CN108898603A - 卫星影像上的地块分割***及方法 - Google Patents
卫星影像上的地块分割***及方法 Download PDFInfo
- Publication number
- CN108898603A CN108898603A CN201810534898.9A CN201810534898A CN108898603A CN 108898603 A CN108898603 A CN 108898603A CN 201810534898 A CN201810534898 A CN 201810534898A CN 108898603 A CN108898603 A CN 108898603A
- Authority
- CN
- China
- Prior art keywords
- plot
- satellite image
- image
- unit
- prediction
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种卫星影像上的地块分割***及方法,其中卫星影像上的地块分割***包括:第一单元,获取训练图片集,所述训练图片具有地块及边缘标记;第二单元,获取待分割的卫星影像;第三单元,搭建神经网络模型,所述第三单元以所述训练图片集对神经网络模型进行训练得到预测模型;所述第三单元将待分割的卫星影像输入所述预测模型进行地块预测;第四单元,对所述预测模型输出的预测图像进行连通域搜索;第五单元,将搜索到的连通域面积与预设的阈值区间对比,其中所述连通域面积在所述阈值区间内,则所述连通域为地块。本发明可提高卫星影像上的地块标注速度。
Description
技术领域
本发明涉及卫星影像处理技术领域,特别涉及一种卫星影像上的地块分割***及方法。
背景技术
本发明对于背景技术的描述属于与本发明相关的相关技术,仅仅是用于说明和便于理解本发明的发明内容,不应理解为申请人明确认为或推定申请人认为是本发明在首次提出申请的申请日的现有技术。
卫星影像技术已经有数十年的应用,但是在农业精细化管理中,应用卫星影像对农田进行管理还未得到有效应用。随着科技的发展,现代化农业需要更多、更先进的技术做支持。而利用卫星影像,进行地块的划分,是土地管理和规划的第一步,卫星影像在地块划分中有着天然的优势,然而利用卫星影像进行地块划分的方法目前还不成熟,基本还是处于全人工标注地块边界的阶段,然而土地上的作物种植种类在变,地块边界也是变动的,这就需要不断的重复这种工作,不仅如此,卫星图像尺寸一般较大,全人工标注,需要的时间成本也很大。
发明内容
有鉴于此,本发明实施例提供一种卫星影像上的地块分割***及方法,主要目的是提高卫星影像上的地块标注速度。
为达到上述目的,本发明主要提供如下技术方案:
第一方面,本发明实施例提供了一种卫星影像上的地块分割***,包括:
第一单元,获取训练图片集,所述训练图片具有地块及边缘标记;
第二单元,获取待分割的卫星影像;
第三单元,搭建神经网络模型,所述第三单元以所述训练图片集对神经网络模型进行训练得到预测模型;所述第三单元将待分割的卫星影像输入所述预测模型进行地块预测;
第四单元,对所述预测模型输出的预测图像进行连通域搜索;
第五单元,将搜索到的连通域面积与预设的阈值区间对比,其中
所述连通域面积在所述阈值区间内,则所述连通域为地块。
作为优选,所述第一单元包括裁切模块和翻转模块,所述裁切模块对具有地块标签的卫星影像样本裁切,所述翻转模块对裁切的卫星影像翻转,所述卫星影像样本由具有地块标签的卫星影像样本裁切和翻转得到。
作为优选,所述第一单元还包括颜色矫正模块,所述延伸矫正模块对裁切和翻转后的所述卫星影像样本进行颜色矫正,所述颜色矫正包括直方图拉伸和均值-方差标准中的至少一种。
作为优选,所述第一单元还包括膨胀处理模块,所述膨胀处理模块对所述卫星影像样本进行膨胀处理,膨胀处理后的所述卫星影像样本切分得到训练图片集。
作为优选,所述神经网络模型中的第一层采用膨胀卷积。
作为优选,所述神经网络模型中不同阶段生成的损失函数为加权递减方式。
作为优选,还包括后处理单元,所述后处理单元包括形态学处理模块,所述形态学处理模块对所述预测模型输出的预测图像在进行所述连通域搜索之前先进行形态学中闭操作和骨架提取中的至少一种处理。
作为优选,所述后处理单元还包括直线生长模块,所述直线生长模块对所述预测模型输出的预测图像在进行所述连通域搜索之前先进行直线生长处理,以使地块边缘的直线断开处连接。
作为优选,所述直线处理包括:
利用一个3*3像素的窗口在待直线生长处理的图像中滑动,当滑动的窗口中心为1时,判断窗口内的像素值之和,当像素之和为2时认定该点为端点,然后从该点开始执行区域增长算法,增长足够的点数n后停止,然后用这n个点,利用最小二乘法进行直线拟合,然后沿着拟合直线的斜率方向,向右增大x轴的值,直到找到对应的y值也是1时停止,然后连接这两个点,然后将图像左右翻转再次执行上述过程,可得到直线生长后的图像。
作为优选,所述预测模型采用冗余预测法对待分割的卫星影像进行地块预测。
第二方面,本发明实施例提供了一种卫星影像上的地块分割方法,包括如下步骤:
获取训练图片集,所述训练图片具有地块及边缘标记;
以所述训练图片集对神经网络模型进行训练得到预测模型;
将待分割的卫星影像输入所述预测模型进行地块预测;
对所述预测模型输出的预测图像进行连通域搜索;
将搜索到的连通域面积与预设的阈值区间对比,其中
所述连通域面积在所述阈值区间内,则所述连通域为地块。
作为优选,所述训练图片集由具有地块标签的卫星影像样本切分得到,所述切分包括对所述卫星影像样本裁切和对裁切的卫星影像翻转。
作为优选,所述卫星影像样本切分后,进行颜色矫正,所述颜色矫正包括直方图拉伸和均值-方差标准中的至少一种。
作为优选,所述卫星影像样本进行膨胀处理,膨胀处理后的所述卫星影像样本切分得到训练图片集。
作为优选,所述训练图片的大小为200*200像素至1000*1000像素之间。
作为优选,所述神经网络模型中的第一层采用膨胀卷积。
作为优选,所述神经网络模型中不同阶段生成的损失函数为加权递减方式。
作为优选,所述预测模型输出的预测图像在进行所述连通域搜索之前先进行形态学中闭操作和骨架提取中的至少一种处理。
作为优选,所述预测模型输出的预测图像在进行所述连通域搜索之前先进行直线生长处理,以使地块边缘的直线断开处连接。
作为优选,所述直线处理包括:
利用一个3*3像素的窗口在待直线生长处理的图像中滑动,当滑动的窗口中心为1时,判断窗口内的像素值之和,当像素之和为2时认定该点为端点,然后从该点开始执行区域增长算法,增长足够的点数n后停止,然后用这n个点,利用最小二乘法进行直线拟合,然后沿着拟合直线的斜率方向,向右增大x轴的值,直到找到对应的y值也是1时停止,然后连接这两个点,然后将图像左右翻转再次执行上述过程,可得到直线生长后的图像。
作为优选,所述预测模型采用冗余预测法对待分割的卫星影像进行地块预测。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法的步骤。
第四方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法的步骤。
与现有技术相比,本发明实施例的有益效果在于:
本发明实施例提供的卫星影像上的地块分割***及方法用卫星影像,以深度学习模型为基础,然后利用深度学习后的模型输出结果进行了一系列的后处理后自动的得到地块分割后的结果。极大的降低了人工成本以及重复劳动,同时极大的提高了速度。本发明对将来地块的精细化管理起到基础的推动作用和技术支持。
图附说明
图1示出了本发明卫星影像上的地块分割***的一实施例的示意图。
图2示出了本发明卫星影像上的地块分割***的另一实施例的示意图。
图3示出了本发明卫星影像上的地块分割方法的一实施例的流程图。
图4示出了本发明卫星影像上的地块分割方法的另一实施例的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步详细描述,但不作为对本发明的限定。在下述说明中,不同的“一实施例”或“实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
图1示出了本发明卫星影像上的地块分割***的一实施例的示意图。图2示出了本发明卫星影像上的地块分割***的另一实施例的示意图。参见图1和图2,一种卫星影像上的地块分割***,包括:
第一单元10,获取训练图片集,训练图片具有地块及边缘标记;
第二单元20,获取待分割的卫星影像;
第三单元30,搭建神经网络模型,第三单元30以训练图片集对神经网络模型进行训练得到预测模型;第三单元30将待分割的卫星影像输入预测模型进行地块预测;
第四单元40,对所述预测模型输出的预测图像进行连通域搜索;
第五单元50,将搜索到的连通域面积与预设的阈值区间对比,其中
若连通域面积在所述阈值区间内,则该连通域为地块。
本发明实施例提供的卫星影像上的地块分割***用卫星影像,以深度学习模型为基础,然后利用深度学习后的模型输出结果进行了一系列的后处理后自动的得到地块分割后的结果。极大的降低了人工成本以及重复劳动,同时极大的提高了速度。本发明对将来地块的精细化管理起到基础的推动作用和技术支持。
本发明一实施例中,训练图片集是由训练样本切分而来,训练样本为为一幅包含数十万像素点的卫星影像,不能直接用于模型训练。shapefile矢量文件也不能直接用于模型训练,需要将标签文件(shapefile文件)转换成与训练图像等大小的标签图像。因此,第一单元10对具有地块标签的卫星影像进行切分,上述切分包括裁切和翻转。参见图2,在一个实施例中,第一单元10包括裁切模块11和翻转模块12,裁切模块11对具有地块标签的卫星影像样本裁切,翻转模块12对裁切的卫星影像翻转,卫星影像样本由具有地块标签的卫星影像样本裁切和翻转得到。因此,具有地块标签的卫星影像样本中地块边缘及非边缘部分赋予不同的值进行标记,例如,图像中地块边缘值为1,其余地方值为0。
在一个实施例中,参见图2,第一单元10还包括膨胀处理模块13,膨胀处理模块13对卫星影像样本进行膨胀处理,膨胀处理后的卫星影像样本切分得到训练图片集。本实施例可以增强模型的鲁棒性,同时消除标签标记出现的偏差,对标签图像进行膨胀操作使标签中地块边缘更加明显。在膨胀处理后,利用随机剪裁,翻转等操作获得尽可能多,同时冗余性少的训练图片集,例如可以获得数千张训练图片集。训练图片集中都是一定大小的训练图片。训练图片的大小可以是200*200像素至1000*1000像素之间。例如,训练图片大小为512*512像素。
卫星影像一般是有多景图像拼接而成的。由于卫星拍摄的时间不同,天气,光线,角度等都对成像质量有影像,因此会出现严重的色彩偏差。如果直接将这种图片进行训练不利于模型收敛。因此,在一个实施例中,参见图2,第一单元10还包括颜色矫正模块14,延伸矫正模块14对裁切和翻转后的卫星影像样本进行颜色矫正,颜色矫正包括直方图拉伸和均值-方差标准中的至少一种。本实施例中,对分割后的的训练图片(例如512*512像素大小)进行了直方图拉伸、均值-方差标准化等操作,消除光照、天气等的影响。
本发明一实施例中,模型构建基于边缘分割模型,并考虑到卫星影像与传统自然影像差别较大,抛弃了预训练权重的方法,直接从头开始训练。
一个实施例中,神经网络模型中的第一层采用膨胀卷积,相较于普通卷积使模型得到更好的感受野。
本发明一实施例中,模型损失函数采用Focal Loss,平衡样本中的正负样本比例,相较于交叉熵损失函数效果更好。
另一实施例中,神经网络模型中不同阶段生成的损失函数为加权递减方式。
本发明一实施例中,利用Google开源的深度学习框架Tensorflow,搭建上述神经网络模型,设置递减学习率,在英伟达P100显卡上训练10个小时左后模型收敛。训练过程中需针对模型各部分(例如五部分)的输出的分布调整权重参数,膨胀卷机的膨胀比、损失函数中包含的超参数等然后重新训练。直到模型各部分都能较好的预测出图像边缘,同时模型损失函数的值趋于稳定时可停止训练。此时得到的预测模型可用于分割地块边缘。
为了提高地块分割的效果,本发明一实施例中,还包括后处理单元,参见图2,后处理单元60包括形态学处理模块61,形态学处理模块61对预测模型输出的预测图像在进行连通域搜索之前先进行形态学中闭操作和骨架提取中的至少一种处理。模型的输出是和输入图像一样大小的单通道图像,输出图像上的每一点可认为是对应输入图像点是否为地块边缘的概率。例如选取0.5为分割点,大于等于0.5的为地块边缘,小于0.5的为背景,得到初步分割结果,该结果存在分割出的边缘较粗,边缘中有空洞和背景中有噪声点的情况,因此,本实施例利用图像形态学中的闭操作,和骨架提取方法可以得到消除噪声的,以及由单向素点组成的图像边缘的分割结果。
在本发明的一个实施例中,后处理单元60还包括直线生长模块62,直线生长模块62对预测模型输出的预测图像在进行连通域搜索之前先进行直线生长处理,以使地块边缘的直线断开处连接。由于模型精度,地块变化复杂等情况,预测模型输出的图像,即使经过形态学处理,也还存在断线(描述地块边缘的直线断开)的现象。为解决这一问题,本实施例提出了一种直线生长的方案,先利用一个简单的3*3像素的窗口在待直线生长处理的图像中滑动,当滑动的窗口中心为1时,判断窗口内的像素值之和,当像素之和为2时认定该点为端点,然后从该点开始执行区域增长算法,增长足够的点数n(可以根据需要调整,例如n=15)后停止,然后用这n个点,利用最小二乘法进行直线拟合,然后沿着拟合直线的斜率方向,向右增大x轴的值,直到找到对应的y值也是1时停止,然后连接这两个点,然后将图像左右翻转再次执行上述过程,可得到直线生长后的图像。
本发明实施例中,在预测时可接收任意大小的输入图片,然后用冗余预测的方法对整幅图像进行预测,消除了图像切分预测然后拼接时出现的拼接边缘噪声严重的缺点。
第二方面,本发明实施例提供了一种卫星影像上的地块分割方法,图3示出了本发明卫星影像上的地块分割方法的一实施例的流程图。图4示出了本发明卫星影像上的地块分割方法的另一实施例的流程图。参见图3和图4,本发明实施例的卫星影像上的地块分割方法包括如下步骤:
获取训练图片集,训练图片具有地块及边缘标记;
以训练图片集对神经网络模型进行训练得到预测模型;
将待分割的卫星影像输入预测模型进行地块预测;
对预测模型输出的预测图像进行连通域搜索;
将搜索到的连通域面积与预设的阈值区间对比,其中
连通域面积在阈值区间内,则该连通域为地块。
本发明实施例提供的卫星影像上的地块分割方法用卫星影像,以深度学习模型为基础,然后利用深度学习后的模型输出结果进行了一系列的后处理后自动的得到地块分割后的结果。极大的降低了人工成本以及重复劳动,同时极大的提高了速度。本发明对将来地块的精细化管理起到基础的推动作用和技术支持。
本发明一实施例中,训练图片集是由训练样本切分而来,训练样本为为一幅包含数十万像素点的卫星影像,不能直接用于模型训练。shapefile矢量文件也不能直接用于模型训练,需要将标签文件(shapefile文件)转换成与训练图像等大小的标签图像。因此,第一单元10对具有地块标签的卫星影像进行切分,上述切分包括裁切和翻转。参见图4,在一个实施例中,训练图片集由具有地块标签的卫星影像样本切分得到,切分包括对所述卫星影像样本裁切和对裁切的卫星影像翻转。因此,具有地块标签的卫星影像样本中地块边缘及非边缘部分赋予不同的值进行标记,例如,图像中地块边缘值为1,其余地方值为0。
参见图4,本发明一实施例中,卫星影像样本切分后,进行颜色矫正,颜色矫正包括直方图拉伸和均值-方差标准中的至少一种。本实施例可以增强模型的鲁棒性,同时消除标签标记出现的偏差,对标签图像进行膨胀操作使标签中地块边缘更加明显。在膨胀处理后,利用随机剪裁,翻转等操作获得尽可能多,同时冗余性少的训练图片集,例如可以获得数千张训练图片集。训练图片集中都是一定大小的训练图片。训练图片的大小可以是200*200像素至1000*1000像素之间。例如,训练图片大小为512*512像素。本发明实施例中,膨胀处理既可以在切分之前,先对卫星影像进行膨胀处理,然后进行剪裁、翻转等切分操作,也可以是在剪裁、翻转等切分操作之后,对切分得到的图片进行膨胀处理,得到训练图片集。
卫星影像一般是有多景图像拼接而成的。由于卫星拍摄的时间不同,天气,光线,角度等都对成像质量有影像,因此会出现严重的色彩偏差。如果直接将这种图片进行训练不利于模型收敛。因此,在一个实施例中,参见图4,卫星影像样本切分后,进行颜色矫正,所述颜色矫正包括直方图拉伸和均值-方差标准中的至少一种。本实施例中,对分割后的的训练图片(例如512*512像素大小)进行了直方图拉伸、均值-方差标准化等操作,消除光照、天气等的影响。
本发明一实施例中,模型构建基于边缘分割模型,并考虑到卫星影像与传统自然影像差别较大,抛弃了预训练权重的方法,直接从头开始训练。
一个实施例中,神经网络模型中的第一层采用膨胀卷积,相较于普通卷积使模型得到更好的感受野。
本发明一实施例中,模型损失函数采用Focal Loss,平衡样本中的正负样本比例,相较于交叉熵损失函数效果更好。
另一实施例中,神经网络模型中不同阶段生成的损失函数为加权递减方式。
本发明一实施例中,利用Google开源的深度学习框架Tensorflow,搭建上述神经网络模型,设置递减学习率,在英伟达P100显卡上训练10个小时左后模型收敛。训练过程中需针对模型各部分(例如五部分)的输出的分布调整权重参数,膨胀卷机的膨胀比、损失函数中包含的超参数等然后重新训练。直到模型各部分都能较好的预测出图像边缘,同时模型损失函数的值趋于稳定时可停止训练。此时得到的预测模型可用于分割地块边缘。
为了提高地块分割的效果,本发明一实施例中,预测模型输出的预测图像在进行所述连通域搜索之前先进行形态学中闭操作和骨架提取中的至少一种处理。模型的输出是和输入图像一样大小的单通道图像,输出图像上的每一点可认为是对应输入图像点是否为地块边缘的概率。例如选取0.5为分割点,大于等于0.5的为地块边缘,小于0.5的为背景,得到初步分割结果,该结果存在分割出的边缘较粗,边缘中有空洞和背景中有噪声点的情况,因此,本实施例利用图像形态学中的闭操作,和骨架提取方法可以得到消除噪声的,以及由单向素点组成的图像边缘的分割结果。
在本发明的一个实施例中,预测模型输出的预测图像在进行所述连通域搜索之前先进行直线生长处理,以使地块边缘的直线断开处连接。由于模型精度,地块变化复杂等情况,预测模型输出的图像,即使经过形态学处理,也还存在断线(描述地块边缘的直线断开)的现象。为解决这一问题,本实施例提出了一种直线生长的方案,先利用一个简单的3*3像素的窗口在待直线生长处理的图像中滑动,当滑动的窗口中心为1时,判断窗口内的像素值之和,当像素之和为2时认定该点为端点,然后从该点开始执行区域增长算法,增长足够的点数n(可以根据需要调整,例如n=15)后停止,然后用这n个点,利用最小二乘法进行直线拟合,然后沿着拟合直线的斜率方向,向右增大x轴的值,直到找到对应的y值也是1时停止,然后连接这两个点,然后将图像左右翻转再次执行上述过程,可得到直线生长后的图像。
本发明实施例中,在预测时可接收任意大小的输入图片,然后用冗余预测的方法对整幅图像进行预测,消除了图像切分预测然后拼接时出现的拼接边缘噪声严重的缺点。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法的步骤。
第四方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法的步骤。
本领域的技术人员可以清楚地了解到本发明实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”或“单元”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是FPGA(Field-Programmable Gate Array,现场可编程门阵列)、IC(Integrated Circuit,集成电路)等。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一实施例方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米***(包括分子存储器lC),或适合于存储指令和/或数据的任何类型的媒介或设备。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述任一实施例方法的步骤。在本发明实施例中,处理器为计算机***的控制中心,可以是实体机的处理器,也可以是虚拟机的处理器。
在本发明中,术语“第一”、“第二”等仅用于描述的目的,而不能理解为指示或暗示相对重要性或顺序;术语“多个”则指两个或两个以上,除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;“相连”可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中,需要理解的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作,因此,不能理解为对本发明的限制。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (23)
1.卫星影像上的地块分割***,其特征在于,包括:
第一单元,获取训练图片集,所述训练图片具有地块及边缘标记;
第二单元,获取待分割的卫星影像;
第三单元,搭建神经网络模型,所述第三单元以所述训练图片集对神经网络模型进行训练得到预测模型;所述第三单元将待分割的卫星影像输入所述预测模型进行地块预测;
第四单元,对所述预测模型输出的预测图像进行连通域搜索;
第五单元,将搜索到的连通域面积与预设的阈值区间对比,其中
所述连通域面积在所述阈值区间内,则所述连通域为地块。
2.根据权利要求1所述的***,其特征在于,所述第一单元包括裁切模块和翻转模块,所述裁切模块对具有地块标签的卫星影像样本裁切,所述翻转模块对裁切的卫星影像翻转,所述卫星影像样本由具有地块标签的卫星影像样本裁切和翻转得到。
3.根据权利要求2所述的***,其特征在于,所述第一单元还包括颜色矫正模块,所述延伸矫正模块对裁切和翻转后的所述卫星影像样本进行颜色矫正,所述颜色矫正包括直方图拉伸和均值-方差标准中的至少一种。
4.根据权利要求1所述的***,其特征在于,所述第一单元还包括膨胀处理模块,所述膨胀处理模块对所述卫星影像样本进行膨胀处理,膨胀处理后的所述卫星影像样本切分得到训练图片集。
5.根据权利要求1所述的***,其特征在于,所述神经网络模型中的第一层采用膨胀卷积。
6.根据权利要求1所述的***,其特征在于,所述神经网络模型中不同阶段生成的损失函数为加权递减方式。
7.根据权利要求1所述的***,其特征在于,还包括后处理单元,所述后处理单元包括形态学处理模块,所述形态学处理模块对所述预测模型输出的预测图像在进行所述连通域搜索之前先进行形态学中闭操作和骨架提取中的至少一种处理。
8.根据权利要求7所述的***,其特征在于,所述后处理单元还包括直线生长模块,所述直线生长模块对所述预测模型输出的预测图像在进行所述连通域搜索之前先进行直线生长处理,以使地块边缘的直线断开处连接。
9.根据权利要求8所述的***,其特征在于,所述直线处理包括:
利用一个3*3像素的窗口在待直线生长处理的图像中滑动,当滑动的窗口中心为1时,判断窗口内的像素值之和,当像素之和为2时认定该点为端点,然后从该点开始执行区域增长算法,增长足够的点数n后停止,然后用这n个点,利用最小二乘法进行直线拟合,然后沿着拟合直线的斜率方向,向右增大x轴的值,直到找到对应的y值也是1时停止,然后连接这两个点,然后将图像左右翻转再次执行上述过程,可得到直线生长后的图像。
10.根据权利要求1所述的***,其特征在于,所述预测模型采用冗余预测法对待分割的卫星影像进行地块预测。
11.卫星影像上的地块分割方法,包括如下步骤:
获取训练图片集,所述训练图片具有地块及边缘标记;
以所述训练图片集对神经网络模型进行训练得到预测模型;
将待分割的卫星影像输入所述预测模型进行地块预测;
对所述预测模型输出的预测图像进行连通域搜索;
将搜索到的连通域面积与预设的阈值区间对比,其中
所述连通域面积在所述阈值区间内,则所述连通域为地块。
12.根据权利要求11所述的方法,其特征在于,所述训练图片集由具有地块标签的卫星影像样本切分得到,所述切分包括对所述卫星影像样本裁切和对裁切的卫星影像翻转。
13.根据权利要求12所述的方法,其特征在于,所述卫星影像样本切分后,进行颜色矫正,所述颜色矫正包括直方图拉伸和均值-方差标准中的至少一种。
14.根据权利要求11所述的方法,其特征在于,所述卫星影像样本进行膨胀处理,膨胀处理后的所述卫星影像样本切分得到训练图片集。
15.根据权利要求11所述的方法,其特征在于,所述训练图片的大小为200*200像素至1000*1000像素之间。
16.根据权利要求11所述的方法,其特征在于,所述神经网络模型中的第一层采用膨胀卷积。
17.根据权利要求11所述的方法,其特征在于,所述神经网络模型中不同阶段生成的损失函数为加权递减方式。
18.根据权利要求11所述的方法,其特征在于,所述预测模型输出的预测图像在进行所述连通域搜索之前先进行形态学中闭操作和骨架提取中的至少一种处理。
19.根据权利要求11所述的方法,其特征在于,所述预测模型输出的预测图像在进行所述连通域搜索之前先进行直线生长处理,以使地块边缘的直线断开处连接。
20.根据权利要求19所述的方法,其特征在于,所述直线处理包括:
利用一个3*3像素的窗口在待直线生长处理的图像中滑动,当滑动的窗口中心为1时,判断窗口内的像素值之和,当像素之和为2时认定该点为端点,然后从该点开始执行区域增长算法,增长足够的点数n后停止,然后用这n个点,利用最小二乘法进行直线拟合,然后沿着拟合直线的斜率方向,向右增大x轴的值,直到找到对应的y值也是1时停止,然后连接这两个点,然后将图像左右翻转再次执行上述过程,可得到直线生长后的图像。
21.根据权利要求11所述的方法,其特征在于,所述预测模型采用冗余预测法对待分割的卫星影像进行地块预测。
22.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求11-21任一项所述方法的步骤。
23.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求11-21任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810534898.9A CN108898603A (zh) | 2018-05-29 | 2018-05-29 | 卫星影像上的地块分割***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810534898.9A CN108898603A (zh) | 2018-05-29 | 2018-05-29 | 卫星影像上的地块分割***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898603A true CN108898603A (zh) | 2018-11-27 |
Family
ID=64343452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810534898.9A Pending CN108898603A (zh) | 2018-05-29 | 2018-05-29 | 卫星影像上的地块分割***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898603A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766400A (zh) * | 2019-01-14 | 2019-05-17 | 北京天下图数据技术有限公司 | 地块标记方法及装置、地块识别方法及装置 |
CN110189341A (zh) * | 2019-06-05 | 2019-08-30 | 北京青燕祥云科技有限公司 | 一种图像分割模型训练的方法、图像分割的方法及装置 |
CN111210095A (zh) * | 2020-03-12 | 2020-05-29 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
CN111382645A (zh) * | 2018-12-29 | 2020-07-07 | 顺丰科技有限公司 | 电子地图中识别过期建筑的方法和*** |
CN112949711A (zh) * | 2021-02-26 | 2021-06-11 | 中国科学院软件研究所 | 面向软件定义卫星的神经网络模型可复用训练方法、装置 |
US20220156493A1 (en) * | 2020-11-17 | 2022-05-19 | Insurance Services Office, Inc. | Computer Vision Systems and Methods for Detecting and Aligning Land Property Boundaries on Aerial Imagery |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218618A (zh) * | 2013-01-09 | 2013-07-24 | 重庆交通大学 | 一种基于遥感数字图像的公路路线自动提取方法 |
CN103761526A (zh) * | 2014-01-26 | 2014-04-30 | 北京理工大学 | 一种基于特征位置优选整合的城区检测方法 |
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和*** |
CN107154048A (zh) * | 2017-05-09 | 2017-09-12 | 中国科学院遥感与数字地球研究所 | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 |
CN107274418A (zh) * | 2017-07-07 | 2017-10-20 | 江苏省无线电科学研究所有限公司 | 一种基于ap聚类算法的作物图像分割方法 |
CN107341795A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学 | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 |
-
2018
- 2018-05-29 CN CN201810534898.9A patent/CN108898603A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218618A (zh) * | 2013-01-09 | 2013-07-24 | 重庆交通大学 | 一种基于遥感数字图像的公路路线自动提取方法 |
CN103761526A (zh) * | 2014-01-26 | 2014-04-30 | 北京理工大学 | 一种基于特征位置优选整合的城区检测方法 |
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和*** |
CN107154048A (zh) * | 2017-05-09 | 2017-09-12 | 中国科学院遥感与数字地球研究所 | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 |
CN107341795A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学 | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 |
CN107274418A (zh) * | 2017-07-07 | 2017-10-20 | 江苏省无线电科学研究所有限公司 | 一种基于ap聚类算法的作物图像分割方法 |
Non-Patent Citations (2)
Title |
---|
冯子亮 等: "一种基于主动生长的边缘连接算法", 《计算机应用研究》 * |
量子学园: "Kanggle优胜者详解:如何用深度学习实现卫星图像分割与识别", 《知乎:HTTPS://ZHUANLAN.ZHIHU.COM/P/26377387》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382645A (zh) * | 2018-12-29 | 2020-07-07 | 顺丰科技有限公司 | 电子地图中识别过期建筑的方法和*** |
CN111382645B (zh) * | 2018-12-29 | 2023-11-28 | 顺丰科技有限公司 | 电子地图中识别过期建筑的方法和*** |
CN109766400A (zh) * | 2019-01-14 | 2019-05-17 | 北京天下图数据技术有限公司 | 地块标记方法及装置、地块识别方法及装置 |
CN110189341A (zh) * | 2019-06-05 | 2019-08-30 | 北京青燕祥云科技有限公司 | 一种图像分割模型训练的方法、图像分割的方法及装置 |
CN110189341B (zh) * | 2019-06-05 | 2021-08-10 | 北京青燕祥云科技有限公司 | 一种图像分割模型训练的方法、图像分割的方法及装置 |
CN111210095A (zh) * | 2020-03-12 | 2020-05-29 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
CN111210095B (zh) * | 2020-03-12 | 2022-02-18 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
US20220156493A1 (en) * | 2020-11-17 | 2022-05-19 | Insurance Services Office, Inc. | Computer Vision Systems and Methods for Detecting and Aligning Land Property Boundaries on Aerial Imagery |
US11847824B2 (en) * | 2020-11-17 | 2023-12-19 | Insurance Services Office, Inc. | Computer vision systems and methods for detecting and aligning land property boundaries on aerial imagery |
CN112949711A (zh) * | 2021-02-26 | 2021-06-11 | 中国科学院软件研究所 | 面向软件定义卫星的神经网络模型可复用训练方法、装置 |
CN112949711B (zh) * | 2021-02-26 | 2023-10-27 | 中国科学院软件研究所 | 面向软件定义卫星的神经网络模型可复用训练方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898603A (zh) | 卫星影像上的地块分割***及方法 | |
CN106157319B (zh) | 基于卷积神经网络的区域和像素级融合的显著性检测方法 | |
CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN101571950B (zh) | 基于各向同性扩散和稀疏表示的图像修复方法 | |
WO2020098158A1 (zh) | 行人重识别方法、装置及计算机可读存储介质 | |
CN109410129A (zh) | 一种低光照图像场景理解的方法 | |
CN108776772B (zh) | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 | |
CN101777180B (zh) | 基于背景建模和能量最小化的复杂背景实时替换方法 | |
CN109145713A (zh) | 一种结合目标检测的小目标语义分割方法 | |
CN103164855B (zh) | 一种结合反射光照的贝叶斯决策前景提取方法 | |
CN108198201A (zh) | 一种多目标跟踪方法、终端设备及存储介质 | |
CN106204494B (zh) | 一种包含大面积天空区域的图像去雾方法及*** | |
CN105678813A (zh) | 一种肤色检测方法及装置 | |
CN106530247B (zh) | 一种基于结构信息的多尺度图像修复方法 | |
CN109584170A (zh) | 基于卷积神经网络的水下图像复原方法 | |
CN106339984A (zh) | 基于k均值驱动卷积神经网络的分布式图像超分辨方法 | |
CN103971338A (zh) | 一种基于显著图的可变块图像修复方法 | |
CN110310241A (zh) | 一种融合深度区域分割的多大气光值交通图像去雾方法 | |
CN106686278A (zh) | 一种面向实时目标识别的异构处理机并行协调处理方法 | |
CN109858487A (zh) | 基于分水岭算法和图像类别标签的弱监督语义分割方法 | |
CN110148093A (zh) | 一种基于暗通道先验的图像去雾改进方法 | |
CN103578083A (zh) | 基于联合均值漂移的单幅图像去雾方法 | |
CN110223251A (zh) | 适用于人工与自然光源的卷积神经网络水下图像复原方法 | |
CN112488229A (zh) | 一种基于特征分离和对齐的域自适应无监督目标检测方法 | |
CN108986101A (zh) | 基于循环“抠图-分割”优化的人体图像分割方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181127 |