CN113222999A - 一种基于投票机制的遥感目标分割和自动拼合方法 - Google Patents
一种基于投票机制的遥感目标分割和自动拼合方法 Download PDFInfo
- Publication number
- CN113222999A CN113222999A CN202110399872.XA CN202110399872A CN113222999A CN 113222999 A CN113222999 A CN 113222999A CN 202110399872 A CN202110399872 A CN 202110399872A CN 113222999 A CN113222999 A CN 113222999A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- pixel
- voting mechanism
- method based
- automatic splicing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000011218 segmentation Effects 0.000 title claims abstract description 46
- 230000007246 mechanism Effects 0.000 title claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000005192 partition Methods 0.000 claims abstract 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 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
- 238000012805 post-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感技术领域，且公开了一种基于投票机制的遥感目标分割和自动拼合方法，该方法包括以下步骤：S1、以滑动窗口的形式对影像进行分割，确保每个像素同时出现在9个相互重叠的分块中；S2、记录每个分块中心点的坐标信息，为每个分块匹配内存地址；S3、将不同分块分配给解译模型的多个线程或分布式运算程序进行并行运算，同时输出像素的类别和对应的估算概率。该基于投票机制的遥感目标分割和自动拼合方法，分割结果考虑了影像像素处在中心位置和不同边缘位置时的形态，有效避免了分块计算出现的边缘效应，本技术可应用于遥感影像目标检测和边界提取，用于设计大幅遥感影像分块计算和并行处理程序。
Description
技术领域
本发明涉及遥感技术领域，具体为一种基于投票机制的遥感目标分割和自动拼合方法。
背景技术
遥感是指非接触的，远距离的探测技术，一般指运用传感器/遥感器对物体的电磁波的辐射、反射特性的探测。遥感是通过遥感器这类对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标地物随着遥感技术的快速发展，光学遥感图像空间分辨率越来越高，由于遥感数据量大或模型输入限制，在利用遥感影像进行地物分割时必须对影像进行分块运算，当前算法在自动解译过程中没有对分块影像的边缘进行有效处理，导致分割结果边缘处地物被切割成多个部分，后处理拼接过程中容易出现错位、边界无法对齐等问题，为此我们提出了一种基于投票机制的遥感目标分割和自动拼合方法。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于投票机制的遥感目标分割和自动拼合方法，具备避免以固定窗口进行遥感地物分割过程中出现的边缘效应，实现大幅遥感影像分块并行分割及输出边界的自动化无缝拼接等优点，解决了上述背景技术中所提出的问题。
(二)技术方案
本发明提供如下技术方案：一种基于投票机制的遥感目标分割和自动拼合方法，该方法包括以下步骤：
S1、以滑动窗口的形式对影像进行分割，确保每个像素同时出现在9个相互重叠的分块中。
S2、记录每个分块中心点的坐标信息，为每个分块匹配内存地址。
S3、将不同分块分配给解译模型的多个线程或分布式运算程序进行并行运算，同时输出像素的类别和对应的估算概率。
S4、根据像素坐标信息和分块影像地址，检索该像素的多次解译结果和对应概率，以多次结果中概率最高结果对应的类别作为对应像元类别的最终定义。
S5、根据中心像素的坐标信息将分类结果匹配到最终输出结果的对应位置。
S6、重复上述步骤。
优选的，所述步骤S1中，该像素分别作为1个分块的中心点、4个分块的边中心点和4个分块的角点。
优选的，所述步骤S4中，检索该像素的9次解译结果和对应概率，以9次结果中概率最高结果对应的类别作为对应像元类别的最终定义。
优选的，所述步骤S6中，影像中的每个像素均会参与9次分割运算，且均能出现在检测窗口的中心部分和不同边缘位置，从而避免产生边缘效应。
优选的，本技术可应用于遥感影像目标检测和边界提取，用于设计大幅遥感影像分块计算和并行处理程序。
优选的，所有像素的分类结果根据其位置信息点对点匹配到原始遥感影像对应位置实现自动拼接。
优选的，该方法可快速实现房屋、道路、水系、公园和机场多种目标边界的精确分割。
优选的，该方法运算速度快，不同分块可独立在并行程序进行运算，然后需根据位置信息对输出结果进行匹配。
优选的，所述投票机制保障每一像素均被分割到具有最大概率的类别中，分割结果准确可靠。
与现有技术相比，本发明提供了一种基于投票机制的遥感目标分割和自动拼合方法，具备以下有益效果：
1、该基于投票机制的遥感目标分割和自动拼合方法，分割结果考虑了影像像素处在中心位置和不同边缘位置时的形态，有效避免了分块计算出现的边缘效应，本技术可应用于遥感影像目标检测和边界提取，用于设计大幅遥感影像分块计算和并行处理程序。
2、该基于投票机制的遥感目标分割和自动拼合方法，计算内存占用少，每次解译过程只需在内存读入9个分块图像，避免了系统内存溢出。
3、该基于投票机制的遥感目标分割和自动拼合方法，运算速度快，不同分块可独立在并行程序进行运算，然后需根据位置信息对输出结果进行匹配。
4、该基于投票机制的遥感目标分割和自动拼合方法，分割结果在像素级别进行拼接，避免了同一目标边界无法对齐、出现错位的现象。
5、该基于投票机制的遥感目标分割和自动拼合方法，投票机制保障每一像素均被分割到具有最大概率的类别中，分割结果准确可靠。
附图说明
图1为本发明影像自动分块技术和分块影像自动拼接技术示意图；
图2为本发明分块影像并行解译技术和概率投票机制示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
请参阅图1-2，一种基于投票机制的遥感目标分割和自动拼合方法，该方法包括以下步骤：
第一步，以滑动窗口的形式对影像进行分割，确保每个像素同时出现在9个相互重叠的分块中，该像素分别作为1个分块的中心点、4个分块的边中心点和4个分块的角点。
第二步，记录每个分块中心点的坐标信息，为每个分块匹配内存地址。
第三步，将不同分块分配给解译模型的多个线程或分布式运算程序进行并行运算，同时输出像素的类别和对应的估算概率。
第四步，根据像素坐标信息和分块影像地址，检索该像素的9次解译结果和对应概率，以9次结果中概率最高结果对应的类别作为对应像元类别的最终定义。
第五步，根据中心像素的坐标信息将分类结果匹配到最终输出结果的对应位置。
第六步，重复上述步骤，影像中的每个像素均会参与9次分割运算，且均能出现在检测窗口的中心部分和不同边缘位置，从而避免产生边缘效应。
所有像素的分类结果根据其位置信息点对点匹配到原始遥感影像对应位置实现自动拼接。
本技术可应用于遥感影像目标检测和边界提取，用于设计大幅遥感影像分块计算和并行处理程序，计算和并行处理程序，避免以固定窗口进行遥感地物分割过程中出现的边缘效应，实现大幅遥感影像分块并行分割及输出边界的自动化无缝拼接，所有像素的分类结果根据其位置信息点对点匹配到原始遥感影像对应位置实现自动拼接。
该技术应用于基于深度学习模型的江苏省多分辨率影像地物综合提取中，可快速实现房屋、道路、水系、公园、机场等多种目标边界的精确分割，对于具有不同形态、跨越多个分块影像的目标边界提取结果空间对准精度高、无错位现象。
该基于投票机制的遥感目标分割和自动拼合方法，分割结果考虑了影像像素处在中心位置和不同边缘位置时的形态，有效避免了分块计算出现的边缘效应；计算内存占用少，每次解译过程只需在内存读入9个分块图像，避免了系统内存溢出，如图2所示是该方法的一个可靠性模型，该模型往往是一个复杂的串并联结构，用以估计产品在执行任务过程中完成规定功能的概率，可以作为度量工作有效性的一种模型，只有在产品既没有冗余又没有代替工作模型的情况下，基本可靠性模型才与任务可靠性模型相同，可靠性模型应随试验信息、产品结构、性能、任务要求和使用条件等方面的更改而修改，并应与它们保持一致；运算速度快，不同分块可独立在并行程序进行运算，然后需根据位置信息对输出结果进行匹配；分割结果在像素级别进行拼接，避免了同一目标边界无法对齐、出现错位的现象；投票机制保障每一像素均被分割到具有最大概率的类别中，分割结果准确可靠。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于投票机制的遥感目标分割和自动拼合方法，其特征在于：该方法包括以下步骤：
S1、以滑动窗口的形式对影像进行分割，确保每个像素同时出现在9个相互重叠的分块中；
S2、记录每个分块中心点的坐标信息，为每个分块匹配内存地址；
S3、将不同分块分配给解译模型的多个线程或分布式运算程序进行并行运算，同时输出像素的类别和对应的估算概率；
S4、根据像素坐标信息和分块影像地址，检索该像素的多次解译结果和对应概率，以多次结果中概率最高结果对应的类别作为对应像元类别的最终定义；
S5、根据中心像素的坐标信息将分类结果匹配到最终输出结果的对应位置；
S6、重复上述步骤。
2.根据权利要求1所述的一种基于投票机制的遥感目标分割和自动拼合方法，其特征在于：所述步骤S1中，该像素分别作为1个分块的中心点、4个分块的边中心点和4个分块的角点。
3.根据权利要求1所述的一种基于投票机制的遥感目标分割和自动拼合方法，其特征在于：所述步骤S4中，检索该像素的9次解译结果和对应概率，以9次结果中概率最高结果对应的类别作为对应像元类别的最终定义。
4.根据权利要求1所述的一种基于投票机制的遥感目标分割和自动拼合方法，其特征在于：所述步骤S6中，影像中的每个像素均会参与9次分割运算，且均能出现在检测窗口的中心部分和不同边缘位置，从而避免产生边缘效应。
5.根据权利要求1所述的一种基于投票机制的遥感目标分割和自动拼合方法，其特征在于：本技术可应用于遥感影像目标检测和边界提取，用于设计大幅遥感影像分块计算和并行处理程序。
6.根据权利要求1所述的一种基于投票机制的遥感目标分割和自动拼合方法，其特征在于：所有像素的分类结果根据其位置信息点对点匹配到原始遥感影像对应位置实现自动拼接。
7.根据权利要求1所述的一种基于投票机制的遥感目标分割和自动拼合方法，其特征在于：该方法可快速实现房屋、道路、水系、公园和机场多种目标边界的精确分割。
8.根据权利要求1所述的一种基于投票机制的遥感目标分割和自动拼合方法，其特征在于：该方法运算速度快，不同分块可独立在并行程序进行运算，然后需根据位置信息对输出结果进行匹配。
9.根据权利要求1所述的一种基于投票机制的遥感目标分割和自动拼合方法，其特征在于：所述投票机制保障每一像素均被分割到具有最大概率的类别中，分割结果准确可靠。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110399872.XA CN113222999B (zh) | 2021-04-14 | 2021-04-14 | 一种基于投票机制的遥感目标分割和自动拼合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110399872.XA CN113222999B (zh) | 2021-04-14 | 2021-04-14 | 一种基于投票机制的遥感目标分割和自动拼合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113222999A true CN113222999A (zh) | 2021-08-06 |
| CN113222999B CN113222999B (zh) | 2024-09-03 |
Family
ID=77087184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110399872.XA Active CN113222999B (zh) | 2021-04-14 | 2021-04-14 | 一种基于投票机制的遥感目标分割和自动拼合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222999B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114627135A (zh) * | 2022-01-08 | 2022-06-14 | 海南大学 | 基于实例分割网络和投票机制的遥感图像目标分割方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931256A (zh) * | 2016-06-03 | 2016-09-07 | 中国地质大学（武汉） | 基于cuda的大幅面遥感影像快速分割方法 |
| CN106339674A (zh) * | 2016-08-17 | 2017-01-18 | 中国地质大学（武汉） | 基于边缘保持与图割模型的高光谱影像分类方法 |
| CN109657728A (zh) * | 2018-12-26 | 2019-04-19 | 江苏省基础地理信息中心 | 样例生产方法及模型训练方法 |
| CN110619651A (zh) * | 2019-09-09 | 2019-12-27 | 博云视觉（北京）科技有限公司 | 一种基于监控视频的行车道路分割方法 |
| US20200250428A1 (en) * | 2019-02-04 | 2020-08-06 | Farmers Edge Inc. | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron |
-
2021
- 2021-04-14 CN CN202110399872.XA patent/CN113222999B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931256A (zh) * | 2016-06-03 | 2016-09-07 | 中国地质大学（武汉） | 基于cuda的大幅面遥感影像快速分割方法 |
| CN106339674A (zh) * | 2016-08-17 | 2017-01-18 | 中国地质大学（武汉） | 基于边缘保持与图割模型的高光谱影像分类方法 |
| CN109657728A (zh) * | 2018-12-26 | 2019-04-19 | 江苏省基础地理信息中心 | 样例生产方法及模型训练方法 |
| US20200250428A1 (en) * | 2019-02-04 | 2020-08-06 | Farmers Edge Inc. | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron |
| CN110619651A (zh) * | 2019-09-09 | 2019-12-27 | 博云视觉（北京）科技有限公司 | 一种基于监控视频的行车道路分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| LI CHAO-KUI: ""A new kind of Combination Classifier and its application in Classification of Remote Sensing Image"", 《IEEE》, 3 January 2019 (2019-01-03) * |
| 朱梁辉: ""基于深度学习的遥感图像语义分割预测增强技术"", 《中国科技论文在线精品论文》, vol. 41, no. 1, 31 March 2021 (2021-03-31), pages 1 - 8 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114627135A (zh) * | 2022-01-08 | 2022-06-14 | 海南大学 | 基于实例分割网络和投票机制的遥感图像目标分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113222999B (zh) | 2024-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084292B (zh) | 基于DenseNet和多尺度特征融合的目标检测方法 | |
| CN112232391B (zh) | 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法 | |
| CN110348437B (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
| US7965890B2 (en) | Target recognition system and method | |
| US9846929B2 (en) | Fast density estimation method for defect inspection application | |
| CN111461145A (zh) | 一种基于卷积神经网络进行目标检测的方法 | |
| Enjarini et al. | Planar segmentation from depth images using gradient of depth feature | |
| Park et al. | As-planar-as-possible depth map estimation | |
| CN114677655A (zh) | 多传感器目标检测方法、装置、电子设备以及存储介质 | |
| CN114283343B (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
| CN114359383A (zh) | 一种图像定位方法、装置、设备以及存储介质 | |
| Wang et al. | SAR ship detection in complex background based on multi-feature fusion and non-local channel attention mechanism | |
| CN113222999B (zh) | 一种基于投票机制的遥感目标分割和自动拼合方法 | |
| Zhang et al. | Graph fusion network for multi-oriented object detection | |
| Midwinter et al. | Unsupervised defect segmentation with pose priors | |
| CN113706705A (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
| CN117671299A (zh) | 一种回环检测方法、装置、设备及存储介质 | |
| US20220335650A1 (en) | Methods and Systems for Training a Machine Learning Method for Determining Pre-Determined Points in an Image | |
| CN114114457B (zh) | 基于多模态测井数据的裂缝表征方法、装置及设备 | |
| CN115272406A (zh) | 基于目标检测与二阶段匹配的目标跟踪方法、介质及设备 | |
| CN114997264A (zh) | 训练数据生成、模型训练及检测方法、装置及电子设备 | |
| Ren et al. | Building recognition from aerial images combining segmentation and shadow | |
| CN114220011A (zh) | 货物数量识别方法、装置、电子设备和存储介质 | |
| CN113537026A (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
| Woo et al. | Building detection and reconstruction from aerial images |
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 |