CN115497010B - 一种基于深度学习的地理信息的识别方法及系统 - Google Patents
一种基于深度学习的地理信息的识别方法及系统 Download PDFInfo
- Publication number
- CN115497010B CN115497010B CN202211206181.4A CN202211206181A CN115497010B CN 115497010 B CN115497010 B CN 115497010B CN 202211206181 A CN202211206181 A CN 202211206181A CN 115497010 B CN115497010 B CN 115497010B
- Authority
- CN
- China
- Prior art keywords
- image
- landform
- category
- geographic information
- feature
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于深度学习的地理信息的识别方法及系统,其方法包括:S1:基于原始地貌图像中的边缘线对原始地貌图像进行区域划分,获得多个地貌图像区域;S2:对所有地貌图像区域进行分类,获得每个地貌类别对应的待识别区域集合;S3:基于对应地貌类别对应的深度卷积网络,对待识别区域进行特征提取,获得对应的累积图像特征;S4:基于累积图像特征对原始地貌图像进行增强处理,获得增强地貌图像;S5:在增强地貌图像中识别出有效地理信息;用以将图像深度学习和地理信息识别进行技术结合,实现基于深度学习对遥感图像的高精度低运算处理,进而在遥感图像中精准高效地识别出地理信息。
Description
技术领域
本发明涉及图像深度学习技术领域,特别涉及一种基于深度学习的地理信息的识别方法及系统。
背景技术
目前,与人工智能联系最紧密的名词,可能是“深度学习”或者是“神经网络”,随着深度学习在图像识别领域取得巨大突破,图像处理已成为深度学习中重要的研究领域,将深度学习和遥感图像中识别地理信息进行技术结合应用也是地理信息识别领域的重要研究方向,地理信息系统的信息采集多通过对无人机采集的遥感图像进行识别,进而获得地理信息,因此,如何在遥感图像中精准高效地识别出所需识别区域内的地理信息是地理信息获取的技术关键。
但是,由于无人机获取的遥感图像的图像质量和显示效果无法保证,进而导致地理信息的识别准确率和识别效率有所下降。
因此,本发明提出了一种基于深度学习的地理信息的识别方法及系统。
发明内容
本发明提供一种基于深度学习的地理信息的识别方法及系统,用以将图像深度学习和地理信息识别进行技术结合,基于对原始地貌图像进行区域划分后确定出的地貌类别对应的深度卷积网络进行分区域特征提取,获得累积特征图像,并基于累积特征图像进行增强处理和信息读取,实现基于深度学习对遥感图像的高精度低运算处理,进而在遥感图像中精准高效地识别出地理信息。
本发明提供一种基于深度学习的地理信息的识别方法,包括:
S1:基于原始地貌图像中的边缘线对原始地貌图像进行区域划分,获得多个地貌图像区域;
S2:对所有地貌图像区域进行分类,获得每个地貌类别对应的待识别区域集合;
S3:基于对应地貌类别对应的深度卷积网络,对待识别区域进行特征提取,获得对应的累积图像特征;
S4:基于累积图像特征对原始地貌图像进行增强处理,获得增强地貌图像;
S5:在增强地貌图像中识别出有效地理信息。
优选的,所述的一种基于深度学习的地理信息的识别方法,S1:基于原始地貌图像中的边缘线对原始地貌图像进行区域划分,获得多个地貌图像区域,包括:
S101:基于Canny边缘检测算子对原始地貌图像进行边缘识别,获得边缘线;
S102:基于边缘线获得原始地貌图像中的封闭轮廓线;
S103:基于封闭轮廓线对原始地貌图像进行区域划分,获得多个地貌图像区域。
优选的,所述的一种基于深度学习的地理信息的识别方法,S2:对所有地貌图像区域进行分类,获得每个地貌类别对应的待识别区域集合,包括:
基于滑窗特征提取方法提取地貌图像区域的地貌图像特征;
基于地貌图像特征确定出对应地貌图像区域的所属地貌类别;
基于每个地貌图像区域的所属地貌类别,对所有地貌图像区域进行分类汇总,获得每个地貌类别对应的待识别区域集合。
优选的,所述的一种基于深度学习的地理信息的识别方法,基于滑窗特征提取方法提取地貌图像区域中的地貌图像特征,包括:
按照预设窗口尺寸列表中包含的窗口尺寸,对地貌图像区域进行滑窗扫描,获得每次扫描过程对应的信息熵;
基于每次扫描过程对应的信息熵构建出地貌图像区域在对应窗口尺寸下对应的滑窗特征矩阵;
基于两个窗口尺寸之间的尺寸差异,对对应两个窗口尺寸中较小窗口尺寸对应的滑窗特征矩阵进行行列压缩处理,获得对应的变换特征矩阵;
计算出变换特征矩阵和对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵之间的信息熵差值表征值,包括:
式中,为信息熵差值表征值,/>为变换特征矩阵或对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵中包含的数值总个数,/>为变换特征矩阵或对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵中包含的第/>个数值,/>即为以2为底的对数函数,为变换特征矩阵中的第/>个数值,/>为对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵中的第/>个数值;
将预设窗口尺寸列表中最大信息熵差值表征值对应的两个窗口尺寸作为最优求差窗口尺寸组合;
基于最优求差窗口尺寸组合中的窗口尺寸之间的尺寸差异,对最优求差窗口尺寸组合中较小窗口尺寸对应的滑窗特征矩阵进行区块划分,获得多个子滑窗特征矩阵;
计算出子滑窗特征矩阵中包含的数值均值,并基于数值均值计算出子滑窗特征矩阵中包含的每个数值和数值均值的偏差值;
将子滑窗特征矩阵中最大偏差值对应的数值在地貌图像区域中的像素点作为突出特征点;
对地貌图像区域中包含的所有突出特征点进行聚类分析,获得特征点聚类结果;
将特征点聚类结果作为地貌图像区域的地貌图像特征。
优选的,所述的一种基于深度学习的地理信息的识别方法,基于地貌图像特征确定出对应地貌图像区域的所属地貌类别,包括:
将地貌图像特征与每个地貌类别对应的分类标签的标准图像特征进行匹配,并确定出对应的匹配度;
将最大匹配度对应的地貌类别作为对应地貌图像区域的所属地貌类别。
优选的,所述的一种基于深度学习的地理信息的识别方法,S3:基于对应地貌类别对应的深度卷积网络,对待识别区域进行特征提取,获得对应的累积图像特征,包括:
基于预设的卷积核尺寸列表中包含的卷积核尺寸和对应地貌类别对应的深度卷积网络,对待识别区域依次进行特征提取,获得对应待识别区域在不同卷积核尺寸下对应的图像特征;
并将待识别区域在不同卷积核尺寸下对应的图像特征进行累加,获得对应待识别区域的累积图像特征。
优选的,所述的一种基于深度学习的地理信息的识别方法,S4:基于累积图像特征对原始地貌图像进行增强处理,获得增强地貌图像,包括:
确定出每个累加图像特征中包含的对应视觉数据类别对应的视觉分布数据;
基于待识别区域在原始地貌图像中的分布位置,将原始地貌图像中所有待识别区域的属于同一视觉数据类别的视觉分布数据进行排列组合,获得原始地貌图像的每个视觉数据类别对应的完整视觉分布数据;
基于完整视觉分布数据确定出对应视觉数据类别对应的数据变化范围,基于视觉数据变化范围确定出对应的可扩大倍数;
基于可扩大倍数确定出对应的数据增强倍数,基于数据增强倍数对对应视觉数据类别对应的完整视觉分布数据中包含的视觉数据进行扩大处理,获得对应视觉数据类别对应的增强视觉分布数据;
基于所有视觉数据类别对应的增强视觉分布数据,确定出增强图像特征;
基于增强图像特征和累积图像特征之间的特征增强分量,对原始地貌图像中的对应待识别区域进行同幅增强处理,获得增强地貌图像;
其中,基于视觉数据变化范围确定出对应的可扩大倍数,包括:
优选的,所述的一种基于深度学习的地理信息的识别方法,S5:在增强地貌图像中识别出有效地理信息,包括:
对增强地貌图像进行去噪优化,获得优化地貌图像;
在优化地貌图像中识别出有效地理信息。
优选的,所述的一种基于深度学习的地理信息的识别方法,在优化地貌图像中识别出有效地理信息,包括:
基于所需地理信息类别对应的信息读取方式,对优化地貌图像进行测量读取,获得初始地理信息;
对初始地理信息进行过滤去噪,获得有效地理信息。
本发明提供一种基于深度学习的地理信息的识别系统,包括:
划分端,用于基于原始地貌图像中的边缘线对原始地貌图像进行区域划分,获得多个地貌图像区域;
分类端,用于对所有地貌图像区域进行分类,获得每个地貌类别对应的待识别区域集合;
提取端,用于基于对应地貌类别对应的深度卷积网络,对待识别区域进行特征提取,获得对应的累积图像特征;
增强端,用于基于累积图像特征对原始地貌图像进行增强处理,获得增强地貌图像;
识别端,用于在增强地貌图像中识别出有效地理信息。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于深度学习的地理信息的识别方法流程图;
图2为本发明实施例中又一种基于深度学习的地理信息的识别方法流程图;
图3为本发明实施例中再一种基于深度学习的地理信息的识别系统示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供了一种基于深度学习的地理信息的识别方法,参考图1,包括:
S1:基于原始地貌图像中的边缘线对原始地貌图像进行区域划分,获得多个地貌图像区域;
S2:对所有地貌图像区域进行分类,获得每个地貌类别对应的待识别区域集合;
S3:基于对应地貌类别对应的深度卷积网络,对待识别区域进行特征提取,获得对应的累积图像特征;
S4:基于累积图像特征对原始地貌图像进行增强处理,获得增强地貌图像;
S5:在增强地貌图像中识别出有效地理信息。
该实施例中,原始地貌图像即为基于无人机获取的包含待识别地区内的地貌结构的遥感图像。
该实施例中,边缘线即为原始地貌图像中的边缘线。
该实施例中,地貌图像区域即为基于原始地貌图像中的边缘线对原始地貌图像进行区域划分后获得的多个图像区域。
该实施例中,地貌类别即为地貌结构的类别,例如:高原结构、盆地结构、丘陵结构、山地结构、平原结构等。
该实施例中,待识别区域集合即为基于地貌类别对所有地貌图像区域进行分类后获得的每个地貌类别对应的图像区域的集合。
该实施例中,深度卷积网络即为预先准备的用于提取对应地貌类别的待识别区域的图像特征的深度卷积网络,该深度卷积网络在提取对应地貌类别的待识别区域的图像特征时,会比采用其他深度卷积网络提取出的图像特征更加突出。
该实施例中,累积图像特征即为基于对应地貌类别对应的深度卷积网络对待识别区域进行特征提取后获得的对应待识别区域的图像特征。
该实施例中,增强地貌图像即为基于累积图像特征对原始地貌图像进行增强处理后获得的图像。
该实施例中,有效地理信息即为在增强地貌图像中识别出的有效的、不包含废信息的地理信息。
以上技术的有益效果为:将图像深度学习和地理信息识别进行技术结合,基于对原始地貌图像进行区域划分后确定出的地貌类别对应的深度卷积网络进行分区域特征提取,获得累积特征图像,并基于累积特征图像进行增强处理和信息读取,实现基于深度学习对遥感图像的高精度低运算处理,进而在遥感图像中精准高效地识别出地理信息。
实施例2:
在实施例1的基础上,所述的一种基于深度学习的地理信息的识别方法,S1:基于原始地貌图像中的边缘线对原始地貌图像进行区域划分,获得多个地貌图像区域,参考图2,包括:
S101:基于Canny边缘检测算子对原始地貌图像进行边缘识别,获得边缘线;
S102:基于边缘线获得原始地貌图像中的封闭轮廓线;
S103:基于封闭轮廓线对原始地貌图像进行区域划分,获得多个地貌图像区域。
该实施例中,封闭轮廓线即为由原始地貌图像中包含的边缘线组成的封闭曲线。
以上技术的有益效果为:通过对原始地貌图像中的边缘线形成的封闭轮廓线对原始地貌图像进行区域划分,实现对原始地貌区域的区域划分。
实施例3:
在实施例1的基础上,所述的一种基于深度学习的地理信息的识别方法,S2:对所有地貌图像区域进行分类,获得每个地貌类别对应的待识别区域集合,包括:
基于滑窗特征提取方法提取地貌图像区域的地貌图像特征;
基于地貌图像特征确定出对应地貌图像区域的所属地貌类别;
基于每个地貌图像区域的所属地貌类别,对所有地貌图像区域进行分类汇总,获得每个地貌类别对应的待识别区域集合。
该实施例中,地貌图像特征即为基于滑窗特征提取方法提取的地貌图像区域的图像特征。
该实施例中,所属地貌类别即为即为对应地貌图像区域的地貌类别。
以上技术的有益效果为:基于滑窗特征提取方法获取的地貌图像特征可以充分表示图像中的纹理特征,相比于采用其他特征提取方法,提取出的特征更加有利于后续确定地貌类别。
实施例4:
在实施例3的基础上,所述的一种基于深度学习的地理信息的识别方法,基于滑窗特征提取方法提取地貌图像区域中的地貌图像特征,包括:
按照预设窗口尺寸列表中包含的窗口尺寸,对地貌图像区域进行滑窗扫描,获得每次扫描过程对应的信息熵;
基于每次扫描过程对应的信息熵构建出地貌图像区域在对应窗口尺寸下对应的滑窗特征矩阵;
基于两个窗口尺寸之间的尺寸差异,对对应两个窗口尺寸中较小窗口尺寸对应的滑窗特征矩阵进行行列压缩处理,获得对应的变换特征矩阵;
计算出变换特征矩阵和对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵之间的信息熵差值表征值,包括:
式中,为信息熵差值表征值,/>为变换特征矩阵或对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵中包含的数值总个数,/>为变换特征矩阵或对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵中包含的第/>个数值,/>即为以2为底的对数函数,为变换特征矩阵中的第/>个数值,/>为对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵中的第/>个数值;
将预设窗口尺寸列表中最大信息熵差值表征值对应的两个窗口尺寸作为最优求差窗口尺寸组合;
基于最优求差窗口尺寸组合中的窗口尺寸之间的尺寸差异,对最优求差窗口尺寸组合中较小窗口尺寸对应的滑窗特征矩阵进行区块划分,获得多个子滑窗特征矩阵;
计算出子滑窗特征矩阵中包含的数值均值,并基于数值均值计算出子滑窗特征矩阵中包含的每个数值和数值均值的偏差值;
将子滑窗特征矩阵中最大偏差值对应的数值在地貌图像区域中的像素点作为突出特征点;
对地貌图像区域中包含的所有突出特征点进行聚类分析,获得特征点聚类结果;
将特征点聚类结果作为地貌图像区域的地貌图像特征。
该实施例中,信息熵即为按照对应窗口尺寸对地貌图像区域进行滑窗扫描时获得的信息熵。
该实施例中,滑窗特征矩阵即为基于每次扫描过程对应的信息熵和对应的扫描位置在地貌图像区域中的位置,搭建出滑窗特征矩阵,即为将信息熵放在滑窗特征矩阵中与地貌图像区域中对应的位置后获得的矩阵。
该实施例中,基于两个窗口尺寸之间的尺寸差异,对对应两个窗口尺寸中较小窗口尺寸对应的滑窗特征矩阵进行行列压缩处理,即为:
基于尺寸差异确定出划分倍数,例如尺寸差异为2倍时,则划分倍数也为2倍,则将较小窗口尺寸对应的滑窗特征矩阵划分成多个大小的子矩阵,将子矩阵中的数值加和获得新的数值,并将对应滑窗特征矩阵中对应子矩阵的位置替换为对应的数值加和后获得的新的数值,进而获得变换特征矩阵,也实现行列压缩处理。
该实施例中,变换特征矩阵即为基于两个窗口尺寸之间的尺寸差异,对对应两个窗口尺寸中较小窗口尺寸对应的滑窗特征矩阵进行行列压缩处理后获得的矩阵。
该实施例中,信息熵差值表征值即为表征变换特征矩阵和对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵之间的信息熵差值的表征值。
该实施例中,最优求差窗口尺寸组合即为预设窗口尺寸列表中最大信息熵差值表征值对应的两个窗口尺寸。
该实施例中,基于最优求差窗口尺寸组合中的窗口尺寸之间的尺寸差异,对最优求差窗口尺寸组合中较小窗口尺寸对应的滑窗特征矩阵进行区块划分,获得多个子滑窗特征矩阵,即为:
该实施例中,子滑窗特征矩阵即为基于最优求差窗口尺寸组合中的窗口尺寸之间的尺寸差值,对最优求差窗口尺寸组合中较小窗口尺寸对应的滑窗特征矩阵进行区块划分后获得的子矩阵。
该实施例中,数值均值即为子滑窗特征矩阵中包含的所有数值的均值。
该实施例中,偏差值即为子滑窗特征矩阵中包含的数值和数值均值的差值。
该实施例中,突出特征点即为子滑窗特征矩阵中的最大偏差值对应的数值在地貌图像区域中的像素点。
该实施例中,特征点聚类结果即为对地貌图像区域中包含的所有突出特征点进行聚类分析后获得的结果。
该实施例中,地貌图像特征即为特征点聚类结果。
以上技术的有益效果为:基于通过不同窗口尺寸在地貌图像区域中进行滑窗扫描获得的滑窗特征矩阵进行压缩处理后比较,筛选出可以最大程度显示图像局部差异的两种窗口尺寸,基于该两种窗口尺寸之间的尺寸差异对最优求差窗口尺寸组合中较小窗口尺寸对应的滑窗特征矩阵进行区块划分后获得的子滑窗特征矩阵进行最大偏差数值筛选,进而实现确定出地貌图像区域中与周围先书店的滑窗特征信息熵差值较大的像素点,即突出特征的像素点,并对筛选出的突出特征点进行聚类,获得表征地貌图像区域中的局部滑窗特征的地貌图像特征。
实施例5:
在实施例3的基础上,所述的一种基于深度学习的地理信息的识别方法,基于地貌图像特征确定出对应地貌图像区域的所属地貌类别,包括:
将地貌图像特征与每个地貌类别对应的分类标签的标准图像特征进行匹配,并确定出对应的匹配度;
将最大匹配度对应的地貌类别作为对应地貌图像区域的所属地貌类别。
该实施例中,分类标签即为为了区别地貌类别的标签。
该实施例中,标准图像特征即为对应地貌类别的在标准视觉条件下的图像特征。
该实施例中,匹配度即为地貌图像特征和每个地貌类别对应的分类标签的标准图像特征之间的匹配度。
该实施例中,所属地貌类别即为最大匹配度对应的地貌类别。
以上技术的有益效果为:通过确定出地貌图像特征与每个地貌类别对应的分类标签的标准图像特征之间的匹配度,实现准确确定出地貌图像区域的所属地貌类别。
实施例6:
在实施例1的基础上,所述的一种基于深度学习的地理信息的识别方法,S3:基于对应地貌类别对应的深度卷积网络,对待识别区域进行特征提取,获得对应的累积图像特征,包括:
基于预设的卷积核尺寸列表中包含的卷积核尺寸和对应地貌类别对应的深度卷积网络,对待识别区域依次进行特征提取,获得对应待识别区域在不同卷积核尺寸下对应的图像特征;
并将待识别区域在不同卷积核尺寸下对应的图像特征进行累加,获得对应待识别区域的累积图像特征。
该实施例中,预设的卷积核尺寸列表即为包含按照梯度分布的卷积核尺寸的列表。
该实施例中,图像特征即为基于预设的卷积核尺寸列表中包含的卷积核尺寸和对应地貌类别对应的深度卷积网络对待识别区域依次进行特征提取后获得的对应待识别区域在对应卷积核尺寸下对应的图像特征。
该实施例中,累积图像特征即为将待识别区域在不同卷积核尺寸下对应的图像特征进行累加后获得的图像特征。
以上技术的有益效果为:基于预设的卷积核尺寸列表中包含的卷积核尺寸和对应地貌类别对应的深度卷积网络,对待识别区域依次进行特征提取,获得对应待识别区域在不同卷积核尺寸下对应的图像特征,实现对不同地貌类别的待识别区域的累加特征进行分别提取,使得提取出的累加特征更加凸显不同地貌类别之间的特征区别。
实施例7:
在实施例1的基础上,所述的一种基于深度学习的地理信息的识别方法,S4:基于累积图像特征对原始地貌图像进行增强处理,获得增强地貌图像,包括:
确定出每个累加图像特征中包含的对应视觉数据类别对应的视觉分布数据;
基于待识别区域在原始地貌图像中的分布位置,将原始地貌图像中所有待识别区域的属于同一视觉数据类别的视觉分布数据进行排列组合,获得原始地貌图像的每个视觉数据类别对应的完整视觉分布数据;
基于完整视觉分布数据确定出对应视觉数据类别对应的数据变化范围,基于视觉数据变化范围确定出对应的可扩大倍数;
基于可扩大倍数确定出对应的数据增强倍数,基于数据增强倍数对对应视觉数据类别对应的完整视觉分布数据中包含的视觉数据进行扩大处理,获得对应视觉数据类别对应的增强视觉分布数据;
基于所有视觉数据类别对应的增强视觉分布数据,确定出增强图像特征;
基于增强图像特征和累积图像特征之间的特征增强分量,对原始地貌图像中的对应待识别区域进行同幅增强处理,获得增强地貌图像;
其中,基于视觉数据变化范围确定出对应的可扩大倍数,包括:
该实施例中,视觉数据类别例如:灰度值、亮度值、色度值等。
该实施例中,视觉分布数据即为累加图像特征中对应视觉数据类别的视觉数据的分布数据,例如灰度值分布数据。
该实施例中,完整视觉分布数据即为基于待识别区域在原始地貌图像中的分布位置将原始地貌图像中所有待识别区域的属于同一视觉数据类别的视觉分布数据进行排列组合后获得的原始地貌图像的对应视觉数据类别对应的视觉分布数据。
该实施例中,数据变化范围即为完整视觉分布数据中的数据取值范围,例如灰度取值范围。
该实施例中,数据增强倍数即为完整视觉分布数据中的视觉数据可增强的倍数。
该实施例中,可扩大倍数即为基于视觉数据变化范围确定出的完整视觉分布数据可扩大的倍数。
该实施例中,增强视觉分布数据即为基于数据增强倍数对对应视觉数据类别对应的完整视觉分布数据中包含的视觉数据进行扩大处理后获得的处理后的完整视觉分布数据。
该实施例中,扩大处理即为将对应视觉数据类别对应的完整视觉分布数据中包含的视觉数据乘以数据增强倍数后获得处理后的数据。
该实施例中,增强图像特征即为基于所有视觉数据类别对应的增强视觉分布数据进行反向确定出的对应的图像特征。
该实施例中,特征增强分量即为增强图像特征和累积图像特征之间的特征差值。
该实施例中,同幅增强处理即为计算出特征增强分量和累积图像特征之间的比值作为增强幅度,对原始地貌图像中的对应待识别区域中包含的与对应特征分量有关的视觉数据扩大对应增强幅度倍。
以上技术的有益效果为:基于对累加图像特征中包含的不同视觉数据类别对应的视觉分布数据的数据范围,确定出的数据增强倍数,实现按照视觉数据类别对视觉分布数据进行线性增大,实现了对原始地貌图像中的视觉分布数据的个性化增强处理,使得视觉分布数据中包含的不同位置之间的视觉数据差别增大,进而实现对原始地貌图像进行的合理增强处理,保证了原始地貌图像的显示效果,且增强了像素点之间的视觉差异,有利于后续地理信息的识别步骤。
实施例8:
在实施例1的基础上,所述的一种基于深度学习的地理信息的识别方法,S5:在增强地貌图像中识别出有效地理信息,包括:
对增强地貌图像进行去噪优化,获得优化地貌图像;
在优化地貌图像中识别出有效地理信息。
该实施例中,优化地貌凸显郭继伟对增强地貌图像进行去噪优化后获得的图像。
以上技术的有益效果为:先对增强地貌图像进行去噪优化,使得后续识别出的有效地理信息更加准确。
实施例9:
在实施例8的基础上,所述的一种基于深度学习的地理信息的识别方法,在优化地貌图像中识别出有效地理信息,包括:
基于所需地理信息类别对应的信息读取方式,对优化地貌图像进行测量读取,获得初始地理信息;
对初始地理信息进行过滤去噪,获得有效地理信息。
该实施例中,所需地理信息类别即为所需地理信息的类别,例如海拔高度等。
该实施例中,信息读取方式即为在优化地貌图像中读取出对应所需地理信息类别对应的地理信息时所采用的方式,例如确定海拔高度采用标记等高线的方式读取。
该实施例中,初始地理信息即为基于所需地理信息类别对应的信息读取方式对优化地貌图像进行测量读取出的地理信息。
该实施例中,有效地理信息即为对初始地理信息进行过滤去噪后获得的被去除废信息的地理信息。
以上技术的有益效果为:通过对应所需地理信息类别对应的信息读取方式对优化地貌图像进行测量读取,并进行过滤去噪,进而实现地理信息的准确获取。
实施例10:
本发明发提出了一种基于深度学习的地理信息的识别系统,参考图3,包括:
划分端,用于基于原始地貌图像中的边缘线对原始地貌图像进行区域划分,获得多个地貌图像区域;
分类端,用于对所有地貌图像区域进行分类,获得每个地貌类别对应的待识别区域集合;
提取端,用于基于对应地貌类别对应的深度卷积网络,对待识别区域进行特征提取,获得对应的累积图像特征;
增强端,用于基于累积图像特征对原始地貌图像进行增强处理,获得增强地貌图像;
识别端,用于在增强地貌图像中识别出有效地理信息。
以上技术的有益效果为:将图像深度学习和地理信息识别进行技术结合,基于对原始地貌图像进行区域划分后确定出的地貌类别对应的深度卷积网络进行分区域特征提取,获得累积特征图像,并基于累积特征图像进行增强处理和信息读取,实现基于深度学习对遥感图像的高精度低运算处理,进而在遥感图像中精准高效地识别出地理信息。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习的地理信息的识别方法,其特征在于,包括:
S1:基于原始地貌图像中的边缘线对原始地貌图像进行区域划分,获得多个地貌图像区域;
S2:对所有地貌图像区域进行分类,获得每个地貌类别对应的待识别区域集合;
S3:基于对应地貌类别对应的深度卷积网络,对待识别区域进行特征提取,获得对应的累积图像特征;
S4:基于累积图像特征对原始地貌图像进行增强处理,获得增强地貌图像;
S5:在增强地貌图像中识别出有效地理信息。
2.根据权利要求1所述的一种基于深度学习的地理信息的识别方法,其特征在于,S1:基于原始地貌图像中的边缘线对原始地貌图像进行区域划分,获得多个地貌图像区域,包括:
S101:基于Canny边缘检测算子对原始地貌图像进行边缘识别,获得边缘线;
S102:基于边缘线获得原始地貌图像中的封闭轮廓线;
S103:基于封闭轮廓线对原始地貌图像进行区域划分,获得多个地貌图像区域。
3.根据权利要求1所述的一种基于深度学习的地理信息的识别方法,其特征在于,S2:对所有地貌图像区域进行分类,获得每个地貌类别对应的待识别区域集合,包括:
基于滑窗特征提取方法提取地貌图像区域的地貌图像特征;
基于地貌图像特征确定出对应地貌图像区域的所属地貌类别;
基于每个地貌图像区域的所属地貌类别,对所有地貌图像区域进行分类汇总,获得每个地貌类别对应的待识别区域集合。
4.根据权利要求3所述的一种基于深度学习的地理信息的识别方法,其特征在于,基于滑窗特征提取方法提取地貌图像区域中的地貌图像特征,包括:
按照预设窗口尺寸列表中包含的窗口尺寸,对地貌图像区域进行滑窗扫描,获得每次扫描过程对应的信息熵;
基于每次扫描过程对应的信息熵构建出地貌图像区域在对应窗口尺寸下对应的滑窗特征矩阵;
基于两个窗口尺寸之间的尺寸差异,对对应两个窗口尺寸中较小窗口尺寸对应的滑窗特征矩阵进行行列压缩处理,获得对应的变换特征矩阵;
计算出变换特征矩阵和对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵之间的信息熵差值表征值,包括:
式中,为信息熵差值表征值,/>为变换特征矩阵或对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵中包含的数值总个数,/>为变换特征矩阵或对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵中包含的第/>个数值,/>即为以2为底的对数函数,/>为变换特征矩阵中的第/>个数值,/>为对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵中的第/>个数值;
将预设窗口尺寸列表中最大信息熵差值表征值对应的两个窗口尺寸作为最优求差窗口尺寸组合;
基于最优求差窗口尺寸组合中的窗口尺寸之间的尺寸差异,对最优求差窗口尺寸组合中较小窗口尺寸对应的滑窗特征矩阵进行区块划分,获得多个子滑窗特征矩阵;
计算出子滑窗特征矩阵中包含的数值均值,并基于数值均值计算出子滑窗特征矩阵中包含的每个数值和数值均值的偏差值;
将子滑窗特征矩阵中最大偏差值对应的数值在地貌图像区域中的像素点作为突出特征点;
对地貌图像区域中包含的所有突出特征点进行聚类分析,获得特征点聚类结果;
将特征点聚类结果作为地貌图像区域的地貌图像特征。
5.根据权利要求3所述的一种基于深度学习的地理信息的识别方法,其特征在于,基于地貌图像特征确定出对应地貌图像区域的所属地貌类别,包括:
将地貌图像特征与每个地貌类别对应的分类标签的标准图像特征进行匹配,并确定出对应的匹配度;
将最大匹配度对应的地貌类别作为对应地貌图像区域的所属地貌类别。
6.根据权利要求1所述的一种基于深度学习的地理信息的识别方法,其特征在于,S3:基于对应地貌类别对应的深度卷积网络,对待识别区域进行特征提取,获得对应的累积图像特征,包括:
基于预设的卷积核尺寸列表中包含的卷积核尺寸和对应地貌类别对应的深度卷积网络,对待识别区域依次进行特征提取,获得对应待识别区域在不同卷积核尺寸下对应的图像特征;
并将待识别区域在不同卷积核尺寸下对应的图像特征进行累加,获得对应待识别区域的累积图像特征。
7.根据权利要求1所述的一种基于深度学习的地理信息的识别方法,其特征在于,S4:基于累积图像特征对原始地貌图像进行增强处理,获得增强地貌图像,包括:
确定出每个累加图像特征中包含的对应视觉数据类别对应的视觉分布数据;
基于待识别区域在原始地貌图像中的分布位置,将原始地貌图像中所有待识别区域的属于同一视觉数据类别的视觉分布数据进行排列组合,获得原始地貌图像的每个视觉数据类别对应的完整视觉分布数据;
基于完整视觉分布数据确定出对应视觉数据类别对应的数据变化范围,基于视觉数据变化范围确定出对应的可扩大倍数;
基于可扩大倍数确定出对应的数据增强倍数,基于数据增强倍数对对应视觉数据类别对应的完整视觉分布数据中包含的视觉数据进行扩大处理,获得对应视觉数据类别对应的增强视觉分布数据;
基于所有视觉数据类别对应的增强视觉分布数据,确定出增强图像特征;
基于增强图像特征和累积图像特征之间的特征增强分量,对原始地貌图像中的对应待识别区域进行同幅增强处理,获得增强地貌图像;
其中,基于视觉数据变化范围确定出对应的可扩大倍数,包括:
8.根据权利要求1所述的一种基于深度学习的地理信息的识别方法,其特征在于,S5:在增强地貌图像中识别出有效地理信息,包括:
对增强地貌图像进行去噪优化,获得优化地貌图像;
在优化地貌图像中识别出有效地理信息。
9.根据权利要求8所述的一种基于深度学习的地理信息的识别方法,其特征在于,在优化地貌图像中识别出有效地理信息,包括:
基于所需地理信息类别对应的信息读取方式,对优化地貌图像进行测量读取,获得初始地理信息;
对初始地理信息进行过滤去噪,获得有效地理信息。
10.一种基于深度学习的地理信息的识别系统,其特征在于,包括:
划分端,用于基于原始地貌图像中的边缘线对原始地貌图像进行区域划分,获得多个地貌图像区域;
分类端,用于对所有地貌图像区域进行分类,获得每个地貌类别对应的待识别区域集合;
提取端,用于基于对应地貌类别对应的深度卷积网络,对待识别区域进行特征提取,获得对应的累积图像特征;
增强端,用于基于累积图像特征对原始地貌图像进行增强处理,获得增强地貌图像;
识别端,用于在增强地貌图像中识别出有效地理信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211206181.4A CN115497010B (zh) | 2022-09-30 | 2022-09-30 | 一种基于深度学习的地理信息的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211206181.4A CN115497010B (zh) | 2022-09-30 | 2022-09-30 | 一种基于深度学习的地理信息的识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115497010A CN115497010A (zh) | 2022-12-20 |
CN115497010B true CN115497010B (zh) | 2023-07-04 |
Family
ID=84472282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211206181.4A Active CN115497010B (zh) | 2022-09-30 | 2022-09-30 | 一种基于深度学习的地理信息的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115497010B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524143A (zh) * | 2023-06-25 | 2023-08-01 | 成都趋势电子有限责任公司 | 一种gis地图构建方法 |
CN117765420B (zh) * | 2024-02-22 | 2024-05-07 | 山东瑞鑫时空信息科技有限公司 | 基于遥感数据的地形勘测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468951A (zh) * | 2021-05-20 | 2021-10-01 | 华东师范大学 | 一种基于Landsat卫星遥感检测红树林地貌的方法 |
CN114419265A (zh) * | 2021-12-31 | 2022-04-29 | 自然资源部第二地理信息制图院(黑龙江省第五测绘地理信息工程院) | 一种基于地图图像识别的交互式地图展示方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8774470B1 (en) * | 2012-04-03 | 2014-07-08 | Google Inc. | Processing a satellite image of a region to determine a terrain boundary included therein |
CN104036530B (zh) * | 2014-05-21 | 2018-04-10 | 中国科学院电子学研究所 | 一种合成孔径雷达图像的处理方法及装置 |
US11030486B2 (en) * | 2018-04-20 | 2021-06-08 | XNOR.ai, Inc. | Image classification through label progression |
US11544832B2 (en) * | 2020-02-04 | 2023-01-03 | Rockwell Collins, Inc. | Deep-learned generation of accurate typical simulator content via multiple geo-specific data channels |
CN111695436B (zh) * | 2020-05-19 | 2022-05-13 | 哈尔滨工业大学 | 一种基于目标增强的高空间分辨率遥感图像场景分类方法 |
CN112257603B (zh) * | 2020-10-23 | 2022-06-17 | 深圳大学 | 高光谱图像分类方法及相关设备 |
CN113657324A (zh) * | 2021-08-24 | 2021-11-16 | 速度时空信息科技股份有限公司 | 基于遥感影像地物分类的城市功能区识别方法 |
CN114140637B (zh) * | 2021-10-21 | 2023-09-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像分类方法、存储介质和电子设备 |
-
2022
- 2022-09-30 CN CN202211206181.4A patent/CN115497010B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468951A (zh) * | 2021-05-20 | 2021-10-01 | 华东师范大学 | 一种基于Landsat卫星遥感检测红树林地貌的方法 |
CN114419265A (zh) * | 2021-12-31 | 2022-04-29 | 自然资源部第二地理信息制图院(黑龙江省第五测绘地理信息工程院) | 一种基于地图图像识别的交互式地图展示方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115497010A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115497010B (zh) | 一种基于深度学习的地理信息的识别方法及系统 | |
CN109840556B (zh) | 一种基于孪生网络的图像分类识别方法 | |
CN111461039B (zh) | 基于多尺度特征融合的地标识别方法 | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN112053371A (zh) | 一种遥感图像中的水体提取方法和装置 | |
Nowosad et al. | Extended SLIC superpixels algorithm for applications to non-imagery geospatial rasters | |
CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统 | |
CN114842478A (zh) | 文本区域的识别方法、装置、设备及存储介质 | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
Mostafa | A new shape descriptor for road network separation from parking lots and intersection detection on VHR remote sensing images | |
CN110825896A (zh) | 一种商标检索系统及检索方法 | |
Parveen et al. | Automated extraction and discrimination of open land areas from IRS-1C LISS III imagery | |
CN115908363A (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
CN112766082B (zh) | 基于宏微观特征的中文文本笔迹鉴别方法、装置及存储介质 | |
CN114782720A (zh) | 文案的配图确定方法、装置、电子设备、介质及程序产品 | |
CN110147824B (zh) | 一种图像的自动分类方法及装置 | |
Rani et al. | Object Detection in Natural Scene Images Using Thresholding Techniques | |
CN112183879A (zh) | 一种城市功能区的分类方法及装置、电子设备和存储介质 | |
Ankayarkanni et al. | Object based segmentation techniques for classification of satellite image | |
CN117746079B (zh) | 一种高光谱图像的聚类预测方法、系统、存储介质及设备 | |
CN110555173B (zh) | 一种基于poi的地域识别系统及其识别方法 | |
CN114782821B (zh) | 一种联合多种迁移学习策略的滨海湿地植被遥感识别方法 |
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 |