CN113486975A - 遥感图像的地物分类方法、装置、设备及存储介质 - Google Patents
遥感图像的地物分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113486975A CN113486975A CN202110839761.6A CN202110839761A CN113486975A CN 113486975 A CN113486975 A CN 113486975A CN 202110839761 A CN202110839761 A CN 202110839761A CN 113486975 A CN113486975 A CN 113486975A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- image
- tone
- ground feature
- 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
Images
Classifications
-
- 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
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种遥感图像的地物分类方法、装置、设备及存储介质,应用于地物识别领域。该方法包括:获取来自遥感卫星的待检测遥感图像,对待检测遥感图像进行色调转换,得到与预设色调一致的第一遥感图像,将第一遥感图像输入到预先训练好的地物分类模型中,得到待检测遥感图像的地物分类结果,该地物分类结果指示待检测遥感图像的地物类别。其中,地物分类模型是采用语义分割网络训练得到的。上述方案可实现对不同色调遥感图像的地物识别,提升了基于语义分割网络构建的地物分类模型的识别精度和泛化能力。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种遥感图像的地物分类方法、装置、设备及存储介质。
背景技术
遥感地物分类即遥感图像语义分割,是像素级别的分类,在面向大范围区域的土地利用、国土资源调查、经济分析、生态环境监测时,相对于人工目视解译,自动化的遥感分析技术能够提高处理效率和成本。
近年来,随着深度学习技术的不断发展,基于深度卷积神经网络的语义分割技术逐渐被应用于遥感图像地物分类,实现对遥感图像较为准确和快速分割。但是,目前的训练模型的识别精度和泛化能力较差。
发明内容
本公开提供一种遥感图像的地物分类方法、装置、设备及存储介质,提高地物分类模型的识别精度和泛化能力。
第一方面,本公开提供一种遥感图像的地物分类方法,应用于地物分类装置,所述地物分类装置与遥感卫星通信连接,该方法包括:
获取来自所述遥感卫星的待检测遥感图像;
对所述待检测遥感图像进行色调转换,得到第一遥感图像,所述第一遥感图像的色调与预设色调一致;
将所述第一遥感图像输入地物分类模型,得到所述待检测遥感图像对应的地物分类结果,所述地物分类结果用于指示所述待检测遥感图像的地物类别;
所述地物分类模型是采用语义分割网络训练得到的,用于对所述预设色调的遥感图像进行地物分类。
在本公开的一个可选实施例中,所述对所述待检测遥感图像进行色调转换,得到第一遥感图像,包括:
将所述待检测图像输入色调匹配模型,得到所述第一遥感图像;所述色调匹配模型是采用语义分割网络训练得到的,用于将所述待检测遥感图像的色调转换为所述预设色调。
在本公开的一个可选实施例中,所述方法还包括:
对所述待检测遥感图像进行预处理,得到第二遥感图像;所述预处理包括辐射校正、正射校正、全色锐化、重采样、灰度值拉伸的至少一项;
对所述第二遥感图像进行灰度归一化处理,得到第三遥感图像。
在本公开的一个可选实施例中,所述对所述待检测遥感图像进行色调转换,得到第一遥感图像,包括:
将所述第三遥感图像输入所述色调匹配模型,得到第四遥感图像;
对所述第四遥感图像进行对比度拉伸,得到所述第一遥感图像。
在本公开的一个可选实施例中,所述色调匹配模型的训练过程,包括:
获取图像样本集合以及初始色调匹配模型,所述图像样本集合包括多组图像样本对,每组图像样本对包括第一图像样本和第二图像样本,所述第一图像样本和所述第二图像样本为相同地理位置、不同色调的遥感图像样本,所述第二图像样本的色调为所述预设色调;
将所述第一图像样本作为所述初始色调匹配模型的输入,将所述第二图像样本作为所述初始色调匹配模型的输出,对所述初始色调匹配模型进行训练;
在损失函数收敛时,得到训练好的所述色调匹配模型。
在本公开的一个可选实施例中,针对所述图像样本集合中的每组图像样本对,所述方法还包括:
对所述第一图像样本进行预处理,得到第三图像样本;
对所述第二图像样本进行预处理以及灰度归一化处理,得到第四图像样本;
相应的,所述将所述第一图像样本作为所述初始色调匹配模型的输入,将所述第二图像样本作为所述初始色调匹配模型的输出,对所述初始色调匹配模型进行训练,包括:
将所述第三图像样本作为所述初始色调匹配模型的输入,将所述第四图像样本作为所述初始色调匹配模型的输出,对所述初始色调匹配模型进行训练。
第二方面,本公开提供一种遥感图像的地物分类装置,包括:
获取模块,用于获取来自遥感卫星的待检测遥感图像;
处理模块,用于对所述待检测遥感图像进行色调转换,得到第一遥感图像,所述第一遥感图像的色调与预设色调一致;
将所述第一遥感图像输入地物分类模型,得到所述待检测遥感图像对应的地物分类结果,所述地物分类结果用于指示所述待检测遥感图像的地物类别;
所述地物分类模型是采用语义分割网络训练得到的,用于对所述预设色调的遥感图像进行地物分类。
在本公开的一个可选实施例中,所述处理模块,具体用于:
将所述待检测图像输入色调匹配模型,得到所述第一遥感图像;所述色调匹配模型是采用语义分割网络训练得到的,用于将所述待检测遥感图像的色调转换为所述预设色调。
在本公开的一个可选实施例中,所述处理模块,还用于:
对所述待检测遥感图像进行预处理,得到第二遥感图像;所述预处理包括辐射校正、正射校正、全色锐化、重采样、灰度值拉伸的至少一项;
对所述第二遥感图像进行灰度归一化处理,得到第三遥感图像。
在本公开的一个可选实施例中,所述处理模块,具体用于:
将所述第三遥感图像输入所述色调匹配模型,得到第四遥感图像;
对所述第四遥感图像进行对比度拉伸,得到所述第一遥感图像。
在本公开的一个可选实施例中,所述获取模块,还用于:
获取图像样本集合以及初始色调匹配模型,所述图像样本集合包括多组图像样本对,每组图像样本对包括第一图像样本和第二图像样本,所述第一图像样本和所述第二图像样本为相同地理位置、不同色调的遥感图像样本,所述第二图像样本的色调为所述预设色调;
所述处理模块,还用于:
将所述第一图像样本作为所述初始色调匹配模型的输入,将所述第二图像样本作为所述初始色调匹配模型的输出,对所述初始色调匹配模型进行训练;
在损失函数收敛时,得到训练好的所述色调匹配模型。
在本公开的一个可选实施例中,针对所述图像样本集合中的每组图像样本对,所述处理模块,还用于:
对所述第一图像样本进行预处理,得到第三图像样本;
对所述第二图像样本进行预处理以及灰度归一化处理,得到第四图像样本;
相应的,将所述第三图像样本作为所述初始色调匹配模型的输入,将所述第四图像样本作为所述初始色调匹配模型的输出,对所述初始色调匹配模型进行训练。
第三方面,本公开提供一种电子设备,该电子设备包括:
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如本公开的第一方面中任一项所述的方法。
第四方面,本公开提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如本公开的第一方面中任一项所述的方法。
第五方面,本公开提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如本公开的第一方面中任一项所述的方法。
本公开实施例提供一种遥感图像的地物分类方法、装置、设备及存储介质,应用于地物识别领域。该方法包括:获取来自遥感卫星的待检测遥感图像,对待检测遥感图像进行色调转换,得到与预设色调一致的第一遥感图像,将第一遥感图像输入到预先训练好的地物分类模型中,得到待检测遥感图像的地物分类结果,该地物分类结果指示待检测遥感图像的地物类别。其中,地物分类模型是采用语义分割网络训练得到的。上述方案可实现对不同色调遥感图像的地物识别,提升了基于语义分割网络构建的地物分类模型的识别精度和泛化能力。
附图说明
图1为本公开实施例提供的遥感图像的地物分类方法的一种场景示意图;
图2为本公开实施例提供的遥感图像的地物分类方法的流程示意图一;
图3为本公开实施例提供的地物分类模型的训练方法的流程示意图;
图4为本公开实施例提供的遥感图像的地物分类方法的流程示意图二;
图5为本公开实施例提供的色调匹配模型的训练方法的流程示意图;
图6为本公开实施例提供的遥感图像的地物分类装置的结构框图;
图7为本公开实施例提供的电子设备的结构框图;
本公开目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本公开实施例的说明书、权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述之外的顺序实施。
应当理解,本文中使用的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本公开实施例的描述中,术语“对应”可表示两者之间具有直接对应或间接对应的关系,也可以表示两者之间具有关联关系,也可以是指示与被指示、配置与被配置等关系。
首先对本公开实施例涉及的专业术语进行简要介绍。
辐射校正,是指对由于外界因素,数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正,消除或改正因辐射误差而引起影像畸变的过程。
其中,辐射误差是指利用传感器观测目标的反射或辐射能量时,所得到的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差值。
需要指出的是,导致遥感图像辐射量失真的因素很多,除了由遥感器灵敏度特性引起的畸变之外,还有视场角、太阳角、地形起伏以及大气吸收、散射等的强烈影响。
几何校正,用于纠正系统和非系统因素引起的几何畸变。遥感图像在成像时,由于成像投影方式、传感器外方位元素变化、传感介质的不均匀、地球曲率、地形起伏、地球旋转等因素的影响,使获得的遥感图像相对于地表目标存在一定的几何形变,图像上的几何图形与该物体在所选定的地图投影中的几何图形产生差异,产生了几何形状或位置的失真。主要表现为位移、旋转、缩放、仿射、弯曲和更高阶的歪曲。
正射纠正,用于消除地形的影响或是相机方位引起的变形等,生成平面正射影像的处理过程。正射校正是几何校正的最高级别,除了进行常规的几何校正外,还要根据数字高程模型(Digital Elevation Mode,DEM)来矫正影像因地形起伏而产生的畸变,会给图像加上高程信息。
全色锐化,使用分辨率较高的全色图像(或栅格波段)与分辨率较低的多波段栅格数据集进行融合,最终生成一个具有全色栅格的高分辨率的多波段栅格数据集。
重采样,是指根据一类象元的信息内插出另一类象元信息的过程。在遥感中,重采样是从高分辨率遥感影像中提取出低分辨率影像的过程。常用的重采样方法有最邻近内插法、双线性内插法和三次卷积法内插。
灰度拉伸,例如百分比拉伸、对数拉伸,是将图像像素的灰度值拉伸到0-255自然场景图像数值空间。
随着遥感技术的快速发展,遥感技术广泛应用于测量、国土、农业、交通、林业、水利、军事等各个行业和领域。近年来,高分辨率多光谱遥感卫星逐渐增多,增加了遥感图像的细节纹理等特征,极大丰富了可获取的地理信息,为未来测绘学科的发展提供数据支撑。
传统的无监督聚类方法和机器学习方法很难充分利用遥感图像的空间特征,无法实现高精度的地物分割。随着深度学习理论的不断发展,尤其是语义分割技术的发展,通过模型训练可实现对遥感图像的准确和快速分割。
然而,受季节、光照、大气条件、传感器等因素的影响,大范围卫星图像间色调差异较大。举例来说,通过高分辨率遥感卫星可获取某一时间(比如夏季)的大范围遥感图像A,也可以获取另一时间(比如冬季)的大范围遥感图像B,遥感图像A和遥感图像B的色调差别较大。通过遥感图像A训练得到的模型,在对遥感图像B进行地物识别时,由于数据色调差异,识别精度将急剧下降。为了提高模型的识别精度,一种解决方案是基于不同色调数据训练模型,这就需要重新制作样本和标签,显著增加了成本。
为了能够在有限的样本标注下,实现对不同色调遥感图像地物识别,本公开实施例提出了基于语义分割网络和色调匹配网络的遥感图像地物分类方法,其主要思路如下:在获取到不同色调的遥感图像后,首先通过构建的色调匹配模型,将遥感图像的色调转换为地物分类模型的训练图像样本所对应的色调,将经过色调处理后的遥感图像输入地物分类模型,得到遥感图像的地物分类结果。上述方案通过构建的色调匹配模型以及地物分类模型,实现对不同色调遥感图像地物识别,减少了针对地物分类模型的标注工作量,提升对遥感图像的地物识别精度和泛化能力。
在介绍本公开实施例提供的技术方案之前,首先对本公开实施例提供的遥感图像的地物分类方法的应用场景进行简要说明。
示例性的,图1为本公开实施例提供的遥感图像的地物分类方法的一种场景示意图,如图1所示,多个遥感卫星和服务器通信连接,服务器通过多个遥感卫星获取高分辨率遥感图像,高分辨率遥感图像通常包含道路、水域、建筑、树木、农作物、车辆、行人等地物类别丰富的细节信息。
一种可选的实施例中,可在服务器上设置地物分类模型,地物分类模型用于对获取的高分辨率遥感图像进行地物分类。
一种可选的实施例中,可在服务器上完成对地物分类模型的训练和更新。
一种可选的实施例中,可在独立于服务器的装置上完成对地物分类模型的训练和更新,并将完成训练或更新的模型参数更新到服务器上。
随着时间的推移,遥感卫星采集的遥感图像色调差异较大,通过预先训练的地物分类模型进行地物识别,由于模型的泛化效果较差,导致识别精度下降。
一种可选的实施例中,可在服务器上配置色调匹配模型,用于对遥感图像进行色调转换。经色调转换后的遥感图像可输入服务器上配置的地物分类模型,进行地物识别。如此一来,可实现对不同色调遥感图像的精准地物识别。
一种可选的实施例中,可在服务器上完成对色调匹配模型的训练和更新。
一种可选的实施例中,可在独立于服务器的装置上完成对色调匹配模型的训练和更新,并将完成训练或更新的模型参数更新到服务器上。
在上述几个实施例的基础上,服务器可实时获取各个遥感卫星采集的高分辨率遥感图像,并基于服务器预配置的地物分类模型和色调匹配模型,或者基于其他装置预配置的地物分类模型和色调匹配模型,实现对高分辨率遥感图像中地物类别的识别,由于增加了色调匹配模型,可实现对不同色调遥感图像的地物识别,提高对遥感图像的地物识别精度和泛化能力。
基于上述应用场景,下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本公开实施例提供的遥感图像的地物分类方法的流程示意图一,本实施例提供的地物分类方法可应用于图1所示的服务器,如图2所示,该方法可以包括:
步骤101、获取来自遥感卫星的待检测遥感图像。
其中,待检测遥感图像来自任意遥感卫星上的图像采集装置或传感器,采集的遥感图像可以是多波段遥感图像,例如RGB(红绿蓝)三波段遥感图像。可选的,遥感图像可以是同一地理位置不同季节、不同光照、不同大气条件的遥感图像。应理解,不同季节、光照或大气环境下的同一地理位置的遥感图像的色调可能不同,对此本实施例不作任何限制。
步骤102、对待检测遥感图像进行色调转换,得到第一遥感图像,第一遥感图像的色调与预设色调一致。
本实施例中,需要将任意色调的待检测遥感图像转换为预设色调的遥感图像,以使步骤103的地物分类模型能够对待检测遥感图像进行精准的地物识别。
具体的,可通过如下三种方式对待检测遥感图像进行色调转换:
一种可选的实施方式中,分别对待检测遥感图像的RGB三波段进行转换。
一种可选的实施方式中,将待检测遥感图像的RGB转换为HSI(色调Hue、饱和度Saturation、亮度Intensity),只对亮度I进行转换。
一种可选的实施方式中,通过色调匹配模型进行遥感图像色调转换,其中色调匹配模型可基于深度学习模型训练得到。
需要说明的是,上述三种色调转换方式仅作为示例,也可以采用其他色调转换方式对待检测遥感图像进行色调转换,得到预设色调的遥感图像,对此本实施例不作任何限制。
步骤103、将第一遥感图像输入地物分类模型,得到待检测遥感图像对应的地物分类结果,地物分类结果用于指示待检测遥感图像的地物类别。
其中,地物分类模型是采用语义分割网络训练得到的,用于对预设色调的遥感图像进行地物分类。
可选的,地物分类模型可采用U-Net、特征金字塔网络(Feature PyramidNetwork,FPN)等语义分割网络训练得到,对此本公开实施例不作任何限制。
在一些实施例中,地物分类模型可采用U-Net网络架构,该模型具体包括一个捕获上下文信息的收缩路径(contracting path)和一个拼接的对称扩展路径(expandingpath)。其中,收缩路径可以看作是一个常规的卷积网络,包括重复的2个3×3卷积层、1个RELU以及1个最大池化层max pooling(步长为2),用来降采样,每次降采样都将特征通道feature channel扩大一倍,从64、128、256、512、1024。每个3×3的卷积核之后跟一个2×2的最大池化层,缩小图像的分辨率。收缩路径也可以看作是一个编码器Encoder。其中,扩展路径包括1个上采样(2×2上卷积),将图像大小扩大一倍,再使用普通的3×3卷积核,再将特征通道数缩小一倍,从1024、512、256、128、64。扩展路径也可以看作是一个解码器Decode。
可选的,地物分类结果除了指示待检测遥感图像的地物类别之外,还可以指示地物类别在待检测遥感图像的具体位置。示例性的,待检测遥感图像包括两种地物类别,分别为建筑和农作物,则通过地物分类模型检测后得到的地物分类结果还包括建筑类别对应的检测框,以及农作物类别对应的检测框。
本实施例提供的遥感图像的地物分类方法,通过获取来自遥感卫星的待检测遥感图像,对待检测遥感图像进行色调转换,得到与预设色调一致的第一遥感图像,将第一遥感图像输入到预先训练好的地物分类模型中,得到待检测遥感图像的地物分类结果,该地物分类结果指示待检测遥感图像的地物类别。其中,地物分类模型是采用语义分割网络训练得到的。上述方案可实现对不同色调遥感图像的地物识别,提升了基于语义分割网络构建的地物分类模型的识别精度和泛化能力。
下面对上述实施例中地物分类模型的训练过程进行详细说明。
示例性的,图3为本公开实施例提供的地物分类模型的训练方法的流程示意图,如图3所示,该训练方法可以包括:
步骤201、获取多个遥感图像样本A。
多个遥感图像样本A可以为同一时期(比如夏季、冬季等)目标区域的遥感图像,该遥感图像作为模型的基础遥感图像。多个遥感图像样本A具有相同的图像色调。多个遥感图像样本A来自遥感卫星上的图像采集装置或传感器,采集的遥感图像样本可以是多波段遥感图像。
步骤202、对每个遥感图像样本A进行预处理,得到处理后的遥感图像样本A1。
其中,预处理包括辐射校正、正射校正、全色锐化、重采样到预设分辨率、灰度拉伸的至少一项,具体可参见上文。经过上述预处理,可得到真彩色遥感图像样本A1。
步骤203、获取对处理后的遥感图像样本A1的标注结果。
其中,标注结果包括遥感图像样本A1的地物分类标签。
可选的,在一些实施例中,标注结果还可以包括地物分类标签对应的位置。
示例性的,地物类别包括水域、建筑、树木、农作物等,地物分类标签可以标签值形式表示,例如0表示水域,1表示建筑,2表示树木,3表示农作物等。在一些实施例中,地物分类标签对应的位置可由标注人员标注的地物分类标签对应的检测框确定。在另一些实施例中,地物分类标签对应的位置可以通过与图像尺寸相同的掩模图确定,掩模图可以看作是一个二进制图,掩模图上每个像素的数值范围在0~1,代表每个像素对应的分类标签的概率。
需要说明的是,本实施例的地物分类模型对遥感图像的分类可以是像素级的分割,地物分类标签也是像素级的。
步骤204、构建初始地物分类模型。
本实施例中,可采用U-Net、特征金字塔网络等语义分割网络构建初始的地物分类模型。
步骤205、将处理后的遥感图像样本A1作为初始地物分类模型的输入,将对处理后的遥感图像样本A1的标注结果作为初始地物分类模型的输出,对初始地物分类模型进行训练。
步骤206、在损失函数收敛时,得到训练好的地物分类模型。
其中,地物分类模型的损失函数可采用均方误差、Huber函数,对此本实施例不作任何限制。
通过上述模型训练过程构建基于语义分割网络的地物分类模型,该模型对与训练图像样本色调一致的遥感图像的识别效果较好。
图4为本公开实施例提供的遥感图像的地物分类方法的流程示意图二。本实施例是在前述实施例提供的技术方案的基础上,通过色调匹配模型实现对待检测遥感图像的色调转换。
如图4所示,本实施例提供的地物分类方法可执行如下步骤:
步骤301、获取来自遥感卫星的待检测遥感图像。
步骤302、将待检测图像输入色调匹配模型,得到第一遥感图像,色调匹配模型是采用语义分割网络训练得到的,用于将待检测遥感图像的色调转换为预设色调。
本实施例中,色调匹配模型的输入图像的色调为任意色调,输出图像的色调为步骤303中地物分类模型可准确识别的预设色调。
可选的,色调匹配模型的模型结构可以与上述实施例中地物分类模型的模型结构相同,即色调匹配模型也可采用U-Net、特征金字塔网络FPN等语义分割网络训练得到,对此本公开实施例不作任何限制。
步骤303、将第一遥感图像输入地物分类模型,得到待检测遥感图像对应的地物分类结果,地物分类结果用于指示待检测遥感图像的地物类别。
本实施例中,第一遥感图像的色调是与地物分类模型预训练时的遥感图像样本的色调一致,即为预设色调。地物分类模型对预设色调的遥感图像的地物识别效果较佳。
在本公开的一个可选实施例中,在将待检测图像输入色调匹配模型之前,还包括如下步骤:
步骤1、对待检测遥感图像进行预处理,得到第二遥感图像。其中,预处理包括辐射校正、正射校正、全色锐化、重采样、灰度值拉伸的至少一项,具体可参见上文。
步骤2、对第二遥感图像进行灰度归一化处理,得到第三遥感图像。其中,灰度归一化处理是将第二遥感图像的各像素灰度值缩放到[0,1]数值范围内。
相应的,上述步骤302,包括:
将第三遥感图像输入色调匹配模型,得到第四遥感图像;对第四遥感图像进行灰度拉伸,得到第一遥感图像。
上述执行步骤主要是对不符合色调匹配模型输入图像要求的遥感图像进行处理,以便色调匹配模型能够快速、准确地进行图像色调的转换。
下面对上述实施例中色调匹配模型的训练过程进行详细说明。
示例性的,图5为本公开实施例提供的色调匹配模型的训练方法的流程示意图,如图5所示,该训练方法可以包括:
步骤401、获取图像样本集合以及初始色调匹配模型,图像样本集合包括多组图像样本对,每组图像样本对包括第一图像样本和第二图像样本。
其中,第一图像样本和第二图像样本为相同地理位置、不同色调的遥感图像样本,第二图像样本的色调为预设色调。由于第一图像样本的色调与预设色调不一致,因此需要将第一图像样本的色调转换为预设色调。在模型训练时,第一图像样本可作为色调转换模型的输入,第二图像样本可作为色调转换模型的输出。
本实施例中,可采用U-Net、特征金字塔网络等语义分割网络构建初始的色调匹配模型。
步骤402、针对图像样本集合中的每组图像样本对,将第一图像样本作为初始色调匹配模型的输入,将第二图像样本作为初始色调匹配模型的输出,对初始色调匹配模型进行训练。
步骤403、在损失函数收敛时,得到训练好的色调匹配模型。
其中,色调匹配模型的损失函数可采用均方误差、Huber函数,对此本实施例不作任何限制。
在本公开的一个可选实施例中,针对图像样本集合中的每组图像样本对,在对初始色调匹配模型进行训练之前,还包括如下步骤:
对第一图像样本进行预处理,得到第三图像样本;
对第二图像样本进行预处理以及灰度归一化处理,得到第四图像样本。
基于第三图像样本和第四图像样本,对初始色调匹配模型进行训练。具体的,将第三图像样本作为初始色调匹配模型的输入,将第四图像样本作为初始色调匹配模型的输出,对初始色调匹配模型进行训练。
其中,预处理过程同前述实施例,包括辐射校正、正射校正、全色锐化、重采样到预设分辨率、灰度拉伸的至少一项。经预处理后的第一图像样本和第二图像样本为真彩色图像样本。
可选的,在一些示例中,在对第一图像样本和第二图像样本进行预处理之前,还包括:对第一图像样本和第二图像样本进行裁剪处理,得到裁剪后的第一图像样本和第二图像样本。裁剪后的第一图像样本和第二图像样本仅保留两个样本的共同区域。相应的,对裁剪后的第一图像样本进行预处理,对裁剪后的第二图像样本进行预处理以及灰度归一化处理。该示例中增加了对图像的裁剪处理,由于模型仅对图像样本的共同区域进行像素分析,因此可提升模型的处理速度。
本实施例提供的遥感图像的地物分类方法,获取来自遥感卫星的待检测遥感图像,首先对待检测遥感图像进行预处理以及灰度归一化处理后,输入预先训练好的色调匹配模型,得到与预设色调一致的第一遥感图像。随后将第一遥感图像输入到预先训练好的地物分类模型中,得到待检测遥感图像的地物分类结果,该地物分类结果指示待检测遥感图像的地物类别。其中,色调匹配模型和地物分类模型均可采用语义分割网络训练得到。
上述方案可实现对不同色调遥感图像的地物识别,提升了基于语义分割网络构建的地物分类模型的识别精度和泛化能力。
本公开实施例可以根据上述方法实施例,对遥感图像的地物分类装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以使用硬件的形式实现,也可以使用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。下面以使用对应各个功能划分各个功能模块为例进行说明。
示例性的,图6为本公开实施例提供的遥感图像的地物分类装置的结构框图。为了便于说明,仅示出了与本公开实施例相关的部分。
如图6所示,本实施例提供的遥感图像的地物分类装置500,包括:获取模块501以及处理模块502。
获取模块501,用于获取来自遥感卫星的待检测遥感图像;
处理模块502,用于对所述待检测遥感图像进行色调转换,得到第一遥感图像,所述第一遥感图像的色调与预设色调一致;
将所述第一遥感图像输入地物分类模型,得到所述待检测遥感图像对应的地物分类结果,所述地物分类结果用于指示所述待检测遥感图像的地物类别;
所述地物分类模型是采用语义分割网络训练得到的,用于对所述预设色调的遥感图像进行地物分类。
在本公开的一个可选实施例中,所述处理模块502,具体用于:
将所述待检测图像输入色调匹配模型,得到所述第一遥感图像;所述色调匹配模型是采用语义分割网络训练得到的,用于将所述待检测遥感图像的色调转换为所述预设色调。
在本公开的一个可选实施例中,所述处理模块502,还用于:
对所述待检测遥感图像进行预处理,得到第二遥感图像;所述预处理包括辐射校正、正射校正、全色锐化、重采样、灰度值拉伸的至少一项;
对所述第二遥感图像进行灰度归一化处理,得到第三遥感图像。
在本公开的一个可选实施例中,所述处理模块502,具体用于:
将所述第三遥感图像输入所述色调匹配模型,得到第四遥感图像;
对所述第四遥感图像进行对比度拉伸,得到所述第一遥感图像。
在本公开的一个可选实施例中,所述获取模块501,还用于:
获取图像样本集合以及初始色调匹配模型,所述图像样本集合包括多组图像样本对,每组图像样本对包括第一图像样本和第二图像样本,所述第一图像样本和所述第二图像样本为相同地理位置、不同色调的遥感图像样本,所述第二图像样本的色调为所述预设色调;
所述处理模块502,还用于:
将所述第一图像样本作为所述初始色调匹配模型的输入,将所述第二图像样本作为所述初始色调匹配模型的输出,对所述初始色调匹配模型进行训练;
在损失函数收敛时,得到训练好的所述色调匹配模型。
在本公开的一个可选实施例中,针对所述图像样本集合中的每组图像样本对,所述处理模块502,还用于:
对所述第一图像样本进行预处理,得到第三图像样本;
对所述第二图像样本进行预处理以及灰度归一化处理,得到第四图像样本;
相应的,将所述第三图像样本作为所述初始色调匹配模型的输入,将所述第四图像样本作为所述初始色调匹配模型的输出,对所述初始色调匹配模型进行训练。
本公开实施例提供的遥感图像的地物分类装置,用于执行前述任一方法实施例提供的技术方案,其实现原理和技术效果类似,在此不再赘述。
图7为本公开实施例提供的电子设备的结构框图。如图7所示,本实施例的电子设备600可以包括:
至少一个处理器601(图7中仅示出了一个处理器);以及
与所述至少一个处理器通信连接的存储器602;其中,
所述存储器602存储有可被所述至少一个处理器601执行的计算机程序,所述计算机程序被所述至少一个处理器601执行,以使电子设备600能够执行前述任一方法实施例中第一设备的技术方案。
可选的,存储器602既可以是独立的,也可以跟处理器601集成在一起。
当存储器602是独立于处理器601之外的器件时,电子设备600还包括:总线603,用于连接存储器602和处理器601。
本公开实施例提供的电子设备可以执行前述任一方法实施例提供的技术方案,其实现原理和技术效果类似,在此不再赘述。
本公开实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被处理器执行时用于实现前述任一方法实施例提供的技术方案。
本公开实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现前述任一方法实施例提供的技术方案。
本公开实施例还提供了一种芯片,包括:处理模块与通信接口,该处理模块能执行前述任一方法实施例提供的技术方案。
进一步地,该芯片还包括存储模块(如,存储器),存储模块用于存储指令,处理模块用于执行存储模块存储的指令,并且对存储模块中存储的指令的执行使得处理模块执行前述任一方法实施例提供的技术方案。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本公开附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称:ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备中。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (10)
1.一种遥感图像的地物分类方法,应用于地物分类装置,所述地物分类装置与遥感卫星通信连接,其特征在于,所述方法包括:
获取来自所述遥感卫星的待检测遥感图像;
对所述待检测遥感图像进行色调转换,得到第一遥感图像,所述第一遥感图像的色调与预设色调一致;
将所述第一遥感图像输入地物分类模型,得到所述待检测遥感图像对应的地物分类结果,所述地物分类结果用于指示所述待检测遥感图像的地物类别;所述地物分类模型是采用语义分割网络训练得到的,用于对所述预设色调的遥感图像进行地物分类。
2.根据权利要求1所述的方法,其特征在于,所述对所述待检测遥感图像进行色调转换,得到第一遥感图像,包括:
将所述待检测图像输入色调匹配模型,得到所述第一遥感图像;所述色调匹配模型是采用语义分割网络训练得到的,用于将所述待检测遥感图像的色调转换为所述预设色调。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
对所述待检测遥感图像进行预处理,得到第二遥感图像;所述预处理包括辐射校正、正射校正、全色锐化、重采样、灰度值拉伸的至少一项;
对所述第二遥感图像进行灰度归一化处理,得到第三遥感图像。
4.根据权利要求3所述的方法,其特征在于,所述对所述待检测遥感图像进行色调转换,得到第一遥感图像,包括:
将所述第三遥感图像输入所述色调匹配模型,得到第四遥感图像;
对所述第四遥感图像进行对比度拉伸,得到所述第一遥感图像。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述色调匹配模型的训练过程,包括:
获取图像样本集合以及初始色调匹配模型,所述图像样本集合包括多组图像样本对,每组图像样本对包括第一图像样本和第二图像样本,所述第一图像样本和所述第二图像样本为相同地理位置、不同色调的遥感图像样本,所述第二图像样本的色调为所述预设色调;
将所述第一图像样本作为所述初始色调匹配模型的输入,将所述第二图像样本作为所述初始色调匹配模型的输出,对所述初始色调匹配模型进行训练;
在损失函数收敛时,得到训练好的所述色调匹配模型。
6.根据权利要求5所述的方法,其特征在于,针对所述图像样本集合中的每组图像样本对,所述方法还包括:
对所述第一图像样本进行预处理,得到第三图像样本;
对所述第二图像样本进行预处理以及灰度归一化处理,得到第四图像样本;
相应的,所述将所述第一图像样本作为所述初始色调匹配模型的输入,将所述第二图像样本作为所述初始色调匹配模型的输出,对所述初始色调匹配模型进行训练,包括:
将所述第三图像样本作为所述初始色调匹配模型的输入,将所述第四图像样本作为所述初始色调匹配模型的输出,对所述初始色调匹配模型进行训练。
7.一种遥感图像的地物分类装置,其特征在于,包括:
获取模块,用于获取来自遥感卫星的待检测遥感图像;
处理模块,用于对所述待检测遥感图像进行色调转换,得到第一遥感图像,所述第一遥感图像的色调与预设色调一致;
将所述第一遥感图像输入地物分类模型,得到所述待检测遥感图像对应的地物分类结果,所述地物分类结果用于指示所述待检测遥感图像的地物类别;
所述地物分类模型是采用语义分割网络训练得到的,用于对所述预设色调的遥感图像进行地物分类。
8.一种电子设备,其特征在于,所述电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求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,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
10.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839761.6A CN113486975A (zh) | 2021-07-23 | 2021-07-23 | 遥感图像的地物分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839761.6A CN113486975A (zh) | 2021-07-23 | 2021-07-23 | 遥感图像的地物分类方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486975A true CN113486975A (zh) | 2021-10-08 |
Family
ID=77943449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110839761.6A Pending CN113486975A (zh) | 2021-07-23 | 2021-07-23 | 遥感图像的地物分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486975A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869262A (zh) * | 2021-10-11 | 2021-12-31 | 中科三清科技有限公司 | 一种基于Unet模型的目标区域用地信息的预测方法和装置 |
CN114550009A (zh) * | 2022-04-01 | 2022-05-27 | 中国科学院空天信息创新研究院 | 星载遥感图像的轻量化目标检测方法、装置、设备及介质 |
CN115115552A (zh) * | 2022-08-25 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 图像矫正模型训练及图像矫正方法、装置和计算机设备 |
CN115187609A (zh) * | 2022-09-14 | 2022-10-14 | 合肥安杰特光电科技有限公司 | 一种大米黄粒检测方法和系统 |
-
2021
- 2021-07-23 CN CN202110839761.6A patent/CN113486975A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869262A (zh) * | 2021-10-11 | 2021-12-31 | 中科三清科技有限公司 | 一种基于Unet模型的目标区域用地信息的预测方法和装置 |
CN114550009A (zh) * | 2022-04-01 | 2022-05-27 | 中国科学院空天信息创新研究院 | 星载遥感图像的轻量化目标检测方法、装置、设备及介质 |
CN115115552A (zh) * | 2022-08-25 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 图像矫正模型训练及图像矫正方法、装置和计算机设备 |
CN115115552B (zh) * | 2022-08-25 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 图像矫正模型训练及图像矫正方法、装置和计算机设备 |
CN115187609A (zh) * | 2022-09-14 | 2022-10-14 | 合肥安杰特光电科技有限公司 | 一种大米黄粒检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767801B (zh) | 一种基于深度学习的遥感影像水域自动提取方法及系统 | |
CN113486975A (zh) | 遥感图像的地物分类方法、装置、设备及存储介质 | |
KR100678395B1 (ko) | 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법 | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN111144250B (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
CN112131946A (zh) | 光学遥感影像植被和水体信息自动提取方法 | |
CN112285710A (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
CN110569797A (zh) | 地球静止轨道卫星影像山火检测方法、系统及其存储介质 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN113723319A (zh) | 一种基于风云卫星数据的水稻种植分布提取方法 | |
CN115527119A (zh) | 一种基于深度学习的农作物遥感图像语义分割方法 | |
CN114266947A (zh) | 一种基于激光点云和可见光图像融合的分类方法及装置 | |
CN117456367A (zh) | 一种农作物种植区域识别方法、装置、设备及存储介质 | |
CN117557897A (zh) | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 | |
CN117058557A (zh) | 基于物理特征与深度学习模型的云和云阴影联合检测方法 | |
CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
Sakieh et al. | An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region | |
CN116385894A (zh) | 基于遥感图像的海岸线识别方法、装置以及设备 | |
CN113627292B (zh) | 基于融合网络的遥感图像识别方法及装置 | |
CN116129278A (zh) | 一种基于遥感影像的土地利用分类识别系统 | |
CN116030324A (zh) | 一种基于光谱特征与空间特征融合的目标检测方法 | |
CN116310499A (zh) | 一种光学遥感影像的船只偏航检测方法 | |
CN113096129B (zh) | 高光谱卫星影像中的云量检测方法和装置 | |
CN114463642A (zh) | 一种基于深度学习的耕地地块提取方法 |
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 |