CN112949617B - 农村道路类型识别方法、系统、终端设备及可读存储介质 - Google Patents
农村道路类型识别方法、系统、终端设备及可读存储介质 Download PDFInfo
- Publication number
- CN112949617B CN112949617B CN202110524865.8A CN202110524865A CN112949617B CN 112949617 B CN112949617 B CN 112949617B CN 202110524865 A CN202110524865 A CN 202110524865A CN 112949617 B CN112949617 B CN 112949617B
- Authority
- CN
- China
- Prior art keywords
- road
- image
- type
- rural
- area
- 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
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种农村道路类型识别方法、系统、终端设备及可读存储介质,该方法包括:对农村道路图像进行道路识别得到道路区域图像;对道路区域图像进行类型识别得到道路类型标识,根据道路类型标识对道路区域图像进行类型标记;若同一道路区域图像上携带不同道路类型标识,则分别获取不同道路类型标识对应图像的图像面积,根据图像面积对道路区域图像进行类型标记;根据类型标记确定道路区域图像对应道路的道路类型。本发明通过对道路区域图像进行类型标记,根据类型标记确定道路区域图像在农村道路图像中对应道路的道路类型,使得无需采用人工勘测的方式进行农村道路、乡村道路用地和田间道之间的道路识别,提高了道路识别效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种农村道路类型识别方法、系统、终端设备及可读存储介质。
背景技术
2017年10月,第三次全国国土调查(以下简称“三调”)工作正式开始,截止到2020年12月,“三调”的数据成果已初步形成。依据《第三次全国国土调查技术规程》,农村道路是指在农村范围内,南方宽度≥1.0米、≤8.0米,北方宽度≥2.0米、≤8.0米,用于村间、田间交通运输,并在国家公路网络体系之外,以服务于农村农业生产为主要用途的道路(含机耕道)。
2020年11月,自然资源部编制了《国土空间调查、规划、用途管制用地用海分类指南》,该指南的出台为实施全国自然资源统一管理,科学划分国土空间用地用海类型、明确各类型含义,统一国土调查、统计和规划分类标准,合理利用和保护自然资源提供了保障。指南中明确了国土空间调查、规划、用途管制用地用海分类(以下简称“用地用海分类”)与“三调”数据成果的衔接关系,其中“三调”数据成果中的“1006 农村道路”(以下简称农村道路)对应用地用海分类中的“0601 乡村道路用地”(以下简称乡村道路用地)和“2303 田间道”(以下简称田间道)。
用地用海分类中“乡村道路用地”是指农村范围内,乡道及乡道以上公路以外,用于村间、田间交通运输,服务于农村生活生产的对地表耕作层造成破坏的硬化型道路(含机耕道),不包括村庄内部道路用地和田间道。田间道是指在农村范围内,用于田间交通运输,为农业生产、农村生活服务的未对地表耕作层造成破坏的非硬化道路。乡村道路用地和田间道的最大差异在于硬化与非硬化,如何确定“三调”数据成果中农村道路和用地用海分类中乡村道路用地、田间道之间对应关系的问题越来越受人们所重视。
现有的技术中,均通过采用人工的方式进行实地勘测,以识别农村道路是否属于乡村道路用地或田间道,但采用人工勘测的方式进行农村道路、乡村道路用地和田间道之间的道路识别,导致道路识别效率低下。
发明内容
有鉴于此,本发明实施例提供了一种农村道路类型识别方法、系统、终端设备及可读存储介质,以解决现有技术中,农村道路、乡村道路用地和田间道之间的道路识别效率低下的问题。
本发明实施例的第一方面提供了一种农村道路类型识别方法,包括:
获取农村道路图像,并对所述农村道路图像进行道路识别,得到道路区域图像;
对所述道路区域图像进行类型识别,得到道路类型标识,并根据所述道路类型标识对所述道路区域图像进行类型标记;
若同一所述道路区域图像上携带不同所述道路类型标识,则分别获取不同所述道路类型标识对应图像的图像面积,并根据所述图像面积对所述道路区域图像进行类型标记;
根据所述类型标记,确定所述道路区域图像在所述农村道路图像中对应道路的道路类型,所述道路类型包括乡村道路用地类型和田间道类型。
进一步地,所述根据所述图像面积对所述道路区域图像进行类型标记,包括:
针对同一所述道路区域图像,获取最大所述图像面积对应的所述道路类型标识,并根据获取到的所述道路类型标识对所述道路区域图像进行类型标记。
进一步地,所述获取最大所述图像面积对应的所述道路类型标识之后,还包括:
若获取到的所述道路类型标识与预设类型标识不相同,则确定所述农村道路图像中,所述道路区域图像与指定类型区域之间的区域距离;
若所述区域距离满足预设距离条件,则根据所述预设类型标识对所述道路区域图像进行类型标记;
其中,所述指定类型区域包括林地类型区域。
进一步地,所述确定所述农村道路图像中,所述道路区域图像与指定类型区域之间的区域距离,包括:
提取所述农村道路图像中像素点的像素值,并将像素值在预设像素范围内的所述像素点设置为指定像素点;
将所述农村道路图像中,所述指定像素点所形成的区域设置为所述指定类型区域,并计算所述指定类型区域与所述道路区域图像之间的图像距离;
根据所述图像距离和预设图像缩放比例进行距离计算,得到所述区域距离。
进一步地,所述对所述道路区域图像进行类型识别,得到道路类型标识,包括:
将所述道路区域图像输入预训练后的图像分类模型进行图像分类,得到所述道路类型标识。
进一步地,所述将所述道路区域图像输入预训练后的图像分类模型进行图像分类,得到所述道路类型标识,包括:
根据所述预训练后的图像分类模型对所述道路区域图像进行图像分割,得到分割图像;
根据所述预训练后的图像分类模型分别提取所述分割图像的图像特征,并分别计算所述分割图像的图像特征与预设图像特征之间的特征相似度;
获取最大所述特征相似度对应的标识,并将获取到的标识设置为所述道路区域图像的所述道路类型标识。
进一步地,所述对所述农村道路图像进行道路识别,得到道路区域图像,包括:
根据预设颜色参数对所述农村道路图像进行图像过滤,得到道路过滤图像,并提取所述道路过滤图像中的轮廓,得到道路轮廓;
根据预设轮廓参数对所述道路轮廓进行轮廓过滤,并将轮廓过滤后的所述道路轮廓在所述农村道路图像上,对应的图像设置为所述道路区域图像。
本发明实施例的第二方面提供了一种农村道路类型识别系统,包括:
道路识别单元,用于获取农村道路图像,并对所述农村道路图像进行道路识别,得到道路区域图像;
第一类型标记单元,用于对所述道路区域图像进行类型识别,得到道路类型标识,并根据所述道路类型标识对所述道路区域图像进行类型标记;
第二类型标记单元,用于若同一所述道路区域图像上携带不同所述道路类型标识,则分别获取不同所述道路类型标识对应图像的图像面积,并根据所述图像面积对所述道路区域图像进行类型标记;
道路类型确定单元,用于根据所述类型标记,确定所述道路区域图像在所述农村道路图像中对应道路的道路类型,所述道路类型包括乡村道路用地类型和田间道类型。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在终端设备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第一方面提供的农村道路类型识别方法的各步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方面提供的农村道路类型识别方法的各步骤。
实施本发明实施例提供的一种农村道路类型识别方法、系统、终端设备及可读存储介质具有以下有益效果:通过对农村道路图像进行道路识别,能有效地确定到农村道路图像中道路对应的道路区域图像,通过对道路区域图像进行类型识别,能有效地确定到道路区域图像对应道路的道路类型标识,通过道路类型标识或图像面积对道路区域图像进行类型标记,并根据类型标记,确定道路区域图像在农村道路图像中对应道路的道路类型,使得无需采用人工勘测的方式进行农村道路、乡村道路用地和田间道之间的道路识别,提高了道路识别效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种农村道路类型识别方法的实现流程图;
图2是本发明另一实施例提供的一种农村道路类型识别方法的实现流程图;
图3是本发明实施例提供的一种农村道路类型识别系统的结构框图;
图4是本发明实施例提供的一种终端设备的结构框图。
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。
本发明实施例所涉及的农村道路类型识别方法,可以由控制设备或终端(以下称“移动终端”)执行。
请参阅图1,图1示出了本发明实施例提供的一种农村道路类型识别方法的实现流程图,包括:
步骤S10,获取农村道路图像,并对所述农村道路图像进行道路识别,得到道路区域图像;
其中,可以基于任一具有图像采集功能的设备,对农村道路进行图像采集,得到该农村道路图像,该步骤中,基于遥感卫星对农村道路进行图像采集,得到卫星图像,并将该卫星图像转换为电子地图,得到该农村道路图像。在具体实施时,也可以将“三调”成果中的卫星遥感正摄影像图(即卫星图像)转换为电子地图之后,得到所述农村道路图像。
可选的,该步骤中,所述对所述农村道路图像进行道路识别,得到道路区域图像,包括:
根据预设颜色参数对所述农村道路图像进行图像过滤,得到道路过滤图像,并提取所述道路过滤图像中的轮廓,得到道路轮廓;
其中,该预设颜色参数可以根据需求进行设置,该预设颜色参数包括亮度参数和/或像素值,通过根据预设颜色参数对农村道路图像进行图像过滤,以达到对该农村道路图像的像素点筛选的效果,并通过提取道路过滤图像中的轮廓,得到农村道路图像中不同道路对应的道路轮廓。
根据预设轮廓参数对所述道路轮廓进行轮廓过滤,并将轮廓过滤后的所述道路轮廓在所述农村道路图像上,对应的图像设置为所述道路区域图像;
其中,该预设轮廓参数可以根据需求进行设置,该预设轮廓参数包括轮廓宽度和轮廓面积,通过预设轮廓参数对道路轮廓进行轮廓过滤,以删除该道路轮廓中不满足预设轮廓条件的轮廓,并通过将轮廓过滤后的道路轮廓在农村道路图像上,对应的图像设置为道路区域图像。
步骤S20,对所述道路区域图像进行类型识别,得到道路类型标识,并根据所述道路类型标识对所述道路区域图像进行类型标记;
其中,通过对道路区域图像进行类型识别,以得到该道路区域图像对应道路的道路类型标识,该道路类型标识用于表征对应的道路类型,该道路类型包括乡村道路用地类型(硬化道路类型)、田间道类型(非硬化道路类型)和林地类型,该林地类型所表征的林地区域为乔木林地、竹林地和灌木林地等。
该步骤中,通过根据道路类型标识对道路区域图像进行类型标记,有效地保障了后续对该道路区域图像对应道路类型的判定,且方便了用户对该农村道路图像上不同道路对应道路类型的查看。
可选的,该步骤中,所述对所述道路区域图像进行类型识别,得到道路类型标识,包括:将所述道路区域图像输入预训练后的图像分类模型进行图像分类,得到所述道路类型标识。
可选的,该步骤中,所述将所述道路区域图像输入预训练后的图像分类模型进行图像分类之前,还包括:
获取训练数据,并根据该训练数据对该图像分类模型进行模型训练,直至该图像分类模型收敛,得到该预训练后的图像分类模型,该训练数据中存储有不同道路图像,该道路图像上携带有对应的数据标识,该数据标识用于标记该道路图像中的硬化道路、非硬化道路和林地区域,该步骤中,通过根据该训练数据对该图像分类模型进行模型训练,使得该图像分类模型能有效地学习到不同道路图像中的图像特征,并基于预训练后的图像分类模型能有效地对输入的道路区域图像进行图像分类,以得到该道路区域图像对应的道路类型标识。
可选的,该步骤中,利用影像分类的训练样本管理工具在“三调”中的卫星遥感正摄影像图中分别对硬化道路(即乡村道路用地)、非硬化道路(即田间道)以及其他用地的训练区进行划定,以建立训练样本数据集,并采用机器学习算法中的训练支持向量机分类器工具对已建立的样本数据集进行监督学习,以得到收敛后的图像分类模型,收敛后的图像分类模型能识别出硬化道路、非硬化道路以及其他用地3种类别,且3种类别的栅格值(Value值)分别赋为1、2、3。可选的,该栅格值可以作为所述道路类型标识。
进一步地,该步骤中,所述将所述道路区域图像输入预训练后的图像分类模型进行图像分类,得到所述道路类型标识,包括:
根据所述预训练后的图像分类模型对所述道路区域图像进行图像分割,得到分割图像,其中,通过根据预训练后的图像分类模型对道路区域图像进行图像分割,保障了后续对不同分割图像中图像特征的提取;
根据所述预训练后的图像分类模型分别提取所述分割图像的图像特征,并分别计算所述分割图像的图像特征与预设图像特征之间的特征相似度,其中,该图像特征包括颜色直方图、RGB值或纹理特征等,通过分别计算分割图像的图像特征与预设图像特征之间的特征相似度,基于特征相似度能有效地判断到分割图像与预设图像特征对应道路图像之间的相似度,即,当分割图像的图像特征与预设图像特征之间的特征相似度越大时,则判定该分割图像与预设图像特征对应的道路图像的类型越相同。
获取最大所述特征相似度对应的标识,并将获取到的标识设置为所述道路区域图像的所述道路类型标识;
例如,当预设图像特征包括特征a1、特征a2和特征a3,分割图像的图像特征与特征a1、特征a2和特征a3之间的特征相似度为相似度b1、相似度b2和相似度b3,当相似度b1>相似度b2>相似度b3时,则获取该特征a1对应的标识,并将特征a1对应的标识设置为道路区域图像的道路类型标识。
步骤S30,若同一所述道路区域图像上携带不同所述道路类型标识,则分别获取不同所述道路类型标识对应图像的图像面积,并根据所述图像面积对所述道路区域图像进行类型标记;
其中,若同一道路区域图像上携带不同道路类型标识,则判定该道路区域图像对应的道路上存在多种不同类型的道路,因此,通过分别获取不同道路类型标识对应图像的图像面积,并基于图像面积对道路区域图像进行类型标记,提高了农村道路图像上,对道路区域图像的类型标记的准确性,即,提高了对农村道路图像上道路区域图像对应道路的类型标记的准确性。
步骤S40,根据所述类型标记,确定所述道路区域图像在所述农村道路图像中对应道路的道路类型;
其中,该类型标记可以采用文字、数字或字母的方式存储在该道路区域图像上,例如,该类型标记可以为文字“硬化道路”或文字“非硬化道路”等,该步骤中,通过将道路区域图像上的类型标记与道路类型表进行匹配,以确定该道路区域图像在农村道路图像中对应道路的道路类型,该道路类型表中存储有不同类型标记与对应道路类型之间的对应关系。
例如,当道路区域图像上的类型标记与道路类型表之间匹配到的道路类型是硬化道路类型时,则判定该道路区域图像在农村道路图像中对应的道路为乡村道路用地(硬化道路)。
本实施例中,通过对农村道路图像进行道路识别,能有效地确定到农村道路图像中道路对应的道路区域图像,通过对道路区域图像进行类型识别,能有效地确定到道路区域图像对应道路的道路类型标识,通过道路类型标识或图像面积对道路区域图像进行类型标记,并根据类型标记,确定道路区域图像在农村道路图像中对应道路的道路类型,使得无需采用人工勘测的方式进行农村道路、乡村道路用地和田间道之间的道路识别,提高了道路识别效率。
请参阅图2,图2是本发明另一实施例提供的一种农村道路类型识别方法的实现流程图。相对于图1实施例,本实施例提供的农村道路类型识别方法用于对图1实施例中的步骤S30作进一步细化,包括:
步骤S31,针对同一所述道路区域图像,获取最大所述图像面积对应的所述道路类型标识,并根据获取到的所述道路类型标识对所述道路区域图像进行类型标记;
例如,当道路区域图像c1上同时携带有道路类型标识d1、道路类型标识d2和道路类型标识d3时,则分别获取该道路类型标识d1、道路类型标识d2和道路类型标识d3,在道路区域图像c1中对应分割图像的图像面积,得到图像面积e1、图像面积e2和图像面积e3,当图像面积e1>图像面积e2>图像面积e3时,则根据图像面积e1对应的道路类型标识d1对道路区域图像进行类型标记。
步骤S32,若获取到的所述道路类型标识与预设类型标识不相同,则确定所述农村道路图像中,所述道路区域图像与指定类型区域之间的区域距离;
其中,该预设类型标识可以根据用户需求进行设置,该预设类型标识可以用于表征乡村道路用地类型(硬化道路类型)、田间道类型(非硬化道路类型)或林地类型,优选的,该步骤中,该预设类型标识用于表征乡村道路用地类型。
具体的,该步骤中,针对同一道路区域图像,若最大图像面积对应的道路类型标识不是预设类型标识,则确定农村道路图像中,道路区域图像与指定类型区域之间的区域距离,该指定类型区域可以根据用户需求进行设置。
可选的,该步骤中,所述确定所述农村道路图像中,所述道路区域图像与指定类型区域之间的区域距离,包括:
提取所述农村道路图像中像素点的像素值,并将像素值在预设像素范围内的所述像素点设置为指定像素点,其中,该预设像素范围可以根据用户需求进行设置,该步骤中,通过将像素值在预设像素范围内的像素点设置为指定像素点,提高了后续指定类型区域设置的准确性;
将所述农村道路图像中,所述指定像素点所形成的区域设置为所述指定类型区域,并计算所述指定类型区域与所述道路区域图像之间的图像距离,其中,通过将农村道路图像中指定像素点所形成的区域设置为指定类型区域,提高了指定类型区域设置的准确性,且通过计算指定类型区域与道路区域图像之间的图像距离,提高了后续区域距离计算的准确性;
根据所述图像距离和预设图像缩放比例进行距离计算,得到所述区域距离。
步骤S33,若所述区域距离满足预设距离条件,则根据所述预设类型标识对所述道路区域图像进行类型标记;
其中,该预设距离条件可以根据用户需求进行设置,该步骤中,该预设距离条件用于判断区域距离是否小于或等于距离阈值,该距离阈值可以根据需求进行设置,例如,该距离阈值可以设置为1米、0.1米或0.5米等,优选的,该步骤中,该距离阈值设置为1米,即,该步骤中,判断道路区域图像与指定类型区域之间的区域距离是否小于或等于1米,若区域距离小于或等于1米,则根据预设类型标识对道路区域图像进行类型标记。
具体的,该步骤中,优选地,该指定类型区域包括林地类型区域,即林地所在的区域,由于在乡村道路用地上均会种植树木,因此,本实施例中,当获取到的道路类型标识与表征乡村道路用地的预设类型标识不相同时,即不属于乡村道路用地,则还可以通过计算道路区域图像与林地类型区域之间的区域距离,来进一步判断该道路区域图像是否为乡村道路用地,即,当道路区域图像与农村道路图像中任一林地类型区域之间的区域距离小于或等于1米时,则根据预设类型标识对道路区域图像进行类型标记,以表征携带该预设类型标识的道路区域图像为乡村道路用地,当道路区域图像与农村道路图像中所有的林地类型区域之间的区域距离均大于1米时,则根据步骤S31获取到的道路类型标识对道路区域图像进行类型标记。
本实施例中,针对同一道路区域图像,通过获取最大图像面积对应的道路类型标识,并根据获取到的道路类型标识对道路区域图像进行类型标记,有效地提高了农村道路图像上道路区域图像的类型标记的准确性,若获取到的道路类型标识与预设类型标识不相同,则再借助确定农村道路图像中、道路区域图像与林地类型区域之间的区域距离,来进一步判断道路类型,有效地提高了类型判断的准确性和可靠性。
请参阅图3,图3是本发明实施例提供的一种农村道路类型识别系统100的结构框图。本实施例中该农村道路类型识别系统100包括的各单元用于执行图1、图2对应的实施例中的各步骤。具体请参阅图1、图2以及图1、图2所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图3,农村道路类型识别系统100包括:道路识别单元10、第一类型标记单元11、第二类型标记单元12和道路类型确定单元13,其中:
道路识别单元10,用于获取农村道路图像,并对所述农村道路图像进行道路识别,得到道路区域图像。
其中,该道路识别单元10还用于:根据预设颜色参数对所述农村道路图像进行图像过滤,得到道路过滤图像,并提取所述道路过滤图像中的轮廓,得到道路轮廓;
根据预设轮廓参数对所述道路轮廓进行轮廓过滤,并将轮廓过滤后的所述道路轮廓在所述农村道路图像上,对应的图像设置为所述道路区域图像。
第一类型标记单元11,用于对所述道路区域图像进行类型识别,得到道路类型标识,并根据所述道路类型标识对所述道路区域图像进行类型标记。
其中,该第一类型标记单元11还用于:将所述道路区域图像输入预训练后的图像分类模型进行图像分类,得到所述道路类型标识。
可选的,该第一类型标记单元11还用于:根据所述预训练后的图像分类模型对所述道路区域图像进行图像分割,得到分割图像;
根据所述预训练后的图像分类模型分别提取所述分割图像的图像特征,并分别计算所述分割图像的图像特征与预设图像特征之间的特征相似度;
获取最大所述特征相似度对应的标识,并将获取到的标识设置为所述道路区域图像的所述道路类型标识。
第二类型标记单元12,用于若同一所述道路区域图像上携带不同所述道路类型标识,则分别获取不同所述道路类型标识对应图像的图像面积,并根据所述图像面积对所述道路区域图像进行类型标记。
其中,该第二类型标记单元12还用于:针对同一所述道路区域图像,获取最大所述图像面积对应的所述道路类型标识,并根据获取到的所述道路类型标识对所述道路区域图像进行类型标记。
可选的,该第二类型标记单元12还用于:若获取到的所述道路类型标识与预设类型标识不相同,则确定所述农村道路图像中,所述道路区域图像与指定类型区域之间的区域距离;
若所述区域距离满足预设距离条件,则根据所述预设类型标识对所述道路区域图像进行类型标记。
进一步地,该第二类型标记单元12还用于:提取所述农村道路图像中像素点的像素值,并将像素值在预设像素范围内的所述像素点设置为指定像素点;
将所述农村道路图像中,所述指定像素点所形成的区域设置为所述指定类型区域,并计算所述指定类型区域与所述道路区域图像之间的图像距离;
根据所述图像距离和预设图像缩放比例进行距离计算,得到所述区域距离。
道路类型确定单元13,用于根据所述类型标记,确定所述道路区域图像在所述农村道路图像中对应道路的道路类型,所述道路类型包括乡村道路用地类型和田间道类型。
本实施例中,通过对农村道路图像进行道路识别,能有效地确定到农村道路图像中道路对应的道路区域图像,通过对道路区域图像进行类型识别,能有效地确定到道路区域图像对应道路的道路类型标识,通过道路类型标识或图像面积对道路区域图像进行类型标记,并根据类型标记,确定道路区域图像在农村道路图像中对应道路的道路类型,使得无需采用人工勘测的方式进行农村道路、乡村道路用地和田间道之间的道路识别,提高了道路识别效率。
图4是本发明另一实施例提供的一种终端设备2的结构框图。如图4所示,该实施例的终端设备2包括:处理器20、存储器21以及存储在所述存储器21中并可在所述处理器20上运行的计算机程序22,例如农村道路类型识别方法的程序。处理器20执行所述计算机程序22时实现上述各个农村道路类型识别方法各实施例中的步骤,例如图1所示的S10至S40,或者图2所示的S31至S33。或者,所述处理器20执行所述计算机程序22时实现上述图3对应的实施例中各单元的功能,例如,图3所示的单元的功能,具体请参阅图3对应的实施例中的相关描述,此处不赘述。
示例性的,所述计算机程序22可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器21中,并由所述处理器20执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序22在所述终端设备2中的执行过程。例如,所述计算机程序22可以被分割成道路识别单元10、第一类型标记单元11、第二类型标记单元12和道路类型确定单元13,各单元具体功能如上所述。
所述终端设备可包括,但不仅限于,处理器20、存储器21。本领域技术人员可以理解,图4仅仅是终端设备2的示例,并不构成对终端设备2的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器20可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21可以是所述终端设备2的内部存储单元,例如终端设备2的硬盘或内存。所述存储器21也可以是所述终端设备2的外部存储设备,例如所述终端设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
以上所述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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种农村道路类型识别方法,其特征在于,包括:
获取农村道路图像,并对所述农村道路图像进行道路识别,得到道路区域图像;
对所述道路区域图像进行类型识别,得到道路类型标识,并根据所述道路类型标识对所述道路区域图像进行类型标记;
若同一所述道路区域图像上携带不同所述道路类型标识,则分别获取不同所述道路类型标识对应的区域图像的图像面积,并根据所述图像面积对所述道路区域图像进行类型标记;
根据所述类型标记,确定所述道路区域图像在所述农村道路图像中对应道路的道路类型,所述道路类型包括乡村道路用地类型和田间道类型。
2.根据权利要求1所述的农村道路类型识别方法,其特征在于,所述根据所述图像面积对所述道路区域图像进行类型标记,包括:
针对同一所述道路区域图像,获取最大所述图像面积对应的所述道路类型标识,并根据获取到的所述道路类型标识对所述道路区域图像进行类型标记。
3.根据权利要求2所述的农村道路类型识别方法,其特征在于,所述获取最大所述图像面积对应的所述道路类型标识之后,还包括:
若获取到的所述道路类型标识与预设类型标识不相同,则确定所述农村道路图像中,所述道路区域图像与指定类型区域之间的区域距离;
若所述区域距离满足预设距离条件,则根据所述预设类型标识对所述道路区域图像进行类型标记;
其中,所述指定类型区域包括林地类型区域。
4.根据权利要求3所述的农村道路类型识别方法,其特征在于,所述确定所述农村道路图像中,所述道路区域图像与指定类型区域之间的区域距离,包括:
提取所述农村道路图像中像素点的像素值,并将像素值在预设像素范围内的所述像素点设置为指定像素点;
将所述农村道路图像中,所述指定像素点所形成的区域设置为所述指定类型区域,并计算所述指定类型区域与所述道路区域图像之间的图像距离;
根据所述图像距离和预设图像缩放比例进行距离计算,得到所述区域距离。
5.根据权利要求1所述的农村道路类型识别方法,其特征在于,所述对所述道路区域图像进行类型识别,得到道路类型标识,包括:
将所述道路区域图像输入预训练后的图像分类模型进行图像分类,得到所述道路类型标识。
6.根据权利要求5所述的农村道路类型识别方法,其特征在于,所述将所述道路区域图像输入预训练后的图像分类模型进行图像分类,得到所述道路类型标识,包括:
根据所述预训练后的图像分类模型对所述道路区域图像进行图像分割,得到分割图像;
根据所述预训练后的图像分类模型分别提取所述分割图像的图像特征,并分别计算所述分割图像的图像特征与预设图像特征之间的特征相似度;
获取最大所述特征相似度对应的标识,并将获取到的标识设置为所述道路区域图像的所述道路类型标识。
7.根据权利要求1所述的农村道路类型识别方法,其特征在于,所述对所述农村道路图像进行道路识别,得到道路区域图像,包括:
根据预设颜色参数对所述农村道路图像进行图像过滤,得到道路过滤图像,并提取所述道路过滤图像中的轮廓,得到道路轮廓;
根据预设轮廓参数对所述道路轮廓进行轮廓过滤,并将轮廓过滤后的所述道路轮廓在所述农村道路图像上,对应的图像设置为所述道路区域图像。
8.一种农村道路类型识别系统,其特征在于,包括:
道路识别单元,用于获取农村道路图像,并对所述农村道路图像进行道路识别,得到道路区域图像;
第一类型标记单元,用于对所述道路区域图像进行类型识别,得到道路类型标识,并根据所述道路类型标识对所述道路区域图像进行类型标记;
第二类型标记单元,用于若同一所述道路区域图像上携带不同所述道路类型标识,则分别获取不同所述道路类型标识对应的区域图像的图像面积,并根据所述图像面积对所述道路区域图像进行类型标记;
道路类型确定单元,用于根据所述类型标记,确定所述道路区域图像在所述农村道路图像中对应道路的道路类型,所述道路类型包括乡村道路用地类型和田间道类型。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110524865.8A CN112949617B (zh) | 2021-05-14 | 2021-05-14 | 农村道路类型识别方法、系统、终端设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110524865.8A CN112949617B (zh) | 2021-05-14 | 2021-05-14 | 农村道路类型识别方法、系统、终端设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949617A CN112949617A (zh) | 2021-06-11 |
CN112949617B true CN112949617B (zh) | 2021-08-06 |
Family
ID=76233813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110524865.8A Active CN112949617B (zh) | 2021-05-14 | 2021-05-14 | 农村道路类型识别方法、系统、终端设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949617B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129202B (zh) * | 2023-04-20 | 2023-06-09 | 北京新兴科遥信息技术有限公司 | 存量用地分析方法、装置和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766417A (zh) * | 2021-02-26 | 2021-05-07 | 袁锦秀 | 一种利用现场照片识别目标地块土地利用现状地类的方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10255296B2 (en) * | 2016-02-25 | 2019-04-09 | Omniearth, Inc. | System and method for managing geodemographic data |
CN107679498A (zh) * | 2017-10-11 | 2018-02-09 | 防灾科技学院 | 一种机载激光点云城区道路识别方法 |
CN109993082B (zh) * | 2019-03-20 | 2021-11-05 | 上海理工大学 | 卷积神经网络道路场景分类与道路分割方法 |
CN110909670B (zh) * | 2019-11-21 | 2023-06-06 | 江苏理工学院 | 一种非结构化道路识别方法 |
CN111598095B (zh) * | 2020-03-09 | 2023-04-07 | 浙江工业大学 | 一种基于深度学习的城市道路场景语义分割方法 |
CN111539363A (zh) * | 2020-04-28 | 2020-08-14 | 中交信息技术国家工程实验室有限公司 | 一种公路落石识别分析方法 |
CN111476325B (zh) * | 2020-06-29 | 2020-09-29 | 河南大学 | 基于大数据的城市建设用地分类识别方法及系统 |
-
2021
- 2021-05-14 CN CN202110524865.8A patent/CN112949617B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766417A (zh) * | 2021-02-26 | 2021-05-07 | 袁锦秀 | 一种利用现场照片识别目标地块土地利用现状地类的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112949617A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268867B (zh) | 一种车牌定位方法及装置 | |
CN111626092B (zh) | 一种基于机器学习的无人机影像地裂缝识别及提取方法 | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
Do et al. | Automatic license plate recognition using mobile device | |
CN111583180B (zh) | 一种图像的篡改识别方法、装置、计算机设备及存储介质 | |
CN109614913A (zh) | 一种斜车位识别方法、装置和存储介质 | |
CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN115393727A (zh) | 一种路面线性裂缝识别方法、电子设备及存储介质 | |
CN112949617B (zh) | 农村道路类型识别方法、系统、终端设备及可读存储介质 | |
CN114463623A (zh) | 一种基于多尺度遥感影像的耕地变化检测方法及装置 | |
CN108510490B (zh) | 一种分析虫害趋势的方法、装置及计算机存储介质 | |
CN112651953A (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
CN115641415A (zh) | 基于卫星影像生成三维场景的方法、装置、设备及介质 | |
CN109657540B (zh) | 枯死树定位方法及系统 | |
CN115512238A (zh) | 病害区域的确定方法、装置、存储介质及电子装置 | |
Khadanga et al. | Tree census using circular hough transform and grvi | |
Sellaouti et al. | Template-based hierarchical building extraction | |
CN116958503A (zh) | 一种基于图像处理的污泥干化等级识别方法及系统 | |
CN112016391A (zh) | 基于高分辨率卫星遥感影像的鱼塘识别方法、系统及介质 | |
CN111401466A (zh) | 一种交通标志检测与识别标注方法、装置和计算机设备 | |
CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和系统 | |
CN116597317A (zh) | 遥感图像变化检测数据生成方法、装置、设备及介质 | |
TWI801717B (zh) | 一種實物圖像生成方法及裝置、設備、非暫態電腦可讀存儲介質及電腦程式產品 | |
CN110443811B (zh) | 一种复杂背景叶片图像的全自动分割方法 | |
CN114022434A (zh) | 一种护栏上下边线自动化提取方法及提取系统 |
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 |