CN113297965A - 一种基于深度学习的遥感图像目标提取方法和装置 - Google Patents
一种基于深度学习的遥感图像目标提取方法和装置 Download PDFInfo
- Publication number
- CN113297965A CN113297965A CN202110568733.5A CN202110568733A CN113297965A CN 113297965 A CN113297965 A CN 113297965A CN 202110568733 A CN202110568733 A CN 202110568733A CN 113297965 A CN113297965 A CN 113297965A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- deep learning
- sensing image
- image
- training
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 35
- 238000013136 deep learning model Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 14
- 238000011835 investigation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06V20/13—Satellite images
-
- 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
- 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
Abstract
本发明公开一种基于深度学习的遥感图像目标提取方法和装置，包括：步骤1、获取目标区域的遥感图像信息；步骤2、采用深度学习对遥感图像信息进行特征提取以及AI图像识别，生成乡该目标区域当前的土地类型信息。采用本发明的技术方案，提高乡村建设的智能化程度。
Description
技术领域
本发明属于土地资源管理技术领域，尤其涉及一种基于深度学习的遥感图像目标提取方法和装置。
背景技术
传统的土地利用情况调查所采用的调查方法是野外实地调查、测量、全靠目视的判断和控制，随意性较大，精度和准确度无法保障，采用这种调查方法，局限性非常大，要耗费大量的人力、物力、财力和时间，完成一项调查任务的时间周期很长，而且难以保障最终成果的精度和现势性，对于大范围、全局性的调查任务，这种调查方法也无法顺利完成。
随着经济的发展，乡村建设逐渐成为战略建设目标，而在乡村建设中，由于历史与经济的原因，乡村建设往往存在土地资源浪费、资源利用差等情况，在乡村建设中由于乡村建设存在智能化较低，从而无法及时获取建设信息以达到统筹、规划建设，而导致乡村建设进度缓慢。针对上述中的相关技术，发明人认为存在有乡村建设智能化较低的缺陷。
发明内容
本发明要解决的技术问题是，提供一种基于深度学习的遥感图像目标提取方法和装置，提高乡村建设的智能化程度。
为实现上述目的，本发明采用如下的技术方案：
一种基于深度学习的遥感图像目标提取方法，包括：
步骤1、获取目标区域的遥感图像信息；
步骤2、采用深度学习对遥感图像信息进行特征提取以及AI图像识别，生成乡该目标区域当前的土地类型信息。
作为优选，步骤2具体包括：
对所述遥感图像中的高分影像中的自然资源信息进行预标注，作为训练样本；
建立卷积神经网络CNNs的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练；
根据训练得到的深度学习模型对遥感图像进行土地资源信息提取，得到二值化图像；
对所述二值化图像进行土地类型信息标定。
作为优选，所述获取遥感图像，包括：通过卫星或航拍器获取目标区域的遥感图像。
作为优选，所述卷积神经网络CNNs的深度学习模型，包括：结合U-net和Densenet两种卷积神经网络的结构特征，建立卷积神经网络CNNs的深度学习模型。
作为优选，所述卷积神经网络CNNs的深度学习模型，包括：
输入层，用于将输入图像以向量形式进行输出；
卷积层，通过滑动窗口的方式计算其与图像的内积，并将内积的结果进行输出；
池化层，位于卷积层之后，用于对所述内积的结果进行聚合统计，完成空间的下采样；
输出层，用于将所述类别得分结果进行输出。
本发明提供一种基于深度学习的遥感图像目标提取装置，包括：
获取模块，用于获取目标区域的遥感图像信息；
提取模块，用于采用深度学习对遥感图像信息进行特征提取以及AI图像识别，生成乡该目标区域当前的土地类型信息。
作为优选，提取模块具体包括：
标注单元，用于对所述遥感图像中的高分影像中的自然资源信息进行预标注，作为训练样本；
训练单元，用于建立卷积神经网络CNNs的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练；
提取单元，用于根据训练得到的深度学习模型对遥感图像进行土地资源信息提取，得到二值化图像；
标定单元，用于对所述二值化图像进行土地类型信息标定。
作为优选，获取模块通过卫星或航拍器获取目标区域的遥感图像。
本发明的技术方案，通过获取卫星影像，并且结合U-net和Densenet两种深度学习的卷积神经网络(CNNs)结构的优势，建立了一种新型的提取土地资源的CNNs模型。通过对大量的高分遥感图像中的自然资源进行标注，得到影像中自然资源标注的结果作为训练集；用建立的CNNs模型对高分遥感图像进行训练试验并得到土地资源的二值化图像；将二值图像中识别出的像素值进行标识得到土地类型。本发明能够实现高精度、自动化的快速提取高分遥感影像中的土地信息，提高乡村建设的智能化程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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为本发明基于深度学习的遥感图像目标提取方法流程图；
图2为本发明基于深度学习的遥感图像目标提取装置的结构示意图。
具体实施方式
以下实施例会结合附图对本发明进行详述，在附图或说明中，相似或相同的部分使用相同的标号，并且在实际应用中，各部件的形状、厚度或高度可扩大或缩小。本发明所列举的各实施例仅用以说明本发明，并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。
如图1所示，本发明提供一种基于深度学习的遥感图像目标提取方法，包括：
步骤1、获取目标区域的遥感图像信息；
步骤2、采用深度学习对遥感图像信息进行特征提取以及AI图像识别，生成乡该目标区域当前的土地类型信息。
进一步，步骤2具体包括：
对所述遥感图像中的高分影像中的自然资源信息进行预标注，作为训练样本；
建立卷积神经网络CNNs的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练；
根据训练得到的深度学习模型对遥感图像进行土地资源信息提取，得到二值化图像；
对所述二值化图像进行土地类型信息标定。
进一步，所述获取遥感图像，包括：通过卫星或航拍器获取目标区域的遥感图像。优选地，利用高分-1号/2号(GF-1/GF-2)以及资源-3号(ZY-3)卫星影像获取目标区域的遥感图像。
进一步，所述卷积神经网络CNNs的深度学习模型，包括：结合U-net和Densenet两种卷积神经网络的结构特征，建立卷积神经网络CNNs的深度学习模型。
进一步，所述卷积神经网络CNNs的深度学习模型，包括：
输入层，用于将输入图像以向量形式进行输出；
卷积层，通过滑动窗口的方式计算其与图像的内积，并将内积的结果进行输出；
池化层，位于卷积层之后，用于对所述内积的结果进行聚合统计，完成空间的下采样；
输出层，用于将所述类别得分结果进行输出。
进一步，所述根据所述训练样本对所述深度学习模型进行训练，包括：
卷积神经网络初始化；
根据所述训练样本进行前行计算；
采用最小化残差的原理调整权重以及偏置。
进一步，所述卷积神经网络初始化，包括：
初始化卷积核、权重及偏置的大小。
进一步，所述根据所述训练样本进行前行计算，包括：
通过输入层将所述自然资源样本以向量形式进行输出；
通过卷积层计算其与所述输入自然资源样本的内积，并将内积的结果进行输出；
通过池化层对所述内积的结果进行聚合统计，完成空间的下采样。
如图2所示，本发明提供一种基于深度学习的遥感图像目标提取装置，包括：
获取模块，用于获取目标区域的遥感图像信息；
提取模块，用于采用深度学习对遥感图像信息进行特征提取以及AI图像识别，生成乡该目标区域当前的土地类型信息。
进一步，提取模块具体包括：
标注单元，用于对所述遥感图像中的高分影像中的自然资源信息进行预标注，作为训练样本；
训练单元，用于建立卷积神经网络CNNs的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练；
提取单元，用于根据训练得到的深度学习模型对遥感图像进行土地资源信息提取，得到二值化图像；
标定单元，用于对所述二值化图像进行土地类型信息标定。
进一步，获取模块通过卫星或航拍器获取目标区域的遥感图像。
本发明的技术方案，通过获取卫星影像，并且结合U-net和Densenet两种深度学习的卷积神经网络(CNNs)结构的优势，建立了一种新型的提取土地资源的CNNs模型。通过对大量的高分遥感图像中的自然资源进行标注，得到影像中自然资源标注的结果作为训练集；用建立的CNNs模型对高分遥感图像进行训练试验并得到土地资源的二值化图像；将二值图像中识别出的像素值进行标识得到土地类型。本发明能够实现高精度、自动化的快速提取高分遥感影像中的土地信息，提高乡村建设的智能化程度。
本发明建立了一种新型的卷积神经网络CNNs结构，结合了U-net和Densenet两种卷积神经网络的结构优势特征，从而将原始图像输入至训练完成的卷积神经网络内，从而实现土地资源的自动化、高精度提取。
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于深度学习的遥感图像目标提取方法，其特征在于，包括：
步骤1、获取目标区域的遥感图像信息；
步骤2、采用深度学习对遥感图像信息进行特征提取以及AI图像识别，生成乡该目标区域当前的土地类型信息。
2.如权利要求1所述的基于深度学习的遥感图像目标提取方法，其特征在于，步骤2具体包括：
对所述遥感图像中的高分影像中的自然资源信息进行预标注，作为训练样本；
建立卷积神经网络CNNs的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练；
根据训练得到的深度学习模型对遥感图像进行土地资源信息提取，得到二值化图像；
对所述二值化图像进行土地类型信息标定。
3.如权利要求1所述的基于深度学习的遥感图像目标提取方法，其特征在于，所述获取遥感图像，包括：通过卫星或航拍器获取目标区域的遥感图像。
4.如权利要求2所述的基于深度学习的遥感图像目标提取方法，其特征在于，所述卷积神经网络CNNs的深度学习模型，包括：结合U-net和Densenet两种卷积神经网络的结构特征，建立卷积神经网络CNNs的深度学习模型。
5.如权利要求2所述的基于深度学习的遥感图像目标提取方法，其特征在于，所述卷积神经网络CNNs的深度学习模型，包括：
输入层，用于将输入图像以向量形式进行输出；
卷积层，通过滑动窗口的方式计算其与图像的内积，并将内积的结果进行输出；
池化层，位于卷积层之后，用于对所述内积的结果进行聚合统计，完成空间的下采样；
输出层，用于将所述类别得分结果进行输出。
6.一种基于深度学习的遥感图像目标提取装置，包括：
获取模块，用于获取目标区域的遥感图像信息；
提取模块，用于采用深度学习对遥感图像信息进行特征提取以及AI图像识别，生成乡该目标区域当前的土地类型信息。
7.如权利要求6所述的基于深度学习的遥感图像目标提取装置，其特征在于，提取模块具体包括：
标注单元，用于对所述遥感图像中的高分影像中的自然资源信息进行预标注，作为训练样本；
训练单元，用于建立卷积神经网络CNNs的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练；
提取单元，用于根据训练得到的深度学习模型对遥感图像进行土地资源信息提取，得到二值化图像；
标定单元，用于对所述二值化图像进行土地类型信息标定。
8.如权利要求6所述的基于深度学习的遥感图像目标提取方法，其特征在于，获取模块通过卫星或航拍器获取目标区域的遥感图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110568733.5A CN113297965A (zh) | 2021-05-25 | 2021-05-25 | 一种基于深度学习的遥感图像目标提取方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110568733.5A CN113297965A (zh) | 2021-05-25 | 2021-05-25 | 一种基于深度学习的遥感图像目标提取方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113297965A true CN113297965A (zh) | 2021-08-24 |
Family
ID=77324565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110568733.5A Pending CN113297965A (zh) | 2021-05-25 | 2021-05-25 | 一种基于深度学习的遥感图像目标提取方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113297965A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201702095D0 (en) * | 2017-02-08 | 2017-03-22 | Ordance Survey Ltd | Topographic data machine learning method and system |
| CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
| CN109934095A (zh) * | 2019-01-22 | 2019-06-25 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的遥感图像水体提取方法及系统 |
-
2021
- 2021-05-25 CN CN202110568733.5A patent/CN113297965A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201702095D0 (en) * | 2017-02-08 | 2017-03-22 | Ordance Survey Ltd | Topographic data machine learning method and system |
| CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
| CN109934095A (zh) * | 2019-01-22 | 2019-06-25 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的遥感图像水体提取方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107703564B (zh) | 一种降雨预测方法、系统及电子设备 | |
| CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
| CN111161218A (zh) | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 | |
| CN109063569B (zh) | 一种基于遥感影像的语义级变化检测方法 | |
| CN112862774B (zh) | 一种遥感影像建筑物精确分割方法 | |
| CN111178149B (zh) | 一种基于残差金字塔网络的遥感影像水体自动提取方法 | |
| CN112906662B (zh) | 一种遥感图像变化检测方法、装置、设备及存储介质 | |
| CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
| CN113191374B (zh) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 | |
| CN110232445B (zh) | 一种基于知识蒸馏的文物真伪鉴定方法 | |
| CN108932474B (zh) | 一种基于全卷积神经网络复合特征的遥感影像云判方法 | |
| CN112749663B (zh) | 基于物联网和ccnn模型的农业果实成熟度检测系统 | |
| CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
| CN111104850B (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
| CN113936204A (zh) | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 | |
| CN114912707A (zh) | 一种基于多模态融合的空气质量预测系统及预测方法 | |
| CN111325239A (zh) | 一种基于图像的天气识别的方法及设备 | |
| CN114612664A (zh) | 一种基于双边分割网络的细胞核分割方法 | |
| CN113723319A (zh) | 一种基于风云卫星数据的水稻种植分布提取方法 | |
| CN113420619A (zh) | 一种遥感影像建筑物提取方法 | |
| CN113420109A (zh) | 一种街道界面渗透率的测量方法、计算机及存储介质 | |
| CN112084989A (zh) | 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法 | |
| CN116612395A (zh) | 基于卫星热红外数据的云参数反演方法、介质及电子设备 | |
| CN113297965A (zh) | 一种基于深度学习的遥感图像目标提取方法和装置 | |
| CN115019044A (zh) | 单株植物的分割方法、装置、终端设备和可读存储介质 |
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 |