CN116091933A - 基于遥感技术的水域地形的地质分析方法及装置 - Google Patents
基于遥感技术的水域地形的地质分析方法及装置 Download PDFInfo
- Publication number
- CN116091933A CN116091933A CN202310097046.9A CN202310097046A CN116091933A CN 116091933 A CN116091933 A CN 116091933A CN 202310097046 A CN202310097046 A CN 202310097046A CN 116091933 A CN116091933 A CN 116091933A
- Authority
- CN
- China
- Prior art keywords
- water area
- target
- area image
- image
- rate
- 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
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感技术的水域地形的地质分析方法及装置,该方法包括:采集基于遥感探测终端探测到的多张水域图像组成的水域图像集,水域图像集用于水域分析模型的训练集制作;当判断到多张水域图像当中存在水域区域侵占率高于侵占率阈值的目标水域图像时,从多张水域图像中提取目标水域图像;按预设规则对目标水域图像的水域区域的侵占率进行减率处理,以使目标水域图像的水域区域的侵占率不高于侵占率阈值;将减率处理后的水域图像集输入至预设的神经网络进行训练以得到水域分析模型,以通过水域分析模型对水域地形的地质进行分析。本发明解决了现有技术中在进行水域地形的地质分析时准确性低的问题。
Description
技术领域
本发明涉及地质测绘技术领域,特别涉及一种基于遥感技术的水域地形的地质分析方法及装置。
背景技术
随着遥感技术的发展,光学、热红外和微波等大量传感器在地质分析中得到广泛运用,具体的,通过获取在同一地区的遥感影像数据进行计算处理从而得到该地区的实景图像,并通过实景图像进行分析得到对应的该地区的地质数据。
目前,通过实景图像进行分析的方法主要包括人工分析和计算机智能分析两种方式,具体的,人工分析主要是相关地质专业人员通过目视实景图像,从而得到对应的地质数据,而计算机智能分析的方式主要通过特定训练的地质分析模型,将获取到的实景图像输入至对应的地质分析模型当中,以得到对应的地质数据,由于模型分析的方式高效和精确的优势,因此采用分析模型的方式被广泛的应用于地质数据的分析当中。
然而,现有技术中,地质分析模型共用一个模型进行分析,即采用同一个模型分析识别不同地形例如平原、山谷以及丘陵等地质数据,而为了提升精度,现如今多采用一对一的模型进行分析,例如,采用特定训练的水域分析模型分析水域地形的地质,其中,水域地形为当前区域的水域占比相对较高的地形,在水域分析模型训练时,会存在采集到的实景图像中的水域区域占比过高的情况,而导致实景图像中其他地质特征较少,从而导致模型对其他特征的识别能力较差,最终导致地质分析精确度低的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于遥感技术的水域地形的地质分析方法及装置,旨在解决现有技术中水域地形的地质分析不够准确的问题。
本发明是这样实现的:
一种基于遥感技术的水域地形的地质分析方法,所述方法包括:
采集基于遥感探测终端探测到的多张水域图像组成的水域图像集,所述水域图像集用于水域分析模型的训练集制作;
判断所述多张水域图像当中是否存在水域区域侵占率高于侵占率阈值的目标水域图像;
当判断到所述多张水域图像当中存在水域区域侵占率高于侵占率阈值的目标水域图像时,从所述多张水域图像中提取所述目标水域图像;
按预设规则对所述目标水域图像的水域区域的侵占率进行减率处理,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值;
将减率处理后的所述水域图像集输入至预设的神经网络进行训练以得到所述水域分析模型,以通过所述水域分析模型对水域地形的地质进行分析。
进一步的,上述基于遥感技术的水域地形的地质分析方法,其中,所述按预设规则对所述目标水域图像的水域区域的侵占率进行减率处理,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值的步骤包括:
按预设规则将所述目标水域图像划分成预设等分的多个子区域,从所述多个子区域中提取未包含水域的目标子区域;
随机对所述目标水域图像中的均为水域的其他子区域进行去除,并将所述目标子区域对去除后的所述其他子区域进行填充以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
进一步的,上述基于遥感技术的水域地形的地质分析方法,其中,所述按预设规则对所述目标水域图像的水域区域的侵占率进行减率处理,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值的步骤还包括:
依次对所述目标水域图像进行灰度化和二值化处理,得到所述目标水域图像的二值化图像;
对所述二值化图像进行处理确定所述非水域区域补给量,根据所述非水域区域补给量对所述非水域区域进行补给,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
进一步的,上述基于遥感技术的水域地形的地质分析方法,其中,对所述二值化图像进行处理确定所述非水域区域补给量,根据所述非水域区域补给量对所述非水域区域进行补给,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值的步骤包括:
从所述非水域区域中确定用于补给的目标非水域区域,并确定所述目标非水域区域的外轮廓;
根据所述非水域区域补给量以及所述目标非水域区域的外轮廓确定所述目标非水域区域的外延量,通过所述外延量对所述目标非水域区域进行向外延伸,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
进一步的,上述基于遥感技术的水域地形的地质分析方法,其中,所述按预设规则将所述目标水域图像划分成预设等分的多个子区域,从所述多个子区域中提取未包含水域的目标子区域的步骤包括:
以所述目标水域图像中的任一顶点为坐标原点,将所述目标水域图像映射至预设的坐标系当中;
按横纵分割的方式分别对所述目标水域图像进行划分以将所述目标水域图像划分成多个子区域。
进一步的,上述基于遥感技术的水域地形的地质分析方法,其中,所述按横纵分割的方式分别对所述目标水域图像进行划分以将所述目标水域图像划分成多个子区域的步骤之后还包括:
确定所述目标子区域的中心点,并以为辐射半径,以确定所述目标子区域的各自的填充区域;
随机对所述目标子区域的各自的填充区域中的均为水域的其他子区域进行去除,后将所述目标子区域对去除后的所述其他子区域进行填充以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
进一步的,上述基于遥感技术的水域地形的地质分析方法,其中,所述方法还包括:
对所述水域图像依次进行灰度以及二值化处理,获取所述灰度以及二值化处理后的水域图像的黑白像素比值以确定所述水域图像中的水域区域的侵占率。
本发明另一方面提供一种基于遥感技术的水域地形的地质分析装置,所述装置包括:
采集模块,用于采集基于遥感探测终端探测到的多张水域图像组成的水域图像集,所述水域图像集用于水域分析模型的训练集制作;
判断模块,用于判断所述多张水域图像当中是否存在水域区域侵占率高于侵占率阈值的目标水域图像;
提取模块,用于当判断到所述多张水域图像当中存在水域区域侵占率高于侵占率阈值的目标水域图像时,从所述多张水域图像中提取所述目标水域图像;
减率模块,用于按预设规则对所述目标水域图像的水域区域的侵占率进行减率处理,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值;
分析模块,用于将减率处理后的所述水域图像集输入至预设的神经网络进行训练以得到所述水域分析模型,以通过所述水域分析模型对水域地形的地质进行分析。
本发明的另一个目的是提供一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的方法的步骤。
本发明的另一个目的是提供一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法的步骤。
本发明通过采集基于遥感探测终端探测到的多张水域图像组成的水域图像集,并对水域图像的水域区域侵占率进行调整,以保证水域特征与其他特征相当,从而保证了数据集的质量,进而提升了模型训练的精度,解决了现有技术中由于模型训练精度不佳而导致地质分析不够准确的问题。
附图说明
图1为本发明第一实施例提供的基于遥感技术的水域地形的地质分析方法的流程图;
图2为本发明一实施例提供的基于遥感技术的水域地形的地质分析方法中的第一种的子区域的划分示意图;
图3为本发明一实施例提供的基于遥感技术的水域地形的地质分析方法中的第二种的子区域的划分示意图
图4为本发明一实施例提供的基于遥感技术的水域地形的地质分析方法中的第三种的子区域的划分示意图;
图5为本发明一实施例提供的基于遥感技术的水域地形的地质分析方法中的目标子区域的外延示意图;
图6为本发明第四实施例提供的基于遥感技术的水域地形的地质分析装置的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
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。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列类型的任意的和所有的组合。
以下将结合具体实施例和附图来详细说明如何提升水域地形的地质分析的准确性。
实施例一
请参阅图1,所示为本发明第一实施例中的基于遥感技术的水域地形的地质分析方法,所述方法包括步骤S10~S14。
步骤S10,采集基于遥感探测终端探测到的多张水域图像组成的水域图像集,所述水域图像集用于水域分析模型的训练集制作。
其中,遥感探测终端主要用于进行水域图像采集区域的遥感数据的探测,从而根据探测到的该区域的遥感数据进行成像,得到包含该区域实景图像的水域图像,具体的,遥感探测终端包括但不限于探测卫星以及带有遥感探测功能的无人机,在本实施例当中,主要针对多个水域地形进行探测,得到多张不同水域地形的水域图像组成的适用于模型训练的水域图像集,从而可以制作水域分析模型的训练集,更具体的,在实际当中,为了便于地质分析的归类以及提升地质分析的精度,会对不同地形中的地质通过分别训练好的不同的模型进行分析,例如,将富含水域的地形的地质通过预训练的水域分析模型进行分析,具体的,把采集到的图像中水域区域占比高于设定比例的地区归类为水域地形,例如50%,即当图像中水域区域高于50%时,通过水域分析模型对该图像中的地质数据进行分析,在具体实施时,设定比例可以根据实际情况进行设置,例如50%、55%以及60%等,这里不予限定。
步骤S11,判断所述多张水域图像当中是否存在水域区域侵占率高于侵占率阈值的目标水域图像。
其中,水域侵占率为探测的水域地形成像后的水域图像中水域区域的面积占水域图像的面积的百分比,在实际当中,水域地形会存在当前水域区域的所占比例较多的情况,即水域区域侵占率高于侵占率阈值,其中,侵占率阈值可以根据实际情况进行设定,而设定侵占率阈值的目的在于找出水域图像中水域区域较多的目标水域图像,从而可以对目标水域图像中的水域区域进行缩减,保证目标水域图像中的水域特征与其他区域的地质特征相当,在具体实施时,水域侵占率阈值可以设置为55%、60%以及65%等,例如,大型的湖泊或者海域,该地形中主要是水域以及处于水域中的部分裸露的其他地质,例如海域中的些许海岛,而在实际进行探测时,一般是探测较大的范围,其中,便会出现形成的水域图像中的水域较广,本发明实施例主要对该类型的地形的地质进行分析,由于在进行水域地形的地质分析时,主要是分析水域图像中除水域区域的其他区域的地质,而此种水域图像用于模型训练时,由于包含的其他区域的特征较少,会导致训练的模型识别该区域的能力较差,进而会影响模型分析效果,因此,需要对该地形探测到的目标水域图像进行相应的处理,从而保证模型的训练效果,需要说明的是,在本发明实施例当中,首先根据探测到的图像中的水域占比确定当前探测的区域是否为水域地形,后根据水域图像中的水域侵占率确定是否需要对该图像进行对应的水域区域的缩减(其他区域的增加)处理得到质量较高的水域地形的地质分析模型训练集,从而保证训练水域地形的地质分析模型的训练效果。
进一步的,在本发明一些可选的实施例当中,所述方法还包括:
对所述水域图像依次进行灰度以及二值化处理,获取所述灰度以及二值化处理后的水域图像的黑白像素比值以确定所述水域图像中的水域区域的侵占率。
具体的,通过对水域图像依次进行灰度化和二值化处理的方式来确定水域图像中相关面积的占比,其中,二值化处理后的水域图像,可以使水域区域展现白色,其他区域显示黑色,并根据黑白像素比值从而确定出相关面积的占比,在本实施例具体实施时,可以通过Matlab工具进行二值化图像处理以及二值化图像中的面积的计算,另外,在本发明一些可选的实施例当中,还可以通过连通域求面积的方式获取非水域区域的其他地质区域的面积来确定水域图像中水域区域的面积占比,从而确定水域区域的侵占率。
步骤S12,当判断到所述多张水域图像当中存在水域区域侵占率高于侵占率阈值的目标水域图像时,从所述多张水域图像中提取所述目标水域图像。
具体的,由于在面对水域地形时,主要是对水域地形的其他区域的地质进行数据分析,因此,应尽可能的保证水域地形中的其他特征的特征量,由此,在进行模型训练时,为了保证模型训练的效果以及训练出来的模型识别特征的能力,在制作模型训练的数据集时,应尽可能的保证一张水域图像中的水域特征与其他的地质特征相当,或者,应尽可能的避免水域图像中的水域特征过多,其中,当用于训练集制作的水域图像中的水域区域侵占率较高时,从水域图像集中提取出该目标水域图像,以对目标水域图像做相应的处理,以提升水域分析模型训练集的质量。
步骤S13,按预设规则对所述目标水域图像的水域区域的侵占率进行减率处理,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
具体的,通过对目标水域图像的水域区域的侵占率进行减率处理,从而保证目标水域图像的水域区域的侵占率不高于侵占率阈值,由于当水域区域的侵占率高于侵占率阈值时,会存在水域图像中的其他特征较少的情况,因此,为了保证水域图像中的其他特征的特征量,只需要保证水域区域的侵占率不高于侵占率阈值。
此外,在本发明一些可选的实施例当中,还可以设定一个合理的范围以对侵占率的减率处理的减率量进行限定,即保证目标水域图像的水域区域的侵占率处于一个合理的范围,例如,保证目标水域图像中的水域区域面积处于50%~55%,即保证一张目标水域图像中的水域特征与其他特征相当。
步骤S14,将减率处理后的所述水域图像集输入至预设的神经网络进行训练以得到所述水域分析模型,以通过所述水域分析模型对水域地形的地质进行识别。
其中,通过特征均衡调整后的水域图像集输入至预设的神经网络进行训练以得到的水域分析模型,相对未经过处理的水域图像集训练得到的水域分析模型更加精确,具体的,预设神经网络的选取以及对应的训练过程为本领域技术人员可知,这里不予赘述,示例性的,基于卷积神经网络构建深度学习平台进行模型训练,其中,神经网络模型包括但不限于CNN、UNet以及ResNet等,在本发明一些可选的实施例当中,还可以根据模型训练的需求对训练集的图像的尺寸进行调整,例如将训练集的图像的尺寸至统一的预设大小。
综上,本发明上述实施例中的基于遥感技术的水域地形的地质分析方法,通过采集基于遥感探测终端探测到的多张水域图像组成的水域图像集,并对水域图像的水域区域侵占率进行调整,以保证水域特征与其他特征相当,从而保证了数据集的质量,进而提升了模型训练的精度,解决了现有技术中由于模型训练精度不佳而导致地质分析不够准确的问题。
实施例二
本发明实施例二也提出一种基于遥感技术的水域地形的地质分析方法,本实施例当中的基于遥感技术的水域地形的地质分析方法与实施例一当中的基于遥感技术的水域地形的地质分析方法不同之处在于:
步骤S13包括:
按预设规则将所述目标水域图像划分成预设等分的多个子区域,从所述多个子区域中提取未包含水域的目标子区域;
随机对所述目标水域图像中的均为水域的其他子区域进行去除,并将所述目标子区域对去除后的所述其他子区域进行填充以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
具体的,通过将目标水域图像划分成预设等分的多个子区域,从而可以通过填充的方式,将不包含水域的部分区域填充至均包含水域的部分区域,从而可以使的水域区域的侵占率不高于侵占率阈值,并且处于合理的范围,在具体实施时,还可以根据划分的预设等分的值以及当前的水域区域的侵占率确定需要进行填充的目标子区域的数量,具体的,通过获取水域区域的侵占率,确定对应的需要减少的侵占率,而侵占率通过面积进行体现,从而可以确定需要填充的面积,再根据单个子区域的面积确定需要进行填充的子区域的数量,从而可以保证对均包含水域的部分区域进行准确填充,在具体实施时,为了提升填充的准确性以及便于填充,可以尽可能的将目标水域图像划分成尽可能的多个子区域。
其中,在本发明一些可选的实施例当中,所述按预设规则将所述目标水域图像划分成预设等分的多个子区域的步骤包括:
以所述目标水域图像中的任一顶点为坐标原点,将所述目标水域图像映射至预设的坐标系当中;
按横纵分割的方式分别对所述目标水域图像进行划分以将所述目标水域图像划分成多个子区域。
具体的,先将目标水域图像映射至预设的坐标系当中,通过对目标水域图像进行横纵分割,以将目标水域图像划分成预设等分的多个子区域,从而可以准确的知道每个子区域的位置信息,以能根据子区域的位置信息进行准确填充,分割后,如图2所示,会出现全是水域的子区域、部分水域部分非水域的子区域以及全是非水域的区域A,因此,可以通过未包含水域的目标子区域对全是水域的子区域S1、S2以及S3等进行替换,从而保证一张目标水域图像中的水域特征与其他特征相当。
进一步的,在本发明一些可选的实施例当中,为了进一步的提升模型训练的数据集的特征的真实性,以及去除其他地质特征的形状因素带来的影响,在本发明一些较佳的实施例当中,如图3所示,在进行随机对分割后的其他子区域填充时,确定不包含水域区域的连通区域A的外轮廓,并以此确定包含该外轮廓的基准矩形D,从而可以根据基准矩形D与等分后的子区域的比例值对不包含水域区域的连通区域进行比例缩放,后确定该外轮廓的轮廓点a、b、c、d以及e,并将该轮廓点填充至需要进行填充的子区域的任一顶点,以作为填充基准,后根据该填充基准将比例缩放后的不含水域区域的连通区域填充至其他子区域,其中,在进行外轮廓点作为填充点的选取时,可以随机选取其中一个外轮廓点作为与需要进行填充的子区域的任一顶点的基准,或者对外轮廓点进行编号,按编号顺序分别为不同的子区域的顶点进行填充。
另外,在本发明一些可选的实施例当中,所述按横纵分割的方式分别对所述目标水域图像进行划分以将所述目标水域图像划分成多个子区域的步骤之后还包括:
确定所述目标子区域的中心点,并以预设辐射半径,以确定所述目标子区域的各自的填充区域;
随机对所述目标子区域的各自的填充区域中的均为水域的其他子区域进行去除,后将所述目标子区域对去除后的所述其他子区域进行填充以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
具体的,确定目标子区域的中心点,并以目标子区域确定各自的填充区域,从而将目标子区域填充至各自的填充区域,从而保证填充的地质特征的尽可能的与填充区域本身的特征不会产生太大偏差,以及特征获取的广泛性,其中,预设辐射半径可以根据人为进行设定,或者根据目标水域区域的面积进行设定,例如,在水域区域面积较大时,辐射半径较小,由于填充的区域较少,因此,设定较小辐射半径,保证特征集中,更具体的,如图4所示,该目标图像中包含两个未包含水域的区域B和C,并确定区域B和C的各自的填充区域B’和C’,在各自的填充区域B’和C’当中分别填充目区域Q1和Q2。
另外,在本发明一些可选的实施例当中,可以根据经验或者历史数据确定在不同的需要填充面积下对应的其他地质区域的标准辐射半径,而在具体实施时,可以通过获取未包含水域区域的面积以及对应的水域区域的占比确定需要在该填充区域进行填充的面积,并且根据该面积与此前的标准填充面积的比值,对预设的辐射半径进行缩小或者加倍处理,从而可以准确的确定未包含水域的区域的各自填充区域,从而可以准确的对目标水域图像中的区域进行填充。
综上,本发明上述实施例中的基于遥感技术的水域地形的地质分析方法,通过采集基于遥感探测终端探测到的多张水域图像组成的水域图像集,并对水域图像的水域区域侵占率进行调整,以保证水域特征与其他特征相当,从而保证了数据集的质量,进而提升了模型训练的精度,解决了现有技术中由于模型训练精度不佳而导致地质分析不够准确的问题。
实施例三
本发明实施例三也提出一种基于遥感技术的水域地形的地质分析方法,本实施例当中的基于遥感技术的水域地形的地质分析方法与实施例一当中的基于遥感技术的水域地形的地质分析方法不同之处在于:
步骤S13还包括:
依次对所述目标水域图像进行灰度化和二值化处理,得到所述目标水域图像的二值化图像;
对所述二值化图像进行处理确定所述非水域区域补给量,根据所述非水域区域补给量对所述非水域区域进行补给,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
其中,根据二值化图像可以确定非水域区域补给量,从而可以根据非水域区域补给量对所述非水域区域进行补给。
另外,在本发明一些可选的实施例当中,对所述二值化图像进行处理确定所述非水域区域补给量,根据所述非水域区域补给量对所述非水域区域进行补给,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值的步骤包括:
从所述非水域区域中确定用于补给的目标非水域区域,并确定所述目标非水域区域的外轮廓;
根据所述非水域区域补给量以及所述目标非水域区域的外轮廓确定所述目标非水域区域的外延量,通过所述外延量对所述目标非水域区域进行向外延伸,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
具体的,如图5所示,可以通过事先确定的非水域区域补给量以及目标非水域区域的外轮廓A,从而可以确定目标非水域区域的外延量A’,并在原始的目标水域图像上进行外延,保证目标水域图像的水域区域的侵占率处于合理的范围,从而使得目标水域图像中的水域区域与其他区域的特征相当,这样做的有益效果为,保证其他地质特征较为集中。
所述对所述二值化图像进行处理以确定非水域区域补给量,根据所述非水域区域补给量确定所述非水域区域的补给区域,在所述目标水域图像中进行所述补给区域的填充,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值的步骤还包括:
从所述非水域区域中确定用于补给的目标非水域区域,并确定所述目标非水域区域的补给量;
将所述目标非水域区域分别向所述目标非水域区域的非封闭边界进行延伸补给,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
综上,本发明上述实施例中的基于遥感技术的水域地形的地质分析方法,通过采集基于遥感探测终端探测到的多张水域图像组成的水域图像集,并对水域图像的水域区域侵占率进行调整,以保证水域特征与其他特征相当,从而保证了数据集的质量,进而提升了模型训练的精度,解决了现有技术中由于模型训练精度不佳而导致地质分析不够准确的问题。
实施例四
请参阅图6,所示为本发明第四实施例中提出的基于遥感技术的水域地形的地质分析装置,所述装置包括:
采集模块100,用于采集基于遥感探测终端探测到的多张水域图像组成的水域图像集,所述水域图像集用于水域分析模型的训练集制作;
判断模块200,用于判断所述多张水域图像当中是否存在水域区域侵占率高于侵占率阈值的目标水域图像;
提取模块300,用于当判断到所述多张水域图像当中存在水域区域侵占率高于侵占率阈值的目标水域图像时,从所述多张水域图像中提取所述目标水域图像;
减率模块400,用于按预设规则对所述目标水域图像的水域区域的侵占率进行减率处理,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值;
分析模块500,用于将减率处理后的所述水域图像集输入至预设的神经网络进行训练以得到所述水域分析模型,以通过所述水域分析模型对水域地形的地质进行分析。
进一步的,上述基于遥感技术的水域地形的地质分析装置,其中,所述减率模块包括:
划分单元,用于按预设规则将所述目标水域图像划分成预设等分的多个子区域,从所述多个子区域中提取未包含水域的目标子区域;
填充单元,用于随机对所述目标水域图像中的均为水域的其他子区域进行去除,并将所述目标子区域对去除后的所述其他子区域进行填充以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
进一步的,上述基于遥感技术的水域地形的地质分析系统,其中,所述减率模块还包括:
灰度化单元,用于依次对所述目标水域图像进行灰度化和二值化处理,得到所述目标水域图像的二值化图像;
补给单元,用于对所述二值化图像进行处理确定所述非水域区域补给量,根据所述非水域区域补给量对所述非水域区域进行补给,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
进一步的,上述基于遥感技术的水域地形的地质分析装置,其中,所述补给单元具体用于:
从所述非水域区域中确定用于补给的目标非水域区域,并确定所述目标非水域区域的外轮廓;
根据所述非水域区域补给量以及所述目标非水域区域的外轮廓确定所述目标非水域区域的外延量,通过所述外延量对所述目标非水域区域进行向外延伸,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
进一步的,上述基于遥感技术的水域地形的地质分析装置,其中,所述划分单元包括:
映射子单元,用于以所述目标水域图像中的任一顶点为坐标原点,将所述目标水域图像映射至预设的坐标系当中;
分割子单元,用于按横纵分割的方式分别对所述目标水域图像进行划分以将所述目标水域图像划分成多个子区域。
进一步的,上述基于遥感技术的水域地形的地质分析装置,其中,所述装置还包括:
中心点确定单元,用于确定所述目标子区域的中心点,并以预设辐射半径,以确定所述目标子区域的各自的填充区域;
去除单元,用于随机对所述目标子区域的各自的填充区域中的均为水域的其他子区域进行去除,后将所述目标子区域对去除后的所述其他子区域进行填充以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
进一步的,上述基于遥感技术的水域地形的地质分析装置,其中,所述装置还包括:
侵占率确定单元,用于对所述水域图像依次进行灰度以及二值化处理,获取所述灰度以及二值化处理后的水域图像的黑白像素比值以确定所述水域图像中的水域区域的侵占率。
上述各模块被执行时所实现的功能或操作步骤与上述方法实施例大体相同,在此不再赘述。
实施例五
本发明另一方面还提供一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述实施例一至三中任意一个所述的方法的步骤。
实施例六
本发明另一方面还提供一种电子设备,所述电子设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例一至三中任意一个所述的方法的步骤。
以上各个实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于遥感技术的水域地形的地质分析方法,其特征在于,所述方法包括:
采集基于遥感探测终端探测到的多张水域图像组成的水域图像集,所述水域图像集用于水域分析模型的训练集制作;
判断所述多张水域图像当中是否存在水域区域侵占率高于侵占率阈值的目标水域图像;
当判断到所述多张水域图像当中存在水域区域侵占率高于侵占率阈值的目标水域图像时,从所述多张水域图像中提取所述目标水域图像;
按预设规则对所述目标水域图像的水域区域的侵占率进行减率处理,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值;
将减率处理后的所述水域图像集输入至预设的神经网络进行训练以得到所述水域分析模型,以通过所述水域分析模型对水域地形的地质进行分析。
2.根据权利要求1所述的基于遥感技术的水域地形的地质分析方法,其特征在于,所述按预设规则对所述目标水域图像的水域区域的侵占率进行减率处理,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值的步骤包括:
按预设规则将所述目标水域图像划分成预设等分的多个子区域,从所述多个子区域中提取未包含水域的目标子区域;
随机对所述目标水域图像中的均为水域的其他子区域进行去除,并将所述目标子区域对去除后的所述其他子区域进行填充以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
3.根据权利要求1所述的基于遥感技术的水域地形的地质分析方法,其特征在于,所述按预设规则对所述目标水域图像的水域区域的侵占率进行减率处理,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值的步骤还包括:
依次对所述目标水域图像进行灰度化和二值化处理,得到所述目标水域图像的二值化图像;
对所述二值化图像进行处理确定所述非水域区域补给量,根据所述非水域区域补给量对所述非水域区域进行补给,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
4.根据权利要求3所述的基于遥感技术的水域地形的地质分析方法,其特征在于,对所述二值化图像进行处理确定所述非水域区域补给量,根据所述非水域区域补给量对所述非水域区域进行补给,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值的步骤包括:
从所述非水域区域中确定用于补给的目标非水域区域,并确定所述目标非水域区域的外轮廓;
根据所述非水域区域补给量以及所述目标非水域区域的外轮廓确定所述目标非水域区域的外延量,通过所述外延量对所述目标非水域区域进行向外延伸,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
5.根据权利要求2所述的基于遥感技术的水域地形的地质分析方法,其特征在于,所述按预设规则将所述目标水域图像划分成预设等分的多个子区域,从所述多个子区域中提取未包含水域的目标子区域的步骤包括:
以所述目标水域图像中的任一顶点为坐标原点,将所述目标水域图像映射至预设的坐标系当中;
按横纵分割的方式分别对所述目标水域图像进行划分以将所述目标水域图像划分成多个子区域。
6.根据权利要求5所述的基于遥感技术的水域地形的地质分析方法,其特征在于,所述按横纵分割的方式分别对所述目标水域图像进行划分以将所述目标水域图像划分成多个子区域的步骤之后还包括:
确定所述目标子区域的中心点,并以预设辐射半径,以确定所述目标子区域的各自的填充区域;
随机对所述目标子区域的各自的填充区域中的均为水域的其他子区域进行去除,后将所述目标子区域对去除后的所述其他子区域进行填充以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值。
7.根据权利要求1至6中任一项所述的基于遥感技术的水域地形的地质分析方法,其特征在于,所述方法还包括:
对所述水域图像依次进行灰度以及二值化处理,获取所述灰度以及二值化处理后的水域图像的黑白像素比值以确定所述水域图像中的水域区域的侵占率。
8.一种基于遥感技术的水域地形的地质分析装置,其特征在于,所述装置包括:
采集模块,用于采集基于遥感探测终端探测到的多张水域图像组成的水域图像集,所述水域图像集用于水域分析模型的训练集制作;
判断模块,用于判断所述多张水域图像当中是否存在水域区域侵占率高于侵占率阈值的目标水域图像;
提取模块,用于当判断到所述多张水域图像当中存在水域区域侵占率高于侵占率阈值的目标水域图像时,从所述多张水域图像中提取所述目标水域图像;
减率模块,用于按预设规则对所述目标水域图像的水域区域的侵占率进行减率处理,以使所述目标水域图像的水域区域的侵占率不高于所述侵占率阈值;
分析模块,用于将减率处理后的所述水域图像集输入至预设的神经网络进行训练以得到所述水域分析模型,以通过所述水域分析模型对水域地形的地质进行分析。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任意一项所述的方法的步骤。
10.一种电子设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310097046.9A CN116091933A (zh) | 2023-02-10 | 2023-02-10 | 基于遥感技术的水域地形的地质分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310097046.9A CN116091933A (zh) | 2023-02-10 | 2023-02-10 | 基于遥感技术的水域地形的地质分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091933A true CN116091933A (zh) | 2023-05-09 |
Family
ID=86208140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310097046.9A Pending CN116091933A (zh) | 2023-02-10 | 2023-02-10 | 基于遥感技术的水域地形的地质分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932133A (zh) * | 2024-03-22 | 2024-04-26 | 中国电建集团西北勘测设计研究院有限公司 | 数据采集方法、装置、介质及设备 |
-
2023
- 2023-02-10 CN CN202310097046.9A patent/CN116091933A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932133A (zh) * | 2024-03-22 | 2024-04-26 | 中国电建集团西北勘测设计研究院有限公司 | 数据采集方法、装置、介质及设备 |
CN117932133B (zh) * | 2024-03-22 | 2024-08-23 | 中国电建集团西北勘测设计研究院有限公司 | 数据采集方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309824B (zh) | 文字检测方法、装置以及终端 | |
CN101334836B (zh) | 一种融合色彩、尺寸和纹理特征的车牌定位方法 | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
Zhou et al. | On detecting road regions in a single UAV image | |
CN110287884B (zh) | 一种辅助驾驶中压线检测方法 | |
CN109214334B (zh) | 车道线处理方法和装置 | |
CN107665327B (zh) | 一种车道线检测方法及装置 | |
CN104517110A (zh) | 一种二维码图像的二值化方法及系统 | |
CN109977944B (zh) | 一种数字水表读数的识别方法 | |
CN112330593A (zh) | 基于深度学习网络的建筑物表面裂缝检测方法 | |
CN111598889B (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
CN112597846B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN109389122B (zh) | 一种车牌定位方法及装置 | |
CN113628180B (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN114332513A (zh) | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN116091933A (zh) | 基于遥感技术的水域地形的地质分析方法及装置 | |
CN106709952A (zh) | 一种显示屏幕的自动标定方法 | |
CN111008956B (zh) | 基于图像处理的梁底裂纹检测方法、系统、装置及介质 | |
CN113239733A (zh) | 一种多车道车道线检测方法 | |
CN108509826A (zh) | 一种遥感影像的道路识别方法及其系统 | |
CN108268868B (zh) | 身份证图像的倾斜值获取方法及装置、终端、存储介质 | |
CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 |
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 |