CN115713694B - 一种土地测绘信息管理方法 - Google Patents
一种土地测绘信息管理方法 Download PDFInfo
- Publication number
- CN115713694B CN115713694B CN202310014909.1A CN202310014909A CN115713694B CN 115713694 B CN115713694 B CN 115713694B CN 202310014909 A CN202310014909 A CN 202310014909A CN 115713694 B CN115713694 B CN 115713694B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- lbp
- pixel points
- obtaining
- characteristic
- 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
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种土地测绘信息管理方法。该方法通过获得高光谱遥感图像,根据图像中曲线的相似性获得参考像素点,根据参考像素点筛选出特征波段,根据特征波段与像素点灰度值的关联获得分布特征向量,根据像素点间的光谱向量角度差异获得目标像素点与邻域像素点的纹理特征值和邻域像素点之间的理特征值,根据像素点的光谱向量中特征波段的方向变化获得纹理特征值,获得由纹理特征值构成的纹理特征向量,最终通过神经网络进行分类,对分类后遥感图像的结果进行管理。本发明考虑了像素点本身的波段变化影响和邻域像素点之间的特征值影响,使分类数据更清晰,更全面精确地得到分类结果,方便了对分类信息的管理。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种土地测绘信息管理方法。
背景技术
随着测绘技术的发展,质检手段和检查效率都得到了提高,但是质检业务的费用大部分都较为昂贵。在人工管理阶段,管理方式比较落后,为了有效的利用土地测绘档案,需要对档案进行数字化处理,实现对图片信息的查询,在信息化不断发展的背景下,土地测绘档案信息化也发展成为土地测绘技术在土地开发管理过程中的普遍应用形式。土地信息化管理不仅将土地测绘工作变得更科学、更稳定、更规范,也进一步提高了测绘的工作效率。
在土地测绘信息的管理中,信息管理方式较为单一,没有做好详尽的分类工作,对于不同地块的分类没有统一管理,现有大部分分类方法对高光谱采集到的图像多基于本身灰度值获得像素点的分布特征或者纹理特征进行分类,未考虑到像素点本身的波段变化和相邻其他像素点之间的变化,分类效果不理想,分类精度较差。
发明内容
为了解决现有技术中分类时未考虑到像素点本身的波段变化和相邻其他像素点之间的变化,使分类效果不理想,分类精度较差的技术问题,本发明的目的在于提供一种土地测绘信息管理方法,所采用的技术方案具体如下:
本发明提出了一种土地测绘信息管理方法,所述方法包括:
获得高光谱遥感图像;根据高光谱遥感图像中像素点之间对应的光谱曲线相似度筛选出参考像素点;根据参考像素点的光谱曲线筛选出特征波段;由高光谱遥感图像中各个特征波段的灰度值构建至少两个灰度值坐标系,根据目标像素点在每个灰度值坐标系中的位置构成目标像素点的分布特征向量;
获得目标像素点与预设第一邻域内其他像素点的光谱向量角度差异;获得目标像素点在不同预设第一方向上的局部LBP描述子;根据第一邻域内其他像素点之间的光谱向量角度差异获得在不同预设第二方向上的相邻LBP描述子;根据每个像素点的光谱曲线上相邻两个特征波段之间对应的斜率,获得斜率向量,统计目标像素点第一邻域内其他像素点的斜率向量,获得斜率LBP描述子;以局部LBP描述子、相邻LBP描述子和斜率LBP描述子构建目标像素点的纹理特征向量;
将每个像素点对应的分布特征向量和纹理特征向量作为每个像素点的标签数据对神经网络进行分类训练;将待分析高光谱遥感图像输入训练后的神经网络中,获得待分析高光谱遥感图像的分类结果,根据分类结果将对应的像素点标记进行管理。
进一步地,所述特征波段的获取包括:
根据参考像素点光谱曲线的目标波段、预设波段数量和预设光谱矩阵采用连续投影算法获得由预设波段数量个选取波段构成的待定特征波段,获得参考像素点的所有待定特征波段;根据所有待定特征波段的均方误差筛选出特征波段。
进一步地,所述分布特征向量的获取包括:
以最短波长波段的灰度值为横坐标,其余各个特征波段的灰度值作为纵坐标,分别构建灰度值坐标系;将高光谱遥感图像中每个像素点映射至所有灰度值坐标系中,对每个灰度值坐标系根据所有像素点在该灰度值坐标系中的最大灰度值和最小灰度值构建分布区域,获得所有灰度值坐标系的分布区域;
将每个灰度值坐标系下的分布区域均匀分为预设分布数量个子区域,根据子区域所在分布区域中的位置设置编号;根据目标像素点在每个灰度值坐标系中所在子区域的编号构成分布特征向量。
进一步地,所述局部LBP描述子的获取包括:
所述预设第一方向包括水平竖直方向和对角方向;所述局部LBP描述子包括第一局部LBP描述子和第二局部LBP描述子;
采用LBP算子获得在水平竖直方向上目标像素的第一局部LBP描述子;采用LBP算子获得在对角方向上目标像素的第二局部LBP描述子。
进一步地,所述相邻LBP描述子的获取包括:
所述预设第二方向包括水平对称方向和竖直对称方向;所述相邻LBP描述子包括第一相邻LBP描述子和第二相邻LBP描述子;
采用LBP算子获得在水平对称方向上的第一相邻LBP描述子;采用LBP算子获得在竖直对称方向上的第二相邻LBP描述子。
进一步地,所述斜率LBP描述子的获取包括:
获得每个像素点的光谱曲线上相邻两个特征波段之间对应的斜率,统计目标像素点对应的每个斜率值获得斜率向量;统计目标像素点第一邻域内其他像素点的斜率向量;
统计斜率向量中每个元素的正负符号,获得对应的符号向量;将目标像素点的符号向量与第一邻域内各个其他像素点的符号向量进行同或运算获得目标像素点的编码,对目标像素点的所有编码进行异或运算并二进制转换获得斜率LBP描述子。
进一步地,所述纹理特征向量包括:
由第一局部LBP描述子、第二局部LBP描述子、第一相邻LBP描述子、第二相邻LBP描述子和斜率LBP描述子共同构成目标像素点的纹理特征向量。
进一步地,所述将每个像素点对应的分布特征向量和纹理特征向量作为每个像素点的标签数据对神经网络进行分类训练包括:
在数据库中获得各个区域类型的模板图像,对各个区域的模板图像标记上标签,将每个像素点的分布特征向量和纹理特征向量作为对应的标签数据通过卷积神经网络进行训练,获得训练后的神经网络。
进一步地,所述参考像素点的获取包括:
以光谱曲线纵坐标的均值和方差作为曲线特征值,对具有相同曲线特征值的光谱曲线只取一条,根据剩余光谱曲线的曲线特征值的相似性将对应的像素点与相邻像素点迭代分类获得高光谱图像的粗分类结果,根据粗分类结果获得各粗分类区域的中心像素点作为参考像素点。
进一步地,所述相似性包括:
将两个曲线特征值中均值差值的绝对值作为均值差异,两个曲线特征值中方差差值的绝对值作为方差差异;
若均值差异在预设均值阈值范围内且方差差异在预设方差阈值范围内,则判断两个曲线特征值具有相似性。
本发明具有如下有益效果:
本发明考虑了高光谱遥感图像波段较多会导致计算量增大,且过于冗余的数据会影响后续计算,通过对高光谱遥感图像进行粗分类获得参考像素点,并根据参考像素点的光谱曲线对特征波段进行提取,使光谱曲线的数据大幅减少,并从冗余、复杂的数据中筛选出便于计算的特征波段,根据特征波段的灰度值构建坐标系,得到像素点在不同波段下灰度值的分布特征,得到像素点的分布特征向量,使特征波段之间的灰度值进行关联,然后通过像素点在坐标系中的位置表示分布,方便了后续神经网络的分类。为了表示出更清晰的纹理特征情况,不仅仅获得目标像素点与邻域内像素点的纹理特征,还考虑到邻域像素点之间的纹理特征情况,在此基础上对纹理特征的计算主要采用了像素点的整体光谱向量间的角度差异的作为像素点间的纹理差异的判断,考虑到会出现像素点光谱向量中的波段曲线方向相反但向量方向差别很小的情况,因此进一步考虑每个像素点的向量中波段曲线的变化,使像素点间纹理特征的判断更精确,最终得到参考性强的整体的纹理特征向量。基于像素点的分布特征向量和纹理特征向量对神经网络进行训练,将待检测的高光谱遥感图像输入到训练后的神经网络中进行分类,将分类后的像素点标记归纳完成信息管理。本发明更精确的考虑了像素点之间的特征值差异,使分类的结果更加准确,提升了分类效果,方便了分类信息管理。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种土地测绘信息管理方法流程图;
图2为本发明一个实施例所提供的一种原始高光谱遥感图像;
图3为本发明一个实施例所提供的一种分布区域划分示意图;
图4为本发明一个实施例所提供的神经网络与常规神经网络的准确率对比示意图;
图5为本发明一个实施例所提供的神经网络与常规神经网络的损失函数值对比示意图;
图6为原始高光谱遥感图像经过常规神经网络处理后的分类结果图;
图7为原始高光谱遥感图像经过本发明一个实施例提供的神经网络处理后的分类结果图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种土地测绘信息管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种土地测绘信息管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种土地测绘信息管理方法流程图,该方法包括:
S1:获得高光谱遥感图像;根据高光谱遥感图像中像素点之间对应的光谱曲线相似度筛选出参考像素点;根据参考像素点的光谱曲线筛选出特征波段;由高光谱遥感图像中目标像素点的各个特征波段的灰度值构建至少两个灰度值坐标系,根据目标像素点在所有灰度值坐标系中的分布特征获得目标像素点的分布特征向量。
在本发明实施例中,采用MSS卫星获取遥感影像,由于获取的遥感影像的最大成图比例尺可以达到1:50万,即遥感图像中1米等于50万米的区域长宽,为了控制卫星影像的大小,一般将图像大小控制在20-30cm,因此对获得的遥感影像取像素点大小为10米乘10米,并令图像大小为10000乘10000,即该高光谱图像表示10万米乘10万米的区域,图像大小在20厘米左右。由此利用遥感卫星获得某一区域的高光谱遥感图像。请参阅图2,其示出了本发明一个实施例所提供的一种原始高光谱遥感图像。
在高光谱遥感图像中由于高光谱数据的一些临界波段会存在较强的相关性,导致光谱数据包含大量的冗余信息,这些冗余信息若是保留,不但会增大后续的计算量,将这些冗余数据输入进神经网络中也会导致模型出现过拟合现象,对于后续识别精度不利,因此对原始光谱数据进行筛选,首先对光谱曲线进行筛选,然后对每个像素点的光谱曲线提取特征波段,使计算的光谱数据大幅减少。因此根据高光谱遥感图像中像素点之间对应的光谱曲线相似度筛选出参考像素点,根据参考像素点的光谱曲线筛选出特征波段具体包括:
获得所有像素点的光谱曲线,在本发明实施例中,每个像素点对应的光谱曲线的横坐标为波段,纵坐标为波段所对应的灰度值。由于曲线数量繁杂处理时也存在很大的计算量,因此对像素点先进行粗分类。获得由光谱曲线纵坐标的均值和方差构成的曲线特征值,当存在曲线特征值完全相同的曲线时,对具有相同曲线特征值的曲线只保留一条,完成对光谱曲线的初次筛选,获得筛选后的光谱曲线对应的像素点。
由于相邻两个像素点大概率为同一地貌的像素点,因此对每个像素点和该像素点对应的相邻像素点进行分类,若该像素点与相邻像素点的曲线特征值具有相似性则认为两个像素点为同一类像素点。将两个像素点对应的两个曲线特征值中的均值差值的绝对值作为均值差异,方差差值的绝对值作为方差差异,当均值差异小于均值阈值且方差差异小于方差阈值时,则说明这两个曲线特征值具有相似性,则两个像素点为同一类像素点,对所有的像素点进行曲线特征值相似性的判断,在图像中获得了多个小区域。在本发明实施例中,预设均值阈值为2,预设方差阈值为5。将小区域的中心像素点作为合并像素点,对未分类的像素点再次进行曲线特征值相似性的判断进行分类,多次迭代最终获得不存在未分类像素点的图像,完成对高光谱图像的粗分类。需要说明的是,本发明设置的对相似性进行判断的阈值可以满足对整个图像中像素点的分类,若实际应用中存在未分类的像素点,则对阈值进行相应的调整。将粗分类后图像中各区域的中心像素点作为参考像素点,获得参考像素点的光谱曲线,此时光谱曲线的数量大幅减少,方便后续计算。
对于高光谱遥感图像中的每个像素点,都需要提取同样波段的数据来反应像素点的灰度值分布特征,因此要计算每个像素点在不同波段下的灰度值,需要先获得像素点对应曲线的特征波段,通过对参考像素点的光谱曲线进行特征波段的提取,获得所有像素点对应的特征波段。选取参考像素点中一个目标波段作为初始波段,根据初始波段和预设波段数量采用连续投影算法对光谱矩阵进行分析,获得由预设波段数量个特征波段值构成的待定波段。根据选取的目标波段不同获得所有的待定波段,由于待定波段中各波段值很有可能集中在一个区域中,并没有分散开来,因此对每个待定波段获取均方误差,将均方误差最小的待定波段作为像素点的特征波段。在本发明实施例中,预设光谱矩阵由剩余的光谱曲线的数量和波段构成,矩阵的横坐标为波段数量,纵坐标为曲线类型,中间的交叉项为曲线在对应波段下的值,预设波段数量为10。需要说明的是,连续投影算法和均方误差均为本领域技术人员熟知的技术手段,在此不再赘述。
在获取像素点的灰度值的分布特征时,考虑到在后续的神经网络分类中数值计算的方便性,将特征波段和灰度值进行关联,然后通过像素点在坐标系中的位置表示分布情况,使获得的分布特征向量的数据更为精简。因此由高光谱遥感图像中目标像素点的各个特征波段的灰度值构建至少两个灰度值坐标系,根据目标像素点在所有灰度值坐标系中的分布特征获得目标像素点的分布特征向量,具体方法包括:
(1)对于特征波段,以最短波长波段的灰度值为横坐标,其余各个特征波段的灰度值为纵坐标,分别构建灰度值坐标系,根据特征波段的数量获得多个灰度值坐标系。对于一个灰度值坐标系来说,将高光谱图像中每个像素点映射到该灰度值坐标系中,根据灰度值坐标系中所有像素点的最大横坐标和纵坐标以及最小横坐标和纵坐标构建分布区域,在本发明实施例中,将分布区域设置为方形区域,即根据灰度值坐标系中每个坐标轴上所有像素点的最大灰度值和最小灰度值构建一个方形的分布区域。需要说明的是,因为本发明实施例中预设波段数量为10,因此可以获得9个灰度值坐标系。
(2)将每个灰度值坐标系下的分布区域均匀分为预设分布数量个子区域,根据子区域所在分布区域中的位置设置编号。请参阅图3,其示出了本发明一个实施例所提供的一种分布区域划分示意图,在本发明实施例中,因为分布区域设置为方形区域,所以获得方形分布区域在坐标系的横轴和纵轴的中点,根据中点将方形分布区域分为四个子区域并根据区域位置进行编号,将位于左上部分的子区域编号为1,并将该子区域与其他子区域相交的竖直方向上的边缘也记编号为1,顺时针进行编号获得子区域的编号为1到4,对于子区域间相交的边缘也从编号1开始顺时针进行编号获得1到4的编号。对所有的灰度值坐标系均获取分布区域并完成子区域的编号。根据目标像素点在每个坐标系中所处子区域的编号构成目标像素点的分布特征向量,即分布特征向量为目标像素点在所有灰度值坐标系中对应编号的集合。
步骤S2:获得目标像素点与预设第一邻域内其他像素点的光谱向量角度差异;获得目标像素点在不同预设第一方向上的局部LBP描述子;根据第一邻域内其他像素点之间的光谱向量角度差异获得在不同预设第二方向上的相邻LBP描述子;根据每个像素点的光谱曲线上相邻两个特征波段之间对应的斜率,获得斜率向量,统计目标像素点第一邻域内其他像素点的斜率向量,获得斜率LBP描述子;以局部LBP描述子、相邻LBP描述子和斜率LBP描述子构建目标像素点的纹理特征向量。
在后续步骤中,将高光谱遥感图像中目标像素点的纹理特征向量作为神经网络分类训练的标签数据之一,在纹理特征的获取方面不仅仅考虑了中心像素点与邻域像素点之间的纹理特征关系,还考虑了邻域像素点和邻域像素点之间的纹理特征关系,使得到的纹理特征更全面。在高光谱遥感图像中,每个像素点都存在一个光谱向量,光谱向量存在方向,当两个像素点之间的差别越大,则光谱向量之间角度越大,当像素点之间的差别越小则光谱向量之间的角度越小,因此对于高光谱图像来说,可以使用光谱向量之间的角度来衡量两个像素点之间的区别,使得到的纹理特征值更准确。因此获得目标像素点与预设第一邻域内其他像素点的光谱向量角度差异;获得目标像素点在不同预设第一方向上的局部LBP描述子;根据第一邻域内其他像素点之间的光谱向量角度差异获得在不同预设第二方向上的相邻LBP描述子,具体方法包括:
(1)根据步骤S1可知,每个像素点的特征波段为预设波段数量个,因此对于每个像素点的光谱向量也具有预设波段数量个值。在本发明实施例中,预设的第一邻域为目标像素点周围八邻域。优选的采用LBP算子计算像素点的纹理特征,根据目标像素点与第一邻域内其他像素点之间的光谱向量角度进行计算,在本发明实施例中,LBP算子领域从目标像素点的第一邻域范围内的左上角像素点记为,顺时针进行标号,目标像素点为。根据光谱向量角度获得改进后的LBP算子,具体LBP算子计算公式如下:
公式中,表示为LBP描述子,表示为一个函数符号,表示为两个像素点之间光谱向量夹角的余弦值,表示为目标像素点的第一邻域范围内的第个像素点,表示为预设的角度阈值,在本发明实施例中,预设角度阈值为 。表征两个像素点之间的光谱向量角度差异,当该余弦值小于角度阈值时,则认为两个像素点的差距较大,此时表示为0,当光谱向量角度差异值大于等于角度阈值时,则认为两个像素点的差距较小,此时表示为1。需要说明的是,LBP描述子的获取方法为本领域技术人员熟知的技术手段,该公式在现有技术的基础上对特征分析的因素进行改进,因此该公式及后续的第一局部LBP描述子、第二局部LBP描述子、第一相邻LBP描述子和第二相邻LBP描述子的具体公式意义不再赘述。
(2)为了更加全面的表达纹理特征,首先分析目标像素点与第一邻域内像素点之间的局部纹理特征,即目标像素点在不同预设第一方向上的局部LBP描述子,局部LBP描述子包括第一局部LBP描述子和第二LBP描述子。预设的第一方向包括水平竖直方向和对角方向,根据目标像素点和第一邻域范围内在水平竖直方向上的像素点,采用上述LBP算子获得目标像素点的第一局部LBP描述子,根据目标像素点和第一邻域范围内在对角方向上的像素点,采用上述LBP算子获得目标像素点的第二局部LBP描述子,第一局部LBP描述子和第二局部LBP描述子的具体计算公式如下:
公式中,表示为第一局部LBP描述子,表示为第二局部LBP描述子,表示为一个函数符号,表示为目标像素点,表示为LBP算子领域内进行标号的8个像素点。
(3)其次,考虑到第一邻域内其他像素点之间的关系,获得在不同预设第二方向上的相邻LBP描述子,相邻LBP描述子包括第一相邻LBP描述子和第二相邻LBP描述子。预设第二方向包括水平对称方向和竖直对称方向,水平对称方向即LBP算子领域内第一行第一个和第三个像素点,第二行第一个和第三个像素点,第三行第一个和第三个像素点。竖直对称方向即LBP算子领域内第一列第一个和第三个像素点,第二列第一个和第三个像素点,第三列第一个和第三个像素点。采用上述LBP算子获得在水平对称方向上的第一相邻LBP描述子,采用上述LBP算子获得在竖直对称方向上的第二相邻LBP描述子,第一相邻LBP描述子和第二相邻LBP描述子的具体计算公式如下:
公式中,表示为第一相邻LBP描述子,表示为第二相邻LBP描述子,表示为一个函数符号,表示为目标像素点,表示为LBP算子领域内进行标号的8个像素点。
上述获得了根据像素点的光谱向量的方向得到的整体的纹理特征区别,还考虑到光谱向量内部的差别问题,即出现光谱向量中对应波段曲线的方向相反但是光谱向量方向差别很小的情况,例如像素点a对应的光谱向量中存在两个相邻的数据相差极小的情况,而另一种与其相似的像素点b对应的光谱向量这两个相邻的数据与像素点a会存在差别,出现相反的情况,这时只看光谱向量的整体方向不能完全得到想要的结果,因此为了使得到的数据更准确,对每个光谱向量考虑其内部值的变化。因此根据每个像素点的光谱曲线上相邻两个特征波段之间对应的斜率,获得斜率向量,统计目标像素点第一邻域内其他像素点的斜率向量,获得斜率LBP描述子,具体方法包括:
(1)获得每个像素点对应的光谱曲线上相邻两个特征波段之间对应的斜率,统计目标像素点得到每个斜率构成的斜率向量,统计目标像素点和第一邻域内其他像素点的斜率向量。统计斜率向量中每个元素的正负符号情况,获得由每个斜率对应的正负符号构成的符号向量。根据目标像素点的符号向量与第一邻域内各个其他像素点的符号向量进行同或运算获得目标像素点的编码,即当目标像素点的符号向量中第一个值与第一邻域内像素点的符号向量中第一个值相同时记为1,不同时记为0,获得目标像素点与该第一邻域内像素点的一串编码,获得目标像素点与第一邻域内其他像素点的所有编码。
(2)对获得的目标像素点的所有编码进行异或运算,即两个编码的第一个值相同时记为0,不同时记为1,最终得到一个二进制编码,将该二进制编码转换为十进制得到斜率LBP描述子。
最终以局部LBP描述子、相邻LBP描述子和斜率LBP描述子构建目标像素点的纹理特征向量,即目标像素点的纹理特征向量包括第一局部LBP描述子、第二局部LBP描述子、第一相邻LBP描述子、第二相邻LBP描述子和斜率LBP描述子。纹理特征向量的表达式为:
式中,表示为目标像素点的纹理特征向量,表示为第一局部LBP描述子,表示为第二局部LBP描述子,表示为第一相邻LBP描述子,表示为第二相邻LBP描述子,表示为斜率LBP描述子。
步骤S3:将每个像素点对应的分布特征向量和纹理特征向量作为每个像素点的标签数据对神经网络进行分类训练;将待分析高光谱遥感图像输入训练后的神经网络中,获得待分析高光谱遥感图像的分类结果,根据分类结果将对应的像素点标记坐标进行管理。
最后通过神经网络结合步骤S1和步骤S2得到的分布特征向量和纹理特征向量进行分类,将每个像素点对应的分布特征向量和纹理特征向量作为每个像素点的标签数据对神经网络进行分类训练,具体包括:
在数据库中获得各区域类型的模板图像,对各个区域的模板图像标记上标签,每个标签对应该像素点的分布特征向量和纹理特征向量,通过卷积神经网络进行训练,实现对各个区域的分类,在本发明实施例中,使用交叉熵作为卷积神经网络的损失函数。获得训练后的神经网络,将待分析高光谱遥感图像输入到训练后的神经网络中,获得高光谱遥感图像的分类结果。需要说明的是,卷积神经网络和交叉熵为本领域技术人员熟知的技术手段,在此不再赘述。
请参阅图4,其示出了本发明一个实施例所提供的神经网络与常规神经网络的准确率对比示意图。图4中实线对应的是本发明一个实施例所提供的方法应用于Unet模型后经过迭代训练后所实现的网络准确率变化曲线;虚线对应的是Unet网络模型即常规神经网络经过迭代训练后所实现的网络准确率变化曲线,由图4可知,本发明实施例所提供的方法应用于Unet模型后能够实现更高的准确率。请参阅图5,其示出了本发明一个实施例所提供的神经网络与常规神经网络的损失函数值对比示意图,图5中实线对应的是本发明一个实施例所提供的方法应用于Unet模型后经过迭代训练后所体现的损失函数值变化曲线;虚线对应的是Unet网络模型即常规神经网络经过迭代训练后所体现的损失函数值变化曲线,由图5可知,本发明实施例所提供的方法应用于Unet模型后在训练阶段能够进行更深层的训练,所获得的损失值更低,即对应的网络准确率更强。
进一步请参阅图6,其示出了原始高光谱遥感图像经过常规神经网络处理后的分类结果图;请参阅图7,其示出了原始高光谱遥感图像经过本发明一个实施例提供的神经网络处理后的分类结果图。由图6和图7的对比可知,图7中的分类结果比图6包含更完整的信息,每个类别包含更多信息量,并且分类效果更加准确均匀。
对高光谱图像进行分类时根据分类要求可得到不同的分类方法,将同一个像素点进行多重标记,例如坐标、区域等。为了方便管理,按照分类内容将不同的像素点坐标归纳后放入数据库中,方便调用。
综上所述,本发明实施例通过获得高光谱遥感图像,根据高光谱遥感图像中像素点的曲线相似性获得参考像素点,根据参考像素点的光谱曲线筛选出特征波段,根据特征波段与像素点灰度值关联获得像素点的分布特征向量,根据像素点之间的光谱向量角度差异获得目标像素点与邻域像素点的第一纹理特征值和邻域像素点之间的第二纹理特征值,根据目标像素点与邻域像素点的光谱向量中特征波段的斜率获得目标像素点的第三纹理特征值,以第一纹理特征值、第二纹理特征值和第三纹理特征值构成目标像素点的纹理特征向量,通过神经网络结合每个像素点对应的分布特征向量和纹理特征向量进行分类,将遥感图像输入到训练后的神经网络中,对得到的遥感图像的分类结果进行管理。本发明实施例考虑了像素点本身的波段变化影响和邻域像素点之间的特征值影响,使分类数据更清晰,通过神经网络分类的效果更好,更全面精确地得到分类结果,方便了对分类信息的管理。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.一种土地测绘信息管理方法,其特征在于,所述方法包括:
获得高光谱遥感图像;根据高光谱遥感图像中像素点之间对应的光谱曲线相似度筛选出参考像素点;根据参考像素点的光谱曲线筛选出特征波段;由高光谱遥感图像中各个特征波段的灰度值构建至少两个灰度值坐标系,根据目标像素点在每个灰度值坐标系中的位置构成目标像素点的分布特征向量;
获得目标像素点与预设第一邻域内其他像素点的光谱向量角度差异;获得目标像素点在不同预设第一方向上的局部LBP描述子;根据第一邻域内其他像素点之间的光谱向量角度差异获得在不同预设第二方向上的相邻LBP描述子;根据每个像素点的光谱曲线上相邻两个特征波段之间对应的斜率,获得斜率向量,统计目标像素点第一邻域内其他像素点的斜率向量,获得斜率LBP描述子;以局部LBP描述子、相邻LBP描述子和斜率LBP描述子构建目标像素点的纹理特征向量;
将每个像素点对应的分布特征向量和纹理特征向量作为每个像素点的标签数据对神经网络进行分类训练;将待分析高光谱遥感图像输入训练后的神经网络中,获得待分析高光谱遥感图像的分类结果,根据分类结果将对应的像素点标记进行管理;
所述分布特征向量的获取包括:
以最短波长波段的灰度值为横坐标,其余各个特征波段的灰度值作为纵坐标,分别构建灰度值坐标系;将高光谱遥感图像中每个像素点映射至所有灰度值坐标系中,对每个灰度值坐标系根据所有像素点在该灰度值坐标系中的最大灰度值和最小灰度值构建分布区域,获得所有灰度值坐标系的分布区域;
将每个灰度值坐标系下的分布区域均匀分为预设分布数量个子区域,根据子区域所在分布区域中的位置设置编号;根据目标像素点在每个灰度值坐标系中所在子区域的编号构成分布特征向量;
所述斜率LBP描述子的获取包括:
获得每个像素点的光谱曲线上相邻两个特征波段之间对应的斜率,统计目标像素点对应的每个斜率值获得斜率向量;统计目标像素点第一邻域内其他像素点的斜率向量;
统计斜率向量中每个元素的正负符号,获得对应的符号向量;将目标像素点的符号向量与第一邻域内各个其他像素点的符号向量进行同或运算获得目标像素点的编码,对目标像素点的所有编码进行异或运算并二进制转换获得斜率LBP描述子。
2.根据权利要求1所述的一种土地测绘信息管理方法,其特征在于,所述特征波段的获取包括:
根据参考像素点光谱曲线的目标波段、预设波段数量和预设光谱矩阵采用连续投影算法获得由预设波段数量个选取波段构成的待定特征波段,获得参考像素点的所有待定特征波段;根据所有待定特征波段的均方误差筛选出特征波段。
3.根据权利要求1所述的一种土地测绘信息管理方法,其特征在于,所述局部LBP描述子的获取包括:
所述预设第一方向包括水平竖直方向和对角方向;所述局部LBP描述子包括第一局部LBP描述子和第二局部LBP描述子;
采用LBP算子获得在水平竖直方向上目标像素的第一局部LBP描述子;采用LBP算子获得在对角方向上目标像素的第二局部LBP描述子。
4.根据权利要求3所述的一种土地测绘信息管理方法,其特征在于,所述相邻LBP描述子的获取包括:
所述预设第二方向包括水平对称方向和竖直对称方向;所述相邻LBP描述子包括第一相邻LBP描述子和第二相邻LBP描述子;
采用LBP算子获得在水平对称方向上的第一相邻LBP描述子;采用LBP算子获得在竖直对称方向上的第二相邻LBP描述子。
5.根据权利要求4所述的一种土地测绘信息管理方法,其特征在于,所述纹理特征向量包括:
由第一局部LBP描述子、第二局部LBP描述子、第一相邻LBP描述子、第二相邻LBP描述子和斜率LBP描述子共同构成目标像素点的纹理特征向量。
6.根据权利要求1所述的一种土地测绘信息管理方法,其特征在于,所述将每个像素点对应的分布特征向量和纹理特征向量作为每个像素点的标签数据对神经网络进行分类训练包括:
在数据库中获得各个区域类型的模板图像,对各个区域的模板图像中的像素点标记上标签,将每个像素点的分布特征向量和纹理特征向量作为对应的标签数据通过卷积神经网络进行训练,获得训练后的神经网络。
7.根据权利要求1所述的一种土地测绘信息管理方法,其特征在于,所述参考像素点的获取包括:
以光谱曲线纵坐标的均值和方差作为曲线特征值,对具有相同曲线特征值的光谱曲线只取一条,根据剩余光谱曲线的曲线特征值的相似性将对应的像素点与相邻像素点迭代分类获得高光谱图像的粗分类结果,根据粗分类结果获得各粗分类区域的中心像素点作为参考像素点。
8.根据权利要求7所述的一种土地测绘信息管理方法,其特征在于,所述相似性包括:
将两个曲线特征值中均值差值的绝对值作为均值差异,两个曲线特征值中方差差值的绝对值作为方差差异;
若均值差异在预设均值阈值范围内且方差差异在预设方差阈值范围内,则判断两个曲线特征值具有相似性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014909.1A CN115713694B (zh) | 2023-01-06 | 2023-01-06 | 一种土地测绘信息管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014909.1A CN115713694B (zh) | 2023-01-06 | 2023-01-06 | 一种土地测绘信息管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115713694A CN115713694A (zh) | 2023-02-24 |
CN115713694B true CN115713694B (zh) | 2023-05-12 |
Family
ID=85236128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310014909.1A Active CN115713694B (zh) | 2023-01-06 | 2023-01-06 | 一种土地测绘信息管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713694B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070887B (zh) * | 2023-04-06 | 2023-06-23 | 平原县自然资源服务中心 | 一种土地测绘数据智能分析管理系统 |
CN116129278B (zh) * | 2023-04-10 | 2023-06-30 | 牧马人(山东)勘察测绘集团有限公司 | 一种基于遥感影像的土地利用分类识别系统 |
CN116486116B (zh) * | 2023-06-16 | 2023-08-29 | 济宁大爱服装有限公司 | 一种基于机器视觉的服装加工用吊挂机异常检测方法 |
CN116958172B (zh) * | 2023-08-01 | 2024-01-30 | 金景(海南)科技发展有限公司 | 基于三维空间信息的城市保护与更新评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
CN108446582A (zh) * | 2018-01-25 | 2018-08-24 | 西安电子科技大学 | 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938072B (zh) * | 2012-10-20 | 2016-05-11 | 复旦大学 | 一种基于分块低秩张量分析的高光谱图像降维和分类方法 |
CN106845326B (zh) * | 2015-12-04 | 2020-10-23 | 核工业北京地质研究院 | 一种基于航空高光谱遥感数据的冰川识别方法 |
CN106404692A (zh) * | 2016-11-09 | 2017-02-15 | 大连工业大学 | 利用高光谱成像技术检测即食海参新鲜度等级的方法 |
CN111178449B (zh) * | 2019-12-31 | 2021-11-05 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法 |
US11868434B2 (en) * | 2021-03-26 | 2024-01-09 | Sharper Shape Oy | Method for creating training data for artificial intelligence system to classify hyperspectral data |
-
2023
- 2023-01-06 CN CN202310014909.1A patent/CN115713694B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
CN108446582A (zh) * | 2018-01-25 | 2018-08-24 | 西安电子科技大学 | 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115713694A (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115713694B (zh) | 一种土地测绘信息管理方法 | |
CN111914834B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
Zamir et al. | Accurate image localization based on google maps street view | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
CN107862319B (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
Ziaei et al. | A rule-based parameter aided with object-based classification approach for extraction of building and roads from WorldView-2 images | |
Samadzadegan et al. | Automatic detection and classification of damaged buildings, using high resolution satellite imagery and vector data | |
CN113936214A (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
CN110634142B (zh) | 一种复杂车路图像边界优化方法 | |
CN116129426A (zh) | 一种宫颈细胞涂片18类别的细粒度分类方法 | |
CN113657225B (zh) | 一种目标检测方法 | |
Ps et al. | Building footprint extraction from very high-resolution satellite images using deep learning | |
Lassiter et al. | Assessing alternative methods for unsupervised segmentation of urban vegetation in very high-resolution multispectral aerial imagery | |
Wan et al. | A geometry-aware attention network for semantic segmentation of MLS point clouds | |
Wu et al. | Improved mask R-CNN-based cloud masking method for remote sensing images | |
CN112184785B (zh) | 基于mcd度量和vtm的多模态遥感图像配准方法 | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
Nikfar et al. | Optimization of multiresolution segmentation by using a genetic algorithm | |
CN114998630B (zh) | 一种从粗到精的地对空图像配准方法 |
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 |