CN116343024A - 山体林地数据提取方法、装置、电子设备及可读存储介质 - Google Patents
山体林地数据提取方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116343024A CN116343024A CN202211724417.3A CN202211724417A CN116343024A CN 116343024 A CN116343024 A CN 116343024A CN 202211724417 A CN202211724417 A CN 202211724417A CN 116343024 A CN116343024 A CN 116343024A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- mountain forest
- area
- forest land
- 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
- 238000013075 data extraction Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000002372 labelling Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005549 size reduction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 24
- 238000012545 processing Methods 0.000 abstract description 20
- 238000000605 extraction Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本公开提供了一种山体林地数据提取方法、装置、电子设备及可读存储介质,涉及遥感图像处理、语义分割,深度学习等人工智能技术领域。该方法针对朝目标山林区域拍摄的遥感图像,首先识别遥感图像中各种图像类型的图像内容,然后根据不同类型图像内容各自所在图像区域的边界确定为图像区域边缘,接着根据图像区域边缘可以较好的将尺寸较大的遥感图像分割为多个较小的区域图像,进而便于分别针对每个区域图像进行精细化的山体林地数据的识别、提取。即本方案由于先根据图像内容类型将包含各类型图像内容的大图分割为仅包含一个类型图像内容的区域图像,便于实现对山体林地遥感图像中所包含的山体林地数据的精确识别和提取。
Description
技术领域
本公开涉及图像处理技术领域,具体涉及遥感图像处理、语义分割,深度学习等人工智能技术领域,尤其涉及一种山体林地数据提取方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
山体、林地信息是遥感技术应用重要的研究领域之一。目前,山体林地的信息更新主要通过人工实地勘测或者手动处理遥感影像的方式进行。由于山体林地区域地形复杂、范围较广,人工勘测成本较高且效率较低。
随着卫星技术及光学传感器等的发展,遥感影像的获取越来越容易。遥感影像能够准确的记录地面的电磁波及坐标信息,通过对遥感影像进行语义分割及后处理,可以快速的获取山体林地信息进行更新。由于遥感影像数据信息量大,而且视角是俯拍,不同物体之间区分较小,遥感影像的处理相对普通图像难度也更高。
之前,山体、林地数据更新主要靠人工勘测的方式手动更新,或者通过人工对遥感图像绘制来进行更新。人工手动更新需要大量的人力资源消耗、成本较高,且更新话费时间较长。
发明内容
本公开实施例提出了一种山体林地数据提取方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种山体林地数据提取方法,包括:获取对目标山林区域拍摄得到的遥感图像;确定遥感图像中不同类型的图像内容所在的图像区域边缘;按图像区域边缘将遥感图像分割为多个区域图像;识别区域图像中包含的目标山体林地数据。
第二方面,本公开实施例提出了一种山体林地数据提取装置,包括:遥感图像获取单元,被配置成获取对目标山林区域拍摄得到的遥感图像;图像区域边缘确定单元,被配置成确定遥感图像中不同类型的图像内容所在的图像区域边缘;区域图像分割单元,被配置成按图像区域边缘将遥感图像分割为多个区域图像;山体林地数据提取单元,被配置成识别区域图像中包含的目标山体林地数据。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面描述的山体林地数据提取方法。
第四方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面描述的山体林地数据提取方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面描述的山体林地数据提取方法的步骤。
本公开实施例提供的山体林地数据提取方案,针对朝目标山林区域拍摄的遥感图像,首先识别遥感图像中各种图像类型的图像内容,然后根据不同类型图像内容各自所在图像区域的边界确定为图像区域边缘,接着根据图像区域边缘可以较好的将尺寸较大的遥感图像分割为多个较小的区域图像,进而便于分别针对每个区域图像进行精细化的山体林地数据的识别、提取。即由于先根据图像内容类型将包含各类型图像内容的大图分割为仅包含一个类型图像内容的区域图像,便于实现对山体林地遥感图像中所包含的山体林地数据的精确识别和提取。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种山体林地数据提取方法的流程图;
图3为本公开提供的一张山体林地遥感图像的灰度示例图;
图4为本公开实施例提供的另一种山体林地数据提取方法的流程图;
图5为本公开实施例提供的又一种山体林地数据提取方法的流程图;
图6为本公开实施例提供的一种山体林地数据提取装置的结构框图;
图7为本公开实施例提供的一种适用于执行山体林地数据提取方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的山体林地数据提取方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括遥感设备101、102(具体为卫星遥感设备101和雷达遥感设备102)、网络103和服务器104。网络103用以在遥感设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
遥感设备101、102可以在用户的控制下通过网络103与服务器104进行数据交互,以接收或发送消息等。遥感设备101、102和服务器104上可以安装有各种用于实现两者之间进行信息通讯的应用,例如遥感图像拍摄类应用、遥感图像传输类应用、遥感图像处理类应用等。
遥感设备101、102通常表现为不同形式的硬件设备,例如卫星遥感设备101、雷达遥感设备102,也可以表现其它可用于得到遥感图像的其它硬件设备;服务器104则可以是硬件,也可以是软件,当服务器104为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;当服务器104为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
服务器104通过内置的各种应用可以提供各种服务,以可以提供从山体林地遥感图像中提取山体林地数据的服务的遥感图像处理类应用为例,服务器104在运行遥感图像处理类应用时可实现如下效果:首先,通过网络104接收遥感设备101、102对目标山林区域拍摄得到的遥感图像;然后,确定遥感图像中不同类型的图像内容所在的图像区域边缘;接着,按图像区域边缘将遥感图像分割为多个区域图像;最后,识别区域图像中包含的目标山体林地数据。
需要指出的是,遥感图像除可以从遥感设备101、102通过网络103获取到之外,也可以通过各种方式预先存储在服务器104本地。因此,当服务器104检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理任务),可选择直接从本地获取这些数据,在此种情况下,示例性系统架构100也可以不包括遥感设备101、102和网络103。
由于对包含较多图像内容的遥感图像进行处理需要占用较多的运算资源和较强的运算能力,因此本公开后续各实施例所提供的山体林地数据提取方法一般由拥有较强运算能力、较多运算资源的服务器104来执行,相应地,山体林地数据提取装置一般也设置于服务器104中。
应该理解,图1中的遥感设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,图2为本公开实施例提供的一种山体林地数据提取方法的流程图,其中流程200包括以下步骤:
步骤201:获取对目标山林区域拍摄得到的遥感图像;
本步骤旨在由山体林地数据提取方法的执行主体(例如图1所示的服务器104)获取对目标山林区域拍摄得到的遥感图像。其中,遥感图像可通过各式遥感设备(例如图1所示的卫星遥感设备101和雷达遥感设备102)对目标山林区域拍摄得到。
一个对某个山林区域拍摄得到的遥感图像示例图可分别参见图3所示的灰度图。
步骤202:确定遥感图像中不同类型的图像内容所在的图像区域边缘;
在步骤201的基础上,本步骤旨在由上述执行主体确定遥感图像中不同类型的图像内容所在的图像区域边缘。
应当理解的是,通常情况下,对目标山林区域拍摄得到的遥感图像中会包含多种类型的对象,例如山体、林木、河流、建筑物、信号塔、工程设备等等,因此本步骤首先需要上述执行主体识别出现在遥感图像中的上述不同类型对象对应的图像内容,也可以理解为不同类型的图像内容进行区别标注(即不同类型的对象反应在图像内容上应当具有不同的图像特征,以便据此进行区别标注),进而根据一致性标注(例如将属于同一类型的图像内容使用同一种颜色进行标注)结果形成多个仅包含同一类型图像内容的图像区域。而在明确各个图像区域后,将可根据各图像区域之间的边界确定该图像区域边缘。
步骤203:按图像区域边缘将遥感图像分割为多个区域图像;
在步骤202的基础上,本步骤旨在由上述执行主体按图像区域边缘将遥感图像分割为多个区域图像。进一步的,为了提升分割准确性,还可以在进行图像分割之前,对图像区域边缘进行图像增强处理,以尽可能的提升图像区域边缘的线条清晰度。
步骤204:识别区域图像中包含的目标山体林地数据。
在步骤203的基础上,本步骤旨在由上述执行主体分别从每个区域图像中识别、提取出所包含的目标山体林地数据。
具体的,考虑到每个区域图像对应一个类型的图像内容,因此为了尽可能的提升目标山体林地数据提取的准确性,还可以按照与相应区域图像所属的图像内容类型的数据提取方式,来从相应的区域图像中进行相应类型图像数据的识别和提取,以提升针对性和结果的准确性。
本公开实施例提供的山体林地数据提取方法,针对朝目标山林区域拍摄的遥感图像,首先识别遥感图像中各种图像类型的图像内容,然后根据不同类型图像内容各自所在图像区域的边界确定为图像区域边缘,接着根据图像区域边缘可以较好的将尺寸较大的遥感图像分割为多个较小的区域图像,进而便于分别针对每个区域图像进行精细化的山体林地数据的识别、提取。即由于先根据图像内容类型将包含各类型图像内容的大图分割为仅包含一个类型图像内容的区域图像,便于实现对山体林地遥感图像中所包含的山体林地数据的精确识别和提取。
请参考图4,图4为针对尺寸较大(例如大于预设尺寸)遥感图像,提供的另一种山体林地数据提取方法的流程图,其流程400包括以下步骤:
步骤401:获取对目标山林区域拍摄得到的遥感图像;
步骤402:缩小遥感图像的尺寸至小于预设尺寸,得到缩小后遥感图像;
针对尺寸大于预设尺寸的遥感图像,本步骤旨在由上述执行主体小遥感图像的尺寸至小于预设尺寸,得到缩小后遥感图像。
步骤403:确定缩小后遥感图像中不同类型的图像内容所在的图像区域边缘;
在步骤402的基础上,本步骤旨在由上述执行主体确定缩小后遥感图像中不同类型的图像内容所在的图像区域边缘。
即本步骤首先需要上述执行主体识别出现在缩小后遥感图像中的各类型对象对应的图像内容,也可以理解为不同类型的图像内容进行区别标注(即不同类型的对象反应在图像内容上应当具有不同的图像特征,以便据此进行区别标注),进而根据一致性标注(例如将属于同一类型的图像内容使用同一种颜色进行标注)结果形成多个仅包含同一类型图像内容的图像区域。而在明确各个图像区域后,将可根据各图像区域之间的边界确定该图像区域边缘。
步骤404:确定缩小后遥感图像与遥感图像中相同图像内容之间的对应关系;
步骤405:根据对应关系确定图像区域边缘映射在遥感图像中表现为的目标图像区域边缘;
步骤404-步骤405旨在由上述执行主体先确定缩小后遥感图像与遥感图像中相同图像内容之间的对应关系,然后根据该对应关系确定将从缩小后遥感图像中确定出的图像区域边缘映射在遥感图像中所表现为的目标图像区域边缘。
即缩小后遥感图像对应图像区域边缘、遥感图像则对应目标图像区域边缘。其中,该对应关系可以基于遥感图像与缩小后遥感图像的缩放参数确定得到。
步骤406:按目标图像区域边缘将遥感图像分割为多个区域图像;
在步骤405的基础上,本步骤旨在由上述执行主体按目标图像区域边缘将遥感图像分割为多个区域图像。
需要说明的是,之所以在将大尺寸的遥感图像缩小后确定出图像区域边缘后,又根据对应的目标图像区域边缘将大尺寸的遥感图像分割为多个区域图像,是因为缩小后遥感图像必然会因为尺寸缩小导致有些图像细节呈现的不够清晰,因此为了使得后续所能够提取出的目标山体林地数据更为准确,分割对象还为大尺寸的遥感图像,以尽可能的保留原始遥感图像中记录的图像细节。
步骤407:识别区域图像中包含的目标山体林地数据。
在步骤406的基础上,本步骤旨在由上述执行主体识别区域图像中包含的目标山体林地数据。
区别于图2所示实施例,本实施例所提供的山体林地数据提取方法针主要针对所拍摄得到的遥感图像是张大尺寸图像的情况,通过对大尺寸图像先进行尺寸缩小,然后针对缩小后遥感图像确定其中包含的不同类型图像内容所在区域的图像区域边缘,后续则根据在缩小后遥感图像中确定出的图像区域边缘再确定对应大尺寸图像的目标图像区域边缘,以便基于目标图像区域边缘对大尺寸图像进行分割,以便后续从每张区域图像中提取出更准确的目标山体林地数据。
请参考图5,图5为借助基于深度学习算法训练出的网络或模型,所提供的又一种山体林地数据提取方法的流程图,其流程500包括以下步骤:
步骤501:获取对目标山林区域拍摄得到的遥感图像;
步骤502:利用预设的第一网络对遥感图像中包含的各类型图像内容进行类型标注,得到标注结果;
其中,第一网络用于表征不同类型图像内容与不同类型标注之间的对应关系。
即本步骤旨在由上述执行主体借助该第一网络对遥感图像中包含的各类型图像内容进行类型标注,以得到一张在原始遥感图像基础上对各图像内容所属的对象类型进行标注的标注结果。
步骤503:根据标注结果确定同类型的图像内容所在区域,并根据不同区域之间的边界确定图像区域边缘;
在步骤502的基础上,本步骤旨在由上述执行主体根据标注结果确定同类型的图像内容所在区域,并根据不同区域之间的边界确定图像区域边缘。
步骤504:按图像区域边缘将遥感图像分割为多个区域图像;
步骤505:利用预设的第二网络识别区域图像中包含的目标山体林地数据;
其中,第二网络用于表征图像内容与山体林地数据之间的对应关系。
即本步骤旨在由上述执行主体借助第二网络从各区域图像中提取出目标山体林地数据。进一步的,针对分属不同图像类型的区域图像,还可以预先训练有多个分别对应不同图像类型的识别网络,按相同的图像类型的区域图像和识别网络进行搭配使用,以最大化识别结果的准确性。
步骤506:识别区域图像中包含的目标山体林地数据。
区别于图2、图4分别所示的实施例,本实施例所提供的山体林地数据提取方法主要分别借助预先训练得到深度学习网络来进行类型标注和从区域图像中提取山体林地数据,即充分借助深度学习网络所具有的泛化性能来适应各类型遥感图像,且便于进行目标山体林地数据的提取。
在上述任意实施例的基础上,还可以获取目标山林区域的历史山体林地数据,然后通过比对历史山体林地数据与目标山体林地数据之间的差异,确定差异数据,最后根据差异数据更新目标山林区域的山体林地数据。以通过此种方式完成对目标山林区域的山体林地数据的更新。
为加深理解,本公开还结合一个具体应用场景,给出了一种具体的实现方案:
本实施例所提供方案可根据执行顺序分为依次的四个阶段:遥感数据采集、图像语义分割、数据比对、人工核实。
一、遥感数据采集
遥感影像主要分为航空相片以及卫星相片,通过飞机及卫星拍摄。遥感影像包含了丰富的纹理、光谱信息(例如图3)。
二、图像语义分割
遥感影像要素较多,图像尺寸大,而局部区域物体相似性高、纹理特征区分度较小。如果图像尺寸过大,网络很难学习到图像的精细化的特征,导致分割精度过低;如果将图像裁剪后送入网络,则很难看到全局的信息,因为山体植被棉面积较大,而局部图像特征不明显,因此图像切割太小容易导致识别错误。为了解决上述两个难题,本实施例采用了依次进行两次语义分割的处理策略,即先将大尺寸图像缩小进行粗语义分割,再根据第一次粗语义分割的结果对图像边缘区域进行裁剪,然后对裁剪后的区域图像进行第二次的精细化语义分割,以同时满足语义分割的精度与准确率。
针对第一次语义分割,主要根据地面要素类别将遥感影像的影像内容分为多个类别,如包括山体、林地、其它等。在数据标注过程中,需要涵盖各种类型的遥感地形,基于这些数据进训练语义分割模型。网络会分割出遥感影像中的各种类别。模型网络可包括不同的分割网络,例如Deeplab系列、U-Net、LaneNet、SegNet、FCN等。
在第一次语义分割后,根据语义分割结果对山体林地的轮廓区域进行裁剪,然后对裁剪结果进行局部精细化分割。由于第一次分割已经确定了物体的类别,因此第二次语义分割主要目的是提升分割精度,因此,第二次语义分割对标注精度要求更高。语义分割完成后,将裁剪的图像进行拼接,并结合第一次语义分割的结果,得到最终的结果。
三、山体、林地数据更新对比
1)对图像语义分割进行后处理,通过边缘提取、曲线拟合等技术提取不同地面要素的轮廓信息;
2)将图像识别结果与现有数据对比,找出更新的区域。
四、人工核实
将识别结果提供给作业人工核实,并进行修正。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种山体林地数据提取装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的山体林地数据提取装置600可以包括:遥感图像获取单元601、图像区域边缘确定单元602、区域图像分割单元603、山体林地数据提取单元604。其中,遥感图像获取单元601,被配置成获取对目标山林区域拍摄得到的遥感图像;图像区域边缘确定单元602,被配置成确定遥感图像中不同类型的图像内容所在的图像区域边缘;区域图像分割单元603,被配置成按图像区域边缘将遥感图像分割为多个区域图像;山体林地数据提取单元604,被配置成识别区域图像中包含的目标山体林地数据。
在本实施例中,山体林地数据提取装置600中:遥感图像获取单元601、图像区域边缘确定单元602、区域图像分割单元603、山体林地数据提取单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,山体林地数据提取装置600还可以包括:
尺寸缩小单元,被配置成响应于遥感图像的尺寸大于预设尺寸,缩小遥感图像的尺寸至小于预设尺寸,得到缩小后遥感图像;
对应的,图像区域边缘确定单元602可以被进一步配置成:
确定缩小后遥感图像中不同类型的图像内容所在的图像区域边缘。
在本实施例的一些可选的实现方式中,区域图像分割单元603可以被进一步配置成:
确定缩小后遥感图像与遥感图像中相同图像内容之间的对应关系;
根据对应关系确定图像区域边缘映射在遥感图像中表现为的目标图像区域边缘;
按目标图像区域边缘将遥感图像分割为多个区域图像。
在本实施例的一些可选的实现方式中,图像区域边缘确定单元602可以被进一步配置成:
利用预设的第一网络对遥感图像中包含的各类型图像内容进行类型标注,得到标注结果;其中,第一网络用于表征不同类型图像内容与不同类型标注之间的对应关系;
根据标注结果确定同类型的图像内容所在区域,并根据不同区域之间的边界确定图像区域边缘。
在本实施例的一些可选的实现方式中,山体林地数据提取单元604可以被进一步配置成:
利用预设的第二网络识别区域图像中包含的目标山体林地数据;其中,第二网络用于表征图像内容与山体林地数据之间的对应关系。
在本实施例的一些可选的实现方式中,山体林地数据提取装置600还可以包括:
历史山体林地数据获取单元,被配置成获取目标山林区域的历史山体林地数据;
差异数据确定单元,被配置成比对历史山体林地数据与目标山体林地数据之间的差异,确定差异数据;
山体林地数据更新单元,被配置成根据差异数据更新目标山林区域的山体林地数据。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的山体林地数据提取装置,针对朝目标山林区域拍摄的遥感图像,首先识别遥感图像中各种图像类型的图像内容,然后根据不同类型图像内容各自所在图像区域的边界确定为图像区域边缘,接着根据图像区域边缘可以较好的将尺寸较大的遥感图像分割为多个较小的区域图像,进而便于分别针对每个区域图像进行精细化的山体林地数据的识别、提取。即由于先根据图像内容类型将包含各类型图像内容的大图分割为仅包含一个类型图像内容的区域图像,便于实现对山体林地遥感图像中所包含的山体林地数据的精确识别和提取。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的山体林地数据提取方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的山体林地数据提取方法。
根据本公开的实施例,本公开还提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任意实施例所描述的山体林地数据提取方法。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如山体林地数据提取方法。例如,在一些实施例中,山体林地数据提取方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的山体林地数据提取方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行山体林地数据提取方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
根据本公开实施例的技术方案,针对朝目标山林区域拍摄的遥感图像,首先识别遥感图像中各种图像类型的图像内容,然后根据不同类型图像内容各自所在图像区域的边界确定为图像区域边缘,接着根据图像区域边缘可以较好的将尺寸较大的遥感图像分割为多个较小的区域图像,进而便于分别针对每个区域图像进行精细化的山体林地数据的识别、提取。即由于先根据图像内容类型将包含各类型图像内容的大图分割为仅包含一个类型图像内容的区域图像,便于实现对山体林地遥感图像中所包含的山体林地数据的精确识别和提取。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种山体林地数据提取方法,包括:
获取对目标山林区域拍摄得到的遥感图像;
确定所述遥感图像中不同类型的图像内容所在的图像区域边缘;
按所述图像区域边缘将所述遥感图像分割为多个区域图像;
识别所述区域图像中包含的目标山体林地数据。
2.根据权利要求1所述的方法,还包括:
响应于所述遥感图像的尺寸大于预设尺寸,缩小所述遥感图像的尺寸至小于所述预设尺寸,得到缩小后遥感图像;
对应的,所述确定所述遥感图像中不同类型的图像内容所在的图像区域边缘,包括:
确定所述缩小后遥感图像中不同类型的图像内容所在的图像区域边缘。
3.根据权利要求2所述的方法,其中,所述按所述图像区域边缘将所述遥感图像分割为多个区域图像,包括:
确定所述缩小后遥感图像与所述遥感图像中相同图像内容之间的对应关系;
根据所述对应关系确定所述图像区域边缘映射在所述遥感图像中表现为的目标图像区域边缘;
按所述目标图像区域边缘将所述遥感图像分割为多个所述区域图像。
4.根据权利要求1所述的方法,其中,所述确定所述遥感图像中不同类型的图像内容所在的图像区域边缘,包括:
利用预设的第一网络对所述遥感图像中包含的各类型图像内容进行类型标注,得到标注结果;其中,所述第一网络用于表征不同类型图像内容与不同类型标注之间的对应关系;
根据所述标注结果确定同类型的图像内容所在区域,并根据不同所述区域之间的边界确定所述图像区域边缘。
5.根据权利要求1所述的方法,其中,所述识别所述区域图像中包含的目标山体林地数据,包括:
利用预设的第二网络识别所述区域图像中包含的目标山体林地数据;其中,所述第二网络用于表征图像内容与山体林地数据之间的对应关系。
6.根据权利要求1-5任一项所述的方法,还包括:
获取所述目标山林区域的历史山体林地数据;
比对所述历史山体林地数据与所述目标山体林地数据之间的差异,确定差异数据;
根据所述差异数据更新所述目标山林区域的山体林地数据。
7.一种山体林地数据提取装置,包括:
遥感图像获取单元,被配置成获取对目标山林区域拍摄得到的遥感图像;
图像区域边缘确定单元,被配置成确定所述遥感图像中不同类型的图像内容所在的图像区域边缘;
区域图像分割单元,被配置成按所述图像区域边缘将所述遥感图像分割为多个区域图像;
山体林地数据提取单元,被配置成识别所述区域图像中包含的目标山体林地数据。
8.根据权利要求7所述的装置,还包括:
尺寸缩小单元,被配置成响应于所述遥感图像的尺寸大于预设尺寸,缩小所述遥感图像的尺寸至小于所述预设尺寸,得到缩小后遥感图像;
对应的,所述图像区域边缘确定单元被进一步配置成:
确定所述缩小后遥感图像中不同类型的图像内容所在的图像区域边缘。
9.根据权利要求8所述的装置,其中,所述区域图像分割单元被进一步配置成:
确定所述缩小后遥感图像与所述遥感图像中相同图像内容之间的对应关系;
根据所述对应关系确定所述图像区域边缘映射在所述遥感图像中表现为的目标图像区域边缘;
按所述目标图像区域边缘将所述遥感图像分割为多个所述区域图像。
10.根据权利要求7所述的装置,其中,所述图像区域边缘确定单元被进一步配置成:
利用预设的第一网络对所述遥感图像中包含的各类型图像内容进行类型标注,得到标注结果;其中,所述第一网络用于表征不同类型图像内容与不同类型标注之间的对应关系;
根据所述标注结果确定同类型的图像内容所在区域,并根据不同所述区域之间的边界确定所述图像区域边缘。
11.根据权利要求7所述的装置,其中,所述山体林地数据提取单元被进一步配置成:
利用预设的第二网络识别所述区域图像中包含的目标山体林地数据;其中,所述第二网络用于表征图像内容与山体林地数据之间的对应关系。
12.根据权利要求7-11任一项所述的装置,还包括:
历史山体林地数据获取单元,被配置成获取所述目标山林区域的历史山体林地数据;
差异数据确定单元,被配置成比对所述历史山体林地数据与所述目标山体林地数据之间的差异,确定差异数据;
山体林地数据更新单元,被配置成根据所述差异数据更新所述目标山林区域的山体林地数据。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的山体林地数据提取方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的山体林地数据提取方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1-6中任一项所述山体林地数据提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211724417.3A CN116343024A (zh) | 2022-12-30 | 2022-12-30 | 山体林地数据提取方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211724417.3A CN116343024A (zh) | 2022-12-30 | 2022-12-30 | 山体林地数据提取方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116343024A true CN116343024A (zh) | 2023-06-27 |
Family
ID=86875413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211724417.3A Pending CN116343024A (zh) | 2022-12-30 | 2022-12-30 | 山体林地数据提取方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116343024A (zh) |
-
2022
- 2022-12-30 CN CN202211724417.3A patent/CN116343024A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801164A (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
CN113191256A (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN112800915A (zh) | 建筑物变化检测方法、装置、电子设备以及存储介质 | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN112861885A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN115330940A (zh) | 一种三维重建方法、装置、设备和介质 | |
CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN114359932A (zh) | 文本检测方法、文本识别方法及装置 | |
CN114494782B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN114119990B (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN116343024A (zh) | 山体林地数据提取方法、装置、电子设备及可读存储介质 | |
CN113963011A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN114612971A (zh) | 人脸检测方法、模型训练方法、电子设备及程序产品 | |
CN114419564A (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
CN113706705A (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
CN113781653A (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN116229209B (zh) | 目标模型的训练方法、目标检测方法及装置 | |
CN115049997B (zh) | 边缘车道线的生成方法、装置、电子设备及存储介质 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
US20230213353A1 (en) | Method of updating road information, electronic device, and storage medium | |
CN113591847B (zh) | 一种车辆定位方法、装置、电子设备及存储介质 |
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 |