CN113780076A - 建筑垃圾的图像识别方法及装置 - Google Patents

建筑垃圾的图像识别方法及装置 Download PDF

Info

Publication number
CN113780076A
CN113780076A CN202110896935.2A CN202110896935A CN113780076A CN 113780076 A CN113780076 A CN 113780076A CN 202110896935 A CN202110896935 A CN 202110896935A CN 113780076 A CN113780076 A CN 113780076A
Authority
CN
China
Prior art keywords
remote sensing
image data
sensing image
classification
construction waste
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
Application number
CN202110896935.2A
Other languages
English (en)
Inventor
陈品祥
侯庆明
李兵
吕扬
秦李斌
王源
闫宁
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.)
Beijing Institute of Surveying and Mapping
Original Assignee
Beijing Institute of Surveying and Mapping
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 Beijing Institute of Surveying and Mapping filed Critical Beijing Institute of Surveying and Mapping
Priority to CN202110896935.2A priority Critical patent/CN113780076A/zh
Publication of CN113780076A publication Critical patent/CN113780076A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

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

本申请公开了一种建筑垃圾的图像识别方法及装置、存储介质、终端，涉及图像识别技术领域，主要目的在于改善现有图像识别方法无法准确识别建筑垃圾的技术问题。包括：获取待识别建筑垃圾区域的遥感影像数据；对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据；利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理；将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果。主要用于建筑垃圾的分类识别。

Description

建筑垃圾的图像识别方法及装置
技术领域
本申请涉及一种图像识别技术领域，特别是涉及一种建筑垃圾的图像识别方法及装置。
背景技术
随着城市建设与改造的提速，建筑垃圾污染和垃圾围城问题日益严峻，建筑设施的拆旧建新，建筑垃圾产量增加与处理设施建设滞后之间的矛盾日显突出。其中，对于建筑垃圾进行分拣前，需要准确对建筑垃圾进行识别。
目前，现有的对建筑垃圾的识别通常采用多光谱遥感影像数据进行提取属于建筑垃圾的特征信息，但是，由于建筑物被拆除后产生的建筑垃圾从遥感影像上看，边界较为模糊，形状不规则，内部纹理紊乱，使得复杂的材料成分更加难以分辨，单纯使用高分辨率的多光谱数据进行图像识别已经不能满足对建筑垃圾的识别准确性需求，因此，亟需一种建筑垃圾的图像识别方法来解决上述问题。
发明内容
有鉴于此，本申请提供一种建筑垃圾的图像识别方法及装置，主要目的在于改善现有图像识别方法无法准确分类识别建筑垃圾的技术问题。
依据本申请一个方面，提供了一种建筑垃圾的图像识别方法，包括：
获取待识别建筑垃圾区域的遥感影像数据，所述遥感影像数据为对所述建筑垃圾区域进行高光谱遥感影像采集得到的；
对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据，所述多尺度分割处理为基于同质性最大值、异质性极小值确定为分割对象层的；
利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理，所述决策分类模型为基于特征重要性参数对待提取的特征信息进行确定后完成模型训练得到的；
将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果。
优选的，所述利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理之前，所述方法还包括：
获取建筑垃圾样本数据集中的训练样本数据；
利用平均不减度减少函数确定与所述训练样本数据中各特征信息对应的特征重要性参数，并进行特征重要性参数排序；
根据所述训练样本数据对特征重要性参数排序后的特征信息进行决策分类精度提取，并利用分类精度阈值筛选待提取的特征信息；
根据筛选的特征信息作为决策分类模型的特征分类目标，完成对所述决策分类模型的模型训练。
优选的，所述根据所述训练样本数据对特征重要性参数排序后的特征信息进行决策分类精度提取，并利用分类精度阈值筛选待提取的特征信息之前，所述方法还包括：
根据所述训练样本数据的训练样本个数构建多个决策树，并组合所述决策树生成决策分类模型；
所述根据所述训练样本数据对特征重要性参数排序后的特征信息进行决策分类精度提取，并利用分类精度阈值筛选待提取的特征信息包括：
利用所述训练样本数据，按照各特征信息训练所述决策分类模型，确定各特征信息所对应的决策分类精度，以与分类精度阈值进行对比；
若所述决策分类精度大于所述分类精度阈值，则确定与所述决策分类精度对应的特征信息为待提取的特征信息。
优选的，所述获取建筑垃圾样本数据数据集中的训练样本数据之前，所述方法还包括：
采集至少一个待识别建筑垃圾区域中不同地物信息对应的现场光谱数据以及高光谱数据；
按照地理坐标与遥感坐标的差值，将所述现场光谱数据特征匹配至所述高光谱数据的坐标系中，建立地物波谱数据库，所述地物波谱数据库中存储有不同地物信息与不同光谱数据之间的对应关系；
基于所述地物波谱数据库构建建筑垃圾样本数据集，所述建筑物垃圾样本数据集中的地物信息包括建筑渣土信息、植被信息、防尘网信息、建筑物信息、水体信息、道路信息。
优选的，所述对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据之前，所述方法还包括：
识别所述遥感影像数据与所述训练样本数据之间是否存在几何形变差异和/或辐射失真状态；
若存在几何形变差异和/或辐射失真状态，则对所述遥感影像数据进行图像数据预处理，以对处理后的遥感影像数据进行多尺度分割处理，所述图像数据预处理至少包括波段组合处理、辐射定标处理、大气校正处理、正射校正处理中一项。
优选的，所述将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果之后，所述方法还包括：
基于所述识别结果建立所述建筑垃圾区域的误差矩阵，并基于所述误差矩阵分别确定图像精度、用户精度、总体分类精度；
若所述图像精度、所述用户精度、所述总体分类精度符合预设精度阈值，则输出所述识别结果；
若所述图像精度、所述用户精度、所述总体分类精度中至少一项不符合预设精度阈值，则输出告警信息，以对所述建筑垃圾区域的遥感影像数据重新进行图像识别。
优选的，所述特征信息包括光谱特征、植被指数特征、水体指数特征、纹理特征。
依据本申请另一个方面，提供了一种建筑垃圾的图像识别装置，包括：
第一获取模块，用于获取待识别建筑垃圾区域的遥感影像数据，所述遥感影像数据为对所述建筑垃圾区域进行高光谱遥感影像采集得到的；
分割模块，用于对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据，所述多尺度分割处理为基于同质性最大值、异质性极小值确定为分割对象层的；
分类模块，用于利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理，所述决策分类模型为基于特征重要性参数对待提取的特征信息进行确定后完成模型训练得到的；
第一确定模块，用于将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果。
优选的，所述分类模块之前，所述装置还包括：
第二获取模块，用于获取建筑垃圾样本数据集中的训练样本数据；
排序模块，用于利用平均不减度减少函数确定与所述训练样本数据中各特征信息对应的特征重要性参数，并进行特征重要性参数排序；
筛选模块，用于根据所述训练样本数据对特征重要性参数排序后的特征信息进行决策分类精度提取，并利用分类精度阈值筛选待提取的特征信息；
训练模块，用于根据筛选的特征信息作为决策分类模型的特征分类目标，完成对所述决策分类模型的模型训练。
优选的，所述筛选模块之前，所述装置还包括：
第一构建模块，用于根据所述训练样本数据的训练样本个数构建多个决策树，并组合所述决策树生成决策分类模型；
所述筛选模块包括：
对比单元，用于确定利用所述训练样本数据，按照各特征信息训练所述决策分类模型，确定各特征信息所对应的决策分类精度，以与分类精度阈值进行对比；
确定单元，用于若所述决策分类精度大于所述分类精度阈值，则确定与所述决策分类精度对应的特征信息为待提取的特征信息。
优选的，所述第二获取模块之前，所述装置还包括：
采集模块，用于采集至少一个待识别建筑垃圾区域中不同地物信息对应的现场光谱数据以及高光谱数据；
匹配模块，用于按照地理坐标与遥感坐标的差值，将所述现场光谱数据特征匹配至所述高光谱数据的坐标系中，建立地物波谱数据库，所述地物波谱数据库中存储有不同地物信息与不同光谱数据之间的对应关系；
第二构建模块，用于基于所述地物波谱数据库构建建筑垃圾样本数据集，所述建筑物垃圾样本数据集中的地物信息包括建筑渣土信息、植被信息、防尘网信息、建筑物信息、水体信息、道路信息。
优选的，所述分割模块之前，所述装置还包括：
识别模块，用于识别所述遥感影像数据与所述训练样本数据之间是否存在几何形变差异和/或辐射失真状态；
预处理模块，用于若存在几何形变差异和/或辐射失真状态，则对所述遥感影像数据进行图像数据预处理，以对处理后的遥感影像数据进行多尺度分割处理，所述图像数据预处理至少包括波段组合处理、辐射定标处理、大气校正处理、正射校正处理中一项。
优选的，所述第一确定模块之后，所述装置还包括：
第二确定模块，用于基于所述识别结果建立所述建筑垃圾区域的误差矩阵，并基于所述误差矩阵分别确定图像精度、用户精度、总体分类精度；
输出模块，用于若所述图像精度、所述用户精度、所述总体分类精度符合预设精度阈值，则输出所述识别结果；
警告模块，用于若所述图像精度、所述用户精度、所述总体分类精度中至少一项不符合预设精度阈值，则输出告警信息，以对所述建筑垃圾区域的遥感影像数据重新进行图像识别。
优选的，所述特征信息包括光谱特征、植被指数特征、水体指数特征、纹理特征。
根据本申请的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述建筑垃圾的图像识别方法对应的操作。
根据本申请的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述建筑垃圾的图像识别方法对应的操作。
借由上述技术方案，本申请实施例提供的技术方案至少具有下列优点：
本申请提供了一种建筑垃圾的图像识别方法及装置，与现有技术相比，本申请实施例通过获取待识别建筑垃圾区域的遥感影像数据，所述遥感影像数据为对所述建筑垃圾区域进行高光谱遥感影像采集得到的；对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据，所述多尺度分割处理为基于同质性最大值、异质性极小值确定为分割对象层的；利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理，所述决策分类模型为基于特征重要性参数对待提取的特征信息进行确定后完成模型训练得到的；将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果，提高了图像分类识别建筑垃圾的准确度。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例提供的一种建筑垃圾的图像识别方法流程图；
图2示出了本申请实施例提供的基于多尺度分割的遥感影像图；
图3示出了本申请实施例提供的特征信息重要性评估的流程图；
图4示出了本申请实施例提供的整体实例的总体路线图；
图5示出了本申请实施例提供的分类识别结果示意图；
图6示出了本申请实施例提供的遥感影像实景示意图；
图7示出了本申请实施例提供的分类结果精度实景示意图；
图8示出了本申请实施例提供的一种建筑垃圾的图像识别装置组成框图；
图9示出了本申请实施例提供的一种终端的结构示意图。
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。
本申请实施例提供了一种建筑垃圾的图像识别方法，如图1所示，该方法包括：
101、获取待识别建筑垃圾区域的遥感影像数据。
其中，遥感影像数据为对所述建筑垃圾区域进行高光谱遥感影像采集得到的。待识别建筑垃圾区域为目标识别区域。
本申请实施例中，建筑设施在拆除后，会产生大量建筑垃圾，其主要成分包括混凝土，其次为渣土(通常覆盖有绿色防尘网)，大多分布在密集居住区或施工单位附近的空地、裸土地等。为了提高建筑垃圾分拣的效率，在分拣前需要对其进行准确的分类识别。在确定了目标识别区域后，首先获取目标区域的遥感影像数据，可以通过高光谱卫星手段等获得。
例如，通过高光谱卫星获取坐标为116°11′-116°26′E，39°44′-39°54′N的待识别区域的遥感影像数据。
102、对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据。
本申请实施例中，为了提高所获取的影像数据的精度，需要对其进行多尺度分割处理，得到标识不同分割结果的影像数据，进一步得到最优分割参数，以实现对影像数据的优化。其中，多尺度分割处理为基于同质性最大值、异质性极小值确定为分割对象层的。不同分割结果用于表征基于不同分割尺度对影像数据进行分割，所得到的属性信息相似的影像多边形。
需要说明的是，多尺度分割是一种自下而上的分割方法，在影像信息损失最小的前提下，通过合并相邻的像素或小的分割对象，以任意尺度生成同质性最大、异质性最小的分割对象层，实现影像分割，该过程是一个局部优化的过程。其中，分割对象的同质性标准是由分割对象的形状因子和光谱因子共同确定的。形状因子由光滑度和紧致度两部分组成，由这四个参数共同决定目标影像数据的分割效果。分割对象的总异质性值f如下计算：
f＝Wshape·hshape+Wcolor·hcolor (1)
hcolor＝∑Wcσc (2)
hshape＝Wsmooth·hsmooth+Wcompact·hcompact (3)
hsmooth＝l/b (4)
Figure BDA0003198250290000081
式(1)中，Wshape为影像分割时形状因子所占权重，Wcolor为影像分割时光谱因子所占权重，两者之和为1；hshape为形状异质性，hcolor为光谱异质性。
式(2)中，c为波段总数；WC为所占权重；σC为波段的光谱标准值。
式(3)-(5)中，Wsmooth为光滑度所占权重，Wcompact为紧致度所占权重，两者之和为1；hsmooth为光滑度异质性，hcompact为紧致度异质性；b为最小外接矩形周长；l为分割对象的周长；n为分割对象的面积。
示例性的，选取分割尺度25、形状比例系数0.5、紧致度比例系数0.5作为优选的分割参数，对A区域的遥感影像数据进行多尺度分割，分割结果如图2所示。被分割后的遥感影像数据中的多边形对象或同质斑块具有光谱信息、纹理信息、结构、形状等属性，且因各地类空间分布的差异，每种地物都具有独特的、区别于其他地物的特征。
103、利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理。
本申请实施例中，将步骤102中经过多尺度分割处理的遥感影像数据输入至决策分类模型进行分类处理。其中，决策分类模型为基于特征重要性参数对待提取的特征信息进行确定后完成模型训练得到的。可选的，特征信息可以根据待识别区域特点及数据源情况设定，例如光谱特征、植被指数、水体特征、以及纹理特征等，本申请实施例不做具体限定。可以将影像数据中所有的特征信息按照一定规则进行排序，筛选出最优的特征信息组合。
需要说明的是，决策分类模型可以是原始随机森林分类方法、基于特征优化后的随机森林分类方法或者光谱角匹配方法等机器训练方法，本申请不做具体限定。
104、将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果。
本申请实施例中，将遥感影像数据输入至决策分类模型，经过分类处理后，可以得到相应的分类特征信息，作为目标建筑垃圾区域的识别结果进行输出。其中，分类特征信息用于表征利用分类决策模型对目标建筑垃圾区域的遥感影像数据进行预测所得到的，针对目标建筑垃圾区域所包含的元素。
在本申请实施例中，为了进一步说明及限定，在利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理之前，本实施例方法还包括：获取建筑垃圾样本数据集中的训练样本数据；利用平均不减度减少函数确定与训练样本数据中各特征信息对应的特征重要性参数，并进行特征重要性参数排序；根据训练样本数据对特征重要性参数排序后的特征信息进行决策分类精度提取，并利用分类精度阈值筛选待提取的特征信息；根据筛选的特征信息作为决策分类模型的特征分类目标，完成对所述决策分类模型的模型训练。
具体的，从建筑垃圾样本数据集中获取训练样本数据。其中，样本数据集可以由现场光谱采集数据与高光谱图像中的光谱信息经过处理生成，也可以是基于实地考察生成，本申请实施例不做具体限定。本申请实施例中，训练样本数据可以通过对区域内不同类型的地物分别选取相同数量的样本点进行光谱特征匹配，按类别统计并提取样本点全部波段的光谱信息。为了便于存储和管理，可以将样本的地物类别和对应的光谱信息通过图像文件格式保存为二进制的数据文件，建立训练样本数据，其中可以包括建筑物、植被、渣土、防尘网、水体和道路等。由于训练样本数据中包含多种特征信息，需要经过对特征信息进行筛选，利用筛选后的特征信息进行决策分类精度提取，同时通过与预设的分类精度对比，验证筛选出的特征信息是否可以作为决策分类模型的特征分类目标，并完成模型训练。
优选的，针对特征信息的筛选，可以利用平均不减度减少函数来确定样本中各个特征信息的特征重要性参数，并通过排序选取出待确定的特征信息。其中，特征信息重要性的评估优选以及建筑垃圾信息提取的分类结果可以通过平均不减度减少的方法实现，以优化特征空间。对于分类问题，可以采用基尼不纯度指数选择最优空间，其中，基尼指数用于表征在训练样本数据中某个被错分的随机样本概率，指数越小，训练样本数据的不纯度越低，训练样本数据纯度越高。基尼指数Gini如下计算：
Figure BDA0003198250290000101
式(6)中，D为训练样本数据；Ck为训练样本数据中属于k类的子训练样本数据；k为分类个数。
若特征信息A根据某一值将训练样本数据D分割为D1和D2两部分，在特征信息A的条件下，训练样本数据D的基尼指数Gini(D,A)如下计算：
Figure BDA0003198250290000102
在模型的构建中，通过某特征信息划分后的基尼指数减少的程度越大，训练样本数据纯度越高，则该特征的决策树分类能力越强，平均不减度减少ΔGini如下计算：
Figure BDA0003198250290000103
式(8)中，N为决策树个数；Ginit(D)为第t棵决策树通过特征信息A划分前的基尼指数，Ginit(D,A)为第t棵决策树通过特征信息A划分后的基尼指数；ΔGini用于表征特征信息A的重要性，值越大，则该特征信息A越重要。由此可以得到所有特征信息的排序，根据需求选取序列中排名靠前的特征信息(例如，选取排名前30个特征信息)，构成初始决策分类模型。利用上述提到的训练样本数据对初始模型进行决策分类处理，并提取分类结果的精度，与预先设定的阈值相比较，进一步确定提取的特征信息为决策分类模型的特征分类目标，构建决策分类模型。
优选的，根据训练样本数据对特征重要性参数排序后的特征信息进行决策分类精度提取，并利用分类精度阈值筛选待提取的特征信息之前，本实施的方法还包括：根据训练样本数据的训练样本个数构建多个决策树，并组合所述决策树生成决策分类模型。
本申请实施例中，为了提高决策分类模型分类判断的准确性，可以构建多个决策树，并将其组合生成决策分类模型。通过统计多个决策树的判断结果的投票，得到决策分类模型的输出结果。例如，训练3棵决策树，其中两棵的判断结果为A，另一棵的判断结果为B，则决策分类模型的输出结果为A。具体的，可以利用装袋算法，即随机并有放回的抽取N个样本构成训练样本数据，其中约有1/3的样本数据被称袋外数据，根据基尼系数最小原则：
Figure BDA0003198250290000111
式(9)中，T为训练样本数据，Ci为随机选择的一类样本，
Figure BDA0003198250290000112
所选样本为Ci类别的概率。
可以理解的是，利用上述方法构建的决策分类模型，因其样本与特征的原则具有随机性，不容易出现过拟合且对噪声具有较好的容忍度。
进一步的，根据训练样本数据对特征重要性参数排序后的特征信息进行决策分类精度提取，并利用分类精度阈值筛选待提取的特征信息包括：利用训练样本数据，按照各特征信息训练决策分类模型，确定各特征信息所对应的决策分类精度，以与分类精度阈值进行对比；若决策分类精度大于所述分类精度阈值，则确定与所述决策分类精度对应的特征信息为待提取的特征信息。
在上述步骤中，采用平均不减度减少函数确定并筛选出一定数量的特征信息，并构成初始模型。为了进一步验证该特征信息是否符合分类精度要求，在本申请实施例中，利用上述获取的训练样本数据，对初始模型进行验证。具体的，决策分类模型由多个决策树构成，决策树中的每一个节点都是关于某个特征信息的条件，利用不纯度确定节点，即最优条件，通过计算每个特征信息平均减少的不纯度，并将其作为特征信息选择的值，即分类精度。将其与分类精度阈值相比较，若大于，则说明该特征信息为待提取的特征信息。优选的，可以利用决策分类模型构建一个特征信息重要性评估模型，具体流程如图3所示。
在本申请实施例中，为了进一步说明及限定，在获取建筑垃圾样本数据集中的训练样本数据之前，本实施例方法还包括：采集至少一个待识别建筑垃圾区域中不同地物信息对应的现场光谱数据以及高光谱数据；按照地理坐标与遥感坐标的差值，将现场光谱数据特征匹配至高光谱数据的坐标系中，建立地物波谱数据库；基于地物波谱数据库构建建筑垃圾样本数据集。
需要说明的是，建筑垃圾样本数据集是由现场光谱采集数据与高光谱图像中的光谱信息共同生成的，由于地理坐标与遥感图像的坐标系并不相同，因此需要将两个坐标系进行匹配，统一到一个坐标系中。具体的，为了构建建筑垃圾样本数据集，需要采集至少一个待识别建筑垃圾区域中不同地物信息对应的现场光谱数据以及高光谱数据，其中，可以利用GPS手簿与光谱仪同步获取某一处建筑垃圾的经纬度坐标与光谱曲线，也可使用其他仪器进行采集，本申请实施例不做具体限定。基于两者坐标的差值，以高光谱数据的坐标系为基准，将现场光谱数据进行特征匹配，建立地物波谱数据库，其中，地物波谱数据库中存储有不同地物信息与不同光谱数据之间的对应关系。示例性的，可以利用ENVI Classic中的Pixel Location工具，以World Geodetic System-1984 Coordinate System(WGS-84)为基准，以geographic lat/lon projection为投影坐标系，输入地面采集的建筑渣土、覆盖防尘网的建筑垃圾和其他地物的坐标信息，在遥感图像上进行定位，接着使用SpectralProfile工具查看该点的光谱曲线是否与地面光谱曲线有相同的走势与光谱值，若区别较大则对比周围其他地物光谱曲线进行匹配，直到现场光谱数据与高光谱数据特征匹配成功。进一步的，基于建立的地物波谱数据库构建建筑垃圾样本数据集，其中，建筑物垃圾样本数据集中的地物信息包括建筑渣土信息、植被信息、防尘网信息、建筑物信息、水体信息、道路信息等。
可选的，为了使分类识别结果更准确，在对遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据之前，本实施例方法还包括：识别遥感影像数据与训练样本数据之间是否存在几何形变差异和/或辐射失真状态；若存在几何形变差异和/或辐射失真状态，则对遥感影像数据进行图像数据预处理。
需要说明的是，理想状态下的遥感影像数据可以真实地反映地物几何特征和能量辐射分布，但在实际获取到的影像中，信息传输和接收的过程中会受到各种不确定因素的影响，导致遥感影像数据出现几何形变和辐射失真等数据完整性的问题。为了避免这一情况的发生，可以在对遥感影像数据进行多尺度分割处理之前，进行预处理。具体的，首先判断遥感影像数据与训练样本数据之间是否存在几何形变差异和/或辐射失真状态，若存在，则对遥感影像数据进行图像数据预处理，进一步的，对处理后的遥感影像数据进行多尺度分割处理。其中，图像数据预处理至少包括波段组合处理、辐射定标处理、大气校正处理、正射校正处理中一项。
其中，辐射定标处理是指将遥感影像的数字量化值转化为有物理意义的大气表观辐射亮度值，用以消除传感器本身误差，确定传感器入瞳处准确辐射值，用以计算地物光谱反射率或光谱辐射亮度。优选的，可以根据卫星轨道和传感器参数，利用ENVI5.3软件中的FLAASH大气校正模块对遥感影像进行大气校正，消除由大气影响所造成的辐射误差，反演地物真实的反射率，也可使用其他方式进行辐射定标处理，本申请实施例不做具体限定。正射校正处理是指对影像进行几何畸变纠正的过程，目的是为了将对由地形、相机几何特性以及与传感器相关的误差所造成的明显的几何畸变进行处理。
为了保证对建筑垃圾的图像识别的准确率，可选的，在将分类处理后遥感影像数据的分类特征信息确定为建筑垃圾区域的识别结果之后，本实施例方法还包括：基于识别结果建立建筑垃圾区域的误差矩阵，并基于误差矩阵分别确定图像精度、用户精度、总体分类精度；若图像精度、用户精度、总体分类精度符合预设精度阈值，则输出所述识别结果；若图像精度、用户精度、总体分类精度中至少一项不符合预设精度阈值，则输出告警信息。
本申请实施例中，可以通过采用建立误差矩阵确定结果精度的方式，来对识别结果进行校核，以保证识别结果的准确性。具体的，基于识别结果建立误差矩阵，并确定图像精度、用户精度、总体分类精度。其中，图像精度用于表征分类决策模型将获取的遥感影像数据的像元正确分类的像元数与该类真实参考总数的比率。用户精度用于表征正确分到某类的像元总数与分类决策模型将整个遥感影像数据的像元分为该类的像元总数比率。总体分类精度用于表征正确分类的采样点与全部采样点数值之间的比值。进一步的，通过将各个精度与预设的阈值相比较，若符合阈值要求，则输出结果；否则输出警告，进一步的，对建筑垃圾区域的遥感影像数据重新进行图像识别。
在本申请的实施例中，优选的，特征信息包括光谱特征、植被指数特征、水体指数特征、纹理特征等，也可根据实际情况进行增加或删减，本申请实施例不做具体限定。
结合上述各实施例的具体实施过程，在具体的应用场景中，给出如下整体应用的一个实例内容，总体路线如图4所示，但不限于此。首先，通过卫星获取欧比特遥感影像高光谱，将其与训练样本数据相比较，判断是否存在形变或失真状态，若存在，则通过辐射定标、正射校正、或大气校正等图像预处理手段对其进行校正。并对校正后的影像进行多尺度分割。其次，通过采集待识别建筑垃圾区域中不同地物信息对应的现场光谱数据以及高光谱数据，经过特征匹配后构建建筑垃圾样本数据集，并从中获取训练样本数据和验证样本数据。利用平均不减度减少函数提取训练样本数据中的重要的特征信息，利用验证样本数据对其进行确定，并构建决策分类模型。经分类处理后的分类识别结果进行输出，如图5所示。最后，对输出的分类识别结果与遥感影像进行精度对比判断，如图6所示为遥感影像实景示意图，如图7所述为分类结果精度实景示意图。
本申请提供了一种建筑垃圾的图像识别方法，与现有技术相比，本申请实施例通过获取待识别建筑垃圾区域的遥感影像数据，所述遥感影像数据为对所述建筑垃圾区域进行高光谱遥感影像采集得到的；对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据，所述多尺度分割处理为基于同质性最大值、异质性极小值确定为分割对象层的；利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理，所述决策分类模型为基于特征重要性参数对待提取的特征信息进行确定后完成模型训练得到的；将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果，提高了图像分类识别建筑垃圾的准确度。
进一步的，作为对上述图1所示方法的实现，本申请实施例提供了一种建筑垃圾的图像识别装置，如图8所示，该装置包括：
第一获取模块21、分割模块22、分类模块23、第一确定模块24。
第一获取模块21，用于获取待识别建筑垃圾区域的遥感影像数据，所述遥感影像数据为对所述建筑垃圾区域进行高光谱遥感影像采集得到的；
分割模块22，用于对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据，所述多尺度分割处理为基于同质性最大值、异质性极小值确定为分割对象层的；
分类模块23，用于利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理，所述决策分类模型为基于特征重要性参数对待提取的特征信息进行确定后完成模型训练得到的；
第一确定模块24，用于将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果。
在具体的应用场景中，所述分类模块23之前，所述装置还包括：
第二获取模块，用于获取建筑垃圾样本数据集中的训练样本数据；
排序模块，用于利用平均不减度减少函数确定与所述训练样本数据中各特征信息对应的特征重要性参数，并进行特征重要性参数排序；
筛选模块，用于根据所述训练样本数据对特征重要性参数排序后的特征信息进行决策分类精度提取，并利用分类精度阈值筛选待提取的特征信息；
训练模块，用于根据筛选的特征信息作为决策分类模型的特征分类目标，完成对所述决策分类模型的模型训练。
在具体的应用场景中，所述筛选模块之前，所述装置还包括：
第一构建模块，用于根据所述训练样本数据的训练样本个数构建多个决策树，并组合所述决策树生成决策分类模型；
所述筛选模块包括：
对比单元，用于确定利用所述训练样本数据，按照各特征信息训练所述决策分类模型，确定各特征信息所对应的决策分类精度，以与分类精度阈值进行对比；
确定单元，用于若所述决策分类精度大于所述分类精度阈值，则确定与所述决策分类精度对应的特征信息为待提取的特征信息。
在具体的应用场景中，所述第二获取模块之前，所述装置还包括：
采集模块，用于采集至少一个待识别建筑垃圾区域中不同地物信息对应的现场光谱数据以及高光谱数据；
匹配模块，用于按照地理坐标与遥感坐标的差值，将所述现场光谱数据特征匹配至所述高光谱数据的坐标系中，建立地物波谱数据库，所述地物波谱数据库中存储有不同地物信息与不同光谱数据之间的对应关系；
第二构建模块，用于基于所述地物波谱数据库构建建筑垃圾样本数据集，所述建筑物垃圾样本数据集中的地物信息包括建筑渣土信息、植被信息、防尘网信息、建筑物信息、水体信息、道路信息。
在具体的应用场景中，所述分割模块22之前，所述装置还包括：
识别模块，用于识别所述遥感影像数据与所述训练样本数据之间是否存在几何形变差异和/或辐射失真状态；
预处理模块，用于若存在几何形变差异和/或辐射失真状态，则对所述遥感影像数据进行图像数据预处理，以对处理后的遥感影像数据进行多尺度分割处理，所述图像数据预处理至少包括波段组合处理、辐射定标处理、大气校正处理、正射校正处理中一项。
在具体的应用场景中，所述第一确定模块24之后，所述装置还包括：
第二确定模块，用于基于所述识别结果建立所述建筑垃圾区域的误差矩阵，并基于所述误差矩阵分别确定图像精度、用户精度、总体分类精度；
输出模块，用于若所述图像精度、所述用户精度、所述总体分类精度符合预设精度阈值，则输出所述识别结果；
警告模块，用于若所述图像精度、所述用户精度、所述总体分类精度中至少一项不符合预设精度阈值，则输出告警信息，以对所述建筑垃圾区域的遥感影像数据重新进行图像识别。
在具体的应用场景中，所述特征信息包括光谱特征、植被指数特征、水体指数特征、纹理特征。
本申请提供了一种建筑垃圾的图像识别装置，与现有技术相比，本申请实施例通过获取待识别建筑垃圾区域的遥感影像数据，所述遥感影像数据为对所述建筑垃圾区域进行高光谱遥感影像采集得到的；对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据，所述多尺度分割处理为基于同质性最大值、异质性极小值确定为分割对象层的；利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理，所述决策分类模型为基于特征重要性参数对待提取的特征信息进行确定后完成模型训练得到的；将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果，提高了图像分类识别建筑垃圾的准确度。
根据本申请一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的建筑垃圾的图像识别方法。
图9示出了根据本申请一个实施例提供的一种终端的结构示意图，本申请具体实施例并不对终端的具体实现做限定。
如图9所示，该终端可以包括：处理器(processor)302、通信接口(CommunicationsInterface)304、存储器(memory)306、以及通信总线308。
其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302，用于执行程序310，具体可以执行上述建筑垃圾的图像识别方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序310具体可以用于使得处理器502执行以下操作：
获取待识别建筑垃圾区域的遥感影像数据，所述遥感影像数据为对所述建筑垃圾区域进行高光谱遥感影像采集得到的；
对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据，所述多尺度分割处理为基于同质性最大值、异质性极小值确定为分割对象层的；
利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理，所述决策分类模型为基于特征重要性参数对待提取的特征信息进行确定后完成模型训练得到的；
将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，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，均应包括在本申请的保护范围之内。

Claims (10)

1.一种建筑垃圾的图像识别方法，其特征在于，包括：
获取待识别建筑垃圾区域的遥感影像数据，所述遥感影像数据为对所述建筑垃圾区域进行高光谱遥感影像采集得到的；
对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据，所述多尺度分割处理为基于同质性最大值、异质性极小值确定为分割对象层的；
利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理，所述决策分类模型为基于特征重要性参数对待提取的特征信息进行确定后完成模型训练得到的；
将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理之前，所述方法还包括：
获取建筑垃圾样本数据集中的训练样本数据；
利用平均不减度减少函数确定与所述训练样本数据中各特征信息对应的特征重要性参数，并进行特征重要性参数排序；
根据所述训练样本数据对特征重要性参数排序后的特征信息进行决策分类精度提取，并利用分类精度阈值筛选待提取的特征信息；
根据筛选的特征信息作为决策分类模型的特征分类目标，完成对所述决策分类模型的模型训练。
3.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本数据对特征重要性参数排序后的特征信息进行决策分类精度提取，并利用分类精度阈值筛选待提取的特征信息之前，所述方法还包括：
根据所述训练样本数据的训练样本个数构建多个决策树，并组合所述决策树生成决策分类模型；
所述根据所述训练样本数据对特征重要性参数排序后的特征信息进行决策分类精度提取，并利用分类精度阈值筛选待提取的特征信息包括：
利用所述训练样本数据，按照各特征信息训练所述决策分类模型，确定各特征信息所对应的决策分类精度，以与分类精度阈值进行对比；
若所述决策分类精度大于所述分类精度阈值，则确定与所述决策分类精度对应的特征信息为待提取的特征信息。
4.根据权利要求2所述的方法，其特征在于，所述获取建筑垃圾样本数据集中的训练样本数据之前，所述方法还包括：
采集至少一个待识别建筑垃圾区域中不同地物信息对应的现场光谱数据以及高光谱数据；
按照地理坐标与遥感坐标的差值，将所述现场光谱数据特征匹配至所述高光谱数据的坐标系中，建立地物波谱数据库，所述地物波谱数据库中存储有不同地物信息与不同光谱数据之间的对应关系；
基于所述地物波谱数据库构建建筑垃圾样本数据集，所述建筑物垃圾样本数据集中的地物信息包括建筑渣土信息、植被信息、防尘网信息、建筑物信息、水体信息、道路信息。
5.根据权利要求2所述的方法，其特征在于，所述对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据之前，所述方法还包括：
识别所述遥感影像数据与所述训练样本数据之间是否存在几何形变差异和/或辐射失真状态；
若存在几何形变差异和/或辐射失真状态，则对所述遥感影像数据进行图像数据预处理，以对处理后的遥感影像数据进行多尺度分割处理，所述图像数据预处理至少包括波段组合处理、辐射定标处理、大气校正处理、正射校正处理中一项。
6.根据权利要求1所述的方法，其特征在于，所述将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果之后，所述方法还包括：
基于所述识别结果建立所述建筑垃圾区域的误差矩阵，并基于所述误差矩阵分别确定图像精度、用户精度、总体分类精度；
若所述图像精度、所述用户精度、所述总体分类精度符合预设精度阈值，则输出所述识别结果；
若所述图像精度、所述用户精度、所述总体分类精度中至少一项不符合预设精度阈值，则输出告警信息，以对所述建筑垃圾区域的遥感影像数据重新进行图像识别。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述特征信息包括光谱特征、植被指数特征、水体指数特征、纹理特征。
8.一种建筑垃圾的图像识别装置，其特征在于，包括：
第一获取模块，用于获取待识别建筑垃圾区域的遥感影像数据，所述遥感影像数据为对所述建筑垃圾区域进行高光谱遥感影像采集得到的；
分割模块，用于对所述遥感影像数据进行多尺度分割处理，得到标识不同分割结果的遥感影像数据，所述多尺度分割处理为基于同质性最大值、异质性极小值确定为分割对象层的；
分类模块，用于利用已完成训练的决策分类模型对标识不同分割结果的遥感影像数据进行分类处理，所述决策分类模型为基于特征重要性参数对待提取的特征信息进行确定后完成模型训练得到的；
确定模块，用于将分类处理后所述遥感影像数据的分类特征信息确定为所述建筑垃圾区域的识别结果。
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的建筑垃圾的图像识别方法对应的操作。
10.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的建筑垃圾的图像识别方法对应的操作。
CN202110896935.2A 2021-08-05 2021-08-05 建筑垃圾的图像识别方法及装置 Pending CN113780076A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110896935.2A CN113780076A (zh) 2021-08-05 2021-08-05 建筑垃圾的图像识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110896935.2A CN113780076A (zh) 2021-08-05 2021-08-05 建筑垃圾的图像识别方法及装置

Publications (1)

Publication Number Publication Date
CN113780076A true CN113780076A (zh) 2021-12-10

Family

ID=78837014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110896935.2A Pending CN113780076A (zh) 2021-08-05 2021-08-05 建筑垃圾的图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN113780076A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723999A (zh) * 2022-05-24 2022-07-08 航天宏图信息技术股份有限公司 一种基于无人机正射影像的垃圾识别方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090123070A1 (en) * 2007-11-14 2009-05-14 Itt Manufacturing Enterprises Inc. Segmentation-based image processing system
US20090316988A1 (en) * 2008-06-18 2009-12-24 Samsung Electronics Co., Ltd. System and method for class-specific object segmentation of image data
CN107247966A (zh) * 2017-06-02 2017-10-13 太仓韬信信息科技有限公司 一种高光谱图像分类方法
CN110598784A (zh) * 2019-09-11 2019-12-20 北京建筑大学 基于机器学习的建筑垃圾分类方法及装置
CN111126482A (zh) * 2019-12-23 2020-05-08 自然资源部国土卫星遥感应用中心 一种基于多分类器级联模型的遥感影像自动分类方法
CN112446522A (zh) * 2019-09-02 2021-03-05 中国林业科学研究院资源信息研究所 面对多尺度分割的产草量估算方法、装置及存储介质
CN112906528A (zh) * 2021-02-05 2021-06-04 北京观微科技有限公司 一种融合多源卫星遥感数据的城市建筑物材质分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090123070A1 (en) * 2007-11-14 2009-05-14 Itt Manufacturing Enterprises Inc. Segmentation-based image processing system
US20090316988A1 (en) * 2008-06-18 2009-12-24 Samsung Electronics Co., Ltd. System and method for class-specific object segmentation of image data
CN107247966A (zh) * 2017-06-02 2017-10-13 太仓韬信信息科技有限公司 一种高光谱图像分类方法
CN112446522A (zh) * 2019-09-02 2021-03-05 中国林业科学研究院资源信息研究所 面对多尺度分割的产草量估算方法、装置及存储介质
CN110598784A (zh) * 2019-09-11 2019-12-20 北京建筑大学 基于机器学习的建筑垃圾分类方法及装置
CN111126482A (zh) * 2019-12-23 2020-05-08 自然资源部国土卫星遥感应用中心 一种基于多分类器级联模型的遥感影像自动分类方法
CN112906528A (zh) * 2021-02-05 2021-06-04 北京观微科技有限公司 一种融合多源卫星遥感数据的城市建筑物材质分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONG, S 等: "Research on Remote Sensing Feature Selection and Information Extraction of Urban Construction Waste Based on Jilin-1 Image", 《2020 INTERNATIONAL CONFERENCE ON GREEN DEVELOPMENT AND ENVIRONMENTAL SCIENCE AND TECHNOLOGY》, vol. 615, no. 1, pages 1 - 7 *
徐锐: "高光谱高空间分辨率遥感影像建筑物提取及场景理解", 《中国优秀硕士学位论文全文数据库 基础科学辑》, pages 008 - 250 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723999A (zh) * 2022-05-24 2022-07-08 航天宏图信息技术股份有限公司 一种基于无人机正射影像的垃圾识别方法及装置
CN114723999B (zh) * 2022-05-24 2022-08-23 航天宏图信息技术股份有限公司 一种基于无人机正射影像的垃圾识别方法及装置

Similar Documents

Publication Publication Date Title
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
Lee et al. Fusion of lidar and imagery for reliable building extraction
US9251420B2 (en) System for mapping and identification of plants using digital image processing and route generation
US8233712B2 (en) Methods of segmenting a digital image
CN110263717B (zh) 一种融入街景影像的土地利用类别确定方法
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
Mhangara et al. Potential of texture-based classification in urban landscapes using multispectral aerial photos
Shahi et al. Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery
US20210027055A1 (en) Methods and Systems for Identifying Topographic Features
JP2001143054A (ja) 衛星画像処理方法
Tang et al. A multiple-point spatially weighted k-NN method for object-based classification
CN111666900A (zh) 基于多源遥感影像的土地覆盖分类图的获取方法和装置
CN114898089B (zh) 一种融合高分影像和poi数据的功能区提取与分类方法
Tullis et al. Expert system house detection in high spatial resolution imagery using size, shape, and context
CN116258956A (zh) 无人机树木识别方法、设备、存储介质及装置
CN112597936B (zh) 基于面向对象分层分割的建筑垃圾分离方法及相关产品
CN113780076A (zh) 建筑垃圾的图像识别方法及装置
CN110580507A (zh) 一种城市肌理分类识别方法
CN1252588C (zh) 高光谱遥感图像联合加权随机分类方法
CN110929739B (zh) 一种自动化的不透水面范围遥感迭代提取方法
CN115147726B (zh) 城市形态图的生成方法、装置、电子设备和可读存储介质
Engstrom et al. Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka
Ansith et al. A modified Generative Adversarial Network (GAN) architecture for land use classification
CN109190451B (zh) 基于lfp特征的遥感图像车辆检测方法
CN114240940B (zh) 一种基于遥感影像的云及云阴影检测方法和装置

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