CN116822980A - 一种基矢量引导的典型地表要素智能监测方法及系统 - Google Patents
一种基矢量引导的典型地表要素智能监测方法及系统 Download PDFInfo
- Publication number
- CN116822980A CN116822980A CN202310625286.1A CN202310625286A CN116822980A CN 116822980 A CN116822980 A CN 116822980A CN 202310625286 A CN202310625286 A CN 202310625286A CN 116822980 A CN116822980 A CN 116822980A
- Authority
- CN
- China
- Prior art keywords
- sample
- labeling
- vector data
- surface element
- information
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 103
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002372 labelling Methods 0.000 claims abstract description 69
- 238000000605 extraction Methods 0.000 claims abstract description 58
- 230000008859 change Effects 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 3
- 239000003643 water by type Substances 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000011835 investigation Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06V10/70—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基矢量引导的典型地表要素智能监测方法及系统,包括如下步骤:获得典型地表要素历史矢量数据及坐标匹配的多源、多时相、多分辨率遥感影像;构建初始标注样本数据集;从样本集中抽样通过人工修正标注信息,构建精准子集;利用子集训练预分割模型;通过预分割模型修正初始样本标注,迭代优化标注,得到目标地物要素提取模型;获得即时遥感影像数据;选取提取模型对即时遥感影像解译,获得像素级分类置信度;获得基期矢量数据;根据基期矢量数据和像素级分类置信度,生成历史地类对象变化信息。本发明结合地物要素基矢量数据与即时遥感影像智能解译结果,实现对广域范围特定地物目标持续、周期性的高效、可靠智能化监测。
Description
技术领域
本发明涉及遥感影像智能解译技术领域,具体涉及一种基矢量引导的典型地表要素智能监测方法及系统。
背景技术
全面掌握全国耕地、园地、林地、草地、建设用地、交通运输、水域及水利设施用地等地类分布及利用状况;细化耕地调查,全面掌握耕地数量、质量、分布和构成情况;开展低效闲置土地调查,全面摸清城镇及开发区范围内的土地利用状况;建立互联共享的覆盖国家、省、地、县四级的集影像、地类、范围、面积、权属和相关自然资源信息为一体的国土调查数据库;健全国土及森林、草原、水、湿地等自然资源变化信息的调查、统计和全天候、全覆盖遥感监测与快速更新机制是国家开展全国国土调查的主要任务与最终目标。现有基于深度学习的智能提取与变化检测技术在面临广域范围遥感影像自动解译任务时,提取结果可靠性低,难以应用于实际工程中地物要素自动监测。现有地物覆盖要素信息提取仍大量依靠遥感影像人工判别与外业调查相结合的方式,无法满足大范围、高频次的遥感影像快速监测与更新需求。
但在实现本申请实施发明技术方案的过程中,发现上述技术至少存在如下技术问题:现有典型地物要素监测技术中存在人工判读方式效率低,不适用于高频次、大范围遥感影像解译;基于深度学习的广域范围多源遥感影像地物要素提取精度低;基于多时相遥感影像的变化监测受到不可避免的环境伪变化影响,识别结果可靠性低。无法满足大范围、周期性、高频次的地表要素高效、可靠监测与更新需求。
发明内容
为解决现有技术中存在的问题,本发明提供了一种基矢量引导的典型地表要素智能监测方法及系统,实现了通过结合可靠的地物提取模型与基础矢量数据库(如地理国情调查成果数据),为典型地表要素提取及变化监测任务提供智能分析,为人工核查提供可靠的线索,提高解译可靠性的同时,显著提升效率,适用于大范围、高频次、周期性的动态监测工程化应用,具有可推广的技术效果;解决了现有技术中存在的人工判读工作量繁重,效率低下,自动判别方法不可靠,且难以实现大范围、持续性的地表要素高效、可靠监测等技术问题。
为实现上述目的,本发明提供如下技术方案:一种基矢量引导的典型地表要素智能监测方法,包括如下步骤:
S10、获得开源典型地表要素历史矢量数据及与历史矢量数据坐标匹配的多源、多时相、多分辨率遥感影像;
S20、构建以基矢量数据提供的边界信息作为初始标注的海量地表要素初始标注样本数据集;
S30、从构建的初始标注样本集中抽样,通过人工修正标注信息,构建精准子集;
S40、基于精准子集,训练轻量化样本修正预分割模型;
S50、通过预分割模型修正初始样本标注,训练地表要素提取模型并迭代优化标注,最终得到可靠的目标地物要素提取模型;
S60、获得满足监测任务需求的即时遥感影像数据;
S70、选取可靠的目标地物要素提取模型对即时遥感影像自动解译,获得像素级分类置信度;
S80、获得监测任务影像数据对应的基期矢量数据;
S90、根据基期矢量数据和像素级分类置信度,生成历史地类对象变化信息。
优选的,所述典型地表要素包括但不限于耕地、园地、林地、草地、水域、建筑物以及道路的典型地表覆盖要素;所述历史矢量数据是指准确标注特定历史时间地表覆盖要素几何边界及属性的数据;所述多源、多时相、多分辨遥感影像数据包括但不限于星载卫星、机载航空、无人机平台在不同年月、不同地域获取的多分辨率光学遥感影像数据;所述坐标匹配是指多源、多时相、多分辨率遥感影像数据能通过坐标转换与历史矢量数据配准。
优选的,所述初始标注样本数据集的构建是指先将基矢量数据转换成对应影像相同分辨率的栅格数据,目标类别像素值设置为1,其它像素值设置为0,通过滑动窗口采样策略对影像和标注裁剪,自动获得该类别的影像和标签对,完成数据集构建。
优选的,所述基矢量数据是指覆盖监测任务范围的历史地表要素矢量数据,用于作为变化判别的参照;所述监测任务包括对特定地表覆盖要素的信息提取和变化识别。
优选的,所述步骤S50具体包括:
S51、预分割模型分别对初始标注样本影像解译,生成像素级置信度S;
S52、以上限阈值Tu和下限阈值Td分别判定可靠的正、负样本,并修正标注信息,得到修正的海量样本标注信息;
S53、基于修正的海量样本标注信息,训练地表要素提取模型;
S54、每经n次训练后,再利用训练后的提取模型解译全部初始标注样本影像,生成像素分类置信度,并纠正相应的标注信息,最终得到海量精准样本数据集;
S55、根据海量精准样本训练提取模型,得到可靠的目标地物要素提取模型。
优选的,所述步骤S52中包括:先定义上限阈值Tu和下限阈值Td,Tu取值接近1,Td取值接近0,对于预分割模型解译生成的像素级置信度S,将S>Tu的对应标签修改为正样本,将S<Td的对应标签修正为负样本,其它标注不做修改。
优选的,所述基期矢量数据是指当前监测任务需要参照的特定历史时间点的地物覆盖信息。
优选的,所述步骤S90具体包括:
S91、获取影像范围在基期矢量数据包含的特定地类要素对象;
S92、将包含的要素矢量边界转换为图像坐标,用于分析变化,生成历史地类对象变化信息:如步骤S93-步骤S95;
S93、统计各历史地物要素范围置信度,评估该地物类别可靠性;
S94、以潜在变化判别阈值T1对各历史要素范围二值化,生成地物变化范围及概率;
S95、以疑似新增判别阈值T2对历史要素范围外二值化,生成地物新增范围及概率。
另外,为实现上述目的,本发明还提供了如下技术方案:一种基矢量引导的典型地表要素智能监测系统,所述系统用于实现所述的监测方法,所述系统具体包括:
第一获得单元:所述第一获得单元用于获得开源典型地表要素历史矢量数据及与历史矢量数据坐标匹配的多源、多时相、多分辨率遥感影像;
第一构建单元:所述第一构建单元用于构建以基矢量数据提供的边界信息作为初始标注的海量地表要素初始标注样本数据集;
第二构建单元:所述第二构建单元用于从第一构建单元构建的初始标注样本集中抽样,通过人工修正标注信息,构建精准子集;
第三构建单元:所述第三构建单元利用构建好的精准子集,训练轻量化样本修正预分割模型;
第四构建单元:所述第四构建单元用于通过预分割模型修正初始样本标注,训练地表要素提取模型并迭代优化标注,最终得到可靠的目标地物要素提取模型;
第二获得单元:所述第二获得单元用于获得满足监测任务需求的即时遥感影像数据;
第三获得单元:所述第三获得单元用于获得监测任务影像数据对应的基期矢量数据;
第一输入单元:所述第一输入单元将第二获得单元获得的遥感影像输入到对应任务需求可靠的目标地物要素提取模型,获得第一输出信息,其中,第一输出信息是像素级分类置信度;
第二输入单元:所述第二输入单元将第三获得单元获得的基期矢量数据与第一输出信息输入第一生成单元;
第一生成单元:所述第一生成单元结合输入的像素级分类置信度以及基矢量数据信息,逐个自动分析和判别历史地类对象变化情况,获得第一生成信息,其中,第一生成信息是生成的历史地类对象变化信息。
本发明的有益效果是:通过本发明方法能够分析和评估历史地类对象类别属性可靠性,以及潜在地类新增、变化的矢量边界及概率,生成特定监测地类的矢量形式变化成果。该成果与即时遥感影像坐标对应,为大范围、高频率的各类地物要素监测提供可靠的线索,能显著提高人工判别的准确度及效率,适应于工程化应用,具有可推广的技术效果。
附图说明
图1为本发明智能监测方法步骤流程示意图;
图2为本发明中可靠的目标地物要素提取模型构建流程示意图;
图3为本发明中地物要素自动变化分析流程示意图;
图4为本发明智能监测系统的结构示意图;
图5为实施例中耕地变化检测结果样例图;其中,(a)为即时遥感影像与耕地基矢量叠加样例图,(b)为根据模型分割结果评估历史要素类别可信度样例图,(c)为从历史地物要素内识别潜在变化区域结果样例图,(d)为历史要素掩膜外疑似新增地物识别结果样例图;
图中,10-第一获得单元;11-第一构建单元;12-第二构建单元;13-第三构建单元;14-第四构建单元;15-第二获得单元;16-第三获得单元;17-第一输入单元;18-第二输入单元;19-第一生成单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
基于深度学习的智能提取与变化检测技术在面临广域范围遥感影像自动解译任务时,提取结果可靠性低,难以应用于实际工程中地物要素自动监测。现有地物覆盖要素信息提取仍大量依靠遥感影像人工判别与外业调查相结合的方式,无法满足大范围、高频次的遥感影像快速监测与更新需求。
本申请实施例提供了一种基矢量引导的典型地表要素智能监测方法,包括:获得开源的典型地表要素矢量及位置对应的多源影像数据;基于获得的开源数据,构建海量样本及初始标注的样本集;从数据集抽样并通过人工对标注信息修正,构建精准标注的样本子集;通过精准样本子集,训练轻量化语义分割模型,构建样本自动修正的预分割模型;利用预分割模型修改初始海量样本集标注,迭代优化所有标注并训练地物提取模型,构建可靠的地物分割模型;获得满足任务需求的基矢量数据与对应即时影像数据;选用相应模型对遥感影像自动化解译,输出像素级分类置信度;结合相应地物要素基矢量数据库,逐个自动分析和判别历史地类对象变化情况,生成目标要素变化信息的矢量成果。
本实施例智能监测方法如图1所示,具体包括如下步骤:
步骤S10:获得典型地表要素历史矢量以及与历史矢量数据坐标匹配的多源、多时相、多分辨率遥感影像数据。
具体而言,所述历史矢量数据一般指准确标注特定历史时间地表覆盖要素几何边界及属性的数据,例如地理国情调查成果数据。所述多源、多时相、多分辨遥感影像数据包括但不限于星载卫星、机载航空、无人机等平台在不同年月、不同地域获取的多分辨率光学遥感影像,为保障影像真实地表与历史矢量数据的一致性,一般控制选用的影像时间与矢量数据对应的时间差在2年内。
另外,所述典型地物要素包括且不限于耕地、园地、林地、草地、水域、建筑物、道路等典型地表覆盖要素。所述坐标匹配指的是遥感影像可通过坐标转换与历史矢量数据配准,以便于样本自动构建。
步骤S20:构建以基矢量数据提供的边界信息作为初始标注的海量地表要素初始标注样本数据集。
具体而言,我们为每类地物要素分别构建二值语义分割样本库,特定类别地物为正样本,其它为负样本。海量样本数据集按影像分辨率R划分成不同子集,用于多分辨率影像源可靠解译,其划分包括且不限于米级(1.0m<R<=5.0m)、分米级(0.1m<R<=1.0m)、厘米级(R<=0.1m)等子集。按每类地物要素分别构建样本库主要考虑两个因素,一方面是便于通过模型修正标注信息,更高效地构建海量精准样本库;另一方面是提高各类地物解译结果的可靠性。所述基矢量数据指覆盖监测任务范围的历史地表要素矢量数据,作为变化判别的参照。
进一步的,初始标注样本数据集的构建是指先将基矢量数据转换成对应影像相同分辨率的栅格数据,目标类别像素值设置为1,其它像素值设置为0,通过滑动窗口采样策略对影像和标注裁剪,自动获得该类别的影像和标签对,完成数据集构建。初始标注样本数据集,其标注由对应开源矢量数据栅格化获得,相同位置的多期影像对应同一初始标注,所有样本通过一定重叠度自动裁剪构建。
进一步的,首先获取各影像在矢量数据中的范围,并将其转换为栅格形式,分辨率与对应影像相同,像素值根据对应的地物类别设置为[0,N],这里0代表无关类别,是除典型要素之外的所有类别,从而获得一一对应的影像和标签。
然后,将所有影像和标签以指定重叠度裁剪为指定大小的样本数据,仅保留一份影像数据,并为每类地物要素生成初始标签数据,初始标签生成规则是将该类别对应像素值设置为1,(表示正样本),其它设置成0(表示负样本),通过以上步骤即为每类地物构建海量初始标注样本集。
步骤S30:从构建的初始标注样本集中抽样,通过人工修正标注信息,构建精准子集。
具体而言,以概率p=m/M从初始样本抽样获得子样本集,其中m为希望抽样的数量,M为原始样本总量。通过人工对比并修改子样本集标签,使其与影像真实地物一致,构建精准的地物提取子集,由于m<<M,需要的人工成本较低。抽样获得的小型子样本集与原海量初始样本集具有相似的特征分布,基于轻量化预分割模型的海量样本自动修正策略具有更高的可靠性。
步骤S40:基于精准子集,训练轻量化样本修正预分割模型。
具体而言,我们选用轻量化二值语义分割网络,基于人工修正的精准子集,为各类地物训练预分割模型,其主要用于海量样本初始标注修正。预分割模型和地物要素提取模型均按照地物类别和分辨率划分的子数据集分别训练,获得针对不同分辨率遥感影像的特定地物可靠解译模型。
轻量化的二值语义分割模型,能在小型样本数据集拟合高效、可靠的模型。二值语义分割模型预测的像素分类置信度范围属于[0,1],其意义为该像素属于目标地类要素的概率,其通过Sigmoid函数对模型预测结果归一化后获得。
步骤S50:通过预分割模型修正初始样本标注,训练地表要素提取模型并迭代优化标注,最终得到可靠的目标地物要素提取模型。
具体而言,所述预分割模型利用人工修正的小型样本集训练,所述地表要素提取模型一般具有更多的网络参数和更复杂的网络结构,从而挖掘海量样本的潜在特征表征,不同地物类别的模型结构和训练策略会针对数据特点进行调整。首先选用特定地物要素预分割模型对海量样本集的影像解译,获得像素级分类置信度。然后结合解译结果对初始样本标注进行修正。修正后的海量样本具有较高的准确性,可用于训练地物提取模型,并在训练过程中进一步对当前样本集的标注进行修正,最后通过迭代完成精准的海量样本以及可靠的目标地物要素提取模型构建。目标地物要素提取模型均属于二值语义分割模型,目标地物为正样本,其它地物为负样本。
步骤S60:获得满足监测任务需求的即时遥感影像数据。
具体而言,包括对特定地表覆盖要素的信息提取和变化识别。一般而言监测任务仅针对典型地表要素的调查,包括地物要素提取和变化监测。所述即时遥感影像是指完成当前监测任务(特定监测任务)所需的反映当前地物覆盖情况的遥感影像。
步骤S70:选取可靠的目标地物要素提取模型对即时遥感影像自动解译,获得像素级分类置信度。
步骤S80:获得监控任务影像数据对应的基期矢量数据。
具体而言,所述基期矢量数据是指当前监测任务需要参照的特定历史时间点的地物覆盖信息。若存在基期矢量数据,则本申请实施例可以实现历史要素地类属性可靠性评估、潜在地类新增以及减少;若不存在基期数据,则本申请实施例可以实现潜在地类新增(即地物要素提取),获得相应的矢量成果。
步骤S90:根据基期矢量数据和像素级分类置信度,生成历史地类对象变化信息。自动分析获取生成的特定地表要素变化信息以矢量数据格式存储;所述矢量结果与给定的基矢量属性一致,另额外增加Score属性和状态标记State,Score属性自动记录每个提取结果对应的概率值,其根据不同任务需求统计要素区域内所有像素分类置信度,值属于[0,1],State属性便于作业人员标记复核结果。
具体而言,首先根据影像范围从基期矢量中获取包含的特定地类要素对象,然后逐个根据对象边界范围获取对应在影像中的区域,最后根据不同监测任务需求,分别统计相应的像素分类置信度,获得地类变化信息。
进一步的,如图2所示,本申请实施例步骤S50还包括:
步骤S51:预分割模型分别对初始标注样本影像解译,生成像素级置信度S;
步骤S52:以上限阈值Tu和下限阈值Td分别判定可靠的正、负样本,并修正标注信息,得到修正的海量样本标注信息;
具体而言,海量初始样本首先通过预分割模型进行修正,排除绝大部分显著错误标注信息,然后用于地物提取模型训练。样本修正过程需提前定义上、下限阈值Tu和Td,一般Tu取值接近1且Td取值接近0,对于模型解译获得的像素级置信度S,将S大于Tu的对应标签修改为正样本,将S小于Td的对应标签修正为负样本,其它标注不做修改。
步骤S53:基于修正的海量样本标注信息,训练地表要素提取模型;
步骤S54:每经n次训练后,再利用训练后的提取模型解译全部初始标注样本影像,生成像素分类置信度,并纠正相应的标注信息,最终得到海量精准样本数据集;
步骤S55:根据海量精准样本训练提取模型,得到可靠的目标地物要素提取模型。
具体而言,在模型训练过程中,每经过n次训练后,利用当前优化的模型对海量训练样本影像解译并修正相应的标注信息,从而逐步纠正错误标注,最终构建出可靠的目标地物要素提取模型。
进一步的,如图3所示,本申请实施例步骤S90还包括:
步骤S91:获取影像范围在基期矢量数据包含的特定地类要素对象;
步骤S92:将包含的要素矢量边界转换为图像坐标,用于分析变化,生成历史地类对象变化信息:如步骤S93-步骤S95。具体而言,首先通过坐标转换参数,获得影像范围对应基期矢量中的范围,并筛选出范围内涉及的历史地类矢量要素对象。通过地理坐标与图像坐标转换关系,可获得各历史要素在影像中对应的范围,从而为后续监测任务提供约束和参考。
步骤S93:统计各历史地物要素范围置信度,评估该地物类别可靠性;
具体而言,类别属性可靠性评估是计算各历史要素对象仍属于特定类别的概率。为了自动判别历史时期特定地物类别属性的可靠性,通过统计对象范围内所有像素分类置信度,从而获得现有地物仍然属于该类别的概率。根据不同需求,统计指标包括但不限于平均值、分位数等。
在评估历史地物类别可靠性时,如果影像范围内涉及的矢量对象分布稀疏且数量少,可仅通过坐标变换裁剪矢量对象涉及的影像区域进行解译,特别在大范围遥感影像处理时,该策略显著降低处理时间,提高效率。
步骤S94:首先定义潜在变化判定阈值T1,以阈值T1对各历史要素范围二值化,生成地物变化范围及概率。具体而言,为了自动识别历史时期特定地类对象已发生变化的区域,逐个统计对象范围内分类置信度低于阈值T1的所有像素连通域,同时获得连通域面积大于特定监测任务设定的最小地物变化面积A1相应的变化范围和概率。潜在变化识别指历史要素对象范围内的一个或多个不再属于该类别的区域。根据不同需求,统计指标包括但不限于平均值、分位数等。
在历史地物潜在变化区域(地物变化范围及概率)识别时,首先根据影像范围获取基矢量中涉及的目标地物要素,然后逐个根据待分析要素边界点获得对应在解译的置信度图中的像素范围,通过阈值T1对范围内像素二值分割(二值化),获得像素置信度低于T1且面积超过A1的连通域,统计各连通域对象内像素置信度作为生成结果的概率。
步骤S95:首先定义疑似新增判定阈值T2,以阈值T2对历史要素范围外二值化,生成地物新增范围及概率;
具体而言,为了自动识别历史时期特定地类对象之外的新增区域,通过统计对象范围外分类置信度高于阈值T2,且根据分辨率转换后对应占地面积大于特定监测任务要求的最小新增地物面积A2的所有连通域,获得潜在的新增范围和概率。疑似新增识别指历史要素对象外,面积大于规定阈值的新增该类地物区域。根据不同需求,统计指标包括但不限于平均值、分位数等。
在历史地物范围外提取疑似新增区域(地物新增范围及概率)时,首先根据影像范围获取基矢量中涉及的目标地物要素并生成对应图像坐标掩膜,然后与即时遥感影像解译的二分类概率图运算,仅保留历史地物范围外的解译结果,通过阈值T2对剩余像素二值分割,获得概率大于T2且面积超过A2的潜在新增区域,逐个对区域矢量化并统计像素置信度作为生成结果的概率。
基于与上述方法实施例相同地发明构思,本申请实施例还提供了一种基矢量引导的典型地表要素智能监测系统,该系统可以实现上述监测方法实施例所提供的功能,如图4所示,所述系统包括:
第一获得单元10:所述第一获得单元用于获得开源典型地表要素历史矢量数据及与历史矢量数据坐标匹配的多源、多时相、多分辨率遥感影像;
第一构建单元11:所述第一构建单元用于构建以基矢量数据提供的边界信息作为初始标注的海量地表要素初始标注样本数据集;
第二构建单元12:所述第二构建单元用于从第一构建单元11构建的初始标注样本集中抽样,通过人工修正标注信息,构建精准子集;
第三构建单元13:所述第三构建单元利用构建好的精准子集,训练轻量化样本修正预分割模型;
第四构建单元14:所述第四构建单元用于通过预分割模型修正初始样本标注,训练地表要素提取模型并迭代优化标注,最终得到可靠的目标地物要素提取模型;
第二获得单元15:所述第二获得单元用于获得满足监测任务需求的即时遥感影像数据;
第三获得单元16:所述第三获得单元用于获得监测任务影像数据对应的基期矢量数据;
第一输入单元17:所述第一输入单元将第二获得单元15获得的遥感影像输入到对应任务需求可靠的目标地物要素提取模型,获得第一输出信息,其中,第一输出信息是像素级分类置信度;
第二输入单元18:所述第二输入单元将第三获得单元获得的基期矢量数据与第一输出信息输入第一生成单元;
第一生成单元19:所述第一生成单元结合输入的像素级分类置信度以及基矢量数据信息,逐个自动分析和判别历史地类对象变化情况,获得第一生成信息,其中,第一生成信息是生成的历史地类对象变化信息。
以典型地物要素为耕地和建筑物为例,利用本发明的监测方法,其耕地变化检测结果如图5所示。验证可知,本发明方法能为大范围、高频率的地物要素监测提供可靠的线索,能显著提高人工判别的准确度及效率,具有可推广的技术效果。
本发明结合地物要素基矢量数据与即时遥感影像智能解译结果,实现对广域范围特定地物目标持续、周期性的高效、可靠智能化监测。解决了现有通过人工目视对比效率低、基于双时相影像变化自动提取结果可靠性不足的技术瓶颈问题,为广域范围典型地表要素调查与监测提供可靠线索,在保障识别可靠性的同时显著降低人工对比识别的成本。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基矢量引导的典型地表要素智能监测方法,其特征在于,包括如下步骤:
S10、获得开源典型地表要素历史矢量数据及与历史矢量数据坐标匹配的多源、多时相、多分辨率遥感影像;
S20、构建以基矢量数据提供的边界信息作为初始标注的海量地表要素初始标注样本数据集;
S30、从构建的初始标注样本集中抽样,通过人工修正标注信息,构建精准子集;
S40、基于精准子集,训练轻量化样本修正预分割模型;
S50、通过预分割模型修正初始样本标注,训练地表要素提取模型并迭代优化标注,最终得到可靠的目标地物要素提取模型;
S60、获得满足监测任务需求的即时遥感影像数据;
S70、选取可靠的目标地物要素提取模型对即时遥感影像自动解译,获得像素级分类置信度;
S80、获得监测任务影像数据对应的基期矢量数据;
S90、根据基期矢量数据和像素级分类置信度,生成历史地类对象变化信息。
2.根据权利要求1所述的基矢量引导的典型地表要素智能监测方法,其特征在于:所述典型地表要素包括但不限于耕地、园地、林地、草地、水域、建筑物以及道路的典型地表覆盖要素;所述历史矢量数据是指准确标注特定历史时间地表覆盖要素几何边界及属性的数据;所述多源、多时相、多分辨遥感影像数据包括但不限于星载卫星、机载航空、无人机平台在不同年月、不同地域获取的多分辨率光学遥感影像数据;所述坐标匹配是指多源、多时相、多分辨率遥感影像数据能通过坐标转换与历史矢量数据配准。
3.根据权利要求1所述的基矢量引导的典型地表要素智能监测方法,其特征在于:所述初始标注样本数据集的构建是指先将基矢量数据转换成对应影像相同分辨率的栅格数据,目标类别像素值设置为1,其它像素值设置为0,通过滑动窗口采样策略对影像和标注裁剪,自动获得该类别的影像和标签对,完成数据集构建。
4.根据权利要求1所述的基矢量引导的典型地表要素智能监测方法,其特征在于:所述基矢量数据是指覆盖监测任务范围的历史地表要素矢量数据,用于作为变化判别的参照;所述监测任务包括对特定地表覆盖要素的信息提取和变化识别。
5.根据权利要求1所述的基矢量引导的典型地表要素智能监测方法,其特征在于:所述步骤S50具体包括:
S51、预分割模型分别对初始标注样本影像解译,生成像素级置信度S;
S52、以上限阈值Tu和下限阈值Td分别判定可靠的正、负样本,并修正标注信息,得到修正的海量样本标注信息;
S53、基于修正的海量样本标注信息,训练地表要素提取模型;
S54、每经n次训练后,再利用训练后的提取模型解译全部初始标注样本影像,生成像素分类置信度,并纠正相应的标注信息,最终得到海量精准样本数据集;
S55、根据海量精准样本训练提取模型,得到可靠的目标地物要素提取模型。
6.根据权利要求5所述的基矢量引导的典型地表要素智能监测方法,其特征在于:所述步骤S52中包括:先定义上限阈值Tu和下限阈值Td,Tu取值接近1,Td取值接近0,对于预分割模型解译生成的像素级置信度S,将S>Tu的对应标签修改为正样本,将S<Td的对应标签修正为负样本,其它标注不做修改。
7.根据权利要求1所述的基矢量引导的典型地表要素智能监测方法,其特征在于:所述基期矢量数据是指当前监测任务需要参照的特定历史时间点的地物覆盖信息。
8.根据权利要求1所述的基矢量引导的典型地表要素智能监测方法,其特征在于:所述步骤S90具体包括:
S91、获取影像范围在基期矢量数据包含的特定地类要素对象;
S92、将包含的要素矢量边界转换为图像坐标,用于分析变化,生成历史地类对象变化信息:如步骤S93-步骤S95;
S93、统计各历史地物要素范围置信度,评估该地物类别可靠性;
S94、以阈值T1对各历史要素范围二值化,生成地物变化范围及概率;
S95、以阈值T2对历史要素范围外二值化,生成地物新增范围及概率。
9.一种基矢量引导的典型地表要素智能监测系统,其特征在于:所述系统用于实现权利要求1-8中任一项所述的监测方法,所述系统具体包括:
第一获得单元(10):所述第一获得单元用于获得开源典型地表要素历史矢量数据及与历史矢量数据坐标匹配的多源、多时相、多分辨率遥感影像;
第一构建单元(11):所述第一构建单元用于构建以基矢量数据提供的边界信息作为初始标注的海量地表要素初始标注样本数据集;
第二构建单元(12):所述第二构建单元用于从第一构建单元(11)构建的初始标注样本集中抽样,通过人工修正标注信息,构建精准子集;
第三构建单元(13):所述第三构建单元利用构建好的精准子集,训练轻量化样本修正预分割模型;
第四构建单元(14):所述第四构建单元用于通过预分割模型修正初始样本标注,训练地表要素提取模型并迭代优化标注,最终得到可靠的目标地物要素提取模型;
第二获得单元(15):所述第二获得单元用于获得满足监测任务需求的即时遥感影像数据;
第三获得单元(16):所述第三获得单元用于获得监测任务影像数据对应的基期矢量数据;
第一输入单元(17):所述第一输入单元将第二获得单元(15)获得的遥感影像输入到对应任务需求可靠的目标地物要素提取模型,获得第一输出信息,其中,第一输出信息是像素级分类置信度;
第二输入单元(18):所述第二输入单元将第三获得单元获得的基期矢量数据与第一输出信息输入第一生成单元;
第一生成单元(19):所述第一生成单元结合输入的像素级分类置信度以及基矢量数据信息,逐个自动分析和判别历史地类对象变化情况,获得第一生成信息,其中,第一生成信息是生成的历史地类对象变化信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310625286.1A CN116822980A (zh) | 2023-05-30 | 2023-05-30 | 一种基矢量引导的典型地表要素智能监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310625286.1A CN116822980A (zh) | 2023-05-30 | 2023-05-30 | 一种基矢量引导的典型地表要素智能监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116822980A true CN116822980A (zh) | 2023-09-29 |
Family
ID=88111887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310625286.1A Pending CN116822980A (zh) | 2023-05-30 | 2023-05-30 | 一种基矢量引导的典型地表要素智能监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822980A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349462A (zh) * | 2023-12-06 | 2024-01-05 | 自然资源陕西省卫星应用技术中心 | 一种遥感智能解译样本数据集生成方法 |
-
2023
- 2023-05-30 CN CN202310625286.1A patent/CN116822980A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349462A (zh) * | 2023-12-06 | 2024-01-05 | 自然资源陕西省卫星应用技术中心 | 一种遥感智能解译样本数据集生成方法 |
CN117349462B (zh) * | 2023-12-06 | 2024-03-12 | 自然资源陕西省卫星应用技术中心 | 一种遥感智能解译样本数据集生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
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 | |
KR20220000898A (ko) | 다인자를 기반으로 한 해안선 변화 식별방법 | |
CN111742329A (zh) | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 | |
CN111028255A (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 | |
CN110598784A (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
CN116595121B (zh) | 一种基于遥感技术数据显示监测系统 | |
CN111860204A (zh) | 基于语义分割技术的多时相遥感影像变化检测方法和介质 | |
CN111652195A (zh) | 一种土地利用变化分析预测方法 | |
CN116822980A (zh) | 一种基矢量引导的典型地表要素智能监测方法及系统 | |
CN111222539A (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN113240208B (zh) | 光伏发电输出功率预测方法、装置及计算机可读存储介质 | |
CN113780175B (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
Salman Aal-shamkhi et al. | Extraction and modeling of urban sprawl development in Karbala City using VHR satellite imagery | |
CN112967286B (zh) | 一种新增建设用地检测方法及装置 | |
CN113378642B (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
CN111325126B (zh) | 遥感图像的解译方法及装置 | |
CN112858181A (zh) | 黑臭水体监测方法、装置及电子设备 | |
Helmholz et al. | Semi-automatic quality control of topographic data sets | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
CN116310802A (zh) | 一种基于多尺度融合模型的宅基地变化监测方法和装置 | |
CN114926032A (zh) | 一种饲料企业模块化装配方法及系统 |
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 |