CN117315394A - 一种面向多源高分遥感影像光伏板样本生成方法 - Google Patents
一种面向多源高分遥感影像光伏板样本生成方法 Download PDFInfo
- Publication number
- CN117315394A CN117315394A CN202311264451.1A CN202311264451A CN117315394A CN 117315394 A CN117315394 A CN 117315394A CN 202311264451 A CN202311264451 A CN 202311264451A CN 117315394 A CN117315394 A CN 117315394A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic panel
- image
- sample
- remote sensing
- resolution remote
- 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 20
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000005484 gravity Effects 0.000 claims abstract description 8
- 238000003384 imaging method Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 abstract description 4
- 125000004122 cyclic group Chemical group 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- QPGIGKMACFTHAH-UHFFFAOYSA-L NIR-4 dye Chemical compound [K+].[K+].[O-]S(=O)(=O)CCCCN1C2=CC=C(C(O)=O)C=C2C(C)(C)C1=CC=CC=CC1=[N+](CCCCS([O-])(=O)=O)C2=CC=C(S([O-])(=O)=O)C=C2C1(C)C QPGIGKMACFTHAH-UHFFFAOYSA-L 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012216 screening 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
- G06V10/77—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
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种面向多源高分遥感影像光伏板样本生成方法,属于遥感影像样本提取领域,本发明利用第三次国土变更调查数据中的光伏板数据来制作光伏板样本,可以大幅度的减少样本制作的时间。利用光伏板图斑的重心作为样本的几何中心点,根据图斑大小自动计算东南西北四个方向的扩充距离,不仅可以提高光伏板样本在水平翻转和垂直翻转后具备光伏板位置的多样性,还可以增加光伏板的上下文信息,进一步提高模型的泛化能力和边界精度。使用循环迭代的方式可以全自动化制作负样本,提高模型的正确率。整个流程仅需部分人工操作,基本实现了自动化样本制作,并且样本添加了位置、成像时间、空间分辨率、波段顺序等信息,便于入库与特异性模型训练。
Description
技术领域
本发明专利属于遥感影像样本提取领域,具体涉及一种面向多源高分遥感影像光伏板样本生成方法。
背景技术
如何利用遥感卫星影像自动高效的统计各个地区光伏面积和分布情况是一个非常重要的技术问题。目前深度学习的方法已经逐渐成熟,但其关键的样本仍然是一个较难解决的问题,大量的样本制作费时费力,因此为解决这个问题,充分利用国家现有的地理信息数据,提出了一种面向多源高分遥感影像光伏板样本生成方法。
发明内容
针对现有技术存在的问题,本发明提供了一种面向多源高分遥感影像光伏板样本生成方法,其目的在于:基于亚米级高分辨率遥感影像结合三调光伏板图层自动生成光伏板样本,结合深度学习自动生成光伏板负样本。
本发明采用的技术方案如下:
一种面向多源高分遥感影像光伏板样本生成方法,包括以下步骤:
步骤1:基于国土变更调查数据,获取光伏板矢量图斑;
步骤2:基于光伏板矢量图斑的分布范围,获取多景历史高分辨率遥感影像;
步骤3:基于光伏板矢量图斑和历史高分辨率遥感影像,制作光伏板样本标签和样本影像,获得光伏板训练样本集;
步骤4:基于光伏板训练样本集,自动生成光伏板负样本。
优选的,所述步骤3的具体步骤为:
步骤3.1:获取每一光伏板矢量图斑的地理范围;
步骤3.2:获取每一历史高分辨率遥感影像的地理范围,基于历史高分辨率遥感影像的地理范围和光伏板矢量图斑的地理范围,获取与光伏板矢量图斑对应的历史高分辨率遥感影像;
步骤3.3:基于光伏板矢量图斑和与其对应的高分辨率遥感影像制作样本标签和样本影像,获得光伏板训练样本集。
优选的,所述步骤3.1的具体步骤为:
步骤3.11:循环读取每一个光伏板矢量图斑;
步骤3.12:计算每一个光伏板矢量图斑的重心坐标x_center,y_center;
步骤3.13:计算光伏板矢量图斑的最小外接矩形,以光伏板矢量图斑的重心为中心点,计算中心点与最小外接矩形的x方向垂直距离dx_left,dx_right,y方向的垂直距离dy_up,dy_down,进而获取每一个光伏板矢量图斑的地理范围。
优选的,所述步骤3.2的具体步骤为:
步骤3.21:获取光伏板矢量图斑的坐标系;
步骤3.22:循环读取每一景高分辨率遥感影像,获取其地理范围、坐标系及分辨率;
步骤3.23:基于光伏板矢量图斑的坐标系,将高分辨率遥感影像的坐标系转换为光伏板矢量图斑的坐标系,计算转换参数,根据转换参数计算高分辨率遥感影像新的地理范围;
步骤3.24:结合步骤3.1获取的光伏板矢量图斑的地理范围和高分辨率遥感影像新的地理范围,判断光伏板矢量图斑是否在历史高分辨率遥感影像范围内;
步骤3.25:若光伏板矢量图斑在历史高分辨率遥感影像范围内,将其作为样本影像,否则跳至第步骤3.22,重复操作。
优选的,所述步骤3.3的具体步骤为:
步骤3.31:依据高分辨率遥感影像分辨率将光伏板矢量图斑进行扩充;
步骤3.32:根据扩充后的光伏板矢量图斑坐标范围对整个光伏板矢量图斑进行裁剪,并为其添加元数据信息,以制作样本标签;
扩充后的范围内无法保证是否还有其它的光伏板图斑,对整个光伏板矢量图斑进行裁剪可以保证无遗漏的光伏板图斑,裁剪后的图斑用来制作样本标签;
步骤3.33:根据扩充后的光伏板矢量图斑坐标范围对整景高分辨率遥感影像进行裁剪,计算整景影像的直方图,获取样本影像处理参数,进行样本影像处理,以制作样本影像。
优选的,所述步骤3.32中添加元数据信息具体如下:
1)光伏板矢量图斑自动赋值为1,背景自动赋值为0;
2)依据影像名使用正则表达式自动计算影像传感器;
3)依据传感器确认波段顺序,使用GDAL读取波段数量,计算波段信息4)使用GDAL读取空间分辨率;
5)影像成像时间:依据影像名使用正则表达式自动计算影像成像时间;
6)标记行政区划与PAC码。
优选的,所述步骤3.33中样本影像处理具体如下:
步骤3.331:对样本影像的全局参数进行线性拉伸,具体公式如下:
Idn(where(Idn>Smax))=Smax (1)
Idn(where(Idn<Smin))=Smin (2)
其中Sdn为拉伸后的值,Smax和Smin为拉伸后的最大值和最小值,Idn为影像的像素值,where表示取对应条件的位置,Imax和Imin为整景影像0.1%范围内的最大最小值,不仅可以有效地消除不同传感器的卫星影像之间的光谱差异,减少同物异谱的现象,而且可以将所有不同位数的影像转换为统一的8bit影像,有利于构建标准化的样本。
步骤3.332:对样本影像进行全局自适应gamma变换,具体公式如下:
其中ImageCount为整景影像有效值的像素数量,Gdn为gamma变换后的像素值。可以有效地提高光伏板和其他地物之间的光谱差异,采用整景影像计算Gamma值保证了Gamma值的有效性,避免了变换后可能出现影像失真的现象;
优选的,所述步骤4的具体步骤为:
步骤4.1:基于步骤3制作的光伏板样本生成光伏板训练样本集,样本尺寸为512*512,波段顺序为绿、红、近红外;
步骤4.2:基于样本集进行模型训练得到光伏板自动解译模型;
步骤4.3:自动解译得到疑似光伏板矢量图斑;
步骤4.4:获取单个面积大于200像素的图斑;
步骤4.5:若疑似光伏板矢量图斑不为光伏板,将其进行扩充,扩充方法同3.31,并为其添加元数据信息,以制作样本标签;
步骤4.6:根据扩充后的矢量图斑坐标对整景高分辨率遥感影像进行裁剪,计算整景影像的直方图,获取样本影像处理参数,进行样本影像处理,处理方式同3.331,以制作样本影像。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明利用国土变更调查数据中的光伏板数据来制作光伏板样本,可以大幅度的减少样本制作的时间。利用光伏板图斑的重心作为样本的几何中心点,根据图斑大小自动计算东南西北四个方向的扩充距离,不仅可以提高光伏板样本在水平翻转和垂直翻转后具备光伏板位置的多样性,还可以增加光伏板的上下文信息,进一步提高模型的泛化能力和边界精度。使用循环迭代的方式可以全自动化制作负样本,提高模型的正确率。整个流程仅需部分人工操作,基本实现了自动化样本制作,并且样本添加了位置、影像传感器、成像时间、空间分辨率、波段顺序等信息,便于入库与特异性模型训练。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明的样本制作流程图;
图2是本发明的负样本采集流程图。
具体实施方式
为使本发明专利实施方式的目的、技术方案和优点更加清楚,下面将结合本发明专利实施方式中的附图,对本发明专利实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明专利一部分实施方式,而不是全部的实施方式。通常在此处附图中描述和示出的本发明专利实施方式的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明专利的实施方式的详细描述并非旨在限制要求保护的本发明专利的范围,而是仅仅表示本发明专利的选定实施方式。基于本发明专利中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明专利保护的范围。
需要说明的是,在不冲突的情况下,本发明专利中的实施方式及实施方式中的特征可以相互组合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
需要说明的是,在不冲突的情况下,本发明专利中的实施方式及实施方式中的特征可以相互组合。
实施例1
如图1-2所示,本发明提出的一种面向多源高分遥感影像光伏板样本生成方法,具体包括以下步骤:
步骤1:基于国土变更调查数据,获取光伏板矢量图斑;
步骤2:基于光伏板矢量图斑的分布范围,获取多景历史高分辨率遥感影像;
步骤3:基于光伏板矢量图斑和历史高分辨率遥感影像,制作光伏板样本标签和样本影像,获得光伏板训练样本集;
步骤4:基于光伏板训练样本集,自动生成光伏板负样本。
所述步骤3的具体步骤为:
步骤3.1:获取每一光伏板矢量图斑的地理范围;
步骤3.2:获取每一历史高分辨率遥感影像的地理范围,基于历史高分辨率遥感影像的地理范围和光伏板矢量图斑的地理范围,获取与光伏板矢量图斑对应的历史高分辨率遥感影像;
步骤3.3:基于光伏板矢量图斑和与其对应的高分辨率遥感影像制作样本标签和样本影像,获得光伏板训练样本集。
所述步骤3.1的具体步骤为:
步骤3.11:循环读取每一个光伏板矢量图斑;
步骤3.12:计算每一个光伏板矢量图斑的重心坐标x_center,y_center;
步骤3.13:计算光伏板矢量图斑的最小外接矩形,以光伏板矢量图斑的重心为中心点,计算中心点与最小外接矩形的x方向垂直距离dx_left,dx_right,y方向的垂直距离dy_up,dy_down,进而获取每一个光伏板矢量图斑的地理范围。
所述步骤3.2的具体步骤为:
步骤3.21:获取光伏板矢量图斑的坐标系;
步骤3.22:循环读取每一景高分辨率遥感影像,获取其地理范围、坐标系及分辨率;
步骤3.23:基于光伏板矢量图斑的坐标系,将高分辨率遥感影像的坐标系转换为光伏板矢量图斑的坐标系,计算转换参数,根据转换参数计算高分辨率遥感影像新的地理范围;
步骤3.24:结合步骤3.1获取的光伏板矢量图斑的地理范围和高分辨率遥感影像新的地理范围,判断光伏板矢量图斑是否在历史高分辨率遥感影像范围内;
r=Iminx<Vminx&&Imaxy>Vmaxy&&Imaxx>Vmaxx&&Iminy<Vminy
其中Iminx为历史高分辨率遥感影像左下角的x坐标,Iminy为历史高分辨率遥感影像左下角的y坐标,Imaxx为历史高分辨率遥感影像右上角的x坐标,Imaxy为历史高分辨率遥感影像右上角的y坐标,Vminx为光伏板矢量图斑左下角的x坐标,Vminy为光伏板矢量图斑左下角的y坐标,Vmaxx为光伏板矢量图斑右上角的x坐标,Vmaxy为光伏板矢量图斑右上角的y坐标。r为真表示光伏板在该历史高分辨率遥感影像范围内,假表示光伏板不在该历史高分辨率遥感影像范围内。
步骤3.25:若光伏板矢量图斑在历史高分辨率遥感影像范围内,将其作为样本影像,否则跳至第步骤3.22,重复操作。
所述步骤3.3的具体步骤为:
步骤3.31:依据高分辨率遥感影像分辨率将光伏板矢量图斑进行扩充,(12)扩充后的坐标如下:
上:up=y_center+(dy_up+256*resolution)
下:down=y_center-(dy_down+256*resolution)
左:left=x_center-(dx_left+256*resolution)
右:right=x_center+(dx_right+256*resolution)
不仅可以提高光伏板样本在水平翻转和垂直翻转后具备光伏板位置的多样性,还可以增加光伏板的上下文信息,进一步提高模型的泛化能力和边界精度,并且可以保证每一张样本尺寸不下于512*512像素。
步骤3.32:根据扩充后的光伏板矢量图斑坐标范围对整个光伏板矢量图斑进行裁剪,并为其添加元数据信息,以制作样本标签;
步骤3.33:根据扩充后的光伏板矢量图斑坐标范围对整景高分辨率遥感影像进行裁剪,计算整景影像的直方图,获取样本影像处理参数,进行样本影像处理,以制作样本影像;
样本标签和样本影像命名一致,命名规则为影像名+序号(序号从“1”开始计),如:GF2150444920170404_1。样本标签为shapefile格式,样本影像为GeoTIFF格式;
如果一个光伏板图斑存在多个样本影像结果,均保留。
所述步骤3.32中添加元数据信息具体如下:
1)光伏板矢量图斑自动赋值为1,背景自动赋值为0;
2)依据影像名使用正则表达式自动计算影像传感器;
3)依据传感器确认波段顺序,使用GDAL读取波段数量,计算波段信息,示例为[1,2,3,4];
波段名称 | 标识符 |
蓝 | 1 |
绿 | 2 |
红 | 3 |
近红外 | 4 |
4)使用GDAL读取空间分辨率;
5)影像成像时间:依据影像名使用正则表达式自动计算影像成像时间,正则表达式为"(20[0-2][0-9])((?:0[13578]|1[02])(?:0[1-9]|[12]\d|3[01])|02(?:0[1-9]|[12]\d)|(?:0[469]|11)(?:0[1-9]|[12]\d|30))";
6)标记行政区划与PAC码,使用GDAL读取标签范围。然后将坐标转换为CGCS2000,与2023年行政区域图斑相交,获取相交面积最大所在的区域作为该样本标签的行政区划代码与省市县名称,精确到县级。
7)筛查修改与质量检查
使用人机交互对所有光伏样本标签的位置和边界进行综合判断,删除影像不清晰的样本,与修正,对上述的属性进行正确性的判断并修正;
使用QGIS打开样本影像和样本标签,人工检查边界精度是否在两个像素内,精度不达标的区域人工修正,查看影像传感器和影像成像时间是否正确
使用QGIS的插件功能开发自动检查模型:
1读取样本影像坐标系,判断是否均为CGCS2000投影坐标系,投影带为6°分带。是进行2,否提示样本不合格,坐标系错误
2读取样本标签坐标系,判断是否均为CGCS2000投影坐标系,投影带为6°分带。是进行3,否提示样本不合格,坐标系错误
3判断1和2的坐标系投影带是否一致。是进行4,否提示样本不合格,样本影像和样本标签坐标系不一致
4判断样本影像和样本标签的坐标是否小于限差(半个像素即分辨率的一半)。是进行5,否提示样本影像和样本标签文件的完整性错误,样本影像和样本标签存在偏差或不完整。
5读取样本影像分辨率,分辨率<=3,进行6。分辨率>3,提示样本影像不合格
6读取样本标签数据,转换为栅格,分辨率、坐标范围和样本影像一致,nodata设置为255。判断栅格是否存在nodata值(即255),是提示样本标签的完整性错误,样本标签矢量存在孔洞,否进行7
7读取样本标签元数据信息,是否存在null属性项,是提示样本不合格,提示所有的样本元数据缺失属性项,
所述步骤3.33中样本影像处理具体如下:
步骤3.331:对样本影像的全局参数进行线性拉伸,具体公式如下:
Idn(where(Idn>Smax))=Smax (1)
Idn(where(Idn<Smin))=Smin (2)
其中Sdn为拉伸后的值,Smax和Smin为拉伸后的最大值和最小值,Idn为影像的像素值,where表示取对应条件的位置,Imax和Imin为整景影像0.1%范围内的最大最小值,不仅可以有效地消除不同传感器的卫星影像之间的光谱差异,减少同物异谱的现象,而且可以将所有不同位数的影像转换为统一的8bit影像,有利于构建标准化的样本。
步骤3.332:对样本影像进行全局自适应gamma变换,具体公式如下:
其中ImageCount为整景影像有效值的像素数量,Gdn为gamma变换后的像素值。可以有效地提高光伏板和其他地物之间的光谱差异,采用整景影像计算Gamma值保证了Gamma值的有效性,避免了变换后可能出现影像失真的现象;
所述步骤4的具体步骤为:
步骤4.1:基于步骤3制作的光伏板样本生成光伏板训练样本集,样本尺寸为512*512,波段顺序为绿、红、近红外;
步骤4.2:基于样本集进行模型训练得到光伏板自动解译模型;
步骤4.3:自动解译得到疑似光伏板矢量图斑;
步骤4.4:获取单个面积大于200像素的图斑;
步骤4.5:若疑似光伏板矢量图斑不为光伏板,将其进行扩充,扩充方法同3.31,并为其添加元数据信息,以制作样本标签;
步骤4.6:根据扩充后的矢量图斑坐标对整景高分辨率遥感影像进行裁剪,计算整景影像的直方图,获取样本影像处理参数,进行样本影像处理,处理方式同3.331,以制作样本影像。
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (7)
1.一种面向多源高分遥感影像光伏板样本生成方法,其特征在于,包括以下步骤:
步骤1:基于国土变更调查数据,获取光伏板矢量图斑;
步骤2:基于光伏板矢量图斑的分布范围,获取多景历史高分辨率遥感影像;
步骤3:基于光伏板矢量图斑和历史高分辨率遥感影像,制作光伏板样本标签和样本影像,获得光伏板训练样本集;
步骤4:基于光伏板训练样本集,自动生成光伏板负样本。
2.根据权利要求1所述的一种面向多源高分遥感影像光伏板样本生成方法,其特征在于,所述步骤3具体包括以下步骤:
步骤3.1:获取每一光伏板矢量图斑的地理范围;
步骤3.2:获取每一历史高分辨率遥感影像的地理范围,基于历史高分辨率遥感影像的地理范围和光伏板矢量图斑的地理范围,获取与光伏板矢量图斑对应的历史高分辨率遥感影像;
步骤3.3:基于光伏板矢量图斑和与其对应的高分辨率遥感影像制作样本标签和样本影像,获得光伏板训练样本集。
3.根据权利要求2所述的一种面向多源高分遥感影像光伏板样本生成方法,其特征在于,所述步骤3.1具体包括以下步骤:
步骤3.11:循环读取每一个光伏板矢量图斑;
步骤3.12:计算每一个光伏板矢量图斑的重心坐标x_center,y_center;
步骤3.13:计算光伏板矢量图斑的最小外接矩形,以光伏板矢量图斑的重心为中心点,计算中心点与最小外接矩形的x方向垂直距离dx_left,dx_right,y方向的垂直距离dy_up,dy_down,进而获取每一个光伏板矢量图斑的地理范围。
4.根据权利要求2所述的一种面向多源高分遥感影像光伏板样本生成方法,其特征在于,所述步骤3.2具体包括以下步骤:
步骤3.21:获取光伏板矢量图斑的坐标系;
步骤3.22:循环读取每一景高分辨率遥感影像,获取其地理范围、坐标系及分辨率;
步骤3.23:基于光伏板矢量图斑的坐标系,将高分辨率遥感影像的坐标系转换为光伏板矢量图斑的坐标系,计算转换参数,根据转换参数计算高分辨率遥感影像新的地理范围;
步骤3.24:结合步骤3.1获取的光伏板矢量图斑的地理范围和高分辨率遥感影像新的地理范围,判断光伏板矢量图斑是否在历史高分辨率遥感影像范围内;
步骤3.25:若光伏板矢量图斑在历史高分辨率遥感影像范围内,将其作为样本影像,否则跳至第步骤3.22,重复操作。
5.根据权利要求2所述的一种面向多源高分遥感影像光伏板样本生成方法,其特征在于,所述步骤3.3具体包括以下步骤:
步骤3.31:依据高分辨率遥感影像分辨率将光伏板矢量图斑进行扩充;
步骤3.32:根据扩充后的光伏板矢量图斑坐标范围对整个光伏板矢量图斑进行裁剪,并为其添加元数据信息,以制作样本标签;
步骤3.33:根据扩充后的光伏板矢量图斑坐标范围对整景高分辨率遥感影像进行裁剪,计算整景影像的直方图,获取样本影像处理参数,进行样本影像处理,以制作样本影像。
6.根据权利要求5所述的一种面向多源高分遥感影像光伏板样本生成方法,其特征在于,所述步骤3.32中添加元数据信息具体如下:
1)光伏板矢量图斑自动赋值为1,背景自动赋值为0;
2)依据影像名使用正则表达式自动计算影像传感器;
3)依据传感器确认波段顺序,使用GDAL读取波段数量,计算波段信息4)使用GDAL读取空间分辨率;
5)影像成像时间:依据影像名使用正则表达式自动计算影像成像时间;
6)标记行政区划与PAC码。
7.根据权利要求5所述的一种面向多源高分遥感影像光伏板样本生成方法,其特征在于,所述步骤3.33中样本影像处理具体如下:
步骤3.331:对样本影像的全局参数进行线性拉伸,具体公式如下:
Idn(where(Idn>Smax))=Smax (1)
Idn(where(Idn<Smin))=Smin (2)
其中Sdn为拉伸后的值,Smax和Smin为拉伸后的最大值和最小值,Idn为影像的像素值,where表示取对应条件的位置,Imax和Imin为整景影像0.1%范围内的最大最小值,不仅可以有效地消除不同传感器的卫星影像之间的光谱差异,减少同物异谱的现象,而且可以将所有不同位数的影像转换为统一的8bit影像,有利于构建标准化的样本。
步骤3.332:对样本影像进行全局自适应gamma变换,具体公式如下:
其中ImageCount为整景影像有效值的像素数量,Gdn为gamma变换后的像素值。可以有效地提高光伏板和其他地物之间的光谱差异,采用整景影像计算Gamma值保证了Gamma值的有效性,避免了变换后可能出现影像失真的现象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264451.1A CN117315394A (zh) | 2023-09-26 | 2023-09-26 | 一种面向多源高分遥感影像光伏板样本生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264451.1A CN117315394A (zh) | 2023-09-26 | 2023-09-26 | 一种面向多源高分遥感影像光伏板样本生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117315394A true CN117315394A (zh) | 2023-12-29 |
Family
ID=89284336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311264451.1A Pending CN117315394A (zh) | 2023-09-26 | 2023-09-26 | 一种面向多源高分遥感影像光伏板样本生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315394A (zh) |
-
2023
- 2023-09-26 CN CN202311264451.1A patent/CN117315394A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5546572A (en) | Method for retrieving database of image information | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
US8411904B2 (en) | Generating agricultural information products using remote sensing | |
CN108230326B (zh) | 基于gpu-cpu协同的卫星影像拉花变形快速检测方法 | |
CN106845452B (zh) | 基于北斗的高分遥感数据处理方法 | |
CN111723464A (zh) | 一种基于遥感影像特征的台风椭圆型风场参数化模拟方法 | |
CN109829074B (zh) | 目标区域正射影像检索方法、存储介质、电子设备 | |
CN106530345A (zh) | 一种同机影像辅助下的建筑物三维激光点云特征提取方法 | |
CN113033390B (zh) | 一种基于深度学习的大坝遥感智能检测方法 | |
CN114359756A (zh) | 一种震后无人机遥感影像损毁房屋快速智能检测方法 | |
CN113486975A (zh) | 遥感图像的地物分类方法、装置、设备及存储介质 | |
CN115468917A (zh) | 基于高分辨率遥感提取农田地块作物信息的方法及系统 | |
CN114049462A (zh) | 一种三维模型单体化方法及装置 | |
CN112052801A (zh) | 基于Himawari-8的HSD数据火点实时监测自动分析系统 | |
CN115424135A (zh) | 一种用于植被提取深度学习的四通道影像处理方法 | |
CN113762070A (zh) | 用于深度学习的地表覆盖分类样本采集方法 | |
CN114863284A (zh) | 基于无人机图像深度学习的植株识别制图方法和系统 | |
CN113807309A (zh) | 一种基于深度学习的果园机械行走路线规划方法 | |
CN113486819A (zh) | 一种基于YOLOv4算法的船舶目标检测方法 | |
CN117315394A (zh) | 一种面向多源高分遥感影像光伏板样本生成方法 | |
CN111862005A (zh) | 一种利用合成雷达图像精准定位热带气旋中心的方法及系统 | |
CN113298755B (zh) | 基于时序影像的生态环境变化斑块快速检测方法和装置 | |
CN114596489A (zh) | 一种高精度人类居住指数的多源遥感城市建成区提取方法 | |
JP2003141507A (ja) | ランドサットtm画像の精密幾何補正方法及び衛星画像の精密幾何補正方法 | |
CN108052585B (zh) | 一种复杂环境中动态目标的判定方法 |
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 |