CN116129191B - 基于遥感ai的多目标智能识别与精细分类方法 - Google Patents
基于遥感ai的多目标智能识别与精细分类方法 Download PDFInfo
- Publication number
- CN116129191B CN116129191B CN202310157624.3A CN202310157624A CN116129191B CN 116129191 B CN116129191 B CN 116129191B CN 202310157624 A CN202310157624 A CN 202310157624A CN 116129191 B CN116129191 B CN 116129191B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- feature vector
- sensing image
- image
- learning
- 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 30
- 239000013598 vector Substances 0.000 claims abstract description 73
- 230000008859 change Effects 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 238000012706 support-vector machine Methods 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012937 correction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000007704 transition Effects 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V20/176—Urban or other man-made structures
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于遥感图像处理技术领域,公开了基于遥感AI的多目标智能识别与精细分类方法:对遥感影像进行预处理后,用ITTI显著性模型去除噪声点,划分出目标和背景;使用SIFT算法提取特征点,通过支持向量机和卷积神经网络完成目标检测和类型识别,生成目标类型识别图;通过RCVA改进变化矢量分析法和GLCM灰度共生矩阵方法获取遥感影像间的光谱和纹理变化,生成变化强度图;从变化强度图中选取变化和未变化区域样本;训练包含标签层的高斯‑伯努利深度玻尔兹曼机模型,对遥感影像中的像素进行变化和未变化划分,生成变化检测图;使用变化检测图与目标类型识别图求交,得到变化检测结果。本发明解决了因配准误差与特征提取造成的变化检测精度低的问题。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及基于遥感AI的多目标智能识别与精细分类方法。
背景技术
随着科学技术的发展,人类开发资源与改造自然的能力不断增强,自然界的变化和人类的各种活动,每天都在改变着地表景观及土地利用形式。遥感变化检测是是目前遥感研究领域的热点之一,在灾害监测、城市变迁、国土规划等领域起着重要的作用。变化检测是从不同时间获取的同一地理区域的多时相遥感影像中分析并确定变化区域,以提取地物变化信息。变化检测的目的是提取对比图像明显变化区域并生成变化图像。
近年来卫星遥感影像分辨率不断提高,已有的高分影像变化检测研究方法中,影像配准与特征提取的好坏是影响变化检测结果的关键因素。绝大多数像素级、特征级、对象级对比检测模型和方法都对图像间的配准精度具有较高要求。但因为不同高分卫星传感器之间的差异以及多时相遥感影像成像条件不同等问题,即使在精配准后,影像间配准误差也难以消除,这直接导致在不同高分卫星影像间使用传统影像变化检测方法时,影像对比区域不一致,产生许多伪变化区域。
因此,提供基于遥感AI的多目标智能识别与精细分类方法,以提升高分辨率遥感影像的变化检测精度,是亟待解决的问题。
发明内容
针对上述提出的技术问题,本发明提供基于遥感AI的多目标智能识别与精细分类方法。
第一方面,本发明提供了基于遥感AI的多目标智能识别与精细分类方法,该方法包括如下步骤:
步骤1、选取目标区域不同时相的两张遥感影像,其中,遥感影像为多光谱影像、全色影像或 SAR 影像中的一种;
步骤2、对两张遥感影像进行预处理;
步骤3、采用ITTI视觉显著性模型去除预处理后的两张遥感影像的噪声点,并划分出场景中的目标和背景;
步骤4、使用SIFT算法模型对场景中的目标和背景进行特征点提取,并通过支持向量机SVM模型和卷积神经网络模型完成目标检测和类型识别,分别生成两张遥感影像的目标类型识别图;
步骤5、通过RCVA改进变化矢量分析法和GLCM灰度共生矩阵方法分别提取预处理后的两张遥感影像间的光谱变化图像和纹理变化图像,生成变化强度图;
步骤6、通过设置自适应采样区间从变化强度图中选择变化和未变化区域中的像元作为样本;
步骤7、利用样本对包含标签层的高斯-伯努利深度玻尔兹曼机GDBM模型进行训练,使用训练后的GDBM模型对预处理后的两张遥感影像中的所有像元逐个进行变化和未变化划分,生成变化检测图;
步骤8、使用变化检测图分别与两张遥感影像的目标类型识别图进行求交,得到目标区域变化检测结果。
具体地,在步骤2中,预处理包括:
步骤221、获取第一遥感影像,基于像素值将第一遥感影像中的像素分为多个像素组,将表示相同物体的像素划分到同一个组中,其中,第一遥感影像是两张遥感影像中的任意一张;
步骤222、选择多个像素组中的第i组,计算第i组的特征向量,其中,i为1-N的正整数,N为像素组的组数;
步骤223、基于第i组的特征向量从特征向量表中获取与第i组的特征向量的距离最小的特征向量的编码;
步骤224、基于编码从色彩校准表中获取编码对应的色彩分布图,使用色彩分布图修正第i组像素组,其中,色彩分布图有X个色阶,第r个色阶对应于编码对应的校准像素组中包含的第r个色阶的像素点的总和,r为0-(X-1)的整数;
步骤225、当N个像素组都执行了步骤223和步骤224后,保存并输出校准后的第一遥感影像。
具体地,在步骤2之前,对特征向量表和色彩校准表进行学习,包括如下步骤:
步骤211、获取一张校准后的遥感影像,基于像素值将校准后的遥感影像中的像素分为多个学习像素组,将表示相同物体的像素划分到同一个学习像素组中;
步骤212、选择多个学习像素组的第j组,计算第j组的第j学习特征向量,基于第j学习特征向量从特征向量表中获取与第j学习特征向量的距离最小的最近特征向量,当最小距离大于预设值A时,将第j学习特征向量添加到特征向量表中,并生成第j学习特征向量的第一编码;当最小距离小于等于预设值A时,计算第j学习特征向量和最近特征向量的平均值作为新特征向量,使用新特征向量更新最近特征向量,其中,j为1-M的正整数,M为学习像素组的组数;
步骤213、生成第j组的像素值的学习色彩分布图,当最小距离大于预设值A时,基于第一编码将学习色彩分布图存储在色彩校准表中;当最小距离小于等于预设值A时,获取最近特征向量对应的最近编码,基于最近编码从色彩校准表中获取最近编码对应的最近色彩分布图,基于学习色彩分布图修正最近色彩分布图;
步骤214、当多个学习像素组都执行了步骤212和步骤213后,保存特征向量表和色彩校准表。
具体地,在步骤4之前,使用训练数据集对SIFT算法模型、支持向量机SVM模型和卷积神经网络模型进行训练,通过如下步骤生成训练数据集:
步骤41、获取一张遥感影像,并获取拍摄遥感影像的拍摄设备的型号和性能参数,同时获取拍摄遥感影像的拍摄位置、拍摄时间、入射角、遥感影像分辨率,其中,性能参数包括拍摄设备的影像分辨率的最大值和最小值;
步骤42、获取遥感影像中的多个物体,分别确定多个物体的外接矩形,基于每个物体的外接矩形的顶点坐标和每个物体的标识信息生成物体顶点坐标表;
步骤43、将遥感影像划分为大小相等的C个矩形区块,基于每个矩形区块的顶点坐标和每个矩形区块的标识信息生成区块信息表;
步骤44、从物体顶点坐标表中选择第k个标识信息对应的顶点坐标作为选定顶点坐标,基于选定顶点坐标和每个矩形区块的顶点坐标从区块信息表中选择B个包含选定顶点坐标的区块作为选定区块,基于选定区块生成包含第k个标识信息对应的物体的训练遥感影像,其中,k为1-P的正整数,P为遥感影像中的物体的个数;
步骤45、基于入射角、遥感影像分辨率和性能参数计算影像调整值的取值范围;
步骤46、使用随机数从影像调整值的取值范围中选择影像调整值作为选定调整值,并基于选定调整值对训练遥感影像进行调整,将训练遥感影像和调整后的训练遥感影像存储在训练数据集中,其中,调整包括缩放和旋转;
步骤47、当训练数据集中的训练数据的个数大于等于预设值PR时,输出训练数据集,否则,返回步骤44。
具体地,步骤45具体包括:
步骤451、基于入射角AN设定训练遥感影像的旋转角度RO的取值范围,旋转角度RO的取值范围为(-2AN,2AN);
步骤452、基于影像分辨率最大值REmax、影像分辨率最小值REmin和遥感影像分辨率RE计算训练遥感影像的缩放比例SC的取值范围,缩放比例的取值范围为(REmin/RE,REmax/RE)。
第二方面,本发明还提供了一种计算机存储介质,计算机存储介质存储有程序指令,其中,在程序指令运行时控制计算机存储介质所在设备执行上述任意一项的基于遥感AI的多目标智能识别与精细分类方法。
第三方面,本发明还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一项的基于遥感AI的多目标智能识别与精细分类方法。
本发明公开的基于遥感AI的多目标智能识别与精细分类方法,对不同时期的两张遥感影像进行预处理后,使用SIFT算法进行特征提取后通过支持向量机和卷积神经网络完成目标检测,生成目标类型识别图,同时,利用顾及邻域信息的改进变化矢量分析算法和灰度共生矩阵算法获取影像间光谱和纹理变化,并并通过设置自适应采样区间提取最可能的变化和未变化区域样本,基于上述样本训练包含标签层的高斯伯努利深度限制玻尔兹曼机GDBM模型,再使用训练后的GDBM模型对两张遥感影像进行变化和未变化划分生成变化检测图,最后使用变化检测图与目标类型识别图进行求交,得到目标区域变化检测结果。本发明利用特征提取、支持向量机和卷积神经网络完成目标检测,生成目标类型识别图,同时考虑邻域信息以减弱配准误差的影响并利用深度学习提取特征,生成变化检测图,最后再将变化检测图与目标类型识别图求交得到变化检测结果,提升了高分辨率遥感影像的变化检测精度。
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,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地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明的基于遥感AI的多目标智能识别与精细分类方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明经行进一步的详细说明。显然,此处所描述的具体实施例仅仅用于解释本发明,是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术普通人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,若本发明实施例中有涉及“第一”、 “第二”等的描述,则该“第一”、 “第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、 “第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
图1所示是本发明提供的基于遥感AI的多目标智能识别与精细分类方法的一个实施例的流程图,该流程图包括如下步骤:
步骤1、选取目标区域不同时相的两张遥感影像,其中,遥感影像为多光谱影像、全色影像或 SAR 影像中的一种。
步骤2、对两张遥感影像进行预处理。
具体地,在步骤2中,预处理包括:
步骤221、获取第一遥感影像,基于像素值将第一遥感影像中的像素分为多个像素组,将表示相同物体的像素划分到同一个组中,其中,第一遥感影像是两张遥感影像中的任意一张。
优选地,基于无监督分类将第一遥感影像中的像素分为多个像素组。
示例性地,第一遥感影像中包含河流、房屋、草地,在对第一遥感影像中的像素进行分组后,河流属于像素组1,房屋属于像素组2,草地属于像素组3。将表示相同物体的像素划分到同一个像素组中。
步骤222、选择多个像素组中的第i组,计算第i组的特征向量,其中,i为1-N的正整数,N为像素组的组数。
步骤223、基于第i组的特征向量从特征向量表中获取与第i组的特征向量的距离最小的特征向量的编码。
步骤224、基于编码从色彩校准表中获取编码对应的色彩分布图,使用色彩分布图修正第i组像素组,其中,色彩分布图有X个色阶,第r个色阶对应于编码对应的校准像素组中包含的第r个色阶的像素点的总和,r为0-(X-1)的整数。
示例性地,使用上述编码对应的色彩分布图替换上述第i组像素组的色彩分布图。
示例性地,色彩分布图包含R、G、B三个通道,上述编码对应的校准像素组中包含的像素点为(0,9,25)、(8,200,130)、(0,200,65)、(36、200、65)、(189,9,25),R通道,包含第0色阶的像素点的总和为2,包含第8色阶的像素点的总和为1,包含第36色阶的像素点的总和为1,包含第189色阶的像素点的总和为1;G通道,包含第9色阶的像素点的总和为2,包含第200色阶的像素点的总和为3;B通道,包含第25色阶的像素点的总和为2,包含第65色阶的像素点的总和为2,包含第130色阶的像素点的总和为1。
示例性地,色彩分布图包含一个通道,上述编码对应的校准像素组中包含的像素点为(0,1,2,3;1,3,4,0;0,4,5,2;4,2,0,1),包含第0色阶的像素点的总和为4,包含第1色阶的像素点的总和为3,包含第2色阶的像素点的总和为3,包含第3色阶的像素点的总和为2,包含第4色阶的像素点的总和为3,包含第5色阶的像素点的总和为1。
优选地,使用色彩分布图修正第i组像素组。获取第i组像素组的各色阶对应的像素点数的总和,使用上述编码对应的校准像素组的色彩分布图的第r个色阶对应的像素点的总和替换上述第i组像素组的第r个色阶对应的像素点的总和。
步骤225、当N个像素组都执行了步骤223和步骤224后,保存并输出校准后的第一遥感影像。
具体地,在步骤2之前,对特征向量表和色彩校准表进行学习,包括如下步骤:
步骤211、获取一张校准后的遥感影像,基于像素值将校准后的遥感影像中的像素分为多个学习像素组,将表示相同物体的像素划分到同一个学习像素组中.
优选地,基于无监督分类将校准后的遥感影像中的像素分为多个学习像素组。
示例性地,校准后的遥感影像中包含河流、房屋、草地,在对校准后的遥感影像中的像素进行分组后,河流属于学习像素组1,房屋属于学习像素组2,草地属于学习像素组3。将表示相同物体的像素划分到同一个学习像素组中。
步骤212、选择多个学习像素组的第j组,计算第j组的第j学习特征向量,基于第j学习特征向量从特征向量表中获取与第j学习特征向量的距离最小的最近特征向量,当最小距离大于预设值A时,将第j学习特征向量添加到特征向量表中,并生成第j学习特征向量的第一编码;当最小距离小于等于预设值A时,计算第j学习特征向量和最近特征向量的平均值作为新特征向量,使用新特征向量更新最近特征向量,其中,j为1-M的正整数,M为学习像素组的组数。
其中,最小距离为第j学习特征向量与最近特征向量之间的距离。
将编码和与该编码对应的特征向量一一对应地存储在特征向量表中。
步骤213、生成第j组的像素值的学习色彩分布图,当最小距离大于预设值A时,基于第一编码将学习色彩分布图存储在色彩校准表中;当最小距离小于等于预设值A时,获取最近特征向量对应的最近编码,基于最近编码从色彩校准表中获取最近编码对应的最近色彩分布图,基于学习色彩分布图修正最近色彩分布图。
将编码和与该编码对应的学习色彩分布图一一对应地存储在色彩校准表中。
示例性地,获取第j组的像素组的学习色彩分布图和最近编码对应的最近色彩分布图,计算上述学习色彩分布图的第y阶对应的像素点数和上述最近色彩分布图的第y阶对应的像素点数的平均值,将上述平均值作为修正后的最近色彩分布图的第y阶对应的像素点数。
步骤214、当多个学习像素组都执行了步骤212和步骤213后,保存特征向量表和色彩校准表。
当校准后的遥感影像的学习像素组都完成学习之后,结束学习,保存特征向量表和色彩校准表。
优选地,预处理还包括去雾处理、辐射校正和几何校正等。
步骤3、采用ITTI视觉显著性模型去除预处理后的两张遥感影像的噪声点,并划分出场景中的目标和背景。
步骤4、使用SIFT算法模型对场景中的目标和背景进行特征点提取,并通过支持向量机SVM模型和卷积神经网络模型完成目标检测和类型识别,分别生成两张遥感影像的目标类型识别图。
针对目标区域不同时相的两张遥感影像,分别生成上述两张遥感影像各自的目标类型识别图。
具体地,在步骤4之前,使用训练数据集对SIFT算法模型、支持向量机SVM模型和卷积神经网络模型进行训练,通过如下步骤生成训练数据集:
步骤41、获取一张遥感影像,并获取拍摄遥感影像的拍摄设备的型号和性能参数,同时获取拍摄遥感影像的拍摄位置、拍摄时间、入射角、遥感影像分辨率,其中,性能参数包括拍摄设备的影像分辨率的最大值和最小值。
其中,入射角是拍摄设备拍摄遥感影像时与地面所成的夹角。
遥感影像分辨率是遥感影像的相邻的两个像素点的中心距离对应的在地面上的距离。
步骤42、获取遥感影像中的多个物体,分别确定多个物体的外接矩形,基于每个物体的外接矩形的顶点坐标和每个物体的标识信息生成物体顶点坐标表。
识别遥感影像中的多个物体,并确定出每个物体的外接矩形。示例性地,物体a的外接矩形的四个顶点a1,a2,a3,a4的坐标为(x1,y1),(x2,y2),(x3,y3),(x4,y4),基于物体a的标识信息将a1、a2、a3和a4四个顶点的坐标相对应地存储在物体顶点坐标表中。
步骤43、将遥感影像划分为大小相等的C个矩形区块,基于每个矩形区块的顶点坐标和每个矩形区块的标识信息生成区块信息表。
示例性地,根据遥感影像的长和宽的尺寸,对上述长和宽进行等比例划分,将该遥感影像划分为大小相等的矩形区块。对遥感影像的长进行划分和对遥感影像的宽进行划分的比例可以相同,也可以不相同。
步骤44、从物体顶点坐标表中选择第k个标识信息对应的顶点坐标作为选定顶点坐标,基于选定顶点坐标和每个矩形区块的顶点坐标从区块信息表中选择B个包含选定顶点坐标的区块作为选定区块,基于选定区块生成包含第k个标识信息对应的物体的训练遥感影像,其中,k为1-P的正整数,P为遥感影像中的物体的个数。
对遥感影像进行划分后,某一个物体可能被划分到不同的矩形区块上,为了保持物体形状的完整性,基于物体的顶点坐标和矩形区块的顶点坐标从区块信息表选择包含该物体的区块,组合成训练遥感影像,使该训练遥感影像包含该物体。
示例性地,物体顶点坐标表中第k个标识信息对应的物体为b,物体b的顶点坐标为(1,3),(1,1),(3,1),(3,3),区块信息表中矩形区块b1的顶点坐标为(0,0),(2,0),(2,2),(0,2),矩形区块b2的顶点坐标为(2,0),(4,0),(4,2),(2,2),矩形区块b3的顶点坐标为(2,2),(4,2),(4,4),(2,4),矩形区块b4的顶点坐标为(0,2),(2,2),(2,4),(0,4),则基于物体b的顶点坐标和矩形区块b1、b2、b3和b4的顶点坐标从区块信息表中选择b1、b2、b3和b4作为选定区块,基于上述选定区块生成包含物体b的训练遥感影像,该训练遥感影像的顶点坐标为(0,0),(4,0),(4,4),(0,4)。
步骤45、基于入射角、遥感影像分辨率和性能参数计算影像调整值的取值范围。
步骤46、使用随机数从影像调整值的取值范围中选择影像调整值作为选定调整值,并基于选定调整值对训练遥感影像进行调整,将训练遥感影像和调整后的训练遥感影像存储在训练数据集中,其中,调整包括缩放和旋转。
优选地,上述选定调整值有多个,即从影像调整值的取值范围中选择多个影像调整值,基于多个影像调整值分别对训练遥感影像进行调整,生成不同的调整后的训练遥感影像。
优选地,从缩放的影像调整值的取值范围中选择影像调整值作为选定调整值对训练遥感影像进行缩放;从旋转的影像调整值的取值范围中选择影像调整值作为选定调整值对训练遥感影像进行旋转。
优选地,在对训练遥感影像进行调整时,可单独从缩放的影像调整值的取值范围中选择影像调整值对训练遥感影像进行缩放调整,可单独从旋转的影像调整值的取值范围中选择影像调整值对训练遥感影像进行旋转调整,也可分别从缩放的影像调整值的取值范围和旋转的影像调整值的取值范围中各选择一个影像调整值对训练遥感影像进行缩放和旋转调整。
步骤47、当训练数据集中的训练数据的个数大于等于预设值PR时,输出训练数据集,否则,返回步骤44。
其中,预设值PR是本领域技术人员根据需要或根据实际应用场景设置的。
当训练数据集中的训练数据的个数小于预设值PR时,返回步骤44,再次执行步骤44至步骤47。
优选地,对SIFT算法模型、支持向量机SVM模型和卷积神经网络模型生成不同的训练数据集。
具体地,步骤45具体包括:
步骤451、基于入射角AN设定训练遥感影像的旋转角度RO的取值范围,旋转角度RO的取值范围为(-2AN,2AN)。
示例性地,当入射角为70度时,旋转角度RO的取值范围为(-140,140),当入射角为10度时,旋转角度RO的取值范围为(-20,20)。在入射角小时,设置小的旋转范围。当入射角较小时,对遥感影像进行大角度旋转时会生成有悖常识的遥感影像。比如,入射角为0度时拍摄的高山影像,若对高山影像进行180度的旋转,则会获得一个倒立的高山影像,有悖于常识。
步骤452、基于影像分辨率最大值REmax、影像分辨率最小值REmin和遥感影像分辨率RE计算训练遥感影像的缩放比例SC的取值范围,缩放比例的取值范围为(REmin/RE,REmax/RE)。
在(REmin/RE,REmax/RE)的范围内选择调整值对训练遥感影像进行缩小放大调整,调整后的训练遥感影像的影像分辨率为RE×SC,位于影像分辨率最大值REmax和影像分辨率最小值REmin之间。
基于上述技术方案,在创建训练数据集时,可以自动基于输入的遥感影像对遥感影像进行调整生成训练数据集。
步骤5、通过RCVA改进变化矢量分析法和GLCM灰度共生矩阵方法分别提取预处理后的两张遥感影像间的光谱变化图像和纹理变化图像,生成变化强度图。
在获得光谱变化图像和纹理变化图像之后,通过图像合并生成变化强度图。
示例性地,将光谱变化图像和纹理变化图像进行合并生成变化强度图。
步骤6、通过设置自适应采样区间从变化强度图中选择变化和未变化区域中的像元作为样本。
为利用深度学习提高变化检测精度,需对其中最可能变化和未变化区域进行有效选择。通过样本提取参数T设置亮度区间来提取样本,即从光谱和纹理变化图像中的T%最大值和最小值对应的亮度区间中选择样本。该亮度区间的设置与变化图像的各亮度值像元数量比例、最大亮度值和最小亮度值有关。对于相同T值,在不同变化图像中会根据图像亮度分布特点,设置不同的变化和未变化样本提取阈值,因此具有自适应性。对于未变化区域,纹理和光谱变化均较小,因此选取光谱与纹理变化T%最小值像元的交集作为未变化区域样本;对于变化区域,光谱或纹理变化较大,为保证深度学习中各类别样本数量大致相等,从光谱和纹理变化中T%最大值像元的并集中选择与未变化区域数量相等的像元作为变化区域样本。
步骤7、利用样本对包含标签层的高斯-伯努利深度玻尔兹曼机GDBM模型进行训练,使用训练后的GDBM模型对预处理后的两张遥感影像中的所有像元逐个进行变化和未变化划分,生成变化检测图。
步骤8、使用变化检测图分别与两张遥感影像的目标类型识别图进行求交,得到目标区域变化检测结果。
对变化检测图分别与两张遥感影像的目标类型识别图的各像素点求交集,获取变化检测图与两张遥感影像的目标类型识别图中像素点重合度高的图像,即为目标区域变化检测结果,使最终获得的变化检测结果的精度更高。
根据本发明实施例的另一个方面,提供了一种计算机存储介质,计算机存储介质存储有程序指令,其中,在程序指令运行时控制计算机存储介质所在设备执行上述任意一项的基于遥感AI的多目标智能识别与精细分类方法。
根据本发明实施例的另一个方面,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一项的基于遥感AI的多目标智能识别与精细分类方法。
以上上述的实施例仅表达了本发明的实施优选方式,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 (6)
1.基于遥感AI的多目标智能识别与精细分类方法,其特征在于,包括如下步骤:
步骤1、选取目标区域不同时相的两张遥感影像,其中,遥感影像为多光谱影像、全色影像或 SAR 影像中的一种;
步骤2、对所述两张遥感影像进行预处理;
步骤3、采用ITTI视觉显著性模型去除所述预处理后的两张遥感影像的噪声点,并划分出场景中的目标和背景;
步骤4、使用SIFT算法模型对所述场景中的目标和背景进行特征点提取,并通过支持向量机SVM模型和卷积神经网络模型完成目标检测和类型识别,分别生成所述两张遥感影像的目标类型识别图;
步骤5、通过RCVA改进变化矢量分析法和GLCM灰度共生矩阵方法分别提取所述预处理后的两张遥感影像间的光谱变化图像和纹理变化图像,生成变化强度图;
步骤6、通过设置自适应采样区间从所述变化强度图中选择变化和未变化区域中的像元作为样本;
步骤7、利用所述样本对包含标签层的高斯-伯努利深度玻尔兹曼机GDBM模型进行训练,使用训练后的GDBM模型对所述预处理后的两张遥感影像中的所有像元逐个进行变化和未变化划分,生成变化检测图;
步骤8、使用所述变化检测图分别与所述两张遥感影像的目标类型识别图进行求交,得到目标区域变化检测结果;
在所述步骤2中,所述预处理包括:
步骤221、获取第一遥感影像,基于像素值将所述第一遥感影像中的像素分为多个像素组,将表示相同物体的像素划分到同一个组中,其中,所述第一遥感影像是所述两张遥感影像中的任意一张;
步骤222、选择所述多个像素组中的第i组,计算所述第i组的特征向量,其中,i为1-N的正整数,N为所述像素组的组数;
步骤223、基于所述第i组的特征向量从特征向量表中获取与所述第i组的特征向量的距离最小的特征向量的编码;
步骤224、基于所述编码从色彩校准表中获取所述编码对应的色彩分布图,使用所述色彩分布图修正所述第i组像素组,其中,所述色彩分布图有X个色阶,第r个色阶对应于所述编码对应的校准像素组中包含的所述第r个色阶的像素点的总和,r为0-(X-1)的整数;
步骤225、当N个像素组都执行了所述步骤223和所述步骤224后,保存并输出校准后的第一遥感影像。
2.根据权利要求1所述的基于遥感AI的多目标智能识别与精细分类方法,其特征在于,在所述步骤2之前,对所述特征向量表和所述色彩校准表进行学习,包括如下步骤:
步骤211、获取一张校准后的遥感影像,基于像素值将所述校准后的遥感影像中的像素分为多个学习像素组,将表示相同物体的像素划分到同一个学习像素组中;
步骤212、选择所述多个学习像素组的第j组,计算所述第j组的第j学习特征向量,基于第j学习特征向量从所述特征向量表中获取与所述第j学习特征向量的距离最小的最近特征向量,当最小距离大于预设值A时,将所述第j学习特征向量添加到所述特征向量表中,并生成所述第j学习特征向量的第一编码;当所述最小距离小于等于预设值A时,计算所述第j学习特征向量和所述最近特征向量的平均值作为新特征向量,使用所述新特征向量更新所述最近特征向量,其中,j为1-M的正整数,M为所述学习像素组的组数;
步骤213、生成所述第j组的像素值的学习色彩分布图,当所述最小距离大于预设值A时,基于所述第一编码将所述学习色彩分布图存储在所述色彩校准表中;当所述最小距离小于等于预设值A时,获取所述最近特征向量对应的最近编码,基于所述最近编码从所述色彩校准表中获取所述最近编码对应的最近色彩分布图,基于所述学习色彩分布图修正所述最近色彩分布图;
步骤214、当所述多个学习像素组都执行了所述步骤212和所述步骤213后,保存所述特征向量表和所述色彩校准表。
3.根据权利要求1所述的基于遥感AI的多目标智能识别与精细分类方法,其特征在于,在所述步骤4之前,使用训练数据集对所述SIFT算法模型、所述支持向量机SVM模型和所述卷积神经网络模型进行训练,通过如下步骤生成所述训练数据集:
步骤41、获取一张遥感影像,并获取拍摄所述遥感影像的拍摄设备的型号和性能参数,同时获取拍摄所述遥感影像的拍摄位置、拍摄时间、入射角、遥感影像分辨率,其中,所述性能参数包括所述拍摄设备的影像分辨率的最大值和最小值;
步骤42、获取所述遥感影像中的多个物体,分别确定所述多个物体的外接矩形,基于每个物体的外接矩形的顶点坐标和所述每个物体的标识信息生成物体顶点坐标表;
步骤43、将所述遥感影像划分为大小相等的C个矩形区块,基于每个矩形区块的顶点坐标和所述每个矩形区块的标识信息生成区块信息表;
步骤44、从所述物体顶点坐标表中选择第k个标识信息对应的顶点坐标作为选定顶点坐标,基于所述选定顶点坐标和所述每个矩形区块的顶点坐标从所述区块信息表中选择B个包含所述选定顶点坐标的区块作为选定区块,基于所述选定区块生成包含所述第k个标识信息对应的物体的训练遥感影像,其中,k为1-P的正整数,P为所述遥感影像中的物体的个数;
步骤45、基于所述入射角、所述遥感影像分辨率和所述性能参数计算影像调整值的取值范围;
步骤46、使用随机数从所述影像调整值的取值范围中选择影像调整值作为选定调整值,并基于所述选定调整值对所述训练遥感影像进行调整,将所述训练遥感影像和所述调整后的训练遥感影像存储在训练数据集中,其中,所述调整包括缩放和旋转;
步骤47、当所述训练数据集中的训练数据的个数大于等于预设值PR时,输出所述训练数据集,否则,返回所述步骤44。
4.根据权利要求3所述的基于遥感AI的多目标智能识别与精细分类方法,其特征在于,所述步骤45具体包括:
步骤451、基于所述入射角AN设定所述训练遥感影像的旋转角度RO的取值范围,所述旋转角度RO的取值范围为(-2AN,2AN);
步骤452、基于所述影像分辨率最大值REmax、所述影像分辨率最小值REmin和所述遥感影像分辨率RE计算所述训练遥感影像的缩放比例SC的取值范围,所述缩放比例的取值范围为(REmin/RE,REmax/RE)。
5.一种计算机存储介质,其特征在于,所述计算机存储介质存储有程序指令,其中,在所述程序指令运行时控制所述计算机存储介质所在设备执行权利要求1至4中任意一项所述的基于遥感AI的多目标智能识别与精细分类方法。
6.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至4中任意一项所述的基于遥感AI的多目标智能识别与精细分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310157624.3A CN116129191B (zh) | 2023-02-23 | 2023-02-23 | 基于遥感ai的多目标智能识别与精细分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310157624.3A CN116129191B (zh) | 2023-02-23 | 2023-02-23 | 基于遥感ai的多目标智能识别与精细分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116129191A CN116129191A (zh) | 2023-05-16 |
CN116129191B true CN116129191B (zh) | 2024-01-26 |
Family
ID=86309975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310157624.3A Active CN116129191B (zh) | 2023-02-23 | 2023-02-23 | 基于遥感ai的多目标智能识别与精细分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116129191B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117190982B (zh) * | 2023-11-07 | 2024-02-02 | 武汉追月信息技术有限公司 | 一种基于遥感影像的地理信息测绘系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678552A (zh) * | 2013-12-05 | 2014-03-26 | 武汉大学 | 基于显著区域特征的遥感影像检索方法及系统 |
CN110969088A (zh) * | 2019-11-01 | 2020-04-07 | 华东师范大学 | 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法 |
CN111161218A (zh) * | 2019-12-10 | 2020-05-15 | 核工业北京地质研究院 | 一种基于孪生卷积神经网络的高分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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985238B (zh) * | 2018-07-23 | 2021-10-22 | 武汉大学 | 联合深度学习和语义概率的不透水面提取方法及系统 |
-
2023
- 2023-02-23 CN CN202310157624.3A patent/CN116129191B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678552A (zh) * | 2013-12-05 | 2014-03-26 | 武汉大学 | 基于显著区域特征的遥感影像检索方法及系统 |
CN110969088A (zh) * | 2019-11-01 | 2020-04-07 | 华东师范大学 | 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法 |
CN111161218A (zh) * | 2019-12-10 | 2020-05-15 | 核工业北京地质研究院 | 一种基于孪生卷积神经网络的高分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 |
Also Published As
Publication number | Publication date |
---|---|
CN116129191A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723860B (zh) | 一种目标检测方法及装置 | |
CN104574347B (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
WO2015157643A1 (en) | Solar energy forecasting | |
CN110569797B (zh) | 地球静止轨道卫星影像山火检测方法、系统及其存储介质 | |
CN112800964A (zh) | 基于多模块融合的遥感影像目标检测方法及系统 | |
CN112766184B (zh) | 基于多层级特征选择卷积神经网络的遥感目标检测方法 | |
Li et al. | Spatially adaptive superresolution land cover mapping with multispectral and panchromatic images | |
Yang et al. | Classified road detection from satellite images based on perceptual organization | |
CN116129191B (zh) | 基于遥感ai的多目标智能识别与精细分类方法 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN111507416B (zh) | 一种基于深度学习的吸烟行为实时检测方法 | |
CN115457408A (zh) | 一种土地监测方法、装置、电子设备及介质 | |
Ming et al. | Cropland extraction based on OBIA and adaptive scale pre-estimation | |
CN112967286B (zh) | 一种新增建设用地检测方法及装置 | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN113869133A (zh) | 遥感影像变化检测方法、装置、设备及存储介质 | |
CN114445726B (zh) | 一种基于深度学习的样本库建立方法和装置 | |
CN111862005A (zh) | 一种利用合成雷达图像精准定位热带气旋中心的方法及系统 | |
CN114943891A (zh) | 一种基于特征描述符的预测框匹配方法 |
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 |