CN116563724B - 基于多源高分卫星遥感影像的城市固废提取方法及系统 - Google Patents
基于多源高分卫星遥感影像的城市固废提取方法及系统 Download PDFInfo
- Publication number
- CN116563724B CN116563724B CN202310428238.3A CN202310428238A CN116563724B CN 116563724 B CN116563724 B CN 116563724B CN 202310428238 A CN202310428238 A CN 202310428238A CN 116563724 B CN116563724 B CN 116563724B
- Authority
- CN
- China
- Prior art keywords
- solid waste
- urban solid
- resolution satellite
- remote sensing
- multisource
- 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
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 164
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000002349 favourable effect Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 21
- 239000002910 solid waste Substances 0.000 claims description 12
- 230000000903 blocking effect Effects 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000010791 domestic waste Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000002440 industrial waste Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid 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
- G06V20/13—Satellite images
-
- 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
-
- 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
- G06V10/77—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
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- 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
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于多源高分卫星遥感影像的城市固废提取方法及系统，该方法通过对包含有城市固废的多源高分卫星遥感影像进行收集及预处理，构建城市固废样本库；通过构建基于多源高分卫星影像的城市固废识别模型，学习有利于城市固废识别的特征和知识；在构建的城市固废样本库的支撑下和目标损失函数的约束下，对构建的基于多源高分卫星影像的城市固废识别模型进行训练，测试后用于识别待测区域的城市固废。本发明可实现基于多源高分卫星遥感影像的城市固废识别自动化提取，推动实现多云多雨的热带/亚热带地区城市固废的有效监测，弥补城市固废环境监管盲区，形成全覆盖、无死角的环境监管体系，改善市民生活环境质量。
Description
技术领域
本发明涉及生态环境保护技术领域，特别涉及一种基于多源高分卫星遥感影像的城市固废提取方法及系统。
背景技术
城市固体废弃物，简称“城市固废”，指的是人类在生产建设、日常生活和其他活动中产生的固态或半固态的废弃物体，包括生活垃圾、建筑垃圾和工业垃圾等。在过去几十年里，全世界尤其是发展中国家步入了快速城市化的时代，加剧了城市固废的产生。为改善城市生态环境质量，提升市民生活幸福指数，需要对城市固废进行实时有效的监测。
城市固废的分布呈随机性大、分布范围广、隐蔽性强的特点，目前常用的实地调查的手段，需要耗费大量的人力、财力、物力，且不能实现对城市固废的实时快速、全方位、无死角的监测。相较而言，卫星遥感技术具有探测距离远、覆盖范围广、重访周期短的优势。
目前，学界已经在利用高分卫星遥感影像进行城市固废识别方面进行了一些积极的探索，证明了利用高分卫星遥感影像监测城市固废的有效性并逐步推动其成为城市固废监测的主流方法。然而，目前基于高分卫星遥感影像的城市固废识别尚存在以下两方面的不足：第一，目前基于遥感影像的城市固废识别多采用目视解译或者人机交互的方式进行，这种方式需要耗费大量的人力和物力，自动化程度低，时效性差；第二，当前基于卫星遥感影像监测的城市固废识别通常以光学卫星遥感影像为数据源，然而，光学遥感易受云、雾、雨、雪等天气条件的干扰，单一的高分卫星在部分地区，特别是多云多雨的热带/亚热带地区有效数据率极低；需要多源高分卫星协同应用将大大提高城市固废的有效、及时的监测。
发明内容
针对现有技术的不足，本发明提供一种基于多源高分卫星遥感影像的城市固废提取方法及系统，利用多源高分卫星遥感监测技术手段优势，解决城市固废全面监管难和卫星覆盖有效数据率低的难题，实现城市固废自动化、精准化和实时化监测，弥补环境监管盲区，形成全覆盖、无死角的环境监管体系。
为实现上述目的，本发明采取的技术方案为：
第一方面，本发明实施例提供一种基于多源高分卫星遥感影像的城市固废提取方法，包括以下步骤：
步骤a、收集包含有城市固废的多源高分卫星遥感影像，并进行相应的预处理；
步骤b、通过对光学遥感影像目视解译，同时结合地面调查数据，对预处理后的多源高分卫星遥感影像上的城市固废的类别及范围进行识别并逐像素标注，构建基于多源高分卫星影像的城市固废遥感样本库；
步骤c、构建基于多源高分卫星影像的城市固废识别模型，从多源高分卫星影像中学习有利于城市固废识别的特征和知识；
步骤d、在步骤b构建的基于多源高分卫星影像的城市固废遥感样本库的支撑下和目标损失函数的约束下，对步骤c构建的基于多源高分卫星影像的城市固废识别模型进行训练，得到训练好的基于多源高分卫星影像的城市固废识别模型；
步骤e、获取待识别区域的多源高分卫星遥感影像并进行相应的预处理，随后对预处理后的多源高分卫星遥感影像进行裁剪分块输入到步骤d训练好的基于多源高分卫星影像的城市固废识别模型中，得到待识别区域的城市固废识别结果。
进一步地，所述步骤a包括：
收集包含有城市固废的多源高分卫星遥感影像，进行大气校正、辐射定标和几何校正处理；
当所述多源高分卫星遥感影像的空间分辨率不一致时，通过重采样将空间分辨率统一；
选择其中一类高分卫星影像数据为基准，对多源高分卫星影像进行配准，使其处于统一地理坐标系下。
进一步地，所述步骤b中，在像素标注完成后对整幅影像进行预设尺寸裁剪分块，将裁剪后的所有影像按照预设比例随机分成训练集、测试集和验证集，以此构建基于多源高分卫星影像的城市固废遥感样本库。
进一步地，所述步骤c包括：
基于UNet模型强大的特征学习和表征能力，构建基于多源高分卫星影像的城市固废识别模型；
在目标损失函数的约束下，学习多源高分卫星影像中包含有利于城市固废识别的特征和知识。
第二方面，本发明实施例还提供一种基于多源高分卫星遥感影像的城市固废提取系统，用于实现如上述实施例任一项所述的一种基于多源高分卫星遥感影像的城市固废提取方法。
进一步地，该系统包括：
第一模块，用于收集包含有城市固废的多源高分卫星遥感影像，并进行相应的预处理；
第二模块，用于对预处理后的城市固废的类别及范围进行识别并逐像素标注，构建基于多源高分卫星影像的城市固废遥感样本库；
第三模块，用于构建基于多源高分卫星影像的城市固废识别模型，从多源高分卫星影像中学习有利于城市固废识别的特征和知识；
第四模块，用于在构建的基于多源高分卫星影像的城市固废遥感样本库的支撑下和目标损失函数的约束下，对构建的基于多源高分卫星影像的城市固废识别模型进行训练，得到训练好的基于多源高分卫星影像的城市固废识别模型；
第五模块，用于获取待识别区域的多源高分卫星遥感影像并进行相应的预处理，随后对预处理后的多源高分卫星遥感影像进行裁剪分块输入到步骤d训练好的基于多源高分卫星影像的城市固废识别模型中，得到待识别区域的城市固废识别结果。
第三方面，本发明实施例又提供一种计算设备，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上述实施例任一项所述的一种基于多源高分卫星遥感影像的城市固废提取方法。
第四方面，本发明实施例再提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上述实施例任一项所述的一种基于多源高分卫星遥感影像的城市固废提取方法。
本发明中第二方面至第四方面的描述，可以参考第一方面的详细描述；并且，第二方面至第四方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。
与现有技术相比，本发明具有如下有益效果：
本发明实施例提供的一种基于多源高分卫星遥感影像的城市固废提取方法，利用多源高分卫星遥感影像监测优势，通过将多源高分卫星遥感影像中包含的城市固废有关的特征训练到城市固废识别模型中，实现基于多源高分卫星遥感影像的城市固废识别自动化提取，推动实现多云多雨的热带/亚热带地区城市固废的有效监测，弥补城市固废环境监管盲区，形成全覆盖、无死角的环境监管体系，改善市民生活环境质量。
附图说明
图1为本发明实施例提供的基于多源高分卫星遥感影像的城市固废提取方法流程图；
图2为本发明实施例提供的基于多源高分卫星遥感影像的城市固废提取系统框图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
本发明提供的一种基于多源高分卫星遥感影像的城市固废提取方法，包括构建基于多源高分卫星遥感影像的城市固废遥感样本库，将基于多源高分卫星遥感影像的城市固废识别预训练模型学习到城市固废有关的特征训练到城市固废识别模型中，支撑城市固废监管需求。
通过上述方式，本发明能够将多源高分卫星遥感影像中包含的丰富的城市固废有关的特征训练到城市固废识别模型中，实现不同地区城市固废的自动化、精准化和实时化监测，弥补城市固废环境监管盲区，形成全覆盖、无死角的环境监管体系，改善市民生活环境质量。
参照图1所示，本发明实施例提供的一种基于多源高分卫星遥感影像的城市固废提取方法，包括以下步骤：
a、收集包含有城市固废的多源高分卫星遥感影像，并进行相应的预处理；用于后续城市固废样本库的构建。
具体实施时，首先对获取的包含有城市固废的多源高分卫星遥感影像进行大气校正、辐射定标、几何校正等预处理；比如获取高分一号、高分二号、高分多模卫星等空间分辨率优于2米的多源高分卫星影像。如果不同高分卫星影像的空间分辨率不一致时，需要通过重采样将其空间分辨率统一，然后以其中一种高分卫星影像为基准采用多项式的方式进行配准，并且要求几何配准误差小于一个像元，使得多源高分卫星遥感影像处于统一的地理坐标系下用于后续城市固废样本库的构建。本步骤可以预先进行，进行流程时直接输入已经处理好的多源高分卫星遥感影像。
b、构建基于多源高分卫星影像的城市固废遥感样本库：通过对光学遥感影像目视解译，同时结合地面调查数据，对预处理后的多源高分卫星影像上的城市固废的类别以及范围进行识别并逐像素标注，标注完成后对整幅影像进行裁剪分块，以此构建基于多源高分卫星影像的城市固废遥感样本库。本步骤可以预先进行，进入流程时直接输入已有的城市固废多源高分卫星影像样本库。
具体实施时，通过对多源高分卫星遥感影像目视解译，同时结合地面调查数据，对预处理后的多源高分卫星遥感影像上的城市固废进行识别并逐像素标注，标注内容包括城市固废的类别(工业垃圾、生活垃圾、建筑垃圾等)和范围，不同的城市固废类别可用不同的像素值标注，如工业垃圾标注为“1”、生活垃圾标注为“2”、建筑垃圾标注为“3”。标注工具可选用可视化的图像标注工具LableImg或图像处理软件PhotoShop，亦可选用专业的遥感处理软件ArcGIS等。在完成整幅影像的标注后，根据具体需求和计算资源，将整幅影像进行裁剪分块，分块大小建议为2n×2n(如512×512、256×256或128×128等)，并按照8：1：1的比例将裁剪后的影像块随机地分成训练集、测试集和验证集，以此完成基于多源高分卫星影像的城市固废遥感样本库的构建。
c、构建基于多源高分卫星遥感影像的城市固废识别模型：利用深度学习模型强大的特征学习和表征能力，构建基于多源高分卫星影像的城市固废识别模型，在目标损失函数的约束下，学习多源高分卫星影像中包含的有利于城市固废识别的特征和知识。
具体实施时，考虑到UNet模型良好的分割性能和优越的鲁棒性，本实施例以UNet为主干网络构建基于多源高分卫星遥感影像的城市固废识别模型。UNet模型是一个具有对称结构的“U”形编码器-解码器网络，编码器由一系列3×3卷积、批归一化(BatchNormalization,BN)和一个2×2最大池化层组成，获取影像的多尺度特征。解码器由对应的上采样和3×3卷积操作组成，逐步将低层特征信息恢复到原始输入影像大小。最后一层由3×3卷积、BN和ReLU函数组成，输出通道数等于城市固废的类别数，进而得到最终的城市固废识别结果。编码器和解码器之间通过跳连接进行连接，实现多尺度特征和空间细节信息的良好结合。
具体实施时，采用交叉熵损失函数作为目标损失函数来引导城市固废识别模型的训练。交叉熵损失是语义分割中最常用的像素级损失函数，其具体表达式如下：
(1)式中，yi表示标签值，y′i表示预测值，n表示像素数量，i表示索引值，n≥i≥1。
d、训练基于多源高分卫星遥感影像的城市固废识别模型：在步骤b构建的城市固废多源高分卫星遥感影像样本库的支撑下和目标损失函数的约束下，对步骤c构建的基于多源高分卫星遥感影像的城市固废识别模型进行训练，得到训练好的基于多源高分卫星遥感影像的城市固废识别模型。
具体实施时，为防止模型过拟合，本实施例在训练过程中通过翻转、旋转、缩放、平移、添加随机噪声等对训练集进行了数据增强。同时，根据测试集识别结果对模型进行调参，直至达到较好的识别效果。
e、识别待测区域的城市固废：获取待测区域的多源高分卫星遥感影像并进行相应的预处理，随后对预处理后的多源高分卫星遥感影像进行裁剪分块输入到步骤d训练好的基于多源高分卫星遥感影像城市固废遥感识别模型中，得到待识别区域的城市固废识别结果。
实施例2：
本发明实施例还提供一种基于多源高分卫星遥感影像的城市固废提取系统，用于实现如上述实施例1的基于多源高分卫星遥感影像的城市固废提取方法。如图2所示，该系统具体包括：
第一模块，用于收集包含有城市固废的多源高分卫星遥感影像，并进行相应的预处理；
第二模块，用于对预处理后的城市固废的类别及范围进行识别并逐像素标注，构建基于多源高分卫星影像的城市固废遥感样本库；
第三模块，用于构建基于多源高分卫星影像的城市固废识别模型，从多源高分卫星影像中学习有利于城市固废识别的特征和知识；
第四模块，用于在构建的基于多源高分卫星影像的城市固废遥感样本库的支撑下和目标损失函数的约束下，对构建的基于多源高分卫星影像的城市固废识别模型进行训练，得到训练好的基于多源高分卫星影像的城市固废识别模型；
第五模块，用于获取待识别区域的多源高分卫星遥感影像并进行相应的预处理，随后对预处理后的多源高分卫星遥感影像进行裁剪分块输入到步骤d训练好的基于多源高分卫星影像的城市固废识别模型中，得到待识别区域的城市固废识别结果。
本发明实施例中，通过对包含有城市固废的多源高分卫星遥感影像进行收集和预处理，构建城市固废样本库；通过构建基于多源高分卫星遥感影像的城市固废识别预训练模型，从多源高分卫星遥感影像中学习有利于城市固废识别的特征和知识；构建基于多源高分卫星遥感影像城市固废识别模型，学习有利于城市固废识别的特征和知识；在构建的城市固废样本库的支撑下和目标损失函数的约束下，对构建的基于多源高分卫星影像的城市固废识别模型进行训练，测试后用于识别待测区域的城市固废。本发明可实现基于多源高分卫星遥感影像的城市固废识别自动化提取，推动实现多云多雨的热带/亚热带地区城市固废的有效监测，弥补城市固废环境监管盲区，形成全覆盖、无死角的环境监管体系，改善市民生活环境质量。
实施例3：
本发明实施例还提供一种计算设备，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上实施例1的一种基于多源高分卫星遥感影像的城市固废提取方法。
实施例4：
本发明实施例再提供一种可读存储介质，该可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上实施例1的一种基于多源高分卫星遥感影像的城市固废提取方法。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于多源高分卫星遥感影像的城市固废提取方法，其特征在于，包括以下步骤：
步骤a、收集包含有城市固废的多源高分卫星遥感影像，并进行相应的预处理；
步骤b、通过对光学遥感影像目视解译，同时结合地面调查数据，对预处理后的多源高分卫星遥感影像上的城市固废的类别及范围进行识别并逐像素标注，构建基于多源高分卫星影像的城市固废遥感样本库；
步骤c、构建基于多源高分卫星影像的城市固废识别模型，从多源高分卫星影像中学习有利于城市固废识别的特征和知识；采用交叉熵损失函数作为目标损失函数来引导城市固废识别模型的训练；
步骤d、在步骤b构建的基于多源高分卫星影像的城市固废遥感样本库的支撑下和目标损失函数的约束下，对步骤c构建的基于多源高分卫星影像的城市固废识别模型进行训练，得到训练好的基于多源高分卫星影像的城市固废识别模型；为防止模型过拟合，在训练过程中通过翻转、旋转、缩放、平移、添加随机噪声，对训练集进行了数据增强；同时，根据测试集识别结果对模型进行调参，直至达到较好的识别效果；
步骤e、获取待识别区域的多源高分卫星遥感影像并进行相应的预处理，随后对预处理后的多源高分卫星遥感影像进行裁剪分块输入到步骤d训练好的基于多源高分卫星影像的城市固废识别模型中，得到待识别区域的城市固废识别结果；
其中，所述步骤a包括：
收集包含有城市固废的多源高分卫星遥感影像，进行大气校正、辐射定标和几何校正处理；
当所述多源高分卫星遥感影像的空间分辨率不一致时，通过重采样将空间分辨率统一；
选择其中一类高分卫星影像数据为基准，对多源高分卫星影像进行配准，使其处于统一地理坐标系下；
所述步骤c包括：
基于UNet模型强大的特征学习和表征能力，构建基于多源高分卫星影像的城市固废识别模型；在目标损失函数的约束下，学习多源高分卫星影像中包含有利于城市固废识别的特征和知识；其中，UNet模型为具有对称结构的U形编码器-解码器网络，编码器由一系列3×3卷积、批归一化和一个2×2最大池化层组成，获取影像的多尺度特征；解码器由对应的上采样和3×3卷积操作组成，逐步将低层特征信息恢复到原始输入影像大小；最后一层由3×3卷积、BN和ReLU函数组成，输出通道数等于城市固废的类别数，进而得到最终的城市固废识别结果；编码器和解码器之间通过跳连接进行连接，实现多尺度特征和空间细节信息的结合。
2.根据权利要求1所述的一种基于多源高分卫星遥感影像的城市固废提取方法，其特征在于，所述步骤b中，在像素标注完成后对整幅影像进行预设尺寸裁剪分块，将裁剪后的所有影像按照预设比例随机分成训练集、测试集和验证集，以此构建基于多源高分卫星影像的城市固废遥感样本库。
3.一种基于多源高分卫星遥感影像的城市固废提取系统，其特征在于，用于实现如权利要求1-2任一项所述的一种基于多源高分卫星遥感影像的城市固废提取方法。
4.根据权利要求3所述的一种基于多源高分卫星遥感影像的城市固废提取系统，其特征在于，包括：
第一模块，用于收集包含有城市固废的多源高分卫星遥感影像，并进行相应的预处理；
第二模块，用于对预处理后的城市固废的类别及范围进行识别并逐像素标注，构建基于多源高分卫星影像的城市固废遥感样本库；
第三模块，用于构建基于多源高分卫星影像的城市固废识别模型，从多源高分卫星影像中学习有利于城市固废识别的特征和知识；采用交叉熵损失函数作为目标损失函数来引导城市固废识别模型的训练；
第四模块，用于在构建的基于多源高分卫星影像的城市固废遥感样本库的支撑下和目标损失函数的约束下，对构建的基于多源高分卫星影像的城市固废识别模型进行训练，得到训练好的基于多源高分卫星影像的城市固废识别模型；为防止模型过拟合，在训练过程中通过翻转、旋转、缩放、平移、添加随机噪声，对训练集进行了数据增强；同时，根据测试集识别结果对模型进行调参，直至达到较好的识别效果；
第五模块，用于获取待识别区域的多源高分卫星遥感影像并进行相应的预处理，随后对预处理后的多源高分卫星遥感影像进行裁剪分块输入到训练好的基于多源高分卫星影像的城市固废识别模型中，得到待识别区域的城市固废识别结果；
其中，第一模块具体用于：收集包含有城市固废的多源高分卫星遥感影像，进行大气校正、辐射定标和几何校正处理；当所述多源高分卫星遥感影像的空间分辨率不一致时，通过重采样将空间分辨率统一；选择其中一类高分卫星影像数据为基准，对多源高分卫星影像进行配准，使其处于统一地理坐标系下；
第三模块具体用于：基于UNet模型强大的特征学习和表征能力，构建基于多源高分卫星影像的城市固废识别模型；在目标损失函数的约束下，学习多源高分卫星影像中包含有利于城市固废识别的特征和知识；其中，UNet模型为具有对称结构的U形编码器-解码器网络，编码器由一系列3×3卷积、批归一化和一个2×2最大池化层组成，获取影像的多尺度特征；解码器由对应的上采样和3×3卷积操作组成，逐步将低层特征信息恢复到原始输入影像大小；最后一层由3×3卷积、BN和ReLU函数组成，输出通道数等于城市固废的类别数，进而得到最终的城市固废识别结果；编码器和解码器之间通过跳连接进行连接，实现多尺度特征和空间细节信息的结合。
5.一种计算设备，其特征在于，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如权利要求1-2任一项所述的一种基于多源高分卫星遥感影像的城市固废提取方法。
6.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-2任一项所述的一种基于多源高分卫星遥感影像的城市固废提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310428238.3A CN116563724B (zh) | 2023-04-20 | 2023-04-20 | 基于多源高分卫星遥感影像的城市固废提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310428238.3A CN116563724B (zh) | 2023-04-20 | 2023-04-20 | 基于多源高分卫星遥感影像的城市固废提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116563724A CN116563724A (zh) | 2023-08-08 |
| CN116563724B true CN116563724B (zh) | 2024-05-14 |
Family
ID=87497450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310428238.3A Active CN116563724B (zh) | 2023-04-20 | 2023-04-20 | 基于多源高分卫星遥感影像的城市固废提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116563724B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 ｇｉｓ를 사용한 토지피복 항목별 영상분류 방법 |
| CN114241332A (zh) * | 2021-12-17 | 2022-03-25 | 深圳博沃智慧科技有限公司 | 一种基于深度学习的固废场识别方法、装置以及存储介质 |
| CN115330720A (zh) * | 2022-08-15 | 2022-11-11 | 南湖实验室 | 一种无人机影像地表固废检测模型及检测方法 |
| CN115641515A (zh) * | 2022-10-10 | 2023-01-24 | 重庆数字城市科技有限公司 | 一种基于U-Net网络的遥感影像裸露地块图像识别方法 |
| CN115965838A (zh) * | 2022-12-14 | 2023-04-14 | 南湖实验室 | 基于半监督学习的固废检测模型构建方法及固废检测方法 |
-
2023
- 2023-04-20 CN CN202310428238.3A patent/CN116563724B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 ｇｉｓ를 사용한 토지피복 항목별 영상분류 방법 |
| CN114241332A (zh) * | 2021-12-17 | 2022-03-25 | 深圳博沃智慧科技有限公司 | 一种基于深度学习的固废场识别方法、装置以及存储介质 |
| CN115330720A (zh) * | 2022-08-15 | 2022-11-11 | 南湖实验室 | 一种无人机影像地表固废检测模型及检测方法 |
| CN115641515A (zh) * | 2022-10-10 | 2023-01-24 | 重庆数字城市科技有限公司 | 一种基于U-Net网络的遥感影像裸露地块图像识别方法 |
| CN115965838A (zh) * | 2022-12-14 | 2023-04-14 | 南湖实验室 | 基于半监督学习的固废检测模型构建方法及固废检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李恒凯.离子吸附型稀土矿区地表环境多源遥感监测方法.2019,第47页. * |
| 沈渭 等.雅鲁藏布江流域风沙化土地遥感监测与生态恢复研究.2012,第89页. * |
| 胡盼盼.自然语言处理 从入门到实战.2020,第57页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116563724A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
| CN111028255B (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
| CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
| CN112883900B (zh) | 遥感影像裸地反演可视图的方法及装置 | |
| CN115272887A (zh) | 基于无人机检测的海岸带垃圾识别方法、装置以及设备 | |
| CN110781948A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
| CN115527113A (zh) | 一种遥感图像裸土地分类方法及装置 | |
| CN116205893A (zh) | 水稻叶片病害图像检测方法、装置、设备及存储介质 | |
| Walsh et al. | Using machine learning to produce a very high resolution land-cover map for Ireland | |
| CN116704324A (zh) | 基于水下图像的目标检测方法、系统、设备以及存储介质 | |
| CN116563724B (zh) | 基于多源高分卫星遥感影像的城市固废提取方法及系统 | |
| CN118196503A (zh) | 雷暴大风预测模型的训练方法、预测方法、装置及设备 | |
| CN117173557B (zh) | 一种面向典型农村道路遥感提取的深度学习方法 | |
| CN117649048A (zh) | 一种河湖生态空间重点监管对象的监测方法及装置 | |
| CN116152656B (zh) | 基于蒸馏学习的sar影像城市固废自动识别方法及系统 | |
| CN116524365A (zh) | 面向多源异构地表要素的遥感智能解译方法、系统、设备及介质 | |
| CN115424131A (zh) | 一种基于绝对像素的遥感影像云检测最优阈值选取方法、云检测方法及系统 | |
| CN114708514B (zh) | 一种基于深度学习的森林砍伐变化的检测方法及装置 | |
| Kyzivat et al. | Contemporary and historical detection of small lakes using super resolution Landsat imagery: promise and peril | |
| CN113538388B (zh) | 一种基于modis ndvi时序数据的耕地损失评估方法 | |
| CN118298184B (zh) | 一种基于层级式误差修正的高分辨率遥感语义分割方法 | |
| CN118470333B (zh) | 一种基于遥感图像的地理环境语义分割方法及系统 | |
| CN116933664B (zh) | 地表温度数据重构模型构建方法及地表温度数据重构方法 | |
| CN118570469A (zh) | 基于计算机视觉的水蚀沟识别方法及系统 |
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 |