CN117218452A - 一种土地图像自动分类管理系统 - Google Patents
一种土地图像自动分类管理系统 Download PDFInfo
- Publication number
- CN117218452A CN117218452A CN202311443470.0A CN202311443470A CN117218452A CN 117218452 A CN117218452 A CN 117218452A CN 202311443470 A CN202311443470 A CN 202311443470A CN 117218452 A CN117218452 A CN 117218452A
- Authority
- CN
- China
- Prior art keywords
- image
- land
- terminal
- features
- 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
- 238000001914 filtration Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000003702 image correction Methods 0.000 claims abstract description 15
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000013441 quality evaluation Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 52
- 238000001228 spectrum Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及信息管理技术领域，具体公开了一种土地图像自动分类管理系统，包括图像采集终端、图像处理终端、自动分类终端、质量管理终端以及图像校正终端；本发明从土地图像中提取用于分类的图像特征，自动分类终端通过对分类的图像特征建立图像特征过滤网络，筛选出土地图像中表现明显的图像特征，筛选的图像特征通过支持向量机分类器进行自动分类，通过质量管理终端建立土地图像清晰程度管理模型，有助于减少主观判断的影响，提高了土地影像分类管理的客观性和一致性，并确保了土地影像的准确性，以便于查询者及时获得清晰的目标土地影像。
Description
技术领域
本发明图像信息管理技术领域，更具体地说，本发明涉及一种土地图像自动分类管理系统。
背景技术
土地影像是将土地文件的纸质文件转化成电子图像，并将有关的土地文件信息保存在数据库中，传统对土地影像进行分类管理，是通过对原始的纸质土地文件进行扫描，然后通过图像处理对其进行校正，最终将其输入到土地档案数据库中，并在数据库中建立索引，从而实现对电子档案数据的查询与更新。而存储于土地档案数据库中的土地影像常存在图像模糊，从而导致查询者难以及时获得目标土地影像，为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明提供一种土地图像自动分类管理系统，通过从土地图像中提取用于分类的图像特征，自动分类终端通过对分类的图像特征建立图像特征过滤网络，筛选出土地图像中表现明显的图像特征，筛选的图像特征通过支持向量机分类器进行自动分类，有助于减少主观判断的影响，提高了土地影像分类管理的客观性和一致性，并确保了土地影像的准确性，以便于查询者及时获得清晰的目标土地影像，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种土地图像自动分类管理系统，包括图像采集终端、图像处理终端、自动分类终端、质量管理终端以及图像校正终端，图像采集终端用于扫描纸质土地文件获得土地图像，生成土地图像库，并通过ENVI图像处理软件获取土地图像的质量信息，土地图像的质量信息包括土地图像的云覆盖率、阴影覆盖率、空间分辨率以及图像含噪程度，质量管理终端包括图像质量管理模块、图像检测模块以及图像质量评估模块，图像质量管理模块通过土地图像的云覆盖率、阴影覆盖率、空间分辨率以及图像含噪程度建立土地图像清晰程度管理模型，其中，土地图像清晰程度管理模型的公式为：
；
式中：为土地图像清晰程度，/>为土地图像的云覆盖率，/>为阴影覆盖率，为空间分辨率，/>为图像含噪程度。
作为本发明进一步的方案，图像采集终端用于采集纸质土地文件，生成土地图像库，图像处理终端用于对土地图像进行预处理，并从土地图像中提取用于分类的图像特征；自动分类终端用于通过对分类的图像特征建立图像特征过滤网络，并计算其损失函数，筛选出土地图像中表现明显的图像特征，筛选的图像特征通过支持向量机分类器进行自动分类，其中图像特征过滤网络的表示为：
；
式中：为图像特征过滤网络的表示，/>为最终图像特征属性标签表示，/>为用于分类的图像特征表示，/>为激活函数，/>为权重矩阵，/>为用于分类的图像特征的个数。
作为本发明进一步的方案，自动分类终端通过对分类的图像特征建立图像特征过滤网络，其中，最终图像特征属性标签表示的公式为：
；
；
；
式中：为最终图像特征属性标签表示，/>为用于分类的图像特征表示，为激活函数，/>为第n个用于分类的图像特征表示，/>为权重矩阵，/>为用于分类的图像特征的个数，/>为双曲正切激活函数，/>为图像特征属性标签。
作为本发明进一步的方案，自动分类终端通过建立图像特征过滤网络计算其损失函数，通过对抗训练方法训练一组判别网络，最小化最终图像特征属性标签表示的概率，以去除土地图像中表现不明显的图像特征，从而筛选出土地图像中表现明显的图像特征，图像特征过滤网络的损失函数的计算公式为：
；
式中：为图像特征过滤网络的损失函数，/>为交叉熵损失函数，/>为用于分类的图像特征样本。图像特征过滤网络的损失函数通过计算的图像特征过滤网络管理与实际目标之间的误差，能够确定图像特征过滤网络对于给定任务的表现，损失值越低表示模型的性能越好，损失值越高表示性能越差。
作为本发明进一步的方案，图像采集终端用于扫描纸质土地文件获得土地图像，生成土地图像库，并通过ENVI图像处理软件获取对土地图像的质量信息；
图像处理终端用于将土地图像进行预处理，包括辐射校正、图像增强、图像融合以及大气校正处理，并从土地图像中提取用于分类的图像特征；
自动分类终端用于通过对分类的图像特征建立图像特征过滤网络，并计算其损失函数，筛选出土地图像中表现明显的图像特征，筛选的图像特征通过支持向量机分类器进行自动分类；
质量管理终端用于建立土地图像清晰程度管理模型，通过图像质量评估算法自动检测图像中的问题，以确保土地图像的准确性；
图像校正终端用于校正土地图像清晰程度，同时进行数据清洗，以消除噪声和异常值。
作为本发明进一步的方案，质量管理终端通过图像质量评估算法自动检测图像中的问题，图像质量评估算法根据土地图像中表现明显的图像特征以及土地图像清晰程度，确定土地影响存在的问题，便于图像校正终端制定校正策略。
作为本发明进一步的方案，图像校正终端用于校正土地图像清晰程度，依据土地图像中表现明显的图像特征以及土地图像清晰程度制定校正策略，校正策略包括图像特征增强、降噪处理、增强空间分辨率以及图像融合。
特征增强根据土地图像中表现明显的特征，制定增强策略，增强策略包括颜色校正、纹理增强以及边缘增强；当土地图像中存在噪声时，使用降噪方法减少噪声的影响，有助于提高图像的清晰度；图像融合通过对不同时间获取的图像进行融合，以提高图像质量和信息的完整性，能够减少云覆盖或阴影的影响；空间分辨率增强根据土地图像的空间分辨率，选择适当的增强方法，包括插值以及卷积，以提高图像的细节和清晰度。
作为本发明进一步的方案，图像处理终端包括图像预处理模块以及图像特征提取模块，图像预处理模块用于对土地图像进行预处理，包括辐射校正、图像增强、图像融合以及大气校正处理，图像特征提取模块用于提取土地图像的颜色特征、纹理特征、形状特征、空间特征、频谱特征以及边界特征。
颜色特征通过提取像素值的颜色通道信息，再使用颜色空间转换方法表示；纹理特征用于描述图像中不同区域的变化和模式，通过灰度共生矩阵进行提取；形状特征用于描述物体的轮廓和形状，通过边缘检测算法提取；空间特征用于描述物体之间的相对位置和分布，通过计算物体的大小、位置、形状以及中心坐标获得；频谱特征用于遥感图像处理，当涉及不同波段的能量和频谱分布时，通过傅里叶变换方法提取；边界特征用于物体识别、图像分割和轮廓检测，通过边缘检测算法提取。
作为本发明进一步的方案，图像采集终端与图像处理终端相连接，图像处理终端与自动分类终端相连接，自动分类终端与质量管理终端相连接，质量管理终端与图像校正终端相连接。
本发明一种土地图像自动分类管理系统的技术效果和优点：
1、本发明通过自动分类终端通过对分类的图像特征建立图像特征过滤网络，筛选出土地图像中表现明显的图像特征，筛选的图像特征通过支持向量机分类器进行自动分类，有助于减少主观判断的影响，提高了土地影像分类管理的客观性和一致性；
2、本发明通过质量管理终端建立土地图像清晰程度管理模型，确保土地影像的准确性，以便于查询者及时获得清晰的目标土地影像。
附图说明
图1为本发明一种土地图像自动分类管理系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本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。
一种土地图像自动分类管理系统，包括图像采集终端、图像处理终端、自动分类终端、质量管理终端以及图像校正终端，图像采集终端用于扫描纸质土地文件获得土地图像，生成土地图像库，并通过ENVI图像处理软件获取土地图像的质量信息，土地图像的质量信息包括土地图像的云覆盖率、阴影覆盖率、空间分辨率以及图像含噪程度，质量管理终端包括图像质量管理模块、图像检测模块以及图像质量评估模块，图像质量管理模块通过土地图像的云覆盖率、阴影覆盖率、空间分辨率以及图像含噪程度建立土地图像清晰程度管理模型，其中，土地图像清晰程度管理模型的公式为：
；
式中：为土地图像清晰程度，/>为土地图像的云覆盖率，/>为阴影覆盖率，为空间分辨率，/>为图像含噪程度。
当政府机构希望实时监控和管理辖区内的土地资源使用情况时，政府机构通过图像采集终端扫描纸质土地文件获得土地图像，生成土地图像库，并通过ENVI图像处理软件获取对土地图像的质量信息；图像处理终端对采集到的土地图像进行预处理，包括辐射校正、图像增强、图像融合以及大气校正处理，并从土地图像中提取了用于分类的图像特征；自动分类终端通过对分类的图像特征建立图像特征过滤网络，并计算其损失函数，通过最小化损失函数，筛选出土地图像中表现明显的图像特征，筛选出的图像特征通过支持向量机分类器进行自动分类；质量管理终端建立了一个土地图像清晰程度管理模型，通过图像质量评估算法，自动检测图像中的问题，以确保土地图像的准确性；校正终端对土地图像的清晰程度进行校正，同时进行数据清洗，以消除噪声和异常值，政府机构能够高效、准确地监控和管理辖区内的土地资源使用情况，从而为实现可持续发展和保护生态环境提供有力的支持。
实施例1
当政府机构希望了解其所辖区域内一块特定土地的图像清晰程度，以便决定是否需要进行额外的地面调查或采集更高分辨率的图像，使用了质量管理终端，其中包括图像清晰程度管理模块、图像检测模块以及图像质量评估模块，政府机构通过质量管理终端上传了该块土地的土地图像，图像清晰程度管理模块通过分析土地图像的云覆盖率、阴影覆盖率、空间分辨率以及图像含噪程度，建立土地图像清晰程度管理模型，通过将上传的图像数据输入管理模型，政府机构能够获得该块土地图像的清晰程度管理值。当云覆盖率增加时，意味着土地图像中云的占比增大，将导致图像清晰程度下降，随着云覆盖率的增大，土地图像清晰程度将减小；当阴影覆盖率增加、空间分辨率降低或图像含噪程度升高时，将导致土地图像清晰程度下降，政府机构能够了解不同参数变化对土地图像清晰程度的影响，从而更加精准地评估土地图像的质量，为后续的规划和管理提供有力的支持。
当政府机构所辖区域内的特定土地，其云覆盖率为0.15、阴影覆盖率为0.05、空间分辨率为0.1以及图像含噪程度为0.008时，能够计算出其所辖区域内的特定土地图像的清晰程度为：
；
由此得到所辖区域内的特定土地图像的清晰程度为0.455，而对于土地图像清晰程度管理模型，其清晰程度越高，图像越清晰，而此时图像的清晰程度为0.455，此时政府所辖区域内的特定土地图像处于较为模糊状态，需重新获取土地图像。
实施例2
当政府机构所辖区域内的特定土地，其云覆盖率为0.1、阴影覆盖率为0.05、空间分辨率为0.2以及图像含噪程度为0.008时，能够计算出其所辖区域内的特定土地图像的清晰程度为：
；
由此得到所辖区域内的特定土地图像的清晰程度为0.89，而对于土地图像清晰程度管理模型，其清晰程度越高，图像越清晰，而此时图像的清晰程度为0.89，此时政府所辖区域内的特定土地图像处于较为清晰状态，不用重新获取土地图像。
本发明实施例中，图像处理终端用于对土地图像进行预处理，并从土地图像中提取用于分类的图像特征；自动分类终端用于通过对分类的图像特征建立图像特征过滤网络，并计算其损失函数，筛选出土地图像中表现明显的图像特征，筛选的图像特征通过支持向量机分类器进行自动分类，其中图像特征过滤网络的表示为：
；
式中：为图像特征过滤网络的表示，/>为最终图像特征属性标签表示，/>为用于分类的图像特征表示，/>为激活函数，/>为权重矩阵，/>为用于分类的图像特征的个数。
本发明实施例中，自动分类终端通过对分类的图像特征建立图像特征过滤网络，其中，最终图像特征属性标签表示的公式为：
；
；
；
式中：为最终图像特征属性标签表示，/>为用于分类的图像特征表示，为激活函数，/>为第n个用于分类的图像特征表示，/>为权重矩阵，/>为用于分类的图像特征的个数，/>为双曲正切激活函数，/>为图像特征属性标签。
本发明实施例中，自动分类终端通过建立图像特征过滤网络计算其损失函数，通过对抗训练方法训练一组判别网络，最小化最终图像特征属性标签表示的概率，以去除土地图像中表现不明显的图像特征，从而筛选出土地图像中表现明显的图像特征，图像特征过滤网络的损失函数的计算公式为：
；
式中：为图像特征过滤网络的损失函数，/>为交叉熵损失函数，/>为用于分类的图像特征样本。
通过对抗训练方法训练一组判别网络的步骤为：初始化图像特征过滤网络以及一组神经判别网络，提供一批土地图像特征数据，其中包含已知的明显和不明显的图像特征，使用这一批特征数据，训练一组判别网络，以识别表现明显和不明显特征，判别网络的目标是最大化损失函数；使用相同批次的特征数据，训练图像特征过滤网络，图像特征过滤网络的目标是最小化其损失函数，此时的损失函数是与判别网络的损失函数相反的，因为其目标是减少去除不明显的特征；交替进行上述步骤，通过多次迭代优化两组网络，使判别网络更善于区分特征，并使过滤网络更善于去除不明显的特征。
实施例3
对每个土地图像的特征进行提取，包括颜色特征、纹理特征、形状特征、空间特征、频谱特征以及边界特征，当提取了6个特征，分别为、/>、/>、/>、/>、/>，为每个特征建立一个图像特征属性标签，通过Sigmoid函数对每个特征进行转换，得到一个介于0和1之间的值，作为图像特征属性标签，再通过一个权重矩阵/>对图像特征属性标签进行转换，利用Tanh函数对转换后的图像特征属性标签进行缩放，使其值介于-1和1之间。将图像特征属性标签通过图像特征过滤网络，以得到每个图像特征的权重，从而筛选出表现明显的图像特征，再计算图像特征过滤网络的损失函数，以便通过反向传播算法来优化网络参数，损失函数通过交叉熵损失函数来计算，最小化损失函数，能够使图像特征过滤网络筛选出土地图像中表现明显的图像特征。自动分类终端通过对分类的图像特征建立图像特征过滤网络，筛选出土地图像中表现明显的图像特征，并对其进行自动分类管理。
图像特征过滤网络的损失函数通过计算的图像特征过滤网络管理与实际目标之间的误差，能够确定图像特征过滤网络对于给定任务的表现，损失值越低表示模型的性能越好，损失值越高表示性能越差。
本发明实施例中，图像采集终端用于扫描纸质土地文件获得土地图像，生成土地图像库，并通过ENVI图像处理软件获取对土地图像的质量信息；
图像处理终端用于将土地图像进行预处理，包括辐射校正、图像增强、图像融合以及大气校正处理，并从土地图像中提取用于分类的图像特征；
自动分类终端用于通过对分类的图像特征建立图像特征过滤网络，并计算其损失函数，筛选出土地图像中表现明显的图像特征，筛选的图像特征通过支持向量机分类器进行自动分类；
质量管理终端用于建立土地图像清晰程度管理模型，通过图像质量评估算法自动检测图像中的问题，以确保土地图像的准确性；
图像校正终端用于校正土地图像清晰程度，同时进行数据清洗，以消除噪声和异常值。
本发明实施例中，质量管理终端通过图像质量评估算法自动检测图像中的问题，图像质量评估算法根据土地图像中表现明显的图像特征以及土地图像清晰程度，确定土地影响存在的问题，便于图像校正终端制定校正策略。
本发明实施例中，图像校正终端用于校正土地图像清晰程度，依据土地图像中表现明显的图像特征以及土地图像清晰程度制定校正策略，校正策略包括图像特征增强、降噪处理、增强空间分辨率以及图像融合。
特征增强根据土地图像中表现明显的特征，制定增强策略，增强策略包括颜色校正、纹理增强以及边缘增强；当土地图像中存在噪声时，使用降噪方法减少噪声的影响，有助于提高图像的清晰度；图像融合通过对不同时间获取的图像进行融合，以提高图像质量和信息的完整性，能够减少云覆盖或阴影的影响；空间分辨率增强根据土地图像的空间分辨率，选择适当的增强方法，包括插值以及卷积，以提高图像的细节和清晰度。
本发明实施例中，图像处理终端包括图像预处理模块以及图像特征提取模块，图像预处理模块用于对土地图像进行预处理，包括辐射校正、图像增强、图像融合以及大气校正处理，图像特征提取模块用于提取土地图像的颜色特征、纹理特征、形状特征、空间特征、频谱特征以及边界特征。
颜色特征通过提取像素值的颜色通道信息，再使用颜色空间转换方法表示；纹理特征用于描述图像中不同区域的变化和模式，通过灰度共生矩阵进行提取；形状特征用于描述物体的轮廓和形状，通过边缘检测算法提取；空间特征用于描述物体之间的相对位置和分布，通过计算物体的大小、位置、形状以及中心坐标获得；频谱特征用于遥感图像处理，当涉及不同波段的能量和频谱分布时，通过傅里叶变换方法提取；边界特征用于物体识别、图像分割和轮廓检测，通过边缘检测算法提取。
本发明实施例中，图像采集终端与图像处理终端相连接，图像处理终端与自动分类终端相连接，自动分类终端与质量管理终端相连接，质量管理终端与图像校正终端相连接。
本发明实施例通过从土地图像中提取用于分类的图像特征，自动分类终端通过对分类的图像特征建立图像特征过滤网络，筛选出土地图像中表现明显的图像特征，筛选的图像特征通过支持向量机分类器进行自动分类，通过质量管理终端建立土地图像清晰程度管理模型，有助于减少主观判断的影响，提高了土地影像分类管理的客观性和一致性，并确保了土地影像的准确性，以便于查询者及时获得清晰的目标土地影像。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，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 (7)
1.一种土地图像自动分类管理系统，包括图像采集终端、图像处理终端、自动分类终端、质量管理终端以及图像校正终端，其特征在于，图像采集终端用于扫描纸质土地文件获得土地图像，生成土地图像库，并通过ENVI图像处理软件获取土地图像的质量信息，土地图像的质量信息包括土地图像的云覆盖率、阴影覆盖率、空间分辨率以及图像含噪程度，质量管理终端包括图像质量管理模块、图像检测模块以及图像质量评估模块，图像质量管理模块通过土地图像的云覆盖率、阴影覆盖率、空间分辨率以及图像含噪程度建立土地图像清晰程度管理模型，其中，土地图像清晰程度管理模型的公式为：
；
式中：为土地图像清晰程度，/>为土地图像的云覆盖率，/>为阴影覆盖率，/>为空间分辨率，/>为图像含噪程度。
2.根据权利要求1所述的一种土地图像自动分类管理系统，其特征在于，图像处理终端用于对土地图像进行预处理，并从土地图像中提取用于分类的图像特征；自动分类终端用于通过对分类的图像特征建立图像特征过滤网络，并计算其损失函数，筛选出土地图像中表现明显的图像特征，筛选的图像特征通过支持向量机分类器进行自动分类，其中图像特征过滤网络的表示为：
；
式中：为图像特征过滤网络的表示，/>为最终图像特征属性标签表示，/>为用于分类的图像特征表示，/>为激活函数，/>为权重矩阵，/>为用于分类的图像特征的个数。
3.根据权利要求2所述的一种土地图像自动分类管理系统，其特征在于，自动分类终端通过对分类的图像特征建立图像特征过滤网络，其中，最终图像特征属性标签表示的公式为：
；
；
；
式中：为最终图像特征属性标签表示，/>为用于分类的图像特征表示，/>为激活函数，/>为第n个用于分类的图像特征表示，/>为权重矩阵，/>为用于分类的图像特征的个数，/>为双曲正切激活函数，/>为图像特征属性标签。
4.根据权利要求2述的一种土地图像自动分类管理系统，其特征在于，自动分类终端通过建立图像特征过滤网络计算其损失函数，图像特征过滤网络的损失函数的计算公式为：
；
式中：为图像特征过滤网络的损失函数，/>为交叉熵损失函数，/>为用于分类的图像特征样本。
5.根据权利要求1所述的一种土地图像自动分类管理系统，其特征在于，
图像采集终端用于扫描纸质土地文件获得土地图像，生成土地图像库，并通过ENVI图像处理软件获取对土地图像的质量信息；
图像处理终端用于将土地图像进行预处理，包括辐射校正、图像增强、图像融合以及大气校正处理，并从土地图像中提取用于分类的图像特征；
自动分类终端用于通过对分类的图像特征建立图像特征过滤网络，并计算其损失函数，筛选出土地图像中表现明显的图像特征，筛选的图像特征通过支持向量机分类器进行自动分类；
质量管理终端用于建立土地图像清晰程度管理模型，通过图像质量评估算法自动检测图像中的问题，以确保土地图像的准确性；
图像校正终端用于校正土地图像清晰程度，同时进行数据清洗，以消除噪声和异常值。
6.根据权利要求5所述的一种土地图像自动分类管理系统，其特征在于，图像校正终端用于校正土地图像清晰程度，依据土地图像中表现明显的图像特征以及土地图像清晰程度制定校正策略，校正策略包括图像特征增强、降噪处理、增强空间分辨率以及图像融合。
7.根据权利要求1述的一种土地图像自动分类管理系统，其特征在于，图像采集终端与图像处理终端相连接，图像处理终端与自动分类终端相连接，自动分类终端与质量管理终端相连接，质量管理终端与图像校正终端相连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443470.0A CN117218452B (zh) | 2023-11-02 | 2023-11-02 | 一种土地图像自动分类管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443470.0A CN117218452B (zh) | 2023-11-02 | 2023-11-02 | 一种土地图像自动分类管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117218452A true CN117218452A (zh) | 2023-12-12 |
| CN117218452B CN117218452B (zh) | 2024-02-06 |
Family
ID=89041142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311443470.0A Active CN117218452B (zh) | 2023-11-02 | 2023-11-02 | 一种土地图像自动分类管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218452B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104742516A (zh) * | 2015-03-12 | 2015-07-01 | 周广伟 | 适于印刷全程的高倍图像网点覆盖率数字化测量方法 |
| CN107507173A (zh) * | 2017-08-15 | 2017-12-22 | 上海交通大学 | 一种全切片图像的无参考清晰度评估方法及系统 |
| CN111131688A (zh) * | 2018-10-31 | 2020-05-08 | Tcl集团股份有限公司 | 一种图像处理方法、装置及移动终端 |
| CN111932510A (zh) * | 2020-08-03 | 2020-11-13 | 深圳回收宝科技有限公司 | 一种图像清晰度的确定方法及装置 |
| US20210142450A1 (en) * | 2019-11-07 | 2021-05-13 | Shanghai Harvest Intelligence Technology Co., Ltd. | Image Processing Method And Apparatus, Storage Medium, And Terminal |
| CN112801132A (zh) * | 2020-12-28 | 2021-05-14 | 泰康保险集团股份有限公司 | 一种图像处理方法和装置 |
| CN114936325A (zh) * | 2022-07-20 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及系统 |
| CN115631434A (zh) * | 2022-10-25 | 2023-01-20 | 三峡大学 | 一种基于遥感影像的土地利用分类方法 |
| CN116229459A (zh) * | 2022-11-28 | 2023-06-06 | 中国科学院空天信息创新研究院 | 国产卫星多光谱图像逐像素质量标记方法 |
| CN116977730A (zh) * | 2023-07-28 | 2023-10-31 | 北京交通大学 | 一种基于迁移学习的无监督低质量图像分类方法 |
-
2023
- 2023-11-02 CN CN202311443470.0A patent/CN117218452B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104742516A (zh) * | 2015-03-12 | 2015-07-01 | 周广伟 | 适于印刷全程的高倍图像网点覆盖率数字化测量方法 |
| CN107507173A (zh) * | 2017-08-15 | 2017-12-22 | 上海交通大学 | 一种全切片图像的无参考清晰度评估方法及系统 |
| CN111131688A (zh) * | 2018-10-31 | 2020-05-08 | Tcl集团股份有限公司 | 一种图像处理方法、装置及移动终端 |
| US20210142450A1 (en) * | 2019-11-07 | 2021-05-13 | Shanghai Harvest Intelligence Technology Co., Ltd. | Image Processing Method And Apparatus, Storage Medium, And Terminal |
| CN111932510A (zh) * | 2020-08-03 | 2020-11-13 | 深圳回收宝科技有限公司 | 一种图像清晰度的确定方法及装置 |
| CN112801132A (zh) * | 2020-12-28 | 2021-05-14 | 泰康保险集团股份有限公司 | 一种图像处理方法和装置 |
| CN114936325A (zh) * | 2022-07-20 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及系统 |
| CN115631434A (zh) * | 2022-10-25 | 2023-01-20 | 三峡大学 | 一种基于遥感影像的土地利用分类方法 |
| CN116229459A (zh) * | 2022-11-28 | 2023-06-06 | 中国科学院空天信息创新研究院 | 国产卫星多光谱图像逐像素质量标记方法 |
| CN116977730A (zh) * | 2023-07-28 | 2023-10-31 | 北京交通大学 | 一种基于迁移学习的无监督低质量图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| A. ANZALONE: "Measurements of High Energy Cosmic Rays and Cloud presence: A method to estimate Cloud Coverage in Space and Ground-Based Infrared Images", NUCLEAR AND PARTICLE PHYSICS PROCEEDINGS, vol. 306 * |
| 王小莹;易尧华;: "基于SVM的模糊图像识别", 包装工程, no. 13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117218452B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7983486B2 (en) | Method and apparatus for automatic image categorization using image texture | |
| CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
| CN109460735B (zh) | 基于图半监督学习的文档二值化处理方法、系统、装置 | |
| CN109360179B (zh) | 一种图像融合方法、装置及可读存储介质 | |
| CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
| CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
| Valliammal et al. | A novel approach for plant leaf image segmentation using fuzzy clustering | |
| CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
| CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
| CN114283431B (zh) | 一种基于可微分二值化的文本检测方法 | |
| CN112509026A (zh) | 一种绝缘子裂缝长度识别方法 | |
| CN114842262A (zh) | 融合线路通道正射影像的激光点云地物自动识别方法 | |
| CN111597875A (zh) | 一种交通标志识别方法、装置、设备及存储介质 | |
| CN117036352B (zh) | 一种基于人工智能的视频分析方法及系统 | |
| CN117475327A (zh) | 一种城市中基于遥感图像的多目标检测定位方法和系统 | |
| JP4285640B2 (ja) | オブジェクト識別方法および装置ならびにプログラム | |
| CN117218452B (zh) | 一种土地图像自动分类管理系统 | |
| CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
| CN116824241A (zh) | 一种基于迭代学习的马铃薯病害多分类和检测方法 | |
| CN116468958A (zh) | 通信铁塔安全检测方法及系统 | |
| CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
| Khan et al. | Shadow removal from digital images using multi-channel binarization and shadow matting | |
| CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 | |
| CN113887652A (zh) | 基于形态和多示例学习的遥感图像弱小目标检测方法 | |
| CN117315702B (zh) | 基于集合预测的文本检测方法、系统及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |