CN115641442B - 一种基于融合网络的山体图像山脊线分割方法 - Google Patents
一种基于融合网络的山体图像山脊线分割方法 Download PDFInfo
- Publication number
- CN115641442B CN115641442B CN202211532682.1A CN202211532682A CN115641442B CN 115641442 B CN115641442 B CN 115641442B CN 202211532682 A CN202211532682 A CN 202211532682A CN 115641442 B CN115641442 B CN 115641442B
- Authority
- CN
- China
- Prior art keywords
- representing
- feature
- fusion
- shallow
- features
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,公开了一种基于融合网络的山体图像山脊线分割方法,包括:获取山体合成孔径雷达图像,根据第一特征提取分支得到浅层特征,根据第二特征提取分支得到深层特征,根据特征融合分支融合浅层特征和深层特征得到融合特征。将融合特征输入至山脊线分割网络,得到分割结果;本发明设计了一种浅深山脊线分割网络,其中包括浅度分支、深度分支和融合分支,浅度分支主要保证对于主体山脊线的准确分割,深度分支主要保证对于边缘山脊线的精细分割,使得较细的山脊线的边缘也能够在结果中清晰的显示;融合分支目的在于将浅度分支和深度分支进行融合,兼顾两者优势从而输出最终的分割结果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于融合网络的山体图像山脊线分割方法。
背景技术
山脊线是对于山体情况的重要观察内容,其对于山体灾害预防、山体灾后情况判断、山体道路和山体滑坡等情况的了解有着重要的参考意义。合成孔径雷达是遥感观测资源中较为独特的一种,它是一种以微波成像机制为基础的主动式的观测传感器,可以不受气候和光照等条件的限制,从而实现全天时全天候的观测。这样的特点使其可以在对山体的山脊线观测中有着独特的优势和稳定的应用效果。
目前利用图像进行山脊线的提取和分割方法可以粗略地分为非深度学习的方法和基于深度学习的方法。非深度学习的方法往往精度较差,对于山脊线的提取不够精准,且算法运行效率较低,需要人工干预无法实现端到端的运行过程。基于深度学习的方法可以实现自动化地山脊线区域分割,然而,目前已有的深度学习方法对于图像中的山脊线提取精度不足,未能充分地考虑对于主体山脊线的准确分割和边缘山脊线的精细分割。总的,未见基于浅深山脊线分割网络的山体图像山脊线分割方法。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题,提供一种基于融合网络的山体图像山脊线分割方法。
为实现上述目的,本发明提供的一种基于融合网络的山体图像山脊线分割方法,包括:
获取山体合成孔径雷达图像;
根据第一特征提取分支得到浅层特征;
根据第二特征提取分支得到深层特征;
根据特征融合分支融合所述浅层特征和深层特征得到融合特征;
将所述融合特征输入至山脊线分割网络,得到分割结果。
根据本发明的一个方面,所述根据第一特征提取分支得到浅层特征的方法为:
将所述山体合成孔径雷达图像输入至所述第一特征提取分支,逐步提取不同层次的浅层特征,其公式为,
;
;
;
其中,表示山体合成孔径雷达图像;
表示提取到的第一浅层特征;
表示提取到的第二浅层特征;
表示提取到的第三浅层特征;
表示常规3×3的卷积;
表示修正线性单元;
表示最大池化处理的连贯操作。
根据本发明的一个方面,所述根据第二特征提取分支得到深层特征的方法为:
将所述山体合成孔径雷达图像输入至所述第二特征提取分支,直接提取所述山体合成孔径雷达图像的深层特征,其公式为,
;
其中,表示山体合成孔径雷达图像;
表示深层特征;
表示常规3×3的卷积;
表示修正线性单元;
表示最大池化处理的连贯操作。
根据本发明的一个方面,所述根据特征融合分支融合所述浅层特征和深层特征得到融合特征的方法为:
根据所述浅层特征和所述深层特征得到融合权重,其公式为,
;
其中,表示融合权重;
表示特征之间的对应元素相加;
表示全局平均池化;
表示Sigmoid函数;
表示第一浅层特征、第二浅层特征和第三浅层特征的集合;
表示常规3×3的卷积;
表示修正线性单元;
根据所述融合权重对所述浅层特征和所述深层特征进行融合,其公式为,
;
其中,表示特征之间的对应元素相乘;
表示特征之间的对应元素相加;
表示深层特征;表示第一浅层特征、第二浅层特征和第三浅层特征的集合;
表示融合特征;
表示特征融合分支。
根据本发明的一个方面,所述根据特征融合分支融合所述浅层特征和深层特征得到融合特征的方法进一步包括:
使用转置卷积对所述深层特征进行处理得到第一浅深融合特征,其公式为,
;
其中,表示第一浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
融合所述第三浅层特征和所述第一浅深融合特征得到第二浅深融合特征,其公式为,
;
其中,表示第二浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
融合所述第三浅层特征和所述第二浅深融合特征得到第三浅深融合特征,其公式为,
;其中,表示第三浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
对所述第三浅深融合特征进行处理得到所述融合特征,其公式为,
;
其中,表示融合特征;
表示第三浅深融合特征;
表示转置卷积;
表示Sigmoid函数;
表示特征融合分支。
根据本发明的一个方面,所述使用二值交叉熵损失函数和Dice损失函数对所述山脊线分割网络进行训练,其中公式为,
;
其中,表示二元交叉熵计算操作;
表示Dice系数计算;
表示整体损失函数;
表示通过山脊线分割网络的输出;
表示二值化山脊线标签图像。
为实现上述目的,本发明提供一种基于融合网络的山体图像山脊线分割系统,包括:
图像获取模块:获取山体合成孔径雷达图像;
浅层特征获取模块:根据第一特征提取分支得到浅层特征;
深层特征获取模块:根据第二特征提取分支得到深层特征;
融合特征获取模块:根据特征融合分支融合所述浅层特征和深层特征得到融合特征;
结果获取模块:将所述融合特征输入至山脊线分割网络,得到分割结果。
为实现上述目的,本发明提供一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述针对一种基于融合网络的山体图像山脊线分割的矿下人员检测方法。
为实现上述目的,本发明提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述针对一种基于融合网络的山体图像山脊线分割的矿下人员检测方法。
基于此,本发明的有益效果在于:
本发明为实现山体图像山脊线分割,设计了一种浅深山脊线分割网络,其中包括浅度分支、深度分支和融合分支,浅度分支主要目的在于保证对于主体山脊线的准确分割,保证每条主干山脊线不会遗漏,深度分支主要目的在于保证对于边缘山脊线的精细分割,使得一些较细的山脊线和主干山脊线的边缘也能够在结果中清晰的显示,融合分支目的在于将浅度分支和深度分支进行融合,兼顾两者优势从而输出最终的山体图像山脊线分割结果。
附图说明
图1示意性表示根据本发明的一种基于融合网络的山体图像山脊线分割方法的流程图;
图2示意性表示根据本发明的一种基于融合网络的山体图像山脊线分割方法的山脊线分割网络的流程图;
图3示意性表示根据本发明的一种基于融合网络的山体图像山脊线分割方法的融合分支的流程图;
图4示意性表示根据本发明的一种基于融合网络的山体图像山脊线分割系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容,应当理解,论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容,而不是暗示对本发明的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”,术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种基于融合网络的山体图像山脊线分割方法的流程图,如图1所示,本发明的一种基于融合网络的山体图像山脊线分割方法,包括:
获取山体合成孔径雷达图像;
根据第一特征提取分支得到浅层特征;
根据第二特征提取分支得到深层特征;
根据特征融合分支融合浅层特征和深层特征得到融合特征;
将融合特征输入至山脊线分割网络,得到分割结果。
根据本发明的一个实施方式,图2示意性表示根据本发明的一种基于融合网络的山体图像山脊线分割方法的山脊线分割网络的流程图,如图2所示,根据第一特征提取分支得到浅层特征的方法为:
将山体合成孔径雷达图像输入至第一特征提取分支,逐步提取不同层次的浅层特征,其公式为,
;
;
;
其中,表示山体合成孔径雷达图像;
表示提取到的第一浅层特征;
表示提取到的第二浅层特征;
表示提取到的第三浅层特征;
表示常规3×3的卷积;
表示修正线性单元;
表示最大池化处理的连贯操作。
根据本发明的一个实施方式,根据第二特征提取分支得到深层特征的方法为:
将山体合成孔径雷达图像输入至第二特征提取分支,直接提取山体合成孔径雷达图像的深层特征,其公式为,
;
其中,表示山体合成孔径雷达图像;
表示深层特征;
表示常规3×3的卷积;
表示修正线性单元;
表示最大池化处理的连贯操作。
根据本发明的一个实施方式,图3示意性表示根据本发明的一种基于融合网络的山体图像山脊线分割方法的融合分支的流程图,如图3所示,根据特征融合分支融合浅层特征和深层特征得到融合特征的方法为:
根据浅层特征和深层特征得到融合权重,其公式为,
;
其中,表示融合权重;
表示特征之间的对应元素相加;
表示全局平均池化;
表示Sigmoid函数;
表示第一浅层特征、第二浅层特征和第三浅层特征的集合;
表示常规3×3的卷积;
表示修正线性单元;
根据融合权重对浅层特征和深层特征进行融合,其公式为,
;
其中,表示特征之间的对应元素相乘;
表示特征之间的对应元素相加;
表示深层特征;表示第一浅层特征、第二浅层特征和第三浅层特征的集合;
表示融合特征;
表示特征融合分支。
根据本发明的一个实施方式,根据特征融合分支融合浅层特征和深层特征得到融合特征的方法进一步包括:
使用转置卷积对深层特征进行处理得到第一浅深融合特征,其公式为,
;
其中,表示第一浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
融合第三浅层特征和第一浅深融合特征得到第二浅深融合特征,其公式为,
;
其中,表示第二浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
融合第三浅层特征和第二浅深融合特征得到第三浅深融合特征,其公式为,
;其中,表示第三浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
对第三浅深融合特征进行处理得到融合特征,其公式为,
;
其中,表示融合特征;
表示第三浅深融合特征;
表示转置卷积;
表示Sigmoid函数;
表示特征融合分支。
根据本发明的一个实施方式,使用二值交叉熵损失函数和Dice损失函数对山脊线分割网络进行训练,其中公式为,
;
其中,表示二元交叉熵计算操作;
表示Dice系数计算;
表示整体损失函数;
表示通过山脊线分割网络的输出;
表示二值化山脊线标签图像。
不仅如此,为实现上述发明目的,本发明还提供一种基于融合网络的山体图像山脊线分割系统,图4示意性表示根据本发明的一种基于融合网络的山体图像山脊线分割系统的流程图,如图4所示,根据本发明的一种基于融合网络的山体图像山脊线分割系统,该系统包括:
图像获取模块:获取山体合成孔径雷达图像;
浅层特征获取模块:根据第一特征提取分支得到浅层特征;
深层特征获取模块:根据第二特征提取分支得到深层特征;
融合特征获取模块:根据特征融合分支融合浅层特征和深层特征得到融合特征;
结果获取模块:将融合特征输入至山脊线分割网络,得到分割结果。
根据本发明的一个实施方式,图2示意性表示根据本发明的一种基于融合网络的山体图像山脊线分割方法的山脊线分割网络的流程图,如图2所示,根据第一特征提取分支得到浅层特征的方法为:
将山体合成孔径雷达图像输入至第一特征提取分支,逐步提取不同层次的浅层特征,其公式为,
;
;
;
其中,表示山体合成孔径雷达图像;
表示提取到的第一浅层特征;
表示提取到的第二浅层特征;
表示提取到的第三浅层特征;
表示常规3×3的卷积;
表示修正线性单元;
表示最大池化处理的连贯操作。
根据本发明的一个实施方式,根据第二特征提取分支得到深层特征的方法为:
将山体合成孔径雷达图像输入至第二特征提取分支,直接提取山体合成孔径雷达图像的深层特征,其公式为,
;
其中,表示山体合成孔径雷达图像;
表示深层特征;
表示常规3×3的卷积;
表示修正线性单元;
表示最大池化处理的连贯操作。
根据本发明的一个实施方式,图3示意性表示根据本发明的一种基于融合网络的山体图像山脊线分割方法的融合分支的流程图,如图3所示,根据特征融合分支融合浅层特征和深层特征得到融合特征的方法为:
根据浅层特征和深层特征得到融合权重,其公式为,
;
其中,表示融合权重;
表示特征之间的对应元素相加;
表示全局平均池化;
表示Sigmoid函数;
表示第一浅层特征、第二浅层特征和第三浅层特征的集合;
表示常规3×3的卷积;
表示修正线性单元;
根据融合权重对浅层特征和深层特征进行融合,其公式为,
;
其中,表示特征之间的对应元素相乘;
表示特征之间的对应元素相加;
表示深层特征;表示第一浅层特征、第二浅层特征和第三浅层特征的集合;
表示融合特征;
表示特征融合分支。
根据本发明的一个实施方式,根据特征融合分支融合浅层特征和深层特征得到融合特征的方法进一步包括:
使用转置卷积对深层特征进行处理得到第一浅深融合特征,其公式为,
;
其中,表示第一浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
融合第三浅层特征和第一浅深融合特征得到第二浅深融合特征,其公式为,
;
其中,表示第二浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
融合第三浅层特征和第二浅深融合特征得到第三浅深融合特征,其公式为,
;其中,表示第三浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
对第三浅深融合特征进行处理得到融合特征,其公式为,
;
其中,表示融合特征;
表示第三浅深融合特征;
表示转置卷积;
表示Sigmoid函数;
表示特征融合分支。
根据本发明的一个实施方式,使用二值交叉熵损失函数和Dice损失函数对山脊线分割网络进行训练,其中公式为,
;
其中,表示二元交叉熵计算操作;
表示Dice系数计算;
表示整体损失函数;
表示通过山脊线分割网络的输出;
表示二值化山脊线标签图像。
为实现上述发明目的,本发明还提供一种电子设备,该电子设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,计算机程序被处理器执行时实现上述一种基于融合网络的山体图像山脊线分割方法。
为实现上述发明目的,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述一种基于融合网络的山体图像山脊线分割方法。
基于此,本发明的有益效果在于:本发明为实现山体图像山脊线分割,设计了一种浅深山脊线分割网络,其中包括浅度分支、深度分支和融合分支,浅度分支主要目的在于保证对于主体山脊线的准确分割,保证每条主干山脊线不会遗漏,深度分支主要目的在于保证对于边缘山脊线的精细分割,使得一些较细的山脊线和主干山脊线的边缘也能够在结果中清晰的显示,融合分支目的在于将浅度分支和深度分支进行融合,兼顾两者优势从而输出最终的山体图像山脊线分割结果。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
基于此,本发明的有益效果在于:本发明为实现山体图像山脊线分割,设计了一种浅深山脊线分割网络,其中包括浅度分支、深度分支和融合分支,浅度分支主要目的在于保证对于主体山脊线的准确分割,保证每条主干山脊线不会遗漏,深度分支主要目的在于保证对于边缘山脊线的精细分割,使得一些较细的山脊线和主干山脊线的边缘也能够在结果中清晰的显示,融合分支目的在于将浅度分支和深度分支进行融合,兼顾两者优势从而输出最终的山体图像山脊线分割结果。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外,在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解,本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
Claims (5)
1.一种基于融合网络的山体图像山脊线分割方法,其特征在于,包括:
获取山体合成孔径雷达图像;
根据第一特征提取分支得到浅层特征;
将所述山体合成孔径雷达图像输入至所述第一特征提取分支,逐步提取不同层次的浅层特征,其公式为,
;
;
;
其中,表示山体合成孔径雷达图像;
表示提取到的第一浅层特征;
表示提取到的第二浅层特征;
表示提取到的第三浅层特征;
表示常规3×3的卷积;
表示修正线性单元;
表示最大池化处理的连贯操作;
根据第二特征提取分支得到深层特征;
将所述山体合成孔径雷达图像输入至所述第二特征提取分支,直接提取所述山体合成孔径雷达图像的深层特征,其公式为,
;
其中,表示山体合成孔径雷达图像;
表示深层特征;
表示常规3×3的卷积;
表示修正线性单元;
表示最大池化处理的连贯操作;
根据特征融合分支融合所述浅层特征和深层特征得到融合特征,具体包括步骤A1-A2;
A1:根据所述浅层特征和所述深层特征得到融合权重,其公式为,
;
其中,表示融合权重;
表示特征之间的对应元素相加;
表示全局平均池化;
表示Sigmoid函数;
表示第一浅层特征、第二浅层特征和第三浅层特征的集合;
表示常规3×3的卷积;
表示修正线性单元;
A2:根据所述融合权重对所述浅层特征和所述深层特征进行融合,其公式为,
;
其中,表示特征之间的对应元素相乘;
表示特征之间的对应元素相加;
表示深层特征;表示第一浅层特征、第二浅层特征和第三浅层特征的集合;
表示融合特征;
表示特征融合分支;
将所述融合特征输入至山脊线分割网络,得到分割结果;
使用二值交叉熵损失函数和Dice损失函数对所述山脊线分割网络进行训练,其中公式为,
;
其中,表示二元交叉熵计算操作;
表示Dice系数计算;
表示整体损失函数;
表示通过山脊线分割网络的输出;
表示二值化山脊线标签图像。
2.根据权利要求1所述的一种基于融合网络的山体图像山脊线分割方法,其特征在于,所述根据特征融合分支融合所述浅层特征和深层特征得到融合特征的方法进一步包括用步骤B1-B4替换步骤A1-A2:
B1:使用转置卷积对所述深层特征进行处理得到第一浅深融合特征,其公式为,
;
其中,表示第一浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
B2:融合所述第三浅层特征和所述第一浅深融合特征得到第二浅深融合特征,其公式为,
;
其中,表示第二浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
B3:融合所述第三浅层特征和所述第二浅深融合特征得到第三浅深融合特征,其公式为,
;其中,表示第三浅深融合特征;
表示特征融合分支;
表示转置卷积;
表示提取到的第三浅层特征;
B4:对所述第三浅深融合特征进行处理得到所述融合特征,其公式为,
;
其中,表示融合特征;
表示第三浅深融合特征;
表示转置卷积;
表示Sigmoid函数。
3.一种基于融合网络的山体图像山脊线分割系统,其特征在于,包括:
图像获取模块:获取山体合成孔径雷达图像;
浅层特征获取模块:根据第一特征提取分支得到浅层特征;
将所述山体合成孔径雷达图像输入至所述第一特征提取分支,逐步提取不同层次的浅层特征,其公式为,
;
;
;
其中,表示山体合成孔径雷达图像;
表示提取到的第一浅层特征;
表示提取到的第二浅层特征;
表示提取到的第三浅层特征;
表示常规3×3的卷积;
表示修正线性单元;
表示最大池化处理的连贯操作;
深层特征获取模块:根据第二特征提取分支得到深层特征;
将所述山体合成孔径雷达图像输入至所述第二特征提取分支,直接提取所述山体合成孔径雷达图像的深层特征,其公式为,
;
其中,表示山体合成孔径雷达图像;
表示深层特征;
表示常规3×3的卷积;
表示修正线性单元;
表示最大池化处理的连贯操作;
融合特征获取模块:根据特征融合分支融合所述浅层特征和深层特征得到融合特征,具体包括步骤A1-A2;
A1:根据所述浅层特征和所述深层特征得到融合权重,其公式为,
;
其中,表示融合权重;
表示特征之间的对应元素相加;
表示全局平均池化;
表示Sigmoid函数;
表示第一浅层特征、第二浅层特征和第三浅层特征的集合;
表示常规3×3的卷积;
表示修正线性单元;
A2:根据所述融合权重对所述浅层特征和所述深层特征进行融合,其公式为,
;
其中,表示特征之间的对应元素相乘;
表示特征之间的对应元素相加;
表示深层特征;表示第一浅层特征、第二浅层特征和第三浅层特征的集合;
表示融合特征;
表示特征融合分支;
结果获取模块:将所述融合特征输入至山脊线分割网络,得到分割结果;
使用二值交叉熵损失函数和Dice损失函数对所述山脊线分割网络进行训练,其中公式为,
;
其中,表示二元交叉熵计算操作;
表示Dice系数计算;
表示整体损失函数;
表示通过山脊线分割网络的输出;
表示二值化山脊线标签图像。
4.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至2中任一项所述的一种基于融合网络的山体图像山脊线分割方法。
5.一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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至2中任一项所述的一种基于融合网络的山体图像山脊线分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211532682.1A CN115641442B (zh) | 2022-12-02 | 2022-12-02 | 一种基于融合网络的山体图像山脊线分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211532682.1A CN115641442B (zh) | 2022-12-02 | 2022-12-02 | 一种基于融合网络的山体图像山脊线分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115641442A CN115641442A (zh) | 2023-01-24 |
CN115641442B true CN115641442B (zh) | 2023-04-18 |
Family
ID=84948237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211532682.1A Active CN115641442B (zh) | 2022-12-02 | 2022-12-02 | 一种基于融合网络的山体图像山脊线分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641442B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109829B (zh) * | 2023-04-11 | 2023-06-16 | 耕宇牧星(北京)空间科技有限公司 | 一种基于融合网络的珊瑚礁水域图像分割方法 |
CN116740384B (zh) * | 2023-06-15 | 2024-03-29 | 东莞市商斯迈智能科技有限公司 | 洗地机的智能控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
CN113807210A (zh) * | 2021-08-31 | 2021-12-17 | 西安理工大学 | 一种基于金字塔切分注意力模块的遥感图像语义分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512661B (zh) * | 2015-11-25 | 2019-02-26 | 中国人民解放军信息工程大学 | 一种基于多模态特征融合的遥感影像分类方法 |
WO2020215236A1 (zh) * | 2019-04-24 | 2020-10-29 | 哈尔滨工业大学(深圳) | 图像语义分割方法和系统 |
CN111104962B (zh) * | 2019-11-05 | 2023-04-18 | 北京航空航天大学青岛研究院 | 图像的语义分割方法、装置、电子设备及可读存储介质 |
CN112241956B (zh) * | 2020-11-03 | 2023-04-07 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 |
-
2022
- 2022-12-02 CN CN202211532682.1A patent/CN115641442B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
CN113807210A (zh) * | 2021-08-31 | 2021-12-17 | 西安理工大学 | 一种基于金字塔切分注意力模块的遥感图像语义分割方法 |
Non-Patent Citations (1)
Title |
---|
余旺盛 ; 侯志强 ; 宋建军 ; .基于标记分水岭和区域合并的彩色图像分割.电子学报.2011,(第05期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115641442A (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115641442B (zh) | 一种基于融合网络的山体图像山脊线分割方法 | |
Ke et al. | A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing | |
Li et al. | An automatic method for mapping inland surface waterbodies with Radarsat-2 imagery | |
Aytekın et al. | Unsupervised building detection in complex urban environments from multispectral satellite imagery | |
WO2020103893A1 (zh) | 车道线属性检测方法、装置、电子设备及可读存储介质 | |
Xun et al. | An object-based SVM method incorporating optimal segmentation scale estimation using Bhattacharyya Distance for mapping salt cedar (Tamarisk spp.) with QuickBird imagery | |
US20180075319A1 (en) | 3d building extraction apparatus, method and system | |
Zhao et al. | Geometric-constrained multi-view image matching method based on semi-global optimization | |
Chang et al. | Multisensor satellite image fusion and networking for all-weather environmental monitoring | |
Choung et al. | Comparison between a Machine‐Learning‐Based Method and a Water‐Index‐Based Method for Shoreline Mapping Using a High‐Resolution Satellite Image Acquired in Hwado Island, South Korea | |
Ghorai et al. | Extracting shoreline from satellite imagery for GIS analysis | |
CN109741340B (zh) | 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法 | |
Güneralp et al. | River-flow boundary delineation from digital aerial photography and ancillary images using support vector machines | |
Jiang et al. | Intelligent image semantic segmentation: a review through deep learning techniques for remote sensing image analysis | |
CN111932577A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN111191582A (zh) | 三维目标检测方法、检测装置、终端设备及计算机可读存储介质 | |
CN115546076A (zh) | 一种基于卷积网络的遥感图像薄云去除方法 | |
Venugopal | Sample selection based change detection with dilated network learning in remote sensing images | |
Avelar et al. | Analysis of land use and land cover change in a coastal area of Rio de Janeiro using high-resolution remotely sensed data | |
Özcan et al. | Ground filtering and DTM generation from DSM data using probabilistic voting and segmentation | |
Forlani et al. | Adaptive filtering of aerial laser scanning data | |
CN115620149B (zh) | 一种基于遥感图像的道路检测方法 | |
CN116109829B (zh) | 一种基于融合网络的珊瑚礁水域图像分割方法 | |
Fletcher et al. | A semiautomated approach for monitoring landscape changes in Texas seagrass beds from aerial photography | |
Fernandes et al. | Semi-automatic identification of submarine pipelines with synthetic aperture sonar images |
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 |