CN114663790A - 一种智能遥感测绘方法及系统 - Google Patents

一种智能遥感测绘方法及系统 Download PDF

Info

Publication number
CN114663790A
CN114663790A CN202210565422.8A CN202210565422A CN114663790A CN 114663790 A CN114663790 A CN 114663790A CN 202210565422 A CN202210565422 A CN 202210565422A CN 114663790 A CN114663790 A CN 114663790A
Authority
CN
China
Prior art keywords
clustering
remote sensing
image
pixel
blocks
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
Application number
CN202210565422.8A
Other languages
English (en)
Other versions
CN114663790B (zh
Inventor
闫红卫
王红瑞
宋衡星
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.)
Jining Dexin Surveying And Mapping Co ltd
Original Assignee
Jining Dexin Surveying And Mapping Co ltd
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 Jining Dexin Surveying And Mapping Co ltd filed Critical Jining Dexin Surveying And Mapping Co ltd
Priority to CN202210565422.8A priority Critical patent/CN114663790B/zh
Publication of CN114663790A publication Critical patent/CN114663790A/zh
Application granted granted Critical
Publication of CN114663790B publication Critical patent/CN114663790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种智能遥感测绘方法及系统，涉及人工智能领域。主要包括：采集遥感图像，并利用k‑means聚类算法将遥感图像分成多个聚类块；根据各聚类块中所包含的像素点分别在三通道中的像素值，对各聚类块进行类型划分，以讲遥感图像中可能存在的裸地、林地、建筑物以及背景部分彼此区分开来；将每一类型的聚类块组成的图像分别作为对遥感图像分割后每一类型对应的分割图像。本发明实施例实现对遥感图像的分割处理，避免人为进行标注的主观性，进而获得对于遥感图像更为稳定且准确的分割结果。

Description

一种智能遥感测绘方法及系统
技术领域
本申请涉及人工智能领域，具体涉及一种智能遥感测绘方法及系统。
背景技术
遥感测绘，遥感是一种非接触式远距离的探测技术，其利用无人机技术、遥感传感器技术、遥测遥控技术、通讯技术、GPS差分定位技术和遥感应用技术，能够自动化、智能化、专用化地快速获取国土资源、自然环境、地震灾区等空间遥感测绘图像。
在获得遥感测绘图像后，一般需要对其进行分割处理，分割获得遥感图像中存在的各类区域，以将分割结果为遥感测绘提供参考，提高遥感测绘的精度。目前对于遥感测绘过程中遥感图像的分割，一般通过人为进行标注的方式分别获得其中各类区域。
发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：通过人为进行标注的方式，所获得的标注结果受人为因素的干扰较大，使得不同人员对于相同的遥感图像的标注结果可能存在较大的差异，无法获得对于遥感图像中各类区域的稳定且准确的分割结果。
发明内容
针对上述技术问题，本发明提供了一种智能遥感测绘方法及系统，能够避免人为进行标注的主观性，进而获得对于遥感图像更为稳定且准确的分割结果。
第一方面，本发明实施例提出了一种智能遥感测绘方法，包括：
采集遥感图像，并利用k-means聚类算法将遥感图像分成多个聚类块。
根据聚类块中红色通道的像素均值是否大于预设第一阈值，将所有聚类块分为裸地聚类块以及非裸地聚类块。
根据非裸地聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个非裸地聚类块的第一特征参数值，并根据非裸地聚类块的第一特征参数值是否在预设第一范围内，将非裸地聚类块分为林地聚类块以及非林地聚类块。
根据非林地聚类块中红色通道的像素均值是否大于预设第二阈值，将各非林地聚类块分为疑似建筑聚类块以及背景聚类块，且所述第二阈值小于所述第一阈值。
根据疑似建筑聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个疑似建筑聚类块的第二特征参数值，并根据疑似建筑聚类块的第二特征参数值是否在预设第二范围内，将疑似建筑聚类块分为建筑聚类块以及背景聚类块。
利用获取的各类型的聚类块对遥感图像进行分割，得到分割后的分割图像。
优选的，一种智能遥感测绘方法中，根据非裸地聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个非裸地聚类块的第一特征参数值，包括：
Figure 100002_DEST_PATH_IMAGE002
式中，
Figure 100002_DEST_PATH_IMAGE004
为第
Figure 100002_DEST_PATH_IMAGE006
个非裸地聚类块的第一特征参数值，
Figure 100002_DEST_PATH_IMAGE008
为第
Figure 796641DEST_PATH_IMAGE006
个非裸地聚类块中包含的像素点在蓝色通道中的像素值的均值。
Figure 100002_DEST_PATH_IMAGE010
为第
Figure 198803DEST_PATH_IMAGE006
个非裸地聚类块中包含的像素点在绿色通道中的像素值的均值，
Figure 100002_DEST_PATH_IMAGE012
为第
Figure 805365DEST_PATH_IMAGE006
个非裸地聚类块中包含的像素点在蓝色通道中的像素值的均值，
Figure 100002_DEST_PATH_IMAGE014
为预设正整数。
优选的，一种智能遥感测绘方法中，根据疑似建筑聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个疑似建筑聚类块的第二特征参数值，包括：
Figure 100002_DEST_PATH_IMAGE016
式中，
Figure 100002_DEST_PATH_IMAGE018
为第
Figure 100002_DEST_PATH_IMAGE020
个疑似建筑聚类块的第二特征参数值，
Figure 100002_DEST_PATH_IMAGE022
为第
Figure 113243DEST_PATH_IMAGE006
个疑似建筑聚类块中包含的像素点在蓝色通道中的像素值的均值。
Figure 100002_DEST_PATH_IMAGE024
为第
Figure 70835DEST_PATH_IMAGE020
个疑似建筑聚类块中包含的像素点在绿色通道中的像素值的均值，
Figure 100002_DEST_PATH_IMAGE026
为第
Figure 260377DEST_PATH_IMAGE020
个疑似建筑聚类块中包含的像素点在蓝色通道中的像素值的均值。
优选的，一种智能遥感测绘方法中，利用k-means聚类算法将遥感图像分成多个聚类块，包括：
拟合遥感图像所对应的高斯混合模型，并将高斯混合模型中的子高斯模型的数量作为k-means聚类算法中聚类中心点的数量。
计算遥感图像中每任意两像素点之间的距离，并计算所有距离的均值，以将该均值作为k-means聚类算法中的聚类半径。
按照聚类半径以及聚类中心点的数量，利用k-means聚类算法将遥感图像分成多个聚类块。
优选的，一种智能遥感测绘方法中，还包括：
将多张遥感图像作为输入集。
将输入集中遥感图像对应的每一类型的分割图像作为检验集。
利用训练集及检验集对神经网络进行训练。
将待分割的遥感图像输入至训练完成的神经网络中，以利用神经网络分别输出每一类型的分割图像。
优选的，一种智能遥感测绘方法中，利用训练集及检验集对神经网络进行训练前，所述方法还包括：
利用多个卷积核分别对训练集中的每一遥感图像进行卷积，获得每一遥感图像分别被多个卷积核进行卷积后的各特征图像。
将各特征图像中同一位置的像素值组成的向量作为该同一位置的描述向量，并分别获得特征图像中每一位置的描述向量。
将特征图像中所有位置的描述向量进行叠加，将叠加后的向量作为相对于所有特征图像的整体描述向量。
分别计算每一位置的描述向量与整体描述向量的余弦相似度，并根据归一化后的余弦相似度分别对每一特征图像中每一像素点的像素值进行更新，以将更新后的各特征图像进行图像融合的图像作为遥感图像在神经网络中的特征图像。
优选的，一种智能遥感测绘方法中，根据归一化后的余弦相似度分别对每一特征图像中每一像素点的像素值进行更新，包括：
将每一特征图像中每一像素点所对应的归一化后的余弦相似度，与其像素点的像素值相乘，并将乘积结果作为更新后的特征图像中的像素值。
第二方面，本发明实施例提出了一种智能遥感测绘系统，包括：存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现本发明实施例中智能遥感测绘方法。
本发明实施例提供了一种智能遥感测绘方法及系统，相比于现有技术，本发明实施例的有益效果在于：通过对遥感图像进行聚类获得多个聚类块，并根据聚类块的特征将聚类块进行分类，以将遥感图像中所存在的裸地、林地、建筑物以及背景部分彼此区分开来，实现对遥感图像的分割处理，能够避免人为进行标注的主观性，进而获得对于遥感图像更为稳定且准确的分割结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种智能遥感测绘方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做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。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
遥感测绘，遥感是一种非接触式远距离的探测技术，其利用无人机技术、遥感传感器技术、遥测遥控技术、通讯技术、GPS差分定位技术和遥感应用技术，能够自动化、智能化、专用化地快速获取国土资源、自然环境、地震灾区等空间遥感测绘图像。
在获得遥感测绘图像后，一般需要对其进行分割处理，分割获得遥感图像中存在的各类区域，以将分割结果为遥感测绘提供参考，提高遥感测绘的精度。目前对于遥感测绘过程中遥感图像的分割，一般通过人为进行标注的方式分别获得其中各类区域。
然而，通过人为对遥感图像进行标注的方式，所获得的标注结果受人为因素的干扰较大，使得不同人员对于相同的遥感图像的标注结果可能存在较大的差异，无法获得对于遥感图像中各类区域的稳定且准确的分割结果。
本发明实施例提供了一种智能遥感测绘方法，如图1所示，包括：
步骤S110、采集遥感图像，并利用k-means聚类算法将遥感图像分成多个聚类块。
步骤S120、将所有聚类块分为裸地聚类块以及非裸地聚类块。
具体的，根据聚类块中红色通道的像素均值是否大于预设第一阈值，将所有聚类块分为裸地聚类块以及非裸地聚类块。
步骤S130、将非裸地聚类块分为林地聚类块以及非林地聚类块。
具体的，根据非裸地聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个非裸地聚类块的第一特征参数值，并根据非裸地聚类块的第一特征参数值是否在预设第一范围内，将非裸地聚类块分为林地聚类块以及非林地聚类块。
步骤S140、将各非林地聚类块分为疑似建筑聚类块以及背景聚类块。
具体的，根据非林地聚类块中红色通道的像素均值是否大于预设第二阈值，将各非林地聚类块分为疑似建筑聚类块以及背景聚类块，且第二阈值小于第一阈值。
步骤S150、将疑似建筑聚类块分为建筑聚类块以及背景聚类块。
具体的，根据疑似建筑聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个疑似建筑聚类块的第二特征参数值，并根据疑似建筑聚类块的第二特征参数值是否在预设第二范围内，将疑似建筑聚类块分为建筑聚类块以及背景聚类块。
步骤S160、利用获取的各类型的聚类块对遥感图像进行分割，得到分割后的分割图像。
本发明实施例的发明目的在于：通过对遥感图像进行分割处理，实现对遥感图像中各类型的区域的快速准确识别及分割处理，为后期测绘工作提供参考。同时，避免人为进行标注的主观性，获得更为准确且稳定的图像分割结果。
进一步的，步骤S110、采集遥感图像，并利用k-means聚类算法将遥感图像分成多个聚类块。
首先通过无人机对待测绘的区域进行图像采集，以获取待测绘区域的图像数据，作为智能遥感测绘的基础图像数据。
首先，本发明实施例中，可以通过无人机获取遥感测绘过程的遥感图像，同时可以在遥感图像采集过程中采集测绘数据，以便后期对城市进行测绘。无人机进行遥感测绘图像采集过程中，无人机的飞行速度以及飞行路径可以由实施者根据实际情况自行设定。图像采集设备可以部署在无人机上方，通过俯视视角对测绘区域进行图像采集，获取测绘区域的正视图像，如此便于提高测绘精度。
考虑到在外界环境中进行图像采集时环境可能较为繁杂，使得所获取的遥感图像中可能存在较多的噪点，因此，可以通过高斯滤波去噪算法对遥感图像进行去噪处理，以消除图像中可能存在的噪声对后续测绘的不良影响。
其次，本发明实施例将基于所采集的遥感图像中的特征信息，对图像进行初始分类即利用k-means聚类算法将遥感图像分成多个聚类块。聚类的相关内容可以包括：
步骤S111、拟合遥感图像所对应的高斯混合模型，并将高斯混合模型中的子高斯模型的数量作为k-means聚类算法中聚类中心点的数量。
需要说明的是，高斯混合模型（Gaussian Mixed Model）指的是多个高斯分布函数的线性组合，其通常用于解决同一集合下的数据包含多个不同的分布的情况，或者是同一类分布但参数不一样，或者是不同类型的分布。
步骤S112、计算遥感图像中每任意两像素点之间的距离，并计算所有距离的均值，以将该均值作为k-means聚类算法中的聚类半径。
为防止局部最优解，聚类中心点之间的距离应该相距较远，且中心点的所在周围点的密度应该较高，因此，本发明实施例计算遥感图像中每任意两像素点之间的距离，并计算所有距离的均值。
任意两像素点之间的距离的均值的获得过程包括：
Figure DEST_PATH_IMAGE028
，其中，
Figure DEST_PATH_IMAGE030
为任意两像素点之间的距离的均值，
Figure DEST_PATH_IMAGE032
为两两像素点之间不重复组合的数量，n为遥感图像中像素点的数量，
Figure DEST_PATH_IMAGE034
为遥感图像中所包含的像素点的集合，
Figure DEST_PATH_IMAGE036
为集合
Figure 111658DEST_PATH_IMAGE034
中像素点i与像素点j之间的距离。
步骤S113、按照聚类半径以及聚类中心点的数量，利用k-means聚类算法将遥感图像分成多个聚类块。
分别以每一像素点为圆心以聚类半径为半径构造圆，将圆内与该圆心像素点的相似度在预设相似度范围内的像素点的数量作为该圆心像素点对应的密度，将遥感图像的所有像素点对应的密度进行从大到小排序后，按照密度从大到小选择与聚类中心点的数量一致的像素点分别作为聚类中心点进行K-means聚类，实现对遥感图像中像素点的聚类块的划分。
进一步的，步骤S120、将所有聚类块分为各裸地聚类块以及各非裸地聚类块。
具体的，根据聚类块中红色通道的像素均值是否大于预设第一阈值，将所有聚类块分为各裸地聚类块以及各非裸地聚类块。
考虑到在进行测绘时主要信息多为林地、建筑以及裸地等，因此，本发明实施例首先对聚类过程得到的各聚类块进行分类。首先，通过各聚类块的红色通道分量来对聚类块的类别进行初步判定，用于初步对裸地区域进行识别，本发明实施例中设置预设第一阈值，当聚类块中红色通道的像素均值大于预设第一阈值时，判定聚类块属于裸地聚类块，实施者可以根据实际需求确定预设第一阈值的具体取值。
进一步的，步骤S130、将非裸地聚类块分为林地聚类块以及非林地聚类块。
具体的，根据非裸地聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个非裸地聚类块的第一特征参数值，并根据非裸地聚类块的第一特征参数值是否在预设第一范围内，将非裸地聚类块分为林地聚类块以及非林地聚类块。
第一特征参数值的获得过程包括：
Figure DEST_PATH_IMAGE038
，式中，
Figure DEST_PATH_IMAGE040
为第
Figure 400557DEST_PATH_IMAGE006
个非裸地聚类块的第一特征参数值，
Figure DEST_PATH_IMAGE042
为第
Figure 820344DEST_PATH_IMAGE006
个非裸地聚类块中包含的像素点在蓝色通道中的像素值的均值；
Figure 564309DEST_PATH_IMAGE010
为第
Figure 942201DEST_PATH_IMAGE006
个非裸地聚类块中包含的像素点在绿色通道中的像素值的均值，
Figure 746209DEST_PATH_IMAGE012
为第
Figure 193240DEST_PATH_IMAGE006
个非裸地聚类块中包含的像素点在蓝色通道中的像素值的均值，
Figure 6475DEST_PATH_IMAGE014
为预设正整数。
而对于建筑物，根据先验知识可知，建筑物具有较高的反射率，通常排列整齐，在遥感图像中通常呈现出相同的亮白色或者蓝色。需要说明的是，本发明实施例中预设第一范围是通过对大量的裸地的图像中第一特征参数值进行计算之后，对计算结果进行统计后所获得的范围。
进一步的，步骤S140、将各非林地聚类块分为疑似建筑聚类块以及背景聚类块。
具体的，根据非林地聚类块中红色通道的像素均值是否大于预设第二阈值，将各非林地聚类块分为疑似建筑聚类块以及背景聚类块，且第二阈值小于第一阈值。实施者可以根据实际需求确定预设第二阈值的具体取值。
进一步的，步骤S150、将疑似建筑聚类块分为建筑聚类块以及背景聚类块。
具体的，根据疑似建筑聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个疑似建筑聚类块的第二特征参数值，并根据疑似建筑聚类块的第二特征参数值是否在预设第二范围内，将疑似建筑聚类块分为建筑聚类块以及背景聚类块。
本发明实施例中第二特征参数的获得过程包括：
Figure DEST_PATH_IMAGE044
式中，
Figure 442135DEST_PATH_IMAGE018
为第
Figure 682624DEST_PATH_IMAGE020
个疑似建筑聚类块的第二特征参数值，
Figure 616951DEST_PATH_IMAGE022
为第
Figure 968297DEST_PATH_IMAGE006
个疑似建筑聚类块中包含的像素点在蓝色通道中的像素值的均值；
Figure 789623DEST_PATH_IMAGE024
为第
Figure 935434DEST_PATH_IMAGE020
个疑似建筑聚类块中包含的像素点在绿色通道中的像素值的均值，
Figure 357056DEST_PATH_IMAGE026
为第
Figure 246515DEST_PATH_IMAGE020
个疑似建筑聚类块中包含的像素点在蓝色通道中的像素值的均值。
需要说明的是，本发明实施例中预设第二范围是通过对大量的裸地的图像中第二特征参数值进行计算之后，对计算结果进行统计后所获得的范围。
进一步的，步骤S160、利用获取的各类型的聚类块对遥感图像进行分割，得到分割后的分割图像。
如此，能够获得在遥感测绘过程中个对遥感图像的分割结果，例如，能够清晰的区分出其中存在的林地、裸地以及建筑部分。
为进一步提高对遥感图像的分割效率，本发明实施例中还可以通过训练神经网络，输出对遥感图像的分割图像。主要包括：将多张遥感图像作为输入集；将输入集中遥感图像对应的每一类型的分割图像作为检验集；利用训练集及检验集对神经网络进行训练；将待分割的遥感图像输入至训练完成的神经网络中，以利用神经网络分别输出每一类型的分割图像。
利用训练集及检验集对神经网络进行训练前，所述方法还可以包括：
步骤S161、利用多个卷积核分别对训练集中的每一遥感图像进行卷积，获得每一遥感图像分别被多个卷积核进行卷积后的各特征图像。
步骤S162、将各特征图像中同一位置的像素值组成的向量作为该同一位置的描述向量，并分别获得特征图像中每一位置的描述向量。
步骤S163、将特征图像中所有位置的描述向量进行叠加，将叠加后的向量作为相对于所有特征图像的整体描述向量。
步骤S164、分别计算每一位置的描述向量与整体描述向量的余弦相似度，并根据归一化后的余弦相似度分别对每一特征图像中每一像素点的像素值进行更新，以将更新后的各特征图像进行图像融合的图像作为遥感图像在神经网络中的特征图像。
对每一特征图像中每一像素点的像素值进行更新，包括：将每一特征图像中每一像素点所对应的归一化后的余弦相似度，与其像素点的像素值相乘，并将乘积结果作为更新后的特征图像中的像素值。
神经网络的监督训练可以通过交叉熵损失函数进行监督，以保证神经网络的学习效果。
基于与上述方法相同的发明构思，本实施例还提供了一种智能遥感测绘系统，本实施例中智能遥感测绘系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如智能遥感测绘方法实施例中所描述的对智能遥感测绘过程中的遥感图像进行分割。
由于智能遥感测绘方法实施例中已经对智能遥感测绘过程中的遥感图像进行分割的方法进行了说明，此处不再赘述。
综上所述，通过对遥感图像进行聚类获得多个聚类块，并根据聚类块的特征将聚类块进行分类，以将遥感图像中所存在的裸地、林地、建筑物以及背景部分彼此区分开来，实现对遥感图像的分割处理，能够避免人为进行标注的主观性，进而获得对于遥感图像更为稳定且准确的分割结果。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (8)

1.一种智能遥感测绘方法，其特征在于，包括：
采集遥感图像，并利用k-means聚类算法将遥感图像分成多个聚类块；
根据聚类块中红色通道的像素均值是否大于预设第一阈值，将所有聚类块分为裸地聚类块以及非裸地聚类块；
根据非裸地聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个非裸地聚类块的第一特征参数值，并根据非裸地聚类块的第一特征参数值是否在预设第一范围内，将非裸地聚类块分为林地聚类块以及非林地聚类块；
根据非林地聚类块中红色通道的像素均值是否大于预设第二阈值，将各非林地聚类块分为疑似建筑聚类块以及背景聚类块，且所述第二阈值小于所述第一阈值；
根据疑似建筑聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个疑似建筑聚类块的第二特征参数值，并根据疑似建筑聚类块的第二特征参数值是否在预设第二范围内，将疑似建筑聚类块分为建筑聚类块以及背景聚类块；
利用获取的各类型的聚类块对遥感图像进行分割，得到分割后的分割图像。
2.根据权利要求1所述的智能遥感测绘方法，其特征在于，根据非裸地聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个非裸地聚类块的第一特征参数值，包括：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE006
个非裸地聚类块的第一特征参数值，
Figure DEST_PATH_IMAGE008
为第
Figure 885693DEST_PATH_IMAGE006
个非裸地聚类块中包含的像素点在蓝色通道中的像素值的均值；
Figure DEST_PATH_IMAGE010
为第
Figure 6096DEST_PATH_IMAGE006
个非裸地聚类块中包含的像素点在绿色通道中的像素值的均值，
Figure DEST_PATH_IMAGE012
为第
Figure 972783DEST_PATH_IMAGE006
个非裸地聚类块中包含的像素点在蓝色通道中的像素值的均值，
Figure DEST_PATH_IMAGE014
为预设正整数。
3.根据权利要求1所述的智能遥感测绘方法，其特征在于，根据疑似建筑聚类块中像素点分别在RGB三通道中的像素均值，分别计算每一个疑似建筑聚类块的第二特征参数值，包括：
Figure DEST_PATH_IMAGE016
式中，
Figure DEST_PATH_IMAGE018
为第
Figure DEST_PATH_IMAGE020
个疑似建筑聚类块的第二特征参数值，
Figure DEST_PATH_IMAGE022
为第
Figure 433239DEST_PATH_IMAGE006
个疑似建筑聚类块中包含的像素点在蓝色通道中的像素值的均值；
Figure DEST_PATH_IMAGE024
为第
Figure 434562DEST_PATH_IMAGE020
个疑似建筑聚类块中包含的像素点在绿色通道中的像素值的均值，
Figure DEST_PATH_IMAGE026
为第
Figure 460287DEST_PATH_IMAGE020
个疑似建筑聚类块中包含的像素点在蓝色通道中的像素值的均值。
4.根据权利要求1所述的智能遥感测绘方法，其特征在于，利用k-means聚类算法将遥感图像分成多个聚类块，包括：
拟合遥感图像所对应的高斯混合模型，并将高斯混合模型中的子高斯模型的数量作为k-means聚类算法中聚类中心点的数量；
计算遥感图像中每任意两像素点之间的距离，并计算所有距离的均值，以将该均值作为k-means聚类算法中的聚类半径；
按照聚类半径以及聚类中心点的数量，利用k-means聚类算法将遥感图像分成多个聚类块。
5.根据权利要求1所述的智能遥感测绘方法，其特征在于，所述方法还包括：
将多张遥感图像作为输入集；
将输入集中遥感图像对应的每一类型的分割图像作为检验集；
利用训练集及检验集对神经网络进行训练；
将待分割的遥感图像输入至训练完成的神经网络中，以利用神经网络分别输出每一类型的分割图像。
6.根据权利要求5所述的智能遥感测绘方法，其特征在于，利用训练集及检验集对神经网络进行训练前，所述方法还包括：
利用多个卷积核分别对训练集中的每一遥感图像进行卷积，获得每一遥感图像分别被多个卷积核进行卷积后的各特征图像；
将各特征图像中同一位置的像素值组成的向量作为该同一位置的描述向量，并分别获得特征图像中每一位置的描述向量；
将特征图像中所有位置的描述向量进行叠加，将叠加后的向量作为相对于所有特征图像的整体描述向量；
分别计算每一位置的描述向量与整体描述向量的余弦相似度，并根据归一化后的余弦相似度分别对每一特征图像中每一像素点的像素值进行更新，以将更新后的各特征图像进行图像融合的图像作为遥感图像在神经网络中的特征图像。
7.根据权利要求6所述的智能遥感测绘方法，其特征在于，根据归一化后的余弦相似度分别对每一特征图像中每一像素点的像素值进行更新，包括：
将每一特征图像中每一像素点所对应的归一化后的余弦相似度，与其像素点的像素值相乘，并将乘积结果作为更新后的特征图像中的像素值。
8.一种智能遥感测绘系统，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-7中任一项所述的智能遥感测绘方法。
CN202210565422.8A 2022-05-24 2022-05-24 一种智能遥感测绘方法及系统 Active CN114663790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210565422.8A CN114663790B (zh) 2022-05-24 2022-05-24 一种智能遥感测绘方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210565422.8A CN114663790B (zh) 2022-05-24 2022-05-24 一种智能遥感测绘方法及系统

Publications (2)

Publication Number Publication Date
CN114663790A true CN114663790A (zh) 2022-06-24
CN114663790B CN114663790B (zh) 2022-08-26

Family

ID=82037561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210565422.8A Active CN114663790B (zh) 2022-05-24 2022-05-24 一种智能遥感测绘方法及系统

Country Status (1)

Country Link
CN (1) CN114663790B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015152340A (ja) * 2014-02-12 2015-08-24 株式会社パスコ 林相解析装置、林相解析方法及びプログラム
CN106651886A (zh) * 2017-01-03 2017-05-10 北京工业大学 一种基于超像素聚类优化cnn的云图分割方法
WO2018045626A1 (zh) * 2016-09-07 2018-03-15 深圳大学 基于超像素级信息融合的高光谱图像的分类方法及系统
CN110765934A (zh) * 2019-10-22 2020-02-07 成都理工大学 一种多源数据融合的地质灾害识别方法
CN111681253A (zh) * 2020-06-09 2020-09-18 山东大学 基于颜色与形态特征的叶片图像分割方法及系统
CN111696123A (zh) * 2020-06-15 2020-09-22 荆门汇易佳信息科技有限公司 超像素分类识别的遥感图像水域分割提取方法
CN113223042A (zh) * 2021-05-19 2021-08-06 自然资源部国土卫星遥感应用中心 一种遥感影像深度学习样本智能采集方法及设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015152340A (ja) * 2014-02-12 2015-08-24 株式会社パスコ 林相解析装置、林相解析方法及びプログラム
WO2018045626A1 (zh) * 2016-09-07 2018-03-15 深圳大学 基于超像素级信息融合的高光谱图像的分类方法及系统
CN106651886A (zh) * 2017-01-03 2017-05-10 北京工业大学 一种基于超像素聚类优化cnn的云图分割方法
CN110765934A (zh) * 2019-10-22 2020-02-07 成都理工大学 一种多源数据融合的地质灾害识别方法
CN111681253A (zh) * 2020-06-09 2020-09-18 山东大学 基于颜色与形态特征的叶片图像分割方法及系统
CN111696123A (zh) * 2020-06-15 2020-09-22 荆门汇易佳信息科技有限公司 超像素分类识别的遥感图像水域分割提取方法
CN113223042A (zh) * 2021-05-19 2021-08-06 自然资源部国土卫星遥感应用中心 一种遥感影像深度学习样本智能采集方法及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YISHUO HUANG: "SAR satellite image interpretation based on the multilayer level set approach", 《2010 18TH INTERNATIONAL CONFERENCE ON GEOINFORMATICS》 *
张景柯: "基于改进的FCM遥感图像聚类算法的研究与应用", 《中国优秀硕士学位论文全文数据库》 *

Also Published As

Publication number Publication date
CN114663790B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
US11568639B2 (en) Systems and methods for analyzing remote sensing imagery
CN112199993B (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN107392963B (zh) 一种用于软式自主空中加油的仿鹰眼运动目标定位方法
CN103035013B (zh) 一种基于多特征融合的精确运动阴影检测方法
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
Kaljahi et al. An automatic zone detection system for safe landing of UAVs
CN103927759A (zh) 一种航空图像自动云检测方法
US6104981A (en) Method of assisting detection of man-made structures in a digital elevation map (DEM)
CN115272876A (zh) 一种基于深度学习的遥感图像船舶目标检测方法
CN112967286B (zh) 一种新增建设用地检测方法及装置
CN116958606B (zh) 一种图像匹配方法及相关装置
CN114140753A (zh) 一种海洋船舶识别的方法、装置及系统
CN114663790B (zh) 一种智能遥感测绘方法及系统
Kusetogullari et al. Unsupervised change detection in landsat images with atmospheric artifacts: a fuzzy multiobjective approach
Sumalan et al. Flood evaluation in critical areas by UAV surveillance
CN111353449A (zh) 基于条件生成对抗网络的红外道路图像水体检测方法
CN116246185A (zh) 一种安全带佩戴检测方法、装置、存储介质及设备
CN110046607A (zh) 一种基于深度学习的无人机遥感图像板房或建材检测方法
CN112686105B (zh) 一种基于视频图像多特征融合的雾浓度等级识别方法
CN115063698A (zh) 斜坡地表变形裂缝自动识别与信息提取方法及系统
CN114155489A (zh) 一种多设备协同的无人机飞手检测方法、设备及存储介质
CN106897968B (zh) 一种遥感图像地物的图像拼接方法及系统
CN118095866B (zh) 基于人工智能的承灾体崩塌风险评估方法及系统
CN113837080B (zh) 一种基于信息增强与感受野增强的小目标检测方法
CN116503664A (zh) 一种区分高相似度目标物体的分类方法

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