CN115731458A - 一种遥感影像的处理方法、装置和电子设备 - Google Patents
一种遥感影像的处理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115731458A CN115731458A CN202110980232.8A CN202110980232A CN115731458A CN 115731458 A CN115731458 A CN 115731458A CN 202110980232 A CN202110980232 A CN 202110980232A CN 115731458 A CN115731458 A CN 115731458A
- Authority
- CN
- China
- Prior art keywords
- image
- building
- sub
- target
- detected
- 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
- 238000003672 processing method Methods 0.000 title description 3
- 238000010586 diagram Methods 0.000 claims abstract description 196
- 238000000034 method Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims description 26
- 238000013145 classification model Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 description 6
- 238000003199 nucleic acid amplification method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供一种遥感影像的处理方法、装置和电子设备,所述遥感影像的处理方法包括:获取预设区域的遥感影像和预设区域的第一建筑物矢量图;对遥感影像中的建筑物轮廓进行识别,获取第二建筑物矢量图;对第二建筑物矢量图中的建筑物轮廓进行放大处理,得到目标建筑物矢量图;对目标建筑物矢量图进行分割,得到至少两个待测子图像,以及,对第一建筑物矢量图进行分割,得到与每个待测子图像对应的参考子图像;基于参考子图像,判断各待测子图像是否为建筑物轮廓发生变化的图像,并输出建筑物轮廓发生变化的目标子图像。本申请公开了一种遥感影像的处理方法、装置和电子设备,可以解决现有的建筑物变化区域的识别方法存在的识别精度较低的问题。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种遥感影像的处理方法、装置和电子设备。
背景技术
随着社会的发展,地面建筑物的覆盖情况变化迅速,而人们对地图的时效性要求越来越高,因此,现有技术中通常需要基于遥感影像,对建筑物变化的区域进行识别,并基于识别结果,对地图进行更新。然而,现有的建筑物变化区域的识别方法存在识别精度较低的问题。
发明内容
本申请提供的一种遥感影像的处理方法、装置和电子设备,可以解决现有的建筑物变化区域的识别方法存在的识别精度较低的问题。
第一方面,本申请实施例提供了一种遥感影像的处理方法,包括:
获取预设区域的遥感影像和所述预设区域的第一建筑物矢量图,所述第一建筑物矢量图包括所述预设区域中的建筑物在预设历史时间的建筑物轮廓;
基于预设手段对所述遥感影像中的建筑物轮廓进行识别,获取包括所述遥感影像中的建筑物轮廓的第二建筑物矢量图;
对所述第二建筑物矢量图中的建筑物轮廓进行放大处理,得到目标建筑物矢量图;
对所述目标建筑物矢量图进行分割,得到至少两个待测子图像,以及,对所述第一建筑物矢量图进行分割,得到与每个待测子图像对应的参考子图像;
基于所述参考子图像,判断各所述待测子图像是否为建筑物轮廓发生变化的图像,并输出所述至少两个待测子图像中,建筑物轮廓发生变化的目标子图像。
第二方面,本申请实施例还提供了一种遥感影像的处理装置,包括:
获取模块,用于获取预设区域的遥感影像和所述预设区域的第一建筑物矢量图,所述第一建筑物矢量图包括所述预设区域中的建筑物在预设历史时间的建筑物轮廓;
识别模块,用于基于预设手段对所述遥感影像中的建筑物轮廓进行识别,获取包括所述遥感影像中的建筑物轮廓的第二建筑物矢量图;
处理模块,用于对所述第二建筑物矢量图中的建筑物轮廓进行放大处理,得到目标建筑物矢量图;
分割模块,用于对所述目标建筑物矢量图进行分割,得到至少两个待测子图像,以及,对所述第一建筑物矢量图进行分割,得到与每个待测子图像对应的参考子图像;
判断模块,用于基于所述参考子图像,判断各所述待测子图像是否为建筑物轮廓发生变化的图像,并输出所述至少两个待测子图像中,建筑物轮廓发生变化的目标子图像。
第三方面,本申请实施例提供一种电子设备,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程序,所述程序被所述处理器执行时实现上述第一方面所述的方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法的步骤。
本申请实施例中,在基于预设手段获取到遥感影像对应的第二建筑物矢量图之后,通过对第二建筑物矢量图中的建筑物轮廓进行放大处理,得到目标建筑物矢量图。然后,对目标建筑物矢量图进行图像分割,并分别判断分割后的每张待测子图像是否为建筑物轮廓发生变化的图像。该过程中,由于目标建筑物矢量图中的建筑物轮廓为对遥感影像中的建筑物轮廓进行放大之后的影像,从而可以克服遥感影像中的建筑物轮廓的位置相对于第一建筑物矢量图中的建筑物轮廓存在位置偏移的问题,进而有利于提高对建筑物变化区域识别的精确度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例描述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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种遥感影像的处理方法的流程图;
图2是本申请实施例提供的一种遥感影像的处理方法的流程图;
图3是本申请实施例提供的一种电子设备设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参见图1,图1为本申请实施例提供的一种遥感影像的处理方法的流程图,所述方法包括:
步骤101、获取预设区域的遥感影像和所述预设区域的第一建筑物矢量图,所述第一建筑物矢量图包括所述预设区域中的建筑物在预设历史时间的建筑物轮廓;
步骤102、基于预设手段对所述遥感影像中的建筑物轮廓进行识别,获取包括所述遥感影像中的建筑物轮廓的第二建筑物矢量图;
步骤103、对所述第二建筑物矢量图中的建筑物轮廓进行放大处理,得到目标建筑物矢量图;
步骤104、对所述目标建筑物矢量图进行分割,得到至少两个待测子图像,以及,对所述第一建筑物矢量图进行分割,得到与每个待测子图像对应的参考子图像;
步骤105、基于所述参考子图像,判断各所述待测子图像是否为建筑物轮廓发生变化的图像,并输出所述至少两个待测子图像中,建筑物轮廓发生变化的目标子图像。
其中,上述预设区域的遥感影像可以是指卫星拍摄的该预设区域的卫星图像。由于该卫星图像为预设区域的俯视图,且为二维图像。因此,本申请实施例中所指的建筑物轮廓可以是指:建筑物相对于地面的投影所形成的二维轮廓,该建筑物轮廓可以指示建筑物在预设区域的位置,建筑物的大小以及形状等信息。
可以理解的是,本申请实施例所指的建筑物为现有技术中的各种常见的建筑物,例如,所述建筑物可以包括工业建筑、民用建筑、农业建筑等。所述第一建筑物矢量图可以是指过去的某一时间点,所述预设区域的建筑物矢量图,例如,所述第一建筑物矢量图可以是指一年前所述预设区域的建筑物矢量图。相应地,所述遥感影像可以是当前卫星拍摄的所述预设区域的卫星图像。如此,通过现有的各种识别手段,对遥感影像中的建筑物轮廓进行识别,并基于识别结果生成与遥感影像对应的第二建筑物矢量图。
上述第一建筑物矢量图可以包括上述预设时间点所述预设区域中的所有建筑物的建筑物轮廓、建筑物在预设区域中的对应位置、以及建筑物的轮廓大小等信息。相应地,所述第二建筑物矢量图可以包括所述遥感影像中,所有建筑物的建筑物轮廓、建筑物在预设区域中的对应位置、以及建筑物的轮廓大小等信息。
上述第一建筑物矢量图可以是指基于上述预设历史时间所拍摄的遥感影像生成的建筑物矢量图,即第一建筑物矢量图与第二建筑物矢量图为:基于不同时间点卫星对同一预设区域进行拍摄得到的遥感影像,生成的不同的建筑物矢量图。由于卫星两次对同一预设区域进行拍摄得到的两张遥感影像不一定能够完全重合。因此,可能导致同一建筑物的建筑物轮廓在第一建筑物矢量图与第二建筑物矢量图中的位置存在一定的偏移,进而可能导致判断建筑物轮廓是否发生变化时,出现判断错误的问题。例如,当第一建筑物矢量图和第二建筑物矢量图中均包括某一目标建筑物的目标建筑物轮廓时,在判断目标建筑物所在位置的建筑物轮廓是否发生变化的过程中,通常需要基于第一建筑物矢量图确定目标建筑物轮廓及目标建筑物轮廓在所述预设区域的位置信息。然后,基于该位置信息在第二建筑物矢量图的对应位置获取对应的待检测图像,而当目标建筑物轮廓在第一建筑物矢量图与第二建筑物矢量图中的位置存在一定的偏移时,所述待检测图像可能仅包括所述目标建筑物轮廓的部分内容,或者,不包括所述目标建筑物的轮廓。这样,在基于从第一建筑物矢量图中获取的目标建筑物轮廓对所述待检测图像进行匹配时,由于二者的图像内容不完全相同,因此,可能输出目标建筑物所在位置的建筑物轮廓发生变化的检测结果,然而,事实上,目标建筑物所在位置的建筑物轮廓并没有发生变化,从而导致建筑物变化区域检测过程中出现检测错误的问题。
基于此,本申请实施例中,通过在第二建筑物矢量图中,对第二建筑物矢量图中的所有的建筑物轮廓进行放大处理,由于放大过程中,建筑物轮廓将向四周扩张,即该过程中,建筑物轮廓可以向建筑物轮廓偏移方向的反方向扩张。这样,即便第二建筑物矢量图中的建筑物轮廓的位置存在一定的偏移,也可以通过对建筑物轮廓进行放大抵消建筑物轮廓的至少部分偏移量,从而确保建筑物轮廓偏移之前所指示的位置区域尽可能多的落入放大后的轮廓范围内。
在本申请一个实施例中,当所述放大的尺寸大于等于建筑物的偏移尺寸时,可以确保放大后的建筑物轮廓包括该建筑物轮廓偏移之前的全部位置区域。在此情况下,当第一建筑物矢量图和第二建筑物矢量图中均包括某一目标建筑物的目标建筑物轮廓时,即所述第一建筑物矢量图和目标建筑物矢量图中均包括某一目标建筑物的目标建筑物轮廓,可以根据第一建筑物矢量图确定目标建筑物轮廓及目标建筑物轮廓在所述预设区域的位置信息后,然后,基于该位置信息在目标建筑物矢量图的对应位置获取对应的待检测图像,由于目标建筑物矢量图中对目标建筑物轮廓进行了放大,且放大后的目标建筑物轮廓包括所述位置信息所指示的全部区域,因此,所述待检测图像中的图像内容全部为目标建筑物的图像,这样,后续在进行匹配时,可以输出建筑物轮廓未发生变化的检测结果,从而提高对建筑物变化区域识别的精确度。
上述对第二建筑物矢量图中的建筑物轮廓进行放大处理的过程可以是:在所述第二建筑物矢量图中的每个建筑物轮廓的外围确定一个缓冲区域,其中,所述缓冲区域的轮廓形状与其内部的建筑物轮廓的形状形同,且缓冲区域的轮廓线上任意一点到其内部的建筑物轮廓的距离相同。然后将该建筑物轮廓的轮廓线放大至与其外围的缓冲区域的轮廓线重合,从而完成建筑物轮廓的放大过程。
其中,所述缓冲区域的轮廓线与其内部建筑物轮廓线之间的距离可以根据第一建筑物矢量图与第二建筑物矢量图中,建筑物之间总体的偏移距离进行确定,例如,可以在第一建筑物矢量图与第二建筑物矢量图中,确定预设个第一建筑物矢量图和第二建筑物矢量图共同包括的建筑物轮廓,然后,计算该预设个建筑物轮廓偏移距离的平均值,并将该平均值作为所述缓冲区域的轮廓线与其内部建筑物轮廓线之间的距离值。此外,还可以确定所述预设个建筑物轮廓偏移距离中的最大值,并将该最大值作为所述缓冲区域的轮廓线与其内部建筑物轮廓线之间的距离值。
此外,由于预设区域通常包括大量建筑物,因此,在对建筑物轮廓进行放大过程中,可以设置建筑物轮廓放大的上限,以避免放大之后,不同建筑物轮廓之间出现相交的情况,其中,所述建筑物轮廓放大的上限具体根据预设区域中建筑物分布的密集程度进行确定。
上述对第一建筑物矢量图和目标建筑物矢量图进行分割的过程可以采用现有的分割方法进行分割,并且对第一建筑物矢量图的分割方法和对目标建筑物矢量图的分割方法完全相同,以确保分割之后,每个待测子图像均包括一个与之对应的参考子图像。其中,所述待测子图像在第一建筑物矢量图中的位置与参考子图像在目标建筑物矢量图中的位置相同。如此,通过分别在第一建筑物矢量图和目标建筑物矢量图中获取相同位置的图像进行对比,即可确定该位置的建筑物轮廓是否发生变化。在完成对所有待测子图像的判断过程之后,可以输出所有目标子图像,从而可以确定遥感影像中所有建筑物轮廓发生了变化的位置,以便于基于该位置对地图进行更新。
该实施方式中,在基于预设手段获取到遥感影像对应的第二建筑物矢量图之后,通过对第二建筑物矢量图中的建筑物轮廓进行放大处理,得到目标建筑物矢量图。然后,对目标建筑物矢量图进行图像分割,并分别判断分割后的每张待测子图像是否为建筑物轮廓发生变化的图像。该过程中,由于目标建筑物矢量图中的建筑物轮廓为对遥感影像中的建筑物轮廓进行放大之后的影像,从而可以克服遥感影像中的建筑物轮廓的位置相对于第一建筑物矢量图中的建筑物轮廓存在位置偏移的问题,进而有利于提高对建筑物变化区域识别的精确度。
可选地,所述对所述目标建筑物矢量图进行分割,得到至少两个待测子图像,包括:
对所述目标建筑物矢量图进行重叠分割,得到所述至少两个待测子图像,其中,所述至少两个待测子图像中,任意相邻两个待测子图像之间具有重叠区域。
具体地,由于在对目标建筑物矢量图进行分割过程中,可能导致将建筑物矢量图中的建筑物轮廓被割裂的问题,即可能导致分割之后,某一建筑物轮廓的部分图像位于待测子图像A中,另一部分图像位于待测子图像B中,从而使得待测子图像A和待测子图像B均不包括该建筑物轮廓的完整图像,进而可能导致后续无法准确对该建筑物轮廓进行检测的问题。
基于此,本申请实施例中,通过对目标建筑物矢量图进行重叠分割,即确保相邻两个待测子图像之间均具备重叠区域,这样,即便某一建筑物轮廓的部分图像位于相邻两个待测子图像的重叠区域,也可以确保在其中一个待测子图像中,存在该建筑物轮廓的完成图像。从而可以尽可能保证在对目标建筑物矢量图进行分割之后,建筑物矢量图中的每个建筑物轮廓的完整性,进而有利于后续对建筑物轮廓是否发生变化的检测效果。
上述相邻两个待测子图像是指:在对目标建筑物矢量图分割之前,在目标建筑物矢量图中位置相邻的待测子图像。其中,所述位置相邻可以是左右相邻、上下相邻等不同方位的相邻,也即同一待测子图像可能包括多个位于不同方位的相邻的待测子图像,且该待测子图像与各相邻的待测子图像之间均具有重叠区域。
上述相邻两个待测子图像之间的重叠区域的面积可以根据实际情况进行确定,具体可以根据预设区域中建筑物分布的密集度进行确定。其中,所述至少两个待测子图像中,任意相邻两个待测子图像之间的重叠区域的面积可以相同。
相应地,可以采用重叠分割方法对所述第一建筑物矢量图进行分割,以确保分割之后,得到的参考子图像与待测子图像保持对应关系。
在本申请一个实施例中,可以按照正方形分割的方法对目标建筑物矢量图进行分割,即将目标建筑物矢量图分割为若干个正方形区域。其中,所述正方形区域的面积不宜过大,也不宜过小,具体地,分割过大可能导致小范围变化区域的表现不明显,降低后续判定的精度;分割过小会增加计算量继而增加处理时间。分割区域的建筑数量最好控制在100座以内。建筑物密集的农村区域约200×200m的范围即可包含100座建筑物,密集的城市区域约400×400m的范围即可包含100座建筑物。具体分割大小可视建筑物密集程度而定。
可选地,所述输出所述至少两个待测子图像中,建筑物轮廓发生变化的目标子图像之后,所述方法还包括:
基于所述目标子图像对应的参考子图像,对所述目标子图像进行迭代检测,得到所述目标子图像中,建筑物轮廓发生变化的图像块。
其中,所述对所述目标子图像进行迭代检测中的第i次检测包括:
在所述i等于1的情况下,对所述目标子图像进行分割,得到至少两个待测图像块,以及,对所述目标子图像对应的参考子图像进行分割,得到与每个所述待测图像块对应的参考图像块;基于所述参考图像块,判断各所述待测图像块是否为建筑物轮廓发生变化的图像块,并输出第一目标图像块和第二目标图像块,其中,所述第一目标图像块为所述建筑物轮廓发生变化的图像块,所述第二目标图像块为检测结果待定的图像块;
在所述i大于1的情况下,对第i-1次检测输出的第二目标图像块进行分割,得到至少两个待测子图像块,以及,对所述第二目标图像块对应的参考图像块进行分割,得到与每个所述待测子图像块对应的参考子图像块;基于所述参考子图像块,判断各所述待测子图像块是否为建筑物轮廓发生变化的子图像块,并输出第一目标图像块和第二目标图像块,所述i为正整数。
具体地,在对目标子图像和参考子图像进行分割的过程中:可以对每个目标子图像及目标子图像对应的参考子图像进行重叠分割。相应地,在对第二目标图像块和参考图像块进行分割的过程中:可以对每个第二目标图像块及第二目标图像块对应的参考图像块进行重叠分割。
在i次迭代检测过程中,在判断某一待测子图像块是否为建筑物轮廓发生变化的子图像块时,可以基于该待测子图像块与其对应的参考子图像块中,建筑物轮廓的相似度,对该待测子图像块进行分类,并按照所确定的分类进行输出,例如,当待测子图像块与其对应的参考子图像块中,建筑物轮廓的相似度很高时,可将该待测子图像块确定为建筑物轮廓未发生变化的图像块;当待测子图像块与其对应的参考子图像块中,建筑物轮廓具有一定相似度时,可将该待测子图像块确定为检测结果待定的图像块,即第二目标图像块;当待测子图像块与其对应的参考子图像块中,建筑物轮廓的相似度很低时,可将该待测子图像块确定为建筑物轮廓发生变化的图像块,即第一目标图像块。并将所有第一目标图像块作为轮廓发生变化的图像块进行输出,同时,进一步对所有第二目标图像块进行迭代检测。
在本申请一个实施例中,所述基于所述参考图像块,判断各所述待测图像块是否为建筑物轮廓发生变化的图像块,并输出第一目标图像块和第二目标图像块,包括:
计算所述待测图像块及所述待测图像块对应的参考图像块的第一交并比;
在所述第一交并比小于等于第一阈值的情况下,确定所述待测图像块为所述第一目标图像块;
在所述第一交并比大于所述第一阈值,且小于第二阈值的情况下,确定所述待测图像块为所述第二目标图像块;
在所述第一交并比大于等于所述第二阈值的情况下,确定所述待测图像块为建筑物轮廓未发生变化的图像块。
所述基于所述参考子图像块,判断各所述待测子图像块是否为建筑物轮廓发生变化的子图像块,并输出第一目标图像块和第二目标图像块,包括:
计算所述待测子图像块及所述待测子图像块对应的参考子图像块的第二交并比;
在所述第二交并比小于等于第三阈值的情况下,确定所述待测子图像块为所述第一目标图像块;
在所述第二交并比大于所述第三阈值,且小于所述第二阈值的情况下,确定所述待测子图像块为所述第二目标图像块;
在所述第二交并比大于等于所述第二阈值的情况下,确定所述待测子图像块为建筑物轮廓未发生变化的图像块。
其中,所述第一交并比为待测图像块与其对应的参考图像块之间的建筑物的交并比,下文以计算目标待测图像块和目标参考图像块之间的交并比为例,对第一交并比的计算过程作进一步的解释说明,其中,所述目标待测图像块可以是指所述至少两个待测图像块中的任意图像块,所述目标参考图像块为与所述目标待测图像块相对应的参考图像块。具体可以根据如下公式计算目标待测图像块与目标参考图像块之间的第一交并比:
其中,IoU为目标待测图像块和目标参考图像块之间的第一交并比;S1为目标待测图像块中的所有建筑物轮廓的面积;S2为目标参考图像块中的所有建筑物轮廓的面积;S1∩S2表示将目标待测图像块和目标参考图像块放置于同一图层时,目标待测图像块和目标参考图像块中建筑物相交区域的面积;S1∪S2表示将目标待测图像块和目标参考图像块放置于同一图层时,目标待测图像块和目标参考图像块中建筑物面积的并集。
其中,当所述目标待测图像块和目标参考图像块中的建筑物不存在相交区域时,S1∩S2等于0,IoU=0,此时,目标待测图像块和目标参考图像块为完全不同的两张图像,即目标待测图像为建筑物轮廓发生变化的图像块。当所述目标待测图像块和目标参考图像块为完全相同的两张图像时,所述目标待测图像块和目标参考图像块中的建筑物重合,此时,(S1∩S2)=(S1∪S2),IoU=1,此时,目标待测图像为建筑物轮廓未发生变化的图像块。可见,上述IoU的取值范围位于0-1之间,且IoU的取值越小,其对应的待测图像块越可能为建筑物轮廓发生变化的图形块。
相应地,上述第二交并比的计算过程与第一交并比的计算过程类似,为避免重复,在此不再予以赘述。
基于此,可以预先设置上述第一阈值、第二阈值和第三阈值,在计算出第一交并比或第二交并比之后,基于交并比与对应阈值的相对大小,对图像块进行分类,其中,所述第一阈值、第二阈值和第三阈值的取值范围均为0-1之间,且所述第一阈值小于第二阈值,所述第三阈值小于第二阈值。具体地,当待测图像块对应的第一交并比大于等于第二阈值时,可以将该待测图像块确定为建筑物轮廓未发生变化的图像块,当待测图像块对应的第一交并比小于第二阈值时,可以将该待测图像块确定为建筑物轮廓发生变化的图像块;进一步地,在将该待测图像块确定为建筑物轮廓发生变化的图像块之后,可以进一步将该待测图像块对应的第一交并比与第一阈值进行比较,在所述第一交并比小于等于第一阈值的情况下,确定所述待测图像块为所述第一目标图像块;在所述第一交并比大于所述第一阈值,且小于第二阈值的情况下,确定所述待测图像块为所述第二目标图像块。
相应地,当待测子图像块对应的第二交并比大于等于第二阈值时,可以将该待测子图像块确定为建筑物轮廓未发生变化的图像块,当待测子图像块对应的第二交并比小于第二阈值时,可以将该待测子图像块确定为建筑物轮廓发生变化的图像块;进一步地,在将该待测子图像块确定为建筑物轮廓发生变化的图像块之后,可以进一步将该待测子图像块对应的第二交并比与第三阈值进行比较,在所述第二交并比小于等于第三阈值的情况下,确定所述待测子图像块为所述第一目标图像块;在所述第二交并比大于所述第三阈值,且小于第二阈值的情况下,确定所述待测子图像块为所述第二目标图像块。
可选地,所述第一阈值与第一平均值之间的比值为第一预设值,所述第三阈值与第二平均值之间的比值为所述第一预设值;
所述第一平均值为所述至少两个待测图像块所对应的至少两个第一交并比的平均值,所述第二平均值为所述至少两个待测子图像块所对应的至少两个第二交并比的平均值,所述第一预设值的大于0,且小于1。
具体地,所述第一平均值即同一层级的所有待测图像块对应的所有第一交并比的平均值,当某一待测图像块的交并比远小于该第一平均值时,可以将该待测图像块视为建筑物轮廓发生变化的图像块。相应地,所述第二平均值即同一层级的所有待测子像块对应的所有第二交并比的平均值,当某一待测子像块的交并比远小于该第二平均值时,可以将该待测子像块视为建筑物轮廓发生变化的图像块。
其中,可以通过调节所述第一预设值的大小,以调节所述第一阈值与第一平均值之间的相对大小,以及,调节第三阈值与第三平均值之间的相对大小。其中,当所述第一预设值的取值越小时,所述第一阈值和第三阈值的取值也相应越小。且所述第一阈值始终小于第一平均值,第三阈值始终小于第二平均值。
可选地,所述对所述目标子图像进行迭代检测,得到所述目标子图像中,建筑物轮廓发生变化的图像块之后,所述方法还包括:
将所述目标建筑物矢量图中所有的建筑物轮廓发生变化的图像块进行合并,得到变化区域矢量图;
将所述变化区域矢量图与所述第一建筑物矢量图进行相交处理,得到第一变化区域矢量图;
将所述变化区域矢量图与所述第二建筑物矢量图进行相交处理,得到第二变化区域矢量图;
将所述第一变化区域矢量图与所述第二变化区域矢量图合并,得到第三变化区域矢量图;
去除所述第三变化区域矢量图中的目标区域,得到第四变化区域矢量图,其中,所述目标区域为所述第一变化区域矢量图与所述第二变化区域矢量图相交的区域。
其中,上述将所述目标建筑物矢量图中所有的建筑物轮廓发生变化的图像块进行合并,得到变化区域矢量图可以是指:将所述目标建筑物矢量图中所有的建筑物轮廓发生变化的图像块放入同一图层的对应位置,从而生成所述变化区域矢量图。
由于建筑物轮廓变化既可能是在某一特定位置新增了建筑物,也可能是将某一特定位置的建筑物拆除。因此,通过将所述变化区域矢量图与所述第一建筑物矢量图进行相交处理,即可得到预设区域中所有拆除的建筑物的变化区域,即得到第一变化区域矢量图。通过将所述变化区域矢量图与所述第二建筑物矢量图进行相交处理,即可得到预设区域中所有新增的建筑物的变化区域,即得到第二变化区域矢量图。而第一变化区域矢量图与第二变化区域矢量图的相交区域可以视为建筑物轮廓未发生变化的区域,因此,可以将所述第一变化区域矢量图与所述第二变化区域矢量图合并,得到第三变化区域矢量图之后,去除所述第三变化区域矢量图中的目标区域,得到第四变化区域矢量图,其中,所述目标区域为所述第一变化区域矢量图与所述第二变化区域矢量图相交的区域,所述第四变化区域矢量图包括预设区域建筑物发生上述两种变化的全部位置。
可选地,所述去除所述第三变化区域矢量图中的目标区域,得到第四变化区域矢量图之后,所述方法还包括:
去除所述第四变化区域矢量图中,面积小于第二预设值的建筑物轮廓,得到目标变化区域矢量图;和/或,
对所述第四变化区域矢量图中,距离小于第三预设值的建筑物轮廓进行聚类处理,得到所述目标变化区域矢量图。
其中,第二预设值的具体取值可以根据实际情况进行选择,具体可以根据第四变化区域矢量图中的建筑物轮廓大小的分布情况进行确定。这样,通过去除第四变化区域中面积较小的区域,从而避免第四变化区域矢量图中因存在大量破碎的图斑,而导致的视觉效果差的问题。
相应地,上述第三预设值的具体取值可以根据实际情况进行选择,具体可以根据第四变化区域矢量图中的建筑物轮廓的整体分布情况进行确定。所述对距离小于第三预设值的建筑物轮廓进行聚类处理的具体实现方式可以是指将,依次连接各需要聚类处理的建筑物轮廓的外边缘绘制一个封闭的区域,使得各个需要聚类处理的建筑物轮廓位于该封闭区域内,从而形成小范围的面要素,以进一步提高视觉效果。
在基于第四变化区域矢量图生成目标变化区域矢量图时,可以仅对第四变化区域矢量图进行除去面积小于第二预设值的建筑物轮廓的步骤,或者,仅对第四变化区域矢量图进行聚类处理步骤,或者,还可以同时对第四变化区域矢量图进行除去面积小于第二预设值的建筑物轮廓的步骤,以及,聚类处理步骤。
可选地,所述基于所述参考子图像,判断各所述待测子图像是否为建筑物轮廓发生变化的图像,包括:
计算所述待测子图像及所述待测子图像对应的参考子图像之间的第三交并比;
在所述第三交并比小于第二阈值的情况下,确定所述待测子图像为建筑物轮廓发生变化的图像;
在所述第三交并比大于等于所述第二阈值的情况下,确定所述待测子图像为建筑物轮廓未发生变化的图像。
其中,第三交并比的计算过程与上述实施例中第一交并比的计算过程类似,为避免重复,在此不再予以赘述。
该实施方式中,通过对比待测子图像及其对应的参考子图像之间的第三交并比,并将第三交并比与第二阈值进行比较,从而实现判断待测子图像是否为建筑物轮廓发生变化的图像的判断过程。
可选地,所述基于预设手段对所述遥感影像中的建筑物轮廓进行识别,获取包括所述遥感影像中的建筑物轮廓的第二建筑物矢量图,包括:
对所述遥感影像进行分割,得到至少两个子遥感影像;
将所述至少两个子遥感影像分别输入预先训练得到的二元分类模型进行预测,获取所述二元分类模型输出的图像预测结果,其中,所述二元分类模型用于判别子遥感影像中的各区域是否为存在建筑物轮廓的区域,所述图像预测结果用于表征所述至少两个子遥感影像中,每个子遥感影像的各区域是否为存在建筑物轮廓的区域;
基于所述图像预测结果,生成二值图;
对所述二值图进行矢量化处理,得到所述第二建筑物矢量图。
其中,上述对遥感影像进行分割得到的子遥感影像的大小可以根据二元分类模型的输入要求进行分割,即使分割之后得到的子遥感影像的大小与二元分类模型的输入要求的大小一致。
可以理解的是,所述二元分类模型可以是常见的卷积神经网络。将子遥感影像输入二元分类模型之前,需要完成对二元分类模型的训练过程,其具体过程可以如下:构建二元分类模型,从遥感影像中获取建筑物轮廓未变化的目标影像,所述目标影像中包括建筑物轮廓;以及,从第一建筑物矢量图中获取位置与目标影像对应的目标图像,基于目标影像和目标图像生成一个训练样本;并将训练样本输入所构建的二元分类模型进行训练,由于目标图像中可以通过不同的颜色对存在建筑物轮廓的区域和不存在建筑物轮廓的区域进行区分,因此,使得二元分类模型能够学习存在建筑物轮廓的区域的遥感影像特征,以及,学习不存在建筑物轮廓的区域的遥感影像特征,这样,经过大量不同的训练样本对二元分类模型进行训练之后,在将二元分类模型能够对各子遥感影像中的区域进行分类,即将各子遥感影像中的区域分为存在建筑物轮廓的区域和不存在建筑物轮廓的区域,并输出两种情况的二值图。例如,可以以黑色区域表示存在建筑物轮廓的区域,以白色区域表示不存在建筑物轮廓的区域。
这样,在对所述至少两个子遥感影像进行识别之后,可以基于所述图像预测结果生成与所述遥感影像对应的二值图,其中,所述二值图的形状与所述遥感影像相同,且所述二值图中的黑色区域用于表征所述遥感影像中存在建筑物的区域,且每个黑色区域的轮廓即为对应建筑物的轮廓。然后,可以基于常用的矢量化工具,将二值图转换为矢量图,从而得到所述第二建筑物矢量图。
请参见图2,图2为本申请实施例提供的一种遥感影像的处理装置200的结构示意图,所述遥感影像的处理装置200,包括:
获取模块201,用于获取预设区域的遥感影像和所述预设区域的第一建筑物矢量图,所述第一建筑物矢量图包括所述预设区域中的建筑物在预设历史时间的建筑物轮廓;
识别模块202,用于基于预设手段对所述遥感影像中的建筑物轮廓进行识别,获取包括所述遥感影像中的建筑物轮廓的第二建筑物矢量图;
处理模块203,用于对所述第二建筑物矢量图中的建筑物轮廓进行放大处理,得到目标建筑物矢量图;
分割模块204,用于对所述目标建筑物矢量图进行分割,得到至少两个待测子图像,以及,对所述第一建筑物矢量图进行分割,得到与每个待测子图像对应的参考子图像;
判断模块205,用于基于所述参考子图像,判断各所述待测子图像是否为建筑物轮廓发生变化的图像,并输出所述至少两个待测子图像中,建筑物轮廓发生变化的目标子图像。
可选地,所述分割模块204,具体用于对所述目标建筑物矢量图进行重叠分割,得到所述至少两个待测子图像,其中,所述至少两个待测子图像中,任意相邻两个待测子图像之间具有重叠区域。
可选地,所述装置还包括:
检测模块,用于基于所述目标子图像对应的参考子图像,对所述目标子图像进行迭代检测,得到所述目标子图像中,建筑物轮廓发生变化的图像块。
可选地,对所述目标子图像进行迭代检测中的第i次检测包括:
在所述i等于1的情况下,对所述目标子图像进行分割,得到至少两个待测图像块,以及,对所述目标子图像对应的参考子图像进行分割,得到与每个所述待测图像块对应的参考图像块;基于所述参考图像块,判断各所述待测图像块是否为建筑物轮廓发生变化的图像块,并输出第一目标图像块和第二目标图像块,其中,所述第一目标图像块为所述建筑物轮廓发生变化的图像块,所述第二目标图像块为检测结果待定的图像块;
在所述i大于1的情况下,对第i-1次检测输出的第二目标图像块进行分割,得到至少两个待测子图像块,以及,对所述第二目标图像块对应的参考图像块进行分割,得到与每个所述待测子图像块对应的参考子图像块;基于所述参考子图像块,判断各所述待测子图像块是否为建筑物轮廓发生变化的子图像块,并输出第一目标图像块和第二目标图像块。
可选地,所述基于所述参考图像块,判断各所述待测图像块是否为建筑物轮廓发生变化的图像块,并输出第一目标图像块和第二目标图像块,包括:
计算所述待测图像块及所述待测图像块对应的参考图像块的第一交并比;
在所述第一交并比小于等于第一阈值的情况下,确定所述待测图像块为所述第一目标图像块;
在所述第一交并比大于所述第一阈值,且小于第二阈值的情况下,确定所述待测图像块为所述第二目标图像块;
在所述第一交并比大于等于所述第二阈值的情况下,确定所述待测图像块为建筑物轮廓未发生变化的图像块。
可选地,所述基于所述参考子图像块,判断各所述待测子图像块是否为建筑物轮廓发生变化的子图像块,并输出第一目标图像块和第二目标图像块,包括:
计算所述待测子图像块及所述待测子图像块对应的参考子图像块的第二交并比;
在所述第二交并比小于等于第三阈值的情况下,确定所述待测子图像块为所述第一目标图像块;
在所述第二交并比大于所述第三阈值,且小于所述第二阈值的情况下,确定所述待测子图像块为所述第二目标图像块;
在所述第二交并比大于等于所述第二阈值的情况下,确定所述待测子图像块为建筑物轮廓未发生变化的图像块。
可选地,所述第一阈值与第一平均值之间的比值为第一预设值,所述第三阈值与第二平均值之间的比值为所述第一预设值;
所述第一平均值为所述至少两个待测图像块所对应的至少两个第一交并比的平均值,所述第二平均值为所述至少两个待测子图像块所对应的至少两个第二交并比的平均值,所述第一预设值的大于0,且小于1。
可选地,所述装置还包括:
图像处理模块,用于将所述目标建筑物矢量图中所有的建筑物轮廓发生变化的图像块进行合并,得到变化区域矢量图;
所述图像处理模块,还用于将所述变化区域矢量图与所述第一建筑物矢量图进行相交处理,得到第一变化区域矢量图;
所述图像处理模块,还用于将所述变化区域矢量图与所述第二建筑物矢量图进行相交处理,得到第二变化区域矢量图;
所述图像处理模块,还用于将所述第一变化区域矢量图与所述第二变化区域矢量图合并,得到第三变化区域矢量图;
所述图像处理模块,还用于去除所述第三变化区域矢量图中的目标区域,得到第四变化区域矢量图,其中,所述目标区域为所述第一变化区域矢量图与所述第二变化区域矢量图相交的区域。
可选地,所述图像处理模块,还用于去除所述第四变化区域矢量图中,面积小于第二预设值的建筑物轮廓,得到目标变化区域矢量图;和/或,
所述图像处理模块,还用于对所述第四变化区域矢量图中,距离小于第三预设值的建筑物轮廓进行聚类处理,得到所述目标变化区域矢量图。
可选地,所述判断模块205,包括:
计算子模块,用于计算所述待测子图像及所述待测子图像对应的参考子图像之间的第三交并比;
确定子模块,用于在所述第三交并比小于第二阈值的情况下,确定所述待测子图像为建筑物轮廓发生变化的图像;
所述确定子模块,还用于在所述第三交并比大于等于所述第二阈值的情况下,确定所述待测子图像为建筑物轮廓未发生变化的图像。
可选地,所述识别模块202,包括:
分割子模块,用于对所述遥感影像进行分割,得到至少两个子遥感影像;
预测子模块,用于将所述至少两个子遥感影像分别输入预先训练得到的二元分类模型进行预测,获取所述二元分类模型输出的图像预测结果,其中,所述图像预测结果用于表征所述至少两个子遥感影像中,每个子遥感影像的各区域是否为存在建筑物轮廓的区域;
生成子模块,用于基于所述图像预测结果,生成二值图;
矢量化子模块,用于对所述二值图进行矢量化处理,得到所述第二建筑物矢量图。
上述遥感影像的处理装置200能够实现上述方法实施例中的各个过程,并能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供了一种电子设备,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程序,程序被处理器执行时实现上述遥感影像的处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
参见图3所示,本申请实施例还提供了一种电子设备,包括总线301、收发机302、天线303、总线接口304、处理器305和存储器306。处理器305能够实现上述遥感影像的处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
在图3中,总线架构(用总线301来代表),总线301可以包括任意数量的互联的总线和桥,总线301将包括由处理器305代表的一个或多个处理器和存储器306代表的存储器的各种电路链接在一起。总线301还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口304在总线301和收发机302之间提供接口。收发机302可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器305处理的数据通过天线303在无线介质上进行传输,进一步,天线303还接收数据并将数据传送给处理器305。
处理器305负责管理总线301和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器306可以被用于存储处理器305在执行操作时所使用的数据。
可选的,处理器305可以是CPU、ASIC、FPGA或CPLD。
本申请实施例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有计算机程序,该计算机程序被处理器执行时实现上述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,的计算机可读存储介质,如只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者第二终端设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (14)
1.一种遥感影像的处理方法,其特征在于,包括:
获取预设区域的遥感影像和所述预设区域的第一建筑物矢量图,所述第一建筑物矢量图包括所述预设区域中的建筑物在预设历史时间的建筑物轮廓;
基于预设手段对所述遥感影像中的建筑物轮廓进行识别,获取包括所述遥感影像中的建筑物轮廓的第二建筑物矢量图;
对所述第二建筑物矢量图中的建筑物轮廓进行放大处理,得到目标建筑物矢量图;
对所述目标建筑物矢量图进行分割,得到至少两个待测子图像,以及,对所述第一建筑物矢量图进行分割,得到与每个待测子图像对应的参考子图像;
基于所述参考子图像,判断各所述待测子图像是否为建筑物轮廓发生变化的图像,并输出所述至少两个待测子图像中,建筑物轮廓发生变化的目标子图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标建筑物矢量图进行分割,得到至少两个待测子图像,包括:
对所述目标建筑物矢量图进行重叠分割,得到所述至少两个待测子图像,其中,所述至少两个待测子图像中,任意相邻两个待测子图像之间具有重叠区域。
3.根据权利要求1所述的方法,其特征在于,所述输出所述至少两个待测子图像中,建筑物轮廓发生变化的目标子图像之后,所述方法还包括:
基于所述目标子图像对应的参考子图像,对所述目标子图像进行迭代检测,得到所述目标子图像中,建筑物轮廓发生变化的图像块。
4.根据权利要求3所述的方法,其特征在于,对所述目标子图像进行迭代检测中的第i次检测包括:
在所述i等于1的情况下,对所述目标子图像进行分割,得到至少两个待测图像块,以及,对所述目标子图像对应的参考子图像进行分割,得到与每个所述待测图像块对应的参考图像块;基于所述参考图像块,判断各所述待测图像块是否为建筑物轮廓发生变化的图像块,并输出第一目标图像块和第二目标图像块,其中,所述第一目标图像块为所述建筑物轮廓发生变化的图像块,所述第二目标图像块为检测结果待定的图像块;
在所述i大于1的情况下,对第i-1次检测输出的第二目标图像块进行分割,得到至少两个待测子图像块,以及,对所述第二目标图像块对应的参考图像块进行分割,得到与每个所述待测子图像块对应的参考子图像块;基于所述参考子图像块,判断各所述待测子图像块是否为建筑物轮廓发生变化的子图像块,并输出第一目标图像块和第二目标图像块。
5.根据权利要求4所述的方法,其特征在于,所述基于所述参考图像块,判断各所述待测图像块是否为建筑物轮廓发生变化的图像块,并输出第一目标图像块和第二目标图像块,包括:
计算所述待测图像块及所述待测图像块对应的参考图像块的第一交并比;
在所述第一交并比小于等于第一阈值的情况下,确定所述待测图像块为所述第一目标图像块;
在所述第一交并比大于所述第一阈值,且小于第二阈值的情况下,确定所述待测图像块为所述第二目标图像块;
在所述第一交并比大于等于所述第二阈值的情况下,确定所述待测图像块为建筑物轮廓未发生变化的图像块。
6.根据权利要求5所述的方法,其特征在于,所述基于所述参考子图像块,判断各所述待测子图像块是否为建筑物轮廓发生变化的子图像块,并输出第一目标图像块和第二目标图像块,包括:
计算所述待测子图像块及所述待测子图像块对应的参考子图像块的第二交并比;
在所述第二交并比小于等于第三阈值的情况下,确定所述待测子图像块为所述第一目标图像块;
在所述第二交并比大于所述第三阈值,且小于所述第二阈值的情况下,确定所述待测子图像块为所述第二目标图像块;
在所述第二交并比大于等于所述第二阈值的情况下,确定所述待测子图像块为建筑物轮廓未发生变化的图像块。
7.根据权利要求6所述的方法,其特征在于,所述第一阈值与第一平均值之间的比值为第一预设值,所述第三阈值与第二平均值之间的比值为所述第一预设值;
所述第一平均值为所述至少两个待测图像块所对应的至少两个第一交并比的平均值,所述第二平均值为所述至少两个待测子图像块所对应的至少两个第二交并比的平均值,所述第一预设值的大于0,且小于1。
8.根据权利要求3所述的方法,其特征在于,所述对所述目标子图像进行迭代检测,得到所述目标子图像中,建筑物轮廓发生变化的图像块之后,所述方法还包括:
将所述目标建筑物矢量图中所有的建筑物轮廓发生变化的图像块进行合并,得到变化区域矢量图;
将所述变化区域矢量图与所述第一建筑物矢量图进行相交处理,得到第一变化区域矢量图;
将所述变化区域矢量图与所述第二建筑物矢量图进行相交处理,得到第二变化区域矢量图;
将所述第一变化区域矢量图与所述第二变化区域矢量图合并,得到第三变化区域矢量图;
去除所述第三变化区域矢量图中的目标区域,得到第四变化区域矢量图,其中,所述目标区域为所述第一变化区域矢量图与所述第二变化区域矢量图相交的区域。
9.根据权利要求8所述的方法,其特征在于,所述去除所述第三变化区域矢量图中的目标区域,得到第四变化区域矢量图之后,所述方法还包括:
去除所述第四变化区域矢量图中,面积小于第二预设值的建筑物轮廓,得到目标变化区域矢量图;和/或,
对所述第四变化区域矢量图中,距离小于第三预设值的建筑物轮廓进行聚类处理,得到所述目标变化区域矢量图。
10.根据权利要求1所述的方法,其特征在于,所述基于所述参考子图像,判断各所述待测子图像是否为建筑物轮廓发生变化的图像,包括:
计算所述待测子图像及所述待测子图像对应的参考子图像之间的第三交并比;
在所述第三交并比小于第二阈值的情况下,确定所述待测子图像为建筑物轮廓发生变化的图像;
在所述第三交并比大于等于所述第二阈值的情况下,确定所述待测子图像为建筑物轮廓未发生变化的图像。
11.根据权利要求1所述的方法,其特征在于,所述基于预设手段对所述遥感影像中的建筑物轮廓进行识别,获取包括所述遥感影像中的建筑物轮廓的第二建筑物矢量图,包括:
对所述遥感影像进行分割,得到至少两个子遥感影像;
将所述至少两个子遥感影像分别输入预先训练得到的二元分类模型进行预测,获取所述二元分类模型输出的图像预测结果,其中,所述图像预测结果用于表征所述至少两个子遥感影像中,每个子遥感影像的各区域是否为存在建筑物轮廓的区域;
基于所述图像预测结果,生成二值图;
对所述二值图进行矢量化处理,得到所述第二建筑物矢量图。
12.一种遥感影像的处理装置,其特征在于,包括:
获取模块,用于获取预设区域的遥感影像和所述预设区域的第一建筑物矢量图,所述第一建筑物矢量图包括所述预设区域中的建筑物在预设历史时间的建筑物轮廓;
识别模块,用于基于预设手段对所述遥感影像中的建筑物轮廓进行识别,获取包括所述遥感影像中的建筑物轮廓的第二建筑物矢量图;
处理模块,用于对所述第二建筑物矢量图中的建筑物轮廓进行放大处理,得到目标建筑物矢量图;
分割模块,用于对所述目标建筑物矢量图进行分割,得到至少两个待测子图像,以及,对所述第一建筑物矢量图进行分割,得到与每个待测子图像对应的参考子图像;
判断模块,用于基于所述参考子图像,判断各所述待测子图像是否为建筑物轮廓发生变化的图像,并输出所述至少两个待测子图像中,建筑物轮廓发生变化的目标子图像。
13.一种电子设备,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程序,所述程序被所述处理器执行时实现如权利要求1至11中任一项所述的方法的步骤。
14.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110980232.8A CN115731458A (zh) | 2021-08-25 | 2021-08-25 | 一种遥感影像的处理方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110980232.8A CN115731458A (zh) | 2021-08-25 | 2021-08-25 | 一种遥感影像的处理方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115731458A true CN115731458A (zh) | 2023-03-03 |
Family
ID=85290246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110980232.8A Pending CN115731458A (zh) | 2021-08-25 | 2021-08-25 | 一种遥感影像的处理方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115731458A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681955A (zh) * | 2023-07-31 | 2023-09-01 | 深圳鲲云信息科技有限公司 | 用于交通护栏异常识别的方法及计算设备 |
-
2021
- 2021-08-25 CN CN202110980232.8A patent/CN115731458A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681955A (zh) * | 2023-07-31 | 2023-09-01 | 深圳鲲云信息科技有限公司 | 用于交通护栏异常识别的方法及计算设备 |
CN116681955B (zh) * | 2023-07-31 | 2023-11-28 | 深圳鲲云信息科技有限公司 | 用于交通护栏异常识别的方法及计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092877B (zh) | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 | |
CN108230323B (zh) | 一种基于卷积神经网络的肺结节假阳性筛选方法 | |
CN111914834B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
US9245345B2 (en) | Device for generating three dimensional feature data, method for generating three-dimensional feature data, and recording medium on which program for generating three-dimensional feature data is recorded | |
CN110472534A (zh) | 基于rgb-d数据的3d目标检测方法、装置、设备和存储介质 | |
CN110892760B (zh) | 基于深度学习定位终端设备 | |
US11145089B2 (en) | Method for measuring antenna downtilt based on multi-scale detection algorithm | |
CN108763575B (zh) | 基于像控点数据库的像控点自动选取方法 | |
CN111259710A (zh) | 采用停车位框线、端点的停车位结构检测模型训练方法 | |
CN115641415A (zh) | 基于卫星影像生成三维场景的方法、装置、设备及介质 | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN113592839B (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 | |
CN109657540B (zh) | 枯死树定位方法及系统 | |
CN115731458A (zh) | 一种遥感影像的处理方法、装置和电子设备 | |
CN110874170A (zh) | 一种图像区域修正方法、图像分割方法及装置 | |
CN113177941A (zh) | 一种钢卷边裂识别方法、系统、介质和终端 | |
CN113192174A (zh) | 建图方法、装置及计算机存储介质 | |
JP2003141567A (ja) | 3次元都市モデル生成装置及び3次元都市モデル生成方法 | |
CN111260955B (zh) | 采用停车位框线、端点的停车位检测系统及方法 | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN112700464B (zh) | 地图信息的处理方法、装置、电子设备以及存储介质 | |
CN112308842B (zh) | 一种基于印刷品图像的定位核自动提取方法 | |
CN114359352A (zh) | 图像处理方法、装置、设备、存储介质及计算机程序产品 | |
CN114155508B (zh) | 一种道路变化检测方法、装置、设备以及存储介质 |
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 |