CN113362287A - 一种人机协同的遥感影像智能解译方法 - Google Patents

一种人机协同的遥感影像智能解译方法 Download PDF

Info

Publication number
CN113362287A
CN113362287A CN202110562263.1A CN202110562263A CN113362287A CN 113362287 A CN113362287 A CN 113362287A CN 202110562263 A CN202110562263 A CN 202110562263A CN 113362287 A CN113362287 A CN 113362287A
Authority
CN
China
Prior art keywords
remote sensing
sensing image
interpretation
content
image interpretation
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
Application number
CN202110562263.1A
Other languages
English (en)
Other versions
CN113362287B (zh
Inventor
王淑娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Xingyue Surveying And Mapping Technology Co ltd
Original Assignee
Jiangsu Xingyue Surveying And Mapping Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Xingyue Surveying And Mapping Technology Co ltd filed Critical Jiangsu Xingyue Surveying And Mapping Technology Co ltd
Priority to CN202110562263.1A priority Critical patent/CN113362287B/zh
Publication of CN113362287A publication Critical patent/CN113362287A/zh
Application granted granted Critical
Publication of CN113362287B publication Critical patent/CN113362287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种人机协同的遥感影像智能解译方法，包括：训练人机协同遥感影像解译模型；获取遥感影像；根据人机协同遥感影像解译模型对遥感影像进行遥感影像解译，得到遥感影像解译内容，基于人机协同的方式训练人机协同遥感影像解译模型，该人机协同遥感影像解译模型的训练方式融合了基于深度学习训练目标模型和生成对抗式神经网络的人机协同训练目标模型的方法，使得在利用该人机协同遥感影像解译模型对遥感影像进行解译时，有益于对遥感影像进行快速，精准，多目标同时检测的解译。

Description

一种人机协同的遥感影像智能解译方法
技术领域
本发明涉及到图像数据处理领域，尤其涉及一种人机协同的遥感影像智能解译方法。
背景技术
近半个世纪以来，随着卫星遥感技术、计算机技术的飞速发展，遥感行业应用大规模普及，对智能化遥感信息提取技术提出了前所未有的需求。智能化遥感信息提取技术是传统的计算机视觉、计算机模式识别技术和新兴的基于对象影像分析技术、时空大数据以及人工智能技术在遥感影像分析领域的综合集成和应用。遥感影像作为三维世界的二维投影，包含的信息是不完备、不确定的，因此需要对遥感影像中的内容进行遥感影像解译，但现有的遥感影像解译方法在对遥感影像解译时解译速度较慢且解译精准度较差，有些解译方法仍需要人工识别进行辅助解译，因此，有必要提出一种人机协同的遥感影像智能解译方法，用于解决现有的遥感影像解译方法在对遥感影像解译时解译速度较慢且解译精准度较差，有些解译方法仍需要人工识别进行辅助解译的问题。
发明内容
本发明提供一种人机协同的遥感影像智能解译方法，用于解决现有的遥感影像解译方法在对遥感影像解译时解译速度较慢且解译精准度较差，有些解译方法仍需要人工识别进行辅助解译的问题。
一种人机协同的遥感影像智能解译方法，包括：
训练人机协同遥感影像解译模型；
获取遥感影像；
根据所述人机协同遥感影像解译模型对所述遥感影像进行遥感影像解译，得到遥感影像解译内容。
作为本发明的一种实施例，训练人机协同遥感影像解译模型包括如下步骤：
步骤1：获取遥感影像特征信息；
步骤2：合并遥感影像特征信息，得到遥感影像合并特征信息；
步骤3：根据Gan网络中的生成器和遥感影像合并特征信息生成原始遥感影像像素图；
步骤4：根据Gan网络中的判别器判别原始遥感影像像素图的真实性，得到原始遥感影像像素图的判别结果；
步骤5：将原始遥感影像像素图输入至预设的初始遥感影像解译模型的分类网络中进行遥感影像解译，得到初始遥感影像解译内容；
步骤6：基于遥感影像特征信息、原始遥感影像像素图的判别结果和初始遥感影像解译内容训练预设的初始遥感影像解译模型的分类网络，得到初始智能遥感影像解译模型；
步骤7：获取第二遥感影像，将第二遥感影像输入至初始智能遥感影像解译模型中进行遥感影像解译，得到第二遥感影像解译内容；
步骤8：工作人员对第二遥感影像解译内容的正确性进行检验，得到第二遥感影像解译内容正确性检验结果；
步骤9：基于第二遥感影像解译内容和第二遥感影像解译内容正确性检验结果训练初始智能遥感影像解译模型的分类网络，得到人机协同遥感影像解译模型。
作为本发明的一种实施例，获取遥感影像特征信息包括：
获取遥感影像中目标物类别的特征信息、与遥感影像中目标物类别的特征信息对应的分辨率特征信息和遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息。
作为本发明的一种实施例，基于遥感影像特征信息、原始遥感影像像素图的判别结果和初始遥感影像解译内容训练预设的初始遥感影像解译模型的分类网络，得到初始智能遥感影像解译模型，包括：
基于原始遥感影像像素图的判别结果和原始遥感影像像素图中数据的真实性标签计算第一遥感影像判别损失；
基于初始遥感影像解译内容和遥感影像特征信息计算第一遥感影像解译损失；
根据第一遥感影像判别损失和第一遥感影像解译损失，确定第一遥感影像解译总损失；
若第一遥感影像总损失不满足预设第一训练条件时，更新预设的初始遥感影像解译模型的分类网络、Gan网络中的生成器和Gan网络中的判别器中的网络参数；
基于更新后的预设的初始遥感影像解译模型的分类网络、Gan网络中的生成器和Gan网络中的判别器更新遥感影像解译总损失，直至第一遥感影像总损失满足预设第一训练条件后，将当前的预设的初始遥感影像解译模型作为初始智能遥感影像解译模型。
作为本发明的一种实施例，基于第二遥感影像解译内容和第二遥感影像解译内容正确性检验结果训练初始智能遥感影像解译模型的分类网络，得到人机协同遥感影像解译模型，包括：
基于第二遥感影像解译内容和第二遥感影像解译内容正确性检验结果计算第二遥感影像解译损失；
若第二遥感影像解译损失不满足预设第二训练条件时，更新初始智能遥感影像解译模型的分类网络中的网络参数；
基于更新后的初始智能遥感影像解译模型的分类网络更新第二遥感影像解译损失，直至第二遥感影像解译损失满足预设第二训练条件后，将当前的初始智能遥感影像解译模型作为人机协同遥感影像解译模型。
作为本发明的一种实施例，获取遥感影像的方式包括卫星航拍和无人机航拍。
作为本发明的一种实施例，根据人机协同遥感影像解译模型对遥感影像进行遥感影像解译，得到遥感影像解译内容，包括如下步骤：
步骤1：将遥感影像输入至人机协同遥感影像解译模型；
步骤2：获取遥感影像中目标物类别的特征信息、遥感影像的分辨率特征信息、遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息和遥感影像中不同目标物的位置分布信息；
步骤3：基于遥感影像的分辨率特征信息与遥感影像中目标物类别的特征信息将遥感影像划分为多个解译区域；
步骤4：通过人机协同遥感影像解译模型对多个解译区域分别进行遥感影像解译，得到多个第一遥感影像解译内容；
步骤5：基于遥感影像中目标物类别的特征信息和遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息，通过人机协同遥感影像解译模型分别对多个第一遥感影像解译内容进行几何结构调整，得到多个第二遥感影像解译内容；
步骤6：将多个第二遥感影像解译内容根据遥感影像中不同目标物的位置分布信息进行遥感影像解译内容融合，得到第三遥感影像解译内容；
步骤7：基于遥感影像的分辨率特征信息和遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息，通过人机协同遥感影像解译模型对第三遥感影像解译内容进行优化补充调整，得到遥感影像解译内容。
作为本发明的一种实施例，优化补充调整包括对第三遥感影像解译内容中的不同目标物的尺寸进行测量以及对第三遥感影像解译内容中不同目标物进行尺寸比例标注和对第三遥感影像解译内容进行中值滤波处理。
作为本发明的一种实施例，一种人机协同的遥感影像智能解译方法还包括：
根据人机协同遥感影像解译模型对遥感影像进行第一遥感影像解译，得到第一遥感影像解译内容，第一遥感影像解译内容包括：若干不同目标物在第一遥感影像解译中的第一坐标信息和若干不同目标物在第一遥感影像解译中的第一位置信息；
根据人机协同遥感影像解译模型对遥感影像进行第二遥感影像解译，得到第二遥感影像解译内容，第二遥感影像解译内容包括：若干不同目标物在第二遥感影像解译内容中的第二坐标信息和若干不同目标物在第二遥感影像解译内容中的第二位置信息；
基于第一遥感影像解译内容和第二遥感影像解译内容计算遥感影像解译内容误差值；
若遥感影像解译内容误差值小于等于预设的遥感影像解译内容误差值时，在第一遥感影像解译内容和第二遥感影像解译内容中任选其一作为最终遥感影像解译内容；
若遥感影像解译内容误差值大于预设的遥感影像解译内容误差值时，根据人机协同遥感影像解译模型对遥感影像进行第三遥感影像解译，得到第三遥感影像解译内容，基于第一遥感影像解译内容和第三遥感影像解译内容或第二遥感影像解译内容和第三遥感影像解译内容重新计算遥感影像解译内容误差值，直至遥感影像解译内容误差值小于等于预设的遥感影像解译内容误差值时，将参与计算遥感影像解译内容误差值小于等于预设的遥感影像解译内容误差值时的遥感影像解译内容误差值中的任一遥感影像解译内容作为最终遥感影像解译内容；
其中，第一坐标信息包括若干不同目标物在第一遥感影像解译内容中形成的图形的顶点坐标个数及对应的顶点坐标；
第二坐标信息包括若干不同目标物在第二遥感影像解译内容中形成的图形的顶点坐标个数及对应的顶点坐标；
第一位置信息包括若干不同目标物在第一遥感影像解译内容中所占据的位置及位置的总数目；
第二位置信息包括若干不同目标物在第二遥感影像解译内容中所占据的位置及位置的总数目；
第一位置信息中位置的总数目等于第二位置信息中位置的总数目。
作为本发明的一种实施例，基于第一遥感影像解译内容和第二遥感影像解译内容计算遥感影像解译内容误差值，包括：
基于第一遥感影像解译内容和第二遥感影像解译内容计算第一遥感影像解译内容和第二遥感影像解译内容中属于同一位置信息上的目标物解译内容的第一相似度，计算公式如下：
Figure BDA0003079424750000061
其中，Pα为第一遥感影像解译内容和第二遥感影像解译内容中第α个位置信息上的目标物解译内容的第一相似度，Cα为预设的第α个位置信息上对应的目标物的类别误差系数，k为第α个位置信息上对应的目标物类别在第一遥感影像解译内容或第二遥感影像解译内容中的个数占第一遥感影像解译内容或第二遥感影像解译内容中总目标物个数的比值，mα为在第一遥感影像解译内容中属于第α个位置信息上的目标物解译内容所形成的图形的顶点坐标个数，(xn，yn)为第n个顶点坐标的坐标，fα为在第二遥感影像解译内容中属于第α个位置信息上的目标物解译内容所形成的图形的顶点坐标个数，(xt，yt)为第t个顶点坐标的坐标；
基于第一遥感影像解译内容和第二遥感影像解译内容中属于同一位置信息上的目标物解译内容的第一相似度，计算遥感影像解译内容误差值，计算公式如下：
Figure BDA0003079424750000071
其中，W为遥感影像解译内容误差值，β为第一位置信息或第二位置信息中位置的总数目。
本发明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，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1为本发明实施例中一种人机协同的遥感影像智能解译方法的方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
请参阅图1，本发明实施例提供了一种人机协同的遥感影像智能解译方法，包括：
S101：训练人机协同遥感影像解译模型；
S102：获取遥感影像；
S103：根据人机协同遥感影像解译模型对遥感影像进行遥感影像解译，得到遥感影像解译内容；
上述技术方案的工作原理和有益效果为：基于人机协同的方式训练人机协同遥感影像解译模型，随机获取一幅遥感影像，根据人机协同遥感影像解译模型对遥感影像进行遥感影像解译，得到遥感影像解译内容，该人机协同遥感影像解译模型的训练方式融合了基于深度学习训练目标模型和生成对抗式神经网络的人机协同训练目标模型的方法，使得在利用该人机协同遥感影像解译模型对遥感影像进行解译时，能对遥感影像进行快速，精准，多目标同时检测的解译。
在一个实施例中，训练人机协同遥感影像解译模型包括如下步骤：
步骤1：获取遥感影像特征信息；
步骤2：合并遥感影像特征信息，得到遥感影像合并特征信息；
步骤3：根据Gan网络中的生成器和遥感影像合并特征信息生成原始遥感影像像素图；
步骤4：根据Gan网络中的判别器判别原始遥感影像像素图的真实性，得到原始遥感影像像素图的判别结果；
步骤5：将原始遥感影像像素图输入至预设的初始遥感影像解译模型的分类网络中进行遥感影像解译，得到初始遥感影像解译内容；
步骤6：基于遥感影像特征信息、原始遥感影像像素图的判别结果和初始遥感影像解译内容训练预设的初始遥感影像解译模型的分类网络，得到初始智能遥感影像解译模型；
步骤7：获取第二遥感影像，将第二遥感影像输入至初始智能遥感影像解译模型中进行遥感影像解译，得到第二遥感影像解译内容；
步骤8：工作人员对第二遥感影像解译内容的正确性进行检验，得到第二遥感影像解译内容正确性检验结果；
步骤9：基于第二遥感影像解译内容和第二遥感影像解译内容正确性检验结果训练初始智能遥感影像解译模型的分类网络，得到人机协同遥感影像解译模型；
上述技术方案的工作原理为：首先，获取遥感影像特征信息，该遥感影像特征信息包括有遥感影像中目标物类别的特征信息、与遥感影像中目标物类别的特征信息对应的分辨率特征信息和遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息，例如在某分辨率的遥感影像中的农田的是绿色的，且在遥感影像中的分布情况是规则的，呈现的几何结构是方形的等，将这些遥感影像特征信息进行合并，得到遥感影像合并特征信息，例如将绿色、分布情况规则、呈现的几何结构为方形等特征信息合并在一起形成一种类别的遥感影像合并特征信息，即遥感影像中农田的特征信息，将这些遥感影像合并特征信息输入至Gan网络中的生成器，Gan网络中的生成器根据这些遥感影像合并特征信息生成对应的原始遥感影像像素图，该原始遥感影像像素图中包含有遥感影像合并特征信息(真实数据)以及Gan网络中的生成器根据遥感影像合并特征信息生成的生成数据，得到原始遥感影像像素图后，将该原始遥感影像像素图输入至Gan网络中的判别器进行真实性判别，该真实性判别优选为判别该原始遥感影像像素图中真实数据占总数据的比例，继而得到原始遥感影像像素图的判别结果，同时将原始遥感影像像素图输入至预设的初始遥感影像解译模型的分类网络中进行遥感影像解译，得到初始遥感影像解译内容，该预设的初始遥感影像解译模型的分类网络优选为初始化后的预解译训练模型的分类网络，根据预设第一训练条件反复生成原始遥感影像像素图、得到原始遥感影像像素图的判别结果和得到初始遥感影像解译内容用于训练预设的遥感影像解译模型的分类网络，直至预设的遥感影像解译模型的分类网络的训练结果满足预设第一训练条件时，得到初始智能遥感影像解译模型，得到初始智能遥感影像解译模型后，随机获取一幅遥感影像，并将该遥感影像输入至初始智能要遥感影像解译模型中进行遥感影像解译，得到第二遥感影像解译内容，将该第二遥感影像内容和该遥感影像输出，由相关工作人员对该遥感影像进行人工解译，并由相关工作人员根据人工解译的遥感影像解译内容对第二遥感影像解译内容中存在差别的解译内容进行检验，最后得到第二遥感影像解译内容正确性检验成果，该第二遥感影像解译内容正确性检验成果中包括有人工解译的遥感影像解译内容对第二遥感影像解译内容中存在差别的解译内容与该存在差别的解译内容分别的遥感影像特征信息，然后根据预设的第二训练条件反复得到第二遥感影像解译内容与第二遥感影像解译内容正确性检验结果用于训练初始智能遥感影像解译模型的分类网络，直至初始智能遥感影像解译模型的分类网络的训练结果满足预设第二训练条件后，得到人机协同遥感影像解译模型，其中，满足预设的第一训练条件优选为预设的遥感影像解译模型的分类网络的训练结果的第一遥感影像解译总损失小于等于预设的第一遥感影像总损失阈值，满足预设第二训练条件优选为初始智能遥感影像解译模型的分类网络的训练结果的第二遥感影像解译损失小于等于预设的第二遥感影像总损失阈值，预设的第一遥感影像总损失阈值和预设的第二遥感影像总损失阈值优选为根据训练解译模型的解译精准度进行设定，即要求训练解译模型的解译精准度越高，则第一遥感影像总损失阈值或预设的第二遥感影像总损失阈值的值越低；
上述技术方案的有益效果为：基于人机协同的方式训练人机协同遥感影像解译模型，该人机协同遥感影像解译模型的训练方式融合了基于深度学习训练目标模型和生成对抗式神经网络的人机协同训练目标模型的方法，使得在利用该人机协同遥感影像解译模型对遥感影像进行解译时，能对遥感影像进行快速，精准，多目标同时检测的解译。
在一个实施例中，获取遥感影像特征信息包括：
获取遥感影像中目标物类别的特征信息、与遥感影像中目标物类别的特征信息对应的分辨率特征信息和遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息；
上述技术方案的工作原理和有益效果为：通过获取多种遥感影像中不同目标物的特征信息，提高解译模型在进行遥感影像解译时的精准度。
在一个实施例中，基于遥感影像特征信息、原始遥感影像像素图的判别结果和初始遥感影像解译内容训练预设的初始遥感影像解译模型的分类网络，得到初始智能遥感影像解译模型，包括：
基于原始遥感影像像素图的判别结果和原始遥感影像像素图中数据的真实性标签计算第一遥感影像判别损失；
基于初始遥感影像解译内容和遥感影像特征信息计算第一遥感影像解译损失；
根据第一遥感影像判别损失和第一遥感影像解译损失，确定第一遥感影像解译总损失；
若第一遥感影像总损失不满足预设第一训练条件时，更新预设的初始遥感影像解译模型的分类网络、Gan网络中的生成器和Gan网络中的判别器中的网络参数；
基于更新后的预设的初始遥感影像解译模型的分类网络、Gan网络中的生成器和Gan网络中的判别器更新遥感影像解译总损失，直至第一遥感影像总损失满足预设第一训练条件后，将当前的预设的初始遥感影像解译模型作为初始智能遥感影像解译模型；
上述技术方案的工作原理和有益效果为：基于原始遥感影像像素图的判别结果与原始遥感影像像素图中数据的真实性标签计算第一遥感影像判别损失，其中第一遥感影像判别损失包括原始遥感影像像素图中生成数据被判别为真的损失，基于初始遥感影像解译内容和遥感影像特征信息计算第一遥感影像解译损失，其中第一遥感影像解译损失包括初始遥感影像解译内容与相对应的遥感影像特征信息不符的损失，例如初始遥感影像解译内容中包括森林的解译信息，可输入的相对于的遥感影像特征信息却为绿色、分布情况规则、呈现的几何结构为方形等农田的特征信息，根据第一遥感影像判别损失和第一遥感影像解译损失，确定第一遥感影像解译总损失，第一遥感影像解译总损失中包括第一遥感影像判别损失和第一遥感影像解译损失，求出第一遥感影像解译总损失后，判断第一遥感影像解译总损失是否满足预设第一训练条件，若第一遥感影像总损失不满足预设第一训练条件时，更新预设的初始遥感影像解译模型的分类网络、Gan网络中的生成器和Gan网络中的判别器中的网络参数，此处的更新指的是重复训练人机协同遥感影像解译模型中的步骤1-步骤6，重新获取遥感影像特征信息、原始遥感影像像素图的判别结果和初始遥感影像解译内容训练预设的初始遥感影像解译模型的分类网络，基于更新后的预设的初始遥感影像解译模型的分类网络、Gan网络中的生成器和Gan网络中的判别器更新遥感影像解译总损失，直至第一遥感影像总损失满足预设第一训练条件后，将当前的预设的初始遥感影像解译模型作为初始智能遥感影像解译模型，通过训练初始智能遥感影像解译模型作为人机协同遥感影像解译模型的初步模型，提高后续人机协同遥感影像解译模型在对遥感影像进行解译时的解译精准度，预设的第一训练条件优选为根据训练初始智能遥感影像解译模型的解译精准度进行设定。
在一个实施例中，基于第二遥感影像解译内容和第二遥感影像解译内容正确性检验结果训练初始智能遥感影像解译模型的分类网络，得到人机协同遥感影像解译模型，包括：
基于第二遥感影像解译内容和第二遥感影像解译内容正确性检验结果计算第二遥感影像解译损失；
若第二遥感影像解译损失不满足预设第二训练条件时，更新初始智能遥感影像解译模型的分类网络中的网络参数；
基于更新后的初始智能遥感影像解译模型的分类网络更新第二遥感影像解译损失，直至第二遥感影像解译损失满足预设第二训练条件后，将当前的初始智能遥感影像解译模型作为人机协同遥感影像解译模型；
上述技术方案的工作原理和有益效果为：基于第二遥感影像解译内容和第二遥感影像解译内容正确性检验结果计算第二遥感影像解译损失，该第二遥感影像解译损失包括第二遥感影像解译内容中解译错误的损失，求出第二遥感影像解译损失后，判断第二遥感影像解译损失是否满足预设的第二训练条件，若第二遥感影像解译损失不满足预设第二训练条件时，更新初始智能遥感影像解译模型的分类网络中的网络参数，此处的更新指的是重复训练人机协同遥感影像解译模型中的步骤7-步骤9，重新获取第二遥感影像解译内容和第二遥感影像解译内容正确性检验结果训练初始智能遥感影像解译模型的分类网络，基于更新后的初始智能遥感影像解译模型的分类网络更新第二遥感影像解译损失，直至第二遥感影像解译损失满足预设第二训练条件后，将当前的初始智能遥感影像解译模型作为人机协同遥感影像解译模型，从而提高了人机协同遥感影像解译模型的解译精准度，其中，预设的第二训练条件优选为根据训练人机协同遥感影像解译模型的解译精准度进行设定；
在一个实施例中，获取遥感影像的方式包括卫星航拍和无人机航拍；
在一个实施例中，根据人机协同遥感影像解译模型对遥感影像进行遥感影像解译，得到遥感影像解译内容，包括如下步骤：
步骤1：将遥感影像输入至人机协同遥感影像解译模型；
步骤2：获取遥感影像中目标物类别的特征信息、遥感影像的分辨率特征信息、遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息和遥感影像中不同目标物的位置分布信息；
步骤3：基于遥感影像的分辨率特征信息与遥感影像中目标物类别的特征信息将遥感影像划分为多个解译区域；
步骤4：通过人机协同遥感影像解译模型对多个解译区域分别进行遥感影像解译，得到多个第一遥感影像解译内容；
步骤5：基于遥感影像中目标物类别的特征信息和遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息，通过人机协同遥感影像解译模型分别对多个第一遥感影像解译内容进行几何结构调整，得到多个第二遥感影像解译内容；
步骤6：将多个第二遥感影像解译内容根据遥感影像中不同目标物的位置分布信息进行遥感影像解译内容融合，得到第三遥感影像解译内容；
步骤7：基于遥感影像的分辨率特征信息和遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息，通过人机协同遥感影像解译模型对第三遥感影像解译内容进行优化补充调整，得到遥感影像解译内容；
上述方案的工作原理为：随机获取一幅遥感影像，将该遥感影像输入至人机协同遥感影像解译模型中，然后获取该遥感影像中目标物类别的特征信息、遥感影像的分辨率特征信息、遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息和遥感影像中不同目标物的位置分布信息，例如某种分辨率下的遥感影像中农田的类别特征信息(如绿色，分布规则等)以及农田在遥感影像中呈现的几何结构特征信息(如方形)和农田在遥感影像中的位置分布信息，然后基于遥感影像的分辨率特征信息与遥感影像中目标物类别的特征信息将遥感影像划分为多个解译区域，每个解译区域中都仅仅只包含了一种目标物，且每个解译区域的范围都是随着该解译区域中目标物的范围而设定的，即在理想情况下，将全部解译区域按照事先获取的遥感影像中不同目标物的位置分布信息进行区域融合能得到一幅与事先获取的遥感影像的大小相符的影像，划分多个解译区域后，通过事先训练的人机协同遥感影像解译模型对多个解译区域分别进行遥感影像解译，分别得出不同解译区域的不同第一遥感影像解译内容，此时的第一遥感影像解译内容形成的范围与之前的解译区域范围可能存在误差，所以人机协同遥感影像解译模型基于遥感影像中目标物类别的特征信息和所述遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息对多个第一遥感影像解译内容的范围进行几何结构调整，使每个第一遥感影像解译内容的范围更符合该第一遥感影像解译内容中所包含的目标物类别的几何结构特征，包括对第一遥感影像解译内容进行图像平滑处理，最终形成多个第二遥感影像解译内容，根据事先获取的感影像中不同目标物的位置分布信息将这多个第二遥感影像解译内容进行遥感影像解译内容融合，即将不同第二遥感影像解译内容根据事先获取的感影像中不同目标物的位置分布信息拼接在一起，形成第三遥感影像解译内容，此时的第三遥感影像解译内容中包括对事先获取的遥感影像中每个目标物的解译内容，但因融合之前分别对第二遥感影像解译内容进行了解译，即第三遥感影像解译内容中有可能会出现重叠偏差等问题和第三遥感影像解译内容中并无实际尺寸，所以人机协同遥感影像解译模型基于遥感影像的分辨率特征信息和所述遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息对第三遥感影像解译内容进行优化补充调整，该优化补充调整包括对第三遥感影像解译内容中的不同目标物的尺寸进行测量以及对第三遥感影像解译内容中不同目标物进行尺寸比例标注和对第三遥感影像解译内容进行中值滤波处理，最终形成遥感影像解译内容；
上述方案的有益效果为：通过人机协同遥感影像解译模型对遥感影像进行解译，有益于对遥感影像进行快速，精准，多目标同时检测的解译。
在一个实施例中，优化补充调整包括对第三遥感影像解译内容中的不同目标物的尺寸进行测量以及对第三遥感影像解译内容中不同目标物进行尺寸比例标注和对第三遥感影像解译内容进行中值滤波处理；
上述技术方案的工作原理和有益效果为：优化补充调整包括对第三遥感影像解译内容中的不同目标物的尺寸进行测量以及对第三遥感影像解译内容中不同目标物进行尺寸比例标注和对第三遥感影像解译内容进行中值滤波处理，提高遥感影像解译内容的精确度和遥感影像解译内容的清晰度。
在一个实施例中，一种人机协同的遥感影像智能解译方法还包括：
根据人机协同遥感影像解译模型对遥感影像进行第一遥感影像解译，得到第一遥感影像解译内容，第一遥感影像解译内容包括：若干不同目标物在第一遥感影像解译中的第一坐标信息和若干不同目标物在第一遥感影像解译中的第一位置信息；
根据人机协同遥感影像解译模型对遥感影像进行第二遥感影像解译，得到第二遥感影像解译内容，第二遥感影像解译内容包括：若干不同目标物在第二遥感影像解译内容中的第二坐标信息和若干不同目标物在第二遥感影像解译内容中的第二位置信息；
基于第一遥感影像解译内容和第二遥感影像解译内容计算遥感影像解译内容误差值；
若遥感影像解译内容误差值小于等于预设的遥感影像解译内容误差值时，在第一遥感影像解译内容和第二遥感影像解译内容中任选其一作为最终遥感影像解译内容；
若遥感影像解译内容误差值大于预设的遥感影像解译内容误差值时，根据人机协同遥感影像解译模型对遥感影像进行第三遥感影像解译，得到第三遥感影像解译内容，基于第一遥感影像解译内容和第三遥感影像解译内容或第二遥感影像解译内容和第三遥感影像解译内容重新计算遥感影像解译内容误差值，直至遥感影像解译内容误差值小于等于预设的遥感影像解译内容误差值时，将参与计算遥感影像解译内容误差值小于等于预设的遥感影像解译内容误差值时的遥感影像解译内容误差值中的任一遥感影像解译内容作为最终遥感影像解译内容；
其中，第一坐标信息包括若干不同目标物在第一遥感影像解译内容中形成的图形的顶点坐标个数及对应的顶点坐标；
第二坐标信息包括若干不同目标物在第二遥感影像解译内容中形成的图形的顶点坐标个数及对应的顶点坐标；
第一位置信息包括若干不同目标物在第一遥感影像解译内容中所占据的位置及位置的总数目；
第二位置信息包括若干不同目标物在第二遥感影像解译内容中所占据的位置及位置的总数目；
第一位置信息中位置的总数目等于第二位置信息中位置的总数目；
上述技术方案的工作原理为：获取一副遥感影像，将该遥感影像第一次输入至人机协同遥感影像解译模型中进行遥感影像解译，得到第一遥感影像解译内容，将该遥感影像第二次输入至人机协同遥感影像解译模型中进行遥感影像解译，得到第二遥感影像解译内容，第一遥感影像解译内容包括：若干不同目标物在第一遥感影像解译中的第一坐标信息和若干不同目标物在第一遥感影像解译中的第一位置信息，第二遥感影像解译内容包括：若干不同目标物在第二遥感影像解译内容中的第二坐标信息和若干不同目标物在第二遥感影像解译内容中的第二位置信息，第一位置信息和第二位置信息的获取方法优选为将第一遥感影像解译内容或第二遥感影像解译内容按目标物的个数划分为多个解译区域(位置)，第一遥感影像解译内容和第二遥感影像解译内容中的解译区域个数相同，且解译区域的位置一一对应，例如将两幅遥感影像解译内容重叠时，若上层遥感影像解译内容中某个解译区域中心点标注的位置信息为α，那么下层遥感影像解译内容中对应的解译区域中心点标注的位置信息必为α，第一坐标信息和第二坐标信息的获取方法优选为获取每个解译区域形成的图形在对应遥感影像解译内容中的坐标信息，例如某个解译区域形成的图形为三角形，那么该解译区域的坐标信息就包括三个顶点坐标，若某个解译区域形成的图形为多边形，那么该解译区域的坐标信息就包括该多边形的边数个顶点坐标，第一遥感影像解译内容和第二遥感影像解译内容的起始点坐标优选为自身遥感影像解译内容的左下角，获取到第一遥感影像解译内容和第二遥感影像解译内容后，基于第一遥感影像解译内容和第二遥感影像解译内容计算遥感影像解译内容误差值，该遥感影像解译内容误差值表示了两幅遥感影像解译内容的细微误差，当遥感影像解译内容误差值小于等于预设的遥感影像解译内容误差值时，在第一遥感影像解译内容和第二遥感影像解译内容中任选其一作为最终遥感影像解译内容，当遥感影像解译内容误差值大于预设的遥感影像解译内容误差值时，表示当前两幅遥感影像解译内容在解译时因未知原因导致存在误差，则根据人机协同遥感影像解译模型对输入的遥感影像进行第三遥感影像解译，得到第三遥感影像解译内容，基于第一遥感影像解译内容和第三遥感影像解译内容或第二遥感影像解译内容和第三遥感影像解译内容重新计算遥感影像解译内容误差值，用于判断哪幅遥感影像解译内容出现了未知误差，从而获取正确的遥感影像解译内容，若重新计算出的两个遥感影像解译内容误差值仍不满足条件的话，则对输入的遥感影像进行第四遥感影像解译，得到第四遥感影像解译内容，并重新计算遥感影像解译内容误差值，直至计算出的遥感影像解译内容误差值小于等于预设的遥感影像解译内容误差值时，将参与计算符合条件的遥感影像解译内容误差值的两幅遥感影像解译内容中的任一副遥感影像解译内容作为最终遥感影像解译内容，通常遥感影像解译内容误差值的重复计算次数不超过2次，若超过两次，则通过预设的报警装置进行报警，提醒用户当前人机协同遥感影像解译模型或遥感影像存在问题；
上述技术方案的有益效果为：通过对遥感影像解译内容进行多次误差分析与检测，有益于提高最终获取的遥感影像解译内容的精确度。
在一个实施例中，基于第一遥感影像解译内容和第二遥感影像解译内容计算遥感影像解译内容误差值，包括：
基于第一遥感影像解译内容和第二遥感影像解译内容计算第一遥感影像解译内容和第二遥感影像解译内容中属于同一位置信息上的目标物解译内容的第一相似度，计算公式如下：
Figure BDA0003079424750000201
其中，Pα为第一遥感影像解译内容和第二遥感影像解译内容中第α个位置信息上的目标物解译内容的第-相似度，Cα为预设的第α个位置信息上对应的目标物的类别误差系数，k为第α个位置信息上对应的目标物类别在第一遥感影像解译内容或第二遥感影像解译内容中的个数占第一遥感影像解译内容或第二遥感影像解译内容中总目标物个数的比值，mα为在第一遥感影像解译内容中属于第α个位置信息上的目标物解译内容所形成的图形的顶点坐标个数，(xn，yn)为第n个顶点坐标的坐标，fα为在第二遥感影像解译内容中属于第α个位置信息上的目标物解译内容所形成的图形的顶点坐标个数，(xt，yt)为第t个顶点坐标的坐标；
基于第一遥感影像解译内容和第二遥感影像解译内容中属于同一位置信息上的目标物解译内容的第一相似度，计算遥感影像解译内容误差值，计算公式如下：
Figure BDA0003079424750000211
其中，W为遥感影像解译内容误差值，β为第一位置信息或第二位置信息中位置的总数目；
上述技术方案的工作原理和有益效果为：首先计算两幅遥感影像解译模型在同一位置信息上的解译内容的相似度，通过对不同位置信息上的解译内容的相似度进行计算，得到遥感影像解译内容误差值，通过单独计算不同位置信息上的解译内容的相似度，有益于提高最后计算遥感影像解译内容误差值的精确度。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种人机协同的遥感影像智能解译方法，其特征在于，包括：
训练人机协同遥感影像解译模型；
获取遥感影像；
根据所述人机协同遥感影像解译模型对所述遥感影像进行遥感影像解译，得到遥感影像解译内容。
2.根据权利要求1所述的一种人机协同的遥感影像智能解译方法，其特征在于，所述训练人机协同遥感影像解译模型包括如下步骤：
步骤1：获取遥感影像特征信息；
步骤2：合并遥感影像特征信息，得到遥感影像合并特征信息；
步骤3：根据Gan网络中的生成器和所述遥感影像合并特征信息生成原始遥感影像像素图；
步骤4：根据Gan网络中的判别器判别所述原始遥感影像像素图的真实性，得到原始遥感影像像素图的判别结果；
步骤5：将所述原始遥感影像像素图输入至预设的初始遥感影像解译模型的分类网络中进行遥感影像解译，得到初始遥感影像解译内容；
步骤6：基于所述遥感影像特征信息、所述原始遥感影像像素图的判别结果和所述初始遥感影像解译内容训练所述预设的初始遥感影像解译模型的分类网络，得到初始智能遥感影像解译模型；
步骤7：获取第二遥感影像，将所述第二遥感影像输入至所述初始智能遥感影像解译模型中进行遥感影像解译，得到第二遥感影像解译内容；
步骤8：工作人员对所述第二遥感影像解译内容的正确性进行检验，得到第二遥感影像解译内容正确性检验结果；
步骤9：基于所述第二遥感影像解译内容和所述第二遥感影像解译内容正确性检验结果训练所述初始智能遥感影像解译模型的分类网络，得到人机协同遥感影像解译模型。
3.根据权利要求2所述的一种人机协同的遥感影像智能解译方法，其特征在于，所述获取遥感影像特征信息包括：
获取遥感影像中目标物类别的特征信息、与所述遥感影像中目标物类别的特征信息对应的分辨率特征信息和遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息。
4.根据权利要2所述的一种人机协同的遥感影像智能解译方法，其特征在于，所述基于所述遥感影像特征信息、所述原始遥感影像像素图的判别结果和所述初始遥感影像解译内容训练所述预设的初始遥感影像解译模型的分类网络，得到初始智能遥感影像解译模型，包括：
基于所述原始遥感影像像素图的判别结果和所述原始遥感影像像素图中数据的真实性标签计算第一遥感影像判别损失；
基于所述初始遥感影像解译内容和所述遥感影像特征信息计算第一遥感影像解译损失；
根据所述第一遥感影像判别损失和所述第一遥感影像解译损失，确定第一遥感影像解译总损失；
若所述第一遥感影像总损失不满足预设第一训练条件时，更新所述预设的初始遥感影像解译模型的分类网络、所述Gan网络中的生成器和所述Gan网络中的判别器中的网络参数；
基于更新后的预设的初始遥感影像解译模型的分类网络、Gan网络中的生成器和Gan网络中的判别器更新所述遥感影像解译总损失，直至所述第一遥感影像总损失满足预设第一训练条件后，将当前的预设的初始遥感影像解译模型作为所述初始智能遥感影像解译模型。
5.根据权利要2所述的一种人机协同的遥感影像智能解译方法，其特征在于，所述基于所述第二遥感影像解译内容和所述第二遥感影像解译内容正确性检验结果训练所述初始智能遥感影像解译模型的分类网络，得到人机协同遥感影像解译模型，包括：
基于所述第二遥感影像解译内容和所述第二遥感影像解译内容正确性检验结果计算第二遥感影像解译损失；
若所述第二遥感影像解译损失不满足预设第二训练条件时，更新所述初始智能遥感影像解译模型的分类网络中的网络参数；
基于更新后的初始智能遥感影像解译模型的分类网络更新所述第二遥感影像解译损失，直至所述第二遥感影像解译损失满足预设第二训练条件后，将当前的初始智能遥感影像解译模型作为人机协同遥感影像解译模型。
6.根据权利要求1所述的一种人机协同的遥感影像智能解译方法，其特征在于，获取遥感影像的方式包括卫星航拍和无人机航拍。
7.根据权利要1所述的一种人机协同的遥感影像智能解译方法，其特征在于，所述根据所述人机协同遥感影像解译模型对所述遥感影像进行遥感影像解译，得到遥感影像解译内容，包括如下步骤：
步骤1：将所述遥感影像输入至所述人机协同遥感影像解译模型；
步骤2：获取遥感影像中目标物类别的特征信息、遥感影像的分辨率特征信息、遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息和遥感影像中不同目标物的位置分布信息；
步骤3：基于所述遥感影像的分辨率特征信息与所述遥感影像中目标物类别的特征信息将所述遥感影像划分为多个解译区域；
步骤4：通过所述人机协同遥感影像解译模型对多个所述解译区域分别进行遥感影像解译，得到多个第一遥感影像解译内容；
步骤5：基于所述遥感影像中目标物类别的特征信息和所述遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息，通过所述人机协同遥感影像解译模型分别对多个所述第一遥感影像解译内容进行几何结构调整，得到多个第二遥感影像解译内容；
步骤6：将多个所述第二遥感影像解译内容根据所述遥感影像中不同目标物的位置分布信息进行遥感影像解译内容融合，得到第三遥感影像解译内容；
步骤7：基于遥感影像的分辨率特征信息和所述遥感影像中不同目标物类别在遥感影像中呈现的几何结构特征信息，通过所述人机协同遥感影像解译模型对所述第三遥感影像解译内容进行优化补充调整，得到遥感影像解译内容。
8.根据权利要7所述的一种人机协同的遥感影像智能解译方法，其特征在于，所述优化补充调整包括对所述第三遥感影像解译内容中的不同目标物的尺寸进行测量以及对所述第三遥感影像解译内容中不同目标物进行尺寸比例标注和对所述第三遥感影像解译内容进行中值滤波处理。
9.根据权利要求1所述的一种人机协同的遥感影像智能解译方法，其特征在于，还包括：
根据所述人机协同遥感影像解译模型对所述遥感影像进行第一遥感影像解译，得到第一遥感影像解译内容，所述第一遥感影像解译内容包括：若干不同目标物在所述第一遥感影像解译中的第一坐标信息和若干不同目标物在所述第一遥感影像解译中的第一位置信息；
根据所述人机协同遥感影像解译模型对所述遥感影像进行第二遥感影像解译，得到第二遥感影像解译内容，所述第二遥感影像解译内容包括：若干不同目标物在所述第二遥感影像解译内容中的第二坐标信息和若干不同目标物在所述第二遥感影像解译内容中的第二位置信息；
基于所述第一遥感影像解译内容和所述第二遥感影像解译内容计算遥感影像解译内容误差值；
若所述遥感影像解译内容误差值小于等于预设的遥感影像解译内容误差值时，在所述第一遥感影像解译内容和所述第二遥感影像解译内容中任选其一作为最终遥感影像解译内容；
若所述遥感影像解译内容误差值大于预设的遥感影像解译内容误差值时，根据所述人机协同遥感影像解译模型对所述遥感影像进行第三遥感影像解译，得到第三遥感影像解译内容，基于所述第一遥感影像解译内容和所述第三遥感影像解译内容或所述第二遥感影像解译内容和所述第三遥感影像解译内容重新计算遥感影像解译内容误差值，直至所述遥感影像解译内容误差值小于等于预设的遥感影像解译内容误差值时，将参与计算所述遥感影像解译内容误差值小于等于预设的遥感影像解译内容误差值时的遥感影像解译内容误差值中的任一遥感影像解译内容作为最终遥感影像解译内容；
其中，所述第一坐标信息包括若干不同目标物在所述第一遥感影像解译内容中形成的图形的顶点坐标个数及对应的顶点坐标；
所述第二坐标信息包括若干不同目标物在所述第二遥感影像解译内容中形成的图形的顶点坐标个数及对应的顶点坐标；
所述第一位置信息包括若干不同目标物在所述第一遥感影像解译内容中所占据的位置及位置的总数目；
所述第二位置信息包括若干不同目标物在所述第二遥感影像解译内容中所占据的位置及位置的总数目；
所述第一位置信息中位置的总数目等于所述第二位置信息中位置的总数目。
10.根据权利要求9所述的一种人机协同的遥感影像智能解译方法，其特征在于，所述基于所述第一遥感影像解译内容和所述第二遥感影像解译内容计算遥感影像解译内容误差值，包括：
基于所述第一遥感影像解译内容和所述第二遥感影像解译内容计算第一遥感影像解译内容和第二遥感影像解译内容中属于同一位置信息上的目标物解译内容的第一相似度，计算公式如下：
Figure FDA0003079424740000061
其中，Pα为第一遥感影像解译内容和第二遥感影像解译内容中第α个位置信息上的目标物解译内容的第一相似度，Cα为预设的第α个位置信息上对应的目标物的类别误差系数，k为第α个位置信息上对应的目标物类别在第一遥感影像解译内容或第二遥感影像解译内容中的个数占第一遥感影像解译内容或第二遥感影像解译内容中总目标物个数的比值，mα为在第一遥感影像解译内容中属于第α个位置信息上的目标物解译内容所形成的图形的顶点坐标个数，(xn，yn)为第n个顶点坐标的坐标，fα为在第二遥感影像解译内容中属于第α个位置信息上的目标物解译内容所形成的图形的顶点坐标个数，(xt，yt)为第t个顶点坐标的坐标；
基于所述第一遥感影像解译内容和第二遥感影像解译内容中属于同一位置信息上的目标物解译内容的第一相似度，计算遥感影像解译内容误差值，计算公式如下：
Figure FDA0003079424740000071
其中，W为遥感影像解译内容误差值，β为第一位置信息或第二位置信息中位置的总数目。
CN202110562263.1A 2021-05-24 2021-05-24 一种人机协同的遥感影像智能解译方法 Active CN113362287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110562263.1A CN113362287B (zh) 2021-05-24 2021-05-24 一种人机协同的遥感影像智能解译方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110562263.1A CN113362287B (zh) 2021-05-24 2021-05-24 一种人机协同的遥感影像智能解译方法

Publications (2)

Publication Number Publication Date
CN113362287A true CN113362287A (zh) 2021-09-07
CN113362287B CN113362287B (zh) 2022-02-01

Family

ID=77527309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110562263.1A Active CN113362287B (zh) 2021-05-24 2021-05-24 一种人机协同的遥感影像智能解译方法

Country Status (1)

Country Link
CN (1) CN113362287B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861798A (zh) * 2022-11-18 2023-03-28 江苏星月测绘科技股份有限公司 一种应用于国土空间监测的遥感大数据解译系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229467A (zh) * 2017-01-23 2018-06-29 北京市商汤科技开发有限公司 解译遥感图像的方法、装置和电子设备
CN109033998A (zh) * 2018-07-04 2018-12-18 北京航空航天大学 基于注意力机制卷积神经网络的遥感影像地物标注方法
CN110210574A (zh) * 2019-06-13 2019-09-06 中国科学院自动化研究所 合成孔径雷达图像解译方法、目标识别装置及设备
CN110490081A (zh) * 2019-07-22 2019-11-22 武汉理工大学 一种基于聚焦权重矩阵与变尺度语义分割神经网络的遥感对象解译方法
CN111160128A (zh) * 2019-12-11 2020-05-15 中国资源卫星应用中心 一种基于对抗神经网络模型的遥感图像处理方法及系统
CN111325184A (zh) * 2020-03-20 2020-06-23 宁夏回族自治区自然资源勘测调查院 一种遥感影像智能解译与变化信息检测方法
CN111784560A (zh) * 2019-04-04 2020-10-16 复旦大学 基于级联残差生成对抗网络的sar和光学图像双向翻译方法
CN111881976A (zh) * 2020-07-27 2020-11-03 盐城郅联空间科技有限公司 一种融合人工智能技术和大数据的多源影像自动解译方法
CN112132149A (zh) * 2020-09-10 2020-12-25 武汉汉达瑞科技有限公司 一种遥感影像语义分割方法及装置
CN112651465A (zh) * 2021-01-13 2021-04-13 北京观微科技有限公司 基于高分辨遥感影像的装备目标解译方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229467A (zh) * 2017-01-23 2018-06-29 北京市商汤科技开发有限公司 解译遥感图像的方法、装置和电子设备
CN109033998A (zh) * 2018-07-04 2018-12-18 北京航空航天大学 基于注意力机制卷积神经网络的遥感影像地物标注方法
CN111784560A (zh) * 2019-04-04 2020-10-16 复旦大学 基于级联残差生成对抗网络的sar和光学图像双向翻译方法
CN110210574A (zh) * 2019-06-13 2019-09-06 中国科学院自动化研究所 合成孔径雷达图像解译方法、目标识别装置及设备
CN110490081A (zh) * 2019-07-22 2019-11-22 武汉理工大学 一种基于聚焦权重矩阵与变尺度语义分割神经网络的遥感对象解译方法
CN111160128A (zh) * 2019-12-11 2020-05-15 中国资源卫星应用中心 一种基于对抗神经网络模型的遥感图像处理方法及系统
CN111325184A (zh) * 2020-03-20 2020-06-23 宁夏回族自治区自然资源勘测调查院 一种遥感影像智能解译与变化信息检测方法
CN111881976A (zh) * 2020-07-27 2020-11-03 盐城郅联空间科技有限公司 一种融合人工智能技术和大数据的多源影像自动解译方法
CN112132149A (zh) * 2020-09-10 2020-12-25 武汉汉达瑞科技有限公司 一种遥感影像语义分割方法及装置
CN112651465A (zh) * 2021-01-13 2021-04-13 北京观微科技有限公司 基于高分辨遥感影像的装备目标解译方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨苗苗 等: ""基于生成对抗网络的高光谱影像解译算法"", 《测绘科学与工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861798A (zh) * 2022-11-18 2023-03-28 江苏星月测绘科技股份有限公司 一种应用于国土空间监测的遥感大数据解译系统及方法

Also Published As

Publication number Publication date
CN113362287B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN111563442B (zh) 基于激光雷达的点云和相机图像数据融合的slam方法及系统
US11055574B2 (en) Feature fusion and dense connection-based method for infrared plane object detection
CN111027547A (zh) 一种针对二维图像中的多尺度多形态目标的自动检测方法
CN105809651B (zh) 基于边缘非相似性对比的图像显著性检测方法
CN107392929B (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN113936198B (zh) 低线束激光雷达与相机融合方法、存储介质及装置
CN105740910A (zh) 一种车辆物件检测方法及装置
JP2016161569A (ja) オブジェクトの３ｄ姿勢およびオブジェクトのランドマーク点の３ｄロケーションを求める方法、およびオブジェクトの３ｄ姿勢およびオブジェクトのランドマークの３ｄロケーションを求めるシステム
CN110222767B (zh) 基于嵌套神经网络和栅格地图的三维点云分类方法
CN112150804B (zh) 一种基于MaskRCNN算法的城市多类型交叉口识别方法
CN114359181B (zh) 一种基于图像和点云的智慧交通目标融合检测方法及系统
CN115546202B (zh) 一种用于无人叉车的托盘检测与定位方法
CN113362287B (zh) 一种人机协同的遥感影像智能解译方法
CN106682575A (zh) Elm算法的人眼点云特征定位
CN104573722A (zh) 基于三维点云的三维人脸种族分类装置和方法
CN111598033B (zh) 货物的定位方法、装置、系统及计算机可读存储介质
Khalid et al. Evaluation the accuracy of oil palm tree detection using deep learning and support vector machine classifiers
CN108388854A (zh) 一种基于改进fast-surf算法的定位方法
CN115588178B (zh) 一种高精地图要素自动化提取的方法
CN109191489B (zh) 一种飞行器着陆标志的检测跟踪方法与系统
Daudt et al. Learning to understand earth observation images with weak and unreliable ground truth
Zhang et al. A YOLOv3-Based Industrial Instrument Classification and Reading Recognition Method
CN109785388A (zh) 一种基于双目摄像头的短距离精确相对定位方法
CN107657262B (zh) 一种计算机自动分类精度评价方法
CN115457130A (zh) 一种基于深度关键点回归的电动汽车充电口检测定位方法

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: 224000 room 209, building 1, R & D building Park, No. 69, Donghuan South Road, Yancheng Economic and Technological Development Zone, Jiangsu Province

Applicant after: JIANGSU XINGYUE SURVEYING AND MAPPING TECHNOLOGY CO.,LTD.

Address before: 224000 floors 9-10, building 23, Hai * building, No. 68, hope Avenue Middle Road, Tinghu District, Yancheng City, Jiangsu Province

Applicant before: JIANGSU XINGYUE SURVEYING AND MAPPING TECHNOLOGY CO.,LTD.

GR01 Patent grant
GR01 Patent grant