CN114663412A - 基于陆表水域生态红线的长连续遥感图像处理方法及装置 - Google Patents
基于陆表水域生态红线的长连续遥感图像处理方法及装置 Download PDFInfo
- Publication number
- CN114663412A CN114663412A CN202210339187.2A CN202210339187A CN114663412A CN 114663412 A CN114663412 A CN 114663412A CN 202210339187 A CN202210339187 A CN 202210339187A CN 114663412 A CN114663412 A CN 114663412A
- Authority
- CN
- China
- Prior art keywords
- image
- human activity
- remote sensing
- water area
- long continuous
- 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.)
- Granted
Links
- 239000002352 surface water Substances 0.000 title claims abstract description 103
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 241000282414 Homo sapiens Species 0.000 claims abstract description 137
- 230000000694 effects Effects 0.000 claims abstract description 136
- 238000012549 training Methods 0.000 claims description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 abstract description 6
- 238000011176 pooling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于陆表水域生态红线的长连续遥感图像处理方法及装置，本技术方案通过将长连续遥感图像切割成长度在识别模型有效长度范围以内的一类图像，并将超过长度范围的二类图像进行有效折叠，直到所有的图像均符合识别模型的有效长度范围，最后利用人类活动识别模型进行识别，精准地得到各个人类活动点；以解决现有技术中对整个陆表水域形成的长连续图片无法直接通过现有的人类活动识别模型进行处理，导致陆表水域生态红线预警不准确的技术问题，实现对整个陆表水域形成的长连续图片进行精准识别，提高模型识别的准确度，为后续生态环境改善工作提供有力支撑。
Description
技术领域
本发明涉及环境监测技术领域，尤其涉及一种基于陆表水域生态红线的长连续遥感图像处理方法及装置。
背景技术
随着经济社会的发展，人类赖以生存的生态环境受到破坏。陆表水域生态红线是指将陆表水域生态空间范围内具有特殊重要生态功能、必须强制性严格保护的区域划为重点管控区，从而形成的地理区域边界线及相关管理指标的控制线。由于陆表水域红线是保障和维护陆表水域生态安全的底线和生命线，需要及时发现破坏陆表水域红线的行为。
现有技术中针对陆表水域生态红线的识别方法，是通过对遥感图像进行人类活动类型识别，由于现阶段的人类活动识别模型对于输入识别图像的长度具有局限性，而由于水域线路细长，针对整个陆表水域形成的长连续图片无法直接通过现有的人类活动识别模型进行处理。现有技术常常采用直接分割长连续遥感图像的方式，将整个陆表水域分割成多个输入图像进行人类活动类型识别，并以单个图像中存在的人类活动对生态红线影响进行生态红线预警，但没有考虑到整个陆表水域生态中各个人类活动类型对该陆表水域生态形成的综合影响，导致陆表水域生态红线预警不准确，没有为后续生态环境改善工作提供有力支撑。
因此，目前市面上亟需一种基于陆表水域生态红线的长连续遥感图像处理策略，以解决现有技术中对整个陆表水域形成的长连续图片无法直接通过现有的人类活动识别模型进行处理，导致陆表水域生态红线预警不准确的技术问题。
发明内容
本发明提供了一种基于陆表水域生态红线的长连续遥感图像处理方法及装置，实现对整个陆表水域形成的长连续图片进行精准识别，提高模型识别的准确度，为后续生态环境改善工作提供有力支撑。
为了解决上述技术问题，本发明实施例提供了一种基于陆表水域生态红线的长连续遥感图像处理方法，包括：
获取待评估目标区域的长连续遥感图像，对所述长连续遥感图像进行预处理，得到长连续预处理图像；
对所述长连续预处理图像中的陆表水域区域进行标记，并根据每一个陆表水域区域的范围对所述长连续预处理图像进行切割，得到多个切割图像；
根据人类活动识别模型的有效长度范围对所述切割图像进行分类，得到一类切割图像和二类切割图像；其中，所述一类切割图像的长度在所述人类活动识别模型的有效长度范围以内；所述二类切割图像的长度超过所述人类活动识别模型的有效长度范围；
对所述二类切割图像中的疑似人类活动点进行标记，当确定相邻两个疑似人类活动点的横向距离大于预设阈值时，对所述相邻两个疑似人类活动点之间的遥感图像进行折叠，得到三类切割图像；
分别将所述一类切割图像和所述三类切割图像输入到人类活动识别模型进行识别，得到各个人类活动点。
作为优选方案，所述对所述长连续遥感图像进行预处理，得到长连续预处理图像的步骤中，具体为：
对所述长连续遥感图像进行二值化处理，得到二值化图像；
对所述二值化图像进行滤波处理，得到滤波图像；
对所述滤波图像进行灰度处理，得到长连续预处理图像。
作为优选方案，在所述根据每一个陆表水域区域的范围对所述长连续预处理图像进行切割，得到多个切割图像的步骤中，每一个所述切割图像中只含有一个陆表水域区域。
作为优选方案，在所述对所述相邻两个疑似人类活动点之间的遥感图像进行折叠之后，还包括：
对所述预设阈值进行修正，直到折叠后的图像长度在所述人类活动识别模型的有效长度范围以内，得到三类切割图像。
作为优选方案，所述人类活动识别模型的建立过程为：
获取陆表水域遥感图像，将所述陆表水域遥感图像分为训练图像集和测试图像集；其中，所述训练图像集中的陆表水域遥感图像上标注有人类活动点；所述测试图像集中的陆表水域遥感图像为原始图像；
通过仿真软件建立初始识别模型，将所述训练图像集中的陆表水域遥感图像输入到所述初始识别模型进行训练，直到训练次数达到预设次数后，得到训练识别模型；
将所述测试图像集中的陆表水域遥感图像输入到所述训练识别模型进行测试，直到测试准确率达到预设准确率后，得到人类活动识别模型。
作为优选方案，所述初始识别模型通过神经网络算法模型构建。
作为优选方案，所述神经网络算法模型包括：用于提取输入图像特征的前端网络和用于进行人类活动点特征定位及人类活动点中各类建筑物识别的后端网络；
所述前端网络包括：由2个3x3卷积核构成的第一层卷积层、第一池化层、由1个7x7卷积核和2个1x1卷积核构成的第二层卷积层、第二池化层和由1个7x7卷积核构成的第三层卷积层；
所述后端网络包括：用于进行人类活动点特征定位的第一分支和用于进行人类活动点中各类建筑物识别的第二分支；其中，所述第一分支包括：1个7x7卷积核、2个3x3卷积核和2个1x1卷积核依次设置；所述第二分支包括：3个3x3卷积核和2个1x1卷积核相互间隔设置。
作为优选方案，在所述分别将所述一类切割图像和所述三类切割图像输入到人类活动识别模型进行识别，得到各个人类活动点之后，还包括：
分别确定各个人类活动点的类型，以及各个人类活动点与陆表水域区域之间的直线距离；
根据所述类型和所述直线距离，确定所述陆表水域区域的生态红线受影响值；
当确定所述陆表水域区域的生态红线受影响值达到预警值时，发出陆表水域生态红线预警信号。
相应地，本发明另一实施例还提供了一种基于陆表水域生态红线的长连续遥感图像处理装置，包括：
预处理模块，用于获取待评估目标区域的长连续遥感图像，对所述长连续遥感图像进行预处理，得到长连续预处理图像；
图像切割模块，用于对所述长连续预处理图像中的陆表水域区域进行标记，并根据每一个陆表水域区域的范围对所述长连续预处理图像进行切割，得到多个切割图像；
图像分类模块，用于根据人类活动识别模型的有效长度范围对所述切割图像进行分类，得到一类切割图像和二类切割图像；其中，所述一类切割图像的长度在所述人类活动识别模型的有效长度范围以内；所述二类切割图像的长度超过所述人类活动识别模型的有效长度范围；
图像折叠模块，用于对所述二类切割图像中的疑似人类活动点进行标记，当确定相邻两个疑似人类活动点的横向距离大于预设阈值时，对所述相邻两个疑似人类活动点之间的遥感图像进行折叠，得到三类切割图像；
模型识别模块，用于分别将所述一类切割图像和所述三类切割图像输入到人类活动识别模型进行识别，得到各个人类活动点。
作为优选方案，所述预处理模块具体用于：对所述长连续遥感图像进行二值化处理，得到二值化图像；对所述二值化图像进行滤波处理，得到滤波图像；对所述滤波图像进行灰度处理，得到长连续预处理图像。
作为优选方案，所述图像切割模块用于在所述根据每一个陆表水域区域的范围对所述长连续预处理图像进行切割，得到多个切割图像的步骤中，每一个所述切割图像中只含有一个陆表水域区域。
作为优选方案，所述图像折叠模块用于在所述对所述相邻两个疑似人类活动点之间的遥感图像进行折叠之后，还用于：对所述预设阈值进行修正，直到折叠后的图像长度在所述人类活动识别模型的有效长度范围以内，得到三类切割图像。
作为优选方案，所述人类活动识别模型的建立过程为：
获取陆表水域遥感图像，将所述陆表水域遥感图像分为训练图像集和测试图像集；其中，所述训练图像集中的陆表水域遥感图像上标注有人类活动点；所述测试图像集中的陆表水域遥感图像为原始图像；
通过仿真软件建立初始识别模型，将所述训练图像集中的陆表水域遥感图像输入到所述初始识别模型进行训练，直到训练次数达到预设次数后，得到训练识别模型；
将所述测试图像集中的陆表水域遥感图像输入到所述训练识别模型进行测试，直到测试准确率达到预设准确率后，得到人类活动识别模型。
作为优选方案，所述初始识别模型通过神经网络算法模型构建。
作为优选方案，所述神经网络算法模型包括：用于提取输入图像特征的前端网络和用于进行人类活动点特征定位及人类活动点中各类建筑物识别的后端网络；
所述前端网络包括：由2个3x3卷积核构成的第一层卷积层、第一池化层、由1个7x7卷积核和2个1x1卷积核构成的第二层卷积层、第二池化层和由1个7x7卷积核构成的第三层卷积层；
所述后端网络包括：用于进行人类活动点特征定位的第一分支和用于进行人类活动点中各类建筑物识别的第二分支；其中，所述第一分支包括：1个7x7卷积核、2个3x3卷积核和2个1x1卷积核依次设置；所述第二分支包括：3个3x3卷积核和2个1x1卷积核相互间隔设置。
作为优选方案，还包括：生态预警模块，用于在所述分别将所述一类切割图像和所述三类切割图像输入到人类活动识别模型进行识别，得到各个人类活动点之后，分别确定各个人类活动点的类型，以及各个人类活动点与陆表水域区域之间的直线距离；根据所述类型和所述直线距离，确定所述陆表水域区域的生态红线受影响值；当确定所述陆表水域区域的生态红线受影响值达到预警值时，发出陆表水域生态红线预警信号。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的基于城市布局的土壤质量等级确定方法。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的基于城市布局的土壤质量等级确定方法。
相比于现有技术，本发明实施例具有如下有益效果：
本技术方案通过将长连续遥感图像切割成长度在识别模型有效长度范围以内的一类图像，并将超过长度范围的二类图像进行有效折叠，直到所有的图像均符合识别模型的有效长度范围，最后利用人类活动识别模型进行识别，精准地得到各个人类活动点；以解决现有技术中对整个陆表水域形成的长连续图片无法直接通过现有的人类活动识别模型进行处理，导致陆表水域生态红线预警不准确的技术问题，实现对整个陆表水域形成的长连续图片进行精准识别，提高模型识别的准确度，为后续生态环境改善工作提供有力支撑。
附图说明
图1：为本发明实施例提供的一种基于陆表水域生态红线的长连续遥感图像处理方法的步骤流程图；
图2：为本发明实施例中的长连续遥感图像的示意图；
图3：为本发明实施例提供的神经网络算法模型的结构示意图；
图4：为本发明实施例提供的一种基于陆表水域生态红线的长连续遥感图像处理装置的结构示意图；
图5：为本发明实施例提供的终端设备的一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
实施例一
请参照图1，为本发明实施例提供的一种基于陆表水域生态红线的长连续遥感图像处理方法的步骤流程图，包括步骤S1至步骤S5，各步骤具体如下：
步骤S1，获取待评估目标区域的长连续遥感图像，对所述长连续遥感图像进行预处理，得到长连续预处理图像。
在本实施例中，所述步骤S1对所述长连续遥感图像进行预处理，得到长连续预处理图像的步骤中，具体包括：步骤S11，对所述长连续遥感图像进行二值化处理，得到二值化图像；步骤S12，对所述二值化图像进行滤波处理，得到滤波图像；步骤S13，对所述滤波图像进行灰度处理，得到长连续预处理图像。
具体地，首先对待评估目标区域上的遥感图像进行获取，由于在陆表水域区域中，水域本身的形状呈细长的居多，为了获取到待评估目标区域上的整体遥感图像，则需要对整个待评估目标区域的长连续遥感图像进行获取。如图2所示，为实际采集当中的长连续遥感图像的示意图，可见，在长连续遥感图像中，陆表水域是呈细长状态的。
步骤S2，对所述长连续预处理图像中的陆表水域区域进行标记，并根据每一个陆表水域区域的范围对所述长连续预处理图像进行切割，得到多个切割图像。在本实施例中，每一个所述切割图像中只含有一个陆表水域区域。
具体地，为了克服现有的识别模型由于有效长度有限的问题，需要将长连续遥感图像进行切割处理。在实际应用中，我们获取到的长连续遥感图像中有可能涉及多个陆表水域区域的，此时，需要针对长连续遥感图像中的各个陆表水域区域进行切割，原则上每一个切割图像中只含有一个陆表水域区域，这样会使得后续识别更加精准。
步骤S3，根据人类活动识别模型的有效长度范围对所述切割图像进行分类，得到一类切割图像和二类切割图像；其中，所述一类切割图像的长度在所述人类活动识别模型的有效长度范围以内；所述二类切割图像的长度超过所述人类活动识别模型的有效长度范围。
具体地，经过步骤S3的图像切割后，由于陆表水域的长短不一，有可能出现有些切割图像的长度是符合现有的识别模型的有效长度(一类切割图像)，也有可能出现有些切割图像的长度仍然超出现有的识别模型的有效长度(二类切割图像)。
步骤S4，对所述二类切割图像中的疑似人类活动点进行标记，当确定相邻两个疑似人类活动点的横向距离大于预设阈值时，对所述相邻两个疑似人类活动点之间的遥感图像进行折叠，得到三类切割图像。
在本实施例中，在所述对所述相邻两个疑似人类活动点之间的遥感图像进行折叠之后，还包括：对所述预设阈值进行修正，直到折叠后的图像长度在所述人类活动识别模型的有效长度范围以内，得到三类切割图像。
具体地，针对有些二类切割图像的长度仍然超出现有的识别模型的有效长度的情况，首先通过标记的方式对两个活动点之间距离较大的区域进行折叠隐藏了。当两个活动点的距离过大时，可以认为两点之间的区域对陆表水域不会产生一定影响，只需要评估各个活动点之间的关系即可得到该陆表水域的生态情况。因此，在本步骤中，在两点之间距离较大的区域进行折叠后，继续对预设阈值进行修正，防止折叠后的遥感图像依然不符合有效长度的规定。直到若干次折叠后得到遥感图像长度达到识别模型有效长度范围时，则结束折叠，得到三类切割图像。
步骤S5，分别将所述一类切割图像和所述三类切割图像输入到人类活动识别模型进行识别，得到各个人类活动点。
在本实施例中，所述人类活动识别模型的建立过程为：获取陆表水域遥感图像，将所述陆表水域遥感图像分为训练图像集和测试图像集；其中，所述训练图像集中的陆表水域遥感图像上标注有人类活动点；所述测试图像集中的陆表水域遥感图像为原始图像；通过仿真软件建立初始识别模型，将所述训练图像集中的陆表水域遥感图像输入到所述初始识别模型进行训练，直到训练次数达到预设次数后，得到训练识别模型；将所述测试图像集中的陆表水域遥感图像输入到所述训练识别模型进行测试，直到测试准确率达到预设准确率后，得到人类活动识别模型。
具体地，将切割完成的所有图像输入到人类活动识别模型即可实现人类活动点识别了。通过将长连续遥感图像切割成长度在识别模型有效长度范围以内的一类图像，并将超过长度范围的二类图像进行有效折叠，直到所有的图像均符合识别模型的有效长度范围，最后利用人类活动识别模型进行识别，精准地得到各个人类活动点；以解决现有技术中对整个陆表水域形成的长连续图片无法直接通过现有的人类活动识别模型进行处理，导致陆表水域生态红线预警不准确的技术问题，实现对整个陆表水域形成的长连续图片进行精准识别，提高模型识别的准确度，为后续生态环境改善工作提供有力支撑。
在本发明另一实施例中，所述初始识别模型通过神经网络算法模型构建。如图3所示，为本发明实施例中的神经网络算法模型的结构示意图；所述神经网络算法模型包括：用于提取输入图像特征的前端网络和用于进行人类活动点特征定位及人类活动点中各类建筑物识别的后端网络；所述前端网络包括：由2个3x3卷积核构成的第一层卷积层、第一池化层、由1个7x7卷积核和2个1x1卷积核构成的第二层卷积层、第二池化层和由1个7x7卷积核构成的第三层卷积层；所述后端网络包括：用于进行人类活动点特征定位的第一分支和用于进行人类活动点中各类建筑物识别的第二分支；其中，所述第一分支包括：1个7x7卷积核、2个3x3卷积核和2个1x1卷积核依次设置；所述第二分支包括：3个3x3卷积核和2个1x1卷积核相互间隔设置。
具体地，采用卷积层和池化层相互结合的方式构建的算法模型可以使得识别更加精准。为了适应目标区域的场景，我们在调整模型结构时，采用了独特的模型结构，对于人类活动点识别结果更加精准。
在另一实施例中，本发明技术方案还包括：步骤S6：在所述分别将所述一类切割图像和所述三类切割图像输入到人类活动识别模型进行识别，得到各个人类活动点之后，分别确定各个人类活动点的类型，以及各个人类活动点与陆表水域区域之间的直线距离；根据所述类型和所述直线距离，确定所述陆表水域区域的生态红线受影响值；当确定所述陆表水域区域的生态红线受影响值达到预警值时，发出陆表水域生态红线预警信号。
具体地，为了进一步提高本技术方案的实用性，本技术方案还可以结合各个人类活动点的类型和各个人类活动点与陆表水域区域之间的直线距离，计算出陆表水域区域的生态红线受影响值；可以理解的是，任何一种可计算的算法都可以作为本方案的应用，可视实际情况进行替换和调整。最后根据计算得到受影响值判断预警水平，从而发出预警信号，可进一步提高本方案的实用性。
实施例二
如图4所示，为本发明另一实施例提供的一种基于陆表水域生态红线的长连续遥感图像处理装置的结构示意图，包括预处理模块、图像切割模块、图像分类模块、图像折叠模块和模型识别模块，各模块具体如下：
预处理模块，用于获取待评估目标区域的长连续遥感图像，对所述长连续遥感图像进行预处理，得到长连续预处理图像。
在本实施例中，所述预处理模块具体用于：对所述长连续遥感图像进行二值化处理，得到二值化图像；对所述二值化图像进行滤波处理，得到滤波图像；对所述滤波图像进行灰度处理，得到长连续预处理图像。
图像切割模块，用于对所述长连续预处理图像中的陆表水域区域进行标记，并根据每一个陆表水域区域的范围对所述长连续预处理图像进行切割，得到多个切割图像。在本实施例中，每一个所述切割图像中只含有一个陆表水域区域。
图像分类模块，用于根据人类活动识别模型的有效长度范围对所述切割图像进行分类，得到一类切割图像和二类切割图像；其中，所述一类切割图像的长度在所述人类活动识别模型的有效长度范围以内；所述二类切割图像的长度超过所述人类活动识别模型的有效长度范围。
图像折叠模块，用于对所述二类切割图像中的疑似人类活动点进行标记，当确定相邻两个疑似人类活动点的横向距离大于预设阈值时，对所述相邻两个疑似人类活动点之间的遥感图像进行折叠，得到三类切割图像。
在本实施例中，所述图像折叠模块用于在所述对所述相邻两个疑似人类活动点之间的遥感图像进行折叠之后，还用于：对所述预设阈值进行修正，直到折叠后的图像长度在所述人类活动识别模型的有效长度范围以内，得到三类切割图像。
模型识别模块，用于分别将所述一类切割图像和所述三类切割图像输入到人类活动识别模型进行识别，得到各个人类活动点。
本技术方案通过将长连续遥感图像切割成长度在识别模型有效长度范围以内的一类图像，并将超过长度范围的二类图像进行有效折叠，直到所有的图像均符合识别模型的有效长度范围，最后利用人类活动识别模型进行识别，精准地得到各个人类活动点；以解决现有技术中对整个陆表水域形成的长连续图片无法直接通过现有的人类活动识别模型进行处理，导致陆表水域生态红线预警不准确的技术问题，实现对整个陆表水域形成的长连续图片进行精准识别，提高模型识别的准确度，为后续生态环境改善工作提供有力支撑。
在本实施例中，所述人类活动识别模型的建立过程为：获取陆表水域遥感图像，将所述陆表水域遥感图像分为训练图像集和测试图像集；其中，所述训练图像集中的陆表水域遥感图像上标注有人类活动点；所述测试图像集中的陆表水域遥感图像为原始图像；通过仿真软件建立初始识别模型，将所述训练图像集中的陆表水域遥感图像输入到所述初始识别模型进行训练，直到训练次数达到预设次数后，得到训练识别模型；将所述测试图像集中的陆表水域遥感图像输入到所述训练识别模型进行测试，直到测试准确率达到预设准确率后，得到人类活动识别模型。
在另一实施例中，所述初始识别模型通过神经网络算法模型构建。如图2所示，为本发明实施例中的神经网络算法模型的结构示意图；所述神经网络算法模型包括：用于提取输入图像特征的前端网络和用于进行人类活动点特征定位及人类活动点中各类建筑物识别的后端网络；所述前端网络包括：由2个3x3卷积核构成的第一层卷积层、第一池化层、由1个7x7卷积核和2个1x1卷积核构成的第二层卷积层、第二池化层和由1个7x7卷积核构成的第三层卷积层；所述后端网络包括：用于进行人类活动点特征定位的第一分支和用于进行人类活动点中各类建筑物识别的第二分支；其中，所述第一分支包括：1个7x7卷积核、2个3x3卷积核和2个1x1卷积核依次设置；所述第二分支包括：3个3x3卷积核和2个1x1卷积核相互间隔设置。
具体地，采用卷积层和池化层相互结合的方式构建的算法模型可以使得识别更加精准。为了适应目标区域的场景，我们在调整模型结构时，采用了独特的模型结构，对于人类活动点识别结果更加精准。
在另一实施例中，还包括：生态预警模块，用于在所述分别将所述一类切割图像和所述三类切割图像输入到人类活动识别模型进行识别，得到各个人类活动点之后，分别确定各个人类活动点的类型，以及各个人类活动点与陆表水域区域之间的直线距离；根据所述类型和所述直线距离，确定所述陆表水域区域的生态红线受影响值；当确定所述陆表水域区域的生态红线受影响值达到预警值时，发出陆表水域生态红线预警信号。
具体地，为了进一步提高本技术方案的实用性，本技术方案还可以结合各个人类活动点的类型和各个人类活动点与陆表水域区域之间的直线距离，计算出陆表水域区域的生态红线受影响值；可以理解的是，任何一种可计算的算法都可以作为本方案的应用，可视实际情况进行替换和调整。最后根据计算得到受影响值判断预警水平，从而发出预警信号，可进一步提高本方案的实用性。
实施例三
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的基于陆表水域生态红线的长连续遥感图像处理方法。
实施例四
请参照图5，是本发明实施例提供的终端设备的一种实施例的结构示意图，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的基于陆表水域生态红线的长连续遥感图像处理方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，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，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于陆表水域生态红线的长连续遥感图像处理方法，其特征在于，包括：
获取待评估目标区域的长连续遥感图像，对所述长连续遥感图像进行预处理，得到长连续预处理图像；
对所述长连续预处理图像中的陆表水域区域进行标记，并根据每一个陆表水域区域的范围对所述长连续预处理图像进行切割，得到多个切割图像；
根据人类活动识别模型的有效长度范围对所述切割图像进行分类，得到一类切割图像和二类切割图像；其中，所述一类切割图像的长度在所述人类活动识别模型的有效长度范围以内；所述二类切割图像的长度超过所述人类活动识别模型的有效长度范围；
对所述二类切割图像中的疑似人类活动点进行标记，当确定相邻两个疑似人类活动点的横向距离大于预设阈值时，对所述相邻两个疑似人类活动点之间的遥感图像进行折叠，得到三类切割图像；
分别将所述一类切割图像和所述三类切割图像输入到人类活动识别模型进行识别，得到各个人类活动点。
2.如权利要求1所述的基于陆表水域生态红线的长连续遥感图像处理方法，其特征在于，所述对所述长连续遥感图像进行预处理，得到长连续预处理图像的步骤中，具体为：
对所述长连续遥感图像进行二值化处理，得到二值化图像；
对所述二值化图像进行滤波处理，得到滤波图像；
对所述滤波图像进行灰度处理，得到长连续预处理图像。
3.如权利要求1所述的基于陆表水域生态红线的长连续遥感图像处理方法，其特征在于，在所述根据每一个陆表水域区域的范围对所述长连续预处理图像进行切割，得到多个切割图像的步骤中，每一个所述切割图像中只含有一个陆表水域区域。
4.如权利要求1所述的基于陆表水域生态红线的长连续遥感图像处理方法，其特征在于，在所述对所述相邻两个疑似人类活动点之间的遥感图像进行折叠之后，还包括：
对所述预设阈值进行修正，直到折叠后的图像长度在所述人类活动识别模型的有效长度范围以内，得到三类切割图像。
5.如权利要求1所述的基于陆表水域生态红线的长连续遥感图像处理方法，其特征在于，所述人类活动识别模型的建立过程为：
获取陆表水域遥感图像，将所述陆表水域遥感图像分为训练图像集和测试图像集；其中，所述训练图像集中的陆表水域遥感图像上标注有人类活动点；所述测试图像集中的陆表水域遥感图像为原始图像；
通过仿真软件建立初始识别模型，将所述训练图像集中的陆表水域遥感图像输入到所述初始识别模型进行训练，直到训练次数达到预设次数后，得到训练识别模型；
将所述测试图像集中的陆表水域遥感图像输入到所述训练识别模型进行测试，直到测试准确率达到预设准确率后，得到人类活动识别模型。
6.如权利要求5所述的基于陆表水域生态红线的长连续遥感图像处理方法，其特征在于，所述初始识别模型通过神经网络算法模型构建。
7.如权利要求1-6任一项所述的基于陆表水域生态红线的长连续遥感图像处理方法，其特征在于，在所述分别将所述一类切割图像和所述三类切割图像输入到人类活动识别模型进行识别，得到各个人类活动点之后，还包括：
分别确定各个人类活动点的类型，以及各个人类活动点与陆表水域区域之间的直线距离；
根据所述类型和所述直线距离，确定所述陆表水域区域的生态红线受影响值；
当确定所述陆表水域区域的生态红线受影响值达到预警值时，发出陆表水域生态红线预警信号。
8.一种基于陆表水域生态红线的长连续遥感图像处理装置，其特征在于，包括：
预处理模块，用于获取待评估目标区域的长连续遥感图像，对所述长连续遥感图像进行预处理，得到长连续预处理图像；
图像切割模块，用于对所述长连续预处理图像中的陆表水域区域进行标记，并根据每一个陆表水域区域的范围对所述长连续预处理图像进行切割，得到多个切割图像；
图像分类模块，用于根据人类活动识别模型的有效长度范围对所述切割图像进行分类，得到一类切割图像和二类切割图像；其中，所述一类切割图像的长度在所述人类活动识别模型的有效长度范围以内；所述二类切割图像的长度超过所述人类活动识别模型的有效长度范围；
图像折叠模块，用于对所述二类切割图像中的疑似人类活动点进行标记，当确定相邻两个疑似人类活动点的横向距离大于预设阈值时，对所述相邻两个疑似人类活动点之间的遥感图像进行折叠，得到三类切割图像；
模型识别模块，用于分别将所述一类切割图像和所述三类切割图像输入到人类活动识别模型进行识别，得到各个人类活动点。
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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-7中任一项所述的基于陆表水域生态红线的长连续遥感图像处理方法。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-7中任一项所述的基于陆表水域生态红线的长连续遥感图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210339187.2A CN114663412B (zh) | 2022-04-01 | 2022-04-01 | 基于陆表水域生态红线的长连续遥感图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210339187.2A CN114663412B (zh) | 2022-04-01 | 2022-04-01 | 基于陆表水域生态红线的长连续遥感图像处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114663412A true CN114663412A (zh) | 2022-06-24 |
| CN114663412B CN114663412B (zh) | 2023-02-10 |
Family
ID=82033967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210339187.2A Active CN114663412B (zh) | 2022-04-01 | 2022-04-01 | 基于陆表水域生态红线的长连续遥感图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114663412B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120281918A1 (en) * | 2011-05-04 | 2012-11-08 | National Chiao Tung University | Method for dynamically setting environmental boundary in image and method for instantly determining human activity |
| US20140266860A1 (en) * | 2013-03-14 | 2014-09-18 | Gaddi BLUMROSEN | Method and system for activity detection and classification |
| CN104598534A (zh) * | 2014-12-30 | 2015-05-06 | 小米科技有限责任公司 | 图片折叠方法及装置 |
| CN109583369A (zh) * | 2018-11-29 | 2019-04-05 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
| CN110263627A (zh) * | 2019-05-09 | 2019-09-20 | 生态环境部卫星环境应用中心 | 一种面向保护地监管的人类活动变化线索监测方法 |
| CN111523459A (zh) * | 2020-04-22 | 2020-08-11 | 中科三清科技有限公司 | 遥感影像裸地识别方法、装置、电子设备及存储介质 |
| CN111680704A (zh) * | 2020-06-11 | 2020-09-18 | 生态环境部卫星环境应用中心 | 海洋红线新增人类活动斑块自动化快速提取方法和装置 |
| US20200320273A1 (en) * | 2017-12-26 | 2020-10-08 | Beijing Sensetime Technology Development Co., Ltd. | Remote sensing image recognition method and apparatus, storage medium and electronic device |
| WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
| CN112906822A (zh) * | 2021-03-25 | 2021-06-04 | 生态环境部卫星环境应用中心 | 一种面向生态保护红线的人类活动识别融合方法及系统 |
| CN113033401A (zh) * | 2021-03-25 | 2021-06-25 | 生态环境部卫星环境应用中心 | 一种面向生态保护红线的人类活动变化识别监管方法 |
| CN113302913A (zh) * | 2020-03-31 | 2021-08-24 | 西安诺瓦星云科技股份有限公司 | 图像处理的方法、装置和系统 |
-
2022
- 2022-04-01 CN CN202210339187.2A patent/CN114663412B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120281918A1 (en) * | 2011-05-04 | 2012-11-08 | National Chiao Tung University | Method for dynamically setting environmental boundary in image and method for instantly determining human activity |
| US20140266860A1 (en) * | 2013-03-14 | 2014-09-18 | Gaddi BLUMROSEN | Method and system for activity detection and classification |
| CN104598534A (zh) * | 2014-12-30 | 2015-05-06 | 小米科技有限责任公司 | 图片折叠方法及装置 |
| US20200320273A1 (en) * | 2017-12-26 | 2020-10-08 | Beijing Sensetime Technology Development Co., Ltd. | Remote sensing image recognition method and apparatus, storage medium and electronic device |
| CN109583369A (zh) * | 2018-11-29 | 2019-04-05 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
| CN110263627A (zh) * | 2019-05-09 | 2019-09-20 | 生态环境部卫星环境应用中心 | 一种面向保护地监管的人类活动变化线索监测方法 |
| WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
| CN113302913A (zh) * | 2020-03-31 | 2021-08-24 | 西安诺瓦星云科技股份有限公司 | 图像处理的方法、装置和系统 |
| CN111523459A (zh) * | 2020-04-22 | 2020-08-11 | 中科三清科技有限公司 | 遥感影像裸地识别方法、装置、电子设备及存储介质 |
| CN111680704A (zh) * | 2020-06-11 | 2020-09-18 | 生态环境部卫星环境应用中心 | 海洋红线新增人类活动斑块自动化快速提取方法和装置 |
| CN112906822A (zh) * | 2021-03-25 | 2021-06-04 | 生态环境部卫星环境应用中心 | 一种面向生态保护红线的人类活动识别融合方法及系统 |
| CN113033401A (zh) * | 2021-03-25 | 2021-06-25 | 生态环境部卫星环境应用中心 | 一种面向生态保护红线的人类活动变化识别监管方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘世梁: "数据与技术驱动下的人类活动对生态系统的影响及评价研究――"人类活动的数量化表征与生态效应"专刊序言", 《科研信息化技术与应用》 * |
| 张鹏等: "南京市生态红线区高分辨率遥感精准监测方法与应用", 《国土资源遥感》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114663412B (zh) | 2023-02-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109284664B (zh) | 驾驶员辅助系统和护栏检测方法 | |
| Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
| US20160307050A1 (en) | Method and system for ground truth determination in lane departure warning | |
| CN112819796A (zh) | 烟丝异物识别方法及设备 | |
| US9519060B2 (en) | Methods and systems for vehicle classification from laser scans using global alignment | |
| CN112541372A (zh) | 一种困难样本筛选方法及装置 | |
| CN115424142A (zh) | 基于遥感影像的海岸线类型判别方法、装置、介质和设备 | |
| CN109657540B (zh) | 枯死树定位方法及系统 | |
| CN114241463A (zh) | 签名验证方法、装置、计算机设备和存储介质 | |
| CN112488983A (zh) | 缺陷识别网络的获得方法、缺陷识别方法和等级确定方法 | |
| Chen | Road vehicle recognition algorithm in safety assistant driving based on artificial intelligence | |
| CN112200789B (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
| CN111027601B (zh) | 一种基于激光传感器的平面检测方法、装置 | |
| CN114663412B (zh) | 基于陆表水域生态红线的长连续遥感图像处理方法及装置 | |
| Buck et al. | Enhanced ship detection from overhead imagery | |
| CN116258961B (zh) | 一种林业图斑变化快速识别方法及系统 | |
| CN110555344B (zh) | 车道线识别方法、装置、电子设备、存储介质 | |
| CN111783648A (zh) | 道路点云中护栏的提取方法及装置 | |
| CN115578703A (zh) | 激光感知融合优化方法、装置、设备及可读存储介质 | |
| Danilescu et al. | Road anomalies detection using basic morphological algorithms | |
| CN110895849A (zh) | 冠字号切割定位方法、装置、计算机设备及存储介质 | |
| Qiu et al. | Object oriented land cover classification combining scale parameter preestimation and mean-shift segmentation | |
| CN115984759A (zh) | 变电站开关状态识别方法、装置、计算机设备和存储介质 | |
| CN114861475A (zh) | 一种基于传感数据的实时海洋模拟方法及系统 | |
| CN112183463B (zh) | 基于雷达图像的船只识别模型的验证方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |