CN109508582A - 遥感影像的识别方法及装置 - Google Patents
遥感影像的识别方法及装置 Download PDFInfo
- Publication number
- CN109508582A CN109508582A CN201710833446.6A CN201710833446A CN109508582A CN 109508582 A CN109508582 A CN 109508582A CN 201710833446 A CN201710833446 A CN 201710833446A CN 109508582 A CN109508582 A CN 109508582A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- feature vector
- sensing image
- image
- modality
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供的遥感影像的识别方法及装置,通过接收遥感影像数据,通过采用分别利用不同的卷积神经网络算法对遥感影像数据进行处理以获取多个特征向量,并分别获取与每个获取的特征向量匹配的预测结果,对获取的多个预测结果进行融合以得到该遥感影像数据的影像类型的方式,从而提高了在对遥感影像进行识别时,在保证能够不损失遥感影像的信息的情况下,降低了提取特征向量所需要的时间,提高了提取效率,进而提高了识别效率。
Description
技术领域
本发明涉及影像识别技术,尤其涉及一种遥感影像的识别方法及装置。
背景技术
随着我国卫星行业的快速发展,利用遥感卫星采集获取的遥感影像进行国家基础测绘和地理国情监测成为热点技术。在进行国家基础测绘和地理国情监测之前,需要先对获取的遥感影像进行识别,现有的识别方法大致包括以下步骤:将不同类型传感器获取的该位置的遥感影像数据进行数据融合,再将融合后的数据输入至卷积神经网络中,由该卷积神经网络处理并获得包括有若干种语义信息的单一特征向量,在预设的影像类型样本库中找到与该单一特征向量匹配的若干个影像类型及对应的匹配概率,概率最高的影像类型即为遥感影像数据的识别结果。
但是,由于遥感影像的信息种类繁多信息量很大,现有技术所提取的特征向量中需要包括遥感影像信息中全部涉及的信息种类和信息内容,这使得整个提取过程运算量大且运算时间长,严重影响遥感影像的识别效率。
发明内容
针对现有的遥感影像的识别效率不高的技术问题,本发明提供的一种遥感影像的识别方法及装置。
一方面,本发明提供了一种遥感影像的识别方法,该识别方法包括:
接收遥感影像数据;
分别利用不同的卷积神经网络算法对所述遥感影像数据进行处理,获取多个特征向量,其中,每个特征向量对应一种类型的语义信息;
分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果;
对所述多个预测结果进行融合,获取所述遥感影像数据的影像类型。
进一步地,所述语义信息包括以下信息中的至少一种:光谱语义信息、纹理语义信息、形状语义信息;
相应的,所述分别利用不同的卷积神经网络算法对所述遥感影像数据进行处理,获取多个特征向量之前,还包括:
在预存的卷积神经网络算法库中调取与所述语义信息类型相应的卷积神经网络算法。
进一步地,所述分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果,包括:
分别在预设的影像类型样本库中获取与每个特征向量匹配的若干个影像类型及对应的匹配概率,获得每个特征向量的影像类型概率分布信息;
相应的,所述对所述多个预测结果进行融合,获取所述遥感影像数据的影像类型,包括:
利用不确定性推理算法对获取的各个特征向量匹配的影像类型概率分布信息进行处理,获取所述遥感影像数据的影像类型。
进一步地,所述获得每个特征向量匹配的影像类型概率分布信息之后,还包括:
对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正,获得每个特征向量的影像类型概率分布修正信息;
相应的,所述利用不确定性推理算法对获取的各个特征向量的影像类型概率分布信息进行处理,获取所述遥感影像数据的影像类型,包括:
利用不确定性推理算法对获取的各个特征向量的影像类型概率分布修正信息进行处理,获取所述遥感影像数据的影像类型。
进一步地,所述对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正,包括:
删除每个特征向量匹配的影像类型概率分布信息中相互矛盾的影像类型及对应的匹配概率。
另一方面,本发明提供了一种遥感影像的识别装置,包括:
接收模块,用于接收遥感影像数据;
特征向量获取模块,用于分别利用不同的卷积神经网络算法对所述遥感影像数据进行处理,获取多个特征向量,其中,每个特征向量对应一种类型的语义信息;
预测结果匹配模块,用于分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果;
融合模块,用于对所述多个预测结果进行融合,获取所述遥感影像数据的影像类型。
进一步地,所述语义信息包括以下信息中的至少一种:光谱语义信息、纹理语义信息、形状语义信息;
所述特征向量获取模块还用于:
在分别利用不同的卷积神经网络算法对所述遥感影像数据进行处理之前,在预存的卷积神经网络算法库中调取与所述语义信息类型相应的卷积神经网络算法。
进一步地,所述预测结果匹配模块具体用于:分别在预设的影像类型样本库中获取与每个特征向量匹配的若干个影像类型及对应的匹配概率,获得每个特征向量的影像类型概率分布信息;
所述融合模块具体用于:利用不确定性推理算法对获取的各个特征向量匹配的影像类型概率分布信息进行处理,获取所述遥感影像数据的影像类型。
进一步地,该识别装置还包括:修正模块;
所述修正模块用于在所述预测结果匹配模块获得每个特征向量匹配的影像类型概率分布信息之后,对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正,获得每个特征向量的影像类型概率分布修正信息;
所述融合模块具体用于利用不确定性推理算法对获取的各个特征向量的影像类型概率分布修正信息进行处理,获取所述遥感影像数据的影像类型。
进一步地,所述修正模块具体用于:
删除每个特征向量匹配的影像类型概率分布信息中相互矛盾的影像类型及对应的匹配概率。
本发明提供的一种遥感影像的识别方法及识别装置,通过接收遥感影像数据,通过采用分别利用不同的卷积神经网络算法对所述遥感影像数据进行处理以获取多个特征向量,并分别获取与每个获取的特征向量匹配的预测结果,对获取的多个预测结果进行融合以得到该遥感影像数据的影像类型的方式,从而提高了在对遥感影像进行识别时,在保证能够不损失遥感影像的信息的情况下,降低了提取特征向量所需要的时间,提高了提取效率,进而提高了识别效率。
附图说明
图1为本发明实施例一提供的一种遥感影像的识别方法的流程示意图;
图2为本发明实施例二提供的一种遥感影像的识别方法的流程示意图;
图3为本发明实施例三提供的一种遥感影像的识别方法的流程示意图;
图4为本发明实施例四提供的一种遥感影像的识别装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
图1为本发明实施例一提供的一种遥感影像的识别方法的流程示意图,如图1所示,该方法包括:
步骤101、接收遥感影像数据。
需要说明的是,本发明的执行主体可为一种遥感影像的识别装置,其具体可为由处理器、存储器、逻辑电路、组合芯片等组成的物理终端。
具体来说,接收遥感影像数据,该遥感影像数据为设置在各卫星上的各类型传感器拍摄或测量获取的,遥感影像的识别装置通过无线网络传输的方式或从网络下载的方式可获取遥感影像数据。其中,步骤101所接收的遥感影像数据具体为针对某一地区的在某一时刻的影像数据,其数据组成形式具体可为多光谱数据,也可能全色数据,也可为二者的结合,本发明对此不进行限制。此外,在执行步骤102之前,还可对获取的遥感影像数据进行滤波、降噪、增强等预处理,从而提高本发明提供的遥感影像数据的识别准确度。
步骤102、分别利用不同的卷积神经网络算法对遥感影像数据进行处理,获取多个特征向量。
其中,每个特征向量对应一种类型的语义信息。
具体来说,该遥感影像的识别装置可分别利用不同的卷积神经网络算法对获取的遥感影像数据进行多次处理,以获取对应不同语义信息的多个特征向量。在本发明提供的实施例一中,可分别利用与每种语义信息对应的卷积神经网络算法,对获取的遥感影像数据进行多次处理。其中,多次处理具体可采用多处理器并行处理的方式进行,即针对每个处理器利用一种卷积神经网络算法并处理获取一个特征向量,多个处理器采用同时处理同一遥感影像数据的方式以获取所需的对应不同类型语义信息的多个特征向量。
此外,该不同的卷积神经网络算法具体为已完成训练的卷积神经网络算法,也就是说,在步骤102之前,还可包括对待训练的卷积神经网络算法进行训练的过程。举例来说,可采用将已知影像类型的若干样本遥感影像数据划分为训练集和测试集,利用训练集对待训练的卷积神经网络的各层进行训练,利用测试集对完成训练的卷积神经网络进行测试,直至完成对该卷积神经网络算法的整个训练。需要说明的是,本步骤102中所利用多个的不同的卷积神经网络算法可采用相同的卷积神经网络架构,也可采用不同的卷积神经网络架构,其区别在于利用不同的卷积神经网络算法处理所获得的特征向量将与不同类型的语义信息对应,也就是说,针对于对不同卷积神经网络算法的训练,其训练时所采用的样本遥感影像数据和每个样本遥感影像数据对应的影像类型也应依据实际需要有所不同。
步骤103、分别在影像类型样本库中中确定与每个特征向量匹配的预测结果。
具体来说,该遥感影像的识别装置针对获取的每个特征向量,分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果。其中的影像类型样本库中预存有若干影像样本,以及对应的影像类型,该影像样本具体可由影像样本的若干类型的特征向量组成。进一步来说,针对一个特征向量,可将该特征向量与影像类型样本库中的各影像样本的特征向量进行一一比对,并确认与该特征向量最接近的那个影像样本及其影像类型。如此以获得每个特征向量的预测结果,即获得每个特征向量的所对应的影像样本及其影像类型。需要说明的是,与步骤102类似,本步骤中的对多个特征向量的匹配过程也可在多个处理器中分别进行,从而进一步提高处理效率。
步骤104、多个预测结果进行融合,获取遥感影像数据的影像类型。
具体来说,针对多个特征向量获取的多个与不同特征向量匹配的多个预测结果,可采用融合的方式对这些预测结果进行统计,以获取与该遥感影像数据最为匹配的唯一影像类型。
本发明实施例一提供的遥感影像的识别方法,通过接收遥感影像数据,通过采用分别利用不同的卷积神经网络算法对遥感影像数据进行处理以获取多个特征向量,并分别获取与每个获取的特征向量匹配的预测结果,对获取的多个预测结果进行融合以得到该遥感影像数据的影像类型的方式,从而提高了在对遥感影像进行识别时,在保证能够不损失遥感影像的信息的情况下,降低了提取特征向量所需要的时间,提高了提取效率,进而提高了识别效率。
在图1所示实施方式的基础上,为了提高识别的准确率,图2为本发明实施例二提供的一种遥感影像的识别方法的流程示意图。如图2所示,该识别方法包括:
步骤201、接收遥感影像数据。
具体来说,与实施例一类似的是本步骤中的遥感影像数据为设置在各卫星上的各类型传感器拍摄或测量获取的,遥感影像的识别装置通过无线网络传输的方式或从网络下载的方式可获取遥感影像数据。而本步骤中接收的遥感影像数据具体为针对某一地区的在某一时刻的影像数据,其数据组成形式具体可为多光谱数据,也可能全色数据,也可为二者的结合,本发明对此不进行限制。此外,在执行步骤202之前,还可对获取的遥感影像数据进行滤波、降噪、增强等预处理,从而提高本发明提供的遥感影像数据的识别准确度。
步骤202、在预存的卷积神经网络算法库中调取与语义信息类型相应的卷积神经网络算法。
步骤203、分别利用不同的卷积神经网络算法对遥感影像数据进行处理,获取多个特征向量。
与实施例一不同的是,在步骤202至步骤203中,语义信息包括以下信息中的至少一种:光谱语义信息、纹理语义信息、形状语义信息,每个特征向量对应一种类型的语义信息。具体来说,由于采用的卷积神经网络算法不同,其处理遥感影像数据之后所获取的特征向量也不同,这些不同的卷积神经网络算法可预存在卷积神经网络算法库中,并根据所需要获取的特征向量所对应的语义信息,调取与该语义信息类型相应的算法。
例如,针对纹理语义信息这一类型的卷积神经网络算法,具体可为局部二值算法。进一步来说,可利用窗口灰度差异描述算子、窗口梯度差异描述算子以及中心像素点描述算子作为局部二值算法的核心算子,以实现对纹理语义信息这一特征向量的提取。
再例如,针对形状语义信息这一类型的卷积神经网络算法,具体可采用的阈值处理算法、基于轮廓的形状特征提取算法和基于区域的形状特征提取算法这三种算法获取。优选地,基于区域的形状特征提取算法提取形状语义信息的特征向量具体可包括:确定目标区域及其面积,确定目标区域的区域重心,根据目标区域的周长、面积确定目标区域的形状参数,将所述目标区域的面积、区域重心和形状参数作为基于区域的形状特征提取算法的算子,以实现对形状语义信息这一特征向量的提取。
此外,该遥感影像的识别装置可分别利用不同的卷积神经网络算法对获取的遥感影像数据进行多次处理,以获取对应不同语义信息的多个特征向量。举例来说,在遥感影像中,语义信息的类型可包括有光谱语义信息、纹理语义信息、形状语义信息,因此,可分别利用与每种语义信息对应的卷积神经网络算法,对获取的遥感影像数据进行多次处理。其中,多次处理具体可采用多处理器并行处理的方式进行,即针对每个处理器利用一种卷积神经网络算法并处理获取一个特征向量,多个处理器采用同时处理同一遥感影像数据的方式以获取所需的对应不同类型语义信息的多个特征向量。
此外,该不同的卷积神经网络算法具体为已完成训练的卷积神经网络算法,也就是说,在步骤202之前,还可包括对待训练的卷积神经网络算法进行训练的过程。举例来说,可采用将已知影像类型的若干样本遥感影像数据划分为训练集和测试集,利用训练集对待训练的卷积神经网络的各层进行训练,利用测试集对完成训练的卷积神经网络进行测试,直至完成对该卷积神经网络算法的整个训练。而针对于对不同卷积神经网络算法的训练,其训练时所采用的样本遥感影像数据和每个样本遥感影像数据对应的影像类型也应依据实际需要有所不同。
步骤204、分别在预设的影像类型样本库中获取与每个特征向量匹配的若干个影像类型及对应的匹配概率,获得每个特征向量的影像类型概率分布信息。
其中的影像类型样本库中预存有若干影像样本,以及对应的影像类型,该影像样本具体可由影像样本的若干类型的特征向量组成。
具体来说,遥感影像的识别装置针对获取的每个特征向量,分别在预设的影像类型样本库中确定与每个特征向量匹配的若干个影像类型及对应的匹配概率,例如,将光谱语义信息对应的特征向量与影像类型样本库中的各影像样本的特征向量依次进行相似度比对并进行匹配概率的计算,选出相似度较高的若干影像样本,并获得该若干影像样本的影像类型及对应的匹配概率。这些影像类型及对应的匹配概率将组成该特征向量的影像类型概率分布信息。
步骤205、利用不确定性推理算法对获取的各个特征向量匹配的影像类型概率分布信息进行处理,获取遥感影像数据的影像类型。
具体来说,利用不确定性推理算法对各特征向量匹配的各个影像类型及对应的匹配概率进行概率赋值和融合,并获取满足不确定性推理算法的唯一影像类型,该唯一影像类型则为遥感影像数据的影像类型。
本发明实施例二提供的一种遥感影像的识别方法,在实施例一的基础上,通过在预存的卷积神经网络算法库中调取与光谱语义信息、纹理语义信息、形状语义信息的语义信息类型相应的卷积神经网络算法,并分别利用不同的卷积神经网络算法对遥感影像数据进行处理,获取多个特征向量,随后采用不确定性推理算法对获取的各个特征向量匹配的影像类型概率分布信息进行处理,获取遥感影像数据的影像类型,从而在提高识别效率的基础上,进一步提高了遥感影像的识别准确度。
在图2所示实施方式的基础上,为了进一步提高识别的准确率,图3为本发明实施例三提供的一种遥感影像的识别方法的流程示意图。如图3所示,该方法包括:
步骤301、接收遥感影像数据。
具体来说,与实施例一类似的是本步骤中的遥感影像数据为设置在各卫星上的各类型传感器拍摄或测量获取的,遥感影像的识别装置通过无线网络传输的方式或从网络下载的方式可获取遥感影像数据。而本步骤中接收的遥感影像数据具体为针对某一地区的在某一时刻的影像数据,其数据组成形式具体可为多光谱数据,也可能全色数据,也可为二者的结合,本发明对此不进行限制。此外,在执行步骤302之前,还可对获取的遥感影像数据进行滤波、降噪、增强等预处理,从而提高本发明提供的遥感影像数据的识别准确度。
步骤302、在预存的卷积神经网络算法库中调取与语义信息类型相应的卷积神经网络算法。
步骤303、分别利用不同的卷积神经网络算法对遥感影像数据进行处理,获取多个特征向量。
与实施例二类似的是,在步骤302至步骤303中,语义信息包括以下信息中的至少一种:光谱语义信息、纹理语义信息、形状语义信息,每个特征向量对应一种类型的语义信息。具体来说,由于采用的卷积神经网络算法不同,其处理遥感影像数据之后所获取的特征向量也不同,这些不同的卷积神经网络算法可预存在卷积神经网络算法库中,并根据所需要获取的特征向量所对应的语义信息,调取与该语义信息类型相应的算法。此外,该不同的卷积神经网络算法具体为已完成训练的卷积神经网络算法,举例来说,可采用将已知影像类型的若干样本遥感影像数据划分为训练集和测试集,利用训练集对待训练的卷积神经网络的各层进行训练,利用测试集对完成训练的卷积神经网络进行测试,直至完成对该卷积神经网络算法的整个训练。针对于对不同卷积神经网络算法的训练,其训练时所采用的样本遥感影像数据和每个样本遥感影像数据对应的影像类型也应依据实际需要有所不同。
例如,针对纹理语义信息这一类型的卷积神经网络算法,具体可为局部二值算法。进一步来说,可利用窗口灰度差异描述算子、窗口梯度差异描述算子以及中心像素点描述算子作为局部二值算法的核心算子,以实现对纹理语义信息这一特征向量的提取。
再例如,针对形状语义信息这一类型的卷积神经网络算法,具体可采用的阈值处理算法、基于轮廓的形状特征提取算法和基于区域的形状特征提取算法这三种算法获取。优选地,基于区域的形状特征提取算法提取形状语义信息的特征向量具体可包括:确定目标区域及其面积,确定目标区域的区域重心,根据目标区域的周长、面积确定目标区域的形状参数,将所述目标区域的面积、区域重心和形状参数作为基于区域的形状特征提取算法的算子,以实现对形状语义信息这一特征向量的提取。
此外,该遥感影像的识别装置可分别利用不同的卷积神经网络算法对获取的遥感影像数据进行多次处理,以获取对应不同语义信息的多个特征向量。举例来说,在遥感影像中,语义信息的类型可包括有光谱语义信息、纹理语义信息、形状语义信息,因此,可分别利用与每种语义信息对应的卷积神经网络算法,对获取的遥感影像数据进行多次处理。其中,多次处理具体可采用多处理器并行处理的方式进行,即针对每个处理器利用一种卷积神经网络算法并处理获取一个特征向量,多个处理器采用同时处理同一遥感影像数据的方式以获取所需的对应不同类型语义信息的多个特征向量。
步骤304、分别在预设的影像类型样本库中获取与每个特征向量匹配的若干个影像类型及对应的匹配概率,获得每个特征向量的影像类型概率分布信息。
其中的影像类型样本库中预存有若干影像样本,以及对应的影像类型,该影像样本具体可由影像样本的若干类型的特征向量组成。
具体来说,遥感影像的识别装置针对获取的每个特征向量,分别在预设的影像类型样本库中确定与每个特征向量匹配的若干个影像类型及对应的匹配概率,例如,将光谱语义信息对应的特征向量与影像类型样本库中的各影像样本的特征向量依次进行相似度比对并进行匹配概率的计算,选出相似度较高的若干影像样本,并获得该若干影像样本的影像类型及对应的匹配概率。这些影像类型及对应的匹配概率将组成该特征向量的影像类型概率分布信息。
步骤305、对每个特征向量匹配的影像类型概率分布信息进行有效性修正,获得每个特征向量的影像类型概率分布修正信息。
与实施例二不同的是,为了进一步提高识别的准确度,在获取每个特征向量的影像类型概率分布信息之后,本实施例三提供的识别方法还对每个特征向量匹配的影像类型概率分布信息进行有效性修正。
具体来说,该有效性修正具体可为:删除每个特征向量匹配的影像类型概率分布信息中相互矛盾的影像类型及对应的匹配概率。
举例来说,若获得的与光谱语义信息对应的特征向量所匹配的影像类型为[沥青,99%]以及[公路,99%],而获得的与纹理语义信息对应的特征向量所匹配的影像类型为[沥青,99%]以及[公路,1%],则可保留[沥青,99%]这一影像类型和对应的匹配概率并在光谱语义信息对应的特征向量对应的匹配结果中删除[公路,99%],在与纹理语义信息对应的特征向量对应的匹配结果中删除[公路,1%]。
再例如,若获得的与光谱语义信息对应的特征向量所匹配的影像类型为[沥青,99%]以及[公路,99%],而获得的与纹理语义信息对应的特征向量所匹配的影像类型为[沥青,99%]以及[河流,88%]以及[公路,88%],则可保留[沥青,99%]、[公路,99%]、[公路,88%]这三个影像类型和对应的匹配概率并在与纹理语义信息对应的特征向量对应的匹配结果中删除[河流,88%]。
此外,本领域技术人员还可采用其他方式确定相互矛盾的影像类型及对应的匹配概率,本发明在此不进行限制。
步骤306、利用不确定性推理算法对获取的各个特征向量的影像类型概率分布修正信息进行处理,获取遥感影像数据的影像类型。
具体来说,利用不确定性推理算法对去除矛盾的各特征向量匹配的各个影像类型及对应的匹配概率进行概率赋值和融合,并获取满足不确定性推理算法的唯一影像类型,该唯一影像类型则为遥感影像数据的影像类型。
本发明实施例三提供的一种遥感影像的识别方法,在实施例二的基础上,还采用了对每个特征向量匹配的影像类型概率分布信息进行有效性修正,获得每个特征向量的影像类型概率分布修正信息,从而进一步提高获取的识别准确度。
图4为本发明实施例四提供的一种遥感影像的识别装置的结构示意图,如图4所示,该装置包括:
接收模块10,用于接收遥感影像数据。
特征向量获取模块20,用于分别利用不同的卷积神经网络算法对遥感影像数据进行处理,获取多个特征向量,其中,每个特征向量对应一种类型的语义信息。
预测结果匹配模块30用于分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果。
融合模块40,用于对多个预测结果进行融合,获取遥感影像数据的影像类型。
通过接收模块接收遥感影像数据,从而使特征向量获取模块分别利用不同的卷积神经网络算法对遥感影像数据进行处理以获取多个特征向量,预测结果匹配模块分别获取与每个获取的特征向量匹配的预测结果,融合模块获取的多个预测结果进行融合以得到该遥感影像数据的影像类型的方式,从而提高了在对遥感影像进行识别时,在保证能够不损失遥感影像的信息的情况下,降低了提取特征向量所需要的时间,提高了提取效率,进而提高了识别效率。
进一步地,语义信息包括以下信息中的至少一种:光谱语义信息、纹理语义信息、形状语义信息;特征向量获取模块20还用于:在分别利用不同的卷积神经网络算法对遥感影像数据进行处理之前,在预存的卷积神经网络算法库中调取与语义信息类型相应的卷积神经网络算法。
进一步地,预测结果匹配模块30具体用于:分别在预设的影像类型样本库中获取与每个特征向量匹配的若干个影像类型及对应的匹配概率,获得每个特征向量的影像类型概率分布信息。融合模块40具体用于:利用不确定性推理算法对获取的各个特征向量匹配的影像类型概率分布信息进行处理,获取遥感影像数据的影像类型。
更优地,该装置还包括:修正模块,该修正模块用于在预测结果匹配模块获得每个特征向量匹配的影像类型概率分布信息之后,对每个特征向量匹配的影像类型概率分布信息进行有效性修正,获得每个特征向量的影像类型概率分布修正信息。相应的,融合模块40具体用于利用不确定性推理算法对获取的各个特征向量的影像类型概率分布修正信息进行处理,获取遥感影像数据的影像类型。进一步地,修正模块具体用于删除每个特征向量匹配的影像类型概率分布信息中相互矛盾的影像类型及对应的匹配概率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***的具体工作过程以及相应的有益效果,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例四提供的遥感影像的识别装置,通过接收遥感影像数据,通过采用分别利用不同的卷积神经网络算法对遥感影像数据进行处理以获取多个特征向量,并分别获取与每个获取的特征向量匹配的预测结果,对获取的多个预测结果进行融合以得到该遥感影像数据的影像类型的方式,从而提高了在对遥感影像进行识别时,在保证能够不损失遥感影像的信息的情况下,降低了提取特征向量所需要的时间,提高了提取效率,进而提高了识别效率。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种遥感影像的识别方法,其特征在于,包括:
接收遥感影像数据;
分别利用不同的卷积神经网络算法对所述遥感影像数据进行处理,获取多个特征向量,其中,每个特征向量对应一种类型的语义信息;
分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果;
对所述多个预测结果进行融合,获取所述遥感影像数据的影像类型。
2.根据权利要求1所述的识别方法,其特征在于,所述语义信息包括以下信息中的至少一种:光谱语义信息、纹理语义信息、形状语义信息;
相应的,所述分别利用不同的卷积神经网络算法对所述遥感影像数据进行处理,获取多个特征向量之前,还包括:
在预存的卷积神经网络算法库中调取与所述语义信息类型相应的卷积神经网络算法。
3.根据权利要求1所述的识别方法,其特征在于,所述分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果,包括:
分别在预设的影像类型样本库中获取与每个特征向量匹配的若干个影像类型及对应的匹配概率,获得每个特征向量的影像类型概率分布信息;
相应的,所述对所述多个预测结果进行融合,获取所述遥感影像数据的影像类型,包括:
利用不确定性推理算法对获取的各个特征向量匹配的影像类型概率分布信息进行处理,获取所述遥感影像数据的影像类型。
4.根据权利要求3所述的识别方法,其特征在于,所述获得每个特征向量匹配的影像类型概率分布信息之后,还包括:
对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正,获得每个特征向量的影像类型概率分布修正信息;
相应的,所述利用不确定性推理算法对获取的各个特征向量的影像类型概率分布信息进行处理,获取所述遥感影像数据的影像类型,包括:
利用不确定性推理算法对获取的各个特征向量的影像类型概率分布修正信息进行处理,获取所述遥感影像数据的影像类型。
5.根据权利要求4所述的识别方法,其特征在于,所述对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正,包括:
删除每个特征向量匹配的影像类型概率分布信息中相互矛盾的影像类型及对应的匹配概率。
6.一种遥感影像的识别装置,其特征在于,包括:
接收模块,用于接收遥感影像数据;
特征向量获取模块,用于分别利用不同的卷积神经网络算法对所述遥感影像数据进行处理,获取多个特征向量,其中,每个特征向量对应一种类型的语义信息;
预测结果匹配模块,用于分别在预设的影像类型样本库中确定与每个特征向量匹配的预测结果;
融合模块,用于对所述多个预测结果进行融合,获取所述遥感影像数据的影像类型。
7.根据权利要求6所述的识别装置,其特征在于,所述语义信息包括以下信息中的至少一种:光谱语义信息、纹理语义信息、形状语义信息;
所述特征向量获取模块还用于:
在分别利用不同的卷积神经网络算法对所述遥感影像数据进行处理之前,在预存的卷积神经网络算法库中调取与所述语义信息类型相应的卷积神经网络算法。
8.根据权利要求6所述的识别装置,其特征在于,
所述预测结果匹配模块具体用于:分别在预设的影像类型样本库中获取与每个特征向量匹配的若干个影像类型及对应的匹配概率,获得每个特征向量的影像类型概率分布信息;
所述融合模块具体用于:利用不确定性推理算法对获取的各个特征向量匹配的影像类型概率分布信息进行处理,获取所述遥感影像数据的影像类型。
9.根据权利要求8所述的识别装置,其特征在于,还包括:修正模块;
所述修正模块用于在所述预测结果匹配模块获得每个特征向量匹配的影像类型概率分布信息之后,对所述每个特征向量匹配的影像类型概率分布信息进行有效性修正,获得每个特征向量的影像类型概率分布修正信息;
所述融合模块具体用于利用不确定性推理算法对获取的各个特征向量的影像类型概率分布修正信息进行处理,获取所述遥感影像数据的影像类型。
10.根据权利要求9所述的识别装置,其特征在于,所述修正模块具体用于:
删除每个特征向量匹配的影像类型概率分布信息中相互矛盾的影像类型及对应的匹配概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833446.6A CN109508582A (zh) | 2017-09-15 | 2017-09-15 | 遥感影像的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833446.6A CN109508582A (zh) | 2017-09-15 | 2017-09-15 | 遥感影像的识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109508582A true CN109508582A (zh) | 2019-03-22 |
Family
ID=65744884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710833446.6A Pending CN109508582A (zh) | 2017-09-15 | 2017-09-15 | 遥感影像的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508582A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826509A (zh) * | 2019-11-12 | 2020-02-21 | 云南农业大学 | 一种基于高分遥感影像的草原围栏信息提取***及方法 |
CN110942013A (zh) * | 2019-11-22 | 2020-03-31 | 佛山科学技术学院 | 一种基于深度神经网络的卫星影像特征提取方法及*** |
CN111292026A (zh) * | 2020-04-27 | 2020-06-16 | 江苏金恒信息科技股份有限公司 | 一种基于神经网络模型融合的废钢评级方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646200A (zh) * | 2012-03-08 | 2012-08-22 | 武汉大学 | 多分类器自适应权值融合的影像分类方法及*** |
CN103745201A (zh) * | 2014-01-06 | 2014-04-23 | Tcl集团股份有限公司 | 一种节目识别方法及装置 |
CN104252625A (zh) * | 2013-06-28 | 2014-12-31 | 河海大学 | 样本自适应多特征加权的遥感图像分类方法 |
CN104281843A (zh) * | 2014-10-20 | 2015-01-14 | 上海电机学院 | 基于自适应特征和分类模型选择的图像识别方法及*** |
CN106597406A (zh) * | 2016-12-02 | 2017-04-26 | 中国船舶重工集团公司第七二四研究所 | 基于多视角下一维像决策层融合的雷达目标识别方法 |
CN106991382A (zh) * | 2017-03-13 | 2017-07-28 | 南京信息工程大学 | 一种遥感场景分类方法 |
-
2017
- 2017-09-15 CN CN201710833446.6A patent/CN109508582A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646200A (zh) * | 2012-03-08 | 2012-08-22 | 武汉大学 | 多分类器自适应权值融合的影像分类方法及*** |
CN104252625A (zh) * | 2013-06-28 | 2014-12-31 | 河海大学 | 样本自适应多特征加权的遥感图像分类方法 |
CN103745201A (zh) * | 2014-01-06 | 2014-04-23 | Tcl集团股份有限公司 | 一种节目识别方法及装置 |
CN104281843A (zh) * | 2014-10-20 | 2015-01-14 | 上海电机学院 | 基于自适应特征和分类模型选择的图像识别方法及*** |
CN106597406A (zh) * | 2016-12-02 | 2017-04-26 | 中国船舶重工集团公司第七二四研究所 | 基于多视角下一维像决策层融合的雷达目标识别方法 |
CN106991382A (zh) * | 2017-03-13 | 2017-07-28 | 南京信息工程大学 | 一种遥感场景分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826509A (zh) * | 2019-11-12 | 2020-02-21 | 云南农业大学 | 一种基于高分遥感影像的草原围栏信息提取***及方法 |
CN110942013A (zh) * | 2019-11-22 | 2020-03-31 | 佛山科学技术学院 | 一种基于深度神经网络的卫星影像特征提取方法及*** |
CN111292026A (zh) * | 2020-04-27 | 2020-06-16 | 江苏金恒信息科技股份有限公司 | 一种基于神经网络模型融合的废钢评级方法及装置 |
WO2021217775A1 (zh) * | 2020-04-27 | 2021-11-04 | 江苏金恒信息科技股份有限公司 | 一种基于神经网络模型融合的废钢评级方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723860B (zh) | 一种目标检测方法及装置 | |
Ma et al. | GANMcC: A generative adversarial network with multiclassification constraints for infrared and visible image fusion | |
CN107564025B (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
CN111814794B (zh) | 文本检测方法、装置、电子设备及存储介质 | |
CN113139543B (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN111695463B (zh) | 人脸面部杂质检测模型的训练方法、人脸面部杂质检测方法 | |
CN110969166A (zh) | 一种巡检场景下小目标识别方法和*** | |
WO2021104125A1 (zh) | 禽蛋异常的识别方法、装置及***、存储介质、电子装置 | |
CN106096613A (zh) | 基于角点特征的图像多目标检测方法及装置 | |
Öztürk et al. | Transfer learning and fine‐tuned transfer learning methods' effectiveness analyse in the CNN‐based deep learning models | |
Fioravanti et al. | A deep artificial immune system to detect weld defects in DWDI radiographic images of petroleum pipes | |
CN112991280B (zh) | 视觉检测方法、***及电子设备 | |
CN109508582A (zh) | 遥感影像的识别方法及装置 | |
CN115170565B (zh) | 基于自动神经网络架构搜索的图像欺诈检测方法及装置 | |
CN115410081A (zh) | 一种多尺度聚合的云和云阴影辨识方法、***、设备及存储介质 | |
CN112529915A (zh) | 一种脑肿瘤图像分割方法及*** | |
CN109101985A (zh) | 一种基于自适应邻域测试的图像误匹配点对剔除方法 | |
CN111612075A (zh) | 基于联合特征重组和特征混合的兴趣点、描述符提取方法 | |
CN112991281B (zh) | 视觉检测方法、***、电子设备及介质 | |
CN111582057B (zh) | 一种基于局部感受野的人脸验证方法 | |
CN111414788B (zh) | 基于可变形u型网络的重叠染色体图像分割方法 | |
CN112200862A (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN111738069A (zh) | 人脸检测方法、装置、电子设备及存储介质 | |
Nguyen et al. | Pavement crack detection and segmentation based on deep neural network | |
CN113989671A (zh) | 基于语义感知与动态图卷积的遥感场景分类方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190322 |