CN109636838A - 一种基于遥感影像变化检测的燃气隐患分析方法及装置 - Google Patents
一种基于遥感影像变化检测的燃气隐患分析方法及装置 Download PDFInfo
- Publication number
- CN109636838A CN109636838A CN201811507836.5A CN201811507836A CN109636838A CN 109636838 A CN109636838 A CN 109636838A CN 201811507836 A CN201811507836 A CN 201811507836A CN 109636838 A CN109636838 A CN 109636838A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- combustion gas
- sensing image
- variation
- analyzed
- 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
- G06T7/40—Analysis of texture
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于遥感影像变化检测的燃气隐患分析方法及装置,其中方法包括:获取检测燃气遥感影像;将检测燃气遥感影像与前期标注的正常影像进行影像配准,得到待分析燃气遥感影像;利用混合特征向量方法对待分析燃气遥感影像进行处理,提取邻域信息的光谱信息变化图;利用灰度共生矩阵方法对待分析燃气遥感影像进行处理,提取纹理变化图像;利用邻域信息的光谱信息变化图和纹理变化图像生成变化强度图;利用高斯‑伯努利深度玻尔兹曼机模型,提取待分析燃气遥感影像中区域变化的抽象特征,判断待分析燃气遥感影像中所有像元是否有变化,获取变化区域;利用卷积神经网络将变化区域进行种类区分,判定距离是否造成隐患。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种基于遥感影像变化检测的燃气隐患分析方法及装置。
背景技术
由于城市建设不断地快速发展,燃气管网也随之扩张延伸,与之而来的是增加的燃气管网事故。而在管道运作时,主要存在的几大安全隐患可以分为以下三类:安全间距不足、交叉穿越、第三方破坏。国务院安全生产委员会下达整治命令后,隐患排查力度也应得到加强。
随着近几年来航空航天技术和卫星遥感的飞速发展,遥感影像广泛应用于地质、气象、环保、海洋、水文、军事等方面。在这些应用中,起着至关重要作用的是遥感影像变化检测,其主要任务为判断变化发生与否,判断变化区域的位置,判断变化类型和特性。
考虑到燃气隐患主要为新修设施与燃气管道,输气站之间间距不足,可以利用卫星遥感影像变化检测进行燃气隐患自动分析和排查。在某特定区域获取多时相遥感卫星影像后,利用相关数据分析变化情况就是遥感影像变化检测。在燃气隐患排查中,一个安全区域在长时间内都将保持安全状态,直到有新建筑物的施工,所以通过变化检测可以高效的进行隐患排查分析。
在当前的一些遥感影像变化检测中,由于在多时相的情况下成像条件的不一致以及在各个卫星传感器之间固有的差别,传统的变化检测方法可能会产生较多伪变化区域。
因此,急需一种可以精准检测燃气管网的隐患的方案。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的基于遥感影像变化检测的燃气隐患分析方法及装置。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种基于遥感影像变化检测的燃气隐患分析方法,包括:获取检测燃气遥感影像;将检测燃气遥感影像与前期标注的正常影像进行影像配准,得到待分析燃气遥感影像;利用混合特征向量方法对待分析燃气遥感影像进行处理,提取邻域信息的光谱信息变化图;利用灰度共生矩阵方法对待分析燃气遥感影像进行处理,提取纹理变化图像;利用邻域信息的光谱信息变化图和纹理变化图像生成变化强度图;利用高斯-伯努利深度玻尔兹曼机模型,提取待分析燃气遥感影像中区域变化的抽象特征,判断待分析燃气遥感影像中所有像元是否有变化,获取变化区域;利用卷积神经网络将变化区域进行种类区分,判定距离是否造成隐患。
其中,利用混合特征向量方法对待分析燃气遥感影像进行处理包括:利用变化向量检测方法结合光谱角度映射器对待分析燃气遥感影像进行处理。
其中,方法还包括:选择可靠训练样本训练高斯-伯努利深度玻尔兹曼机模型。
其中,选择可靠训练样本训练高斯-伯努利深度玻尔兹曼机模型包括:设置亮度区间,对于变化和未变化区域分别选择光谱与纹理变化最小值像元的交集和最大值像元的并集作为样本。
其中,利用卷积神经网络将变化区域进行种类区分包括:在输入层之后,卷积层提取图像的局部信息和特征,而池化层将信息和特征浓缩,提取主要特征并简化计算复杂度,在多层卷积和池化之后,用全连接层和softmax函数对结果进行分类。
本发明另一方面提供了一种基于遥感影像变化检测的燃气隐患分析装置,包括:获取模块,用于获取检测燃气遥感影像;配准模块,用于将检测燃气遥感影像与前期标注的正常影像进行影像配准,得到待分析燃气遥感影像;提取模块,用于利用混合特征向量方法对待分析燃气遥感影像进行处理,提取邻域信息的光谱信息变化图;利用灰度共生矩阵方法对待分析燃气遥感影像进行处理,提取纹理变化图像;生成模块,用于利用邻域信息的光谱信息变化图和纹理变化图像生成变化强度图;判断模块,用于利用高斯-伯努利深度玻尔兹曼机模型,提取待分析燃气遥感影像中区域变化的抽象特征,判断待分析燃气遥感影像中所有像元是否有变化,获取变化区域;判定模块,用于利用卷积神经网络将变化区域进行种类区分,判定距离是否造成隐患。
其中,提取模块通过如下方式利用混合特征向量方法对待分析燃气遥感影像进行处理:提取模块,具体用于利用变化向量检测方法结合光谱角度映射器对待分析燃气遥感影像进行处理。
其中,装置还包括:训练模块,用于选择可靠训练样本训练高斯-伯努利深度玻尔兹曼机模型。
其中,训练模块通过如下方式选择可靠训练样本训练高斯-伯努利深度玻尔兹曼机模型:训练模块,具体用于设置亮度区间,对于变化和未变化区域分别选择光谱与纹理变化最小值像元的交集和最大值像元的并集作为样本。
其中,判定模块通过如下方式利用卷积神经网络将变化区域进行种类区分:判定模块,具体用于在输入层之后,卷积层提取图像的局部信息和特征,而池化层将信息和特征浓缩,提取主要特征并简化计算复杂度,在多层卷积和池化之后,用全连接层和softmax函数对结果进行分类。
由此可见,通过本发明提供的基于遥感影像变化检测的燃气隐患分析方法及装置,引入变化向量检测方法CVA(change vector analysis),光谱角度映射器SAM(spectralangle mapper),灰度共生矩阵GLCM(grey level co-occurrence matrix)方法,结合高斯-伯努利深度玻尔兹曼机GDBM(Gaussian-Bernoulli deep Boltzmann machines)模型进行遥感影像的变化检测,之后将变化部分进行卷积网络图像分类判定新设施种类从而检测隐患情况,具有较好的检测性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的基于遥感影像变化检测的燃气隐患分析方法的流程图;
图2为本发明实施例提供的三种光谱变化类别对比图;
图3为本发明实施例提供的基于遥感影像变化检测的燃气隐患分析装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
由于燃气管网的局部环境不会一直发生变化,本发明将基于深度学习进行燃气网遥感影像的变化检测,提取变化区域进行图像分类区分设施种类并考察与管道,输气站的距离从而分析燃气隐患情况,具体如下:
图1示出了本发明实施例提供的基于遥感影像变化检测的燃气隐患分析方法的流程图,参见图1,本发明实施例提供的基于遥感影像变化检测的燃气隐患分析方法,包括:
S101,获取检测燃气遥感影像。
具体地,获取检测燃气遥感影像,例如两时相影像,以便对检测燃气遥感影像进行变化检测。
S102,将检测燃气遥感影像与前期标注的正常影像进行影像配准,得到待分析燃气遥感影像。
具体地,将要检测的燃气遥感影像与前期标注的正常影像进行影像配准,例如进行校正以及影像配准,获得待分析燃气遥感影像,以便后续利用较为精确的待分析燃气遥感影像进行分析,提高判定精确度。
S103,利用混合特征向量方法对待分析燃气遥感影像进行处理,提取邻域信息的光谱信息变化图。
具体地,通过混合特征向量方法HFV(hybrid feature vector)提取邻域信息的光谱信息变化图。作为本发明实施例的一个可选实施方式,利用混合特征向量方法对待分析燃气遥感影像进行处理包括:利用变化向量检测方法结合光谱角度映射器对待分析燃气遥感影像进行处理。
其中,变化向量检测方法CVA(change vector analysis)是一种分类前检测(pre-classification change detection)的变化检测方法。在图像进行严格的预处理(辐射矫正,几何配准)之后,对图像进行变化检测。然而在燃气遥感影像中,该算法可能导致像元位置精度不足从而影响距离的判定,故结合光谱角度映射器SAM(spectral angle mapper)进行改进。
多时相多光谱中可能出现三种变化类别图片(参见图2):(1)改变具有较大幅度和较大光谱角度。(2)变更类别具有较大幅度但较小光谱角度。(3)变化类别具有较大的光谱角度但是较小幅度。
其中,图2中,A1,A2,B1,B2,C1和C2是光谱矢量;A3,B3,C3是变化向量;θ1,θ2和θ3是光谱角;A3=B3且θ1=θ3。
由于CVA和SAM都能检测图2(1)所示的变更类别,而只有CVA能检测图2(2)的变更类别,只有SAM能检测图2(3)的变更类别。因此,结合两者的混合特征向量方法HFV可以用来增强检测准确率:
进一步,SAM利用两个光谱矢量之间的角度描述它们的区别,令S1=(x1,x2,...,xn)和S2=(y1,y2,...,yn)表示多时相多光谱图像中相同位置的光谱矢量。光谱角度的值θ计算如下:
其中xi和yi表示频带中的频谱分量,CVA中使用的变换向量可以表示为CV=(|x1-y1|,|x2-y2|,...,|xn-yn|).
HV=(|x1-y1|,|x2-y2|,...,|xn-yn|,kθ)由光谱角度和变化矢量构成,这将用于描述多时相多光谱图像的差异。考虑到θ∈[0,90°]而|xi-yi|∈[0,L](L表示图像的灰阶),将θ乘以系数k以调整HFV中的影响权重。由于考虑了传统CVA未考虑的光谱角度的影响,因此变化检测的精度得以提升。
S104,利用灰度共生矩阵方法对待分析燃气遥感影像进行处理,提取纹理变化图像。
具体地,本发明并不局限于步骤S103和步骤S104的执行顺序,也可以先执行步骤S104再执行步骤S103,还可以同时执行步骤S103和步骤S104,这在本发明中并不做具体限制。
其中,灰度共生矩阵GLCM(grey level co-occurrence matrix)定义为像素对的联合概率分布,它不仅反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息,也反映了相同的灰度级像素之间的位置分布特征。它使用能量,熵,最大概率,对比度,倒数差分矩和相关性等标量来表征图像特性。而在高分辨率遥感影像中,不同地物之间的方差参数差异最大,故根据GLCM方差提取纹理特征。
上式中p(l,g,d,s,i)表示在遥感影像的波段i中,与灰度值为l的像元距离为d且灰度值为g的像元出现的频度,s是共生矩阵的生成方向,μi是p的均值,N是灰度级。在本文使用9×9窗口提取GLCMvar。
S105,利用邻域信息的光谱信息变化图和纹理变化图像生成变化强度图。
具体地,经过HFV和GLCM得到光谱和纹理变化的图像后,将其合并可以得到变化强度图。
S106,利用高斯-伯努利深度玻尔兹曼机模型,提取待分析燃气遥感影像中区域变化的抽象特征,判断待分析燃气遥感影像中所有像元是否有变化,获取变化区域。
具体地,高斯-伯努利深度玻尔兹曼机GDBM(Gaussian-Bernoulli deepBoltzmann machines)将输入单元从二值变量变为连续值,包含多层限制玻尔兹曼机,通过多层隐藏层进行特征提取,常用于图像识别。
输入层为两不同时相影像的同名像点在局部范围(i+w,j+w)内RGB的归一化亮度值依次排列的向量,输出层l为二值标签,用独热向量编码为(0,1)或(1,0),代表变化与否。隐藏层的能量函数如下:
模型参数θ包含a,Wt,bt这些可训练参数,其中a是输入层的偏移向量,bt是隐藏层t的偏移向量,Wt是连接t和t+1层的权重矩阵;Dt是隐藏层t的单元数;vi表示输入层第i个像元值;表示t层隐藏层第j个单元激活状态;σ是输入层单元对应的高斯噪声的标准差。
作为本发明实施例的一种可选实施方式,本发明实施例提供的基于遥感影像变化检测的燃气隐患分析方法还包括:选择可靠训练样本训练高斯-伯努利深度玻尔兹曼机模型。优选的,选择可靠训练样本训练高斯-伯努利深度玻尔兹曼机模型包括:设置亮度区间,对于变化和未变化区域分别选择光谱与纹理变化最小值像元的交集和最大值像元的并集作为样本。通过此种方式提高深度学习训练的检测精度。
具体地,为选择可靠训练样本进行深度学习训练提高检测精度,设置一个亮度区间,对于变化和未变化区域分别选择光谱与纹理变化T%最小值像元的交集和T%最大值像元的并集作为样本。同时尽量保证两类样本数量大致相等。
S107,利用卷积神经网络将变化区域进行种类区分,判定距离是否造成隐患。
具体地,在提取出不同时相燃气管遥感影像的变化区域后,接下来的一步就是对变化区域即新出现的建筑物进行图像分类,识别出输气站,管道,民房和围墙等燃气隐患相关的建筑物,这样才能分别判断距离以分析是否存在隐患。
考虑到部分建筑物的识别困难,本发明各种建筑物的识别难度提取不同集合对建筑物类型打标签并利用卷积神经网络进行分类训练。卷积神经网络在图像分类领域效果拔群,其在处理二维遥感影像时具有一定的平移,缩放,旋转和扭曲不变性。
作为本发明实施例的一个可选实施方式,利用卷积神经网络将变化区域进行种类区分包括:在输入层之后,卷积层提取图像的局部信息和特征,而池化层将信息和特征浓缩,提取主要特征并简化计算复杂度,在多层卷积和池化之后,用全连接层和softmax函数对结果进行分类。
由此可见,通过本发明提供的基于遥感影像变化检测的燃气隐患分析方法,引入变化向量检测方法,光谱角度映射器SAM,灰度共生矩阵GLCM方法,结合高斯-伯努利深度玻尔兹曼机GDBM模型进行遥感影像的变化检测,之后将变化部分进行卷积网络图像分类判定新设施种类从而检测隐患情况,具有较好的检测性能。
一般来说,较多的隐藏层和神经单元会使得分类效果提升,但可能导致过拟合现象,在本发明中,在每层结构不变的情况下改变隐藏层数后得到的效果以及使用传统方法的效果如表1:
表1分类效果对比
图3示出了本发明实施例提供的基于遥感影像变化检测的燃气隐患分析装置的结构示意图,该基于遥感影像变化检测的燃气隐患分析装置应用于上述方法,以下仅对基于遥感影像变化检测的燃气隐患分析装置的结构进行简单说明,其他未尽事宜,请参照上述基于遥感影像变化检测的燃气隐患分析方法中的相关描述,参见图3,本发明实施例提供的基于遥感影像变化检测的燃气隐患分析装置,包括:
获取模块301,用于获取检测燃气遥感影像;
配准模块302,用于将检测燃气遥感影像与前期标注的正常影像进行影像配准,得到待分析燃气遥感影像;
提取模块303,用于利用混合特征向量方法对待分析燃气遥感影像进行处理,提取邻域信息的光谱信息变化图;利用灰度共生矩阵方法对待分析燃气遥感影像进行处理,提取纹理变化图像;
生成模块304,用于利用邻域信息的光谱信息变化图和纹理变化图像生成变化强度图;
判断模块305,用于利用高斯-伯努利深度玻尔兹曼机模型,提取待分析燃气遥感影像中区域变化的抽象特征,判断待分析燃气遥感影像中所有像元是否有变化,获取变化区域;
判定模块306,用于利用卷积神经网络将变化区域进行种类区分,判定距离是否造成隐患。
由此可见,通过本发明提供的基于遥感影像变化检测的燃气隐患分析装置,引入变化向量检测方法,光谱角度映射器SAM,灰度共生矩阵GLCM方法,结合高斯-伯努利深度玻尔兹曼机GDBM模型进行遥感影像的变化检测,之后将变化部分进行卷积网络图像分类判定新设施种类从而检测隐患情况,具有较好的检测性能。
作为本发明实施例的一个可选实施方式,提取模块303通过如下方式利用混合特征向量方法对待分析燃气遥感影像进行处理:提取模块303,具体用于利用变化向量检测方法结合光谱角度映射器对待分析燃气遥感影像进行处理。
作为本发明实施例的一个可选实施方式,本发明提供的基于遥感影像变化检测的燃气隐患分析装置还包括:训练模块307,用于选择可靠训练样本训练高斯-伯努利深度玻尔兹曼机模型。通过选择可靠训练样本进行深度学习训练提高检测精度。
作为本发明实施例的一个可选实施方式,训练模块307通过如下方式选择可靠训练样本训练高斯-伯努利深度玻尔兹曼机模型:训练模块307,具体用于设置亮度区间,对于变化和未变化区域分别选择光谱与纹理变化最小值像元的交集和最大值像元的并集作为样本。通过此种方式提高深度学习训练的检测精度。
作为本发明实施例的一个可选实施方式,判定模块306通过如下方式利用卷积神经网络将变化区域进行种类区分:判定模块306,具体用于在输入层之后,卷积层提取图像的局部信息和特征,而池化层将信息和特征浓缩,提取主要特征并简化计算复杂度,在多层卷积和池化之后,用全连接层和softmax函数对结果进行分类。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于遥感影像变化检测的燃气隐患分析方法,其特征在于,包括:
获取检测燃气遥感影像;
将所述检测燃气遥感影像与前期标注的正常影像进行影像配准,得到待分析燃气遥感影像;
利用混合特征向量方法对所述待分析燃气遥感影像进行处理,提取邻域信息的光谱信息变化图;
利用灰度共生矩阵方法对所述待分析燃气遥感影像进行处理,提取纹理变化图像;
利用所述邻域信息的光谱信息变化图和所述纹理变化图像生成变化强度图;
利用高斯-伯努利深度玻尔兹曼机模型,提取所述待分析燃气遥感影像中区域变化的抽象特征,判断所述待分析燃气遥感影像中所有像元是否有变化,获取变化区域;
利用卷积神经网络将所述变化区域进行种类区分,判定距离是否造成隐患。
2.根据权利要求1所述的方法,其特征在于,所述利用混合特征向量方法对所述待分析燃气遥感影像进行处理包括:
利用变化向量检测方法结合光谱角度映射器对所述待分析燃气遥感影像进行处理。
3.根据权利要求1所述的方法,其特征在于,还包括:
选择可靠训练样本训练所述高斯-伯努利深度玻尔兹曼机模型。
4.根据权利要求3所述的方法,其特征在于,所述选择可靠训练样本训练所述高斯-伯努利深度玻尔兹曼机模型包括:
设置亮度区间,对于变化和未变化区域分别选择光谱与纹理变化最小值像元的交集和最大值像元的并集作为样本。
5.根据权利要求1所述的方法,其特征在于,所述利用卷积神经网络将所述变化区域进行种类区分包括:
在输入层之后,卷积层提取图像的局部信息和特征,而池化层将信息和特征浓缩,提取主要特征并简化计算复杂度,在多层卷积和池化之后,用全连接层和softmax函数对结果进行分类。
6.一种基于遥感影像变化检测的燃气隐患分析装置,其特征在于,包括:
获取模块,用于获取检测燃气遥感影像;
配准模块,用于将所述检测燃气遥感影像与前期标注的正常影像进行影像配准,得到待分析燃气遥感影像;
提取模块,用于利用混合特征向量方法对所述待分析燃气遥感影像进行处理,提取邻域信息的光谱信息变化图;利用灰度共生矩阵方法对所述待分析燃气遥感影像进行处理,提取纹理变化图像;
生成模块,用于利用所述邻域信息的光谱信息变化图和所述纹理变化图像生成变化强度图;
判断模块,用于利用高斯-伯努利深度玻尔兹曼机模型,提取所述待分析燃气遥感影像中区域变化的抽象特征,判断所述待分析燃气遥感影像中所有像元是否有变化,获取变化区域;
判定模块,用于利用卷积神经网络将所述变化区域进行种类区分,判定距离是否造成隐患。
7.根据权利要求6所述的装置,其特征在于,所述提取模块通过如下方式利用混合特征向量方法对所述待分析燃气遥感影像进行处理:
所述提取模块,具体用于利用变化向量检测方法结合光谱角度映射器对所述待分析燃气遥感影像进行处理。
8.根据权利要求6所述的装置,其特征在于,还包括:
训练模块,用于选择可靠训练样本训练所述高斯-伯努利深度玻尔兹曼机模型。
9.根据权利要求8所述的装置,其特征在于,所述训练模块通过如下方式选择可靠训练样本训练所述高斯-伯努利深度玻尔兹曼机模型:
所述训练模块,具体用于设置亮度区间,对于变化和未变化区域分别选择光谱与纹理变化最小值像元的交集和最大值像元的并集作为样本。
10.根据权利要求6所述的装置,其特征在于,所述判定模块通过如下方式利用卷积神经网络将所述变化区域进行种类区分:
所述判定模块,具体用于在输入层之后,卷积层提取图像的局部信息和特征,而池化层将信息和特征浓缩,提取主要特征并简化计算复杂度,在多层卷积和池化之后,用全连接层和softmax函数对结果进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811507836.5A CN109636838A (zh) | 2018-12-11 | 2018-12-11 | 一种基于遥感影像变化检测的燃气隐患分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811507836.5A CN109636838A (zh) | 2018-12-11 | 2018-12-11 | 一种基于遥感影像变化检测的燃气隐患分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109636838A true CN109636838A (zh) | 2019-04-16 |
Family
ID=66072540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811507836.5A Pending CN109636838A (zh) | 2018-12-11 | 2018-12-11 | 一种基于遥感影像变化检测的燃气隐患分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636838A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465886A (zh) * | 2020-12-09 | 2021-03-09 | 苍穹数码技术股份有限公司 | 模型生成方法、装置、设备和可读存储介质 |
CN112926532A (zh) * | 2021-04-01 | 2021-06-08 | 深圳前海微众银行股份有限公司 | 信息处理方法、装置、设备、存储介质及计算机程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN103823845A (zh) * | 2014-01-28 | 2014-05-28 | 浙江大学 | 一种基于深度学习的遥感影像自动标注方法 |
CN105930877A (zh) * | 2016-05-31 | 2016-09-07 | 上海海洋大学 | 一种基于多模态深度学习的遥感影像分类方法 |
CN105956058A (zh) * | 2016-04-27 | 2016-09-21 | 东南大学 | 一种采用无人机遥感影像的变化用地快速发现方法 |
US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
CN108573276A (zh) * | 2018-03-12 | 2018-09-25 | 浙江大学 | 一种基于高分辨率遥感影像的变化检测方法 |
-
2018
- 2018-12-11 CN CN201811507836.5A patent/CN109636838A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN103823845A (zh) * | 2014-01-28 | 2014-05-28 | 浙江大学 | 一种基于深度学习的遥感影像自动标注方法 |
US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
CN105956058A (zh) * | 2016-04-27 | 2016-09-21 | 东南大学 | 一种采用无人机遥感影像的变化用地快速发现方法 |
CN105930877A (zh) * | 2016-05-31 | 2016-09-07 | 上海海洋大学 | 一种基于多模态深度学习的遥感影像分类方法 |
CN108573276A (zh) * | 2018-03-12 | 2018-09-25 | 浙江大学 | 一种基于高分辨率遥感影像的变化检测方法 |
Non-Patent Citations (3)
Title |
---|
HUIFU ZHUANG 等: "Strategies Combining Spectral Angle Mapper and Change Vector Analysis to Unsupervised Change Detection in Multispectral Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
SARP ERTÜRK: "Fuzzy Fusion of Change Vector Analysis and Spectral Angle Mapper for Hyperspectral Change Detection", 《IGARSS 2018》 * |
张鑫龙 等: "高分辨率遥感影像的深度学习变化检测方法", 《测绘学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465886A (zh) * | 2020-12-09 | 2021-03-09 | 苍穹数码技术股份有限公司 | 模型生成方法、装置、设备和可读存储介质 |
CN112926532A (zh) * | 2021-04-01 | 2021-06-08 | 深圳前海微众银行股份有限公司 | 信息处理方法、装置、设备、存储介质及计算机程序产品 |
CN112926532B (zh) * | 2021-04-01 | 2024-05-10 | 深圳前海微众银行股份有限公司 | 信息处理方法、装置、设备、存储介质及计算机程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
Du et al. | Semantic classification of urban buildings combining VHR image and GIS data: An improved random forest approach | |
Boulch et al. | Deep learning for robust normal estimation in unstructured point clouds | |
CN111160440B (zh) | 一种基于深度学习的安全帽佩戴检测方法及装置 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
CN106504233A (zh) | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及*** | |
CN108124487A (zh) | 云端抄表方法及装置 | |
CN109583324A (zh) | 一种基于单点多盒检测器的指针仪表读数自动识别方法 | |
EP3016027A2 (en) | Human body part detection system and human body part detection method | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN103714148B (zh) | 基于稀疏编码分类的sar图像检索方法 | |
CN110197208A (zh) | 一种纺织品瑕疵智能检测分类方法及装置 | |
CN110543906B (zh) | 基于Mask R-CNN模型的肤质自动识别方法 | |
CN108710909B (zh) | 一种可变形旋转不变装箱物体清点方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
Yuan et al. | Learning to count buildings in diverse aerial scenes | |
CN109343920A (zh) | 一种图像处理方法及其装置、设备和存储介质 | |
CN114926511A (zh) | 一种基于自监督学习的高分辨率遥感影像变化检测方法 | |
CN111291675A (zh) | 一种基于深度学习的高光谱古绘画检测识别方法 | |
CN107240112A (zh) | 一种复杂场景下个体x角点提取方法 | |
CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
CN115272652A (zh) | 基于多元回归和自适应焦点损失的密集物体图像检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |