CN113487638A - 高精度语义分割算法U2-net的地物边缘检测方法 - Google Patents
高精度语义分割算法U2-net的地物边缘检测方法 Download PDFInfo
- Publication number
- CN113487638A CN113487638A CN202110763214.4A CN202110763214A CN113487638A CN 113487638 A CN113487638 A CN 113487638A CN 202110763214 A CN202110763214 A CN 202110763214A CN 113487638 A CN113487638 A CN 113487638A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- training
- semantic segmentation
- edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000011218 segmentation Effects 0.000 title claims abstract description 20
- 238000003708 edge detection Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000010008 shearing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 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
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高精度语义分割算法U2‑net的地物边缘检测方法，涉及图像处理技术领域，包括如下步骤：生成获取模型训练的初始影像及l abe l图像，对影像和图像进行剪切增强处理后按照比例将数据集分为训练集和校验集；利用获取的校验集对已训练好的模型进行测试，确定最优模型；选择待检测的遥感影像及获得的最优模型，对影像进行忽略边缘预测，得到对应的地物边缘预测栅格图或道路预测栅格图；将获得的栅格图进行二值化，最终得到目标要素的矢量图。本发明显著地提高了地物提取的作业效率，同时提高了地物提取的精度，更好地刻画了目标地物的边缘轮廓线条，对于线条型的道路提取更加适用，相交于其他机器学习准确率更高。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于高精度语义分割算法U2-net的地物边缘检测方法。
背景技术
21世纪人类开始全面进入了信息时代，信息技术突飞猛进，物联网、大数据、数字孪生、人工智能等全新的信息化概念开始实施，并深入影响到人类生活中的各个领域。而传统地图产品的现世性已经越来越不能满足现代形势的发展需要，传统地图更新中地物提取主要是利用遥感影像进行人工解译，该方法满足不了城市规划、建设和管理快速变化的需要。GIS电子地图是各种专业地理信息系统的基础载体，它广泛服务于政府宏观管理、科学研究、规划、预测、大众传媒、公安消防、邮电通讯、城市导航、物流配送等各个领域，在城市信息化的道路上起着举足轻重的作用。因此地图要素的更新必须提供实时的、快捷的、简单的更新方法，否则就失去了地图的现实性的要求。传统电子地图更新主要有两种方法，一种是目视解译，其效率低，解译判读存在一定程度的主观性；另一种是计算机解译，主要是利用机器学习方法对影像中的目标物进行分类提取，该方法预测速度快，但提取精度上仍存在较大的提升空间。
遥感影像的传统解译，工期长，效率低，而以往计算机解译在解译精度上仍有提升空间。对此，我们以深度学习中高精度语义分割算法U-2net为模型的核心结构，以数据增强后影像为训练集，对已有的遥感影像数据进行模型训练，之后用训练好的模型对需要进行解译的遥感影像进行解译，最终得到目标地物的矢量图。该法与前两种解译相比，具有效率高，耗时短，精度高的特点。
发明内容
本发明的目的是为了解决现有技术中存在人工成本大，人工采集企业的所属行业、主营业务存在低效、以偏概全的缺点，而提出的一种基于高精度语义分割算法U-2net的地物边缘检测方法。以深度学习中高精度语义分割算法U-2net为模型的核心结构，以数据增强后影像为训练集，对已有的遥感影像数据进行模型训练，之后用训练好的模型对需要进行解译的遥感影像进行解译，最终得到目标地物的矢量图。该法与前两种解译相比，具有效率高，耗时短，精度高的特点。
为了实现上述目的，本发明采用了如下技术方案：
设计一种基于高精度语义分割算法U2-net的地物边缘检测方法，包括如下步骤：
S1、根据模型训练需求确定掩膜的面积大小及位置范围，构建掩膜后利用其裁剪遥感影像及对应的label图像，然后生成用来进行模型训练的初始影像及label图像；
S2、对S1中生成的初始影像及label图像进行剪切增强处理，之后按照设定比例数据集分为训练集和校验集；
S3、根据S2中获取的训练集，设定模型训练参数,进行模型训练，获得模型文件；
S4、利用S2中获取的校验集对S3中已训练好的模型进行测试，观察模型的准确率；
a、当模型准确率符合生产要求时则为最优模型；
b、否则挑选增加更契合待检测影像的数据更新S2中的训练集，同时调整模型训练参数进行与S3中相同的模型训练以优化模型，最终确定最优模型；
S5、选择待检测的遥感影像及S4中获得的最优模型，对影像进行忽略边缘预测，从而得到对应的地物边缘预测栅格图或道路预测栅格图；
S6、将S5中获得的栅格图进行二值化，进而将其矢量化并去除背景矢量元素，最终得到目标要素的矢量图。
进一步的，所述S1中，剪切增强处理的方法，具体包括如下步骤：
S21、初始化模型训练环境，设定单位平方公里内裁切数目，对初始遥感影像及对应label图像进行随机裁剪；
S22、对S21中裁剪后的数据集进行几何增强，使训练数据集得到扩充。
进一步的，所述S2中，训练集和校验集设定比例为4:1。
进一步的，所述S3中，设定模型训练参数包括最大训练轮数、每次训练图像数、学习率。
进一步的，所述S3中，模型训练的方法，具体包括如下步骤：
S31、设定模型训练最大训练轮数、每次训练图像数和学习率的参数，根据训练数据集构建模型训练所需的生成器；
S32、选择作为主体网络结构，然后开始模型训练并周期性保存训练后的模型文件。
进一步，在进行模型训练时，当需要进行边缘检测的影像与训练集在特征上的分布不一致时，可以通过增加与待检测影像特征一致的新数据集对模型进行增量训练。
本发明提出的一种基于高精度语义分割算法U2-net的地物边缘检测方法，有益效果在于：
一、本发明基于高精度语义分割算法U2-net的地物边缘检测显著地提高了地物提取的作业效率，其作业速度几十倍于传统人工解译；同时提高了地物提取的精度，更好地刻画了目标地物的边缘轮廓线条，对于线条型的道路提取更加适用，相交于其他机器学习准确率更高。
二、本发明使用高精度语义分割算法U2-net，可从遥感影像中自动提取所需要的目标地物，同时该法提取的地物边缘更平滑，更贴合目标地物，因此解译更有效，也更准确。
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是本发明的基于高精度语义分割算法U2-net的地物边缘检测的流程框图；
图2是本发明的实施例中影像图；
图3是本发明的实施例中影像图中建筑物预测label图；
图4是本发明的实施例中预测label矢量化后影像迭加图部分区域。
具体实施方式
下面结合具体实施例，进一步阐述本发明。这些实施例仅用于说明本发明而不用于限制本发明的范围。
现结合说明书附图1-4，详细说明本发明的结构特点。
一种基于高精度语义分割算法U2-net的地物边缘检测方法，包括如下步骤：
步骤一、生成获取模型训练的初始影像及label图像：根据模型训练需求确定掩膜的面积大小及位置范围，构建掩膜后利用其裁剪遥感影像及对应的label图像，然后生成用来进行模型训练的初始影像及label图像。
步骤二、剪切增强处理：(1)初始化模型训练环境，设定单位平方公里内裁切数目，对初始遥感影像及对应label图像进行随机裁剪；(2)对裁剪后的数据集进行几何增强，使训练数据集得到扩充，之后根据4:1比例分配原则将数据集分为训练集和校验集；
步骤三、模型训练：(1)设定模型训练参数最大训练轮数为40、每次训练图像数为6、初始学习率为0.001，根据训练数据集构建模型训练所需的生成器；(2)选择作为主体网络结构，然后开始模型训练并周期性保存训练后的模型文件；(3)当需要进行边缘检测的影像与训练集在特征上的分布不一致时，可以通过增加与待检测影像特征一致的新数据集对模型进行增量训练，从而使原有模型具有更好的预测能力，更适合需要进行预测的影像数据；
步骤四、模型评价：利用校验集对已训练好的模型进行测试，观察模型的准确率，当模型准确率符合生产要求时则将其应用到生产中去，否则挑选增加更契合待检测影像的数据更新训练集，同时调整模型训练参数对模型进行再次训练以优化模型，最终确定最优模型；
步骤五、选择待检测的遥感影像及最优模型，对影像进行忽略边缘预测，从而得到对应的地物边缘预测栅格图或道路预测栅格图；
步骤六、将所得栅格图进行二值化，进而将其矢量化并去除背景矢量元素，最终得到目标要素的矢量图。
本发明的基于高精度语义分割算法U2-net的地物边缘检测显著地提高了地物提取的作业效率，其作业速度几十倍于传统人工解译；同时提高了地物提取的精度，更好地刻画了目标地物的边缘轮廓线条，对于线条型的道路提取更加适用，相交于其他机器学习准确率更高。可从遥感影像中自动提取所需要的目标地物，同时该法提取的地物边缘更平滑，更贴合目标地物，因此解译更有效，也更准确。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种高精度语义分割算法U2-net的地物边缘检测方法，其特征在于，包括如下步骤：
S1、根据模型训练需求确定掩膜的面积大小及位置范围，构建掩膜后利用其裁剪遥感影像及对应的label图像，然后生成用来进行模型训练的初始影像及label图像；
S2、对S1中生成的初始影像及label图像进行剪切增强处理，之后按照设定比例数据集分为训练集和校验集；
S3、根据S2中获取的训练集，设定模型训练参数，进行模型训练，获得模型文件；
S4、利用S2中获取的校验集对S3中已训练好的模型进行测试，观察模型的准确率；
a、当模型准确率符合生产要求时则为最优模型；
b、否则挑选增加更契合待检测影像的数据更新S2中的训练集，同时调整模型训练参数进行与S3中相同的模型训练以优化模型，最终确定最优模型；
S5、选择待检测的遥感影像及S4中获得的最优模型，对影像进行忽略边缘预测，从而得到对应的地物边缘预测栅格图或道路预测栅格图；
S6、将S5中获得的栅格图进行二值化，进而将其矢量化并去除背景矢量元素，最终得到目标要素的矢量图。
2.根据权利要求1所述的高精度语义分割算法U2-net的地物边缘检测方法，其特征在于，所述S1中，剪切增强处理的方法，具体包括如下步骤：
S21、初始化模型训练环境，设定单位平方公里内裁切数目，对初始遥感影像及对应label图像进行随机裁剪；
S22、对S21中裁剪后的数据集进行几何增强，使训练数据集得到扩充。
3.根据权利要求1所述的高精度语义分割算法U2-net的地物边缘检测方法，其特征在于，所述S2中，训练集和校验集设定比例为4:1。
4.根据权利要求1所述的高精度语义分割算法U2-net的地物边缘检测方法，其特征在于，所述S3中，设定模型训练参数包括最大训练轮数，每次训练图像数，初始学习率。
5.根据权利要求4所述的高精度语义分割算法U2-net的地物边缘检测方法，其特征在于，所述S3中，模型训练的方法，具体包括如下步骤：
S31、设定模型训练最大训练轮数、每次训练图像数和学习率的参数，根据训练数据集构建模型训练所需的生成器；
S32、选择作为主体网络结构，然后开始模型训练并周期性保存训练后的模型文件。
6.根据权利要求1或5所述的高精度语义分割算法U2-net的地物边缘检测方法，其特征在于，在进行模型训练时，当需要进行边缘检测的影像与训练集在特征上的分布不一致时，可以通过增加与待检测影像特征一致的新数据集对模型进行增量训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110763214.4A CN113487638A (zh) | 2021-07-06 | 2021-07-06 | 高精度语义分割算法U2-net的地物边缘检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110763214.4A CN113487638A (zh) | 2021-07-06 | 2021-07-06 | 高精度语义分割算法U2-net的地物边缘检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113487638A true CN113487638A (zh) | 2021-10-08 |
Family
ID=77940699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110763214.4A Pending CN113487638A (zh) | 2021-07-06 | 2021-07-06 | 高精度语义分割算法U2-net的地物边缘检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113487638A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114463637A (zh) * | 2022-02-07 | 2022-05-10 | 中国科学院空天信息创新研究院 | 一种基于深度学习的冬小麦遥感识别分析方法和系统 |
| CN115218798A (zh) * | 2022-09-20 | 2022-10-21 | 西安中科慧远视觉技术有限公司 | 测量板材孔和/或槽尺寸的光学测量系统、方法及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190135616A (ko) * | 2018-05-29 | 2019-12-09 | 한국과학기술원 | 뉴럴 네트워크를 이용한 희소 뷰 전산단층 촬영 영상 처리 방법 및 그 장치 |
| CN111242028A (zh) * | 2020-01-13 | 2020-06-05 | 北京工业大学 | 基于U-Net的遥感图像地物分割方法 |
| US10674972B1 (en) * | 2018-10-03 | 2020-06-09 | ADANI Systems, Inc. | Object detection in full-height human X-ray images |
| CN111325076A (zh) * | 2018-12-17 | 2020-06-23 | 北京华航无线电测量研究所 | 一种基于U-net与Seg-net网络融合的航空地面建筑物提取方法 |
| CN112084872A (zh) * | 2020-08-10 | 2020-12-15 | 浙江工业大学 | 一种融合语义分割与边缘的高分遥感目标精准检测方法 |
-
2021
- 2021-07-06 CN CN202110763214.4A patent/CN113487638A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190135616A (ko) * | 2018-05-29 | 2019-12-09 | 한국과학기술원 | 뉴럴 네트워크를 이용한 희소 뷰 전산단층 촬영 영상 처리 방법 및 그 장치 |
| US10674972B1 (en) * | 2018-10-03 | 2020-06-09 | ADANI Systems, Inc. | Object detection in full-height human X-ray images |
| CN111325076A (zh) * | 2018-12-17 | 2020-06-23 | 北京华航无线电测量研究所 | 一种基于U-net与Seg-net网络融合的航空地面建筑物提取方法 |
| CN111242028A (zh) * | 2020-01-13 | 2020-06-05 | 北京工业大学 | 基于U-Net的遥感图像地物分割方法 |
| CN112084872A (zh) * | 2020-08-10 | 2020-12-15 | 浙江工业大学 | 一种融合语义分割与边缘的高分遥感目标精准检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| XUEBIN QIN等: "U2-Net: Going deeper with nested U-structure for salient object detection", 《PATTERN RECOGNITION》 * |
| 王振庆等: "IEU-Net 高分辨率遥感影像房屋建筑物提取", 《遥感学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114463637A (zh) * | 2022-02-07 | 2022-05-10 | 中国科学院空天信息创新研究院 | 一种基于深度学习的冬小麦遥感识别分析方法和系统 |
| CN115218798A (zh) * | 2022-09-20 | 2022-10-21 | 西安中科慧远视觉技术有限公司 | 测量板材孔和/或槽尺寸的光学测量系统、方法及介质 |
| CN115218798B (zh) * | 2022-09-20 | 2022-12-09 | 西安中科慧远视觉技术有限公司 | 测量板材孔和/或槽尺寸的光学测量系统、方法及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135351B (zh) | 基于城市建筑空间数据的建成区边界识别方法及设备 | |
| CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
| CN104462190B (zh) | 一种基于海量空间轨迹挖掘的在线的位置预测方法 | |
| CN112598796B (zh) | 基于广义点云的三维建筑信息模型构建与自动更新的方法 | |
| CN112733781B (zh) | 结合poi数据的城市功能区识别方法、存储介质和电子设备 | |
| CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
| CN113487638A (zh) | 高精度语义分割算法U2-net的地物边缘检测方法 | |
| CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
| CN107392252A (zh) | 计算机深度学习图像特征并量化感知度的方法 | |
| Meng et al. | Automatic classification of rural building characteristics using deep learning methods on oblique photography | |
| CN113807301B (zh) | 一种新增建设用地自动提取方法及自动提取系统 | |
| CN113724279B (zh) | 路网自动划分交通小区的系统、方法、设备及存储介质 | |
| CN116595121B (zh) | 一种基于遥感技术数据显示监测系统 | |
| CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
| Li et al. | Exploring multiple crowdsourced data to learn deep convolutional neural networks for road extraction | |
| CN116152494A (zh) | 基于两阶段3d点云语义分割的建筑物脚点识别分割方法 | |
| CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| CN117078925A (zh) | 一种基于RDSA-DeepLabV3+网络的建筑垃圾年产量精算方法 | |
| CN104951752A (zh) | 一种从机载激光点云数据提取房屋的方法 | |
| CN114155447B (zh) | 人工智能大数据采集系统 | |
| Liu et al. | Road density analysis based on skeleton partitioning for road generalization | |
| CN114913158A (zh) | 一种水文地质岩体裂隙及裂隙渗水检测方法及系统 | |
| CN116843891A (zh) | 图形轮廓检测方法、装置、存储介质、设备及程序产品 | |
| CN104504409A (zh) | 一种基于全局字典特征的古代壁画病害标识方法 | |
| Li et al. | Research on Intelligent Recognition of Violation Based on Big Data of Urban Construction |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |
|
| RJ01 | Rejection of invention patent application after publication |