CN113516059B - 固体废弃物的识别方法、装置、电子设备及存储介质 - Google Patents
固体废弃物的识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113516059B CN113516059B CN202110695615.0A CN202110695615A CN113516059B CN 113516059 B CN113516059 B CN 113516059B CN 202110695615 A CN202110695615 A CN 202110695615A CN 113516059 B CN113516059 B CN 113516059B
- Authority
- CN
- China
- Prior art keywords
- solid waste
- image
- index
- remote sensing
- aerial vehicle
- 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.)
- Active
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种固体废弃物的识别方法、装置、电子设备及存储介质,方法包括:获取目标区域的无人机遥感影像;提取无人机遥感影像的目标指数;基于目标指数,合成凸显固体废弃物图斑的合成影像;利用合成影像,对预设的面向对象模型进行训练,直至面向对象模型达到预设收敛条件,得到固体废弃物识别模型;基于固体废弃物识别模型,识别合成影像的固体废弃物图斑,得到目标区域的固体废弃物识别结果。本实施例通过面向对象模型对合成影像进行去噪,不仅利用地物本身的光谱信息,而且充分利用地物的空间信息,对初步识别的合成影像再次进行区分,以去除噪声干扰,提高识别精度。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种固体废弃物的识别方法、装置、电子设备及存储介质。
背景技术
随着人们生活水平提高和活动范围增大,由人类活动伴随产生的固体废弃物也日益增多。为净化人类家园,对空间形态复杂和分布随机的固体废弃物进行识别和实时监测非常重要。目前,针对于固体废弃物的识别方法主要分为基于卫星遥感影像的人工目视解译方法、基于卫星遥感影像的分类识别方法以及基于高空间和高光谱分辨率的影像多源数据的识别方法。
其中人工目视解译是根据解译人员的经验和知识,通过影像的颜色、形状、解译标志来识别目标或对象,但是其耗时很大,不适用于对数据量大的影像进行固体废弃物识别。分类识别方法利用监督分类或决策树分类对不同类别地物的光谱特性差异进行固体废弃物识别,但是固体废弃物与建筑物和裸土等物体的光谱特性差异不大,该方法对固体废弃物的识别精度不高。基于影像多源数据的识别方法利用高光谱与高分辨率影像相结合,对卫星遥感影像上的固体废弃物进行识别,但是该方法对不同类型、不同地区的卫星遥感数据普适性差,对固体废弃物的识别精度也不高。可见,目前固体废弃物的识别方法存在识别精度差的问题。
发明内容
本申请实施例的目的在于提供一种固体废弃物的识别方法、装置、电子设备及存储介质,旨在解决当前固体废弃物识别方法存在的识别精度差的问题。
第一方面,本申请实施例提供了一种固体废弃物的识别方法,包括:
获取目标区域的无人机遥感影像;
提取无人机遥感影像的目标指数;
基于目标指数,合成凸显固体废弃物图斑的合成影像;
利用合成影像,对预设的面向对象模型进行训练,直至面向对象模型达到预设收敛条件,得到固体废弃物识别模型;
基于固体废弃物识别模型,识别合成影像的固体废弃物图斑,得到目标区域的固体废弃物识别结果。
在本实施例中,通过获取目标区域的无人机遥感影像,提取无人机遥感影像的目标指数,从而得到用于区别固体废弃物与非固体废弃物的影像特征;基于目标指数,合成凸显固体废弃物图斑的合成影像,并利用合成影像,对预设的面向对象模型进行训练,直至面向对象模型达到预设收敛条件,得到固体废弃物识别模型,基于固体废弃物识别模型,识别合成影像的固体废弃物图斑,得到目标区域的固体废弃物识别结果,通过面向对象模型对合成影像进行去噪,不仅利用地物本身的光谱信息,而且充分利用地物的空间信息,对初步识别的合成影像再次进行区分,以去除噪声干扰,提高识别精度。
在一实施例中,获取目标区域的无人机遥感影像,包括:
获取无人机采集到的目标区域的可见光遥感影像;
对可见光遥感影像进行预处理,得到无人机遥感影像,预处理包括相机检校、几何校正、空三平差、图像匀色、图像匹配和图像拼接。
在本实施例中,通过对可见光遥感影像进行相机检校、几何校正、空三平差、图像匀色、图像匹配和/或图像拼接等预处理,去除影像噪声,以便于对无人机遥感影像进行识别。
在一实施例中,提取无人机遥感影像的目标指数,包括:
基于预设的最佳指数法,提取无人机遥感影像的可见光波段差异植被指数、渣土比率指数、过红指数和过绿减过红指数。
在本实施例中,通过最佳指数法提取无人机遥感影像的可见光波段差异植被指数、渣土比率指数、过红指数和过绿减过红指数,排除部分裸地和建筑物的干扰,改善兴趣区域的识别精度,充分利用影像对象在不同波段上的反射特性差异。
在一实施例中,基于目标指数,合成凸显固体废弃物图斑的合成影像,包括:
融合可见光波段差异植被指数、渣土比率指数、过红指数和过绿减过红指数,得到凸显固体废弃物图斑的合成影像。
在本实施例中,通过将可见光波段差异植被指数、渣土比率指数、过红指数和过绿减过红指数作为组合波段,减少最佳指数的计算量。
在一实施例中,利用合成影像,对预设的面向对象模型进行训练,直至面向对象模型达到预设收敛条件,得到固体废弃物识别模型,包括:
对合成影像进行边缘尺寸分割,得到多个合成波段影像;
基于面向对象模型对多个合成波段影像进行分类训练,直至面向对象模型达到预设收敛条件,得到固体废弃物识别模型。
在本实施例中,基于边界的多尺度分割算法进行分割并选取样本,得到多个合成波段影像,多尺度分割在生成影像对象的过程中压缩高分辨率影像,但把高分辨率像元的信息保留到低分辨率的影像(分割后的影像)上,在影像信息损失最小的前提下将影像成功的分割成为有意义的影像多边形。
在一实施例中,基于固体废弃物识别模型,识别合成影像的固体废弃物图斑,得到目标区域的固体废弃物识别结果,包括:
基于固体废弃物识别模型,识别合成影像中的固体废弃物图斑和非固体废弃物图斑;
去除合成影像中的非固体废弃物图斑,输出包含固体废弃物图斑的分布数据。
在本实施例中,通过去除合成影像中的非固体废弃物图斑,得到仅包含固体废弃物图斑的分布结果。
在一实施例中,固体废弃物识别结果为矢量数据,基于固体废弃物识别模型,识别合成影像的固体废弃物图斑,得到目标区域的固体废弃物识别结果之后,还包括:
基于预设的修复几何条件,对固体废弃物识别结果进行几何检查和几何修复,得到修复后的固体废弃物识别结果。
在本实施例中,通过对分布结果进行检查和修复,优化分布结果,提高分布结果的准确度,从而提高识别精度。
第二方面,本申请实施例提供了一种固体废弃物的识别装置,包括:
获取模块,用于获取目标区域的无人机遥感影像;
提取模块,用于提取无人机遥感影像的目标指数;
合成模块,用于基于目标指数,合成凸显固体废弃物图斑的合成影像;
训练模块,用于利用合成影像,对预设的面向对象模型进行训练,直至面向对象模型达到预设收敛条件,得到固体废弃物识别模型;
识别模块,用于基于固体废弃物识别模型,识别合成影像的固体废弃物,得到目标区域的固体废弃物识别结果。
第三方面,本申请实施例提供了一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行上述第一方面的固体废弃物的识别方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时实现上述第一方面的固体废弃物的识别方法。
需要说明的是,上述第二方面至第四方面的有益效果参见第一方面的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的固体废弃物的识别方法的实现流程示意图;
图2为本申请实施例提供的图像匹配过程的流程示意图;
图3为本申请实施例提供的合成影像的示意图;
图4为本申请实施例提供的修复后的固体废弃物识别结果的示意图;
图5为本申请实施例提供的固体废弃物的识别装置的结构示意图;
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
近年来,易于携带、便于操作的无人机被民众广泛应用于各个领域,无人机航拍相对于传统航拍具有机动灵活、环境适应性强、作业成本低的优势,能快速准确获取飞行困难地区的高分辨率影像,对于目前日益增多且空间形态复杂、分布随机的固体废弃物(或下称的固废),运用无人机技术进行识别和实时监测,相比其他分类识别技术将具有一定优势。
国内外关于固体废弃物的遥感识别研究仍处于探索阶段,研究区域也主要集中在城市地区,应用数据也普遍是卫星遥感数据,针对无人机遥感影像识别乡镇地区的固体废弃物研究更是少之甚少。目前,国内外针对于固体废弃物识别的应用主要分3个方面:
(1)基于遥感影像的人工解译。例如,根据1:12 000比例尺(空间分辨率大约 0.5m)的航空影像,目视判读出美国新泽西州伯灵顿市地区的固体废弃物堆,共识别出67处。但人工目视解译是根据解译人员的经验和知识,通过影像的颜色、形状、解译标志来识别目标或对象,因此具有一定的局限性,并且耗时很大,不适用于数据量大的影像固废识别。
(2)基于遥感影像分类的识别方法。例如,根据1m空间分辨率的IKONOS卫星影像数据进行监督分类的结果识别出分布在意大利的城市固废堆;又例如,利用 Quick-Bird 影像,采用决策树分类的方法,尝试了在北京地区识别城市固废,识别精度为75%。但这些方法基本都依靠不同类别地物的光谱特性差异,然而在一般卫星影像上由于固体废弃物包含内容的复杂性,其与建筑及裸土等的光谱特性差异不大,因此,一般监督分类、决策树分类等方法对固废的识别精度都不高。
(3)基于高空间和高光谱分辨率的影像多源数据的识别方法。例如,利用高光谱与高分辨率影像相结合的方法,对遥感影像上的固体废弃物点进行识别,最终的识别准确率为74.81%。然而研究结果并不理想,一方面此方法对不同类型、不同地区的遥感数据普适性并不好;另一方面,固废堆的识别精度不够高。
目前最新的方法是基于卷积神经网络与条件随机场方法识别固体废弃物,基于高分辨率遥感影像,将深度学习模型和条件随机场模型相结合引入到固体废弃物的识别研究中。为了快速分割固体废弃物,将模型分为识别与识别2个部分:①通过全连接卷积网络(CNN)对固体废弃物进行快速识别判断,筛选感兴趣区域影像块;②在传统的全卷积神经网络(FCN)的基础上加入条件随机场模型(CRF)识别固体废弃物边界,提高整体分割精度。结果显示其识别精度与识别精度有了一定程度的提高,但也存在局限性:卫星影像的空间分辨率对识别的精度有一定影响;各地区地理背景存在较大差异,模型在空间上的适应性有待提高。
综上所述,目前国内外针对固体废弃物的识别主要基于传统的解译、分类等方法,应用数据也都是卫星遥感影像,在计算效率与识别精度方面都有待提高。即使有基于神经网络与条件随机场方法识别固废的方法,但其应用的卫星影像在空间分辨率上对识别的精度还有一定的影响。
针对上述现有技术中的问题,本申请提供了一种固体废弃物的识别方法,通过获取目标区域的无人机遥感影像,提取无人机遥感影像的目标指数,从而得到用于区别固体废弃物与非固体废弃物的影像特征;基于目标指数,合成凸显固体废弃物图斑的合成影像,并利用合成影像,对预设的面向对象模型进行训练,直至面向对象模型达到预设收敛条件,得到固体废弃物识别模型,基于固体废弃物识别模型,识别合成影像的固体废弃物图斑,得到目标区域的固体废弃物识别结果,通过面向对象模型对合成影像进行去噪,不仅利用地物本身的光谱信息,而且充分利用地物的空间信息,对初步识别的合成影像再次进行区分,以去除噪声干扰,提高识别精度。
参见图1,图1示出了本申请实施例提供的一种固体废弃物的识别方法的实现流程图。本申请实施例中下述的固体废弃物的识别方法可应用于电子设备,电子设备包括但不限于智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算机设备。本申请实施例的固体废弃物的识别方法,包括步骤S101至S105,详述如下:
步骤S101,获取目标区域的无人机遥感影像。
在本步骤中,无人机遥感影像为预处理后的遥感影像。可选地,获取无人机采集到的目标区域的可见光遥感影像;对可见光遥感影像进行预处理,得到无人机遥感影像,预处理包括相机检校、几何校正、空三平差、图像匀色、图像匹配和图像拼接。
可选地,可见光遥感影像应满足的要求包括:1)目标区域内的可见光影像清晰完整;2)目标区域上的无人机覆盖情况差异大,不同时相的可见光遥感影像的时间跨度不超过7天。
对可见光遥感影像进行预处理,预处理包括但不限于几何校正、空三平差、图像匀色、图像匹配和图像拼接,最终生成无人机遥感影像。
示例性,采用试验场检校法对相机进行检校,试验场一般由已知空间坐标的标志点构成,已被检校的摄影机拍摄此试验场后,可依据单片空间后方交会解法或多片空间后方交会解法,求内方位元素以及其他影响光束形状的要素,例如各类光学畸变系数等。
可选地,检校模型一般采用直接线性变换算法,由于该算法不需要内方位元素和外方位元素的初值,因此特别适用于非量测相机的摄影测量数据处理。示例性地,其由共线方程式演绎而来,其基本关系式如下:
可选地,基于惯性导航的姿态参数进行几何校正。可见光遥感影像在采集过程中,无人机飞行高度和姿态角的变化、大气折光、地球曲率、地形起伏、地球旋转和飞行器本身结构性能等都会引起影像几何变形。几何变形会使遥感影像产生几何形状或位置的失真,例如位移、旋转、缩放、仿射、弯曲和更高阶的弯曲,而消除该几何变形的过程称为几何校正。本实施例根据产生畸变的原因,利用无人机的空间位置变化关系,采用惯性导航的姿态参数进行几何校正。
可选地,引入控制点数据进行空中三角测量平差(即空三平差)。空三角平差是立体摄影测量中,根据少量的野外控制点,在室内进行控制点加密,求得加密点的高程和平面位置的测量方法。根据影像上的像点坐标(或单元立体模型上点的坐标)和地面点坐标的解析关系,或者每两条同名光线共面的解析关系,构成摄影测量网的空中三角测量。示例性地,本实施例采用航带法建网,通过计算相对定向元素和模型点坐标建立单个模型,利用相邻模型间公共连接点进行模型连接和运算,以建立比例统一的航带立体模型。这样由各单条航线独立建立各自的航带立体模型,每个航带立体模型需要各自概略置平,并统一在同一坐标系中,最后整体进行平差运算。为此要对各航带列出各自的非线性改正公式(例如二次多项式、三次多项式或二次正形变换公式),以最小二乘法准则统一平差计算,求出各条航带的非线性改正参数,最后获得全区域网加密点的地面坐标。同时通过空三平差快速测定出大量的点经过内定向、相对定向和绝对定向,得到各张影像的外方位元素。
可选地,引入Sfit算法对无人机遥感影像进行图像匹配。Sfit算法是在不同尺度空间上查找关键点(特征点),计算对应关键点的大小、方向和尺度信息,并利用这些信息组成关键点,以对特征点进行描述的算法。Sift算法所查找的关键点为不会因光照、仿射便函和噪声等因素而变换的“稳定”特征点,例如角点、边缘点、暗区的亮点以及亮区的暗点等。具体的匹配过程就是对比上述特征点的过程,具体如图2示出的图像匹配过程示意图所示。
可选地,利用空三平差计算得到同名点坐标和外方位元素,以及相机检校得到的内方位元素,计算得出对应的特征点坐标,再对影像进行拼接后得到正射影像,最后使用POS参数对正射影像进行纠正,得到最终的正射影像(即上述无人机遥感影像)。
步骤S102,提取无人机遥感影像的目标指数。
在本步骤中,目标指数为用于区分固体废弃物与非固体废弃物的指数,其包括但不限定于可见光波段差异植被指数、渣土比率指数、过红指数和过绿减过红指数。可选地,通过最佳指数法提取目标指数。
由于数据质量和区域复杂性而导致的精度不好,业务化程度不高。本实施例采用最佳指数法(OIF)确定最佳色彩组合为可见光波段差异植被指数(VDVI)、渣土比率指数(RMI)、过红指数(EXR)和过绿减过红指数(EXGR)的组合,进而基于以上指数得到固体废弃物的初步识别结果(基于凸显固体废弃物图斑的合成影像)。其中采用对裸土比较敏感的渣土比率指数,在固废识别时,可排除裸土和建筑物的干扰,同时运用可见光波段差异植被指数区分植被、建筑、水体和道路等地类。充分利用遥感影像在不同波段上的反射特性差异,改善目标区域中固体废弃物的识别精度。
在一实施例中,基于预设的最佳指数法,提取无人机遥感影像的可见光波段差异植被指数、渣土比率指数、过红指数和过绿减过红指数。
在本实施例中,针对无人机遥感影像计算各类指数,由最佳指数法(OIF)通过选取4个合适的波段组合成信息量最大的色彩组合,进而完成图像解译。OIF综合考虑单波段图像的信息量及各波段间的相关性,图像数据的标准差越大,其所包含的信息量也越大,而波段间的相关系数越小,表明各波段图像数据的独立性越高、信息冗余度越小。示例性地,最佳指数法(OIF)计算公式如下:
其中,i表示第i个波段,Si表示第i个波段的标准差,Rij表示第i和第j两波段的相关系数。
其中,为了排除部分裸地和建筑物的干扰,改善目标区域的识别精度,则需要利用遥感影像在不同波段上的反射特性差异。其中为了排除建筑物干扰,计算对裸土比较敏感的渣土比率指数(ratio of muck index,RMI)。裸地在绿波段具有比较强的反射,在蓝波段具有一定的吸收特性,根据绿波段和蓝波段之间的灰度均值之比,可增大裸土与固废和建筑物之间的可分离程度。可选地,根据部分裸地上长有植被的特点,利用植被敏感的可见光波段差异植被指数(VDVI),根据植被在可见光波段的反射特性差异,可剔除目标区域中混杂的有植被覆盖着的裸地。
示例性地,可见光波段差异植被指数的计算公式如下:
渣土比率指数(RMI)的计算公式如下:
过红指数(EXR)的计算公式如下:
过绿减过红指数(EXGR)的计算公式如下:
步骤S103,基于目标指数,合成凸显固体废弃物图斑的合成影像。
在本实施例中,通过对目标指数进行融合,以得到凸显固体废弃物图斑的合成影像。示例性地,目标指数可利用ENVI软件Layer Stacking融合影像工具进行融合,以得到凸显固体废弃物图斑的合成影像。例如,采用将可见光波段差异植被指数(VDVI)、渣土比率指数(RMI)、过红指数(EXR)和过绿减过红指数(EXGR)的计算结果进行融合,得到凸显固体废弃物图斑的底图,从而得到固体废弃物的初分结果。
在一实施例中,融合可见光波段差异植被指数、渣土比率指数、过红指数和过绿减过红指数,得到凸显固体废弃物图斑的合成影像。
在本实施例中,如图3所示合成影像的示意图,将各波段影像合成为凸显固体废弃物图斑的影像,得到固体废弃物初分结果。其中,为减少最佳指数OIF计算量,以EXR-VDVI-RMI为基准,加入过绿减过红指数进行最佳组合波段分析。最后合成影像的OIF值最大,蕴含的信息量也最大,是的固体废弃物更加突显。
在遥感影像的固体废弃物识别中,由于固体废弃物本身的复杂性,其没有相对统一的物质组成和规则的形状边界,而且内部结构紊乱且分布散乱,在遥感影像上与裸土和建筑存在很难区分的问题。因此本实施利用对裸土比较敏感的渣土比率指数RMI,根据裸地在绿波段具有较强的反射,在蓝波段具有一定的吸收特性,利用这两个波段之间的灰度均值之比,增大裸土与固废和建筑物的可分离性。根据部分裸地上长有植被的特点,利用植被敏感的归一化植被指数,根据植被在近红外波段和红色波段上的反射特性差异,可剔除目标区域中混杂的有植被覆盖着的裸地。从而通过利用以上指数结果融合得到的合成影像用于模型训练和模型识别,解决建筑、裸地等干扰的问题,使得识别的固体废弃物区域,更加符合实际情况,精度相比于只用单一植被指数方法有明显提升。
步骤S104,利用合成影像,对预设的面向对象模型进行训练,直至面向对象模型达到预设收敛条件,得到固体废弃物识别模型。
在本步骤中,基于面向对象模型的分类方法是一种智能化的自动影像分析方法,其分析单元不是单个像素,而是由若干像素组成的像素群。针对初步识别结果中存在的很多噪声问题,即使利用步骤S102和S103得到合成影像,对固体废弃物的识别精度有所提高,但是依然存在不同影像之间的精度差异,以及存在阴影造成的噪声干扰。因此本实施例利用基于面向对象模型的分类方法,不仅能够利用地物本身的光谱信息,而且还能够充分利用地物的空间信息,包括形状、纹理、面积、大小等要素,从而提高固体废弃物的识别精度。
在一实施例中,利用合成影像,对预设的面向对象模型进行训练,直至面向对象模型达到预设收敛条件,得到固体废弃物识别模型,包括:对合成影像进行边缘尺寸分割,得到多个合成波段影像;基于面向对象模型对多个合成波段影像进行分类训练,直至面向对象模型达到预设收敛条件,得到固体废弃物识别模型。
在本实施例中,边缘尺寸分割是将一幅遥感图像依据区域异质性规则分割成多个有意义的子区域集合的技术。本实施例采用基于边缘的分割方法(边缘尺寸分割),通过输入分割尺度和合并尺度,并根据分割尺寸确定边缘的像素,再根据合并尺寸将这些边缘像素连接为边界,最后根据预设规则分割子区域,得到合成波段影像。可以理解的是,通过不同尺度上边缘的差异控制,从而产生从细到粗的多尺度分割。在生成合成波段影像的过程中,压缩高分辨率影像,并将高分辨率影像的像元信息保留到低分辨率影像(即分割后的影像)上,在影像信息损失最小的前提下,将合成影像成功的分割成为有意义的影像多边形,再运用面向对象模型来选取样本并进行训练,区分固体废弃物和非固体废弃物包括植被,建筑,水体,裸地、道路和阴影,对初步识别的固废结果再进行区分,进而去除噪声干扰。
步骤S105,基于固体废弃物识别模型,识别合成影像的固体废弃物图斑,得到目标区域的固体废弃物识别结果。
在本步骤中,基于固体废弃物识别模型,识别合成影像中的固体废弃物图斑和非固体废弃物图斑;去除合成影像中的非固体废弃物图斑,输出包含固体废弃物图斑的分布数据。示例性地,去除掉非固体废弃物的矢量图斑,在ArcGIS中打开尺寸分割时生成的矢量结果,直接运用导出数据选项导出仅包含固体废弃物的矢量数据,得到固体废弃物的识别结果。
可选地,面向对象模型可以是支持向量机分类模型,支持向量机分类模型是一种建立在统计学习理论基础上的机器学习模型。主要思想是针对两类分类问题,在高维空间中寻找一个超平面作为两类的分割,以保证最小的分类错误率。基于找到具有最小间隔的样本点,然后拟合出一个到这些样本点距离和最大的线段/平面。通过学习算法,支持向量机可以自动寻找那些对分类有较大区分能力的支持向量,由此构造出分类器,可以将类与类之间的间隔最大化,因而有较好的推广性和较高的分类准确率。示例性地,支持向量机分类模型的模型公式如下:
其中,表示分类器的输出;表示符号函数,和表示输入的特征向量,=为SVM的核函数,表示优化参数,表示训练样本的标签,b为分类面的最优偏置,Num表示训练样本的个数, (i=1 ,...,Num)表示SVM训练特征数据库中的所有的特征向量,表示SVM训练数据库中的某一个特征向量。
在图1实施例的基础上,在一实施例中,固体废弃物识别结果为矢量数据,基于固体废弃物识别模型,识别合成影像的固体废弃物图斑,得到目标区域的固体废弃物识别结果之后,还包括:基于预设的修复几何条件,对固体废弃物识别结果进行几何检查和几何修复,得到修复后的固体废弃物识别结果。
在本实施例中,通过修复几何处理得到的固体废弃物识别结果。修复几何是检查矢量要素类中每个要素的几何问题,并且在发现几何问题后进行相应的修复。因为shapefile矢量数据属于一种开放的格式,许多软件包都可写入成此格式。但是,其中一些软件可能由于存在缺陷或缺失相关信息而无法遵循以文档格式存在的shapefile格式规范。因此,在对shapefile矢量数据进行进一步处理之前,需要先做几何修复,处理潜在的几何问题。
可选地,通过ArcGIS软件ArcToolbox工具箱/数据管理工具/要素/修复几何工具完成,输入固体废弃物识别结果直接得到修复几何后的结果。再利用消除工具消除小于现实固废最小面积的矢量,进行优化筛选得到最终固体废弃物的识别结果(即修复后的固体废弃物识别结果),具体如图4示出的修复后的固体废弃物识别结果的示意图。
示例性地,修复几何工具主要处理的几何问题及修复办法如下:
空几何:从要素类中删除记录。如果要保留具有空几何的记录,则取消选中工具对话选项删除几何为空的要素,或在脚本中将 delete_null 参数设置为 KEEP_NULL。短线段:删除几何的短线段。不正确的环走向:更新几何以获得正确的环走向。不正确的线段方向:更新几何以获得正确的线段方向。自相交:融合面中的叠置区域。非闭合环:通过连接环的端点将非闭合环闭合。空的部分:删除 null 或空的部分。重复折点:删除其中一个折点。不匹配的属性:更新 Z 或 M 坐标以实现匹配。不连续的部分:根据现有的不连续部分创建多部分。空的 Z 值:将 Z 设置为 0。
为了执行上述方法实施例对应的方法,以实现相应的功能和技术效果,下面提供一种固体废弃物的识别装置。参见图5,图5是本申请实施例提供的一种固体废弃物的识别装置的结构框图。本实施例中该装置包括的各模块用于执行图1对应的实施例中的各步骤,具体参见图1以及图1所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分,本申请实施例提供的固体废弃物的识别装置,包括:
获取模块501,用于获取目标区域的无人机遥感影像;
识别模块502,用于识别所述无人机遥感影像的目标指数;
合成模块503,用于基于所述目标指数,合成凸显固体废弃物图斑的合成影像;
训练模块504,用于利用所述合成影像,对预设的面向对象模型进行训练,直至所述面向对象模型达到预设收敛条件,得到固体废弃物识别模型;
识别模块505,用于基于所述固体废弃物识别模型,识别所述合成影像的固体废弃物,得到所述目标区域的固体废弃物识别结果。
在一实施例中,获取模块501,包括:
获取单元,用于获取无人机采集到的所述目标区域的可见光遥感影像;
处理单元,用于对所述可见光遥感影像进行预处理,得到所述无人机遥感影像,所述预处理包括相机检校、几何校正、空三平差、图像匀色、图像匹配和/或图像拼接。
在一实施例中,识别模块502,包括:
识别单元,用于基于预设的最佳指数法,提取所述无人机遥感影像的可见光波段差异植被指数、渣土比率指数、过红指数和过绿减过红指数。
在一实施例中,合成模块503,包括:
融合单元,用于融合所述可见光波段差异植被指数、所述渣土比率指数、所述过红指数和所述过绿减过红指数,得到凸显固体废弃物图斑的所述合成影像。
在一实施例中,训练模块504,包括:
分割单元,用于对所述合成影像进行边缘尺寸分割,得到多个合成波段影像;
训练单元,用于面向对象模型对多个所述合成波段影像进行分类训练,直至所述面向对象模型达到所述预设收敛条件,得到所述固体废弃物识别模型。
在一实施例中,识别模块505,包括:
识别单元,用于基于所述固体废弃物识别模型,识别所述合成影像中的固体废弃物图斑和非固体废弃物图斑;
去除单元,用于去除所述合成影像中的非固体废弃物图斑,输出包含所述固体废弃物图斑的分布数据。
在一实施例中,上述识别装置还包括,还包括:
修复模块,用于基于预设的修复几何条件,对所述固体废弃物识别结果进行几何检查和几何修复,得到修复后的所述固体废弃物识别结果。
上述的固体废弃物的识别装置可实施上述方法实施例的固体废弃物的识别方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
图6为本申请一实施例提供的电子设备的结构示意图。如图6所示,该实施例的电子设备6包括:至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62,所述处理器60执行所述计算机程序62时实现上述任意方法实施例中的步骤。
所述电子设备6可以是智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算设备。该电子设备可包括但不仅限于处理器60、存储器61。本领域技术人员可以理解,图6仅仅是电子设备6的举例,并不构成对电子设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),该处理器60还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器61在一些实施例中可以是所述电子设备6的内部存储单元,例如电子设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述电子设备6的外部存储设备,例如所述电子设备6上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
另外,本申请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存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种固体废弃物的识别方法,其特征在于,包括:
获取目标区域的无人机遥感影像;
提取所述无人机遥感影像的目标指数;
基于所述目标指数,合成凸显固体废弃物图斑的合成影像;
利用所述合成影像,对预设的面向对象模型进行训练,直至所述面向对象模型达到预设收敛条件,得到固体废弃物识别模型;
基于所述固体废弃物识别模型,识别所述合成影像的固体废弃物图斑,得到所述目标区域的固体废弃物识别结果;
以及,所述提取所述无人机遥感影像的目标指数,包括:
基于预设的最佳指数法,提取所述无人机遥感影像的可见光波段差异植被指数、渣土比率指数、过红指数和过绿减过红指数。
2.根据权利要求1所述的固体废弃物的识别方法,其特征在于,所述获取目标区域的无人机遥感影像,包括:
获取无人机采集到的所述目标区域的可见光遥感影像;
对所述可见光遥感影像进行预处理,得到所述无人机遥感影像,所述预处理包括相机检校、几何校正、空中三角测量平差、图像匀色、图像匹配和/或图像拼接。
3.根据权利要求1所述的固体废弃物的识别方法,其特征在于,所述基于所述目标指数,合成凸显固体废弃物图斑的合成影像,包括:
融合所述可见光波段差异植被指数、所述渣土比率指数、所述过红指数和所述过绿减过红指数,得到凸显固体废弃物图斑的所述合成影像。
4.根据权利要求1所述的固体废弃物的识别方法,其特征在于,所述利用所述合成影像,对预设的面向对象模型进行训练,直至所述面向对象模型达到预设收敛条件,得到固体废弃物识别模型,包括:
对所述合成影像进行边缘尺寸分割,得到多个合成波段影像;
基于面向对象模型对多个所述合成波段影像进行分类训练,直至所述面向对象模型达到所述预设收敛条件,得到所述固体废弃物识别模型。
5.根据权利要求1所述的固体废弃物的识别方法,其特征在于,所述基于所述固体废弃物识别模型,识别所述合成影像的固体废弃物图斑,得到所述目标区域的固体废弃物识别结果,包括:
基于所述固体废弃物识别模型,识别所述合成影像中的固体废弃物图斑和非固体废弃物图斑;
去除所述合成影像中的非固体废弃物图斑,输出包含所述固体废弃物图斑的分布数据。
6.根据权利要求1所述的固体废弃物的识别方法,其特征在于,所述固体废弃物识别结果为矢量数据,所述基于所述固体废弃物识别模型,识别所述合成影像的固体废弃物图斑,得到所述目标区域的固体废弃物识别结果之后,还包括:
基于预设的修复几何条件,对所述固体废弃物识别结果进行几何检查和几何修复,得到修复后的所述固体废弃物识别结果。
7.一种固体废弃物的识别装置,其特征在于,包括:
获取模块,用于获取目标区域的无人机遥感影像;
提取模块,用于提取所述无人机遥感影像的目标指数;
合成模块,用于基于所述目标指数,合成凸显固体废弃物图斑的合成影像;
训练模块,用于利用所述合成影像,对预设的面向对象模型进行训练,直至所述面向对象模型达到预设收敛条件,得到固体废弃物识别模型;
识别模块,用于基于所述固体废弃物识别模型,识别所述合成影像的固体废弃物,得到所述目标区域的固体废弃物识别结果;
以及,所述提取模块执行所述提取所述无人机遥感影像的目标指数的具体方式为:
基于预设的最佳指数法,提取所述无人机遥感影像的可见光波段差异植被指数、渣土比率指数、过红指数和过绿减过红指数。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至6中任一项所述的固体废弃物的识别方法。
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的固体废弃物的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695615.0A CN113516059B (zh) | 2021-06-23 | 2021-06-23 | 固体废弃物的识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695615.0A CN113516059B (zh) | 2021-06-23 | 2021-06-23 | 固体废弃物的识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516059A CN113516059A (zh) | 2021-10-19 |
CN113516059B true CN113516059B (zh) | 2021-12-07 |
Family
ID=78065991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110695615.0A Active CN113516059B (zh) | 2021-06-23 | 2021-06-23 | 固体废弃物的识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516059B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272853B (zh) * | 2022-07-27 | 2023-06-27 | 清华大学 | 基于人工智能技术与大数据的工业废弃地识别方法及产品 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107764758A (zh) * | 2017-09-26 | 2018-03-06 | 中国神华能源股份有限公司 | 矿区监测方法和装置、存储介质及处理器 |
CN110852262A (zh) * | 2019-11-11 | 2020-02-28 | 南京大学 | 基于时间序列高分一号遥感影像的农业用地提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761447B (zh) * | 2014-02-18 | 2017-05-24 | 中国科学院遥感与数字地球研究所 | 用于地市及县两级粮食补贴核算的种植面积遥感确定方法 |
US10977765B2 (en) * | 2019-04-10 | 2021-04-13 | Eagle Technology, Llc | Hierarchical neural network image registration |
CN111289441B (zh) * | 2020-02-21 | 2021-02-26 | 中国农业大学 | 多光谱下的大田作物含水量确定方法、系统及设备 |
CN112990066B (zh) * | 2021-03-31 | 2023-04-07 | 武汉大学 | 基于多策略增强的遥感影像固体废弃物识别方法及系统 |
-
2021
- 2021-06-23 CN CN202110695615.0A patent/CN113516059B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107764758A (zh) * | 2017-09-26 | 2018-03-06 | 中国神华能源股份有限公司 | 矿区监测方法和装置、存储介质及处理器 |
CN110852262A (zh) * | 2019-11-11 | 2020-02-28 | 南京大学 | 基于时间序列高分一号遥感影像的农业用地提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113516059A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
Over et al. | Processing coastal imagery with Agisoft Metashape Professional Edition, version 1.6—Structure from motion workflow documentation | |
CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
US9251420B2 (en) | System for mapping and identification of plants using digital image processing and route generation | |
Teodoro et al. | Comparison of performance of object-based image analysis techniques available in open source software (Spring and Orfeo Toolbox/Monteverdi) considering very high spatial resolution data | |
KR100678395B1 (ko) | 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법 | |
Shorter et al. | Automatic vegetation identification and building detection from a single nadir aerial image | |
Bunting et al. | A multi-resolution area-based technique for automatic multi-modal image registration | |
Pehani et al. | Automatic geometric processing for very high resolution optical satellite data based on vector roads and orthophotos | |
Zhu et al. | Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features | |
Karsli et al. | Automatic building extraction from very high-resolution image and LiDAR data with SVM algorithm | |
CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
Keyvanfar et al. | Performance comparison analysis of 3D reconstruction modeling software in construction site visualization and mapping | |
Koc-San et al. | A model-based approach for automatic building database updating from high-resolution space imagery | |
Safdarinezhad et al. | An automatic method for precise 3D registration of high resolution satellite images and Airborne LiDAR Data | |
CN116758223A (zh) | 基于双角度多光谱图像的三维多光谱点云重建方法、系统及设备 | |
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 | |
Gorbachev et al. | Digital processing of aerospace images | |
Kim et al. | Multi-temporal orthophoto and digital surface model registration produced from UAV imagery over an agricultural field | |
Sjahputera et al. | GeoCDX: An automated change detection & exploitation system for high resolution satelite imagery | |
Atik et al. | An automatic image matching algorithm based on thin plate splines | |
Guo et al. | Updating land cover map based on change detection of high-resolution remote sensing images | |
Marsetič et al. | Towards sub-pixel automatic geometric corrections of very-high resolution panchromatic satellite data of urban areas | |
Gong et al. | Adaptive window size estimation in unsupervised change detection | |
Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis |
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 |