CN114220017A - 遥感数据尺度自适应调整方法、装置、存储介质及设备 - Google Patents
遥感数据尺度自适应调整方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN114220017A CN114220017A CN202210164693.2A CN202210164693A CN114220017A CN 114220017 A CN114220017 A CN 114220017A CN 202210164693 A CN202210164693 A CN 202210164693A CN 114220017 A CN114220017 A CN 114220017A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- scale
- classification
- optimal
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种遥感数据尺度自适应调整方法、装置、存储介质及设备,基于均值漂移算法对目标区域的遥感影像进行地物分割,构建每一个地物对象的最小外包矩形,根据多个最小外包矩形的最长边的长度值确定多个图像尺度组合,基于网格搜索法和预训练的遥感分类模型,获取图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔,实现模型输入图像尺度的自适应调整,利用预训练的遥感分类模型对具有最优图像尺度组合和最优尺度采样间隔的遥感影像进行遥感分类,避免人工设置图像尺度导致的局部最优,提高遥感分类准确性。
Description
技术领域
本发明涉及遥感影像领域,尤其是涉及一种遥感数据尺度自适应调整方法、装置、存储介质及设备。
背景技术
现有技术中通常采用卷积神经网络(Convolutional Neural Network, CNN)提取遥感图像所包含的地物特征。卷积神经网络通常包含输入层、卷积层、池化层及输出层等结构,其通过卷积层中的过滤器来自动地提取遥感影像中所包含的地物特征,卷积层的输入数据来源于输入层输入的遥感图像,遥感图像的尺度直接影响卷积层的感受野的大小。
目前通常是在人工设置的一个固定的图像尺度区间对遥感影像进行采样,以提高遥感分类的精度,然而,上述采样方式得到的遥感影像具有较大的随机性,影响遥感分类的精度。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种遥感数据尺度自适应调整方法、装置、存储介质及设备,可以有效提高遥感分类精度。
本申请的第一方面,提供了一种遥感数据尺度自适应调整方法,包括以下步骤:
获取目标区域的遥感影像;
基于均值漂移算法,对所述目标区域的遥感影像进行地物分割,提取地物对象的边界信息;
根据所述边界信息,构建每一个地物对象的最小外包矩形,获取多个最小外包矩形的最长边的长度值;
根据所述多个最小外包矩形的最长边的长度值确定多个图像尺度,对所述多个图像尺度进行组合,获取多个图像尺度组合对应的遥感影像的图像集合;
基于网格搜索法和预训练的遥感分类模型,获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔;
根据所述最优图像尺度组合和所述最优尺度采样间隔对所述遥感影像进行采样,利用预训练的遥感分类模型对所述采样的遥感影像进行遥感分类,获取目标区域的地物信息。
本申请的第二方面,提供了一种遥感数据尺度自适应调整装置,包括:
遥感影像获取模块,用于获取目标区域的遥感影像;
边界信息提取模块,用于基于均值漂移算法,对所述目标区域的遥感影像进行地物分割,提取地物对象的边界信息;
长度值获取模块,用于根据所述边界信息,构建每一个地物对象的最小外包矩形,获取多个最小外包矩形的最长边的长度值;
图像集合获取模块,用于根据所述多个最小外包矩形的最长边的长度值确定多个图像尺度,对所述多个图像尺度进行组合,获取多个图像尺度组合对应的遥感影像的图像集合;
最优参数获取模块,用于基于网格搜索法和预训练的遥感分类模型,获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔;
分类模块,用于根据所述最优图像尺度组合和所述最优尺度采样间隔对所述遥感影像进行采样,利用预训练的遥感分类模型对所述采样的遥感影像进行遥感分类,获取目标区域的地物信息。
本申请的第三方面,提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的遥感数据尺度自适应调整方法的步骤。
本申请的第四方面,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的遥感数据尺度自适应调整方法的步骤。
在本申请实施例中,基于均值漂移算法对目标区域的遥感影像进行地物分割,构建每一个地物对象的最小外包矩形,根据多个最小外包矩形的最长边的长度值确定多个图像尺度组合,基于网格搜索法和预训练的遥感分类模型,获取图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔,实现模型输入图像尺度的自适应调整,利用预训练的遥感分类模型对具有最优图像尺度组合和最优尺度采样间隔的遥感影像进行遥感分类,避免人工设置图像尺度导致的局部最优,提高遥感分类准确性。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明一个实施例中一种遥感数据尺度自适应调整方法的流程图;
图2为本发明一个实施例中地物对象的最小外包矩形的示意图;
图3为本发明一个实施例中遥感分类模型的结构示意图;
图4为本发明一个实施例中遥感数据尺度自适应调整装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅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,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“若干个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A 和/或B,可以表示:单独存在A,同时存在A 和B,单独存在B 这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1,本申请提供了一种遥感数据尺度自适应调整方法,包括以下步骤:
S1:获取目标区域的遥感影像;
目标区域为设定的一片地表区域,在本申请实施例中,目标区域内至少包括一种地物,地物可以包括植被、道路、建筑物、水泥等人工地物或者湖泊、河流等水体。
遥感影像可以是目标区域的高分辨率影像,遥感影像可以包括目标区域各种地物的光谱特征、几何特征、空间结构等信息。
S2:基于均值漂移算法,对所述目标区域的遥感影像进行地物分割,提取地物对象的边界信息;
均值漂移算法是一种基于密度梯度上升的非参数方法,通过在选定的初始迭代点,确定一设定半径的圆,将圆内的所有向量相加,相加后的向量的终点指向下一次迭代的圆心,在下一次迭代的圆心确定一设定半径的圆,将圆内的所有向量相加,以此迭代直至下一次迭代的圆的中心点收敛于一个固定的点,也就是概率密度最大的地方,均值漂移算法无需任何先验知识,收敛速度快,图像分割效率较高。在本申请实施例中,基于均值漂移算法对所述目标区域的遥感影像进行地物分割,获取遥感影像的地物对象所在区域的位置信息,得到地物对象的边界信息。
S3:根据所述边界信息,构建每一个地物对象的最小外包矩形,获取多个最小外包矩形的最长边的长度值;
边界信息可以包括该地物对象边界上各点的经纬度等位置信息,边界信息可以通过查询对应的影像数据库得到。
在构建每一个地物对象的最小外包矩形时,可以先将分割后的遥感影像转换为shapefile矢量格式,shapefile是一种存储有几何图形的位置和相关属性的矢量图形格式。
最小外包矩形(MBR)是指包围所述地物对象的面积最小或者周长最小的矩形,如图2所示,其为一个实施例中在shapefile矢量格式的遥感影像上的两个地物对象的最小外包矩形,其中,两个最小外包矩形的最长边分别为和。
在一个实施例中,在获取所述最小外包矩形的最长边的长度值之前,还包括以下步骤:
剔除小于预设阈值的长度值。
预设阈值可以根据用户的实际需求进行设置,在本申请实施例中,通过删除小于预设阈值的长度值,降低网格搜索法计算的数据量,提高搜索效率。
S4:根据所述多个最小外包矩形的最长边的长度值确定多个图像尺度,对所述多个图像尺度进行组合,获取多个图像尺度组合对应的遥感影像的图像集合;
图像尺度与所述最小外包矩形的最长边的长度值对应的图像大小,具体地,图像尺度可以与最小外包矩形的最长边的长度值相同,例如,当最小外包矩形的最长边的长度值S,则其对应的图像尺度为S*S。或者,图像尺度也可以是最小外包矩形的最长边的长度值的倍数,例如,当最小外包矩形的最长边的长度值S,则其对应的图像尺度为nS*nS,其中,n>0,n的具体数值可以根据用户的实际需求进行设置。
图像尺度组合包括多个图像尺度,在本申请实施例中,在获取图像尺度组合时,可以先对多个最小外包矩形的最长边的长度值进行排序,按照从小到大的方式依次列举每一个长度值对应的图像尺度,并选取两个或两个以上图像尺度进行组合,得到多个图像尺度组合。其中,每一个图像尺度组合包括的图像尺度的数量可以相同,也可以不同。
S5:基于网格搜索法和预训练的遥感分类模型,获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔;
网格搜索法是一种对指定参数模型进行遍历的穷举搜索算法。网格搜索的含义是将指定范围内的连续变量离散化,按设置好的网格密度(或称为步长)划分为有限个变量取值,然后分别将变量的当前取值代入模型中,计算此时的目标函数值。在本申请实施例中,以图像尺度组合和尺度采样间隔作为变量,以遥感分类精度计算方式作为目标函数,求取遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔。
具体地,获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔的步骤包括:
利用所述预训练的遥感分类模型,获取每一个图像尺度组合的遥感影像分类结果;
获取每一个图像尺度组合的遥感影像分类结果对应的遥感分类精度;
获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔。
遥感分类精度可以是利用已有的分类精度评价函数,利用所述目标区域的遥感影像的参考分类数据,统计本申请实施每一个图像尺度组合中各图像尺度的遥感影像分类结果有误的误差数量,得到每一个图像尺度组合的遥感影像分类结果对应的遥感分类精度。具体地,分类精度评价函数可以是生产精度评价函数、总体精度评价函数或者其他满足本申请上述功能的分类精度评价函数。
遥感分类模型为用户预先训练好的用于对遥感影像进行遥感分类的模型,遥感分类模型可以采用现有技术中常用的遥感分类模型。
如图3所示,在本申请实施例中,遥感分类模型基于卷积神经网络模型构建,具体地,在基于网格搜索法和预训练的遥感分类模型,获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔的步骤之前,还包括:
基于卷积神经网络模型,构建并训练用于对遥感影像进行遥感分类的遥感分类模型;其中,所述遥感分类模型包括若干个卷积层、拼接层、全连接层和分类层;
所述若干个卷积层用于提取所述图像尺度组合的遥感影像的特征图;其中,每一个卷积层分别对应图像尺度组合中的一个图像尺度(S1*S1……Si*Si……Sn*Sn);其中,S1、Si、Sn分别为最小外包矩形的最长边的长度。
所述拼接层用于将所述若干个卷积层提取的特征图进行拼接;
所述全连接层用于将所述拼接后的特征转换为预设维度的特征;
所述分类层用于对所述预设维度的特征进行分类,获取所述图像尺度组合的遥感影像分类结果。
卷积神经网络(Convolutional Neural Network, CNN)用于提取遥感图像所包含的地物特征,在本申请实施例中,利用卷积层中的过滤器自动提取遥感影像中所包含的地物特征,得到特征图;利用拼接层将一个图像尺度组合中不同图像尺度的特征图进行拼接,利用全连接层将所述拼接后的特征转换为预设维度的特征,再由分类层对所述预设维度的特征进行分类,获取所述图像尺度组合的遥感影像分类结果。
遥感分类模型的每一个卷积层对应一个图像尺度,用于将提取对应图像尺度的遥感影像进行卷积运算,提取遥感影像中包含的地物特征,从而提高遥感分类模型的遥感分类精度。
在一个优选的实施例中,每一个所述卷积层均设有一卷积核;卷积核的大小根据输入图像的尺度进行设置,从而保证每一个卷积层输出的特征图具有相同的尺度,便于后续的拼接和计算。具体地,按照以下方式,获取每一个卷积层的卷积核大小:
其中,k为卷积核的大小,t为卷积核的步长,S为输入图像的尺度, p为填充值,卷积核的步长和填充值可以根据用户需求进行设置,o为提取的特征图的尺度。
S6:根据所述最优图像尺度组合和所述最优尺度采样间隔对所述遥感影像进行采样,利用预训练的遥感分类模型对所述采样的遥感影像进行遥感分类,获取目标区域的地物信息。
地物信息可以包括地物的类型和分布情况等信息,在本申请实施例中,对于被分类为地物信息的遥感影像,可以进一步分析遥感影像中的光谱、形状或空间,得到目标区域地物的类型和分布情况等地物信息。
在一个实施例中,还包括以下步骤:
在GIS系统上显示所述目标区域的地物信息。
GIS系统(Geographic Information System或Geo-Information system,地理信息系统)是一种空间信息系统,GIS系统在计算机硬、软件系统支持下,可以对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述。在本申请实施例中,通过在GIS系统显示目标区域的地物信息,便于用户快速了解目标区域的地物信息,快速定位感兴趣区域,提高研究效率。
在本申请实施例中,基于均值漂移算法对目标区域的遥感影像进行地物分割,构建每一个地物对象的最小外包矩形,根据多个最小外包矩形的最长边的长度值确定多个图像尺度组合,基于网格搜索法和预训练的遥感分类模型,获取图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔,实现模型输入图像尺度的自适应调整,利用预训练的遥感分类模型对具有最优图像尺度组合和最优尺度采样间隔的遥感影像进行遥感分类,避免人工设置图像尺度导致的局部最优,提高遥感分类准确性。
请参阅图4,本发明还提供了一种遥感数据尺度自适应调整装置,所述GIS系统上设有包括若干个三角面片组成的三维模型;
所述装置包括:
遥感影像获取模块1,用于获取目标区域的遥感影像;
边界信息提取模块2,用于基于均值漂移算法,对所述目标区域的遥感影像进行地物分割,提取地物对象的边界信息;
长度值获取模块3,用于根据所述边界信息,构建每一个地物对象的最小外包矩形,获取多个最小外包矩形的最长边的长度值;
图像集合获取模块4,用于根据所述多个最小外包矩形的最长边的长度值确定多个图像尺度,对所述多个图像尺度进行组合,获取多个图像尺度组合对应的遥感影像的图像集合;
最优参数获取模块5,用于基于网格搜索法和预训练的遥感分类模型,获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔;
分类模块6,用于根据所述最优图像尺度组合和所述最优尺度采样间隔对所述遥感影像进行采样,利用预训练的遥感分类模型对所述采样的遥感影像进行遥感分类,获取目标区域的地物信息。
在一个实施例中,所述遥感数据尺度自适应调整装置还包括:
剔除模块,用于剔除小于预设阈值的长度值。
在一个实施例中,所述遥感数据尺度自适应调整装置还包括:
模型构建模块,用于基于卷积神经网络模型,构建并训练用于对遥感影像进行遥感分类的遥感分类模型;其中,所述遥感分类模型包括若干个卷积层、拼接层、全连接层和分类层;
所述若干个卷积层用于提取所述图像尺度组合的遥感影像的特征图;其中,每一个卷积层分别对应图像尺度组合中的一个图像尺度;
所述拼接层用于将所述若干个卷积层提取的特征图进行拼接;
所述全连接层用于将所述拼接后的特征转换为预设维度的特征;
所述分类层用于对所述预设维度的特征进行分类,获取所述图像尺度组合的遥感影像分类结果。
在一个实施例中,最优参数获取模块5包括:
结果获取单元,用于利用所述预训练的遥感分类模型,获取每一个图像尺度组合的遥感影像分类结果;
精度获取单元,用于获取每一个图像尺度组合的遥感影像分类结果对应的遥感分类精度;
最优参数获取单元,用于获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔。
在一个实施例中,所述遥感数据尺度自适应调整装置还包括:
显示模块,用于在GIS系统上显示所述目标区域的地物信息。
需要说明的是,上述实施例提供的遥感数据尺度自适应调整装置在执行遥感数据尺度自适应调整方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分为不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的遥感数据尺度自适应调整装置与遥感数据尺度自适应调整方法属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述遥感数据尺度自适应调整方法的步骤。
本申请实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本申请实施例还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述遥感数据尺度自适应调整方法的步骤。
本申请实施例所述遥感数据尺度自适应调整方法、装置、存储介质及设备可以为遥感分类模型找到最优的输入图像尺度组合,减少人工进行参数设置的过程,从而提高遥感分类精度。本申请中利用网格搜索方法在一个致密的参数空间中进行最优参数搜索,确保获得目标函数(遥感分类精度)的最大值。而人工设置参数的方式往往容易跳过目标函数(遥感分类精度)的最大值,而仅仅获得局部最优值,本申请实施例所述遥感数据尺度自适应调整方法、装置、存储介质及设备可以有效提高遥感分类精度,具有较强的实际应用价值。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种遥感数据尺度自适应调整方法,其特征在于,包括以下步骤:
获取目标区域的遥感影像;
基于均值漂移算法,对所述目标区域的遥感影像进行地物分割,提取地物对象的边界信息;
根据所述边界信息,构建每一个地物对象的最小外包矩形,获取多个最小外包矩形的最长边的长度值;
根据所述多个最小外包矩形的最长边的长度值确定多个图像尺度,对所述多个图像尺度进行组合,获取多个图像尺度组合对应的遥感影像的图像集合;
基于网格搜索法和预训练的遥感分类模型,获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔;
根据所述最优图像尺度组合和所述最优尺度采样间隔对所述遥感影像进行采样,利用预训练的遥感分类模型对所述采样的遥感影像进行遥感分类,获取目标区域的地物信息。
2.根据权利要求1所述的遥感数据尺度自适应调整方法,其特征在于,在获取最小外包矩形的最长边的长度值之前,还包括以下步骤:
剔除小于预设阈值的长度值。
3.根据权利要求2所述的遥感数据尺度自适应调整方法,其特征在于,在基于网格搜索法和预训练的遥感分类模型,获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔的步骤之前,还包括:
基于卷积神经网络模型,构建并训练用于对遥感影像进行遥感分类的遥感分类模型;其中,所述遥感分类模型包括若干个卷积层、拼接层、全连接层和分类层;
所述若干个卷积层用于提取所述图像尺度组合的遥感影像的特征图;其中,每一个卷积层分别对应图像尺度组合中的一个图像尺度;
所述拼接层用于将所述若干个卷积层提取的特征图进行拼接;
所述全连接层用于将所述拼接后的特征转换为预设维度的特征;
所述分类层用于对所述预设维度的特征进行分类,获取所述图像尺度组合的遥感影像分类结果。
4.根据权利要求3所述的遥感数据尺度自适应调整方法,其特征在于,获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔的步骤包括:
利用所述预训练的遥感分类模型,获取每一个图像尺度组合的遥感影像分类结果;
获取每一个图像尺度组合的遥感影像分类结果对应的遥感分类精度;
获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔。
6.根据权利要求1-5任一项所述的遥感数据尺度自适应调整方法,其特征在于,还包括以下步骤:
在GIS系统上显示所述目标区域的地物信息。
7.一种遥感数据尺度自适应调整装置,其特征在于,包括:
遥感影像获取模块,用于获取目标区域的遥感影像;
边界信息提取模块,用于基于均值漂移算法,对所述目标区域的遥感影像进行地物分割,提取地物对象的边界信息;
长度值获取模块,用于根据所述边界信息,构建每一个地物对象的最小外包矩形,获取多个最小外包矩形的最长边的长度值;
图像集合获取模块,用于根据所述多个最小外包矩形的最长边的长度值确定多个图像尺度,对所述多个图像尺度进行组合,获取多个图像尺度组合对应的遥感影像的图像集合;
最优参数获取模块,用于基于网格搜索法和预训练的遥感分类模型,获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔;
分类模块,用于根据所述最优图像尺度组合和所述最优尺度采样间隔对所述遥感影像进行采样,利用预训练的遥感分类模型对所述采样的遥感影像进行遥感分类,获取目标区域的地物信息。
8.根据权利要求7所述遥感数据尺度自适应调整装置,其特征在于,还包括:
模型构建模块,用于基于卷积神经网络模型,构建并训练用于对遥感影像进行遥感分类的遥感分类模型;其中,所述遥感分类模型包括若干个卷积层、拼接层、全连接层和分类层;
所述若干个卷积层用于提取所述图像尺度组合的遥感影像的特征图;其中,每一个卷积层分别对应图像尺度组合中的一个图像尺度;
所述拼接层用于将所述若干个卷积层提取的特征图进行拼接;
所述全连接层用于将所述拼接后的特征转换为预设维度的特征;
所述分类层用于对所述预设维度的特征进行分类,获取所述图像尺度组合的遥感影像分类结果。
9.一种计算机可读存储介质,其上储存有计算机程序,其特征在于:该计算机程序被处理器执行时实现如权利要求1-6任意一项所述的遥感数据尺度自适应调整方法的步骤。
10.一种计算机设备,其特征在于:包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-6中任意一项所述的遥感数据尺度自适应调整方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164693.2A CN114220017A (zh) | 2022-02-23 | 2022-02-23 | 遥感数据尺度自适应调整方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164693.2A CN114220017A (zh) | 2022-02-23 | 2022-02-23 | 遥感数据尺度自适应调整方法、装置、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114220017A true CN114220017A (zh) | 2022-03-22 |
Family
ID=80709312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210164693.2A Pending CN114220017A (zh) | 2022-02-23 | 2022-02-23 | 遥感数据尺度自适应调整方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114220017A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423695A (zh) * | 2022-07-15 | 2022-12-02 | 清华大学 | 一种用于城市预测任务的街景图像采样方法及装置 |
CN115423695B (zh) * | 2022-07-15 | 2024-05-31 | 清华大学 | 一种用于城市预测任务的街景图像采样方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761717A (zh) * | 2014-01-26 | 2014-04-30 | 河海大学 | 一种基于全色遥感影像的城市水体提取方法 |
CN106980896A (zh) * | 2017-03-16 | 2017-07-25 | 武汉理工大学 | 遥感分类卷积神经网络的关键卷积层超参数确定方法 |
-
2022
- 2022-02-23 CN CN202210164693.2A patent/CN114220017A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761717A (zh) * | 2014-01-26 | 2014-04-30 | 河海大学 | 一种基于全色遥感影像的城市水体提取方法 |
CN106980896A (zh) * | 2017-03-16 | 2017-07-25 | 武汉理工大学 | 遥感分类卷积神经网络的关键卷积层超参数确定方法 |
Non-Patent Citations (2)
Title |
---|
张根 等: "基于多尺度自适应胶囊网络的高光谱遥感分类", 《激光与光电子学进展》 * |
李钢: "《偏微分与变分技术在图像分割中的应用研究》", 31 July 2019, 北京理工大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423695A (zh) * | 2022-07-15 | 2022-12-02 | 清华大学 | 一种用于城市预测任务的街景图像采样方法及装置 |
CN115423695B (zh) * | 2022-07-15 | 2024-05-31 | 清华大学 | 一种用于城市预测任务的街景图像采样方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829399B (zh) | 一种基于深度学习的车载道路场景点云自动分类方法 | |
CN105893972B (zh) | 基于影像进行的违章建筑物自动监测方法及其实现系统 | |
Huisman et al. | Principles of geographic information systems | |
Surabuddin Mondal et al. | Modeling of spatio-temporal dynamics of land use and land cover in a part of Brahmaputra River basin using Geoinformatic techniques | |
CN109031472B (zh) | 一种用于气象预测的数据处理方法及装置 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN108540988B (zh) | 一种场景划分方法及装置 | |
KR20200091329A (ko) | 타겟 객체 예측 네트워크 및 타겟 객체 통합 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 따른 최적화를 위해 재구성 가능한 네트워크 기반의 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
KR20200091331A (ko) | 다중 카메라 혹은 서라운드 뷰 모니터링에 이용되기 위해, 타겟 객체 통합 네트워크 및 타겟 영역 예측 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 적응 가능한 cnn 기반 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
US7778808B2 (en) | Geospatial modeling system providing data thinning of geospatial data points and related methods | |
KR20200091323A (ko) | 핵심성과지표와 같은 사용자 요구 사항에 적합한 타겟 객체 예측 네트워크를 이용한, cnn 기반의 변동에 강인한 객체 검출기를 학습하는 방법 및 학습 장치, 및 이를 이용한 테스팅 방법 및 테스팅 장치 | |
KR20200091324A (ko) | 원거리 검출 또는 군사 목적을 위해, 이미지 컨캐터네이션을 이용한, cnn 기반의 하드웨어 최적화가 가능한 객체 검출기를 학습하는 방법 및 학습 장치, 이를 이용한 테스팅 방법 및 테스팅 장치 | |
CN111090716A (zh) | 矢量瓦片数据处理方法、装置、设备和存储介质 | |
CN113160183A (zh) | 一种高光谱数据处理方法、设备及介质 | |
CN115909096A (zh) | 无人机巡航管道隐患分析方法、装置及系统 | |
Dungan | Toward a comprehensive view of uncertainty in remote sensing analysis | |
CN114220017A (zh) | 遥感数据尺度自适应调整方法、装置、存储介质及设备 | |
CN107832805B (zh) | 一种基于概率位置模型消除空间位置误差对遥感软分类精度评价影响的技术 | |
CN114152302B (zh) | 湖泊蓄水变化量估算方法、系统、电子设备和介质 | |
CN115861816A (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
CN114511571A (zh) | 一种点云数据语义分割方法、系统及相关组件 | |
CN112115793A (zh) | 基于改进Segnet的遥感图像变化检测方法 | |
Bigdeli et al. | DTM generation from the point cloud using a progressive geodesic morphology and a modified Particle Swarm Optimization | |
Olsen et al. | Storm system database: A big data approach to moving object databases | |
CN113569600A (zh) | 物体重识别的方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220322 |