CN113129248B - 一种海岛遥感影像集获得方法、装置、设备及介质 - Google Patents
一种海岛遥感影像集获得方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113129248B CN113129248B CN202110477130.4A CN202110477130A CN113129248B CN 113129248 B CN113129248 B CN 113129248B CN 202110477130 A CN202110477130 A CN 202110477130A CN 113129248 B CN113129248 B CN 113129248B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- island
- image set
- sea
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 35
- 238000012795 verification Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种海岛遥感影像集获得方法、装置、设备及介质,方法包括:本发明获取初始海岛遥感影像集;对所述初始海岛遥感影像集进行筛选处理,确定第一海岛遥感影像集;对所述第一海岛遥感影像集进行预处理,确定第二海岛遥感影像集;将所述第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集;获取初始无人机‑艇海岛遥感影像集;对所述初始无人机‑艇海岛遥感影像集进行编辑处理,确定目标无人机‑艇海岛遥感影像集;将所述第三海岛遥感影像集以及所述目标无人机‑艇海岛遥感影像集输入到所述深度残差网络中,确定目标海岛遥感影像集;能够获得更加完备的、准确的、实时的海岛遥感影像集,能广泛应用于影像融合技术领域。
Description
技术领域
本发明涉及影像融合技术领域,尤其是一种海岛遥感影像集获得方法、装置、设备及介质。
背景技术
我国幅员辽阔,岛屿众多,且许多海岛被建成我国重要能源物资储运基地或其他基地。但由于海岛地理位置特殊,一旦发生火灾,外界无法跨海救援,消防形势十分严峻。以浙江岱山县为例,岱山县是个海岛县,全县共有404个岛屿,有人居住的岛屿有13个,这些岛屿分散独立,交通完全依靠轮渡,遭遇火情短时间内无法立即增援,增加了消防难度。
近年来成本较低且灵活的消防无人机在火灾救援方面开始得到了应用,其根据救火防火的需要搭载相应的设备,比如高清数码相机、多光谱成像仪、红外扫描仪等,具有成本低、能源消耗少的特点,兼具高时效、高分辨率的特点。
遥感是利用人造卫星或飞机等航空器上搭载的传感器获取地物的电磁辐射信息,通过处理后最终成像,实现对地球的观测,如利用遥感技术对火灾危险监测,从表面温度推断可燃物含水量,分析潜在火灾隐患。近年来,遥感数据的空间分辨率、时间分辨率和光谱分辨率不断提高。各类传感器获取的信息越来越多,目前遥感技术应用所面临的重要问题是如何有效利用不同类型的遥感数据获取需要的信息。
发明内容
有鉴于此,本发明实施例提供一种海岛遥感影像集获得方法、装置、设备及介质,以实现精准地获得海岛遥感影像集,更好地服务于海岛火灾救援。
一方面,本发明提供了一种海岛遥感影像集获得方法,包括:
获取初始海岛遥感影像集;
对所述初始海岛遥感影像集进行筛选处理,确定第一海岛遥感影像集;
对所述第一海岛遥感影像集进行预处理,确定第二海岛遥感影像集;
将所述第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集;
获取初始无人机-艇海岛遥感影像集;
对所述初始无人机-艇海岛遥感影像集进行编辑处理,确定目标无人机-艇海岛遥感影像集;
将所述第三海岛遥感影像集以及所述目标无人机-艇海岛遥感影像集输入到所述深度残差网络中,确定目标海岛遥感影像集。
优选地,所述对所述初始海岛遥感影像集进行筛选处理,确定第一海岛遥感影像集,包括:
从所述初始海岛遥感影像集中筛选出高光谱图像以及激光雷达图像,确定筛选遥感影像集;
对所述筛选遥感影像集进行筛选处理,确定所述筛选遥感影像的影像像素数目,其中,所述筛选遥感影像的清晰度为海岛区域占所述第一筛选遥感影像的影像数目;
当所述筛选遥感影像的影像清晰度小于第一阈值且大于第二阈值时,确定一级遥感影像;
当所述筛选遥感影像的影像清晰度大于第二阈值且小于第三阈值时,确定二级遥感影像;
当所述筛选遥感影像的影像清晰度大于第三阈值时,确定三级遥感影像;
将所述一级遥感影像、所述二级遥感影像以及三级遥感影像确定为第一海岛遥感影像。
优选地,所述对所述第一海岛遥感影像集进行预处理,确定第二海岛遥感影像集,包括:
对所述第一海岛遥感影像集进行格式化处理,将所述第一海岛遥感影像集转换为矢量图格式或标签文字图像格式,确定第一遥感影像集;
对所述第一遥感影像集进行图像颜色调整以及图像光度调整,确定第二遥感影像集;
对所述第二遥感影像集中的一级遥感影像进行图像增强处理,确定第三遥感影像集;
对所述第三遥感影像集进行坐标转换,统一投影坐标系统格式,确定第四遥感影像集;
以海岛图像的左上角、右下角、左下角以及右上角为坐标基准点,对所述第四遥感影像集进行坐标匹配标准,确定第五遥感影像集;
以正北方向和正东方向为方向基准,对所述第五遥感影像集进行图像拼接以及图像裁剪处理,确定第二海岛遥感影像集。
优选地,所述将所述第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集,包括:
获取所述第二海岛遥感影像集;
将所述第二海岛遥感影像集输入到所述深度残差网络中,提取所述第二海岛遥感影像集的图像特征向量,确定图像特征列向量;
将所述图像特征列向量与参数矩阵相乘,并通过加权相加的方式向验证集的地面实况标签拟合,确定概率矩阵;
根据所述概率矩阵,输出图像特征融合分类标签,对所述第二海岛遥感影像集进行分类,确定所述第三海岛遥感影像集。
优选地,所述获取初始无人机-艇海岛遥感影像集,包括:
通过无人机-艇集群系统,实时调整无人机机体姿态以及对岛方向角,对遥感影像拍摄参数进行几何校正,确定第一拍摄参数;
通过无人机-艇集群系统,实时获取海岛风速数据,确定第二拍摄参数;
根据第一拍摄参数以及第二拍摄参数对海岛进行拍摄,确定初始无人机-艇海岛遥感影像集。
优选地,所述将所述第二海岛遥感影像集输入到所述深度残差网络中,提取所述第二海岛遥感影像集的图像特征向量,确定图像特征列向量,包括:
提取所述第二海岛遥感影像集的图像特征,对所述图像特征进行归一化处理,确定图像特征列向量;
其中,特征归一化公式为:
其中,x为提取出的图像特征,xmin为特征最小值,xmax为特征最大值,x′为归一化处理后的特征值。
优选地,所述无人机-艇集群系统包括:
所述无人机-艇集群系统中的无人机以及无人艇进行协同工作;
所述无人艇通过传递无人机信号,实现对无人机遥感影像拍摄状态的实时监测;
所述无人艇通过通信系统将无人机遥感影像数据传输至后方数据处理平台或无人艇数据处理器进行计算处理;
所述无人机根据所述无人艇获取海岛周边地形,水深数据以及海流信息,调整着落在所述无人艇上的姿态。
另一方面,本发明实施例还公开了一种海岛遥感影像集获得装置,包括:
第一模块,用于获取初始海岛遥感影像集;
第二模块,用于对所述初始海岛遥感影像集进行筛选处理,确定第一海岛遥感影像集;
第三模块,用于对所述第一海岛遥感影像集进行预处理,确定第二海岛遥感影像集;
第四模块,用于将所述第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集;
第五模块,用于获取初始无人机-艇海岛遥感影像集;
第六模块,用于对所述初始无人机-艇海岛遥感影像集进行编辑处理,确定目标无人机- 艇海岛遥感影像集;
第七模块,用于将所述第三海岛遥感影像集以及所述目标无人机-艇海岛遥感影像集输入到所述深度残差网络中,确定目标海岛遥感影像集。
另一方面,本发明实施例还公开了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
另一方面,本发明实施例还公开了一种计算机可读存储介质,所述存储介质存储有程序,所述存储程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明采用以上技术方案与相关技术相比,具有以下技术效果:本发明实施例获取初始海岛遥感影像集;对所述初始海岛遥感影像集进行筛选处理,确定第一海岛遥感影像集;对所述第一海岛遥感影像集进行预处理,确定第二海岛遥感影像集;能够获得较为清晰且可用、准确的海岛遥感影像数据图像;将所述第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集;获取初始无人机-艇海岛遥感影像集;对所述初始无人机-艇海岛遥感影像集进行编辑处理,确定目标无人机-艇海岛遥感影像集;能够获得实时的海岛遥感影像数据图像;将所述第三海岛遥感影像集以及所述目标无人机-艇海岛遥感影像集输入到所述深度残差网络中,确定目标海岛遥感影像集;能够使海岛遥感影像集更完备,更精确,能够更好地服务于海岛火灾救援工作中。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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为本发明实施例的具体流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
参照图1,本发明实施例提供了一种海岛遥感影像集获得方法,包括:
获取初始海岛遥感影像集;
对初始海岛遥感影像集进行筛选处理,确定第一海岛遥感影像集;
对第一海岛遥感影像集进行预处理,确定第二海岛遥感影像集;
将第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集;
获取初始无人机-艇海岛遥感影像集;
对初始无人机-艇海岛遥感影像集进行编辑处理,确定目标无人机-艇海岛遥感影像集;
将第三海岛遥感影像集以及目标无人机-艇海岛遥感影像集输入到深度残差网络中,确定目标海岛遥感影像集。
进一步作为优选的实施方式,对初始海岛遥感影像集进行筛选处理,确定第一海岛遥感影像集,包括:
从初始海岛遥感影像集中筛选出高光谱图像以及激光雷达图像,确定筛选遥感影像集;
对筛选遥感影像集进行筛选处理,确定筛选遥感影像的影像像素数目,其中,筛选遥感影像的清晰度为海岛区域占第一筛选遥感影像的影像数目;
当筛选遥感影像的影像清晰度小于第一阈值且大于第二阈值时,确定一级遥感影像;
当筛选遥感影像的影像清晰度大于第二阈值且小于第三阈值时,确定二级遥感影像;
当筛选遥感影像的影像清晰度大于第三阈值时,确定三级遥感影像;
将一级遥感影像、二级遥感影像以及三级遥感影像确定为第一海岛遥感影像。
其中,筛选出多源遥感影像观测资料所采用的高光谱图像和激光雷达图像,高光谱图像具有丰富的纹理信息,激光雷达图像具有丰富的高度信息;充分利用两种遥感影像互补和冗余信息可以提高智能处理性能,更好地服务于海岛火灾救援;然后,以海岛在图像中的清晰度为标准对筛选遥感影像集作进一步筛选,即以海岛区域所占影像像素数目多少来评定是否舍弃或保留遥感影像;设海岛区域所占影像像素数目为Pixel,当Pixel≤10时,舍弃遥感影像;当10<Pixel≤100时,保留遥感影像,并将该遥感影像归为一级影像;当100<Pixel ≤1000时,保留遥感影像,并将该遥感影像归为二级影像;当1000<Pixel时,保留遥感影像,并将该遥感影像归为三级影像;另外,在选择遥感影像时尽可能地选择二级影像或三级影像。
进一步作为优选的实施方式,对第一海岛遥感影像集进行预处理,确定第二海岛遥感影像集,包括:
对第一海岛遥感影像集进行格式化处理,将第一海岛遥感影像集转换为矢量图格式或标签文字图像格式,确定第一遥感影像集;
对第一遥感影像集进行图像颜色调整以及图像光度调整,确定第二遥感影像集;
对第二遥感影像集中的一级遥感影像进行图像增强处理,确定第三遥感影像集;
对第三遥感影像集进行坐标转换,统一投影坐标系统格式,确定第四遥感影像集;
以海岛图像的左上角、右下角、左下角以及右上角为坐标基准点,对第四遥感影像集进行坐标匹配标准,确定第五遥感影像集;
以正北方向和正东方向为方向基准,对第五遥感影像集进行图像拼接以及图像裁剪处理,确定第二海岛遥感影像集。
其中,统一遥感影像数据图像格式,将其转换为矢量图格式或TIFF格式,以便在地理信息系统软件中批量统一处理;对图像进行调色调光处理,通过使用常用图像处理软件,如 Photoshop、Illustrate软件,对遥感影像数据图像颜色光度进行调整,以均匀图像颜色光度,便于区分提取光谱特征;对图像进行校正增强处理,对统一格式后清晰度仍不够影像分级二级以上的遥感影像数据图像,使用ArcGIS等GIS软件进行图像增强,提升图像质量;对图像进行投影坐标转换处理,利用ArcGIS等GIS软件对遥感影像数据图像进行坐标转换,统一不同时期、不同时相遥感影像数据的投影坐标系统格式,以便于对遥感影像数据进行坐标校准和图像拼接;对图像进行坐标匹配校准处理,利用ArcGIS等GIS软件,以海岛每幅图像的左上角、右上角、左下角和右下角4个点为坐标基准点,对遥感影像数据图像进行坐标匹配校准,得到坐标校准后的遥感影像;对图像进行图像拼接裁剪处理,同样使用ArcGIS等 GIS软件,以正北方向和正东方向为方向基准,对遥感影像数据图像进行拼接,并裁剪掉多余且无重叠的岛外数据图像;另外,还需设置一个使用标准,即校准后在同一投影坐标系统下,对与基准影像相比Δx≤10m且Δy≤10m,在此标准范围之外的影像予以弃用。
进一步作为优选的实施方式,将第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集,包括:
获取第二海岛遥感影像集;
将第二海岛遥感影像集输入到深度残差网络中,提取第二海岛遥感影像集的图像特征向量,确定图像特征列向量;
将图像特征列向量与参数矩阵相乘,并通过加权相加的方式向验证集的地面实况标签拟合,确定概率矩阵;
根据概率矩阵,输出图像特征融合分类标签,对第二海岛遥感影像集进行分类,确定第三海岛遥感影像集。
其中,深度残差网络包含输入层、隐含层以及分类层,在输入层输入特征,经过隐含层进行深度特征提取,获得提取后的深度特征向量,将深度特征向量输入分类层,Softmax回归分类器经过矩阵相乘计算,输出属于输入特征的概率,进而映射到样本的类别标签上;基本思路是以筛选后的高光谱图像(Hyperspectral Images,HSI)和激光雷达图像(Light Detection And Ranging,LiDAR)数据为样本,将HIS光谱特征、HIS空间特征和LiDAR空间特征输入深度残差网络模型,利用深度学习算法提取每种输入的深度特征,将得到的深度特征叠加后,作为融合特征,最后由Softmax回归(Softmax Regression,SR)分类器分类产生概率矩阵,进而映射到样本的类别标签上;首先,将HIS图像和LiDAR图像中的被标定过的所有样本分为三组,即训练样本集,验证样本集和测试样本集;其次,利用训练样本集分别从HSI图像和LiDAR图像中提取空间特征;HSI图像的空间特征包含纹理和形状信息,LiDAR 图像的空间特征包括高程,纹理和形状信息,HSI图像的空间特征被提取出来作为深度残差网络的一个输入;提取出的LiDAR空间特征作为深度残差网络的另一输入;提取空间特征后,可以得到有三种特征:HSI光谱特征,HSI空间特征和LiDAR空间特征;将每种特征的训练样本及其地面真实情况标签分别输入深度残差网络模型,并且通过多次迭代更新深度残差网络模型的参数;通过计算验证集在临时模型的分类精度,使用验证集样本及其相应的标签来监督训练过程;最后,选择在验证集上具有最高分类精度的深度残差网络中间模型作为最终选择的模型;在训练部分结束时,会获得三个深度残差网络模型,分别对应于HSI光谱特征、 HSI空间特征和LiDAR空间特征;接着,将HSI光谱特征,HSI空间特征和LiDAR空间特征测试样本分别输入三个对应的深度残差网络模型,获得每种特征对应的概率矩阵,并通过加权求和的方式重构三个概率矩阵;进一步,使用验证集样本的融合特征和验证集标签用来计算测试集样本的重构参数,得到三个最终的深度残差网络模型;最后,将海岛所有的HSI光谱特征、HSI空间特征和LiDAR空间特征样本分别输入到三个最终模型中,获得三个概率矩阵,并通过加权相加的方式向验证集的地面实况标签拟合;所获得的加权参数用于重构三个测试样本的概率矩阵;最后,利用测试集重构后的概率矩阵来输出最终的图像特征融合分类标签,对海岛所有HIS和LiDAR图像数据样本进行融合分类。
进一步作为优选的实施方式,获取初始无人机-艇海岛遥感影像集,包括:
通过无人机-艇集群系统,实时调整无人机机体姿态以及对岛方向角,对遥感影像拍摄参数进行几何校正,确定第一拍摄参数;
通过无人机-艇集群系统,实时获取海岛风速数据,确定第二拍摄参数;
根据第一拍摄参数以及第二拍摄参数对海岛进行拍摄,确定初始无人机-艇海岛遥感影像集。
其中,各海岛分区艇载无人机同时起飞,通过无人机-艇集群系统中的机载遥感设备获取得到海岛分区以及海岛整体的无人机遥感影像,并结合无人机-艇集群系统中的机载定位系统在飞行过程中实时调整机体姿态、对岛方向角,结合机载遥感设备实时调整遥感影像拍摄参数;无人艇集群可作为海岛遥感影像拍摄的辅助角色,即在无人艇上搭载测风仪,对海岛周围风速进行实时监测,并将风速数据通过艇载通讯系统上传至附近无人机,进而无人机获得风速数据后通过机载处理平台对预设气象条件重新计算,调整飞行状态和遥感设备拍摄参数。
进一步作为优选的实施方式,将第二海岛遥感影像集输入到深度残差网络中,提取第二海岛遥感影像集的图像特征向量,确定图像特征列向量,包括:
提取第二海岛遥感影像集的图像特征,对图像特征进行归一化处理,确定图像特征列向量;
其中,特征归一化公式为:
其中,x为提取出的图像特征,xmin为特征最小值,xmax为特征最大值,x′为归一化处理后的特征值。
其中,在提取出图像特征后,为了避免不同图像特征可能产生的奇异样本数据干扰后续的变化判别,还需将所有图像特征归一化至[0,1],从而简化后续处理并保证程序运行时较快收敛。
进一步作为优选的实施方式,无人机-艇集群系统包括:
无人机-艇集群系统中的无人机以及无人艇进行协同工作;
无人艇通过传递无人机信号,实现对无人机遥感影像拍摄状态的实时监测;
无人艇通过通信系统将无人机遥感影像数据传输至后方数据处理平台或无人艇数据处理器进行计算处理;
无人机根据无人艇获取海岛周边地形,水深数据以及海流信息,调整着落在无人艇上的姿态。
其中,无人艇集群作为无人机通信中继平台,对因受海岛上岩石、树木等障碍物遮挡而与远程控制系统间断性无法取得联系或信号接收差的无人机,可通过各海岛分区内无人艇集群逐一中继传递控制信号,寻找并控制间断性信号失联或者信号接收差的无人机,从而实现对无人机遥感影像拍摄状态的实时监测;另外,通过机载通信系统将获得的无人机遥感影像数据和无人机定位、机体姿态和方向角等数据实时传输并存储到无人艇载数据处理平台,或以无人艇载为中继数据处理平台,利用艇载通信系统将遥感影像数据传输至后方数据处理平台,提高数据处理效率;其中根据不同型号无人艇,可装备不同大小的艇载数据处理平台;进一步地,无人艇集群可搭载卫星导航定位系统、多波束条带测深系统和大量程三维激光扫描仪等仪器设备,用于海岛周边的水下及水上地形一体测量,获取海岛周边地形数据;同时搭载侧扫声呐、双频合成孔径和浅地层剖面仪等设备,获取海岛周边水深数据。接着利用艇载数据处理平台整合海岛水深地形数据,据此来调整前期的海岛无人艇集群调查方案,如海岛水深大的地方布设中型无人艇平台,海岛周边地形复杂的区域布设微型或小型无人艇平台;并通过搭载海流、波浪和潮流测量仪器,实时获取海岛周围海流、潮流流速和波浪等级等信息,通过艇载自主航行系统调整航速、航向等,保持艇载设备稳定和安全;最后,通过艇- 机通信系统将地形、水深和水文数据传输给无人机,辅助无人机调整着落无人艇上姿态,保持无人机稳定和安全,以及保证无人机所存储的遥感影像数据不因自然因素而受损。
参照图1,获取初始海岛遥感影像集,对初始海岛遥感影像集进行初步筛选,得到可用的海岛遥感影像;对海岛遥感影像进行预处理,对影像进行校正增强以及坐标匹配等处理,获得清晰、可用、精准的海岛遥感影像数据影像;对筛选并预处理后的影像根据一种基于光谱-空间残差网络利用深度学习算法对遥感影像特征进行分类标签和融合的高效准确的遥感影像特征融合模型算法进行特征融合;根据无人机-艇系统获取无人机-艇海岛遥感影像,对无人机-艇海岛遥感影像进行如上面的筛选处理以及预处理,得到实时的无人机-艇海岛遥感影像;对处理后的海岛遥感影像以及无人机-艇海岛遥感影像输入到深度残差网络中,确定实时、准确、清晰的海岛遥感影像集。
本发明实施例还公开了一种海岛遥感影像集获得装置,包括:
第一模块,用于获取初始海岛遥感影像集;
第二模块,用于对初始海岛遥感影像集进行筛选处理,确定第一海岛遥感影像集;
第三模块,用于对第一海岛遥感影像集进行预处理,确定第二海岛遥感影像集;
第四模块,用于将第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集;
第五模块,用于获取初始无人机-艇海岛遥感影像集;
第六模块,用于对初始无人机-艇海岛遥感影像集进行编辑处理,确定目标无人机-艇海岛遥感影像集;
第七模块,用于将第三海岛遥感影像集以及目标无人机-艇海岛遥感影像集输入到深度残差网络中,确定目标海岛遥感影像集。
本发明实施例还公开了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行程序如图1所示的方法。
本发明实施例还公开了一种计算机可读存储介质,所述存储介质存储有程序,所述存储程序被处理器执行实现如图1所示的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
综上所述,本发明实施例具有以下优点:
1)本发明实施例从初始海岛遥感影像集中筛选出高光谱图像以及激光雷达图像,充分利用两种遥感影像互补和冗余信息提高智能处理性能,能更好地服务于海岛火灾救援;
2)本发明实施例对遥感影像数据进行预处理,对遥感影像数据进行格式统一处理,调色调光处理,校正增强处理,投影坐标转换处理,坐标匹配校准处理以及拼接裁剪处理,能够获得较为清晰且可用、准确的海岛遥感影像;
3)本发明实施例使用深度残差网络对海岛遥感影像进行融合,并且在提取特征时对提取到的特征进行归一化处理,能够提高系统的精度以及增强算法的收敛性;
4)本发明实施例使用无人机-艇系统获取实时的海岛遥感影像,能够使融合的遥感影像更具有实时性,提高了海岛遥感影像的准确性。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器 (CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种海岛遥感影像集获得方法,其特征在于,包括:
获取初始海岛遥感影像集;
对所述初始海岛遥感影像集进行筛选处理,确定第一海岛遥感影像集;
对所述第一海岛遥感影像集进行预处理,确定第二海岛遥感影像集;
将所述第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集;所述将所述第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集,包括:
将所述第二海岛遥感影像集输入到所述深度残差网络中,提取所述第二海岛遥感影像集的图像特征向量,确定图像特征列向量;
将所述图像特征列向量与参数矩阵相乘,并通过加权相加的方式向验证集的地面实况标签拟合,确定概率矩阵;
根据所述概率矩阵,输出图像特征融合分类标签,对所述第二海岛遥感影像集进行分类,确定所述第三海岛遥感影像集;
其中,所述深度残差网络包含输入层、隐含层以及分类层;
在所述深度残差网络中,向所述输入层输入特征,经过所述隐含层进行深度特征提取,获得提取后的深度特征向量,将所述深度特征向量输入所述分类层,Softmax回归分类器经过矩阵相乘计算,输出属于所述输入特征的概率,进而映射到样本的类别标签上;
将所述第二海岛遥感影像集中高光谱图像和激光雷达图像中的被标定过的所有样本分为三组,得到训练样本集,验证样本集和测试样本集;
利用训练样本集分别从高光谱图像和激光雷达图像中提取空间特征;高光谱图像的空间特征包含纹理和形状信息,激光雷达图像的空间特征包括高程,纹理和形状信息;
高光谱图像的空间特征被提取出来作为深度残差网络的一个输入;提取出的激光雷达图像空间特征作为深度残差网络的另一输入;提取空间特征后,可以得到三种特征,包括高光谱图像光谱特征,高光谱图像空间特征和激光雷达图像空间特征;
将每种特征的训练样本及其地面真实情况标签分别输入深度残差网络模型,并且通过多次迭代更新深度残差网络模型的参数;通过计算验证集在临时模型的分类精度,使用验证集样本及其相应的标签来监督训练过程;
选择在验证集上具有最高分类精度的深度残差网络中间模型作为最终选择的模型;在训练部分结束时,获得三个深度残差网络模型,分别对应于高光谱图像光谱特征、高光谱图像空间特征和激光雷达图像空间特征;
将高光谱图像光谱特征,高光谱图像空间特征和激光雷达图像空间特征测试样本分别输入三个对应的深度残差网络模型,获得每种特征对应的概率矩阵,并通过加权求和的方式重构三个概率矩阵;并使用验证集样本的融合特征和验证集标签用来计算测试集样本的重构参数,得到三个最终的深度残差网络模型;
将海岛所有的高光谱图像光谱特征、高光谱图像空间特征和激光雷达图像空间特征样本分别输入到三个最终的深度残差网络模型中,获得三个概率矩阵,并通过加权相加的方式向验证集的地面实况标签拟合;所获得的加权参数用于重构三个测试样本的概率矩阵;
利用测试集重构后的概率矩阵来输出最终的图像特征融合分类标签,对海岛所有高光谱图像和激光雷达图像数据样本进行融合分类,确定所述第三海岛遥感影像集;
获取初始无人机-艇海岛遥感影像集;
对所述初始无人机-艇海岛遥感影像集进行编辑处理,确定目标无人机-艇海岛遥感影像集;
将所述第三海岛遥感影像集以及所述目标无人机-艇海岛遥感影像集输入到所述深度残差网络中,确定目标海岛遥感影像集。
2.根据权利要求1所述的一种海岛遥感影像集获得方法,其特征在于,所述对所述初始海岛遥感影像集进行筛选处理,确定第一海岛遥感影像集,包括:从所述初始海岛遥感影像集中筛选出高光谱图像以及激光雷达图像,确定筛选遥感影像集;
对所述筛选遥感影像集进行筛选处理,确定所述筛选遥感影像的影像像素数目,其中,所述筛选遥感影像的清晰度为海岛区域占所述筛选遥感影像的影像数目;当所述筛选遥感影像的清晰度小于第一阈值且大于第二阈值时,确定一级遥感影像;
当所述筛选遥感影像的清晰度大于第二阈值且小于第三阈值时,确定二级遥感影像;
当所述筛选遥感影像的清晰度大于第三阈值时,确定三级遥感影像;
将所述一级遥感影像、所述二级遥感影像以及三级遥感影像确定为第一海岛遥感影像。
3.根据权利要求1所述的一种海岛遥感影像集获得方法,其特征在于,所述对所述第一海岛遥感影像集进行预处理,确定第二海岛遥感影像集,包括:对所述第一海岛遥感影像集进行格式化处理,将所述第一海岛遥感影像集转换为矢量图格式或标签文字图像格式,确定第一遥感影像集;
对所述第一遥感影像集进行图像颜色调整以及图像光度调整,确定第二遥感影像集;
对所述第二遥感影像集中的一级遥感影像进行图像增强处理,确定第三遥感影像集;
对所述第三遥感影像集进行坐标转换,统一投影坐标系统格式,确定第四遥感影像集;
以海岛图像的左上角、右下角、左下角以及右上角为坐标基准点,对所述第四遥感影像集进行坐标匹配标准,确定第五遥感影像集;
以正北方向和正东方向为方向基准,对所述第五遥感影像集进行图像拼接以及图像裁剪处理,确定第二海岛遥感影像集。
4.根据权利要求1所述的一种海岛遥感影像集获得方法,其特征在于,所述获取初始无人机-艇海岛遥感影像集,包括:
通过无人机-艇集群系统,实时调整无人机机体姿态以及对岛方向角,对遥感影像拍摄参数进行几何校正,确定第一拍摄参数;
通过无人机-艇集群系统,实时获取海岛风速数据,确定第二拍摄参数;
根据第一拍摄参数以及第二拍摄参数对海岛进行拍摄,确定初始无人机-艇海岛遥感影像集。
5.根据权利要求4所述的一种海岛遥感影像集获得方法,其特征在于,所述将所述第二海岛遥感影像集输入到所述深度残差网络中,提取所述第二海岛遥感影像集的图像特征向量,确定图像特征列向量,包括:
提取所述第二海岛遥感影像集的图像特征,对所述图像特征进行归一化处理,确定图像特征列向量;
其中,特征归一化公式为:
其中,x为提取出的图像特征,xmin为特征最小值,xmax为特征最大值,x′为归一化处理后的特征值。
6.根据权利要求5所述的一种海岛遥感影像集获得方法,其特征在于,所述无人机-艇集群系统包括:
所述无人机-艇集群系统中的无人机以及无人艇进行协同工作;
所述无人艇通过传递无人机信号,实现对无人机遥感影像拍摄状态的实时监测;所述无人艇通过通信系统将无人机遥感影像数据传输至后方数据处理平台或无人艇数据处理器进行计算处理;
所述无人机根据所述无人艇获取海岛周边地形,水深数据以及海流信息,调整着落在所述无人艇上的姿态。
7.一种海岛遥感影像集获得装置,其特征在于,包括:
第一模块,用于获取初始海岛遥感影像集;
第二模块,用于对所述初始海岛遥感影像集进行筛选处理,确定第一海岛遥感影像集;
第三模块,用于对所述第一海岛遥感影像集进行预处理,确定第二海岛遥感影像集;
第四模块,用于将所述第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集;
所述第四模块,用于所述将所述第二海岛遥感影像集输入到深度残差网络中,确定第三海岛遥感影像集,包括:
将所述第二海岛遥感影像集输入到所述深度残差网络中,提取所述第二海岛遥感影像集的图像特征向量,确定图像特征列向量;
将所述图像特征列向量与参数矩阵相乘,并通过加权相加的方式向验证集的地面实况标签拟合,确定概率矩阵;
根据所述概率矩阵,输出图像特征融合分类标签,对所述第二海岛遥感影像集进行分类,确定所述第三海岛遥感影像集;
其中,所述深度残差网络包含输入层、隐含层以及分类层;
在所述深度残差网络中,向所述输入层输入特征,经过所述隐含层进行深度特征提取,获得提取后的深度特征向量,将所述深度特征向量输入所述分类层,Softmax回归分类器经过矩阵相乘计算,输出属于所述输入特征的概率,进而映射到样本的类别标签上;
将所述第二海岛遥感影像集中高光谱图像和激光雷达图像中的被标定过的所有样本分为三组,得到训练样本集,验证样本集和测试样本集;
利用训练样本集分别从高光谱图像和激光雷达图像中提取空间特征;高光谱图像的空间特征包含纹理和形状信息,激光雷达图像的空间特征包括高程,纹理和形状信息;
高光谱图像的空间特征被提取出来作为深度残差网络的一个输入;提取出的激光雷达图像空间特征作为深度残差网络的另一输入;提取空间特征后,可以得到三种特征,包括高光谱图像光谱特征,高光谱图像空间特征和激光雷达图像空间特征;
将每种特征的训练样本及其地面真实情况标签分别输入深度残差网络模型,并且通过多次迭代更新深度残差网络模型的参数;通过计算验证集在临时模型的分类精度,使用验证集样本及其相应的标签来监督训练过程;
选择在验证集上具有最高分类精度的深度残差网络中间模型作为最终选择的模型;在训练部分结束时,获得三个深度残差网络模型,分别对应于高光谱图像光谱特征、高光谱图像空间特征和激光雷达图像空间特征;
将高光谱图像光谱特征,高光谱图像空间特征和激光雷达图像空间特征测试样本分别输入三个对应的深度残差网络模型,获得每种特征对应的概率矩阵,并通过加权求和的方式重构三个概率矩阵;并使用验证集样本的融合特征和验证集标签用来计算测试集样本的重构参数,得到三个最终的深度残差网络模型;
将海岛所有的高光谱图像光谱特征、高光谱图像空间特征和激光雷达图像空间特征样本分别输入到三个最终的深度残差网络模型中,获得三个概率矩阵,并通过加权相加的方式向验证集的地面实况标签拟合;所获得的加权参数用于重构三个测试样本的概率矩阵;
利用测试集重构后的概率矩阵来输出最终的图像特征融合分类标签,对海岛所有高光谱图像和激光雷达图像数据样本进行融合分类,确定所述第三海岛遥感影像集;
第五模块,用于获取初始无人机-艇海岛遥感影像集;
第六模块,用于对所述初始无人机-艇海岛遥感影像集进行编辑处理,确定目标无人机-艇海岛遥感影像集;
第七模块,用于将所述第三海岛遥感影像集以及所述目标无人机-艇海岛遥感影像集输入到所述深度残差网络中,确定目标海岛遥感影像集。
8.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110477130.4A CN113129248B (zh) | 2021-04-29 | 2021-04-29 | 一种海岛遥感影像集获得方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110477130.4A CN113129248B (zh) | 2021-04-29 | 2021-04-29 | 一种海岛遥感影像集获得方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113129248A CN113129248A (zh) | 2021-07-16 |
CN113129248B true CN113129248B (zh) | 2023-09-12 |
Family
ID=76780641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110477130.4A Active CN113129248B (zh) | 2021-04-29 | 2021-04-29 | 一种海岛遥感影像集获得方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129248B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109478B (zh) * | 2023-04-10 | 2023-07-04 | 中国科学院空天信息创新研究院 | 基于可比性的遥感影像镶嵌处理方法及装置 |
CN117950561B (zh) * | 2024-03-26 | 2024-06-04 | 中国电建集团昆明勘测设计研究院有限公司 | 一种ArcGIS与photoshop自动联动图像的处理方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564062A (zh) * | 2018-04-27 | 2018-09-21 | 上海海洋大学 | 一种基于遥感影像的海岛边界快速分割算法 |
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 |
CN111582218A (zh) * | 2020-05-18 | 2020-08-25 | 长光卫星技术有限公司 | 一种基于深度学习的遥感影像岛礁提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9292747B2 (en) * | 2013-03-15 | 2016-03-22 | The Boeing Company | Methods and systems for automatic and semi-automatic geometric and geographic feature extraction |
BR112017024598A2 (pt) * | 2015-05-15 | 2018-07-31 | Airfusion Inc | aparelho portátil e método para suporte de decisão para análise e fusão de dados de multisensor automatizado em tempo real |
-
2021
- 2021-04-29 CN CN202110477130.4A patent/CN113129248B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564062A (zh) * | 2018-04-27 | 2018-09-21 | 上海海洋大学 | 一种基于遥感影像的海岛边界快速分割算法 |
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 |
CN111582218A (zh) * | 2020-05-18 | 2020-08-25 | 长光卫星技术有限公司 | 一种基于深度学习的遥感影像岛礁提取方法 |
Non-Patent Citations (1)
Title |
---|
改进Deeplab网络的遥感影像海岛岸线分割;王振华;钟元芾;何婉雯;曲念毅;徐利智;张文苹;刘智翔;;中国图象图形学报(04);第144-154页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113129248A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596101B (zh) | 一种基于卷积神经网络的遥感图像多目标检测方法 | |
KR102414452B1 (ko) | 목표 검출 및 목표 검출 네트워크의 훈련 | |
CN109685842B (zh) | 一种基于多尺度网络的稀疏深度稠密化方法 | |
Templin et al. | Application of low-cost fixed-wing UAV for inland lakes shoreline investigation | |
CN113129248B (zh) | 一种海岛遥感影像集获得方法、装置、设备及介质 | |
Leedekerken et al. | Mapping complex marine environments with autonomous surface craft | |
CN101975951A (zh) | 一种融合距离和图像信息的野外环境障碍检测方法 | |
CN115861601A (zh) | 一种多传感器融合感知方法及装置 | |
Kabiri et al. | Coral reefs mapping using parasailing aerial photography-feasibility study: Kish Island, Persian Gulf | |
Zhang et al. | Sea Ice Image Processing with MATLAB® | |
CN117214904A (zh) | 一种基于多传感器数据的鱼类智能识别监测方法和系统 | |
Ajibola et al. | Fusion of UAV-based DEMs for vertical component accuracy improvement | |
CN112101222A (zh) | 一种基于无人艇多模态传感器的海面三维目标检测方法 | |
Dong et al. | ShipGAN: Generative Adversarial Network based simulation-to-real image translation for ships | |
Luo et al. | An evolutionary shadow correction network and a benchmark UAV dataset for remote sensing images | |
Maurer et al. | Automated inspection of power line corridors to measure vegetation undercut using UAV-based images | |
CN117423077A (zh) | Bev感知模型、构建方法、装置、设备、车辆及存储介质 | |
CN105005962A (zh) | 基于分层筛选策略的岛礁遥感影像配准方法 | |
Wang et al. | Physics-aware training data to improve machine learning for sea ice classification from Sentinel-1 SAR scenes | |
CN113128523B (zh) | 一种基于时间序列遥感影像自动提取珊瑚礁的方法 | |
Leedekerken et al. | Mapping complex marine environments with autonomous surface craft | |
CN115187959A (zh) | 一种基于双目视觉的飞行汽车山地着陆方法及系统 | |
Weinmann et al. | Point cloud analysis for uav-borne laser scanning with horizontally and vertically oriented line scanners–concept and first results | |
CN114445572A (zh) | 一种基于DeeplabV3+的陌生海域中障碍物即时定位与地图构建方法 | |
Wang et al. | Framework to create cloud-free remote sensing data using passenger aircraft as the platform |
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 |