CN112801170A - 基于遥感影像的多时相变化检测及地物识别分类方法 - Google Patents

基于遥感影像的多时相变化检测及地物识别分类方法 Download PDF

Info

Publication number
CN112801170A
CN112801170A CN202110097583.4A CN202110097583A CN112801170A CN 112801170 A CN112801170 A CN 112801170A CN 202110097583 A CN202110097583 A CN 202110097583A CN 112801170 A CN112801170 A CN 112801170A
Authority
CN
China
Prior art keywords
image
ground
change detection
remote sensing
features
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
CN202110097583.4A
Other languages
English (en)
Inventor
邓炯
马惠
谢玉周
谢龙涛
邵亚杰
李文彬
陈涛
李家兴
朱海涛
宋丽
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.)
Zhengzhou Xintu Information Technology Co ltd
Henan Land And Resources Investigation And Planning Institute Real Estate Registration Center Of Henan Land And Resources Department
Original Assignee
Zhengzhou Xintu Information Technology Co ltd
Henan Land And Resources Investigation And Planning Institute Real Estate Registration Center Of Henan Land And Resources Department
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 Zhengzhou Xintu Information Technology Co ltd, Henan Land And Resources Investigation And Planning Institute Real Estate Registration Center Of Henan Land And Resources Department filed Critical Zhengzhou Xintu Information Technology Co ltd
Priority to CN202110097583.4A priority Critical patent/CN112801170A/zh
Publication of CN112801170A publication Critical patent/CN112801170A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于遥感影像的多时相变化检测及地物识别分类方法，包含以下步骤:步骤1、分别将监测区域的前、后两期影像进行提取，利用影像特征进行地物识别，提取并分割地类；步骤2、对地物识别后的前、后两期影像进行对比检查，将相同特征地物进行背景化，突出变化区域的图斑；步骤3、通过拓扑检查模块对对比后的图像进行拓扑及属性检查；步骤4、输出具有突出变化区域的影像结果。本发明的有益效果如下：相比于现有技术，本发明所涉及的基于遥感影像的多时相变化检测及地物识别分类方法，将相同特征地物进行背景化，突出变化区域的图斑，方便工作人员识别，排除了一些要求标准之下的变化的干扰，更加有的放矢，快速得到所需变化的结果。

Description

基于遥感影像的多时相变化检测及地物识别分类方法
技术领域
本发明涉及基于遥感影像的多时相变化检测及地物识别分类方法。
背景技术
在第三次全国国土调查统一时点更新工作中，需要提取新的土地利用变化图斑，需要大量的人工通过对比不同时相的遥感影像，逐个图斑的来查找判断新发生的土地利用情况变化，一个普通的县大约有15万-20万个图斑，工作量巨大，由于不同时相影像特征的季节差异，光谱差异等情况，给人工判断带来了很大的干扰，经常出现错判和漏判。如何解决人工判读不同时相影像工作量大、容易错判、漏判的现象,是现有技术急需解决的技术问题。
发明内容
本发明的目的在于提供基于遥感影像的多时相变化检测及地物识别分类方法，以解决现有技术中的人工判读不同时相影像工作量大、容易错判、漏判的问题。
为了解决上述问题，本发明的方案为：
基于遥感影像的多时相变化检测及地物识别分类方法，包含以下步骤:
步骤1、地物识别：分别将监测区域的前、后两期影像进行提取，利用影像特征进行地物识
别，提取并分割地类，形成不同颜色区域的彩色图像；
步骤2、变化检测：对地物识别后的前、后两期影像进行对比检查，将相同特征地物进行背
景化，突出变化区域的图斑；
步骤3、拓扑检查：通过拓扑检查模块对对比后的图像进行拓扑及属性检查，根据设定阈值，将低于阈值的碎小图斑舍弃或者合并到相邻且相同属性图斑中；
步骤4、输出：输出具有突出变化区域的影像结果。
优选的，步骤1中，图像特征包括光谱特征、颜色特征和/或纹理特征，识别及分隔地类所
利用的函数或公式为：
yf＝fC(WC,2*fC(WC,1*x+BC,1)+BC,2)；
l＝argmax(fFC(WFCyf+BFC))
其中，yf为提取的特征向量；fC为特征提取模型的激活函数，一般为ReLU；WC,2，WC，1，BC，1和BC,2为特征提取模型参数，可以通过卷积神经网络样本训练得到；x为输入的影像；*
表示卷积操作；l为最后得到的类别标签；fFC为分类模型的激活函数，一般为softmax，WFC和BFC为分类模型参数，可通过卷积神经网络样本训练得到。
优选的，步骤2中，对比检查利用的函数或公式为
lc＝(lo≠ln)
其中，lc为变化检测结果，lo为旧时像分类结果，ln为新时像分类结果。
优选的，步骤3中所述阈值包括图斑的长度、宽度、和/或面积。
优选的，还进行矢量变化检测，步骤1中通过步骤1中通过二值化、细化、追踪和/或拓扑化，对前、后期影像进行矢量生成处理，对前、后期影像进行矢量生成处理，并在步骤2中对于突出变化区域的图斑矢量化，经过拓扑检查模块检查后，在步骤4输出影像结果的同时，输出一份变化矢量的提取结果。
优选的，步骤1中分割地类依据为第三次全国国土调查地类规范。
本发明的有益效果如下：相比于现有技术，本发明所涉及的基于遥感影像的多时相变化检测及地物识别分类方法，将前、后两期的影像依据影像特征，特别是纹理特征，进行快速的特征识别和归类，并通过对比检查，将相同特征地物进行背景化，突出变化区域的图斑，方便工作人员识别，通过拓扑检查模块对对比后的图像进行拓扑及属性检查，根据设定阈值，将低于阈值的碎小图斑舍弃或者合并到相邻且相同属性图斑中，排除了一些要求标准之下的变化的干扰，更加有的放矢，快速得到所需变化的结果。
更进一步的，进行矢量变化检测，使得检测更精确和容易识别。
附图说明
图1为本发明的基于遥感影像的多时相变化检测及地物识别分类方法的步骤示意图。
具体实施方式
为了使本发明的技术目的、技术方案和有益效果更加清楚，下面结合附图和具体实施例对本发明的技术方案作出进一步的说明。
基于遥感影像的多时相变化检测及地物识别分类方法的实施例，如图1所示，包含以下步骤:
步骤1、地物识别：分别将监测区域的前、后两期影像进行提取，利用影像特征进行地物识别，提取并分割地类，形成不同颜色区域的彩色图像，分割地类依据为第三次全国国土调查
地类规范；
步骤2、变化检测：对地物识别后的前、后两期影像进行对比检查，将相同特征地物进行背
景化，突出变化区域的图斑；
步骤3、拓扑检查：通过拓扑检查模块对对比后的图像进行拓扑及属性检查，根据设定阈值，将低于阈值的碎小图斑舍弃或者合并到相邻且相同属性图斑中；
步骤4、输出：输出具有突出变化区域的影像结果。
其中，步骤1中，图像特征包括光谱特征、颜色特征和/或纹理特征，识别及分隔地类所利用的函数或公式为：
yf＝fC(WC,2*fC(WC,1*x+BC,1)+BC,2)；
l＝argmax(fFC(WFCyf+BFC))
其中，yf为提取的特征向量；fC为特征提取模型的激活函数，一般为ReLU；WC,2，WC,1，BC,1和BC,2为特征提取模型参数，可以通过卷积神经网络样本训练得到；x为输入的影像；*表示卷积操作；l为最后得到的类别标签；fFC为分类模型的激活函数，一般为softmax，WFC和BFC为分类模型参数，可通过卷积神经网络样本训练得到。
步骤2中，对比检查利用的函数或公式为：lc＝(lo≠ln)
其中，lc为变化检测结果，lo为旧时像分类结果，ln为新时像分类结果。
步骤3中所述阈值包括图斑的长度、宽度、和/或面积，本实施例中，阈值包括长度、宽度、和面积，达不到面积阈值要求且达到长宽要求的图斑，合并到相邻且相同属性图斑中，其他达不到面积阈值的图斑直接删除化为背景。
本实施例中，图像特征中，纹理特征权重最大，所述阈值中，面积权重最大，首要判断是否达到面积要求。
本实施例中，还进行矢量变化检测，步骤1中通过二值化、细化、追踪和/或拓扑化，对前、后期影像进行矢量生成处理，并在步骤2中对于突出变化区域的图斑矢量化，经过拓扑检查模块检查后，在步骤4输出影像结果的同时，输出一份变化矢量的提取结果。进行矢量变化检测，目的是使得检测更精确和容易识别。
最后所应说明的是：上述实施例仅用于说明而非限制本发明的技术方案，任何对本发明进行的等同替换及不脱离本发明精神和范围的修改或局部替换，其均应涵盖在本发明权利要求保护的范围之内。

Claims (5)

1.基于遥感影像的多时相变化检测及地物识别分类方法，其特征在于包含以下步骤:
步骤1、地物识别：分别将监测区域的前、后两期影像进行提取，利用影像特征进行地物识别，提取并分割地类，形成不同颜色区域的彩色图像；
步骤2、变化检测：对地物识别后的前、后两期影像进行对比检查，将相同特征地物进行背景化，突出变化区域的图斑；
步骤3、拓扑检查：通过拓扑检查模块对对比后的图像进行拓扑及属性检查，根据设定阈值，将低于阈值的碎小图斑舍弃或者合并到相邻且相同属性图斑中；
步骤4、输出：输出具有突出变化区域的影像结果。
2.根据权利要求1所述的基于遥感影像的多时相变化检测及地物识别分类方法，其特征在于:步骤1中，图像特征包括光谱特征、颜色特征和/或纹理特征，识别及分隔地类所利用的函数或公式为：
yf＝fC(WC,2*fC(WC,1*x+BC,1)+BC,2)；
l＝argmax(fFC(WFCyf+BFC))
其中，yf为提取的特征向量；fC为特征提取模型的激活函数，一般为ReLU；WC，2，WC,1，BC，1和BC，2为特征提取模型参数，可以通过卷积神经网络样本训练得到；x为输入的影像；*表示卷积操作；l为最后得到的类别标签；fFC为分类模型的激活函数，一般为softmax，WFC和BFC为分类模型参数，可通过卷积神经网络样本训练得到。
3.根据权利要求2所述的基于遥感影像的多时相变化检测及地物识别分类方法，其特征在于:步骤2中，对比检查利用的函数或公式为：
lc＝(lo≠ln)
其中，lc为变化检测结果，lo为旧时像分类结果，ln为新时像分类结果。
4.根据权利要求3所述的基于遥感影像的多时相变化检测及地物识别分类方法，其特征在于:步骤3中所述阈值包括图斑的长度、宽度、和/或面积。
5.根据权利要求1-4任一项所述的基于遥感影像的多时相变化检测及地物识别分类方法，其特征在于:还进行矢量变化检测，步骤1中通过二值化、细化、追踪和/或拓扑化，对前、后期影像进行矢量生成处理，并在步骤2中对于突出变化区域的图斑矢量化，经过拓扑检查模块检查后，在步骤4输出影像结果的同时，输出一份变化矢量的提取结果。
CN202110097583.4A 2021-01-25 2021-01-25 基于遥感影像的多时相变化检测及地物识别分类方法 Pending CN112801170A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110097583.4A CN112801170A (zh) 2021-01-25 2021-01-25 基于遥感影像的多时相变化检测及地物识别分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110097583.4A CN112801170A (zh) 2021-01-25 2021-01-25 基于遥感影像的多时相变化检测及地物识别分类方法

Publications (1)

Publication Number Publication Date
CN112801170A true CN112801170A (zh) 2021-05-14

Family

ID=75811613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110097583.4A Pending CN112801170A (zh) 2021-01-25 2021-01-25 基于遥感影像的多时相变化检测及地物识别分类方法

Country Status (1)

Country Link
CN (1) CN112801170A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113496220A (zh) * 2021-09-07 2021-10-12 阿里巴巴达摩院(杭州)科技有限公司 影像处理方法、系统、计算机可读存储介质
CN113989660A (zh) * 2021-10-14 2022-01-28 浙江数维科技有限公司 一种不同时相影像变化的检测方法
CN114140716A (zh) * 2021-11-25 2022-03-04 国网湖北省电力有限公司经济技术研究院 一种变电工程进度监测影像识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657207A (zh) * 2016-12-30 2018-02-02 航天星图科技（北京）有限公司 一种基于遥感影像的林地分类方法
WO2018107939A1 (zh) * 2016-12-14 2018-06-21 国家海洋局第二海洋研究所 一种基于边缘完备度的图像分割最优识别方法
CN108846832A (zh) * 2018-05-30 2018-11-20 理大产学研基地(深圳)有限公司 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CN111739067A (zh) * 2020-05-28 2020-10-02 中国国土勘测规划院 一种遥感影像变化检测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018107939A1 (zh) * 2016-12-14 2018-06-21 国家海洋局第二海洋研究所 一种基于边缘完备度的图像分割最优识别方法
CN107657207A (zh) * 2016-12-30 2018-02-02 航天星图科技（北京）有限公司 一种基于遥感影像的林地分类方法
CN108846832A (zh) * 2018-05-30 2018-11-20 理大产学研基地(深圳)有限公司 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CN111739067A (zh) * 2020-05-28 2020-10-02 中国国土勘测规划院 一种遥感影像变化检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许淑淑: "基于对象的多源数据变化检测的方法", 《测绘通报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113496220A (zh) * 2021-09-07 2021-10-12 阿里巴巴达摩院(杭州)科技有限公司 影像处理方法、系统、计算机可读存储介质
CN113989660A (zh) * 2021-10-14 2022-01-28 浙江数维科技有限公司 一种不同时相影像变化的检测方法
CN114140716A (zh) * 2021-11-25 2022-03-04 国网湖北省电力有限公司经济技术研究院 一种变电工程进度监测影像识别方法

Similar Documents

Publication Publication Date Title
CN112801170A (zh) 基于遥感影像的多时相变化检测及地物识别分类方法
Li et al. An effective data augmentation strategy for CNN-based pest localization and recognition in the field
Ke et al. A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing
US9367766B2 (en) Text line detection in images
US8625885B2 (en) Methods and systems for data analysis and feature recognition
CN109813717A (zh) 缺陷检查方法
US20160034441A1 (en) Systems, apparatuses and methods for generating a user interface
CN112164062A (zh) 一种基于遥感时序分析的抛荒地信息提取方法及装置
Liu et al. A hybrid method for segmenting individual trees from airborne lidar data
CN104316861B (zh) 集成电路硬件木马检测方法及系统
CN105718552A (zh) 基于服装手绘草图的服装图像检索方法
CN110647906A (zh) 基于Faster R-CNN方法的服饰目标检测方法
CN112084761B (zh) 一种水利工程信息管理方法及装置
CN105117771A (zh) 一种基于关联规则有向无环图的农机故障识别方法
CN110956207A (zh) 一种光学遥感影像全要素变化检测方法
CN116682130A (zh) 图签信息的提取方法、装置、设备及可读存储介质
Avola et al. A shape comparison reinforcement method based on feature extractors and f1-score
Chaturvedi et al. Design pattern detection using machine learning techniques
CN111860487A (zh) 基于深度神经网络的碑文标注检测识别系统
CN107330441A (zh) 火焰图像前景提取算法
CN103871089A (zh) 一种基于融合的图像超像素网格化方法
Jiashun A new trajectory clustering algorithm based on TRACLUS
CN111080562B (zh) 一种基于增强图像对比的变电场所悬挂物识别方法
Liu et al. An improved image retrieval method based on sift algorithm and saliency map
CN114078106A (zh) 基于改进Faster R-CNN的疵点检测方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210514

WD01 Invention patent application deemed withdrawn after publication