所述计算服务器用于运行所述海冰识别装置、所述预处理模块、所述海冰图斑编辑模块、所述报表生成模块和所述信息归档模块;
所述数据服务器用于存储所述海冰检测信息和所述归档文件。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述基于多源光学遥感影像的海冰识别方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于多源光学遥感影像的海冰识别方法的步骤。
本发明提供的基于多源光学遥感影像的海冰识别方法和系统,应用训练所得的海冰语义分割模型进行海冰识别,深度学习技术的应用所得海冰语义分割模型能够克服传统算法泛化能力差的问题。此外,由于用于训练海冰语义分割模型的样本光学遥感影像是多种光学遥感传感器采集所得的,海冰语义分割模型在训练过程中能够学习到各种光学遥感传感器所采集光谱信息的特征,从而具备优良的兼容性,能够兼容大多数中-高分辨率卫星遥感数据,且具有良好的可拓展性,实现了快速、准确且鲁棒的海冰识别。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于多源光学遥感影像的海冰识别方法的流程示意图之一;
图2是本发明提供的基于多源光学遥感影像的海冰识别方法的流程示意图之二;
图3是本发明提供的基于多源光学遥感影像的海冰识别装置的结构示意图;
图4是本发明提供的基于多源光学遥感影像的海冰识别系统的结构示意图之一;
图5是本发明提供的基于多源光学遥感影像的海冰识别系统的结构示意图之二;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。基于本发明中的实施例,本领域普通技术人员在没有作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。
常用的机器学习方法泛化能力差,且针对不同类型的光学遥感传感器采集所得的光学遥感影像分别构建并训练模型,导致海冰识别方案十分繁复。对此,本发明实施例提供一种基于多源光学遥感影像的海冰识别方法。图1是本发明提供的基于多源光学遥感影像的海冰识别方法的流程示意图之一,如图1所示,该方法包括:
步骤110,确定待识别的光学遥感影像。
步骤120,将所述光学遥感影像输入至海冰语义分割模型,得到所述海冰语义分割模型输出的海冰识别结果;
所述海冰语义分割模型是基于样本光学遥感影像及其对应的海冰掩膜图,对语义分割模型进行训练得到的;所述样本光学遥感影像是基于多种光学遥感传感器采集所得的原始遥感影像确定的。
具体地,待识别的光学遥感影像即需要进行海冰识别的光学遥感影像,光学遥感影像可以是通过任意类型或者信号的光学遥感传感器采集所得的遥感影像。
海冰语义分割模型是通过深度学习方法预先训练得到的语义分割模型,海冰语义分割模型可以对输入的光学遥感影像进行细粒度的推理,从而确定光学遥感影像中各个像素是否为海冰,从而输出海冰识别结果,实现海冰识别。相较于机器学习算法,深度学习可以保证海冰语义分割模型的泛化能力,从而保证海冰识别结果的准确性和可靠性。
步骤120执行之前,可以预先训练得到海冰语义分割模型,海冰语义分割模型具体可以通过如下方式训练得到:首先,收集大量样本光学遥感影像,并确定各个样本光学遥感影像对应的海冰掩膜图;随即,基于样本光学遥感影像及其对应的海冰掩膜图对初始化后的语义分割模型进行训练,从而得到训练完成的海冰语义分割模型。
需要说明的是,用于海冰语义分割模型训练的样本光学遥感影像是基于多种光学遥感传感器采集所得的原始遥感影像确定的,原始遥感影像可以是Landsat8、Sentinel2、GF-1、GF-2和GF-6中的任意多种。换而言之,样本光学遥感影像能够以相同或者相似的形式反映不同类型的光学遥感传感器采集所得光谱信息,因此在海冰语义分割模型的训练过程中,无需再额外区分样本光学遥感影像具体来源的光学遥感传感器类型,仅需一个深度学习模型即可实现各种数据来源的光学遥感影像的海冰识别,能够有效提高海冰语义分割模型的兼容性。
本发明实施例提供的方法,应用训练所得的海冰语义分割模型进行海冰识别,深度学习技术的应用所得海冰语义分割模型能够克服传统算法泛化能力差的问题。此外,由于用于训练海冰语义分割模型的样本光学遥感影像是多种光学遥感传感器采集所得的,海冰语义分割模型在训练过程中能够学习到各种光学遥感传感器所采集光谱信息的特征,从而具备优良的兼容性,能够兼容大多数中-高分辨率卫星遥感数据,且具有良好的可拓展性,实现了快速、准确且鲁棒的海冰识别。
通常深度学习方法需要大量的样本支持,而海冰作为一种自然物体,轮廓线较为复杂,前期需要大量的人工标注工作。大量人工的参与,导致训练样本的获取成本居高不下,且训练样本的获取需要消耗大量时间,费时费力,限制了深度学习方法在海冰监测上的应用。相较于传统深度学习方法中人工标注样本光学遥感影像对应的海冰掩模图,基于上述实施例,本发明实施例中的海冰掩模图是通过对样本光学遥感影像的NDVI(NormalizedDifference Vegetation Index,归一化植被指数)数据进行阈值分割得到的:
样本光学遥感影像的NDVI数据可以根据重采样后的各个原始遥感影像中包含的近红外波段和红外波段数据计算得到,具体可以通过如下公式计算:
式中,NIR和R分别为近红外波段和红外波段。
NDVI数据可以反映对应样本光学遥感影像中各个区域的植被覆盖情况,考虑到海洋中水面与冰面的NDVI数据之间也存在明显的区分,因此可以将NDVI数据作为样本光学遥感影像中海冰分割的基准,通过样本光学遥感影像中各个像素点对应的NDVI数据与预先设定的阈值之间的大小,实现样本光学遥感影像中的海冰像素点与非海冰像素点之间的区分,从而得到样本光学遥感影像对应的海冰掩模图。需要说明的是,此处用于区分海冰像素点与非海冰像素点的阈值可以是预先设定的经验值。
本发明实施例提供的方法,通过对样本光学遥感影像的NDVI数据进行阈值分割得到用于模型训练的海冰掩膜图,在保证样本获取精度的同时,极大程度上降低了样本获取难度和样本获取成本,有助于提高海冰识别模型的可靠性和准确性。
基于上述任一实施例,海冰掩膜图是基于如下步骤确定的:
基于海岸线矢量数据,对所述样本光学遥感影像的NDVI数据进行海陆分离,得到所述样本光学遥感影像的海洋区域的NDVI数据;
对海洋区域的NDVI数据进行阈值分割,得到所述海冰掩膜图。
具体地,在对样本光学遥感影像的NDVI数据进行阈值分割之前,还可以先对样本光学遥感影像的NDVI数据进行海陆分离,此处的海陆分离是指将样本光学遥感影像的NDVI数据中的海洋区域和陆地区域分离开来,从而简化海冰背景信息,提高海冰分割精度。
在海陆分离时,结合了预先获取的海岸线矢量数据,以样本光学遥感影像的NDVI数据为参考,以海岸线为界实现海洋区域和陆地区域的分离,将分离之后海洋区域对应的NDVI数据作为海洋区域的NDVI数据。
此处,预先获取的海岸线矢量数据可以来自OpenStreetMap(OSM)提供的全球高精度海岸线Shapefile数据,海陆分离的具体执行可以通过GDAL(Geospatial DataAbstraction Library)和OGR库使用Python编程实现。
在得到海洋区域的NDVI数据后,可以对海洋区域的NDVI数据进行阈值分割,从而实现海冰掩膜图的获取。
目前在进行海冰识别时,由于不同类型的光学遥感传感器采集所得的光学遥感影像包含的光谱信息并不相同,因此需要针对不同类型的光学遥感传感器采集所得的光学遥感影像分别构建并训练模型,导致海冰识别方案十分繁复。针对这一问题,基于上述任一实施例,样本光学遥感影像是基于如下步骤确定的:
确定多种光学遥感传感器采集所得的原始遥感影像,对各个原始遥感影像进行预处理,所述预处理包括辐射定标、正射校正和大气校正中的至少一种;
将各个原始遥感影像重采样到同一尺度,并对重采样后的各个原始遥感影像进行影像拉伸,得到所述样本光学遥感影像,并将重采样后的各个原始遥感影像的NDVI数据作为对应样本光学遥感影像的NDVI数据。
具体地,用于训练海冰语义分割模型的样本光学遥感影像可以是来自各个类型的光学遥感传感器,由此训练所得的海冰语义分割模型也能够具备良好的泛化性能,从而能够实现对于不同类型的光学遥感传感器采集所得的光学遥感影像的海冰识别。
考虑到不同类型的光学遥感传感器采集所得的原始遥感影像在分辨率上存在较大差异,需要对每个原始遥感影像进行重采样,通过重采样的方式统一各个原始遥感影像的尺度,使得重采样后得到的各个原始遥感影像具备相同的分辨率,以削弱不同类型的光学遥感传感器采集所得的原始遥感影像之间差异。
此外,还可以对各个原始遥感影像进行预处理,具体可以是进行辐射定标、正射校正和大气校正等。
在重采样完成后,可以对重采样后的各个原始遥感影像进行影像拉伸,此处的影像拉伸即线性拉伸,目的在于改善原始遥感影像的对比度,从而突出原始遥感影像中的海冰显示信息。
另外,在重采样完成后,可以计算重采样后的各个原始遥感影像的NDVI数据,并将重采样后的各个原始遥感影像的NDVI数据作为对应样本遥感影像的NDVI数据,以供后续基于样本遥感影像的NDVI数据获取对应样本遥感影像的海冰掩膜图。
进一步地,原始遥感影像中各个波段的影像拉伸可以通过如下公式实现:
式中,DN8表示以8位存储的影像灰度值,DN16是以16位存储的影像灰度值,DN16_2%表示以16位存储的数据的累计直方图2%处对应的灰度值,DN16_98%表示以16位存储的数据的累计直方图98%处对应的灰度值。
本发明实施例提供的方法,通过对多种光学遥感传感器采集所得的原始遥感影像进行处理,得到能够用于同一模型训练的训练样本,从而提高海冰语义识别模型的泛化性,使得不同光学遥感传感器采集所得的光学遥感影像均可以通过一个模型进行识别,简化了海冰识别流程。
基于上述任一实施例,海冰语义分割模型的训练方法包括:
基于预设区域尺寸,对所述样本光学遥感影像及其对应的海冰掩膜图进行滑动采样,得到样本区域影像及其对应的样本区域掩膜;
对所述样本区域影像及其对应的样本区域掩膜进行样本增强,得到样本训练集;
基于所述样本训练集,训练所述语义分割模型,得到所述海冰语义分割模型。
具体地,受到中高分辨率光学遥感在数据获取和监测范围的限制,目前基于中高分辨率的光学遥感影像规模较小。考虑到深度学习本身需要大量的样本训练,在得到样本光学遥感影像及其对应的海冰掩膜图之后,可以通过滑动采样的方式获取样本区域影像及其对应的样本区域掩膜,以增加样本数据量。此处,滑动采样是基于预先设定好的区域尺寸执行的,例如预设区域尺寸可以是512*512,按照预设区域尺寸大小的区域在样本光学遥感影像及其对应的海冰掩膜图内随机滑动,即可实现样本区域影像及其对应的样本区域掩膜的采集。
此外,还可以通过随机翻转、缩放、亮度变换等操作对样本区域影像及其对应的样本区域掩膜进行样本增强,从而进一步增加样本数据量,减轻过拟合问题并增强海冰语义分割模型的泛化能力。
基于上述任一实施例,所述语义分割模型是基于Resnet和U-Net构建的。
具体地,Resnet残差网络能够在深度增加的情况下维持准确率增长。U-Net深度学习分割网络包括两个对称的部分,前面部分通过卷积和下采样实现图像上下文信息的抽取,后面部分通过卷积和上采样达到输出图像分割的目的,此外U-Net中应用到了特征融合,可以将前面部分下采样得到的特征与后面部分上采样得到的特征行进融合从而得到更加准确的上下文信息,能够达到更好的分割效果。
将Resnet和U-Net相结合,具体可以是将Resnet的Residual模块加入到U-Net网络中,这种结构不仅有效克服了由于网络层数加深造成的参数过多和梯度弥散问题,而且大大提升了模型的训练速度,也使得网络可以得到比较少的参数而不损失海冰识别精度。
基于上述任一实施例,图2是本发明提供的基于多源光学遥感影像的海冰识别方法的流程示意图之二,如图2所示,该方法包括如下步骤:
首先,收集各个类型的光学遥感传感器采集所得的原始遥感影像,此处原始遥感影像可以是Landsat8、Sentinel2、GF-1、GF-2和GF-6中的任意多种。
其次,对各个类型的原始遥感影像进行预处理,此处的预处理操作包括辐射定标、几何校正、大气校正、重采样等,将预处理之后的原始遥感影像作为样本光学遥感影像。
接着,计算各个样本光学遥感影像的NDVI数据,并结合海岸线矢量数据,对各个样本光学遥感影像的NDVI数据进行海陆分离,得到各个样本光学遥感影像的海洋区域的NDVI数据。
此后,对海洋区域的NDVI数据进行阈值分割,得到对应样本光学遥感影像的海冰掩膜图。
此外,在得到样本光学遥感影像之后,对样本光学遥感影像进行线性拉伸,并基于线性拉伸所得的样本光学遥感影像以及对应的海冰掩膜图构建海冰训练样本测试集。同时,基于512*512大小的窗口在线性拉伸所得的样本光学遥感影像以及对应的海冰掩膜图上随机滑动,得到样本区域影像及其对应的样本区域掩膜,从而构建海冰训练样本数据集。
基于Resnet和U-Net构建Resnet-UNet结构的语义分割模型,并基于海冰训练样本数据集训练语义分割模型,从而得到海冰语义分割模型。训练模型所采用的具体环境:GPU:1080ti,16G内存,centos7、Python=3.7、TensorFlow=1.14.0、Keras=2.0.8。
在得到海冰语义分割模型之后,还可以基于海冰训练样本测试集进行模型测试,进而验证上述各实施例的可行性。
现阶段,由于受到中高分辨率光学遥感在数据获取和监测范围的限制,基于中高分辨率的光学影像海冰识别算法较少。已有的海冰识别与分类相关研究多使用中低分辨率的遥感数据,如MODIS和AVHRR等,且基于中低分辨率的光学遥感数据提取的海冰类型信息已在海冰预报的业务化工作中得到应用,但是由于空间分辨率较低,很难获取海冰的细节信息。本发明实施例提供的方法中,原始遥感影像可以是Landsat8、Sentinel2、GF-1、GF-2和GF-6中的任意多种,上述中高分辨率光学卫星均具有多光谱和高空间分辨率观测的优势,能够提高海冰监视监测的精确性。
本发明实施例提供的方法,能够克服传统算法泛化能力低的缺点,兼容大多数中-高分辨率卫星遥感数据,并且具有很好的可拓展性,能够实现对海冰及其外缘线的快速、准确而又鲁棒的检测,在为中-高分辨率光学遥感海冰识别提供新的解决方案的同时,为海事部门快速发布海冰预警信息、应对海冰灾害、确保通航安全提供了可靠的技术支持。
下面对本发明提供的基于多源光学遥感影像的海冰识别装置进行描述,下文描述的基于多源光学遥感影像的海冰识别装置与上文描述的基于多源光学遥感影像的海冰识别方法可相互对应参照。
基于上述任一实施例,图3是本发明提供的基于多源光学遥感影像的海冰识别装置的结构示意图,如图3所示,该装置包括影像获取单元310和海冰分割单元320;
其中,影像获取单元310用于确定待识别的光学遥感影像;
海冰分割单元320用于将所述光学遥感影像输入至海冰语义分割模型,得到所述海冰语义分割模型输出的海冰识别结果;
所述海冰语义分割模型是基于样本光学遥感影像及其对应的海冰掩膜图,对语义分割模型进行训练得到的;所述样本光学遥感影像是基于多种光学遥感传感器采集所得的原始遥感影像确定的。
本发明实施例提供的装置,应用训练所得的海冰语义分割模型进行海冰识别,深度学习技术的应用所得海冰语义分割模型能够克服传统算法泛化能力差的问题。此外,由于用于训练海冰语义分割模型的样本光学遥感影像是多种光学遥感传感器采集所得的,海冰语义分割模型在训练过程中能够学习到各种光学遥感传感器所采集光谱信息的特征,从而具备优良的兼容性,能够兼容大多数中-高分辨率卫星遥感数据,且具有良好的可拓展性,实现了快速、准确且鲁棒的海冰识别。。
基于上述任一实施例,该装置还包括掩模生成单元,掩模生成单元用于:
基于海岸线矢量数据,对所述样本光学遥感影像的NDVI数据进行海陆分离,得到所述样本光学遥感影像的海洋区域的NDVI数据;
对海洋区域的NDVI数据进行阈值分割,得到所述海冰掩膜图。
基于上述任一实施例,该装置还包括样本影像生成单元,样本影像生成单元用于:
确定多种光学遥感传感器采集所得的原始遥感影像,对各个原始遥感影像进行预处理,所述预处理包括辐射定标、正射校正和大气校正中的至少一种;
将各个原始遥感影像重采样到同一尺度,并对重采样后的各个原始遥感影像进行影像拉伸,得到所述样本光学遥感影像,并将重采样后的各个原始遥感影像的NDVI数据作为对应样本光学遥感影像的NDVI数据。
基于上述任一实施例,该装置还包括模型训练单元,模型训练单元用于:
基于预设区域尺寸,对所述样本光学遥感影像及其对应的海冰掩膜图进行滑动采样,得到样本区域影像及其对应的样本区域掩膜;
对所述样本区域影像及其对应的样本区域掩膜进行样本增强,得到样本训练集;
基于所述样本训练集,训练所述语义分割模型,得到所述海冰语义分割模型。
基于上述任一实施例,所述语义分割模型是基于Resnet和U-Net构建的。
基于上述任一实施例,图4是本发明提供的基于多源光学遥感影像的海冰识别系统的结构示意图之一,如图4所示,该系统包括基于多源光学遥感影像的海冰识别装置410;
还包括预处理模块420、海冰图斑编辑模块430、报表生成模块440和信息归档模块450中的至少一种;
其中,所述预处理模块420用于对待识别的光学遥感影像进行预处理;
海冰图斑编辑模块430用于校正所述海冰识别装置的海冰识别结果中的图斑,得到海冰图斑信息;
所述报表生成模块440用于基于所述海冰识别结果生成海冰检测报表;
所述信息归档模块450用于对海冰检测信息进行归档,得到归档文件;所述海冰检测信息包括预处理后的光学遥感影像、所述海冰检测结果、所述海冰图斑信息和所述海冰检测报表中的至少一种。
具体地,预处理模块420首先对待识别的光学遥感影像进行预处理。并将预处理后的光学遥感影像传输至海冰识别装置410。此处的预处理操作具体可以是辐射定标、正射校正、大气校正、重采样等。预处理模块420可以基于GDAL和OGR库使用C#编程实现。
海冰识别装置410在接收到预处理之后的光学遥感影像后,可以基于训练好的海冰语义分割模型对待识别的光学遥感影像进行海冰识别,并输出对应的海冰识别结果。此外,在得到海冰识别结果之后,还可以基于OGR库使用Python编程将海冰检测结果矢量化生成海冰Shapefile矢量图斑,并将海冰Shapefile矢量图斑传输到海冰图斑编辑模块430。此处,海冰Shapefile矢量图斑的属性表中可以记录海冰中心经纬度、面积和影像成像时间等信息。
海冰图斑编辑模块430在接收到海冰Shapefile矢量图斑后,可以针对海冰Shapefile矢量图斑中可能存在的漏提、误提和虚警情况,对海冰Shapefile矢量图斑中的漏提海冰图斑进行添加,对误提海冰图斑进行重塑,对虚警海冰图斑进行删除,从而实现海冰图斑的编辑校正,得到编辑校正后的海冰图斑信息。此处,海冰图斑的编辑校正可以通过计算机自动识别结合人工二次编辑的方式实现,以提高海冰识别结果的整体精度。
报表生成模块440用于在得到识别后的光学遥感影像及其对应的海冰检测结果后,生成海冰检测报表。此处,海冰检测报表中可以包含光学遥感影像的简要信息,还可以包含基于海冰检测结果所得的海冰识别情况,例如海冰监测专题图、海冰面积、外缘线长度和中心经纬度等。
信息归档模块450用于将每次海冰检测所得的海冰检测信息进行归档,得到归档文件。此处的海冰检测信息可以包含预处理后的光学遥感影像、海冰检测结果、海冰图斑信息和海冰检测报表中的至少一种,信息归档模块450可以将上述各类文件的元信息及其对应的存储路径以XML文件的形式存储到本地,此处的XML形式的文件即归档文件。此后,海冰识别系统启动时可以自动检索各个归档文件,并将所有归档文件以列表的形式保存起来,以供用户点击浏览查看,用户在选定归档文件之后,系统可以通过归档文件内存储的各类文件的存储路径加载对应文件以供用户查看、编辑。
本发明实施例提供的系统,包括深度学习技术下的海冰识别装置,实现了地理信息系统组件技术与深度学习技术的耦合,充分发挥了地理信息系统组件在空间数据处理上的优势以及计算机在遥感数据处理计算上的优势,实现了基于多源光学卫星影像的海冰准确监测。
其中,海冰图斑编辑模块的应用,对于计算机未能准确识别的情况,可以对图斑进行人工目视解译,使得海冰监测灵活可控,进一步提高海冰识别的精度和可信度。
基于上述任一实施例,该系统还包括可视化窗口;所述可视化窗口用于显示所述海冰检测信息,并提供影像编辑接口以供用户编辑所述海冰检测信息。
具体地,可视化窗口可以实现海冰检测信息中各类影像的叠加显示,例如可以将电子海图图层、预处理后的光学遥感影像、海冰Shapefile矢量图斑等多图层信息进行可视化叠加显示。此外,可视化窗口还可以为用户提供影像编辑接口,使得用户可以通过影像编辑接口进行基础的影像操作,例如距离和面积量测、鹰眼视图、影像拉伸增强等。
基于上述任一实施例,所述海冰识别系统设置于本地后台服务器。所述本地后台服务器包括计算服务器和数据服务器;
其中,所述计算服务器用于运行所述海冰识别装置、所述海冰图斑编辑模块、所述报表生成模块和所述信息归档模块;
所述数据服务器用于存储所述海冰检测信息和所述归档文件。
此处,计算服务器存储了训练好的海冰语义分割网络模型并安装了识别海冰所需的软件环境,如tensorflow、GDAL/OGR(读写空间数据库)等必要的开源库。数据服务器存储每次海冰检测的海冰检测信息和归档文件,并为计算服务器提供调用接口和存储接口。
基于上述任一实施例,图5是本发明提供的基于多源光学遥感影像的海冰识别系统的结构示意图之二,如图5所示,海冰识别系统具体是一种桌面系统,该桌面系统运用ArcGIS Engine、GDAL/OGR和Tensorflow等工具,具体通过计算服务器和数据服务器实现功能,其中计算服务器用于下述各组件的功能执行,数据服务器用于下述各组件在功能执行时所需的数据的存储以及下述各组件在功能执行完成后生成数据的存储。该桌面系统具体在功能层面上包括如下组件:
预处理模块,用于对待识别的光学遥感影像进行预处理,此处的预处理操作可以是辐射定标、正射校正、大气校正、重采样等;
可视化窗口,用于各类影像的叠加显示,此外为用户提供影像编辑接口,使得用户可以通过影像编辑接口进行基础的影像操作,例如距离和面积量测、鹰眼视图、影像拉伸增强等;
海冰识别装置,用于基于训练好的海冰语义分割模型对待识别的光学遥感影像进行海冰识别,输出对应的海冰识别结果。此外,还用于基于OGR库将海冰检测结果矢量化生成海冰Shapefile矢量图斑;
海冰图斑编辑模块,用于针对海冰Shapefile矢量图斑中可能存在的漏提、误提和虚警情况,对海冰Shapefile矢量图斑中的漏提海冰图斑进行添加,对误提海冰图斑进行重塑,对虚警海冰图斑进行删除,从而实现海冰图斑的编辑校正;
报表生成模块,用于在得到识别后的光学遥感影像及其对应的海冰检测结果后,生成海冰检测报表,并将海冰检测报表以Word形式存储在预先设定的文件夹中;
信息归档模块,用于将上述各类文件的元信息及其对应的存储路径以XML文件的形式存储到本地,并在用户选定归档文件之后,通过归档文件内存储的各类文件的存储路径加载对应文件以供用户查看、编辑。
本发明实施例提供的系统,充分发挥了地理信息系统组件在空间数据处理上的优势以及计算机在遥感数据处理计算上的优势,实现了基于多源光学卫星影像的海冰准确监测。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行基于多源光学遥感影像的海冰识别方法,该方法包括:
确定待识别的光学遥感影像;
将所述光学遥感影像输入至海冰语义分割模型,得到所述海冰语义分割模型输出的海冰识别结果;
所述海冰语义分割模型是基于样本光学遥感影像及其对应的海冰掩膜图,对语义分割模型进行训练得到的;所述样本光学遥感影像是基于多种光学遥感传感器采集所得的原始遥感影像确定的。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的基于多源光学遥感影像的海冰识别方法,该方法包括:
确定待识别的光学遥感影像;
将所述光学遥感影像输入至海冰语义分割模型,得到所述海冰语义分割模型输出的海冰识别结果;
所述海冰语义分割模型是基于样本光学遥感影像及其对应的海冰掩膜图,对语义分割模型进行训练得到的;所述样本光学遥感影像是基于多种光学遥感传感器采集所得的原始遥感影像确定的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的基于多源光学遥感影像的海冰识别方法,该方法包括:
确定待识别的光学遥感影像;
将所述光学遥感影像输入至海冰语义分割模型,得到所述海冰语义分割模型输出的海冰识别结果;
所述海冰语义分割模型是基于样本光学遥感影像及其对应的海冰掩膜图,对语义分割模型进行训练得到的;所述样本光学遥感影像是基于多种光学遥感传感器采集所得的原始遥感影像确定的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多源光学遥感影像的海冰识别方法,其特征在于,包括:
确定待识别的光学遥感影像;
将所述光学遥感影像输入至海冰语义分割模型,得到所述海冰语义分割模型输出的海冰识别结果;
所述海冰语义分割模型是基于样本光学遥感影像及其对应的海冰掩膜图,对语义分割模型进行训练得到的;所述样本光学遥感影像是基于多种光学遥感传感器采集所得的原始遥感影像确定的。
2.根据权利要求1所述的基于多源光学遥感影像的海冰识别方法,其特征在于,所述样本光学遥感影像是基于如下步骤确定的:
确定多种光学遥感传感器采集所得的原始遥感影像,对各个原始遥感影像进行预处理,所述预处理包括辐射定标、正射校正和大气校正中的至少一种;
将各个原始遥感影像重采样到同一尺度,对重采样后的各个原始遥感影像进行影像拉伸,得到所述样本光学遥感影像,并将重采样后的各个原始遥感影像的NDVI数据作为对应样本光学遥感影像的NDVI数据。
3.根据权利要求1所述的基于多源光学遥感影像的海冰识别方法,其特征在于,所述海冰掩膜图是基于如下步骤确定的:
基于海岸线矢量数据,对所述样本光学遥感影像的NDVI数据进行海陆分离,得到所述样本光学遥感影像的海洋区域的NDVI数据;
对海洋区域的NDVI数据进行阈值分割,得到所述海冰掩膜图。
4.根据权利要求1至3中任一项所述的基于多源光学遥感影像的海冰识别方法,其特征在于,所述海冰语义分割模型的训练方法包括:
基于预设区域尺寸,对所述样本光学遥感影像及其对应的海冰掩膜图进行滑动采样,得到样本区域影像及其对应的样本区域掩膜;
对所述样本区域影像及其对应的样本区域掩膜进行样本增强,得到样本训练集;
基于所述样本训练集,训练所述语义分割模型,得到所述海冰语义分割模型。
5.根据权利要求1至3中任一项所述的基于多源光学遥感影像的海冰识别方法,其特征在于,所述语义分割模型是基于Resnet和U-Net构建的。
6.一种基于多源光学遥感影像的海冰识别装置,其特征在于,包括:
影像获取单元,用于确定待识别的光学遥感影像;
海冰分割单元,用于将所述光学遥感影像输入至海冰语义分割模型,得到所述海冰语义分割模型输出的海冰识别结果;
所述海冰语义分割模型是基于样本光学遥感影像及其对应的海冰掩膜图,对语义分割模型进行训练得到的;所述样本光学遥感影像是基于多种光学遥感传感器采集所得的原始遥感影像确定的。
7.一种基于多源光学遥感影像的海冰识别系统,其特征在于,包括如权利要求6所述的基于多源光学遥感影像的海冰识别装置;
还包括预处理模块、海冰图斑编辑模块、报表生成模块和信息归档模块中的至少一种;
其中,所述预处理模块用于对待识别的光学遥感影像进行预处理;
所述海冰图斑编辑模块用于校正所述海冰识别装置的海冰识别结果中的图斑,得到海冰图斑信息;
所述报表生成模块用于基于所述海冰识别结果生成海冰检测报表;
所述信息归档模块用于对海冰检测信息进行归档,得到归档文件;所述海冰检测信息包括预处理后的光学遥感影像、所述海冰检测结果、所述海冰图斑信息和海冰检测报表中的至少一种。
8.根据权利要求7所述的基于多源光学遥感影像的海冰识别系统,其特征在于,还包括可视化窗口;
所述可视化窗口用于显示所述海冰检测信息,并提供影像编辑接口以供用户编辑所述海冰检测信息。
9.根据权利要求7所述的基于多源光学遥感影像的海冰识别系统,其特征在于,所述海冰识别系统设置于本地后台服务器。
10.根据权利要求9所述的基于多源光学遥感影像的海冰识别系统,其特征在于,所述本地后台服务器包括计算服务器和数据服务器;
其中,所述计算服务器用于运行所述海冰识别装置、所述预处理模块、所述海冰图斑编辑模块、所述报表生成模块和所述信息归档模块;
所述数据服务器用于存储所述海冰检测信息和所述归档文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011540724.7A CN112633171B (zh) | 2020-12-23 | 2020-12-23 | 一种基于多源光学遥感影像的海冰识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011540724.7A CN112633171B (zh) | 2020-12-23 | 2020-12-23 | 一种基于多源光学遥感影像的海冰识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633171A true CN112633171A (zh) | 2021-04-09 |
CN112633171B CN112633171B (zh) | 2024-08-02 |
Family
ID=75321706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011540724.7A Active CN112633171B (zh) | 2020-12-23 | 2020-12-23 | 一种基于多源光学遥感影像的海冰识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633171B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470628A (zh) * | 2021-07-14 | 2021-10-01 | 青岛信芯微电子科技股份有限公司 | 一种语音识别方法及装置 |
CN113901966A (zh) * | 2021-12-07 | 2022-01-07 | 武汉光谷信息技术股份有限公司 | 一种融合多源地理信息数据的农作物分类方法 |
CN114821355A (zh) * | 2022-04-27 | 2022-07-29 | 生态环境部卫星环境应用中心 | 海岸线自动化识别方法和装置 |
CN116597319A (zh) * | 2023-04-19 | 2023-08-15 | 北京师范大学 | 一种海冰日数据综合处理方法、装置及计算设备 |
CN117392539A (zh) * | 2023-10-13 | 2024-01-12 | 哈尔滨师范大学 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516317A (zh) * | 2017-08-18 | 2017-12-26 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
CN108805874A (zh) * | 2018-06-11 | 2018-11-13 | 中国电子科技集团公司第三研究所 | 一种基于卷积神经网络的多光谱图像语义切割方法 |
JP2019087244A (ja) * | 2017-11-01 | 2019-06-06 | コリア インスティテュート オブ オーシャン サイエンス テクノロジー | 極地海域における海氷領域の探知方法およびそのための探知システム |
CN110929592A (zh) * | 2019-11-06 | 2020-03-27 | 北京恒达时讯科技股份有限公司 | 一种用于海上养殖区外边界的提取方法及系统 |
CN112102324A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
-
2020
- 2020-12-23 CN CN202011540724.7A patent/CN112633171B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516317A (zh) * | 2017-08-18 | 2017-12-26 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
JP2019087244A (ja) * | 2017-11-01 | 2019-06-06 | コリア インスティテュート オブ オーシャン サイエンス テクノロジー | 極地海域における海氷領域の探知方法およびそのための探知システム |
CN108805874A (zh) * | 2018-06-11 | 2018-11-13 | 中国电子科技集团公司第三研究所 | 一种基于卷积神经网络的多光谱图像语义切割方法 |
CN110929592A (zh) * | 2019-11-06 | 2020-03-27 | 北京恒达时讯科技股份有限公司 | 一种用于海上养殖区外边界的提取方法及系统 |
CN112102324A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470628A (zh) * | 2021-07-14 | 2021-10-01 | 青岛信芯微电子科技股份有限公司 | 一种语音识别方法及装置 |
CN113470628B (zh) * | 2021-07-14 | 2024-05-31 | 青岛信芯微电子科技股份有限公司 | 一种语音识别方法及装置 |
CN113901966A (zh) * | 2021-12-07 | 2022-01-07 | 武汉光谷信息技术股份有限公司 | 一种融合多源地理信息数据的农作物分类方法 |
CN113901966B (zh) * | 2021-12-07 | 2022-03-11 | 武汉光谷信息技术股份有限公司 | 一种融合多源地理信息数据的农作物分类方法 |
CN114821355A (zh) * | 2022-04-27 | 2022-07-29 | 生态环境部卫星环境应用中心 | 海岸线自动化识别方法和装置 |
CN116597319A (zh) * | 2023-04-19 | 2023-08-15 | 北京师范大学 | 一种海冰日数据综合处理方法、装置及计算设备 |
CN116597319B (zh) * | 2023-04-19 | 2024-02-02 | 北京师范大学 | 一种海冰日数据综合处理方法、装置及计算设备 |
CN117392539A (zh) * | 2023-10-13 | 2024-01-12 | 哈尔滨师范大学 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
CN117392539B (zh) * | 2023-10-13 | 2024-04-09 | 哈尔滨师范大学 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112633171B (zh) | 2024-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633171B (zh) | 一种基于多源光学遥感影像的海冰识别方法和系统 | |
CN111767801B (zh) | 一种基于深度学习的遥感影像水域自动提取方法及系统 | |
US10628890B2 (en) | Visual analytics based vehicle insurance anti-fraud detection | |
CN109598241B (zh) | 基于Faster R-CNN的卫星图像海上舰船识别方法 | |
US9251420B2 (en) | System for mapping and identification of plants using digital image processing and route generation | |
Chang et al. | Multisensor satellite image fusion and networking for all-weather environmental monitoring | |
US20210090266A1 (en) | Method and device for labeling point of interest | |
CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
CN114898097B (zh) | 图像识别方法及系统 | |
CN113011350A (zh) | 一种地域图像的识别处理方法、装置及电子设备 | |
CN113378785A (zh) | 森林类型识别方法及装置 | |
CN116895060A (zh) | 一种基于场景重建的三维车道线标注方法与装置 | |
CN115830441A (zh) | 一种作物识别方法、装置、系统和介质 | |
Bin et al. | Parcel-based change detection in land-use maps by adopting the holistic feature | |
van Geffen et al. | SiDroForest: A comprehensive forest inventory of Siberian boreal forest investigations including drone-based point clouds, individually labelled trees, synthetically generated tree crowns and Sentinel-2 labelled image patches | |
Dong et al. | A review of research on remote sensing images shadow detection and application to building extraction | |
CN112712098B (zh) | 图像数据处理方法及装置 | |
Eken et al. | An automated technique to determine spatio-temporal changes in satellite island images with vectorization and spatial queries | |
CN112446343A (zh) | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 | |
Wu et al. | Building a water feature extraction model by integrating aerial image and lidar point clouds | |
CN115601655A (zh) | 基于卫星遥感的水体信息识别方法、装置和可读介质 | |
CN113139077B (zh) | 一种识别船舶身份的方法、装置、终端及存储介质 | |
CN113516059A (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
CN113128523A (zh) | 一种基于时间序列遥感影像自动提取珊瑚礁的方法 | |
Fetai et al. | Detection of Visible Boundaries from Uav Images Using U-Net |
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 |