CN115424047A - 高光谱数据的精细样本生成方法及装置 - Google Patents
高光谱数据的精细样本生成方法及装置 Download PDFInfo
- Publication number
- CN115424047A CN115424047A CN202211148170.5A CN202211148170A CN115424047A CN 115424047 A CN115424047 A CN 115424047A CN 202211148170 A CN202211148170 A CN 202211148170A CN 115424047 A CN115424047 A CN 115424047A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- sample
- target
- image
- classification
- 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明是关于一种高光谱数据的精细样本生成方法及装置,方法包括:获取目标高光谱数据;对目标高光谱数据进行正射校正,以得到高光谱正射影像;将高光谱正射影像与已有地面调查分类数据进行空间位置匹配,以确定粗糙样本,其中,粗糙样本包括样本影像和样本标签;采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型;通过预训练的类别预测模型对每个粗糙样本进行类别预测,以得到每个粗糙样本对应的目标类别;根据每个粗糙样本对应的目标类别和样本标签确定其分类精度,并将分类精度小于预设精度的目标粗糙样本丢弃,以得到精细样本。通过该技术方案,保证保留下来的精细样本具有较高的准确性和可用性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种高光谱数据的精细样本生成方法及装置。
背景技术
高光谱图像分类一直是遥感图像处理领域的研究热点,它被广泛应用于农作物分析、军事目标识别、地理地质等领域。但是,在实际分类处理中,高光谱图像数据通常维数较高、标记样本极少且光谱和空间变化大,这些特点给传统遥感图像分类算法提出了新的挑战。
现有技术一般通过人工标记的方式获得样本标签。人工标记样本的方式,样本获取成本高,而且对于新拍摄的高光谱数据,也需要重新标记,因此人工标记的样本利用效率也比较低。
发明内容
为克服相关技术中存在的问题,本发明提供一种高光谱数据的精细样本生成方法及装置,可以解决人工标记样本用于高光谱影像分类中,效率低、成本高、复用性差的问题。
根据本发明实施例的第一方面,提供一种高光谱数据的精细样本生成方法,所述方法包括:
获取目标高光谱数据;
对所述目标高光谱数据进行正射校正,以得到高光谱正射影像;
将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配,以确定粗糙样本,其中,所述粗糙样本包括样本影像和样本标签;
采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型;
通过预训练的类别预测模型对每个粗糙样本进行类别预测,以得到每个粗糙样本对应的目标类别;
根据每个粗糙样本对应的目标类别和样本标签确定其分类精度,并将分类精度小于预设精度的目标粗糙样本丢弃,以得到精细样本。
在一个实施例中,优选地,在采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型之前,所述方法还包括:
根据类别分类需求,对样本标签进行类别合并。
在一个实施例中,优选地,所述获取目标高光谱数据,包括:
获取需要生成样本的目标区域和目标时间范围内的目标高光谱数据。
在一个实施例中,优选地,将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配,以确定粗糙样本,包括:
获取每个高光谱正射影像的空间范围;
将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配;
对空间位置匹配一致的目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,以得到所述粗糙样本。
在一个实施例中,优选地,将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配,包括:
根据所述每个高光谱正射影像的空间范围,确定所述每个高光谱正射影像的四个角点的经纬度坐标信息;
根据所述经纬度坐标信息生成每个高光谱正射影像对应范围的矢量文件;
将目标高光谱正射影像对应范围的矢量文件与所述地面调查分类数据对应范围的矢量文件进行求交集,以确定所述目标高光谱正射影像对应的目标地面调查分类数据;
将所述目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,并将所述目标高光谱正射影像确定为所述样本影像,根据所述目标地面调查分类数据确定所述样本标签。
根据本发明实施例的第二方面,提供一种高光谱数据的精细样本生成装置,所述装置包括:
获取模块,用于获取目标高光谱数据;
校正模块,用于对所述目标高光谱数据进行正射校正,以得到高光谱正射影像;
匹配模块,用于将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配,以确定粗糙样本,其中,所述粗糙样本包括样本影像和样本标签;
预训练模块,用于将粗糙样本对分类模型进行训练,获得预训练的类别预测模型;
预测模块,用于通过预训练的类别预测模型对每个粗糙样本进行类别预测,以得到每个粗糙样本对应的目标类别;
处理模块,用于根据每个粗糙样本对应的目标类别和样本标签确定其分类精度,并将分类精度小于预设精度的目标粗糙样本丢弃,以得到精细样本。
在一个实施例中,优选地,所述装置还包括:
合并模块,用于在采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型之前,根据类别分类需求,对样本标签进行类别合并。
在一个实施例中,优选地,所述获取模块用于:
获取需要生成样本的目标区域和目标时间范围内的目标高光谱数据。
在一个实施例中,优选地,所述匹配模块包括:
获取单元,用于获取每个高光谱正射影像的空间范围;
匹配单元,用于将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配;
裁剪单元,用于对空间位置匹配一致的目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,以得到所述粗糙样本。
在一个实施例中,优选地,所述匹配单元用于:
根据所述每个高光谱正射影像的空间范围,确定所述每个高光谱正射影像的四个角点的经纬度坐标信息;
根据所述经纬度坐标信息生成每个高光谱正射影像对应范围的矢量文件;
将目标高光谱正射影像对应范围的矢量文件与所述地面调查分类数据对应范围的矢量文件进行求交集,以确定所述目标高光谱正射影像对应的目标地面调查分类数据;
将所述目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,并将所述目标高光谱正射影像确定为所述样本影像,根据所述目标地面调查分类数据确定所述样本标签。
根据本发明实施例的第三方面,提供一种高光谱数据的精细样本生成装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取目标高光谱数据;
对所述目标高光谱数据进行正射校正,以得到高光谱正射影像;
将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配,以确定粗糙样本,其中,所述粗糙样本包括样本影像和样本标签;
采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型;
通过预训练的类别预测模型对每个粗糙样本进行类别预测,以得到每个粗糙样本对应的目标类别;
根据每个粗糙样本对应的目标类别和样本标签确定其分类精度,并将分类精度小于预设精度的目标粗糙样本丢弃,以得到精细样本。
根据本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被处理器执行时实现如第一方面的实施例中任一项所述方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明实施例中,基于地面调查数据,自动生成样本,样本获取速度快成本低;考虑到地面类型一般在几年内变化不大,对于新拍摄的数据,先通过已有的地面调查数据实现样本标签生成,然后通过将粗样本放入已训练模型进行预测,舍弃预测精度低的样本,保证保留下来的精细样本具有较高的准确性和可用性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种高光谱数据的精细样本生成方法的流程图。
图2是根据一示例性实施例示出的另一种高光谱数据的精细样本生成方法的流程图。
图3是根据一示例性实施例示出的一种高光谱数据的精细样本生成方法中步骤S103的流程图。
图4是根据一示例性实施例示出的一种高光谱数据的精细样本生成方法中步骤S302的流程图。
图5是根据一示例性实施例示出的一种高光谱数据的精细样本生成装置的框图。
图6是根据一示例性实施例示出的另一种高光谱数据的精细样本生成装置的框图。
图7是根据一示例性实施例示出的一种高光谱数据的精细样本生成装置中匹配模块的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。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发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种高光谱数据的精细样本生成方法的流程图。
如图1所示,根据本发明实施例的第一方面,提供一种高光谱数据的精细样本生成方法,所述方法包括:
步骤S101,获取目标高光谱数据;
在一个实施例中,优选地,所述获取目标高光谱数据,包括:
获取需要生成样本的目标区域和目标时间范围内的目标高光谱数据。
步骤S102,对所述目标高光谱数据进行正射校正,以得到高光谱正射影像;
正射校正一般是通过在像片上选取一些地面控制点,并利用原来已经获取的该像片范围内的数字高程模型(DEM)数据,对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像。将多个正射影像拼接镶嵌在一起,并进行色彩平衡处理后,按照一定范围内裁切出来的影像就是正射影像图。正射影像同时具有地形图特性和影像特性,信息丰富,可作为GIS的数据源,从而丰富地理信息系统的表现形式。
正射校正可以选择的方法很多,主要包括严格物理模型和通用经验模型两种。严格物理模型以共线方程为代表,但是为获得较高的精度需要已知传感器的轨道参数和姿态参数等;经验模型应用灵活,只要有足够数量的控制点就可以获得正射影像,但是其精度往往受到地形和控制点的限制。最主要的正射影像制作主要是基于立体像对的数字摄影测量方法。但立体像对遥感影像获取不易、成本较高,而且需要一定数量的控制点。下面主要介绍几种正射校正算法,及如何在软件中实现正射校正。
1.共线方程模型
共线方程校正法是建立在对传感器成像时的位置和姿态进行模拟和解算的基础上的。由于其严格给出了成像瞬间物方空间和像方空间的几何对应关系,所以其几何校正精度是认为最高的。共线方程模型的应用分两种情况:轨道参数及姿态参数已知和未知。商业软件中基本都以此为基础实现各种来源的遥感影像纠正功能。正因为共线方程模型的严密特性,因此它在各种分辨率的遥感影像纠正中都适用。对共线方程的研究主要是关于其解算方位元素过程由误差方程病态所引起的解算结果并非最优问题。对此提出的算法很多,如增加虚拟误差方程、合并相关项、岭估计方法、阻尼最小二乘法、线性规划法、中心标准化方法等,虽然这些解算方法在诸多的研究文献中很难达到满意的效果,但是其精度在正射校正中完全能够满足应用要求。而在CCD传感器的共线方程模型解算当中,应用最多的是岭估计方法。
2.基于仿射变换的严格几何模型
高分辨率遥感影像的研究与应用已经成为了遥感应用研究的热点问题。围绕高分辨率遥感影像的处理,出现了许多关于新型传感器的成像机理、图像三维处理及测图技术等。基于仿射变换的传感器模型和有理函数模型是其中的典型代表。
高分辨率卫星传感器的突出特征是长焦距和窄视场角,大量实验证明,这种成像几何关系如果用共线方程来描述将导致定向参数之间存在很强的相关性,从而影响定向的精度和稳定性。
3.改进型多项式模型
改进型多项式的传感器模型是一种简单的通用成像传感器模型,其原理直观明了,并且计算较为简单,特别是对地面相对平坦的情况,具有较好的精度。这种方法的基本思想是回避成像的几何过程,而直接对影像的变形本身进行数学模拟、把遥感图像的总体变形看做是平移、缩放、旋转、偏扭、弯曲,以及更高次的基本变形综合作用的结果。
4.有理函数模型
有理函数模型是各种传感器几何模型的一种更广义的表达形式,是对不同的传感器模型更为精确的表达形式。它能适用于各类传感器,包括最新的航空和航天传感器。它的缺点是模型解算复杂,运算量大,并且要求控制点数目相对较多;但其优点是由于引入较多定向参数,模拟精度很高。
步骤S103,将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配,以确定粗糙样本,其中,所述粗糙样本包括样本影像和样本标签;
步骤S104,采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型;
步骤S105,通过预训练的类别预测模型对每个粗糙样本进行类别预测,以得到每个粗糙样本对应的目标类别;
步骤S106,根据每个粗糙样本对应的目标类别和样本标签确定其分类精度,并将分类精度小于预设精度的目标粗糙样本丢弃,以得到精细样本。
在该实施例中,基于地面调查数据,自动生成样本,样本获取速度快成本低;考虑到地面类型一般在几年内变化不大,对于新拍摄的数据,先通过已有的地面调查数据实现样本标签生成,然后通过将粗样本放入已训练模型进行预测,舍弃预测精度低的样本,保证保留下来的精细样本具有较高的准确性和可用性。
图2是根据一示例性实施例示出的另一种高光谱数据的精细样本生成方法的流程图。
如图2所示,在一个实施例中,优选地,在采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型之前,所述方法还包括:
步骤S201,根据类别分类需求,对样本标签进行类别合并。
在该实施例中,如若已有的地面调查分类矢量数据分类层级过多,可对样本标签进行类别合并,形成重分类后的粗糙样本标签。类别合并是根据分类训练时的需求,进行按需合并。例如,原本的地面调查分类数据里,耕地包含水田和旱地;有可能分类不需要分的这么细,就把这两类合并为耕地这1类。还有例如,将原本的河流、坑塘、水库这3类,按需合并为水体这1类。
图3是根据一示例性实施例示出的一种高光谱数据的精细样本生成方法中步骤S103的流程图。
如图3所示,在一个实施例中,优选地,上述步骤S103包括:
步骤S301,获取每个高光谱正射影像的空间范围;
影像一般为正方形或长方形。空间范围一般以四个角点的经纬度坐标来描述。四个角点的经纬度坐标通常在影像附带的源文件中,可通过编写的程序自动获取四个角点的经纬度坐标,然后生成一个范围的矢量文件。
步骤S302,将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配;
步骤S303,对空间位置匹配一致的目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,以得到所述粗糙样本。
通常情况下,裁切为512*512或者1024*1024大小的影像。放入模型的样本大小通常是这个尺寸。
图4是根据一示例性实施例示出的一种高光谱数据的精细样本生成方法中步骤S302的流程图。
在一个实施例中,优选地,步骤S302包括:
步骤S401,根据所述每个高光谱正射影像的空间范围,确定所述每个高光谱正射影像的四个角点的经纬度坐标信息;
步骤S402,根据所述经纬度坐标信息生成每个高光谱正射影像对应范围的矢量文件;
步骤S403,将目标高光谱正射影像对应范围的矢量文件与所述地面调查分类数据对应范围的矢量文件进行求交集,以确定所述目标高光谱正射影像对应的目标地面调查分类数据;
步骤S404,将所述目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,并将所述目标高光谱正射影像确定为所述样本影像,根据所述目标地面调查分类数据确定所述样本标签。
样本标签是指样本的类别编号,例如,编号1代表林地,编号2代表草地。编号是地面调查分类数据本身就有的。
图5是根据一示例性实施例示出的一种高光谱数据的精细样本生成装置的框图。
如图5所示,根据本发明实施例的第二方面,提供一种高光谱数据的精细样本生成装置,所述装置包括:
获取模块51,用于获取目标高光谱数据;
校正模块52,用于对所述目标高光谱数据进行正射校正,以得到高光谱正射影像;
匹配模块53,用于将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配,以确定粗糙样本,其中,所述粗糙样本包括样本影像和样本标签;
预训练模块54,用于将粗糙样本对分类模型进行训练,获得预训练的类别预测模型;
预测模块55,用于通过预训练的类别预测模型对每个粗糙样本进行类别预测,以得到每个粗糙样本对应的目标类别;
处理模块56,用于根据每个粗糙样本对应的目标类别和样本标签确定其分类精度,并将分类精度小于预设精度的目标粗糙样本丢弃,以得到精细样本。
图6是根据一示例性实施例示出的另一种高光谱数据的精细样本生成装置的框图。
如图6所示,在一个实施例中,优选地,所述装置还包括:
合并模块61,用于在采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型之前,根据类别分类需求,对样本标签进行类别合并。
在一个实施例中,优选地,所述获取模块用于:
获取需要生成样本的目标区域和目标时间范围内的目标高光谱数据。
图7是根据一示例性实施例示出的一种高光谱数据的精细样本生成装置中匹配模块的框图。
如图7所示,在一个实施例中,优选地,所述匹配模块53包括:
获取单元71,用于获取每个高光谱正射影像的空间范围;
匹配单元72,用于将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配;
裁剪单元73,用于对空间位置匹配一致的目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,以得到所述粗糙样本。
在一个实施例中,优选地,所述匹配单元62用于:
根据所述每个高光谱正射影像的空间范围,确定所述每个高光谱正射影像的四个角点的经纬度坐标信息;
根据所述经纬度坐标信息生成每个高光谱正射影像对应范围的矢量文件;
将目标高光谱正射影像对应范围的矢量文件与所述地面调查分类数据对应范围的矢量文件进行求交集,以确定所述目标高光谱正射影像对应的目标地面调查分类数据;
将所述目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,并将所述目标高光谱正射影像确定为所述样本影像,根据所述目标地面调查分类数据确定所述样本标签。
根据本发明实施例的第三方面,提供一种高光谱数据的精细样本生成装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取目标高光谱数据;
对所述目标高光谱数据进行正射校正,以得到高光谱正射影像;
将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配,以确定粗糙样本,其中,所述粗糙样本包括样本影像和样本标签;
采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型;
通过预训练的类别预测模型对每个粗糙样本进行类别预测,以得到每个粗糙样本对应的目标类别;
根据每个粗糙样本对应的目标类别和样本标签确定其分类精度,并将分类精度小于预设精度的目标粗糙样本丢弃,以得到精细样本。
根据本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被处理器执行时实现如第一方面的实施例中任一项所述方法的步骤。
进一步可以理解的是,本发明中“多个”是指两个或两个以上,其它量词与之类似。“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。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。
进一步可以理解的是,术语“第一”、“第二”等用于描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开,并不表示特定的顺序或者重要程度。实际上,“第一”、“第二”等表述完全可以互换使用。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。
进一步可以理解的是,本发明实施例中尽管在附图中以特定的顺序描述操作,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作,或是要求执行全部所示的操作以得到期望的结果。在特定环境中,多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种高光谱数据的精细样本生成方法,其特征在于,所述方法包括:
获取目标高光谱数据;
对所述目标高光谱数据进行正射校正,以得到高光谱正射影像;
将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配,以确定粗糙样本,其中,所述粗糙样本包括样本影像和样本标签;
采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型;
通过预训练的类别预测模型对每个粗糙样本进行类别预测,以得到每个粗糙样本对应的目标类别;
根据每个粗糙样本对应的目标类别和样本标签确定其分类精度,并将分类精度小于预设精度的目标粗糙样本丢弃,以得到精细样本。
2.根据权利要求1所述的方法,其特征在于,在采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型之前,所述方法还包括:
根据类别分类需求,对样本标签进行类别合并。
3.根据权利要求1所述的方法,其特征在于,所述获取目标高光谱数据,包括:
获取需要生成样本的目标区域和目标时间范围内的目标高光谱数据。
4.根据权利要求1所述的方法,其特征在于,将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配,以确定粗糙样本,包括:
获取每个高光谱正射影像的空间范围;
将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配;
对空间位置匹配一致的目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,以得到所述粗糙样本。
5.根据权利要求4所述的方法,其特征在于,将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配,包括:
根据所述每个高光谱正射影像的空间范围,确定所述每个高光谱正射影像的四个角点的经纬度坐标信息;
根据所述经纬度坐标信息生成每个高光谱正射影像对应范围的矢量文件;
将目标高光谱正射影像对应范围的矢量文件与所述地面调查分类数据对应范围的矢量文件进行求交集,以确定所述目标高光谱正射影像对应的目标地面调查分类数据;
将所述目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,并将所述目标高光谱正射影像确定为所述样本影像,根据所述目标地面调查分类数据确定所述样本标签。
6.一种高光谱数据的精细样本生成装置,其特征在于,所述装置包括:
获取模块,用于获取目标高光谱数据;
校正模块,用于对所述目标高光谱数据进行正射校正,以得到高光谱正射影像;
匹配模块,用于将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配,以确定粗糙样本,其中,所述粗糙样本包括样本影像和样本标签;
预训练模块,用于将粗糙样本对分类模型进行训练,获得预训练的类别预测模型;
预测模块,用于通过预训练的类别预测模型对每个粗糙样本进行类别预测,以得到每个粗糙样本对应的目标类别;
处理模块,用于根据每个粗糙样本对应的目标类别和样本标签确定其分类精度,并将分类精度小于预设精度的目标粗糙样本丢弃,以得到精细样本。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
合并模块,用于在采用粗糙样本对分类模型进行训练,获得预训练的类别预测模型之前,根据类别分类需求,对样本标签进行类别合并。
8.根据权利要求6所述的装置,其特征在于,所述获取模块用于:
获取需要生成样本的目标区域和目标时间范围内的目标高光谱数据。
9.根据权利要求6所述的装置,其特征在于,所述匹配模块包括:
获取单元,用于获取每个高光谱正射影像的空间范围;
匹配单元,用于将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配;
裁剪单元,用于对空间位置匹配一致的目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,以得到所述粗糙样本。
10.根据权利要求9所述的装置,其特征在于,所述匹配单元用于:
根据所述每个高光谱正射影像的空间范围,确定所述每个高光谱正射影像的四个角点的经纬度坐标信息;
根据所述经纬度坐标信息生成每个高光谱正射影像对应范围的矢量文件;
将目标高光谱正射影像对应范围的矢量文件与所述地面调查分类数据对应范围的矢量文件进行求交集,以确定所述目标高光谱正射影像对应的目标地面调查分类数据;
将所述目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪,并将所述目标高光谱正射影像确定为所述样本影像,根据所述目标地面调查分类数据确定所述样本标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148170.5A CN115424047A (zh) | 2022-09-20 | 2022-09-20 | 高光谱数据的精细样本生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148170.5A CN115424047A (zh) | 2022-09-20 | 2022-09-20 | 高光谱数据的精细样本生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115424047A true CN115424047A (zh) | 2022-12-02 |
Family
ID=84204175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211148170.5A Pending CN115424047A (zh) | 2022-09-20 | 2022-09-20 | 高光谱数据的精细样本生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115424047A (zh) |
-
2022
- 2022-09-20 CN CN202211148170.5A patent/CN115424047A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10636168B2 (en) | Image processing apparatus, method, and program | |
EP2103903B1 (en) | Method for geocoding a perspective image | |
CA2395257C (en) | Any aspect passive volumetric image processing method | |
US7425952B2 (en) | Three-dimensional visualization architecture | |
Dave et al. | A survey on geometric correction of satellite imagery | |
Oh et al. | Automated bias-compensation of rational polynomial coefficients of high resolution satellite imagery based on topographic maps | |
US20130322698A1 (en) | Method and an apparatus for image-based navigation | |
WO2007133620A2 (en) | System and architecture for automatic image registration | |
Dąbrowski et al. | Integration of multi-source geospatial data from GNSS receivers, terrestrial laser scanners, and unmanned aerial vehicles | |
US10679521B1 (en) | Generating a three-dimensional physical map using different data sources | |
Chen et al. | Geographical data acquisition | |
CN111024072A (zh) | 一种基于深度学习的卫星地图辅助导航定位方法 | |
CN114577196A (zh) | 使用光流的激光雷达定位 | |
Baboo et al. | Geometric correction in high resolution satellite imagery using mathematical methods: A case study in Kiliyar sub basin | |
Erdogan et al. | The georeferencing of RASAT satellite imagery and some practical approaches to increase the georeferencing accuracy | |
CN116594419A (zh) | 巡检航线规划方法、装置、电子设备及存储介质 | |
CN115424047A (zh) | 高光谱数据的精细样本生成方法及装置 | |
Awange et al. | Fundamentals of photogrammetry | |
CA3075614C (en) | Gridding global data into a minimally distorted global raster | |
Xiong et al. | Position estimation algorithm based on natural landmark and fish-eyes' lens for indoor mobile robot | |
Babawuro et al. | High resolution satellite imagery rectification using Bi-linear interpolation method for geometric data extraction | |
CN117765071A (zh) | 结合视觉地点识别与数字孪生技术的位姿优化方法及系统 | |
CN118351184A (zh) | 一种基于深度学习的途中景象匹配导航方法和系统 | |
Wang et al. | Updating Smartphone's Exterior Orientation Parameters by Image-based Localization Method Using Geo-tagged Image Datasets and 3D Point Cloud as References | |
Niu et al. | Geometric modeling and processing of QuickBird stereo imagery |
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 |