CN115100652A - 基于高分遥感图像的电子地图自动化生成方法 - Google Patents
基于高分遥感图像的电子地图自动化生成方法 Download PDFInfo
- Publication number
- CN115100652A CN115100652A CN202210921803.5A CN202210921803A CN115100652A CN 115100652 A CN115100652 A CN 115100652A CN 202210921803 A CN202210921803 A CN 202210921803A CN 115100652 A CN115100652 A CN 115100652A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- semantic
- map
- sensing image
- target
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于高分遥感图像的电子地图自动化生成方法,包括:建立全景分割模型,利用全景分割模型提取遥感图像的特征,生成遥感图像特征图;利用全景分割模型的实例分割分支对遥感图像特征图的目标进行实例标注,利用全景分割模型的语义分割分支对遥感图像特征图的地物要素进行语义标注,获得实例标签和语义标签;对实例标签和语义标签进行空间层级排序,获取每个标签的像素排序得分;利用像素排序得分为基准生成全景分割图像;利用边缘优化算法对全景分割图像进行优化;利用位图矢量化成图方法对优化后的全景分割图像生成电子地图。本发明可由高分辨率遥感影像生成电子地图,提升对目标实例分割和地物要素边缘的提取和优化能力。
Description
技术领域
本发明涉及遥感图像处理与应用技术领域,尤其涉及一种基于高分遥感图像的电子地图自动化生成方法。
背景技术
在遥感应用服务链中,在图像中提取关注的信息并形成具备知识的地图是遥感数据到知识转化的关键技术。天基遥感图像提取地表细节信息多采用手工勾绘的人工方式或人机交互的半自动方式,自动化程度低,严重制约了空间信息数据的利用水平。利用全景分割技术从海量遥感图像中提取特定场景和感兴趣的目标信息,并形成具有从信息转化成知识的地图,具有极其重要的理论和实际应用价值。基于高分遥感图像的地图智能化生成技术即通过对高分遥感图像中的目标提取、像素级的分割,获取图像中的目标和场景信息,并利用位图矢量化和高性能自动成图技术获取带有知识的电子地图,从而在获取专注的目标的同时达到对整幅遥感图像中每个像素点进行分类提取的目的,为智能化地图生成提供了核心技术。现有技术还没有实现基于高分遥感图像的电子地图生成方法。
发明内容
为解决上述现有技术存在的技术问题,本发明的目的在于提供一种基于高分遥感图像的电子地图自动化生成方法。
为实现上述发明目的,本发明的技术方案是:
本发明提供一种基于高分遥感图像的电子地图自动化生成方法,包括:
建立全景分割模型,利用所述全景分割模型提取遥感图像的特征,生成遥感图像特征图;
利用所述全景分割模型的实例分割分支对所述遥感图像特征图的目标进行实例标注,利用所述全景分割模型的语义分割分支对所述遥感图像特征图的地物要素进行语义标注,获得实例标签和语义标签;
对所述实例标签和所述语义标签进行空间层级排序,获取每个标签的像素排序得分;
利用所述像素排序得分为基准生成全景分割图像;
利用边缘优化算法对所述全景分割图像进行优化;
利用位图矢量化成图方法对优化后的全景分割图像生成电子地图。
根据本发明的一个方面,利用所述全景分割模型提取遥感图像的特征,生成遥感图像特征图,包括:
利用所述全景分割模型的稠密连接卷积神经网络作为基准网络框架提取所述遥感图像的特征;
在所述稠密连接卷积神经网络的特征提取主干网络中使用空洞卷积,形成空洞特征金字塔,并利用密集级联的方式将所述特征进行级联融合;
设置不同大小的空洞率,获取代表不同感受野的相同尺度的遥感图像特征图。
根据本发明的一个方面,利用所述全景分割模型的实例分割分支对所述遥感图像特征图的目标进行实例标注,获得实例标签,包括:
利用目标候选框提取网络在所述遥感图像特征图上生成多个目标候选区域;
提取所述多个目标候选区域的原始特征图,并对所述原始特征图进行调整,生成大小统一的特征图;
利用全卷积网络对每个大小统一的特征图逐像素进行类别预测,获得所述目标的实例标签。
根据本发明的一个方面,利用所述全景分割模型的语义分割分支对所述遥感图像特征图的地物要素进行语义标注,获得语义标签,包括:
在获取所述目标的实例标签的同时,在所述遥感图像特征图中建立语义分割分支网络,提取所述遥感图像中地物要素的语义信息。
根据本发明的一个方面,对所述实例标签和所述语义标签进行空间层级排序,获取每个标签的像素排序得分,包括:
将所述实例标签和所述语义标签投影到原始的遥感图像特征图中,其中不同类别的实例标签和语义标签被映射到不同通道中,特征图初始化时取值为0,被映射的像素点取值为1;
利用卷积层对映射后的特征图进行变换,输出类别排序得分预测图;
利用以下公式计算某个实例目标和语义要素的所有像素点的平均得分,得到所述实例目标和所述语义要素的预测排序得分,
根据本发明的一个方面,利用所述像素排序得分为基准生成全景分割图像,包括:
将语义分割分支得到的语义标签中所有属于目标类别的像素点,在全景分割结果对应的类别通道中设置为背景类,在全景分割结果对应的实例通道中,设置实例识别号为1,填充物类别的像素点保持不变;
对所述实例标签,按照每个实例的得分从大到小进行排序,并依次将每个实例目标掩膜对应的像素点的类别通道值设为,实例通道值设置为i,如果排序靠后的实例目标像素点位置已经被排序靠前的实例目标占用,则丢弃这些像素点。
根据本发明的一个方面,利用边缘优化算法对所述全景分割图像进行优化,包括:
将所述全景分割模型的所有网络输出图像的像素点都划分为边缘像素点,不同像素点的边缘排序R不同,对于上、下、左、右存在不属于该类别的最外围像素点,其边缘排序为R=1;
按照如下公式定义某一像素点的权重图,
基于以上定义,定义如下公式的边缘友好型度量标准,
所述度量标准输入真实标注、预测结果,以及像素点权重图定义得到的权重图;
在实际算法实现中,为了节省存储空间,对于权重图只存储边缘像素点的权重值,即 ;对于误检的像素点,将p从真实标注中提取出非该类别区域,并与该类别的预测结果做交集,得到误检的像素点,并在计算过程中将其权重置为1。
根据本发明的一个方面,利用位图矢量化成图方法对优化后的全景分割图像生成电子地图,包括:
将优化后的全景分割图像转换成相应的栅格数据,并对所述栅格数据的格网或格网集合所构成的区域边缘进行勾绘,以矢量坐标点构成折线段的方式进行记录,再经拓扑数据结构处理,生成面状矢量数据结构;
采用栅格数据矢量化,提取具有相同属性信息的栅格集合的矢量边界及获得边界与边界之间的拓扑关系;
所述栅格数据矢量化转换为矢量图后,从空间数据库中抽取数据,分层组织使矢量图形成矢量图层集合,将地图符号库中的地图符号对应的插入矢量图层中,完成矢量图层中各要素的符号化;
通过线扫描法将符号化后各图层中的地图符号转化为由游程单元构成的游程集合;
将处于同一地图栅格行上的游程单元中位于上层图层的游程单元覆盖下层图层的游程单元后,由上层图层游程单元和下层图层游程单元的未覆盖部分形成叠合后游程集合,最终获得一副由叠合后游程集合表示的地图,对叠合后游程集合解码完成电子地图的输出。
根据本发明的一个方面,采用栅格数据矢量化,提取具有相同属性信息的栅格集合的矢量边界及获得边界与边界之间的拓扑关系,包括:
采用高通滤波将栅格图像二值化或以特殊值标识边界点;
由边界上的一个节点向另一个节点搜索;
判断各个矢量边界弧段的空间关系,形成完整的拓扑结构;
除去冗余的点记录,并使用差补算法对线段进行光滑处理。
与现有技术相比,本发明具有如下优点:
根据本发明的方案,基于全景分割模型,通过特征提取主干网络,获取高分辨率遥感图像的特征图,通过在共享特征图上构建实例分割分支和语义分割分支,构建全景分割网络,同时获取目标实例信息和地物要素的语义信息,利用特征共享的方法完成高分辨率遥感图像中目标的实例分割和地物要素的语义分割。相比于传统的地物要素语义分割和目标实例分割,本发明通过特征共享的方式减小了计算量,同时通过损失函数的构建和场景知识的融入,提升了对典型场景的分割精度。
根据本发明的一个方案,利用面向像素的空间层级排序的方法,对获取的实例分割结果和语义分割结果进行空间层级排序,通过定义结果的优先级,设计损失函数,实现自动成图过程中对目标及地物要素的准确提取,以及对全景分割结果的边缘优化。相比于传统方法,本发明通过构建像素级结果的空间层级排布权重,将目标实例边界与地物要素像素按优先级排布,提升了对目标实例分割和地物要素边缘的提取和优化能力。
该方法基于全景分割技术,可端到端地由高分辨率遥感影像生成电子地图,可直接应用于基础空间信息获取、应急事件处理、环境污染监视、灾害预警评估、智慧城市建设、防灾减灾等领域。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式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方式,对于本领域普通技术人员而言,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的附图。
图1示意性表示本发明实施例公开的一种基于高分遥感图像的电子地图自动化生成方法的实现流程图;
图2示意性表示本发明实施例公开的全景分割模型的结构图。
具体实施方式
此说明书实施方式的描述应与相应的附图相结合,附图应作为完整的说明书的一部分。在附图中,实施例的形状或是厚度可扩大,并以简化或是方便标示。再者,附图中各结构的部分将以分别描述进行说明,值得注意的是,图中未示出或未通过文字进行说明的元件,为所属技术领域中的普通技术人员所知的形式。
此处实施例的描述,有关方向和方位的任何参考,均仅是为了便于描述,而不能理解为对本发明保护范围的任何限制。以下对于优选实施方式的说明会涉及到特征的组合,这些特征可能独立存在或者组合存在,本发明并不特别地限定于优选的实施方式。本发明的范围由权利要求书所界定。
根据本发明的构思,本发明实施例公开的一种基于高分遥感图像的电子地图自动化生成方法,首先利用经过设计的全景分割模型获得语义标签和实例标签,再通过空间排序得到全景分割结果并对图像边缘进行优化,最后通过矢量化成图技术生成电子地图。参见图1,该方法具体包括以下步骤:
步骤S101,建立全景分割模型,利用所述全景分割模型提取遥感图像的特征,生成遥感图像特征图。
在一个实施例中,步骤S101中建立全景分割模型的过程需要利用以下的损失函数对该全景分割模型进行训练,从而提升模型的全景分割能力。对全景分割模型的预测值和真实值进行分类损失函数的计算,这里定义损失函数为:
其中,是一次最小批中锚框的索引,是第个锚框为目标的预测概率。如果锚框为正,则其标注就是1,如果锚框为负,则其标注就是0。是一个向量,表示预测的外接框的4个参数化坐标,(是与正锚框对应的真实标注外接矩形的坐标向量。
对于分类损失函数,是物体类别(包括背景)的对数损失函数,计算如公式所示:
对于回归损失函数,如公式所示:
在一个实施例中,步骤S101中利用所述全景分割模型提取遥感图像的特征,生成遥感图像特征图的具体实施流程包括:
首先,利用所述全景分割模型的稠密连接卷积神经网络作为基准网络框架提取所述遥感图像的特征。
其次,在所述稠密连接卷积神经网络的特征提取主干网络中使用空洞卷积,形成空洞特征金字塔,并利用密集级联(Dense Connection,DC)的方式将所述特征进行级联融合。需要解释的是,将空洞卷积应用到特征提取主干网络中替代传统的FPN(FeaturePyramid Networks,特征金字塔)。
最后,设置不同大小的空洞率(Dilation Ratios),获取代表不同感受野的相同尺度的遥感图像特征图。
本实施例通过稠密连接卷积神经网络对遥感图像进行特征提取并融合,同时为实例分割分支和语义分割分支提供了共享的特征图,使两个分支生成各自的中间预测结果。利用稠密连接卷积神经网络和空洞特征金字塔进行特征提取,有效避免了由于目标和地物要素特征尺度跨度大带来的漏检和虚警。
步骤S102,利用所述全景分割模型的实例分割分支对所述遥感图像特征图的目标进行实例标注,利用所述全景分割模型的语义分割分支对所述遥感图像特征图的地物要素进行语义标注,获得实例标签和语义标签。
在一个实施例中,参见图2,步骤S102中利用所述全景分割模型的实例分割分支对所述遥感图像特征图的目标进行实例标注,获得实例标签的具体实施流程包括:
首先,利用目标候选框提取网络在所述遥感图像特征图上生成多个目标候选区域。需要解释的是,目标指的是飞机或舰船等物体。
示例性的,在步骤S101中卷积得到的特征图上,使用一个的卷积窗口在特征图上进行滚动,在每个滑动窗口的位置上,物体候选框提取网络均基于k个固定长宽比的锚框生成多个候选区域。该候选区域由物体(目标)类别分类分数和4个边界框坐标组成。
其次,提取所述多个目标候选区域的原始特征图,并对所述原始特征图进行调整,生成大小统一的特征图。该步骤的具体实施过程包括:a、遍历每个目标候选区域,所述目标候选区域的边界用浮点数坐标表示。b、将所述每个目标候选区域分割成个单元,每个单元的边界为浮点数格式。c、在所述每个单元中设定四个固定位置,并均匀分布在单元方格内,所述四个固定位置映射到所述原始特征图中,利用双线性内插的方法获得所述四个固定位置的值,再对获得的四个值进行最大池化操作,得到所述每个单元的插值响应值。
最后,利用全卷积网络对每个大小统一的特征图逐像素进行类别预测,获得所述目标的实例标签。示例性的,网络使用4层卷积进行高层语义特征提取,并使用一层的反卷积提高输出特征图的分辨率,最后使用的卷积对每个像素点进行类别预测,得到的预测得分图。最后,使用二分类对实例掩膜进行预测。
在一个实施例中,参见图2,步骤S102中利用所述全景分割模型的语义分割分支对所述遥感图像特征图的地物要素进行语义标注,获得语义标签的具体实施流程包括:
在获取所述目标的实例标签的同时,在所述遥感图像特征图中建立语义分割分支网络,提取所述遥感图像中地物要素的语义信息。
示例性的,在步骤S101获取的图像特征图 上,利用反卷积(Deconvolution)的方式对特征图进行上采样,根据前述层设置的空洞卷积率和大小为 卷积核,设置反卷积中的填充padding=和滑动步长strides= ,获取与输入遥感图像尺寸相同的像素级预测图,通过基于Focal Loss的函数计算语义分割分支在训练中的损失:
对于实例分割分支和语义分割分支两个子任务训练时梯度的平衡问题,使用梯度权重再平衡的方式,如以下公式所示:
其中,实例识别号预测分支包含5个损失函数,表示候选框提取网络的物体/非物体的分类损失函数,表示候选框提取网络的检测框坐标回归损失函数,表示第二阶段的候选框类别分类损失函数,表示第二阶段的候选框坐标回归损失函数,表示第二阶段的候选框内前景/背景分割损失函数;对于语义类别预测网络,表示语义分割的逐像素的类别分类损失函数。
步骤S103,对所述实例标签和所述语义标签进行空间层级排序,获取每个标签的像素排序得分。本实施例基于空间层级排序的方法,通过对目标和地物要素预测结果(分别对应实例标签和语义标签)的层级排布和优化,提高预测精度。
在一个实施例中,步骤S103中对实例标签和语义标签进行空间层级排序,获取每个标签的像素排序得分的具体实施流程包括:
将所述实例标签和所述语义标签投影到原始的遥感图像特征图中,其中不同类别的实例标签和语义标签被映射到不同通道中,特征图初始化时取值为0,被映射的像素点取值为1;
利用卷积层对映射后的特征图进行变换,输出类别排序得分预测图;
利用以下公式计算某个实例目标和语义要素的所有像素点的平均得分,得到所述实例目标和所述语义要素的预测排序得分,
步骤S104,利用像素排序得分为基准生成全景分割图像。
在一个实施例中,步骤S104中利用像素排序得分为基准生成全景分割图像的具体实施流程包括:
将语义分割分支得到的预测结果(语义标签)中所有属于目标(物体)类别的像素点,在全景分割结果对应的类别通道中设置为背景类,在全景分割结果对应的实例通道中,设置实例识别号为1,填充物类别的像素点保持不变;
对实例预测结果(实例标签),按照每个实例的得分从大到小进行排序,并依次将每个实例目标(物体)掩膜对应的像素点的类别通道值设为,实例通道值设置为i,如果排序靠后的实例目标(物体)像素点位置已经被排序靠前的实例目标(物体)占用,则丢弃这些像素点。
步骤S105,利用边缘优化算法对步骤S104中的全景分割图像进行优化。
在一个实施例中,步骤S105中利用边缘优化算法对步骤S104中的全景分割图像进行优化的具体实施流程包括:
将所述全景分割模型的所有网络输出图像的像素点都划分为边缘像素点,不同像素点的边缘排序R不同,对于上、下、左、右存在不属于该类别的最外围像素点,其边缘排序为R=1;
基于以上假设,按如下公式定义某一张像素点的权重图,
基于以上定义,定义如下公式的边缘友好型度量标准,
所述度量标准需要输入真实标注、预测结果,以及像素点权重图定义得到的权重图。
在实际算法实现中,为了节省存储空间,对于权重图只存储边缘像素点的权重值,即 。对于误检的像素点,将p从真实标注中提取出非该类别区域,并与该类别的预测结果做交集,得到误检的像素点,并在计算过程中将其权重置为1。本实施例基于真实标注定义一张新的权重图,通过按类别给予不同像素点不同的权重,从而使结果能够更好反映边缘的优劣。
步骤S106,利用位图矢量化成图方法对优化后的全景分割图像生成电子地图。本实施例位图矢量化成图的电子图像便于快速标记和计算距离,可以实时缩放,传递速度快。
在一个实施例中,步骤S106中利用位图矢量化成图方法对优化后的全景分割图像生成电子地图的具体实施流程包括:
将优化后的全景分割图像转换成相应的栅格数据,并对所述栅格数据的格网或格网集合所构成的区域边缘进行勾绘,并以矢量坐标点构成折线段,即弧段的方式进行记录,再经拓扑数据结构处理,生成面状矢量数据结构。
采用栅格数据矢量化,提取具有相同属性信息的栅格集合的矢量边界及获得边界与边界之间拓扑关系。该步骤具体过程的处理步骤如下:
1)边界提取:采用高通滤波将栅格图像二值化或以特殊值标识边界点;
2)边界跟踪:由边界上的一个节点向另一个节点搜索;
3)生成拓扑关系:判断各个矢量边界弧段的空间关系,形成完整的拓扑结构;
4)去噪:除去冗余的点记录,并使用一定的差补算法进行线段光滑处理。
栅格数据矢量化转换为矢量图后,从空间数据库中抽取数据,分层组织使矢量图形成矢量图层集合。将地图符号库中的地图符号对应的插入矢量图层中,完成矢量图层中各要素的符号化。之后通过线扫描法将符号化后各图层中的地图符号转化为由游程单元构成的游程集合。接下来将处于同一地图栅格行上的游程单元中位于上层图层的游程单元覆盖下层图层的游程单元后,由上层图层游程单元和下层图层游程单元的未覆盖部分形成叠合后游程集合,最终获得一副由叠合后游程集合表示的地图,对叠合后游程集合解码完成电子地图的输出。
对于本发明的方法所涉及的上述各个步骤的序号并不意味着方法执行顺序的先后,各步骤的执行顺序应以其功能和内在逻辑确定,而不应对本发明的实施方式的实施过程构成任何限定。
以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (9)
1.一种基于高分遥感图像的电子地图自动化生成方法,包括:
建立全景分割模型,利用所述全景分割模型提取遥感图像的特征,生成遥感图像特征图;
利用所述全景分割模型的实例分割分支对所述遥感图像特征图的目标进行实例标注,利用所述全景分割模型的语义分割分支对所述遥感图像特征图的地物要素进行语义标注,获得实例标签和语义标签;
对所述实例标签和所述语义标签进行空间层级排序,获取每个标签的像素排序得分;
利用所述像素排序得分为基准生成全景分割图像;
利用边缘优化算法对所述全景分割图像进行优化;
利用位图矢量化成图方法对优化后的全景分割图像生成电子地图。
2.根据权利要求1所述的方法,其特征在于,利用所述全景分割模型提取遥感图像的特征,生成遥感图像特征图,包括:
利用所述全景分割模型的稠密连接卷积神经网络作为基准网络框架提取所述遥感图像的特征;
在所述稠密连接卷积神经网络的特征提取主干网络中使用空洞卷积,形成空洞特征金字塔,并利用密集级联的方式将所述特征进行级联融合;
设置不同大小的空洞率,获取代表不同感受野的相同尺度的遥感图像特征图。
3.根据权利要求1所述的方法,其特征在于,利用所述全景分割模型的实例分割分支对所述遥感图像特征图的目标进行实例标注,获得实例标签,包括:
利用目标候选框提取网络在所述遥感图像特征图上生成多个目标候选区域;
提取所述多个目标候选区域的原始特征图,并对所述原始特征图进行调整,生成大小统一的特征图;
利用全卷积网络对每个大小统一的特征图逐像素进行类别预测,获得所述目标的实例标签。
4.根据权利要求1所述的方法,其特征在于,利用所述全景分割模型的语义分割分支对所述遥感图像特征图的地物要素进行语义标注,获得语义标签,包括:
在获取所述目标的实例标签的同时,在所述遥感图像特征图中建立语义分割分支网络,提取所述遥感图像中地物要素的语义信息。
5.根据权利要求1所述的方法,其特征在于,对所述实例标签和所述语义标签进行空间层级排序,获取每个标签的像素排序得分,包括:
将所述实例标签和所述语义标签投影到原始的遥感图像特征图中,其中不同类别的实例标签和语义标签被映射到不同通道中,特征图初始化时取值为0,被映射的像素点取值为1;
利用卷积层对映射后的特征图进行变换,输出类别排序得分预测图;
利用以下公式计算某个实例目标和语义要素的所有像素点的平均得分,得到所述实例目标和所述语义要素的预测排序得分,
7.根据权利要求1所述的方法,其特征在于,利用边缘优化算法对所述全景分割图像进行优化,包括:
将所述全景分割模型的所有网络输出图像的像素点都划分为边缘像素点,不同像素点的边缘排序R不同,对于上、下、左、右存在不属于该类别的最外围像素点,其边缘排序为R=1;
按照如下公式定义某一像素点的权重图,
基于以上定义,定义如下公式的边缘友好型度量标准,
所述度量标准输入真实标注、预测结果,以及像素点权重图定义得到的权重图;
8.根据权利要求1所述的方法,其特征在于,利用位图矢量化成图方法对优化后的全景分割图像生成电子地图,包括:
将优化后的全景分割图像转换成相应的栅格数据,并对所述栅格数据的格网或格网集合所构成的区域边缘进行勾绘,以矢量坐标点构成折线段的方式进行记录,再经拓扑数据结构处理,生成面状矢量数据结构;
采用栅格数据矢量化,提取具有相同属性信息的栅格集合的矢量边界及获得边界与边界之间的拓扑关系;
所述栅格数据矢量化转换为矢量图后,从空间数据库中抽取数据,分层组织使矢量图形成矢量图层集合,将地图符号库中的地图符号对应的插入矢量图层中,完成矢量图层中各要素的符号化;
通过线扫描法将符号化后各图层中的地图符号转化为由游程单元构成的游程集合;
将处于同一地图栅格行上的游程单元中位于上层图层的游程单元覆盖下层图层的游程单元后,由上层图层游程单元和下层图层游程单元的未覆盖部分形成叠合后游程集合,最终获得一副由叠合后游程集合表示的地图,对叠合后游程集合解码完成电子地图的输出。
9.根据权利要求8所述的方法,其特征在于,采用栅格数据矢量化,提取具有相同属性信息的栅格集合的矢量边界及获得边界与边界之间的拓扑关系,包括:
采用高通滤波将栅格图像二值化或以特殊值标识边界点;
由边界上的一个节点向另一个节点搜索;
判断各个矢量边界弧段的空间关系,形成完整的拓扑结构;
除去冗余的点记录,并使用差补算法对线段进行光滑处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210921803.5A CN115100652A (zh) | 2022-08-02 | 2022-08-02 | 基于高分遥感图像的电子地图自动化生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210921803.5A CN115100652A (zh) | 2022-08-02 | 2022-08-02 | 基于高分遥感图像的电子地图自动化生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100652A true CN115100652A (zh) | 2022-09-23 |
Family
ID=83301356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210921803.5A Pending CN115100652A (zh) | 2022-08-02 | 2022-08-02 | 基于高分遥感图像的电子地图自动化生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100652A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486085A (zh) * | 2023-04-27 | 2023-07-25 | 北京卫星信息工程研究所 | 遥感图像的场景描述方法 |
CN116486169A (zh) * | 2023-04-27 | 2023-07-25 | 北京卫星信息工程研究所 | 遥感图像目标动向判别方法 |
WO2024087574A1 (zh) * | 2022-10-27 | 2024-05-02 | 中国科学院空天信息创新研究院 | 基于全景分割的光学遥感影像海洋筏式养殖区分类方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833780A (zh) * | 2010-05-07 | 2010-09-15 | 南京大学 | 一种基于游程表达和运算的地图成图方法 |
CN110378293A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种基于实景三维模型生产高精度地图的方法 |
CN111177289A (zh) * | 2019-12-12 | 2020-05-19 | 山东省国土测绘院 | 众源网络数据空间相关信息提取校验方法与系统 |
CN111210490A (zh) * | 2020-01-06 | 2020-05-29 | 北京百度网讯科技有限公司 | 电子地图构建方法、装置、设备和介质 |
CN111260666A (zh) * | 2020-01-19 | 2020-06-09 | 上海商汤临港智能科技有限公司 | 图像处理方法及装置、电子设备、计算机可读存储介质 |
CN111860386A (zh) * | 2020-07-27 | 2020-10-30 | 山东大学 | 一种基于ConvLSTM卷积神经网络的视频语义分割方法 |
CN113379748A (zh) * | 2020-03-09 | 2021-09-10 | 北京京东乾石科技有限公司 | 一种点云全景分割方法和装置 |
CN113610859A (zh) * | 2021-06-07 | 2021-11-05 | 东北大学 | 一种基于超声图像的甲状腺结节自动分割方法 |
CN114549338A (zh) * | 2021-12-27 | 2022-05-27 | 浙江大华技术股份有限公司 | 一种电子地图的生成方法、装置和计算机可读存储介质 |
US20220172369A1 (en) * | 2019-10-11 | 2022-06-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for instance segmentation based on semantic segmentation |
-
2022
- 2022-08-02 CN CN202210921803.5A patent/CN115100652A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833780A (zh) * | 2010-05-07 | 2010-09-15 | 南京大学 | 一种基于游程表达和运算的地图成图方法 |
CN110378293A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种基于实景三维模型生产高精度地图的方法 |
US20220172369A1 (en) * | 2019-10-11 | 2022-06-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for instance segmentation based on semantic segmentation |
CN111177289A (zh) * | 2019-12-12 | 2020-05-19 | 山东省国土测绘院 | 众源网络数据空间相关信息提取校验方法与系统 |
CN111210490A (zh) * | 2020-01-06 | 2020-05-29 | 北京百度网讯科技有限公司 | 电子地图构建方法、装置、设备和介质 |
CN111260666A (zh) * | 2020-01-19 | 2020-06-09 | 上海商汤临港智能科技有限公司 | 图像处理方法及装置、电子设备、计算机可读存储介质 |
CN113379748A (zh) * | 2020-03-09 | 2021-09-10 | 北京京东乾石科技有限公司 | 一种点云全景分割方法和装置 |
CN111860386A (zh) * | 2020-07-27 | 2020-10-30 | 山东大学 | 一种基于ConvLSTM卷积神经网络的视频语义分割方法 |
CN113610859A (zh) * | 2021-06-07 | 2021-11-05 | 东北大学 | 一种基于超声图像的甲状腺结节自动分割方法 |
CN114549338A (zh) * | 2021-12-27 | 2022-05-27 | 浙江大华技术股份有限公司 | 一种电子地图的生成方法、装置和计算机可读存储介质 |
Non-Patent Citations (9)
Title |
---|
BOWEN CHENG等: "Panoptic-DeepLab: A Simple, Strong, and Fast Baseline for Bottom-Up Panoptic Segmentation", 《CVPR 2020》 * |
HUANYU LIU等: "An End-to-End Network for Panoptic Segmentation", 《CVPR》 * |
ZHE GONG等: "Road network extraction and vectorization of remote sensing images based on deep learning", 《2020 IEEE 5TH INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE (ITOEC 2020)》 * |
刘环宇: "基于卷积神经网络的图像全景分割", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
叶水盛等: "《GIS基本原理与应用开发》", 31 August 2004, 吉林大学出版社 * |
周贵云等: "基于地图API的WebGIS课程实验设计", 《实验科学与技术》 * |
李永慧等: "基于多任务学习的全景分割方法研究", 《测试技术学报》 * |
章孝灿等: "GIS中基于"栅格技术"的栅格数据矢量化技术", 《计算机辅助设计与图形学学报》 * |
陈稚等: "位图矢量化在电子地图中的应用", 《电子技术应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024087574A1 (zh) * | 2022-10-27 | 2024-05-02 | 中国科学院空天信息创新研究院 | 基于全景分割的光学遥感影像海洋筏式养殖区分类方法 |
CN116486085A (zh) * | 2023-04-27 | 2023-07-25 | 北京卫星信息工程研究所 | 遥感图像的场景描述方法 |
CN116486169A (zh) * | 2023-04-27 | 2023-07-25 | 北京卫星信息工程研究所 | 遥感图像目标动向判别方法 |
CN116486085B (zh) * | 2023-04-27 | 2023-12-19 | 北京卫星信息工程研究所 | 遥感图像的场景描述方法 |
CN116486169B (zh) * | 2023-04-27 | 2023-12-19 | 北京卫星信息工程研究所 | 遥感图像目标动向判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145174B (zh) | 基于图像语义特征进行点云筛选的3d目标检测方法 | |
CN113673425B (zh) | 一种基于Transformer的多视角目标检测方法及系统 | |
CN115100652A (zh) | 基于高分遥感图像的电子地图自动化生成方法 | |
CN113673338B (zh) | 自然场景文本图像字符像素弱监督自动标注方法、系统及介质 | |
CN114627052A (zh) | 一种基于深度学习的红外图像漏气漏液检测方法及系统 | |
CN113609896A (zh) | 基于对偶相关注意力的对象级遥感变化检测方法及系统 | |
CN113095152B (zh) | 一种基于回归的车道线检测方法及系统 | |
CN113191204B (zh) | 一种多尺度遮挡行人检测方法及系统 | |
CN115424017B (zh) | 一种建筑物内外轮廓分割方法、装置及存储介质 | |
CN115512103A (zh) | 多尺度融合遥感图像语义分割方法及系统 | |
CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN115035295B (zh) | 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法 | |
CN115546768A (zh) | 基于多尺度机制和注意力机制的路面标线识别方法及系统 | |
CN115861619A (zh) | 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统 | |
CN114332921A (zh) | 基于改进聚类算法的Faster R-CNN网络的行人检测方法 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN111652240A (zh) | 一种基于cnn的图像局部特征检测与描述方法 | |
CN110634142B (zh) | 一种复杂车路图像边界优化方法 | |
CN114387592A (zh) | 一种复杂背景下字符定位和识别方法 | |
CN114943888A (zh) | 基于多尺度信息融合的海面小目标检测方法、电子设备及计算机可读介质 | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
Wang et al. | Based on the improved YOLOV3 small target detection algorithm | |
Ye et al. | FMAM-Net: fusion multi-scale attention mechanism network for building segmentation in remote sensing images | |
CN116596966A (zh) | 一种基于注意力和特征融合的分割与跟踪方法 | |
CN114882490B (zh) | 一种基于点引导定位的无受限场景车牌检测分类方法 |
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 |