CN115861791B - 一种公益诉讼线索的生成方法、生成装置及存储介质 - Google Patents
一种公益诉讼线索的生成方法、生成装置及存储介质 Download PDFInfo
- Publication number
- CN115861791B CN115861791B CN202211387923.8A CN202211387923A CN115861791B CN 115861791 B CN115861791 B CN 115861791B CN 202211387923 A CN202211387923 A CN 202211387923A CN 115861791 B CN115861791 B CN 115861791B
- Authority
- CN
- China
- Prior art keywords
- change
- area
- remote sensing
- type
- detection model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 326
- 238000001514 detection method Methods 0.000 claims abstract description 146
- 230000002159 abnormal effect Effects 0.000 claims abstract description 84
- 238000011160 research Methods 0.000 claims abstract description 84
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 91
- 238000012360 testing method Methods 0.000 claims description 24
- 238000002310 reflectometry Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims 2
- 230000001965 increasing effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种公益诉讼线索的生成方法，用于增加获取公益诉讼线索的便利性与主动性。本申请方法包括：获取变化检测模型，所述变化检测模型基于U‑Net++神经网络搭建，所述变化检测模型用于实现多时相遥感影像中自然资源的变化检测；确定研究区域，获取研究区域的多时相遥感数据，所述研究区域的多时相遥感数据由覆盖所述研究区域的自然资源的目标时间范围的遥感影像构成；将所述多时相遥感数据输入所述变化检测模型，获取所述变化检测模型输出的所述研究区域的自然资源的变化区域及其变化类型；根据所述变化类型在所述变化区域中确定异常变化区域；确定所述异常变化区域的位置信息及面积信息，生成公益诉讼线索。
Description
技术领域
本申请涉及遥感监测技术领域，尤其涉及一种公益诉讼线索的生成方法、生成装置及存储介质。
背景技术
自然资源保护是公益诉讼的重点关注领域之一，而自然资源保护中又以绿地的保护为主，由于绿地的分布具有异质性和高度分散性，且囿于群众知晓度、参与度及相关行政部门的支持度相对薄弱，导致公益诉讼线索的发现极为被动，目前检察院对于破坏绿地的公益诉讼工作面临线索发现难、调查取证难、鉴定评估难这三个难题。
如何及时、准确地发现自然资源保护领域的公益诉讼线索，是当前需要解决的问题。
发明内容
本申请提供了一种公益诉讼线索的生成方法、生成装置及存储介质，用于降低获取公益诉讼线索的难度。
本申请第一方面提供了一种公益诉讼线索的生成方法，包括：
获取变化检测模型，所述变化检测模型基于U-Net++神经网络搭建，所述变化检测模型用于实现多时相遥感影像中自然资源的变化检测；
确定研究区域，获取研究区域的多时相遥感数据，所述研究区域的多时相遥感数据由覆盖所述研究区域的自然资源的目标时间范围的遥感影像构成；
将所述多时相遥感数据输入所述变化检测模型，获取所述变化检测模型输出的所述研究区域的自然资源的变化区域及其变化类型；
根据所述变化类型在所述变化区域中确定异常变化区域；
确定所述异常变化区域的位置信息及面积信息，生成公益诉讼线索。
可选地，所述变化检测模型的训练过程如下：
采集训练区域的多时相遥感数据集，所述训练区域的多时相遥感数据集由覆盖所述训练区域的自然资源的目标时间范围的遥感影像构成；
将所述训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集；
基于所述多时相遥感训练数据集训练检测模型，通过所述检测模型的损失函数计算损失值；
判断所述损失值是否大于预设损失值；
若所述损失值不大于预设损失值，则确定所述检测模型为已经训练完成的变化检测模型；
若所述损失值大于预设损失值，则根据所述损失值更新所述检测模型的参数，再基于所述多时相遥感训练数据集继续训练更新后的检测模型。
可选地，若所述损失值不大于预设损失值，则确定所述检测模型为已经训练完成的变化检测模型之后，所述生成方法还包括：
将所述多时相遥感测试数据集输入所述变化检测模型，判断所述变化检测模型的目标精度是否大于预设精度；
所述将所述研究区域的多时相遥感数据输入所述变化检测模型，获取所述变化检测模型输出的所述研究区域的自然资源的变化区域及变化类型包括：
若所述目标精度大于预设精度，则将所述研究区域的多时相遥感数据输入所述变化检测模型，获取所述变化检测模型输出的所述研究区域的自然资源的变化区域及变化类型。
可选地，将所述训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集之前，所述生成方法还包括：
对所述训练区域的多时相遥感数据集进行预处理；
所述将所述训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集包括：
将预处理后的训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集。
可选地，将所述多时相遥感数据输入所述变化检测模型，获取所述变化检测模型输出的所述研究区域的自然资源的变化区域及变化类型之后，所述方法还包括：
对所述变化检测模型输出的所述变化区域及变化类型进行精度评定，获取精度评定准确率；
判断所述精度评定准确率是否大于预设准确率；
所述根据所述变化类型在所述变化区域中确定异常变化区域包括：
若所述精度评定准确率大于所述预设准确率，则根据所述变化类型在所述变化区域中确定异常变化区域。
可选地，所述确定所述异常变化区域的位置信息及面积信息，生成公益诉讼线索包括：
通过边缘提取对所述异常变化区域进行栅格矢量化，并以目标文件格式输出栅格矢量化后的异常变化区域；
根据栅格矢量化后的异常变化区域获取所述异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索。
可选地，所述根据栅格矢量化后的异常变化区域获取所述异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索包括：
根据所述面积信息判断栅格矢量化后的所述异常变化区域的最小外接矩形尺寸是否小于预设尺寸；
若是，则剔除最小外接矩形尺寸小于预设尺寸的异常变化区域，并获取剔除后的异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索。
本申请第二方面提供了一种公益诉讼线索的生成装置，包括：
第一获取单元，用于获取变化检测模型，所述变化检测模型基于U-Net++神经网络搭建，所述变化检测模型用于实现多时相遥感影像中自然资源的变化检测；
第一确定单元，用于确定研究区域，获取研究区域的多时相遥感数据，所述研究区域的多时相遥感数据由覆盖所述研究区域的自然资源的在目标时间范围的遥感影像构成；
第二获取单元，用于将所述多时相遥感数据输入所述变化检测模型，获取所述变化检测模型输出的所述研究区域的自然资源的变化区域及其变化类型；
第二确定单元，用于根据所述变化类型在所述变化区域中确定异常变化区域；
生成单元，用于确定所述异常变化区域的位置信息及面积信息，生成公益诉讼线索。
可选地，所述生成装置还包括：
采集单元，用于采集训练区域的多时相遥感数据集，所述训练区域的多时相遥感数据集由覆盖所述训练区域的自然资源的在目标时间范围的遥感影像构成；
拆分单元，用于将所述训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集；
计算单元，用于基于所述多时相遥感训练数据集训练检测模型，通过所述检测模型的损失函数计算损失值；
第一判断单元，用于判断所述损失值是否大于预设损失值；
更新单元，用于若所述损失值大于预设损失值，则根据所述损失值更新所述检测模型的参数，再基于所述多时相遥感训练数据集继续训练更新后的检测模型；
第三确定单元，用于若所述损失值不大于预设损失值，则确定所述检测模型为已经训练完成的变化检测模型。
可选地，所述生成装置还包括：
第二判断单元，用于将所述多时相遥感测试数据集输入所述变化检测模型，判断所述变化检测模型的目标精度是否大于预设精度；
所述第二获取单元具体用于：
若所述目标精度大于预设精度，则将所述研究区域的多时相遥感数据输入所述变化检测模型，获取所述变化检测模型输出的所述研究区域的自然资源的变化区域及变化类型。
可选地，所述生成装置还包括：
预处理单元，用于对所述训练区域的多时相遥感数据集进行预处理；
所述拆分单元具体用于：
将预处理后的训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集。
可选地，所述生成装置还包括：
评定单元，用于对所述变化检测模型输出的所述变化区域及变化类型进行精度评定，获取精度评定准确率；
第三判断单元，用于判断所述精度评定准确率是否大于预设准确率；
所述第二确定单元具体用于：
若所述精度评定准确率大于所述预设准确率，则根据所述变化类型在所述变化区域中确定异常变化区域。
可选地，所述生成单元具体用于：
通过边缘提取对所述异常变化区域进行栅格矢量化，并以目标文件格式输出栅格矢量化后的异常变化区域；
根据栅格矢量化后的异常变化区域获取所述异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索。
可选地，所述生成单元具体用于：
根据所述面积信息判断栅格矢量化后的所述异常变化区域的最小外接矩形尺寸是否小于预设尺寸；
若是，则剔除最小外接矩形尺寸小于预设尺寸的异常变化区域，并获取剔除后的异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索。
本申请第三方面提供了一种公益诉讼线索的生成装置，所述生成装置包括：
处理器、存储器、输入输出单元以及总线；
所述处理器与所述存储器、所述输入输出单元以及所述总线相连；
所述存储器保存有程序，所述处理器调用所述程序以执行第一方面以及第一方面中任一项可选的一种公益诉讼线索的生成方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行时执行第一方面以及第一方面中任一项可选的一种公益诉讼线索的生成方法。
从以上技术方案可以看出，本申请具有以下优点：获取变化检测模型，变化检测模型基于U-Net++神经网络搭建，目标线索发现模型用于实现多时相遥感影像中自然资源的变化检测；确定研究区域，获取研究区域的多时相遥感数据，研究区域的多时相遥感数据由覆盖研究区域的自然资源的在目标时间范围的变化影像构成；将多时相遥感数据输入变化检测模型，获取变化检测模型输出的所述研究区域的自然资源的变化区域及其变化类型；根据变化类型在变化区域中确定异常变化区域；确定异常变化区域的位置信息及面积信息，生成公益诉讼线索；通过上述方法，基于研究区域的多时相遥感影像数据主动发现研究区域的自然资源的异常变化区域的位置信息及面积信息，生成公益诉讼线索，从而打破地理、环境因素的制约，能够及时、准确地发现研究区域的自然资源保护领域的公益诉讼线索，增加了获取公益诉讼线索的便利性与主动性。
附图说明
为了更清楚地说明本申请中的技术方案，下面将对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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的一种公益诉讼线索的生成方法一个实施例流程示意图；
图2为本申请提供的一种公益诉讼线索的生成方法另一个实施例流程示意图；
图3为本申请提供的一种公益诉讼线索的生成装置一个实施例结构示意图；
图4为本申请提供的一种公益诉讼线索的生成装置另一个实施例结构示意图；
图5为本申请提供的一种公益诉讼线索的生成装置一个实施例结构示意图。
具体实施方式
本申请提供了一种公益诉讼线索的生成方法、生成装置及存储介质，用于增加公益诉讼线索获取的便利性和主动性。
需要说明的是，本申请提供的一种公益诉讼线索的生成方法，可以应用于终端，还可以应用于服务器上，例如终端可以是智能手机或电脑、平板电脑、智能电视、智能手表、便携计算机终端，也可以是台式计算机等固定终端。为方便阐述，本申请中以终端为执行主体进行举例说明。
请参阅图1，图1为本申请提供的一种公益诉讼线索的生成方法的一个实施例，该生成方法包括：
101、终端获取变化检测模型，该变化检测模型基于U-Net++神经网络搭建，该变化检测模型用于实现多时相遥感影像中自然资源的变化检测；
在本实施例中，多时相通常指反映一组遥感影像在时间序列上具有的特征，广义地，凡在是在不同时间获取同一地域的一组影像、地图或地理数据，都可以视为多时相的数据。变化检测模型用于实现对目标时间段内的前、后时相的遥感影像中自然资源的变化检测，自然资源包括绿地资源、裸地资源等。变化检测模型通过训练区域的多时相遥感数据集进行训练，具体的训练过程将在下一个实施例中进行描述，此处不再赘述。
102、终端确定研究区域，获取研究区域的多时相遥感数据，研究区域的多时相遥感数据由覆盖研究区域的自然资源的目标时间范围的遥感影像构成；
在本实施例中，例如：研究区域为A区域，目标时间范围为1个月，则获取1个月内研究区域的多时相遥感数据，该多时相遥感数据由覆盖研究区域的自然资源的1个月内固定时间间隔的前、后时相的遥感影像构成。该遥感影像包括研究区域在1个月内的固定时间间隔的时-空-谱互补的长时序卫星遥感影像，包括Landsat8、Sentinel2、GF1或GF6等多源遥感影像。
103、终端将多时相遥感数据输入变化检测模型，获取变化检测模型输出的研究区域的自然资源的变化区域及变化类型；
在本实施例中，终端将获取的研究区域的多时相遥感数据输入变化检测模型，获取变化检测模型输出的研究区域的自然资源变化区域和及其变化类型；其中，变化类型包括：1类变化类型为绿地变为裸地、2类变化类型为绿地变为建筑物、3类变化类型为绿地变为道路、4类变化类型为裸地变为建筑物、5类变化类型为裸地变为道路等；例如：研究区域为A，研究区域的自然资源变化区域为A1、A2、A3；A1区域的变化为绿地变为建筑物，A2区域的变化为绿地变为裸地，A3区域的变化为裸地变为道路，则变化检测模型输出A1的变化类型为2类。
104、终端根据变化类型在变化区域中确定异常变化区域；
在本实施例中，终端根据研究区域的自然资源的变化区域的变化类型确定异常变化区域；例如：若变化类型中的1类变化类型、2类变化类型及3类变化类型为异常变化类型，当研究区域的变化区域的变化类型为1类变化类型(绿地变为裸地)、2类变化类型(绿地变为建筑物)或3类变化类型(绿地变为道路)时，则终端确定该变化区域为异常变化区域。
105、终端确定异常变化区域的位置信息及面积信息，生成公益诉讼线索。
在本实施例中，终端通过边缘提取技术确定异常变化区域的位置信息及面积信息。其中，位置信息包括坐标信息及边缘信息，具体的确定过程将在下一个实施例中进行详细描述，此处不再赘述。终端根据位置信息及面积信息生成公益诉讼线索，以使得检察机关根据该公益诉讼线索发现对研究区域的自然资源的破坏行为，并根据该公益诉讼线索对自然资源的破坏行为进行调查、取证。
在本实施例中，通过上述方法，基于研究区域的多时相遥感影像数据主动发现研究区域的自然资源的异常变化，并获取异常变化区域的位置信息及面积信息，生成公益诉讼线索。从而打破地理、环境因素的制约，能够及时、准确地发现研究区域的自然资源保护领域的公益诉讼线索，增加了获取公益诉讼线索的便利性与主动性。
为使本申请提供的一种公益诉讼线索的方法更加的明显易懂，下面对本申请提供的一种公益诉讼线索的生成方法进行详细说明：
请参阅图2，图2为本申请提供的一种公益诉讼线索的生成方法另一个实施例，该生成方法包括：
201、终端采集训练区域的多时相遥感数据集，训练区域的多时相遥感数据集由覆盖训练区域的自然资源的目标时间范围的遥感影像构成；
在本实施例中，覆盖训练区域的自然资源的遥感影像数据集包括训练区域在目标时间范围内的固定时间间隔的时-空-谱互补的长时序卫星遥感影像，包括Landsat8、Sentinel2、GFl或GF6等多源遥感影像。
202、终端对训练区域的多时相遥感数据集进行预处理；
在本实施例中，在本实施例中，对训练区域的多时相遥感数据集进行预处理，可选地，预处理的公式如下：其中，下标i表示第i个波段、/>为第i个波段的反射率、aij和bij是与晴朗条件下两个可见波段之间的线性关系相关常数；每个波段云的反射率应互相成比例或ρcj＝kijρci，其中，ρcj是第j个波段中云的反射率，ρci是第i个波段中云的反射率，云层最薄的时候，kij逼近1；若云层下的地面目标在可见光波段具有很强的地表反射率，那么模拟云层成分就包含了地面反射率的信息。为了保存该信息，对所有可见波段中建模的云组建进行最小操作，或/>其中，min是最小运算符，ρmin_c是可变波段的最小值，例如，在Landsat-8中，i＝1、2、3和4。由于最小运算是逐像素进行的，因此ρmin_c图像中存在独立的孤岛。为了减少岛的数量，对图像进行空间滤波。尽管均值或中值滤波器对于移除孤岛是有效的，但是滤波后的值仍然可能太高，从而移除了不必要的背景信息。因此，使用最小过滤器，并且过滤后的云分量是：其中，/>是滤波器内核，根据单个岛的大小和过滤程度，内核大小可能会有所不同。在本实施例中，因为过滤的目的是为了去除孤岛，所以使用了3×3的内核。最后，通过公式/>完成训练区域的多时相遥感数据集进行预处理，其中i＝1，2，3和4分别代表Landsat-8、Sentinel2、GF1或GF6的第i个可见波段。通过上述预处理，使得移除的反射率最小，提高了地面反射率，实现了逐波段的去云，并且有效减少了去云过程中对地表目标的反射率的不利影响，从而有效消除或减弱影像中少量云层覆盖区域信息缺失而导致结果偏差的影响。
可选地，在本实施例中，预处理还包括：辐射定标预处理、大气校正预处理、数据融合预处理、影像镶嵌预处理及影像裁剪预处理。其中，辐射标定预处理用于消除传感器本身的误差，将图像的亮度灰度值转换为绝对的辐射亮度；大气校正预处理用于小于大气散射、吸收、反射引起的误差，将辐射亮度或表面反射率转换为地表实际反射率；数据融合预处理用于将空间分辨率和光谱分辨率中可互补的数据，按照目标算法或规则进行运算处理，获得一幅具有更高空间分辨率、更多波谱特征的融合图像；影像镶嵌预处理用于当一个地区难以被一定分辨率下的单幅遥感影像所完全覆盖时，通过镶嵌不同影像无缝地拼接成一幅完整的包括训练区域的影像；影像裁剪预处理是为提高算法处理效率，用于在研究过程中将遥感影像裁剪成训练区域范围大小的影像。
203、终端将预处理后的训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集；
在本实施例中，将预处理后的训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集，例如：本实施例选取了A区、B区、C区3个训练区域。以A区为例：对该区域在2018年11月和2020年5月的GF1/GF6影像使用PIE和LocalSpace软件进行预处理并完成六分类数据标注。标注原则为：不变类为0类，绿地变为裸地标注为第1类，绿地变为建筑标注为第2类，绿地变为道路标注为第3类，裸地变为建筑标注为第4类，裸地变为道路标注为第5类。随后，对样本进行图像裁剪。裁剪后，共获取到713张宽×高为256×256长度的图片。其中，将2018年11月和2020年5月A区域和B区域的遥感影像经裁剪后并进行数据增强后的数据作为检测模型在训练过程中的多时相遥感训练数据集，将2017年11月和2020年4月C区域的遥感影像作为检测模型在训练过程中的多时相遥感测试数据集，对检测模型的训练过程进行评估。采用以下几种几何变换法完成数据增强：①旋转；②以图像水平轴和垂直轴为旋转轴进行水平翻转和上下翻转；③沿水平或垂直方向平移；④随机裁剪并重采样恢复到原始尺寸；⑤随机添加噪声(如高斯噪声等)。
204、终端基于多时相遥感训练数据集训练检测模型，通过检测模型的损失函数计算损失值；
在本实施例中，在本实施例中，终端基于多时相遥感训练数据集训练检测模型包括：将多幅前后两时相图像进行合并通道，然后将合并通道后的批量数据送入U-Net++神经网络训练，通过正向传播和反向传播，不停地优化U-Net++神经网络模型的参数。可选地，损失函数为：其中，loss为损失值，Pi为图像中第i个像素的预测概率值，gi为图像中第i个像素的真实值，N为图像的像素总数。
205、终端判断损失值是否大于预设损失值；
在本实施例中，终端判断损失值是否大于预设损失值，若是，则终端执行步骤206；若否，则终端执行步骤207。
206、若损失值大于预设损失值，则终端根据损失值更新检测模型的参数，再基于多时相遥感训练数据集继续训练更新后的检测模型；
在本实施例中，若损失值大于预设损失值，则终端根据损失值反向更新检测模型的参数，再基于训练区域的多时相遥感训练数据集继续训练更新后的检测模型。
207、若损失值不大于预设损失值，则终端确定检测模型为已经训练完成的变化检测模型；
在本实施例中，若损失值小于或等于预设损失值，则终端确定检测模型为已经训练完成的变化检测模型。
208、终端获取变化检测模型，该变化检测模型基于U-Net++神经网络搭建，该变化检测模型用于实现多时相遥感影像中自然资源的变化检测；
本实施例中的步骤208与前述图1实施例中的步骤101类似，具体此处不再赘述。
209、终端确定研究区域，获取研究区域的多时相遥感数据，研究区域的多时相遥感数据由覆盖研究区域的自然资源的目标时间范围的遥感影像构成；
在本实施例中，步骤209与前述图1实施例中的步骤102类似，具体此处不再赘述。
210、终端将多时相遥感测试数据集输入变化检测模型，判断变化检测模型的目标精度是否大于预设精度；
在本实施例中，终端将训练区域的多时相遥感测试数据集输入变化检测模型，通过算法精度分数的计算公式发起精度测试评估，获取变化检测模型的目标精度，并判断目标精度是否大于预设精度。若目标精度大于预设精度，则终端执行步骤211；若目标精度小于预设精度，则终端基于多时相遥感训练数据集继续训练检测模型。算法精度分数的计算公式为：Precision＝(2*x*y)/(x+y)；其中，x＝正确预测框的个数/需预测框的总数；y＝正确预测框的个数/标注检测框的个数。或者，还可以采用Kappa系数和准确率(accuracy)为评价指标来选取并保存最优模型。其中Kappa系数是基于混淆矩阵的，用于一致性检验，也可以用于衡量分类精度，取值范围为[0,1]，该值越接近1表示模型的分类效果越好。准确率一般用来评估模型的全局准确程度，为分类正确的样本数量除以总样本数量。
211、若目标精度大于预设精度，则终端将研究区域的多时相遥感数据输入变化检测模型，获取变化检测模型输出的研究区域的自然资源的变化区域及变化类型；
在本实施例中，若目标精度大于预设精度，则终端将研究区域的前、后时相遥感数据输入变化检测模型，获取变化检测模型输出的研究区域的自然资源的变化区域及变化类型。终端输入研究区域的前、后时相影像，基于变化检测模型得到前、后时相影像的地图投影信息、影像的仿射矩阵、影像的数据等信息。通过滑动窗格的方法对影像数据进行切割，确保喂入网格的数据尺寸正确，基于U-Net++神经网络对前、后两个时相的遥感影像进行变化区域的自动预测。通过先腐蚀再膨胀的方式去除变化区域很小的噪点，再通过先膨胀再腐蚀的方式消除大面积变化区域中的异常点，最后得到研究区域的前、后时相影像中的变化区域及变化类型，以tif文件格式输出各变化类型的变化区域的栅格图像。
212、终端对变化检测模型输出的变化区域及变化类型进行精度评定，获取精度评定准确率；
在本实施例中，例如，变化检测模型输出的变化区域共有131处，其中变化区域与变化类型准确对应的有120处，则此时精确度评定准确率为91.6％。
213、终端判断精度评定准确率是否大于预设准确率；
在本实施例中，终端判断精度评定准确率是否大于预设准确率，若大于，则执行步骤214；若不大于，则终端将研究区域的多时相遥感数据重新输入变化检测模型，并重新获取变化检测模型输出的研究区域的自然资源的变化区域及变化类型。
214、若精度评定准确率大于预设准确率，则终端根据变化类型在变化区域中确定异常变化区域；
在本实施例中，若精度评定准确率大于预设准确率，则终端根据变化类型在变化区域中确定异常变化区域。
215、终端确定异常变化区域的位置信息及面积信息，生成公益诉讼线索；
在本实施例中，终端通过边缘提取多异常变化区域进行栅格矢量化，并以目标文件格式出书栅格矢量化后的异常变化区域；终端根据栅格矢量化后的异常变化区域获取异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索；其中，终端根据栅格矢量化后的异常变化区域获取异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索包括：终端根据面积信息判断栅格矢量化后的异常变化区域的最小外接矩形尺寸是否小于预设尺寸；若是，则终端剔除最小外接矩形尺寸小于预设尺寸的异常变化区域，并获取剔除后的异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索。
在本实施例中，剔除过于微小的异常变化区域，提高了生成公益诉讼线索的准确性。
上述对本申请提供的一种公益诉讼线索的生成方法进行了说明，下面对本申请提供的一种公益诉讼线索的生成装置进行说明：
请参阅图3，图3为本申请提供的一种公益诉讼线索的生成装置一个实施例，该生成装置包括：
第一获取单元301，用于获取变化检测模型，变化检测模型基于U-Net++神经网络搭建，变化检测模型用于实现多时相遥感影像中自然资源的变化检测；
第一确定单元302，用于确定研究区域，获取研究区域的多时相遥感数据，研究区域的多时相遥感数据由覆盖研究区域的自然资源的目标时间范围的遥感影像构成；
第二获取单元303，用于将多时相遥感数据输入变化检测模型，获取变化检测模型输出的研究区域的自然资源的变化区域及其变化类型；
第二确定单元304，用于根据变化类型在变化区域中确定异常变化区域；
生成单元305，用于确定异常变化区域的位置信息及面积信息，生成公益诉讼线索。
本实施例系统中，各单元所执行的功能与前述图1所示方法实施例中的步骤对应，具体此处不再赘述。
下面对本申请提供的一种公益诉讼线索的生成装置进行详细说明，请参阅图4，图4为本申请提供的一种公益诉讼线索的生成装置另一个实施例，该生成装置包括：
第一获取单元401，用于获取变化检测模型，变化检测模型基于U-Net++神经网络搭建，变化检测模型用于实现多时相遥感影像中自然资源的变化检测；
第一确定单元402，用于确定研究区域，获取研究区域的多时相遥感数据，研究区域的多时相遥感数据由覆盖研究区域的自然资源的目标时间范围的遥感影像构成；
第二获取单元403，用于将多时相遥感数据输入变化检测模型，获取变化检测模型输出的研究区域的自然资源的变化区域及其变化类型；
第二确定单元404，用于根据变化类型在变化区域中确定异常变化区域；
生成单元405，用于确定异常变化区域的位置信息及面积信息，生成公益诉讼线索。
可选地，生成装置还包括：
采集单元406，用于采集训练区域的多时相遥感数据集，训练区域的多时相遥感数据集由训练区域的自然资源的目标时间范围的遥感影像构成；
拆分单元407，用于将训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集；
计算单元408，用于基于多时相遥感训练数据集训练检测模型，通过检测模型的损失函数计算损失值；
第一判断单元409，用于判断损失值是否大于预设损失值；
更新单元410，用于若损失值大于预设损失值，则根据损失值更新检测模型的参数，再基于多时相遥感训练数据集继续训练更新后的检测模型；
第三确定单元411，用于若损失值不大于预设损失值，则确定检测模型为已经训练完成的变化检测模型。
可选地，生成装置还包括：
第二判断单元412，用于将多时相遥感测试数据集输入变化检测模型，判断变化检测模型的目标精度是否大于预设精度；
第二获取单元403具体用于：
若目标精度大于预设精度，则将研究区域的多时相遥感数据输入变化检测模型，获取变化检测模型输出的研究区域的自然资源的变化区域及变化类型。
可选地，生成装置还包括：
预处理单元413，用于对训练区域的多时相遥感数据集进行预处理；
拆分单元407具体用于：
将预处理后的训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集。
可选地，生成装置还包括：
评定单元414，用于对变化检测模型输出的变化区域及变化类型进行精度评定，获取精度评定准确率；
第三判断单元415，用于判断精度评定准确率是否大于预设准确率；
第二确定单元404具体用于：
若精度评定准确率大于预设准确率，则根据变化类型在变化区域中确定异常变化区域。
可选地，生成单元405具体用于：
通过边缘提取对异常变化区域进行栅格矢量化，并以目标文件格式输出栅格矢量化后的异常变化区域；
根据栅格矢量化后的异常变化区域获取异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索。
可选地，生成单元405具体用于：
根据面积信息判断栅格矢量化后的异常变化区域的最小外接矩形尺寸是否小于预设尺寸；
若是，则剔除最小外接矩形尺寸小于预设尺寸的异常变化区域，并获取剔除后的异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索。
本实施例系统中，各单元所执行的功能与前述图2所示方法实施例中的步骤对应，具体此处不再赘述。
本申请还提供了一种公益诉讼线索的生成装置，请参阅图5，图5为本申请提供的一种公益诉讼线索的生成装置一个实施例，该生成装置包括：
处理器501、存储器502、输入输出单元503、总线504；
处理器501与存储器502、输入输出单元503以及总线504相连；
存储器502保存有程序，处理器501调用程序以执行如上任一一种公益诉讼线索的生成方法。
本申请还涉及一种计算机可读存储介质，计算机可读存储介质上保存有程序，当程序在计算机上运行时，使得计算机执行如上任意一种公益诉讼线索的生成方法。
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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、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，单元的划分，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，例如多个单元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，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元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或者该技术方案的全部或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)执行本申请各个实施例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、只读存储器(ROM，read-only memory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (4)
1.一种公益诉讼线索的生成方法，其特征在于，所述生成方法包括：
采集训练区域的多时相遥感数据集，所述训练区域的多时相遥感数据集由覆盖所述训练区域的自然资源的目标时间范围的遥感影像构成；
对训练区域的多时相遥感数据集进行预处理，预处理公式如下：其中，下标i表示第i个波段、/>为第i个波段的反射率、aij和bij是与晴朗条件下两个可见波段之间的线性关系相关常数，每个波段云的反射率应互相成比例，如ρcj＝kijρci,其中，ρcj是第j个波段中云的反射率，ρci是第i个波段中云的反射率；
将预处理后的训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集；
基于所述多时相遥感训练数据集训练检测模型，通过所述检测模型的损失函数计算损失值，损失函数为：其中，loss为损失值，Pi为图像中第i个像素的预测概率值，gi为图像中第i个像素的真实值，N为图像的像素总数；
判断所述损失值是否大于预设损失值；
若所述损失值大于预设损失值，则根据所述损失值更新所述检测模型的参数，再基于所述多时相遥感训练数据集继续训练更新后的检测模型；
若所述损失值不大于预设损失值，则确定所述检测模型为已经训练完成的变化检测模型；
获取变化检测模型，所述变化检测模型基于U-Net++神经网络搭建，所述变化检测模型用于实现多时相遥感影像中自然资源的变化检测；
确定研究区域，获取研究区域的多时相遥感数据，所述研究区域的多时相遥感数据由覆盖所述研究区域的自然资源的目标时间范围的遥感影像构成；
将多时相遥感测试数据集输入变化检测模型，通过算法精度分数的计算公式发起精度测试评估，获取变化检测模型的目标精度，并判断目标精度是否大于预设精度，算法精度分数的计算公式为：Precision＝(2*x*y)/(x+y)；
若否，基于多时相遥感训练数据集继续训练检测模型；
若是，将所述多时相遥感数据输入所述变化检测模型，获取所述变化检测模型输出的所述研究区域的自然资源的变化区域及其变化类型；
根据所述变化类型在所述变化区域中确定异常变化区域，包括：
其中，变化类型包括：1类变化类型为绿地变为裸地、2类变化类型为绿地变为建筑物、3类变化类型为绿地变为道路、4类变化类型为裸地变为建筑物、5类变化类型为裸地变为道路；
其中，变化类型中的1类变化类型、2类变化类型及3类变化类型为异常变化类型，当研究区域的变化区域的变化类型为1类变化类型、2类变化类型或3类变化类型时，则确定该变化区域为异常变化区域；
确定所述异常变化区域的位置信息及面积信息，生成公益诉讼线索，包括：
通过边缘提取多异常变化区域进行栅格矢量化，并以目标文件格式出书栅格矢量化后的异常变化区域；
根据栅格矢量化后的异常变化区域获取异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索，包括：
根据面积信息判断栅格矢量化后的异常变化区域的最小外接矩形尺寸是否小于预设尺寸；
若是，则终端剔除最小外接矩形尺寸小于预设尺寸的异常变化区域，并获取剔除后的异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索。
2.一种公益诉讼线索的生成装置，其特征在于，所述生成装置包括：
采集单元，用于采集训练区域的多时相遥感数据集，所述训练区域的多时相遥感数据集由覆盖所述训练区域的自然资源的在目标时间范围的遥感影像构成；
预处理单元，用于对所述训练区域的多时相遥感数据集进行预处理，预处理公式如下：
其中，下标i表示第i个波段、/>为第i个波段的反射率、aij和bij是与晴朗条件下两个可见波段之间的线性关系相关常数，每个波段云的反射率应互相成比例，如ρcj＝kijρci,其中，ρcj是第j个波段中云的反射率，ρci是第i个波段中云的反射率；
拆分单元，用于将预处理后训练区域的多时相遥感数据集拆分为多时相遥感训练数据集及多时相遥感测试数据集；
计算单元，用于基于所述多时相遥感训练数据集训练检测模型，通过所述检测模型的损失函数计算损失值，损失函数为：其中，loss为损失值，Pi为图像中第i个像素的预测概率值，gi为图像中第i个像素的真实值，N为图像的像素总数；
第一判断单元，用于判断所述损失值是否大于预设损失值；
更新单元，用于若所述损失值大于预设损失值，则根据所述损失值更新所述检测模型的参数，再基于所述多时相遥感训练数据集继续训练更新后的检测模型；
第三确定单元，用于若所述损失值不大于预设损失值，则确定所述检测模型为已经训练完成的变化检测模型；
第一获取单元，用于获取变化检测模型，所述变化检测模型基于U-Net++神经网络搭建，所述变化检测模型用于实现多时相遥感影像中自然资源的变化检测；
第一确定单元，用于确定研究区域，获取研究区域的多时相遥感数据，所述研究区域的多时相遥感数据由覆盖所述研究区域的自然资源的目标时间范围的遥感影像构成；
第二判断单元，用于将多时相遥感测试数据集输入变化检测模型，通过算法精度分数的计算公式发起精度测试评估，获取变化检测模型的目标精度，并判断目标精度是否大于预设精度，算法精度分数的计算公式为：Precision＝(2*x*y)/(x+y)；若所述目标精度不大于预设精度，基于多时相遥感训练数据集继续训练检测模型；
第二获取单元，用于若所述目标精度大于预设精度，则将所述研究区域的多时相遥感数据输入所述变化检测模型，获取所述变化检测模型输出的所述研究区域的自然资源的变化区域及变化类型；
第二确定单元，用于根据所述变化类型在所述变化区域中确定异常变化区域；
其中，变化类型包括：1类变化类型为绿地变为裸地、2类变化类型为绿地变为建筑物、3类变化类型为绿地变为道路、4类变化类型为裸地变为建筑物、5类变化类型为裸地变为道路；
其中，变化类型中的1类变化类型、2类变化类型及3类变化类型为异常变化类型，当研究区域的变化区域的变化类型为1类变化类型、2类变化类型或3类变化类型时，则确定该变化区域为异常变化区域；
生成单元，用于确定所述异常变化区域的位置信息及面积信息，生成公益诉讼线索；
所述生成单元具体用于：
通过边缘提取多异常变化区域进行栅格矢量化，并以目标文件格式出书栅格矢量化后的异常变化区域；
根据栅格矢量化后的异常变化区域获取异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索，包括：
根据面积信息判断栅格矢量化后的异常变化区域的最小外接矩形尺寸是否小于预设尺寸；
若是，则终端剔除最小外接矩形尺寸小于预设尺寸的异常变化区域，并获取剔除后的异常变化区域的边界信息、坐标信息及面积信息，生成公益诉讼线索。
3.一种公益诉讼线索的生成装置，其特征在于，所述生成装置包括：
处理器、存储器、输入输出单元以及总线；
所述处理器与所述存储器、所述输入输出单元以及所述总线相连；
所述存储器保存有程序，所述处理器调用所述程序以执行如权利要求1所述方法。
4.一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行时执行如权利要求1所述方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211387923.8A CN115861791B (zh) | 2022-11-07 | 2022-11-07 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
| PCT/CN2023/126886 WO2024099097A1 (zh) | 2022-11-07 | 2023-10-26 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
| LU507672A LU507672B1 (en) | 2022-11-07 | 2023-10-26 | Generation method and apparatus of public interest litigation clue and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211387923.8A CN115861791B (zh) | 2022-11-07 | 2022-11-07 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115861791A CN115861791A (zh) | 2023-03-28 |
| CN115861791B true CN115861791B (zh) | 2024-04-26 |
Family
ID=85662693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211387923.8A Active CN115861791B (zh) | 2022-11-07 | 2022-11-07 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN115861791B (zh) |
| LU (1) | LU507672B1 (zh) |
| WO (1) | WO2024099097A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861791B (zh) * | 2022-11-07 | 2024-04-26 | 中电科大数据研究院有限公司 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016436A (zh) * | 2020-08-28 | 2020-12-01 | 北京国遥新天地信息技术有限公司 | 一种基于深度学习的遥感影像变化检测方法 |
| CN112101168A (zh) * | 2020-09-08 | 2020-12-18 | 中电科大数据研究院有限公司 | 基于卫星与无人机联动的公益诉讼辅助取证系统及方法 |
| CN113011398A (zh) * | 2021-04-28 | 2021-06-22 | 北京邮电大学 | 一种针对多时相遥感图像的目标变化检测方法及装置 |
| CN113989681A (zh) * | 2021-12-29 | 2022-01-28 | 航天宏图信息技术股份有限公司 | 遥感影像变化检测方法、装置、电子设备及存储介质 |
| CN114005048A (zh) * | 2021-11-07 | 2022-02-01 | 福建师范大学 | 基于多时相数据的土地覆盖变化与热环境影响研究方法 |
| CN114155200A (zh) * | 2021-11-09 | 2022-03-08 | 二十一世纪空间技术应用股份有限公司 | 基于卷积神经网络的遥感影像变化检测方法 |
| CN114972191A (zh) * | 2022-04-25 | 2022-08-30 | 航天宏图信息技术股份有限公司 | 一种耕地变化检测方法和装置 |
| CN114972164A (zh) * | 2022-03-22 | 2022-08-30 | 浙江省测绘科学技术研究院 | 一种基于优化后Unet++神经网络深度学习的遥感地类变化检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240006034A (ko) * | 2021-04-30 | 2024-01-12 | 오하이오 스테이트 이노베이션 파운데이션 | 지표 밑 수소 축적을 식별하기 위한 시스템들 및 방법들 |
| CN115861791B (zh) * | 2022-11-07 | 2024-04-26 | 中电科大数据研究院有限公司 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
-
2022
- 2022-11-07 CN CN202211387923.8A patent/CN115861791B/zh active Active
-
2023
- 2023-10-26 WO PCT/CN2023/126886 patent/WO2024099097A1/zh unknown
- 2023-10-26 LU LU507672A patent/LU507672B1/en active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016436A (zh) * | 2020-08-28 | 2020-12-01 | 北京国遥新天地信息技术有限公司 | 一种基于深度学习的遥感影像变化检测方法 |
| CN112101168A (zh) * | 2020-09-08 | 2020-12-18 | 中电科大数据研究院有限公司 | 基于卫星与无人机联动的公益诉讼辅助取证系统及方法 |
| CN113011398A (zh) * | 2021-04-28 | 2021-06-22 | 北京邮电大学 | 一种针对多时相遥感图像的目标变化检测方法及装置 |
| CN114005048A (zh) * | 2021-11-07 | 2022-02-01 | 福建师范大学 | 基于多时相数据的土地覆盖变化与热环境影响研究方法 |
| CN114155200A (zh) * | 2021-11-09 | 2022-03-08 | 二十一世纪空间技术应用股份有限公司 | 基于卷积神经网络的遥感影像变化检测方法 |
| CN113989681A (zh) * | 2021-12-29 | 2022-01-28 | 航天宏图信息技术股份有限公司 | 遥感影像变化检测方法、装置、电子设备及存储介质 |
| CN114972164A (zh) * | 2022-03-22 | 2022-08-30 | 浙江省测绘科学技术研究院 | 一种基于优化后Unet++神经网络深度学习的遥感地类变化检测方法 |
| CN114972191A (zh) * | 2022-04-25 | 2022-08-30 | 航天宏图信息技术股份有限公司 | 一种耕地变化检测方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| AN ALGORITHM TO REMOVE THIN CLOUDS BUT TO PRESERVE GROUND FEATURES IN VISIBLE BANDS;Shuai Shan，Yong Wang;《IGARSS 2020-2020 IEEE International Geoscience and Remote Sensing Symposium》;第5321-5324页 * |
| 布奇·昆托（Butch Quinto）.《基于Spark的下一代机器学习 XGBoost、LightGBM、Spark NLP与Keras分布式深度学习实例》.北京：机械工业出版社,2021,第10-12页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| LU507672B1 (en) | 2024-09-05 |
| WO2024099097A1 (zh) | 2024-05-16 |
| CN115861791A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Neubert et al. | Evaluation of remote sensing image segmentation quality–further results and concepts | |
| CN109284706B (zh) | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 | |
| EP2396766A1 (en) | Fusion of a 2d electro-optical image and 3d point cloud data for scene interpretation and registration performance assessment | |
| JP2011501301A (ja) | 地理的情報の複数のソースを用いた地理空間モデリングシステム及び関連する方法 | |
| CN101650439A (zh) | 基于差异边缘和联合概率一致性的遥感图像变化检测方法 | |
| CN111882531B (zh) | 髋关节超声图像自动分析方法 | |
| CN112883900B (zh) | 遥感影像裸地反演可视图的方法及装置 | |
| CA2660125C (en) | Geospatial modeling system for separating foliage data from building data based upon noise filtering operations and related methods | |
| Chen et al. | A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs | |
| CN115861791B (zh) | 一种公益诉讼线索的生成方法、生成装置及存储介质 | |
| CN104299241A (zh) | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 | |
| Xia et al. | A Deep Learning Application for Building Damage Assessment Using Ultra-High-Resolution Remote Sensing Imagery in Turkey Earthquake | |
| Zhang et al. | A GPU-accelerated real-time single image de-hazing method using pixel-level optimal de-hazing criterion | |
| US7292941B1 (en) | Geospatial modeling system for separating foliage data from building data based upon loose and strict tolerance noise filtering operations and related methods | |
| US20080040349A1 (en) | Geospatial Modeling System for Performing Filtering Operations Based Upon a Sum of Differences of a Given and Neighboring Location Points and Related Methods | |
| CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
| CN117115671A (zh) | 基于遥感的土壤质量分析方法、装置及电子设备 | |
| Fu et al. | Research on image translation between SAR and optical imagery | |
| CN112116561B (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 | |
| CN115601729A (zh) | 一种车辆型号识别方法、装置、设备及存储介质 | |
| Mahphood et al. | Virtual first and last pulse method for building detection from dense LiDAR point clouds | |
| CN114973910B (zh) | 地图生成方法、装置、电子设备和计算机可读介质 | |
| Cao et al. | FOD detection using a multi-channel information fusion method | |
| CN117152621B (zh) | 建筑物变化检测方法、装置、电子设备及存储介质 | |
| CN118097475B (zh) | 一种低慢小目标检测方法、电子设备及计算机程序产品 |
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 |