CN118097433B - 基于深度学习的遥感图像处理方法及系统 - Google Patents

基于深度学习的遥感图像处理方法及系统 Download PDF

Info

Publication number
CN118097433B
CN118097433B CN202410483830.8A CN202410483830A CN118097433B CN 118097433 B CN118097433 B CN 118097433B CN 202410483830 A CN202410483830 A CN 202410483830A CN 118097433 B CN118097433 B CN 118097433B
Authority
CN
China
Prior art keywords
remote sensing
information
sensing image
cloud
area
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
Application number
CN202410483830.8A
Other languages
English (en)
Other versions
CN118097433A (zh
Inventor
阮云娟
王泽龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202410483830.8A priority Critical patent/CN118097433B/zh
Publication of CN118097433A publication Critical patent/CN118097433A/zh
Application granted granted Critical
Publication of CN118097433B publication Critical patent/CN118097433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种基于深度学习的遥感图像处理方法及系统，涉及图像处理技术领域；方法包括：基于第一区域的第一遥感图像，按照使用类型将第一区域划分为多个第一类区域，得到每个第一类区域的第二遥感图像；基于每个第二遥感图像，确定对应的第一地表反射率；利用所述第一地表反射率和第一模型，反演对应的气溶胶光学厚度（AOD），得到对应的第一AOD；利用所述第一AOD和第二模型，确定对应第一类区域的PM2.5数值，得到对应的第一PM2.5信息；其中，所述第一模型和所述第二模型基于深度神经网络训练得到。本申请提供的技术方案，能够提高PM2.5检测结果准确度，从而提高遥感图像的处理精度。

Description

基于深度学习的遥感图像处理方法及系统
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于深度学习的遥感图像处理方法及系统。
背景技术
遥感技术能够用于实时监测城市的环境状况，为城市的环境保护提供数据支持。其中，在利用市政工程遥感图像监测PM2.5含量的应用场景下，可以通过获取的市政工程遥感图像计算气溶胶光学厚度（AOD），再利用AOD进行PM2.5反演，从而可以利用反演得到的PM2.5对遥感图像进行去云处理等后处理。相关技术中，可以通过遥感图像计算待测区域的AOD，然后以整个城区为单位来反演PM2.5，或者简单地按照行政区域划分来监测城区不同位置的PM2.5浓度。
然而，城市土地使用性质多样，且不同性质土地错落分布，不同使用性质的土地其建筑分布情况也不同，而建筑的布局、高度等会对AOD产生较大影响；因此，利用现有技术中的方法，以整个城区为单位进行PM2.5反演，会造成PM2.5检测结果准确率较低，从而影响后续对遥感图像的处理精度。
发明内容
为解决相关技术问题，本申请实施例提供一种基于深度学习的遥感图像处理方法及系统，能够提高PM2.5检测结果准确度，从而提高遥感图像的处理精度。
本申请实施例的技术方案是这样实现的：
本申请实施例提供了一种基于深度学习的遥感图像处理方法，所述方法包括：
基于第一区域的第一遥感图像，所述第一区域包括多个第二区域，所述第二区域为地图中的最小区域单位；按照使用类型将第一区域划分为多个第一类区域，得到每个第一类区域的第二遥感图像，包括：
基于第一区域的第一遥感图像，获取对应的多个第二区域中每个第二区域的建筑信息；所述建筑信息包括所述第二区域中建筑的分布信息和属性信息；
基于每个第二区域的属性信息，对所述多个第二区域进行分类，得到多个第一分类集合；
针对每个第一分类集合，基于每个第二区域的分布信息，对所述第一分类集合中的第二区域进行分类，得到第二分类集合；
针对每个第二分类集合，将所述第二分类集合中相邻的第二区域拼接为一个第一类区域，得到至少一个第一类区域和对应的第二遥感图像；
所述第一类区域的使用类型包括生活区域、绿化区域和工业区域；
基于每个第二遥感图像，确定对应的第一地表反射率；
利用所述第一地表反射率和第一模型，反演对应的气溶胶光学厚度AOD，得到对应的第一AOD；
利用所述第一AOD和第二模型，确定对应第一类区域的PM2.5数值，得到对应的第一PM2.5信息；其中，所述第一模型和所述第二模型基于深度神经网络训练得到；
基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像。
上述方案中，所述基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像，包括：
针对每个第二遥感图像，利用第三模型和对应的第一PM2.5信息，去除所述第二遥感图像中的薄云特征；
对每个去除薄云特征的第二遥感图像进行拼接处理，得到第三遥感图像。
上述方案中，所述方法还包括：
获取多个遥感图像组，构建第一训练样本集；所述遥感图像对包括同一区域的带云遥感图像和在不同PM2.5浓度下的无云遥感图像；
基于所述第一训练样本集，训练条件生成对抗网络CGAN或U-Net，构建第三模型；所述第三模型用于基于输入的带云遥感图像和对应PM2.5信息生成对应的无云遥感图像。
上述方案中，所述基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像，包括：
针对每个第二遥感图像，利用薄云最优变化HOT算法和所述第二遥感图像，生成对应的HOT图；
基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息；
基于所述云层厚度信息，对所述第二遥感图像进行云去除处理，得到所述第二遥感图像的去云图像；
基于每个第二遥感图像的去云图像，生成第三遥感图像。
上述方案中，所述基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息，包括：
基于所述第一PM2.5信息，判断对应第一类区域的PM2.5浓度是否超过浓度阈值；
在所述第一类区域PM2.5浓度超过浓度阈值的情况下，基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息；
基于调整后的HOT图，确定对应第二遥感图像中的云层厚度，得到对应的云层厚度信息。
上述方案中，所述晴空线的参数信息包括斜率和截距，所述基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息，表示为：
k adjust=k base×(1-α×C)；（1）；
b adjuste=b base+β×C；（2）；
其中，k adjusted和b adjusted分别表示根据PM2.5浓度调整后的晴空线斜率和截距；k base和b base分别表示晴空线的基准斜率和基准截距，即在没有PM2.5影响或PM2.5浓度低于预设最小值时晴空线的斜率和截距；α和β表示调整系数；C表示PM2.5的浓度值。
上述方案中，所述分布信息包括布局信息、密度信息和高度信息；所述针对每个第一分类集合，基于每个第二区域的分布信息，对所述第一分类集合中的第二区域进行分类，得到第二分类集合，包括：
针对所述第一分类集合中每个第二区域，基于所述第二区域分布信息中的布局信息，确定所述第二区域的布局对AOD的第一影响度；
基于所述第二区域分布信息中的密度信息，确定所述第二区域的密度对AOD的第二影响度；
基于所述第二区域分布信息中的高度信息，确定所述第二区域的建筑高度对AOD的第三影响度；
对所述第一影响度、所述第二影响度和所述第三影响度进行加权求和，得到所述第二区域的建筑影响度；
基于每个第二区域的建筑影响度，对所述第一分类集合中的第二区域进行分类，得到第二分类集合。
本申请实施例还提供一种基于深度学习的遥感图像处理系统，所述系统包括：
分类单元，用于基于第一区域的第一遥感图像，按照使用类型将第一区域划分为多个第一类区域，得到每个第一类区域的第二遥感图像；所述第一类区域的使用类型包括生活区域、绿化区域和工业区域；
计算单元，用于基于每个第二遥感图像，确定对应的第一地表反射率；
第一反演单元，用于利用所述第一地表反射率和第一模型，反演对应的AOD，得到对应的第一AOD；
第二反演单元，用于利用所述第一AOD和第二模型，确定对应第一类区域的PM2.5数值，得到对应的第一PM2.5信息；其中，所述第一模型和所述第二模型基于深度神经网络训练得到；
处理单元，用于基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像。
本申请实施例提供的基于深度学习的遥感图像处理方法及系统，通过按照使用性质对市政工程遥感图像进行分割，并针对每个分割后的区域分别进行AOD和PM2.5反演，由于引入了城市建筑布局对AOD的影响，因此，能够提高AOD反演结果的精确度，从而在利用AOD反演PM2.5的过程中，提高PM2.5计算结果的准确度，进而提高遥感图像后续处理的精度。
附图说明
图1为本申请实施例一种基于深度学习的遥感图像处理方法流程示意图；
图2为本申请实施例另一种基于深度学习的遥感图像处理方法流程示意图；
图3为本申请实施例基于深度学习的遥感图像处理系统结构示意图。
具体实施方式
下面结合附图及实施例对本申请再作进一步详细的描述。
本申请实施例提供了一种基于深度学习的遥感图像处理方法，应用于种基于深度学习的遥感图像处理系统，具体可以应用于个人计算机（PC）、工业计算机、智能终端等电子设备，如图1所示，该方法包括：
步骤S101：基于第一区域的第一遥感图像，按照使用类型将第一区域划分为多个第一类区域，得到每个第一类区域的第二遥感图像；所述第一类区域的使用类型包括生活区域、绿化区域和工业区域。
实际应用时，可以将遥感图像中最小图像单元中使用性质相同的单元归入同一个类别，即属于同一个第一类区域；其中，生活区域可以包括与生活相关的区域，其特征是人群较为密集，比如，住宅区、写字楼、商场等；绿化区域可以是与室外绿化相关的区域，其特点是空气质量较高，比如，公园、胡泊河流等；工业区域可以是与工业生产相关的区域，其特点是对空气质量影响较大，比如，工厂、工业园区等。
实际应用时，地图信息中往往会对每个标注地点进行类型标注，比如，对于学校，会以“文”等文字或图像来表示其属于教育相关区域，对于购物中心，会议购物车等图形来表示其属于商超性质区域；可以根据地图中标注点的性质来确定该区域的使用性质，比如，对于标注性质为教育和市政单位的标注点，可以将对应区域归入生活区域这一类型。
实际应用时，第一区域可以理解为待监测的区域，具体地，待监测的城市区域；第一区域可以包括多个第二区域，其中，第二区域可以表示在地图中划分的最小图像单元，也就是地图中标注点所在的标注区域；示例性地，在地图中进行标注获取标注点，标注点所在的标注区域即为一个第二区域；第一类区域则为使用类型相同的第二区域的集合。
基于此，在一实施例中，所述第一区域可以包括多个第二区域，所述第二区域为地图中的最小区域单位；所述基于第一区域的第一遥感图像，按照使用类型将第一区域划分为多个第一类区域，得到每个第一类区域的第二遥感图像，可以包括：
基于第一区域的第一遥感图像，获取对应的多个第二区域中每个第二区域的建筑信息；所述建筑信息包括所述第二区域中建筑的分布信息和属性信息；
基于每个第二区域的属性信息，对所述多个第二区域进行分类，得到多个第一分类集合；
针对每个第一分类集合，基于每个第二区域的分布信息，对所述第一分类集合中的第二区域进行分类，得到第二分类集合；
针对每个第二分类集合，将所述第二分类集合中相邻的第二区域拼接为一个第一类区域，得到至少一个第一类区域和对应的第二遥感图像。
实际应用时，所述属性信息可以包括第二区域的使用性质；使用性质相同的位置，建筑分布情况也相似，因此，建筑分布情况对AOD的影响也接近。
实际应用时，相同使用性质的建筑在密度、高度等方面存在差异，因此，通过利用分布情况对使用性质相同的建筑进一步进行分类，能够进一步引入不同建筑分布对AOD的影响情况，从而进一步提高AOD计算准确度，进而提高PM2.5反演精度。
需要说明的是，也可以以第二区域为检测单元，计算每个第二区域的AOD，从而反演出每个第二区域的PM2.5；然而，相较于这种方法，采用上述先根据属性信息进行粗分类，再根据建筑分布情况进行细分类能够在提高AOD和PM2.5计算精度的基础上，减小数据计算量，从而提高反演效率。
实际应用时，建筑分布包括方面因素，不同因素对AOD的影响程度不同，因此，为了在按照分布情况进行细分类的过程中，进一步提高分类精度，可以按照每个因素的影响度来计算该区域分布情况对AOD的影响程度，从而根据分布情况对AOD的影响程度对使用性质相同的第二区域进行细分类。
基于此，在一实施例中，所述分布信息可以包括布局信息、密度信息和高度信息；
所述针对每个第一分类集合，基于每个第二区域的分布信息，对所述第一分类集合中的第二区域进行分类，得到第二分类集合，可以包括：
针对所述第一分类集合中每个第二区域，基于所述第二区域分布信息中的布局信息，确定所述第二区域的布局对AOD的第一影响度；
基于所述第二区域分布信息中的密度信息，确定所述第二区域的密度对AOD的第二影响度；
基于所述第二区域分布信息中的高度信息，确定所述第二区域的建筑高度对AOD的第三影响度；
对所述第一影响度、所述第二影响度和所述第三影响度进行加权求和，得到所述第二区域的建筑影响度；
基于每个第二区域的建筑影响度，对所述第一分类集合中的第二区域进行分类，得到第二分类集合。
实际应用时，布局信息可以包括建筑的横向深度、纵向深度、朝向等对空气流通具有影响的参数信息；基于第二区域分布信息中的布局信息，确定所述第二区域的布局对AOD的第一影响度，可以是先获取历史监测数据，根据不同建筑布局和对应的风力变化情况，确定建筑布局对空气流通度的影响度，并根据不同空气流通度下AOD的变化情况，确定空气流通对AOD的影响度，最后，建立布局-AOD影响度的端到端关联模型，从而根据输入该模型的布局信息，输出对AOD的影响度，即第一影响度。
实际应用时，基于所述第二区域分布信息中的密度信息，确定所述第二区域的密度对AOD的第二影响度，可以是先获取历史监测数据，根据不同建筑密度下风力变化情况，确定建筑密度对空气流通的影响度，并根据不同空气流通度下AOD的变化情况，确定空气流通对AOD的影响度，最后，建立密度-AOD影响度的端到端关联模型，从而根据输入该模型的密度信息，输出对AOD的影响度，即第二影响度。
实际应用时，基于所述第二区域分布信息中的高度信息，确定所述第二区域的建筑高度对AOD的第三影响度，可以是先获取历史监测数据，根据不同建筑高度下风力变化情况，确定建筑高度对空气流通的影响度，并根据不同空气流通度下AOD的变化情况，确定空气流通对AOD的影响度，最后，建立高度-AOD影响度的端到端关联模型，从而根据输入该模型的密度信息，输出对AOD的影响度，即第三影响度。
实际应用时，对第一影响度、第二影响度和第三影响度进行加权求和时，这三个影响度的权重之和可以为1。
实际应用时，可以根据实际应用场景来确定第一影响度、第二影响度和第三影响度这三个影响度的权重，具体地，可以根据对应第二区域的使用场景来确定这三种分布信息中每种分布信息与建筑的关联度，从而根据关联度来确定对应影响度的权重。
示例性地，对于工厂等区域，楼层高度一半较低，因此，高度信息与建筑关联度较小，而与工厂关联较高的则为分布和密度，因为这两个因素会直接影响气流通道和空气流通阻力，可以将第一影响度、第二影响度、第三影响度的权重依次设置为0.4、0.4、0.2。
步骤S102：基于每个第二遥感图像，确定对应的第一地表反射率。
实际应用时，在遥感图像中，每个像素点都对应一定的地表反射率，在获取遥感图像后，通过分析遥感图像可以获取每个像素点的地表反射率。
当然，也可以根据实地测量样本的方式获取地表反射率，具体地，可以采用光谱仪或光谱辐射计直接测量土壤或其他地表覆盖类型的地表反射率，这种方法可以提供特定地点的精确反射率数据。
步骤S103：利用所述第一地表反射率和第一模型，反演对应的AOD，得到所述第二遥感图像对应的第一AOD；所述第一模型基于深度神经网络训练得到。
实际应用时，利用所述第一地表反射率和第一模型，反演对应的AOD，得到对应的第一AOD时，可以利用暗目标法、深蓝算法、结构函数法等算法来反演AOD，具体反演过程属于现有成熟技术，本申请实施例在此不再赘述。
步骤S104：利用所述第一AOD和第二模型，确定对应第一类区域的PM2.5数值，得到对应的第一PM2.5信息；所述第二模型基于深度神经网络训练得到。
实际应用时，AOD是描述大气中气溶胶对光的消减作用的一个物理量，它可以反映大气中气溶胶的含量和分布，AOD和PM2.5之间存在正相关性，即当AOD值增加时，通常也伴随着PM2.5浓度的上升。
实际应用中，可以先从MODIS等卫星遥感平台获取AOD的历史观测数据，具体地，获取能够提供覆盖所有使用性质区域的AOD数据；同时，获取对应地区的PM2.5浓度历史观测数据，这些数据可以通过地面监测站点获得；然后，利用统计学方法或机器学习技术，训练建立AOD与PM2.5浓度之间的定量关系模型，即第二模型。
实际应用时，对于使用性质不同的第一类区域，其AOD和PM2.5浓度之间的映射关系也可能不能；因此，为了提高PM2.5反演结果的精确度，在训练建立第二模型的过程中，获取AOD历史观测数据和PM2.5浓度历史观测数据后，也可以根据使用性质，对每种第一类区域的AOD历史观测数据和PM2.5浓度历史观测数据分别进行归类，即建立每个第一类区域的训练集，然后利用每个训练集分别训练一个第二模型，得到每个第一类区域对应的第二模型，再利用第二遥感图像的第一AOD和对应的第二模型，确定对应第一类区域的PM2.5数值，得到对应的第一PM2.5信息。
实际应用时，在计算得到PM2.5后，还可以利用计算得到PM2.5浓度信息进行遥感图像的后续处理。
基于此，在一实施例中，如图2所示，所述方法还可以包括：
步骤S105：基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像。
实际应用时，云去除处理可以理解为遥感图像的薄云去除处理，也可以称为去除遥感图像的薄云特征。
基于此在，在一实施例中，所述基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像，可以包括：
针对每个第二遥感图像，利用第三模型和对应的第一PM2.5信息，去除所述第二遥感图像中的薄云特征；
对每个去除薄云特征的第二遥感图像进行拼接处理，得到第三遥感图像。
实际应用时，第二遥感图像可以看作是第一遥感图像的分割图像，在根据每个第二遥感图像的建筑分布情况反演各自的PM2.5信息后，再根据PM2.5信息去除对应第二遥感图像中的薄云，由于提高了PM2.5反演结果的精确性，因此能够针对性地精确去除每个区域的薄云，提高了每个第二遥感图像中薄云去除精度，从而提高遥感图像整体云去除精度。
实际应用时，可以使用ENVI、ERDAS Imagine等遥感图像处理工具对每个去除薄云特征的第二遥感图像进行拼接处理。
实际应用时，在应用第三模型之前，可以先利用样本数据训练第三模型。
基于此，在一实施例中，所述方法还可以包括：
获取多个遥感图像组，构建第一训练样本集；所述遥感图像对包括同一区域的带云遥感图像和在不同PM2.5浓度下的无云遥感图像；
基于所述第一训练样本集，训练条件生成对抗网络（CGAN）或U-Net，构建第三模型；所述第三模型用于基于输入的带云遥感图像和对应PM2.5信息生成对应的无云遥感图像。
实际应用时，也可以利用HOT算法进行云去除处理。
基于此，在一实施例中，所述基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像，可以包括：
针对每个第一类区域，利用HOT算法和对应的第二遥感图像，生成对应的HOT图；
基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息；
基于所述云层厚度信息，对所述第二遥感图像进行云去除处理，得到所述第二遥感图像的去云图像；
基于每个第二遥感图像的去云图像，生成第三遥感图像。
在一实施例中，所述基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息，包括：
基于所述第一PM2.5信息，判断对应第一类区域的PM2.5浓度是否超过浓度阈值；
在所述第一类区域PM2.5浓度超过浓度阈值的情况下，基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息；
基于调整后的HOT图，确定对应第二遥感图像中的云层厚度，得到对应的云层厚度信息。
实际应用时，浓度阈值可以是根据历史经验数据预设的阈值，具体如何设置，本申请实施例不作限定。
在一实施例中，所述晴空线的参数信息包括斜率和截距，所述基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息，可以用以下公式表示：
k adjust=k base×(1-α×C)；（1）；
b adjuste=b base+β×C；（2）；
其中，k adjusted和b adjusted分别表示根据PM2.5浓度调整后的晴空线斜率和截距；k base和b base分别表示晴空线的基准斜率和基准截距，即在没有PM2.5影响或PM2.5浓度低于预设最小值时晴空线的斜率和截距；α和β表示调整系数；α和β决定了PM2.5浓度对斜率和截距的影响程度，可以根据历史经验数据设置；C表示PM2.5的浓度值。
综上，本申请实施例提供的基于深度学习的遥感图像处理方法，通过按照使用性质对市政工程遥感图像进行分割，并针对每个分割后的区域分别进行AOD和PM2.5反演，由于引入了城市建筑布局对AOD的影响，因此，能够提高AOD反演结果的精确度，从而在利用AOD反演PM2.5的过程中，提高PM2.5计算结果的准确度，进而提高遥感图像后续处理的精度。
为了实现本申请的基于深度学习的遥感图像处理方法，本申请实施例还提供了一种基于深度学习的遥感图像处理系统，如图3所示，该系统包括：
分类单元301，用于基于第一区域的第一遥感图像，按照使用类型将第一区域划分为多个第一类区域，得到每个第一类区域的第二遥感图像；所述第一类区域的使用类型包括生活区域、绿化区域和工业区域；
计算单元302，用于基于每个第二遥感图像，确定对应的第一地表反射率；
第一反演单元303，用于利用所述第一地表反射率和第一模型，反演对应的AOD，得到对应的第一AOD；
第二反演单元304，用于利用所述第一AOD和第二模型，确定对应第一类区域的PM2.5数值，得到对应的第一PM2.5信息；其中，
所述第一模型和所述第二模型基于深度神经网络训练得到。
在一实施例中，所述系统还包括：
处理单元，用于基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像。
在一实施例中，所述处理单元，具体可以用于：
针对每个第二遥感图像，利用第三模型和对应的第一PM2.5信息，去除所述第二遥感图像中的薄云特征；
对每个去除薄云特征的第二遥感图像进行拼接处理，得到第三遥感图像。
在一实施例中，所述系统还包括训练单元，用于：
获取多个遥感图像组，构建第一训练样本集；所述遥感图像对包括同一区域的带云遥感图像和在不同PM2.5浓度下的无云遥感图像；
基于所述第一训练样本集，训练条件生成对抗网络CGAN或U-Net，构建第三模型；所述第三模型用于基于输入的带云遥感图像和对应PM2.5信息生成对应的无云遥感图像。
在一实施例中，所述处理单元，具体可以用于：
针对每个第二遥感图像，利用薄云最优变化HOT算法和所述第二遥感图像，生成对应的HOT图；
基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息；
基于所述云层厚度信息，对所述第二遥感图像进行云去除处理，得到所述第二遥感图像的去云图像；
基于每个第二遥感图像的去云图像，生成第三遥感图像。
在一实施例中，所述处理单元，具体可以用于：
基于所述第一PM2.5信息，判断对应第一类区域的PM2.5浓度是否超过浓度阈值；
在所述第一类区域PM2.5浓度超过浓度阈值的情况下，基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息；
基于调整后的HOT图，确定对应第二遥感图像中的云层厚度，得到对应的云层厚度信息。
在一实施例中，所述晴空线的参数信息包括斜率和截距，所述基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息，可以表示为：
k adjust=k base×(1-α×C)；（1）；
b adjuste=b base+β×C；（2）；
其中，k adjusted和b adjusted分别表示根据PM2.5浓度调整后的晴空线斜率和截距；k base和b base分别表示晴空线的基准斜率和基准截距，即在没有PM2.5影响或PM2.5浓度低于预设最小值时晴空线的斜率和截距；α和β表示调整系数；C表示PM2.5的浓度值。
在一实施例中，所述第一区域包括多个第二区域，所述第二区域为地图中的最小区域单位；所述分类单元301，具体可以用于：
基于第一区域的第一遥感图像，获取对应的多个第二区域中每个第二区域的建筑信息；所述建筑信息包括所述第二区域中建筑的分布信息和属性信息；
基于每个第二区域的属性信息，对所述多个第二区域进行分类，得到多个第一分类集合；
针对每个第一分类集合，基于每个第二区域的分布信息，对所述第一分类集合中的第二区域进行分类，得到第二分类集合；
针对每个第二分类集合，将所述第二分类集合中相邻的第二区域拼接为一个第一类区域，得到至少一个第一类区域和对应的第二遥感图像。
在一实施例中，所述分布信息包括布局信息、密度信息和高度信息；分类单元301，可以进一步具体用于：
针对所述第一分类集合中每个第二区域，基于所述第二区域分布信息中的布局信息，确定所述第二区域的布局对AOD的第一影响度；
基于所述第二区域分布信息中的密度信息，确定所述第二区域的密度对AOD的第二影响度；
基于所述第二区域分布信息中的高度信息，确定所述第二区域的建筑高度对AOD的第三影响度；
对所述第一影响度、所述第二影响度和所述第三影响度进行加权求和，得到所述第二区域的建筑影响度；
基于每个第二区域的建筑影响度，对所述第一分类集合中的第二区域进行分类，得到第二分类集合。
实际应用时，所述分类单元301、计算单元302、第一反演单元303、第二反演单元304和处理单元可由基于深度学习的遥感图像处理系统中的处理器实现。
需要说明的是：上述实施例提供的基于深度学习的遥感图像处理系统在进行基于深度学习的市政工程第一遥感图像处理时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的基于深度学习的遥感图像处理系统与基于深度学习的遥感图像处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
另外，本申请实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。

Claims (5)

1.基于深度学习的遥感图像处理方法，其特征在于，所述方法包括：
基于第一区域的第一遥感图像，所述第一区域包括多个第二区域，所述第二区域为地图中的最小区域单位；按照使用类型将第一区域划分为多个第一类区域，得到每个第一类区域的第二遥感图像，包括：
基于第一区域的第一遥感图像，获取对应的多个第二区域中每个第二区域的建筑信息；所述建筑信息包括所述第二区域中建筑的分布信息和属性信息；
基于每个第二区域的属性信息，对所述多个第二区域进行分类，得到多个第一分类集合；
针对每个第一分类集合，基于每个第二区域的分布信息，对所述第一分类集合中的第二区域进行分类，得到第二分类集合；
针对每个第二分类集合，将所述第二分类集合中相邻的第二区域拼接为一个第一类区域，得到至少一个第一类区域和对应的第二遥感图像；
所述第一类区域的使用类型包括生活区域、绿化区域和工业区域；
基于每个第二遥感图像，确定对应的第一地表反射率；
利用所述第一地表反射率和第一模型，反演对应的气溶胶光学厚度AOD，得到对应的第一AOD；
利用所述第一AOD和第二模型，确定对应第一类区域的PM2.5数值，得到对应的第一PM2.5信息；其中，所述第一模型和所述第二模型基于深度神经网络训练得到；
基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像，包括：
针对每个第二遥感图像，利用薄云最优变化HOT算法和所述第二遥感图像，生成对应的HOT图；
基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息；
基于所述云层厚度信息，对所述第二遥感图像进行云去除处理，得到所述第二遥感图像的去云图像；
基于每个第二遥感图像的去云图像，生成第三遥感图像；
所述基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息，包括：
基于所述第一PM2.5信息，判断对应第一类区域的PM2.5浓度是否超过浓度阈值；
在所述第一类区域PM2.5浓度超过浓度阈值的情况下，基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息；
基于调整后的HOT图，确定对应第二遥感图像中的云层厚度，得到对应的云层厚度信息；
所述晴空线的参数信息包括斜率和截距，所述基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息，表示为：
k adjust=k base×(1-α×C)；（1）；
b adjuste=b base+β×C；（2）；
其中，k adjusted和b adjusted分别表示根据PM2.5浓度调整后的晴空线斜率和截距；k base和b base分别表示晴空线的基准斜率和基准截距，即在没有PM2.5影响或PM2.5浓度低于预设最小值时晴空线的斜率和截距；α和β表示调整系数；C表示PM2.5的浓度值。
2.根据权利要求1所述的方法，其特征在于，所述基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像，包括：
针对每个第二遥感图像，利用第三模型和对应的第一PM2.5信息，去除所述第二遥感图像中的薄云特征；
对每个去除薄云特征的第二遥感图像进行拼接处理，得到第三遥感图像。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取多个遥感图像组，构建第一训练样本集；所述遥感图像对包括同一区域的带云遥感图像和在不同PM2.5浓度下的无云遥感图像；
基于所述第一训练样本集，训练条件生成对抗网络CGAN或U-Net，构建第三模型；所述第三模型用于基于输入的带云遥感图像和对应PM2.5信息生成对应的无云遥感图像。
4.根据权利要求1所述的方法，其特征在于，所述分布信息包括布局信息、密度信息和高度信息；所述针对每个第一分类集合，基于每个第二区域的分布信息，对所述第一分类集合中的第二区域进行分类，得到第二分类集合，包括：
针对所述第一分类集合中每个第二区域，基于所述第二区域分布信息中的布局信息，确定所述第二区域的布局对AOD的第一影响度；
基于所述第二区域分布信息中的密度信息，确定所述第二区域的密度对AOD的第二影响度；
基于所述第二区域分布信息中的高度信息，确定所述第二区域的建筑高度对AOD的第三影响度；
对所述第一影响度、所述第二影响度和所述第三影响度进行加权求和，得到所述第二区域的建筑影响度；
基于每个第二区域的建筑影响度，对所述第一分类集合中的第二区域进行分类，得到第二分类集合。
5.一种基于深度学习的遥感图像处理系统，其特征在于，所述系统包括：
分类单元，用于基于第一区域的第一遥感图像，按照使用类型将第一区域划分为多个第一类区域，得到每个第一类区域的第二遥感图像；所述第一类区域的使用类型包括生活区域、绿化区域和工业区域；
计算单元，用于基于每个第二遥感图像，确定对应的第一地表反射率；
第一反演单元，用于利用所述第一地表反射率和第一模型，反演对应的AOD，得到对应的第一AOD；
第二反演单元，用于利用所述第一AOD和第二模型，确定对应第一类区域的PM2.5数值，得到对应的第一PM2.5信息；其中，所述第一模型和所述第二模型基于深度神经网络训练得到；
处理单元，用于基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像，具体为：
针对每个第二遥感图像，利用薄云最优变化HOT算法和所述第二遥感图像，生成对应的HOT图；
基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息；
基于所述云层厚度信息，对所述第二遥感图像进行云去除处理，得到所述第二遥感图像的去云图像；
基于每个第二遥感图像的去云图像，生成第三遥感图像；
所述基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息，包括：
基于所述第一PM2.5信息，判断对应第一类区域的PM2.5浓度是否超过浓度阈值；
在所述第一类区域PM2.5浓度超过浓度阈值的情况下，基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息；
基于调整后的HOT图，确定对应第二遥感图像中的云层厚度，得到对应的云层厚度信息；
所述晴空线的参数信息包括斜率和截距，所述基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息，表示为：
k adjust=k base×(1-α×C)；（1）；
b adjuste=b base+β×C；（2）；
其中，k adjusted和b adjusted分别表示根据PM2.5浓度调整后的晴空线斜率和截距；k base和b base分别表示晴空线的基准斜率和基准截距，即在没有PM2.5影响或PM2.5浓度低于预设最小值时晴空线的斜率和截距；α和β表示调整系数；C表示PM2.5的浓度值。
CN202410483830.8A 2024-04-22 2024-04-22 基于深度学习的遥感图像处理方法及系统 Active CN118097433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410483830.8A CN118097433B (zh) 2024-04-22 2024-04-22 基于深度学习的遥感图像处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410483830.8A CN118097433B (zh) 2024-04-22 2024-04-22 基于深度学习的遥感图像处理方法及系统

Publications (2)

Publication Number Publication Date
CN118097433A CN118097433A (zh) 2024-05-28
CN118097433B true CN118097433B (zh) 2024-06-25

Family

ID=91164023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410483830.8A Active CN118097433B (zh) 2024-04-22 2024-04-22 基于深度学习的遥感图像处理方法及系统

Country Status (1)

Country Link
CN (1) CN118097433B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104867139B (zh) * 2015-05-12 2018-02-09 中国科学院遥感与数字地球研究所 一种基于辐射场的遥感图像云及阴影检测方法
CN113454677A (zh) * 2018-12-29 2021-09-28 长沙天仪空间科技研究院有限公司 一种遥感卫星系统
US20210209803A1 (en) * 2020-01-06 2021-07-08 Quantela Inc Computer-based method and system for geo-spatial analysis
CN117058557B (zh) * 2023-07-17 2024-10-29 北华航天工业学院 基于物理特征与深度学习模型的云和云阴影联合检测方法
CN117409334B (zh) * 2023-10-16 2024-04-23 中国科学院空天信息创新研究院 一种基于静止卫星遥感数据的气溶胶类型识别方法
CN117592005B (zh) * 2024-01-19 2024-04-26 中国科学院空天信息创新研究院 Pm2.5浓度卫星遥感估算方法、装置、设备及介质
CN117853950B (zh) * 2024-03-07 2024-06-07 青岛星科瑞升信息科技有限公司 基于光谱库和机器学习的多光谱卫星图像处理方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于随机森林的高分辨率PM_(2.5)遥感反演――以广东省为例;申原;陈朝亮;钱静;刘军;;集成技术;20180411(03);全文 *
高分五号卫星偏振遥感陆地上空气溶胶光学厚度;黄红莲;提汝芳;张冬英;方薇;孙晓兵;易维宁;;红外与毫米波学报;20200815(04);全文 *

Also Published As

Publication number Publication date
CN118097433A (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN111666918B (zh) 一种基于多因素的海岸线变化识别方法
CN108227041B (zh) 基于站点实测数据和模式结果的水平能见度预报方法
CN106651036A (zh) 空气质量预报系统
CN106780089B (zh) 基于神经网络元胞自动机模型的永久性基本农田划定方法
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
CN109359166B (zh) 一种空间增长动态模拟与驱动力因子贡献度同步计算方法
CN112308292A (zh) 一种火灾风险等级分布图的绘制方法
CN110738354A (zh) 预测颗粒物浓度的方法、装置、存储介质及电子设备
Azimi et al. Modeling short term rainfall forecast using neural networks, and Gaussian process classification based on the SPI drought index
CN104112062B (zh) 基于插值方法的风资源分布的获取方法
Kabolizade et al. Design and implementation of an algorithm for automatic 3D reconstruction of building models using genetic algorithm
CN112070056A (zh) 一种基于面向对象和深度学习的敏感用地识别方法
CN113987912A (zh) 一种基于地理信息的污染物在线监测系统
CN114186491A (zh) 基于改进lur模型的细颗粒物浓度时空特征分布方法
CN115718983A (zh) 一种基于城市尺度和风向通道的污染热点区域识别方法
CN118097433B (zh) 基于深度学习的遥感图像处理方法及系统
CN113516060B (zh) 基于多时相高分辨率数据的建筑空间融合判别方法及装置
Lagarias Exploring land use policy scenarios with the use of a cellular automata-based model: urban sprawl containment and sustainable development in Thessaloniki
CN113515798A (zh) 一种城市三维空间扩张模拟方法及装置
CN117077558B (zh) 一种时空精细化的风速场构建方法
CN115829163B (zh) 基于多模式集成的长江中下游流域径流预测方法和系统
CN115980885A (zh) 基于集合预报的降水预报偏差校正方法
CN117077353A (zh) 基于多变量bp神经网络的碳排放测算建模、方法及装置
CN113254554B (zh) 基于地图抓取与聚类学习的城市街区热岛建模方法及系统
CN115392128A (zh) 一种利用时空卷积lstm网络模拟流域径流量的方法

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
GR01 Patent grant
GR01 Patent grant