CN113158856A - 一种提取遥感图像中目标区域的处理方法和装置 - Google Patents
一种提取遥感图像中目标区域的处理方法和装置 Download PDFInfo
- Publication number
- CN113158856A CN113158856A CN202110379618.3A CN202110379618A CN113158856A CN 113158856 A CN113158856 A CN 113158856A CN 202110379618 A CN202110379618 A CN 202110379618A CN 113158856 A CN113158856 A CN 113158856A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- processed
- target
- size
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination 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
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G06V20/176—Urban or other man-made structures
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种提取遥感图像中目标区域的处理方法和装置,该方法包括:从待处理的遥感图像中采集待处理的遥感子图像,并获取训练好的目标区域提取算法模型;将采集的每个待处理的遥感子图像输入目标区域提取算法模型中,由目标区域提取算法模型提取出与每个待处理的遥感子图像所对应的目标子图像;目标子图像为包含目标区域的图像,待处理的遥感子图像的尺寸与目标区域提取算法模型在训练时所采用的样本图像的尺寸相同;基于所有目标子图像拼接出待处理的遥感图像对应的目标图像。通过该实施例方案,提高了提取大幅面遥感影像中目标区域的准确性。
Description
技术领域
本文涉及图像处理技术,尤指一种提取遥感图像中目标区域的处理方法和装置。
背景技术
通过对高分辨遥感影像中的建筑物中自动提取,对违规建筑监测、城区自动提取、地图更新、城市变化监测、城市规划、数字化城市建立等应用具有重要意义。但由于复杂的地表环境、卫星观测角度变化、云层遮挡、光照差异等因素,若采用机器自动解译上述情况获得遥感影像数据来获取其中的建筑物区域具有很大困难。
目前,随着深度学习技术的发展,依托于海量数据和大量实验的算法模型,在VOC2012、COCO等大型数据集的语义分割任务上取得了较好的效果,使得对遥感图像中的建筑物分割提取带来了新的方向。
然而,一张遥感影像往往具有较大的幅面(例如,10000*10000),而由于计算复杂度和硬件资源的限制,其处理的输入的图像幅面不会太大(例如,一般可处理的图像幅面为515*512)。因此,无法将整幅遥感影像直接输入至算法模型中。
从而,首先需要对遥感影像进行切片处理,将遥感图像分割为多个预设尺寸的图像后放入相应的深度学习网络模型中。然而大多数的深度学习网络模型其在目标提取过程中,对图像中间部分区域的辨识度比图像边缘部分的辨识度更高,从而则可能造成图像边缘区域中建筑物可能会被忽略,因此当建筑物区域刚好会出现在切片图像的边缘,则可能对图像中建筑物的预测结果输出产生较大影响。
发明内容
本申请实施例提供了一种提取遥感图像中目标区域的处理方法和装置,能够提高提取大幅面遥感影像中目标区域的准确性。
本申请实施例提供了一种提取遥感图像中目标区域的处理方法,所述方法可以包括:
从待处理的遥感图像中采集待处理的遥感子图像,并获取训练好的目标区域提取算法模型;
将采集的每个所述待处理的遥感子图像输入所述目标区域提取算法模型中,由所述目标区域提取算法模型提取出与每个所述待处理的遥感子图像所对应的目标子图像;所述目标子图像为包含目标区域的图像,所述待处理的遥感子图像的尺寸与所述目标区域提取算法模型在训练时所采用的样本图像的尺寸相同;
基于所有所述目标子图像拼接出所述待处理的遥感图像对应的目标图像。
在本申请的示例性实施例中,所述从待处理的遥感图像中采集待处理的遥感子图像,可以包括:
在所述待处理的遥感图像上确定出多个相互连续且具有第一尺寸的第一图像,所述多个第一图像共同组成所述待处理的遥感图像;
根据所述第一图像在所述待处理的遥感图像中的位置,从所述待处理的遥感图像中每一所述第一图像处采集具有第二尺寸的第二图像作为所述待处理的遥感子图像;所述第二尺寸大于所述第一尺寸,每个所述第二图像包含一个所述第一图像。
在本申请的示例性实施例中,所述第二图像可以与所述第一图像的中心重合。
在本申请的示例性实施例中,所述基于所有所述目标子图像拼接出所述待处理的遥感图像对应的目标图像,可以包括:
根据所述第一图像在所述第二图像中的位置,对所述目标子图像进行切割,获取具有第一尺寸的第三图像;
根据全部第一图像在所述待处理的遥感图像中的位置,对与每个第一图像对应的第三图像进行相互拼接,并将拼接后形成的图像作为所述待处理的遥感图像的目标图像。
在本申请的示例性实施例中,所述基于所有所述目标子图像拼接出所述待处理的遥感图像对应的目标图像,可以包括:
根据每个遥感子图像在所述待处理的遥感图像中的位置,对与每个遥感子图像对应的目标子图像进行相互拼接,并将拼接后形成的图像作为所述待处理的遥感图像对应的目标图像。
在本申请的示例性实施例中,所述在所述待处理的遥感图像上确定出多个相互连续且具有第一尺寸的第一图像,可以包括:通过在待处理的遥感图像上设置多条标注线来画出相互连续且具有第一尺寸的多个区域,将每个区域确定为所述第一图像,从而确定出多个相互连续且具有第一尺寸的第一图像。
在本申请的示例性实施例中,所述在所述待处理的遥感图像上确定出多个相互连续且具有第一尺寸的第一图像,可以包括:通过坐标位置确定出相互连续且具有第一尺寸的多个区域,将每个区域确定为所述第一图像,从而确定出多个相互连续且具有第一尺寸的第一图像。
在本申请的示例性实施例中,所述获取训练好的目标区域提取算法模型,可以包括:
直接调取预先存储并预先训练好的目标区域提取算法模型;或者,
获取训练样本数据集,并通过所述训练样本数据集对预先构建的深度学习网络算法模型进行训练,获取所述目标区域提取算法模型。
在本申请的示例性实施例中,所述第一尺寸与所述第二尺寸之比小于1且大于或等于0.7。
在本申请的示例性实施例中,所述获取训练样本数据集,可以包括:
获取样本遥感图像,并将样本遥感图像分割为多个具有第二尺寸的第四图像,所述样本遥感图像包含目标区域;
将第四图像作为训练样本;
由多个训练样本组成所述训练样本数据集。
在本申请的示例性实施例中,所述通过所述训练样本数据集对预先构建的深度学习网络进行训练,可以包括:多次执行以下操作,直至所述深度学习网络算法模型所输出的图像满足预设要求(即,重复以下步骤直至所述训练样本与所述输出图像之间的损失值loss稳定):
将训练样本输入所述深度学习网络算法模型中,获取相应的输出图像;
计算所述训练样本与所述输出图像之间的损失值loss;
根据所述损失值loss的大小更新所述深度学习网络算法模型的参数。
在本申请的示例性实施例中,所述深度学习网络算法模型可以包括:编码模块、解码模块和softmax函数模块;
所述编码模块设置为对图像中的像素空间特征进行编码;
所述解码模块设置为根据所述编码获取作中的特征表达;
所述softmax函数模块设置为根据所述特征表达输出图像中的特征区域。
本申请实施例还提供了一种提取遥感图像中目标区域的处理装置,可以包括处理器和计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令被所述处理器执行时,实现上述任意一项所述的提取遥感图像中目标区域的处理方法。
本申请实施例可以包括:从待处理的遥感图像中采集待处理的遥感子图像,并获取训练好的目标区域提取算法模型;将采集的每个所述待处理的遥感子图像输入所述目标区域提取算法模型中,由所述目标区域提取算法模型提取出与每个所述待处理的遥感子图像所对应的目标子图像;所述目标子图像为包含目标区域的图像,所述待处理的遥感子图像的尺寸与所述目标区域提取算法模型在训练时所采用的样本图像的尺寸相同;基于所有所述目标子图像拼接出所述待处理的遥感图像对应的目标图像。通过该实施例方案,提高了提取大幅面遥感影像中目标区域的准确性。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1为本申请实施例的提取遥感图像中目标区域的处理方法流程图;
图2为本申请实施例的第一图像A的示意图;
图3为本申请实施例的第二图像C的示意图;
图4为本申请实施例的第四图像及其标注后图像的示意图;
图5为本申请实施例的目标区域提取网络的结构示意图;
图6为本申请实施例的提取遥感图像中目标区域的处理装置组成框图。
具体实施方式
本申请描述了多个实施例,但是该描述是示例性的,而不是限制性的,并且对于本领域的普通技术人员来说显而易见的是,在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合,并在具体实施方式中进行了讨论,但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外,任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用,或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合,以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合,以形成另一个由权利要求限定的独特的发明方案。因此,应当理解,在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此,除了根据所附权利要求及其等同替换所做的限制以外,实施例不受其它限制。此外,可以在所附权利要求的保护范围内进行各种修改和改变。
此外,在描述具有代表性的实施例时,说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而,在该方法或过程不依赖于本文所述步骤的特定顺序的程度上,该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的,其它的步骤顺序也是可能的。因此,说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外,针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤,本领域技术人员可以容易地理解,这些顺序可以变化,并且仍然保持在本申请实施例的精神和范围内。
本申请实施例提供了一种提取遥感图像中目标区域的处理方法,如图1所示,所述方法可以包括步骤S101-S103:
S101、从待处理的遥感图像中采集遥感子图像,并获取训练好的目标区域提取算法模型;
S102、将采集的每个所述遥感子图像输入所述目标区域提取算法模型中,由所述目标区域提取算法模型提取出与每个所述待处理的遥感子图像所对应的目标子图像;所述目标子图像为包含目标区域的图像,所述待处理的遥感子图像的尺寸与所述目标区域提取算法模型在训练时所采用的样本图像的尺寸相同;
S103、基于所有所述目标子图像相互拼接出所述待处理的遥感图像对应的目标图像。
在本申请的示例性实施例中,结合深度学习网络提出了一种大幅面遥感影像中目标物(如建筑物)的提取算法,通过对大幅面遥感图像进行密集切分和更加精细的语义分割网络模块(即目标区域提取算法模型)设计,提高了提取大幅面遥感图像中建筑物区域的准确性。
在本申请的示例性实施例中,所述基于所有所述目标子图像拼接出所述待处理的遥感图像对应的目标图像,可以包括:
根据每个遥感子图像在所述待处理的遥感图像中的位置,将与每个遥感子图像所对应的目标子图像进行相互拼接后形成的图像作为所述待处理的遥感图像对应的目标图像。其中,每个遥感子图像在所述待处理的遥感图像中的位置与其所对应的目标子图像在所述待处理的遥感图像中的位置一一对应。
在本申请的示例性实施例中,采集的遥感子图像的尺寸可以与输出的目标子图像的尺寸相同,因此,可以直接对目标区域提取算法模型输出的目标子图像进行按照对应的遥感子图像最初在遥感图像中的位置进行拼接,获取遥感图像对应的目标图像。
在本申请的示例性实施例中,为了提高目标图像的提取准确度,可以对待处理的遥感图像进行密集切分,从而获取该遥感子图像。
在本申请的示例性实施例中,所述从待处理的遥感图像中采集待处理的遥感子图像,可以包括:
在所述待处理的遥感图像上确定出多个相互连续且具有第一尺寸的第一图像,所述多个第一图像共同组成所述待处理的遥感图像;
根据所述第一图像在所述待处理的遥感图像中的位置,从所述待处理的遥感图像中每一所述第一图像处采集具有第二尺寸的第二图像作为所述待处理的遥感子图像;所述第二尺寸大于所述第一尺寸,每个所述第二图像包含一个所述第一图像。
在本申请的示例性实施例中,所述第一尺寸与所述第二尺寸之比小于1且大于或等于0.7。
在本申请的示例性实施例中,所述第一尺寸与所述第二尺寸之比还可以为β1,其中:β1=β*γ,其中β的值为小于1且大于或等于0.7,γ的值为小于等于1且大于0。当待处理的遥感图像中目标区域密集度较小时,将其γ的值设置为更接近1,而当待处理的遥感图像中目标区域密集度较大时,将其γ的值设置为更接近0。
在本申请的示例性实施例中,还可以根据待处理的遥感图像不同区域中目标区域密集度大小,设置第一尺寸。具体如根据目标区域密集度,在待处理的遥感图像上划分不同待处理区域,不同待处理区域设置不同的第一尺寸。其中待处理区域中目标区域密集度较大时所设置的第一尺寸比待处理区域中目标区域密集度较小时所设置的第一尺寸小。
在本申请的示例性实施例中,可以将待处理的遥感图像按照预设尺寸,例如第一尺寸进行标记,如图2所示,获取多个具有第一尺寸的第一图像A。
在本申请的示例性实施例中,在所述待处理的遥感图像上确定出多个相互连续且具有第一尺寸的第一图像,包括:通过在待处理的遥感图像上设置多条标注线来画出相互连续且具有第一尺寸的多个区域,将每个区域确定为第一图像,从而确定出多个相互连续且具有第一尺寸的第一图像(即标注线法)。其中,该标注线可以采用任何可行的实现方式,例如,可以包括但不限于:虚线、实线、点划线等;并且标注形状可以包括但不限于:方形、圆形等任意图形,在本申请的示例性实施例中采用方形。
在本申请的示例性实施例中,在所述待处理的遥感图像上确定出多个相互连续且具有第一尺寸的第一图像,包括:通过坐标位置确定出相互连续且具有第一尺寸的多个区域,将每个区域确定为第一图像,从而确定出多个相互连续且具有第一尺寸的第一图像(即坐标定位法)。其中,坐标定位法可以包括:
根据第一尺寸和待处理的遥感图像的尺寸,计算出坐标点的数量N;
将计算得出的N个坐标点均匀设置在待处理的遥感图像上,并以每一坐标点为中心,以第一尺寸为大小确定出多个区域,将每个区域确定为第一图像,从而确定出多个相互连续且具有第一尺寸的第一图像。
在本申请的示例性实施例中,在所述待处理的遥感图像上确定出多个相互连续且具有第一尺寸的第一图像,包括:将待处理的遥感图像上切割为具有第一尺寸的图像,将每个图像确定为第一图像,从而确定出多个具有第一尺寸的第一图像(即分割法)。
在本申请的示例性实施例中,第一尺寸小于输入至深度学习网络算法模型的图像的尺寸,如输入至深度学习网络算法模型的图像的尺寸为第二尺寸。。
在本申请的示例性实施例中,可以按照第二尺寸(即训练样本的尺寸)依次针对待处理的遥感图像中各个小格A(即第一图像A)所在区域采集相应的图像得到第二图像;其中,第二尺寸大于第一尺寸,且小格A(即第一图像A)在采集后的图像C(即第二图像,如图3所示的虚框为采集后的图像C)中;更具体地,该第一图像A的中心可以与采集后的图像C的中心重合。
在本申请的示例性实施例中,所采集的图像C中处于第一图像A以外的区域(可以称为区域M)可以为遥感图像中对应位置的图像,也可以为背景色,例如黑色等,具体还可以采用将背景色部分像素的像素值设为无效值。另外,所采集的相邻位置的图像C中的区域M可以具有重叠区域,也可以没有重叠区域。在本申请的示例性实施例中,每一个图像C的确定方法也可以采用上述的标注线法和/或坐标定位法。
在本申请的示例性实施例中,可以将采集后的图像C输入训练好的目标区域提取算法模型中,并由目标区域提取算法模型输出图像C1(即目标子图像),以根据该图像C1拼接出所述待处理的遥感图像对应的目标图像,从而提取出待处理的遥感图像中建筑物区域,得到遥感图像对应的建筑物图像。
在本申请的示例性实施例中,基于前述内容中对待处理的遥感图像进行密集切分获取所述遥感子图像,在此基于所述全部目标子图像拼接出所述待处理的遥感图像对应的目标图像时也可以对目标子图像进行密集切分,再基于切分后的图像进行拼接获取目标图像,从而进一步提高目标图像的精度。
在本申请的示例性实施例中,所述基于所有所述目标子图像拼接出所述待处理的遥感图像对应的目标图像,可以包括:
根据所述第一图像在所述第二图像中的位置,对所述目标子图像进行切割,获取具有第一尺寸的第三图像;
根据全部第一图像在所述待处理的遥感图像中的位置,对与每个第一图像对应的第三图像进行相互拼接,并将拼接后形成的图像作为所述待处理的遥感图像的目标图像。
在本申请的示例性实施例中,可以根据第一图像A在图像C(第二图像)中的位置,将图像C1(目标子图像)进行切割得到图像C2(第三图像),其中图像C2在图像C1与图像A在图像C中的位置相同。根据第一图像A在遥感图像中的位置,将所有图像C2进行拼接,并将拼接后形成的图像作为所述待处理的遥感图像的目标图像,从而提取出待处理的遥感图像中建筑物区域,即得到遥感图像对应的建筑物图像。
在本申请的示例性实施例中,下面对目标区域提取算法模型的获取方法作详细介绍。
在本申请的示例性实施例中,所述获取训练好的目标区域提取算法模型,可以包括:
直接调取预先存储并预先训练好的目标区域提取算法模型;或者,
获取训练样本数据集,并通过所述训练样本数据集对预先构建的深度学习网络算法模型进行训练,获取所述目标区域提取算法模型。
在本申请的示例性实施例中,所述获取训练样本数据集,可以包括:
获取样本遥感图像,并将样本遥感图像分割为多个具有第二尺寸的第四图像,所述样本遥感图像包含目标区域;
将所述第四图像作为训练样本;
由多个训练样本组成所述训练样本数据集。
在本申请的示例性实施例中,利用深度学习算法对遥感影像自动解译,可以利用人工先验知识,为了将先验知识格式化,需要人员对遥感图像进行操作,即,可以通过对图像进行标记获取训练样本数据集。其标注结果示意图可以如图4所示,其中左列为已经切片后的较小尺寸的高分辨遥感图像(第四图像),右列为通过人工解读后标记的建筑物区域,其中建筑物区域为白色(255)。作为训练样本,每一张图像的大小幅面是固定的,如第二尺寸(例如512*512)。
在本申请的示例性实施例中,所述深度学习网络算法模型可以包括:编码模块、解码模块和softmax函数模块;
所述编码模块设置为对图像中的像素空间特征进行编码;
所述解码模块设置为根据所述编码获取作中的特征表达;
所述softmax函数模块设置为根据所述特征表达输出图像中的特征区域。
在本申请的示例性实施例中,可以预先设计面向遥感图像的目标区域(建筑物区域)提取的网络,例如前述的深度学习网络算法模型。目标区域提取网络的结构可以如图5所示,采用编码-解码的网络结构,其中编码模块对图像中像素空间特征编码,为了得到不同尺度的特征,可以采用不同膨胀率的空洞卷积核;解码模块为解译特征模块通过对级联对应尺度的输出和反卷积模块得到最终的特征表达,最后通过一层softmax输出图像中的特征区域,如建筑物区域。
在本申请的示例性实施例中,所述通过所述训练样本数据集对预先构建的深度学习网络算法模型进行训练,可以包括:多次执行以下操作,直至所述深度学习网络算法模型所输出的图像满足预设要求:
将训练样本输入所述深度学习网络中,获取相应的输出图像;
计算所述训练样本与所述输出图像之间的损失值loss;
根据所述损失值loss的大小更新所述深度学习网络算法模型的参数。
在本申请的示例性实施例中,重复以上步骤直至所述训练样本与所述输出图像之间的损失值loss满足预设值。
在本申请的示例性实施例中,利用前面步骤收集的训练样本对定义的深度学习网络算法模型进行训练,通过不断将训练样本输入深度学习网络算法模型后获取输出图像,并不断地计算网络算法模型输出图像和真值图像(即输入的训练样本)的Loss值,根据获得的loss值不断地更新深度学习网络中不同卷积核的参数,直至达到输出Loss稳定,使得深度学习算法收敛到极值点,从而得到更新后的目标区域提取算法模型。
本申请实施例还提供了一种提取遥感图像中目标区域的处理装置1,如图6所示,可以包括处理器11和计算机可读存储介质12,所述计算机可读存储介质12中存储有指令,当所述指令被所述处理器11执行时,实现上述任意一项所述的提取遥感图像中目标区域的处理方法。
在本申请的示例性实施例中,上述的方法实施例中的任何实施例均适用于该装置实施例中,在此不再一一赘述。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种提取遥感图像中目标区域的处理方法,其特征在于,所述方法包括:
从待处理的遥感图像中采集待处理的遥感子图像,并获取训练好的目标区域提取算法模型;
将采集的每个所述待处理的遥感子图像输入所述目标区域提取算法模型中,由所述目标区域提取算法模型提取出与每个所述待处理的遥感子图像所对应的目标子图像;所述目标子图像为包含目标区域的图像,所述待处理的遥感子图像的尺寸与所述目标区域提取算法模型在训练时所采用的样本图像的尺寸相同;
基于所有所述目标子图像拼接出所述待处理的遥感图像对应的目标图像。
2.根据权利要求1所述的提取遥感图像中目标区域的处理方法,其特征在于,所述从待处理的遥感图像中采集待处理的遥感子图像,包括:
在所述待处理的遥感图像上确定出多个相互连续且具有第一尺寸的第一图像,所述多个第一图像共同组成所述待处理的遥感图像;
根据所述第一图像在所述待处理的遥感图像中的位置,从所述待处理的遥感图像中每一所述第一图像处采集具有第二尺寸的第二图像作为所述待处理的遥感子图像;所述第二尺寸大于所述第一尺寸,每个所述第二图像包含一个所述第一图像。
3.根据权利要求2所述的提取遥感图像中目标区域的处理方法,其特征在于,所述第二图像与所述第一图像的中心重合。
4.根据权利要求2所述的提取遥感图像中目标区域的处理方法,其特征在于,所述基于所有所述目标子图像拼接出所述待处理的遥感图像对应的目标图像,包括:
根据所述第一图像在所述第二图像中的位置,对所述目标子图像进行切割,获取具有第一尺寸的第三图像;
根据全部第一图像在所述待处理的遥感图像中的位置,对与每个第一图像对应的第三图像进行相互拼接,并将拼接后形成的图像作为所述待处理的遥感图像的目标图像。
5.根据权利要求1所述的提取遥感图像中目标区域的处理方法,其特征在于,所述基于所有所述目标子图像拼接出所述待处理的遥感图像对应的目标图像,包括:
根据每个遥感子图像在所述待处理的遥感图像中的位置,对与每个遥感子图像对应的目标子图像进行相互拼接,并将拼接后形成的图像作为所述待处理的遥感图像对应的目标图像。
6.根据权利要求2所述的提取遥感图像中目标区域的处理方法,其特征在于,所述在所述待处理的遥感图像上确定出多个相互连续且具有第一尺寸的第一图像,包括:
通过在待处理的遥感图像上设置多条标注线来画出相互连续且具有第一尺寸的多个区域,将每个区域确定为所述第一图像,从而确定出多个相互连续且具有第一尺寸的第一图像。
7.根据权利要求2所述的提取遥感图像中目标区域的处理方法,其特征在于,所述在所述待处理的遥感图像上确定出多个相互连续且具有第一尺寸的第一图像,包括:通过坐标位置确定出相互连续且具有第一尺寸的多个区域,将每个区域确定为所述第一图像,从而确定出多个相互连续且具有第一尺寸的第一图像。
8.根据权利要求2-7任意一项所述的提取遥感图像中目标区域的处理方法,其特征在于,所述获取训练好的目标区域提取算法模型,包括:
直接调取预先存储并预先训练好的目标区域提取算法模型;或者,
获取训练样本数据集,并通过所述训练样本数据集对预先构建的深度学习网络算法模型进行训练,获取所述目标区域提取算法模型。
9.根据权利要求2所述的提取遥感图像中目标区域的处理方法,其特征在于,所述第一尺寸与所述第二尺寸之比小于1且大于或等于0.7。
10.一种提取遥感图像中目标区域的处理装置,包括处理器和计算机可读存储介质,所述计算机可读存储介质中存储有指令,其特征在于,当所述指令被所述处理器执行时,实现如权利要求1-9任意一项所述的提取遥感图像中目标区域的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110379618.3A CN113158856B (zh) | 2021-04-08 | 2021-04-08 | 一种提取遥感图像中目标区域的处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110379618.3A CN113158856B (zh) | 2021-04-08 | 2021-04-08 | 一种提取遥感图像中目标区域的处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158856A true CN113158856A (zh) | 2021-07-23 |
CN113158856B CN113158856B (zh) | 2024-04-19 |
Family
ID=76889053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110379618.3A Active CN113158856B (zh) | 2021-04-08 | 2021-04-08 | 一种提取遥感图像中目标区域的处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158856B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470127A (zh) * | 2021-09-06 | 2021-10-01 | 成都国星宇航科技有限公司 | 基于星载云检测的光学图像有效压缩方法 |
CN114037912A (zh) * | 2022-01-07 | 2022-02-11 | 成都国星宇航科技有限公司 | 遥感图像的变化检测方法、装置及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120287151A1 (en) * | 2011-05-09 | 2012-11-15 | Microsoft Corporation | Partitioning high resolution images into sub-images for display |
CN107862665A (zh) * | 2017-11-22 | 2018-03-30 | 北京医拍智能科技有限公司 | Ct图像序列的增强方法及装置 |
CN109583369A (zh) * | 2018-11-29 | 2019-04-05 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
CN109635755A (zh) * | 2018-12-17 | 2019-04-16 | 苏州市科远软件技术开发有限公司 | 人脸提取方法、装置及存储介质 |
CN111523459A (zh) * | 2020-04-22 | 2020-08-11 | 中科三清科技有限公司 | 遥感影像裸地识别方法、装置、电子设备及存储介质 |
CN112287755A (zh) * | 2020-09-25 | 2021-01-29 | 北京佳格天地科技有限公司 | 遥感影像中物体识别方法、装置及存储介质 |
-
2021
- 2021-04-08 CN CN202110379618.3A patent/CN113158856B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120287151A1 (en) * | 2011-05-09 | 2012-11-15 | Microsoft Corporation | Partitioning high resolution images into sub-images for display |
CN107862665A (zh) * | 2017-11-22 | 2018-03-30 | 北京医拍智能科技有限公司 | Ct图像序列的增强方法及装置 |
CN109583369A (zh) * | 2018-11-29 | 2019-04-05 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
CN109635755A (zh) * | 2018-12-17 | 2019-04-16 | 苏州市科远软件技术开发有限公司 | 人脸提取方法、装置及存储介质 |
CN111523459A (zh) * | 2020-04-22 | 2020-08-11 | 中科三清科技有限公司 | 遥感影像裸地识别方法、装置、电子设备及存储介质 |
CN112287755A (zh) * | 2020-09-25 | 2021-01-29 | 北京佳格天地科技有限公司 | 遥感影像中物体识别方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
倪林: "基于自适应四叉树分割的遥感图像压缩算法", 遥感学报, no. 05, pages 343 - 351 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470127A (zh) * | 2021-09-06 | 2021-10-01 | 成都国星宇航科技有限公司 | 基于星载云检测的光学图像有效压缩方法 |
CN114037912A (zh) * | 2022-01-07 | 2022-02-11 | 成都国星宇航科技有限公司 | 遥感图像的变化检测方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113158856B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369581B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN108764039B (zh) | 神经网络、遥感影像的建筑物提取方法、介质及计算设备 | |
CN112734641A (zh) | 目标检测模型的训练方法、装置、计算机设备及介质 | |
CN111582093A (zh) | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 | |
CN111062903A (zh) | 图像水印的自动处理方法、系统、电子设备及存储介质 | |
CN113158856A (zh) | 一种提取遥感图像中目标区域的处理方法和装置 | |
CN111415300A (zh) | 一种用于全景图像的拼接方法和系统 | |
CN112070037B (zh) | 基于遥感影像的道路提取方法、装置、介质及设备 | |
CN112802197A (zh) | 动态场景下基于全卷积神经网络的视觉slam方法及系统 | |
CN111741329B (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN113297986A (zh) | 手写字符识别方法、装置、介质及电子设备 | |
CN112580382A (zh) | 基于目标检测二维码定位方法 | |
CN115861609A (zh) | 遥感图像的分割标注方法、电子设备及存储介质 | |
CN113592720B (zh) | 图像的缩放处理方法、装置、设备、存储介质 | |
CN115080038A (zh) | 图层处理方法、模型生成方法及设备 | |
CN114565803A (zh) | 用于提取难样本的方法、装置及机械设备 | |
CN114283343A (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN114092326A (zh) | 一种Web地图瓦片更新处理方法及装置 | |
CN113744280A (zh) | 图像处理方法、装置、设备及介质 | |
CN111985471B (zh) | 一种车牌定位方法、装置及存储介质 | |
CN113516697A (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN116563840B (zh) | 基于弱监督跨模态对比学习的场景文本检测与识别方法 | |
CN117409057A (zh) | 全景图深度估计方法、设备及介质 | |
CN117636353A (zh) | 待标注图像分割方法、装置、电子设备和计算机可读介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No.16, 1st floor, building 7, No.333, middle section of Shuangnan Avenue, Dongsheng Street, Shuangliu District, Chengdu, Sichuan 610094 Applicant after: Chengdu Guoxing Aerospace Technology Co.,Ltd. Address before: No.16, 1st floor, building 7, No.333, middle section of Shuangnan Avenue, Dongsheng Street, Shuangliu District, Chengdu, Sichuan 610094 Applicant before: CHENGDU GUOXING AEROSPACE TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |