CN116452983A - 一种基于无人机航拍影像的国土地貌变化快速发现方法 - Google Patents
一种基于无人机航拍影像的国土地貌变化快速发现方法 Download PDFInfo
- Publication number
- CN116452983A CN116452983A CN202310685229.2A CN202310685229A CN116452983A CN 116452983 A CN116452983 A CN 116452983A CN 202310685229 A CN202310685229 A CN 202310685229A CN 116452983 A CN116452983 A CN 116452983A
- Authority
- CN
- China
- Prior art keywords
- geomorphic
- landform
- change detection
- image
- images
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000002372 labelling Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及地貌变化检测技术领域，公开了一种基于无人机航拍影像的国土地貌变化快速发现方法，地貌变化检测模型的训练方法包括：利用无人机机载成像设备定期地采集同一地点不同时刻的地貌图像；搭建基于神经网络的地貌变化检测模型，进行地貌变化检测；地貌变化检测模型在多任务学习框架内进行训练，设置地貌变化检测模型的损失函数；在推理阶段，对无人机机载成像设备采集到的地貌图像对进行分割，得到若干子图，将同一地点、不同时刻的子图对输入至完成训练的地貌变化检测模型，得到不同子图对的语义变化，进而得到完整的地貌图像的地貌变化检测结果；本发明利用无人机机载设备采集图像，不受云层、道路条件限制，能够实现常态化全天候作业。
Description
技术领域
本发明涉及地貌变化检测技术领域，具体涉及一种基于无人机航拍影像的国土地貌变化快速发现方法。
背景技术
当前土地资源监测以卫星遥感监测为主、人工巡查为辅的方式进行。但卫星遥感监测受到卫星成像周期的限制，难以实时得到待监测地区的影像，且地貌图像质量受云层影响，使卫星遥感监测的效果不佳。人工巡查受基础道路建设的影响，监测人员难以去没有道路的山地、丘陵地区进行监测，监测覆盖范围受限，无法实现常态化全天候作业。
发明内容
为解决上述技术问题，本发明提供一种基于无人机航拍影像的国土地貌变化快速发现方法，可以快速发现地貌的变化。
为解决上述技术问题，本发明采用如下技术方案：
一种基于无人机航拍影像的国土地貌变化快速发现方法，通过完成训练的地貌变化检测模型实现地貌变化检测；
地貌变化检测模型的训练方法包括以下步骤：
S1：利用无人机机载成像设备定期地采集同一地点不同时刻的地貌图像，对地貌图像进行标注和预处理；
S2：利用多任务学习框架，搭建基于神经网络的地貌变化检测模型，进行地貌变化检测：
地貌变化检测模型的输入为同一地点两个不同时刻的地貌图像组成的地貌图像对、输出为地貌图像对中两个地貌图像的语义变化；
地貌变化检测模型利用全卷积网络对地貌图像对中两个地貌图像进行语义分割，并计算两个地貌图像的语义分割结果和/>的语义变化R；
所述全卷积网络包括基础主干网络、全卷积层、转置卷积和跳连接；
所述基础主干网络用于提取地貌图像中的关键信息，选用去除全连接层后的ResNet-19网络；
全卷积层有四个，每个全卷积层包括一个卷积层和一个最大池化层，四个全卷积层依次将基础主干网络的输出的宽和高降低为原来的1/2、1/4、1/8和1/16，每个卷积层中卷积核的数量与待分割语义类别的数量相同；
转置卷积有四个，分别以四个全卷积层的输出作为输入，将全卷积层的输出的宽和高放大至原来的两倍，每个转置卷积中卷积核的数量与待分割语义类别的数量相同；
四个全卷积层的输出分别为，四个转置卷积的输出分别为、输入分别为/>，则跳连接完成如下功能：
；
将两个地貌图像的语义分割结果和/>均分割成/>的块，则语义变化R为：
；
其中，，其中H和W分别为输入至地貌变化检测模型中的地貌图像的高和宽；/>表示语义分割结果/>中的第n个块，/>表示语义分割结果/>中的第n个块；
S3：地貌变化检测模型在多任务学习框架内进行训练，综合单个地貌图像的语义分割任务和地貌图像对的语义变化任务，设置地貌变化检测模型的损失函数：
；
其中，为交叉熵损失函数，softmax为归一化指数函数，/>为第/>个地貌图像的像素级语义标注的结果，/>为权重参数；
S4：在推理阶段，对无人机机载成像设备采集到的地貌图像对进行分割，得到若干子图，将同一地点、不同时刻的子图对输入至完成训练的地貌变化检测模型，得到不同子图对的语义变化R，进而得到完整的地貌图像的地貌变化检测结果。
进一步地，步骤S1具体包括以下步骤：
S11：对于获取的地貌图像，利用农田、灌木丛、道路、村庄、空地共五种标签进行像素级标注；
S12：在同一地点、不同时刻获取的地貌图像中，每次随机选择两张构成地貌图像对，并利用农田、灌木丛、道路、村庄、空地共五种标签手工标记地貌图像对中两个地貌图像的语义变化；
S13：对地貌图像对进行的预处理操作，包括旋转、加噪声、直方图均衡化和亮度增强。
进一步地，步骤S4具体包括以下步骤：
S41：将无人机机载成像设备在同一地点、不同时刻采集到的地貌图像对通过有重叠采样的方式，分割成带重叠区域的大小的子图；水平方向上和垂直方向上两个相邻子图的重叠区域的尺寸均为O；
S42：将分割后的同一地点、不同时刻采集到的子图对的输入训练好的地貌变化检测模型，得到的语义变化R；
S43：将不同子图对的语义变化R进行综合，得到整个地貌图像上的地貌变化检测结果；其中，每个子图上的与其他子图没有重叠的区域，直接采用没有重叠区域的地貌变化检测结果作为最终地貌变化检测结果；
每个子图上与其他子图的重叠区域，采用线性差值的方法得到重叠区域的最终地貌变化检测结果。
进一步地，步骤S43中，采用线性差值的方法得到重叠区域的最终地貌变化检测结果时，以两个相邻子图的重叠区域的左下角为原点，建立坐标系，定义如下的权重函数，用来表示两幅子图里面任意位置上结果的权重：
，/>；
其中表示坐标系中的横坐标；i表示地貌图像中子图在水平方向的编号；j表示地貌图像中子图在垂直方向的编号；/>表示水平方向编号为i、垂直方向编号为j的子图中横坐标为x的所有点的权重、/>表示水平方向编号为i+1、垂直方向编号为j的子图中横坐标为x的所有点的权重；
则重叠区域各位置的最终地貌变化检测结果为：
；
y表示坐标系中的纵坐标；表示水平方向编号为i、垂直方向编号为j的子图在坐标点/>处的语义变化；/>表示水平方向编号为i+1、垂直方向编号为j的子图在坐标点/>处的语义变化。
进一步地，步骤S4中，得到地貌图像的地貌变化检测结果后，通过形态学膨胀和腐蚀操作消除地貌变化检测结果上的空洞和不连通区域。
与现有技术相比，本发明的有益技术效果是：
本发明采用将航拍地貌图像分块后再进行分割，并对分割结果进行综合的策略来实现地貌检测，能够有效降低推理过程中算法需要的显存，提升算法处理效率。
附图说明
图1为地貌图像的分割示意图；
图2为地貌图像子图的重合区域的结果融合示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
针对现有土地资源监测技术的局限性，本发明提出一种基于无人机航拍影像的国土地貌变化快速发现方法，可以快速发现地貌的变化；具体包括以下步骤：
S1：利用无人机机载成像设备定期地采集一系列同一地点的地貌图像，本实施例中同一地点具有同一GPS经纬度，并根据以下步骤构建数据集：
S11：对获取的地貌图像利用农田、灌木丛、道路、村庄、空地等五种标签进行像素级标注。
S12：在同一GPS经纬度不同时刻获取的地貌图像中，每次随机选择两张出来，构成一系列的地貌图像对，并利用农田、灌木丛、道路、村庄和空地等标签手工标记地貌图像对中两个地貌图像的语义变化。
S13：对这些地貌图像对进行的预处理操作，包括旋转、加噪声、直方图均衡化和亮度增强等。
S2：利用多任务学习框架，搭建基于神经网络的地貌变化检测模型，进行地貌变化检测；具体包括以下步骤：
S21：地貌变化检测模型的输入为步骤S12中获取的同一位置不同时刻采集到的地貌图像对，输出为两个地貌图像的语义变化。
S22：地貌变化检测模型主体部分利用全卷积网络进行语义分割，并计算地貌图像对中两个地貌图像语义分割结果的差值，即语义变化；具体如下：
用来语义分割的全卷积网络包括基础主干网络、全卷积层、转置卷积和跳连接四个部分。
其中，基础主干网络选用去除全连接层后的ResNet-19网络，用以提取地貌图像中的关键信息。
全卷积层包括四层，每个全卷积层包括一个卷积层和一个最大池化层，将基础主干网络的输出的宽和高降低为原来的1/2、1/4、1/8和1/16，每个卷积层卷积核的数目和待分割语义类别的数目相同，卷积核大小为3×3。
四个转置卷积分别以全卷积层的输出为输入，将全卷积层的输出的宽和高放大到为原来的2倍，每个转置卷积中卷积核的数目和待分割语义类别的数目相同。
跳连接用来融合网络浅层和深层的信息，假设四个全卷积层的输出分别为，四个转置卷积的输出和输入分别为/>和，那么跳连接完成如下功能：
。
两个地貌图像经过全卷积网络后，可以得到语义分割结果。为了计算两个地貌图像语义分割结果的差异，将两个语义分割结果和/>分别分割成/>的块，两个地貌图像语义分割结构的语义差异R计算如下：
；
N的大小根据原始地貌图像尺寸进行取值，；其中H和W分别为输入地貌变化检测模型的地貌图像的高和宽，取值皆为512。
S3：地貌变化检测模型在多任务学习框架内进行训练，具体步骤如下：
S31：综合单个地貌图像的语义分割任务和地貌图像对的语义变化任务，整个地貌变化检测模型的在一个地貌图像中下的损失函数定义为：
；
其中，为交叉熵损失函数，softmax为归一化指数函数，/>为第k个地貌图像的像素级语义标注的结果；/>为平衡两个任务损失的权重参数，取值为0.9。
S32：将步骤一中构建的数据集中的地貌图像对，按照8:2的比例分成训练集和测试集，利用Adam算法对地貌变化检测模型在训练集上进行训练，学习速率设置为0.001，并每100代，学习率衰减为原来的10%。当损失函数值基本不变时候，训练结束。将训练好的地貌变化检测模型在测试集上进行测试，并进行地貌变化检测模型的性能评估。
S4，推理阶段：考虑到无人机机载成像设备分辨率较高，直接将地貌图像缩放到既定尺寸会大大降低地貌变化检测模型的准确率。因此，本发明将地貌图像分割成若干子图，如图1所示，经过地貌变化检测模型后，将各个子图的结果拼接起来，构成最终的检测结果。具体步骤如下：
S41：将无人机在同一地点、不同时刻采集到的地貌图像对通过有重叠采样的方式，分割成带重叠区域的大小的子图（H=W=512），两子图重叠区域在水平和垂直方向上的尺寸皆为O=64；
S42：将分割后的同一地点、不同时刻采集到的子图对输入至训练好的地貌变化检测模型，得到语义分割结果的语义变化。
S43：将不同子图上的语义分割结果的语义变化进行综合，得到整个地貌图像上的地貌变化检测结果。
其中，每个子图上，与其他子图没有重叠的区域，直接采用该没有重叠的区域的输出结果作为最终检测结果。
每个子图上，与其他子图的重叠区域，采用线性差值的方法得到重叠区域的最终检测结果。具体包括：如图2所示，以两个子图的重叠区域的左下角为原点，以地貌图像的水平方向和垂直方向分别为x、y轴，建立坐标系，定义权重函数，用来表示两幅子图里面任意重叠区域位置上检测结果的权重：
，/>；
其中表示坐标系中的横坐标；i表示地貌图像中子图在水平方向的编号；j表示地貌图像中子图在垂直方向的编号；/>表示水平方向编号为i、垂直方向编号为j的子图中横坐标为x的所有点的权重、/>表示水平方向编号为i+1、垂直方向编号为j的子图/>中横坐标为x的所有点的权重。
则对于重叠区域，融合后的检测结果可以通过下式计算：
；
y表示坐标系中的纵坐标；表示水平方向编号为i、垂直方向编号为j的子图在坐标点/>处的语义变化；/>表示水平方向编号为i+1、垂直方向编号为j的子图在坐标点/>处的语义变化。
对于垂直方向的融合，计算方式和水平方向类似。对于四个子图重叠区域，则先按水平方向融合的方式进行计算，再将结果按照垂直方向融合的方式进行计算。
S44，经过步骤S43后，已经得到了整张地貌图像的地貌变化检测结果。S43步骤虽然能够提高整体的预测准确率，但是也会在一些微小的不连通区域上产生误判。为此，本发明最后通过后处理的方式对这些区域进行矫正。具体做法是通过地貌图像处理中的形态学膨胀和腐蚀操作，消除地貌变化检测结果上的细小空洞和不连通区域。在具体实施时，膨胀和腐蚀操作的结构元内核设置为边长为10像素的正方形。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于无人机航拍影像的国土地貌变化快速发现方法，通过完成训练的地貌变化检测模型实现地貌变化检测；
地貌变化检测模型的训练方法包括以下步骤：
S1：利用无人机机载成像设备定期地采集同一地点不同时刻的地貌图像，对地貌图像进行标注和预处理；
S2：利用多任务学习框架，搭建基于神经网络的地貌变化检测模型，进行地貌变化检测：
地貌变化检测模型的输入为同一地点两个不同时刻的地貌图像组成的地貌图像对、输出为地貌图像对中两个地貌图像的语义变化；
地貌变化检测模型利用全卷积网络对地貌图像对中两个地貌图像进行语义分割，并计算两个地貌图像的语义分割结果和/>的语义变化R；
所述全卷积网络包括基础主干网络、全卷积层、转置卷积和跳连接；
所述基础主干网络用于提取地貌图像中的关键信息，选用去除全连接层后的ResNet-19网络；
全卷积层有四个，每个全卷积层包括一个卷积层和一个最大池化层，四个全卷积层依次将基础主干网络的输出的宽和高降低为原来的1/2、1/4、1/8和1/16，每个卷积层中卷积核的数量与待分割语义类别的数量相同；
转置卷积有四个，分别以四个全卷积层的输出作为输入，将全卷积层的输出的宽和高放大至原来的两倍，每个转置卷积中卷积核的数量与待分割语义类别的数量相同；
四个全卷积层的输出分别为，四个转置卷积的输出分别为、输入分别为/>，则跳连接完成如下功能：
；
将两个地貌图像的语义分割结果和/>均分割成/>的块，则语义变化R为：
；
其中，，其中H和W分别为输入至地貌变化检测模型中的地貌图像的高和宽；/>表示语义分割结果/>中的第n个块，/>表示语义分割结果/>中的第n个块；
S3：地貌变化检测模型在多任务学习框架内进行训练，综合单个地貌图像的语义分割任务和地貌图像对的语义变化任务，设置地貌变化检测模型的损失函数：
；
其中，为交叉熵损失函数，softmax为归一化指数函数，/>为第/>个地貌图像的像素级语义标注的结果，/>为权重参数；
S4：在推理阶段，对无人机机载成像设备采集到的地貌图像对进行分割，得到若干子图，将同一地点、不同时刻的子图对输入至完成训练的地貌变化检测模型，得到不同子图对的语义变化R，进而得到完整的地貌图像的地貌变化检测结果。
2.根据权利要求1所述的基于无人机航拍影像的国土地貌变化快速发现方法，其特征在于，步骤S1具体包括以下步骤：
S11：对于获取的地貌图像，利用农田、灌木丛、道路、村庄、空地共五种标签进行像素级标注；
S12：在同一地点、不同时刻获取的地貌图像中，每次随机选择两张构成地貌图像对，并利用农田、灌木丛、道路、村庄、空地共五种标签手工标记地貌图像对中两个地貌图像的语义变化；
S13：对地貌图像对进行的预处理操作，包括旋转、加噪声、直方图均衡化和亮度增强。
3.根据权利要求1所述的基于无人机航拍影像的国土地貌变化快速发现方法，其特征在于，步骤S4具体包括以下步骤：
S41：将无人机机载成像设备在同一地点、不同时刻采集到的地貌图像对通过有重叠采样的方式，分割成带重叠区域的大小的子图；水平方向上和垂直方向上两个相邻子图的重叠区域的尺寸均为O；
S42：将分割后的同一地点、不同时刻采集到的子图对的输入训练好的地貌变化检测模型，得到的语义变化R；
S43：将不同子图对的语义变化R进行综合，得到整个地貌图像上的地貌变化检测结果；其中，每个子图上的与其他子图没有重叠的区域，直接采用没有重叠区域的地貌变化检测结果作为最终地貌变化检测结果；
每个子图上与其他子图的重叠区域，采用线性差值的方法得到重叠区域的最终地貌变化检测结果。
4.根据权利要求3所述的基于无人机航拍影像的国土地貌变化快速发现方法，其特征在于，步骤S43中，采用线性差值的方法得到重叠区域的最终地貌变化检测结果时，以两个相邻子图的重叠区域的左下角为原点，建立坐标系，定义如下的权重函数，用来表示两幅子图里面任意位置上结果的权重：
，/>；
其中表示坐标系中的横坐标；i表示地貌图像中子图在水平方向的编号；j表示地貌图像中子图在垂直方向的编号；/>表示水平方向编号为i、垂直方向编号为j的子图中横坐标为x的所有点的权重、/>表示水平方向编号为i+1、垂直方向编号为j的子图中横坐标为x的所有点的权重；
则重叠区域各位置的最终地貌变化检测结果为：
；
y表示坐标系中的纵坐标；表示水平方向编号为i、垂直方向编号为j的子图在坐标点/>处的语义变化；/>表示水平方向编号为i+1、垂直方向编号为j的子图在坐标点/>处的语义变化。
5.根据权利要求1所述的基于无人机航拍影像的国土地貌变化快速发现方法，其特征在于，步骤S4中，得到地貌图像的地貌变化检测结果后，通过形态学膨胀和腐蚀操作消除地貌变化检测结果上的空洞和不连通区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310685229.2A CN116452983B (zh) | 2023-06-12 | 2023-06-12 | 一种基于无人机航拍影像的国土地貌变化快速发现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310685229.2A CN116452983B (zh) | 2023-06-12 | 2023-06-12 | 一种基于无人机航拍影像的国土地貌变化快速发现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116452983A true CN116452983A (zh) | 2023-07-18 |
| CN116452983B CN116452983B (zh) | 2023-10-10 |
Family
ID=87124039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310685229.2A Active CN116452983B (zh) | 2023-06-12 | 2023-06-12 | 一种基于无人机航拍影像的国土地貌变化快速发现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452983B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649839A (zh) * | 2024-01-29 | 2024-03-05 | 合肥工业大学 | 一种基于低秩适应的个性化语音合成方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140200827A1 (en) * | 2013-01-11 | 2014-07-17 | International Business Machines Corporation | Railway track geometry defect modeling for predicting deterioration, derailment risk, and optimal repair |
| CN109871875A (zh) * | 2019-01-21 | 2019-06-11 | 大连理工大学 | 一种基于深度学习的建筑物变化检测方法 |
| CN109886238A (zh) * | 2019-03-01 | 2019-06-14 | 湖北无垠智探科技发展有限公司 | 基于语义分割的无人机航拍图像变化检测算法 |
| CN109934166A (zh) * | 2019-03-12 | 2019-06-25 | 中山大学 | 基于语义分割和孪生神经网络的无人机图像变化检测方法 |
| WO2020142077A1 (en) * | 2018-12-31 | 2020-07-09 | Didi Research America, Llc | Method and system for semantic segmentation involving multi-task convolutional neural network |
| CN111582043A (zh) * | 2020-04-15 | 2020-08-25 | 电子科技大学 | 基于多任务学习的高分辨率遥感影像地物变化检测方法 |
| CN111915571A (zh) * | 2020-07-10 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 融合残差网络与U-Net网络的图像变化检测方法、装置、存储介质及设备 |
| KR102197297B1 (ko) * | 2019-09-27 | 2020-12-31 | 서울대학교산학협력단 | 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법 |
| CN112233062A (zh) * | 2020-09-10 | 2021-01-15 | 浙江大华技术股份有限公司 | 地物变化检测方法、电子装置和存储介质 |
| CN112668494A (zh) * | 2020-12-31 | 2021-04-16 | 西安电子科技大学 | 基于多尺度特征提取的小样本变化检测方法 |
| US11238307B1 (en) * | 2020-09-24 | 2022-02-01 | Eagle Technology, Llc | System for performing change detection within a 3D geospatial model based upon semantic change detection using deep learning and related methods |
| CN114241314A (zh) * | 2021-12-21 | 2022-03-25 | 天地信息网络研究院(安徽)有限公司 | 一种基于CenterNet的遥感影像建筑物变化检测模型及算法 |
| US20220245936A1 (en) * | 2019-07-12 | 2022-08-04 | Neo, Netherlands Geomatics & Earth Observation B.V. | Object-based change detection using a neural network |
| US20220358334A1 (en) * | 2021-05-10 | 2022-11-10 | Qingdao Technological University | Assembly body change detection method, device and medium based on attention mechanism |
| CN115546671A (zh) * | 2022-11-01 | 2022-12-30 | 北京数字政通科技股份有限公司 | 一种基于多任务学习的无人机变化检测方法及其系统 |
| WO2023007198A1 (en) * | 2021-07-27 | 2023-02-02 | Számítástechnikai És Automatizálási Kutatóintézet | Training method for training a change detection system, training set generating method therefor, and change detection system |
| CN116091492A (zh) * | 2023-04-06 | 2023-05-09 | 中国科学技术大学 | 一种图像变化像素级检测方法与系统 |
-
2023
- 2023-06-12 CN CN202310685229.2A patent/CN116452983B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140200827A1 (en) * | 2013-01-11 | 2014-07-17 | International Business Machines Corporation | Railway track geometry defect modeling for predicting deterioration, derailment risk, and optimal repair |
| WO2020142077A1 (en) * | 2018-12-31 | 2020-07-09 | Didi Research America, Llc | Method and system for semantic segmentation involving multi-task convolutional neural network |
| CN109871875A (zh) * | 2019-01-21 | 2019-06-11 | 大连理工大学 | 一种基于深度学习的建筑物变化检测方法 |
| CN109886238A (zh) * | 2019-03-01 | 2019-06-14 | 湖北无垠智探科技发展有限公司 | 基于语义分割的无人机航拍图像变化检测算法 |
| CN109934166A (zh) * | 2019-03-12 | 2019-06-25 | 中山大学 | 基于语义分割和孪生神经网络的无人机图像变化检测方法 |
| US20220245936A1 (en) * | 2019-07-12 | 2022-08-04 | Neo, Netherlands Geomatics & Earth Observation B.V. | Object-based change detection using a neural network |
| KR102197297B1 (ko) * | 2019-09-27 | 2020-12-31 | 서울대학교산학협력단 | 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법 |
| CN111582043A (zh) * | 2020-04-15 | 2020-08-25 | 电子科技大学 | 基于多任务学习的高分辨率遥感影像地物变化检测方法 |
| CN111915571A (zh) * | 2020-07-10 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 融合残差网络与U-Net网络的图像变化检测方法、装置、存储介质及设备 |
| CN112233062A (zh) * | 2020-09-10 | 2021-01-15 | 浙江大华技术股份有限公司 | 地物变化检测方法、电子装置和存储介质 |
| US11238307B1 (en) * | 2020-09-24 | 2022-02-01 | Eagle Technology, Llc | System for performing change detection within a 3D geospatial model based upon semantic change detection using deep learning and related methods |
| CN112668494A (zh) * | 2020-12-31 | 2021-04-16 | 西安电子科技大学 | 基于多尺度特征提取的小样本变化检测方法 |
| US20220358334A1 (en) * | 2021-05-10 | 2022-11-10 | Qingdao Technological University | Assembly body change detection method, device and medium based on attention mechanism |
| WO2023007198A1 (en) * | 2021-07-27 | 2023-02-02 | Számítástechnikai És Automatizálási Kutatóintézet | Training method for training a change detection system, training set generating method therefor, and change detection system |
| CN114241314A (zh) * | 2021-12-21 | 2022-03-25 | 天地信息网络研究院(安徽)有限公司 | 一种基于CenterNet的遥感影像建筑物变化检测模型及算法 |
| CN115546671A (zh) * | 2022-11-01 | 2022-12-30 | 北京数字政通科技股份有限公司 | 一种基于多任务学习的无人机变化检测方法及其系统 |
| CN116091492A (zh) * | 2023-04-06 | 2023-05-09 | 中国科学技术大学 | 一种图像变化像素级检测方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| ANNUS ZULFIQAR 等: ""AI-ForestWatch: semantic segmentation based end-to-end framework for forest estimation and change detection using multi-spectral remote sensing imagery"", 《JOURNAL OF APPLIED REMOTE SENSING》, vol. 15, no. 02, pages 174 - 175 * |
| 高振宇 等: "基于改进语义分割网络的输电走廊遥感变化检测", 《航天返回与遥感》, vol. 42, no. 4, pages 120 - 129 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649839A (zh) * | 2024-01-29 | 2024-03-05 | 合肥工业大学 | 一种基于低秩适应的个性化语音合成方法 |
| CN117649839B (zh) * | 2024-01-29 | 2024-04-19 | 合肥工业大学 | 一种基于低秩适应的个性化语音合成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116452983B (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | Treepedia 2.0: applying deep learning for large-scale quantification of urban tree cover | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| CN108416292B (zh) | 一种基于深度学习的无人机航拍图像道路提取方法 | |
| CN116452983B (zh) | 一种基于无人机航拍影像的国土地貌变化快速发现方法 | |
| CN112084869A (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
| CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
| CN111079604A (zh) | 面向大尺度遥感图像的微小目标快速检测方法 | |
| CN113610905B (zh) | 基于子图像匹配的深度学习遥感图像配准方法及应用 | |
| CN114677507A (zh) | 一种基于双向注意力网络的街景图像分割方法及系统 | |
| CN110851948B (zh) | 非结构化道路条件下的行车环境态势评估方法及评估装置 | |
| CN113255589A (zh) | 一种基于多卷积融合网络的目标检测方法及系统 | |
| CN112734739A (zh) | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 | |
| CN111667461B (zh) | 一种输电线路异常目标检测方法 | |
| CN111611918B (zh) | 基于航拍数据和深度学习的交通流数据集采集及构建方法 | |
| CN111223087A (zh) | 一种基于生成对抗网络的桥梁裂缝自动检测方法 | |
| CN114596316A (zh) | 一种基于语义分割的道路图像细节抓取方法 | |
| CN114998251A (zh) | 一种基于联邦学习的空中多视觉平台地面异常检测方法 | |
| CN116485885A (zh) | 基于深度学习去除视觉slam前端动态特征点的方法 | |
| CN109558801B (zh) | 道路网络提取方法、介质、计算机设备及系统 | |
| Bhimra et al. | Using 3d residual network for spatio-temporal analysis of remote sensing data | |
| Li et al. | Detecting urban land-use and land-cover changes in Mississauga using Landsat TM images | |
| CN111726535A (zh) | 基于车辆感知的智慧城市cim视频大数据画质控制方法 | |
| Van Etten | City-scale road extraction from satellite imagery | |
| CN114550016B (zh) | 一种基于上下文信息感知的无人机定位方法及系统 | |
| Gupta et al. | Post disaster mapping with semantic change detection in satellite imagery |
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 |