CN116994025A - 一种利用影像超分技术提高耕地识别精度的方法及装置 - Google Patents
一种利用影像超分技术提高耕地识别精度的方法及装置 Download PDFInfo
- Publication number
- CN116994025A CN116994025A CN202310625532.3A CN202310625532A CN116994025A CN 116994025 A CN116994025 A CN 116994025A CN 202310625532 A CN202310625532 A CN 202310625532A CN 116994025 A CN116994025 A CN 116994025A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- super
- cultivated land
- identification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005516 engineering process Methods 0.000 title claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 4
- 239000003905 agrochemical Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003971 tillage Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种利用影像超分技术提高耕地识别精度的方法及装置,该方法包括将低分辨率遥感影像作为影像超分模型的输入,所述影像超分模型输出高分辨率的超分遥感影像;将所述高分辨率的超分遥感影像作为耕地识别分类模型的输入,所述耕地识别分类模型输出耕地识别结果。本方法弥补了高分影像缺失的问题,缓解了因影像缺失直接导致的监测困难等问题。通过影像超分技术将已有的低分影像超分至高分影像,不仅在效果上接近于真实高分影像,可用于精细化耕地监测,大大缓解监测压力,而且成本低廉,操作快速,有巨大的潜在经济效益。
Description
技术领域
本发明涉及遥感技术领域,具体涉及一种利用影像超分技术提高耕地识别精度的方法及装置。
背景技术
目前,高分辨率卫星遥感影像(简称高分影像)已在地理国情监测和国土资源调查中被广泛使用,基于高分辨率卫星遥感影像进行耕地的检测和识别已成为耕地保护动态监测的主要手段。其中,利用高分光学遥感影像检测和识别耕地种植属性和地类变化是耕地非农化、非粮化监测中的主要技术之一,包括基于深度学习的自动变化检测和人机交互判读影像等方法。
随着耕地保护动态监测愈加精细,如非农化、非粮化监测,对影像的质量和分辨率的要求越高,高分影像的获取愈加重要。然而,受地理条件和气候环境等因素制约,获取的高分影像的质量和数量有时难以满足耕地保护动态监测的要求。如华南地区多云多雨,高分光学影像含云量普遍较多,在雨季甚至无法获取高分无云可见光影像;而作为补充观测的低分辨率遥感影像(简称低分影像)达不到精细化监测要求,这对于耕地保护动态监测的限制颇为严重。
发明内容
针对上述背景技术中高分影像缺失,低分影像无法满足耕地精细化监测要求的问题,本发明提供了一种利用影像超分技术提高耕地识别精度的方法及装置,耕地识别精度达到或接近基于真实高分影像的识别精度。
为实现上述目的,本发明的技术方案是:
第一方面,本发明提供一种利用影像超分技术提高耕地识别精度的方法,包括:
将低分辨率遥感影像作为影像超分模型的输入,所述影像超分模型输出高分辨率的超分遥感影像;
将所述高分辨率的超分遥感影像作为耕地识别分类模型的输入,所述耕地识别分类模型输出耕地识别结果。
进一步地,所述影像超分模型通过如下方式获得:
利用地理配准将低分辨率遥感影像与高分辨率遥感影像配准;
将配准好的低分辨率遥感影像与高分辨率遥感影像通过滑动窗口分别裁剪成图像对,构建低分辨率-高分辨率影像配对样本库;
将所述低分辨率-高分辨率影像配对样本库成对输入生成器和判别器进行对抗训练,在所述对抗训练过程中,所述生成器和所述判别器交替训练,得到基于生成对抗网络的影像超分模型。
进一步地,所述所述生成器和所述判别器交替训练包括:
在每个训练迭代中,所述生成器将输入的低分辨率遥感影像进行影像超分,输出超分影像,所述判别器对输入的一批超分影像和真实高分影像进行分类,以区分所述超分影像和真实高分影像,根据所述判别器的分类结果计算所述生成器的损失函数,以更新生成器的参数,再计算判别器的损失函数以更新判别器的参数;重复上述过程,直至所述生成器和所述判别器达到预设的训练迭代次数后结束训练,即得到基于生成对抗网络的影像超分模型。
进一步地,所述耕地识别分类模型通过如下方式获得:
结合同期的土地利用现状图与真实高分影像生成耕地掩膜图像;
利用地理配准将所述耕地掩膜图像与所述真实高分影像配准;
所述真实高分影像与地理配准后的耕地掩膜图像通过滑动窗口裁剪生成耕地识别样本库;
将所述耕地识别样本库输入一个基于语义分割网络的耕地识别分类模型进行监督训练;根据所述耕地掩膜图像计算分类损失函数,以迭代更新分类模型参数,得到基于语义分割网络的耕地识别分类模型。
进一步地,所述基于语义分割网络的耕地识别分类模型为HRNet语义分割模型。
进一步地,所述HRNet语义分割模型包括编码器和解码器;
所述编码器对输入图像提取多尺度特征图,解码器将所述多尺度特征图进行上采样与特征融合,接着输出耕地识别结果。
进一步地,所述低分辨率遥感影像采用哨兵2号10米分辨率的数据,高分辨率遥感影像采用高分1号重采样为2.5米分辨率的数据。
第二方面,本发明提供一种利用影像超分技术提高耕地识别精度的装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上任一所述方法的步骤。
第三方面,本发明一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上任一所述方法的步骤。
本发明与现有技术相比,其有益效果在于:
本发明高分影像缺失的问题,缓解了因影像缺失直接导致的监测困难等问题。通过影像超分技术将已有的低分影像超分至高分影像,不仅在效果上接近于真实高分影像,可用于精细化耕地监测,大大缓解监测压力,而且成本低廉,操作快速,有巨大的潜在经济效益。
附图说明
图1为本发明实施例1提供的利用影像超分技术提高耕地识别精度的方法流程图;
图2为基于生成对抗网络的影像超分模型示意图;
图3为基于语义分割网络的耕地识别模型示意图;
图4为10米分辨率哨兵2号遥感影像;
图5为影像超分模型输出2.5米分辨率的超分影像;
图6为耕地识别分类模型输出的10米分辨率的耕地识别结果图;
图7为耕地识别分类模型输出的2.5米分辨率的耕地识别结果图;
图8为本发明实施例2提供的利用影像超分技术提高耕地识别精度的装置组成示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1:
针对现有高分影像缺失,低分影像无法满足耕地精细化监测要求的问题,本发明提供了一种利用影像超分技术提高耕地识别精度的方法,该方法首先通过基于深度学习的单幅影像超分辨率技术,将低分辨率遥感影像超分成高分辨率遥感影像(简称超分影像),然后基于超分影像进行耕地识别,使其耕地识别精度达到或接近基于真实高分影像的识别精度,满足国家对耕地精细化监测要求。
参阅图1所示,本实施例提供的利用影像超分技术提高耕地识别精度的方法主要包括如下步骤:
将低分辨率遥感影像作为影像超分模型的输入,所述影像超分模型输出高分辨率的超分遥感影像;
将所述高分辨率的超分遥感影像作为耕地识别分类模型的输入,所述耕地识别分类模型输出耕地识别结果。
在一具体实施例中,上述的影像超分模型是通过如下方式得到:
利用地理配准将低分辨率遥感影像与高分辨率遥感影像配准;
将配准好的低分辨率遥感影像与高分辨率遥感影像通过滑动窗口分别裁剪成小图像对,构建低分辨率-高分辨率影像配对样本库;
将所述低分辨率-高分辨率影像配对样本库输入生成器和判别器进行对抗训练,在所述对抗训练过程中,所述生成器和所述判别器交替训练:在每个训练迭代中,所述生成器将输入的低分辨率遥感影像进行影像超分,输出超分影像,所述判别器对输入的一批超分影像和真实高分影像进行分类,以区分所述超分影像和真实高分影像,根据所述判别器的分类结果计算所述生成器的损失函数,以更新生成器的参数,再计算判别器的损失函数以更新判别器的参数。重复上述过程,直至所述生成器和所述判别器达到预设的训练迭代次数后结束训练,即得到基于生成对抗网络的影像超分模型。
上述的耕地识别分类模型通过如下方式得到:
结合同期的土地利用现状图与真实高分影像生成耕地掩膜图像;
利用地理配准将所述耕地掩膜图像与所述真实高分影像配准;
所述真实高分影像与地理配准后的耕地掩膜图像通过滑动窗口裁剪生成耕地识别样本库;
将所述耕地识别样本库输入一个基于语义分割网络的耕地识别分类模型进行监督训练,如图3所示;其中,编码器对输入图像提取多尺度特征图,解码器将所述多尺度特征图进行上采样与特征融合,接着输出耕地识别结果;
根据所述耕地掩膜图像计算分类损失函数,以迭代更新分类模型参数,得到基于语义分割网络的耕地识别分类模型。
综上,本实施例提供的利用影像超分技术提高耕地识别精度的方法,弥补了高分影像缺失的问题,缓解了因影像缺失直接导致的监测困难等问题。通过影像超分技术将已有的低分影像超分至高分影像,不仅在效果上接近于真实高分影像,可用于精细化耕地监测,大大缓解监测压力,而且成本低廉,操作快速,有巨大的潜在经济效益。
下面结合一个应用场景实例来对本方法进行进一步的说明:
选择广东省南部作为研究区,低分影像选择哨兵2号10米分辨率的数据,高分影像选择高分1号重采样为2.5米分辨率的数据,耕地掩膜图像基于高分影像和基础地理信息数据进行样本标注。此外,超分模型选用生成对抗网络中具有代表性的经典超分模型SRGAN,耕地识别分类模型选择卷积神经网络中性能优异的HRNet语义分割模型。
第一部分,训练生成一个基于SRGAN的影像超分模型,具体步骤如下:
(1)生成一个包含81740对哨兵2号-高分1号地理配准遥感影像对的样本库;
(2)利用哨兵2号-高分1号影像样本库训练一个基于SRGAN的影像超分模型,其PSNR(峰值信噪比)、SSIM(结构相似性)分别达21.63、0.5187。
第二部分,利用训练好的影像超分模型将分辨率为10米的哨兵2号影像超分至分辨率为2.5米,具体步骤如下:
(1)将10米分辨率哨兵2号遥感影像(如图4所示,左为低分影像,右为局部放大图)输入影像超分模型;
(2)影像超分模型输出2.5米分辨率的超分影像(如图5所示,左为超分影像,右为局部放大图);
第三部分,训练生成一个基于HRNet的耕地识别分类模型,具体步骤如下:
(1)参照1:1万的土地利用现状图和同期2.5米分辨率的高分1号遥感影像,生成2.5米分辨率的耕地掩膜图像;
(2)2.5米分辨率的高分1号遥感影像与地理配准的2.5米分辨率耕地掩膜图像通过影像裁剪,生成一个包含4872对256*256像素大小的遥感图像和耕地掩膜图像对的耕地识别样本库;
(3)利用耕地识别样本库训练一个基于HRNet的耕地识别分类模型,在没有额外数据增强与损失函数修改的情况下耕地分类的查准率为81.5%,查全率为80.9%
第四部分,分别将同期地理配准的10米分辨率哨兵2号遥感图像、2.5米分辨率超分图像和2.5米分辨率高分1号像输入耕地识别分类模型,输出耕地识别结果,具体步骤如下:
(1)依此将同期地理配准的10米分辨率哨兵2号遥感图像、2.5米分辨率超分图像和2.5米分辨率高分1号遥感影像输入耕地识别分类模型;
(2)耕地识别分类模型分别输出10米分辨率和2.5米分辨率的耕地识别结果,如图6、7所示;图6中,左为耕地真值,右为高分影像分类结果;图7中,左为超分影像分类结果,右为低分影像分类结果
(3)统计耕地识别结果,计算IoU、F1得分、查准率和查全率,如表1所示:
表1影像耕地识别结果
无论是定性还是定量角度,可以看出超分影像的耕地识别分类结果明显优于低分影像,四个指标均高于低分影像,影像的可视化效果(如图6所示)也体现出超分影像的耕地识别结果更准确。并且超分影像的结果在IoU和F1得分上与真实高分影像的结果相当接近,虽然查准率上不及高分影像,图上也可看出超分影像结果不如高分的精细,但在查全率上更为优异,这对于耕地非农化、非粮化监测具有重要意义,可以尽可能避免耕地识别的遗漏等问题。
实施例2:
参阅图8所示,本实施例提供的利用影像超分技术提高耕地识别精度的装置包括处理器81、存储器82以及存储在该存储器82中并可在所述处理器81上运行的计算机程序83,例如利用影像超分技术提高耕地识别精度程序。该处理器81执行所述计算机程序83时实现上述实施例1步骤,例如图1所示的步骤。
示例性的,所述计算机程序83可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器82中,并由所述处理器81执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序83在所述利用影像超分技术提高耕地识别精度的装置中的执行过程。
所述利用影像超分技术提高耕地识别精度的装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述利用影像超分技术提高耕地识别精度的装置可包括,但不仅限于,处理器81、存储器82。本领域技术人员可以理解,图8仅仅是利用影像超分技术提高耕地识别精度的装置的示例,并不构成利用影像超分技术提高耕地识别精度的装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述利用影像超分技术提高耕地识别精度的装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器81可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器82可以是所述利用影像超分技术提高耕地识别精度的装置的内部存储元,例如利用影像超分技术提高耕地识别精度的装置的硬盘或内存。所述存储器82也可以是所述利用影像超分技术提高耕地识别精度的装置的外部存储设备,例如所述利用影像超分技术提高耕地识别精度的装置上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器82还可以既包括所述利用影像超分技术提高耕地识别精度的装置的内部存储单元也包括外部存储设备。所述存储器82用于存储所述计算机程序以及所述利用影像超分技术提高耕地识别精度的装置所需的其他程序和数据。所述存储器82还可以用于暂时地存储已经输出或者将要输出的数据。
实施例3:
本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述方法的步骤。
所示计算机可读介质可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理再以电子方式获得所述程序,然后将其存储在计算机存储器中。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (9)
1.一种利用影像超分技术提高耕地识别精度的方法,其特征在于,包括:
将低分辨率遥感影像作为影像超分模型的输入,所述影像超分模型输出高分辨率的超分遥感影像;
将所述高分辨率的超分遥感影像作为耕地识别分类模型的输入,所述耕地识别分类模型输出耕地识别结果。
2.如权利要求1所述的利用影像超分技术提高耕地识别精度的方法,其特征在于,所述影像超分模型通过如下方式获得:
利用地理配准将低分辨率遥感影像与高分辨率遥感影像配准;
将配准好的低分辨率遥感影像与高分辨率遥感影像通过滑动窗口分别裁剪成图像对,构建低分辨率-高分辨率影像配对样本库;
将所述低分辨率-高分辨率影像配对样本库成对输入生成器和判别器进行对抗训练,在所述对抗训练过程中,所述生成器和所述判别器交替训练,得到基于生成对抗网络的影像超分模型。
3.如权利要求2所述的利用影像超分技术提高耕地识别精度的方法,其特征在于,所述所述生成器和所述判别器交替训练包括:
在每个训练迭代中,所述生成器将输入的低分辨率遥感影像进行影像超分,输出超分影像,所述判别器对输入的一批超分影像和真实高分影像进行分类,以区分所述超分影像和真实高分影像,根据所述判别器的分类结果计算所述生成器的损失函数,以更新生成器的参数,再计算判别器的损失函数以更新判别器的参数;重复上述过程,直至所述生成器和所述判别器达到预设的训练迭代次数后结束训练,即得到基于生成对抗网络的影像超分模型。
4.如权利要求1所述的利用影像超分技术提高耕地识别精度的方法,其特征在于,所述耕地识别分类模型通过如下方式获得:
结合同期的土地利用现状图与真实高分影像生成耕地掩膜图像;
利用地理配准将所述耕地掩膜图像与所述真实高分影像配准;
所述真实高分影像与地理配准后的耕地掩膜图像通过滑动窗口裁剪生成耕地识别样本库;
将所述耕地识别样本库输入一个基于语义分割网络的耕地识别分类模型进行监督训练;根据所述耕地掩膜图像计算分类损失函数,以迭代更新分类模型参数,得到基于语义分割网络的耕地识别分类模型。
5.如权利要求4所述的利用影像超分技术提高耕地识别精度的方法,其特征在于,所述基于语义分割网络的耕地识别分类模型为HRNet语义分割模型。
6.如权利要求5所述的利用影像超分技术提高耕地识别精度的方法,其特征在于,所述HRNet语义分割模型包括编码器和解码器;
所述编码器对输入图像提取多尺度特征图,解码器将所述多尺度特征图进行上采样与特征融合,接着输出耕地识别结果。
7.如权利要求2所述的利用影像超分技术提高耕地识别精度的方法,其特征在于,所述低分辨率遥感影像采用哨兵2号10米分辨率的数据,高分辨率遥感影像采用高分1号重采样为2.5米分辨率的数据。
8.一种利用影像超分技术提高耕地识别精度的装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310625532.3A CN116994025A (zh) | 2023-05-30 | 2023-05-30 | 一种利用影像超分技术提高耕地识别精度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310625532.3A CN116994025A (zh) | 2023-05-30 | 2023-05-30 | 一种利用影像超分技术提高耕地识别精度的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116994025A true CN116994025A (zh) | 2023-11-03 |
Family
ID=88527325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310625532.3A Pending CN116994025A (zh) | 2023-05-30 | 2023-05-30 | 一种利用影像超分技术提高耕地识别精度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994025A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108761451A (zh) * | 2018-05-21 | 2018-11-06 | 中南大学 | 一种基于多时相遥感影像的土地利用变化智能理解方法 |
CN109447089A (zh) * | 2018-10-16 | 2019-03-08 | 同济大学 | 基于超分技术的高分辨率北极海冰类型提取方法 |
CN112906809A (zh) * | 2021-03-08 | 2021-06-04 | 甘肃农业大学 | 一种利用组合损失函数HRnet解译高分辨率遥感影像的方法 |
CN114463623A (zh) * | 2021-12-17 | 2022-05-10 | 浙江万维空间信息技术有限公司 | 一种基于多尺度遥感影像的耕地变化检测方法及装置 |
CN115660063A (zh) * | 2022-11-03 | 2023-01-31 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种遥感影像超分辨率模型训练方法和装置 |
-
2023
- 2023-05-30 CN CN202310625532.3A patent/CN116994025A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108761451A (zh) * | 2018-05-21 | 2018-11-06 | 中南大学 | 一种基于多时相遥感影像的土地利用变化智能理解方法 |
CN109447089A (zh) * | 2018-10-16 | 2019-03-08 | 同济大学 | 基于超分技术的高分辨率北极海冰类型提取方法 |
CN112906809A (zh) * | 2021-03-08 | 2021-06-04 | 甘肃农业大学 | 一种利用组合损失函数HRnet解译高分辨率遥感影像的方法 |
CN114463623A (zh) * | 2021-12-17 | 2022-05-10 | 浙江万维空间信息技术有限公司 | 一种基于多尺度遥感影像的耕地变化检测方法及装置 |
CN115660063A (zh) * | 2022-11-03 | 2023-01-31 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种遥感影像超分辨率模型训练方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fang et al. | Hyperspectral image classification with squeeze multibias network | |
Mirzapour et al. | Improving hyperspectral image classification by combining spectral, texture, and shape features | |
Xia et al. | Cloud/snow recognition for multispectral satellite imagery based on a multidimensional deep residual network | |
Yu et al. | Analysis of large-scale UAV images using a multi-scale hierarchical representation | |
Unar et al. | Detected text‐based image retrieval approach for textual images | |
Wang et al. | Image inpainting detection based on multi-task deep learning network | |
Yin et al. | An optimised multi-scale fusion method for airport detection in large-scale optical remote sensing images | |
Xiao et al. | Segmentation of multispectral high-resolution satellite imagery using log Gabor filters | |
CN103345760B (zh) | 一种医学图像对象形状模板标记点的自动生成方法 | |
CN111932577B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
Bai et al. | Multi-scale hierarchical sampling change detection using Random Forest for high-resolution satellite imagery | |
CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
Lauko et al. | Local color and morphological image feature based vegetation identification and its application to human environment street view vegetation mapping, or how green is our county? | |
Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
Liu et al. | Registration of infrared and visible light image based on visual saliency and scale invariant feature transform | |
Liu et al. | Building segmentation from satellite imagery using U-Net with ResNet encoder | |
Yu et al. | Salient feature extraction for hyperspectral image classification | |
Zhang et al. | Image segmentation based on multiscale fast spectral clustering | |
Lu et al. | Vector co‐occurrence morphological edge detection for colour image | |
Oga et al. | River state classification combining patch-based processing and CNN | |
Mostafa | A new shape descriptor for road network separation from parking lots and intersection detection on VHR remote sensing images | |
Xu et al. | Straight line extraction via multi-scale Hough transform based on pre-storage weight matrix | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
Li et al. | A combined method of crater detection and recognition based on deep learning | |
CN116994025A (zh) | 一种利用影像超分技术提高耕地识别精度的方法及装置 |
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 |