CN110135364A - 一种地物识别方法及装置 - Google Patents
一种地物识别方法及装置 Download PDFInfo
- Publication number
- CN110135364A CN110135364A CN201910416353.2A CN201910416353A CN110135364A CN 110135364 A CN110135364 A CN 110135364A CN 201910416353 A CN201910416353 A CN 201910416353A CN 110135364 A CN110135364 A CN 110135364A
- Authority
- CN
- China
- Prior art keywords
- image
- marked
- objects
- information
- characteristic information
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种地物识别方法及装置,涉及遥感图像检索领域。该地物识别方法包括:获取待标注图像中各子区域的特征信息;采用聚类算法,根据待标注图像中各子区域的特征信息获取相同地物类型的聚类区域;计算所述聚类区域的特征信息与已标注的样本特征之间的相似度信息;根据所述相似度信息,确定所述聚类区域的地物类型。使用该地物识别方法,能够方便快捷地对待标注图像的地物进行识别。
Description
技术领域
本发明涉及遥感图像检索领域,具体而言,涉及一种地物识别方法及装置。
背景技术
在遥感影像类地图集编制过程中,通常需要把水体、植被、道路、建筑物、农田等信息进行解译、勾勒出边界信息、并加以不同颜色或者透明度的掩膜,进行区分,为了图幅美观,同时也让读图者能够快速的对影像图表达的信息进行识别,便于快速读图。
但在地物识别过程中,这些工作,往往需要制图人员通过目视解译,手工勾勒边界完成,工作量大。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种地物识别方法及装置,能够方便快捷地对待标注图像的地物进行识别。
为实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种地物识别方法,包括:
获取待标注图像中各子区域的特征信息;
采用聚类算法,根据待标注图像中各子区域的特征信息获取相同地物类型的聚类区域;
计算所述聚类区域的特征信息与已标注的样本特征之间的相似度信息;
根据所述相似度信息,确定所述聚类区域的地物类型。
一种实施方式中,所述获取所述聚类区域的特征信息与已标注的样本特征之间的相似度信息之前,还包括:
获取训练图像库,所述训练图像库包括训练图像,所述训练图像为已标注地物类型的图像;
对所述训练图像进行分割,得到多个子区域图像;
采用预设算法对各所述子区域图像进行特征提取,获取样本特征;
建立所述样本特征与已标注地物类型之间的关联关系。
一种实施方式中,所述对所述训练图像进行分割,得到多个子区域图像,包括:
将所述训练图像分割为多个区域;
将每个所述区域划分为多个所述子区域图像。
一种实施方式中,所述采用预设算法对各所述子区域图像进行特征提取,获取样本特征,包括:
采用预设算法对各所述子区域图像的颜色信息和/或纹理信息进行提取,获取样本特征。
一种实施方式中,所述采用聚类算法,根据待标注图像中各子区域的特征信息获取相同地物类型的聚类区域,包括:
采用聚类算法,将所述待标注图像中相邻子区域中特征信息相同的部分汇聚形成所述聚类区域。
第二方面,本发明实施例还提供了一种地物识别装置,包括:
获取模块,用于获取待标注图像中各子区域的特征信息;
处理模块,用于采用聚类算法,根据待标注图像中各子区域的特征信息获取相同地物类型的聚类区域;
计算模块,用于获取所述聚类区域的特征信息与已标注的样本特征之间的相似度信息;
确定模块,用于根据所述相似度信息,确定所述聚类区域的地物类型。
一种实施方式中,还包括:
预处理模块,用于获取训练图像库,所述训练图像库包括训练图像,所述训练图像为已标注地物类型的图像;
分割模块,用于对所述训练图像进行分割,得到多个子区域图像;
提取模块,用于采用预设算法对各所述子区域图像进行特征提取,获取样本特征;
关联模块,用于建立所述样本特征与已标注地物类型之间的关联关系。
一种实施方式中,所述分割模块包括:
第一分割单元,用于将所述训练图像分割为多个区域;
第二分割单元,用于将每个所述区域划分为多个所述子区域图像。
一种实施方式中,所述提取模块,具体用于采用预设算法对各所述子区域图像的颜色信息和/或纹理信息进行提取,获取样本特征。
一种实施方式中,所述计算模块,具体用于采用聚类算法,将所述待标注图像中相邻子区域中特征信息相同的部分汇聚形成所述聚类区域。
本发明的有益效果是:
本发明实施例提供的一种地物识别方法及装置,通过获取待标注图像中各子区域的特征信息,并采用聚类算法获取相同地物类型的聚类区域,计算该聚类区域的特征信息与已标注的样本特征之间的相似度信息,根据该相似度信息,找出相似度信息最大的相似度值,根据该最大的相似度值确定出聚类区域的地物类型。该方法可以快速便捷地对水体、植被、道路、建筑物、农田等信息进行地物识别。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为本发明实施例提供的地物识别方法的步骤流程示意图;
图2为本发明实施例提供的训练图像地物类型与特征信息关联的流程示意图;
图3为本发明实施例提供的训练图像分割成子图像的流程示意图;
图4为本发明实施例提供的地物识别装置的模块结构示意图;
图5为本发明实施例提供的训练图像地物类型与特征信息关联的流程对应的模块结构示意图。
图标:101-获取模块;102-处理模块;103-计算模块;104-确定模块;201-预处理模块;202-分割模块;203-提取模块;204-关联模块。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
第一实施例
图1为本发明实施例提供的地物识别方法的步骤流程示意图,请参照图1,本发明实施例提供一种地物识别方法,包括:
S101、获取待标注图像中各子区域的特征信息。
可选地,对待标注图像分割得到多个子区域,并将各自区域分解成互不重叠的子图像,获取子图像32维或者64维的颜色直方图作为图像的特征信息。
例如,对待标注图像进行4×4或者8×8分割得到32个子区域或者64个子区域,并将32个子区域或者64个子区域的每个子区域分割成32个子图像或者64个子图像,获取每个子图像的颜色直方图作为图像的特征信息。
需要说明的是,上述子区域分割得到的子图像近似为最小的粒度单元,也就是说提取的特征信息是同一地物的特征信息。
S102、采用聚类算法,根据待标注图像中各子区域的特征信息获取相同地物类型的聚类区域。
具体的,根据S101步骤得到的特征信息,采用聚类算法,将具有相同特征信息的子图像进行聚类得到聚类区域。
需要说明的是,将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。“物以类聚,人以群分”,在自然科学和社会科学中,存在着大量的分类问题。聚类分析又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法。聚类分析起源于分类学,但是聚类不等于分类。聚类与分类的不同在于,聚类所要求划分的类是未知的。聚类分析内容非常丰富,有***聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。
S103、计算聚类区域的特征信息与已标注的样本特征之间的相似度信息。
具体的,根据S102步骤中得到的聚类区域的特征信息,将得到的聚类区域的特征信息和已标注的样本特征进行相似度计算,得到对应的相似度结果。
例如,已标注的样本特征有农田的样本特征为(x1,x2,x3,…,xn),水体的样本特征为(y1,y2,y3,…,yn),建筑的样本特征为(z1,z2,z3,…,z4),道路的样本特征为(w1,w2,w3,…,wn),聚类区域的特征信息与农田的样本特征(x1,x2,x3,…,xn)进行相似度计算得到第一相似度值A1,聚类区域的特征信息与水体的样本特征(y1,y2,y3,…,yn)进行相似度计算的得到第二相似度值A2,聚类区域的特征信息与建筑的样本特征(z1,z2,z3,…,z4)进行相似度计算的得到第三相似度值A3,聚类区域的特征信息与道路的样本特征(w1,w2,w3,…,wn)进行相似度计算的得到第四相似度值A4。比较A1、A2、A3和A4的大小,找出最大的相似度值,假如最大的相似度值为A1,则聚类区域的特征信息为相似度值为A1的农田标识类型。
S104、根据相似度信息,确定聚类区域的地物类型。
具体的,根据S103步骤得到的相似度信息,选出相似度最大的特征信息对应的地物类型。
例如,比较A1、A2、A3和A4的大小,找出最大的相似度值,假如最大的相似度值为A1,则聚类区域的特征信息为相似度值为A1的农田标识类型。
本发明实施例提供了一种地物识别方法,通过获取待标注图像中各子区域的特征信息,并采用聚类算法获取相同地物类型的聚类区域,计算该聚类区域的特征信息与已标注的样本特征之间的相似度信息,根据该相似度信息,找出相似度信息最大的相似度值,根据该最大的相似度值确定出聚类区域的地物类型。该方法可以快速便捷地对水体、植被、道路、建筑物、农田等信息进行地物识别。
一种实施方式中,图2为发明实施例提供的训练图像地物类型与特征信息关联的流程示意图,请参照图2,获取聚类区域的特征信息与已标注的样本特征之间的相似度信息之前,还包括:
S201、获取训练图像库,该训练图像库包括训练图像,训练图像为已标注地物类型的图像。
需要说明的是,该训练图像库中的训练图像可以通过相容粒度空间的遥感图像地物识别算法进行地物识别,其中,相容粒度空间的遥感图像地物识别算法主要由以下两部分构成:相容粒与相容关系、基于相容粒的图像语义识别模型,其数学描述如下:
定义1集合U上的相容函数τ:U×U→[0,1]为:且τ(x,y)=τ(y,x)。
定义2对于p∈[0,1],一个阈值p的相容函数τ定义为:τp={(x,y)τ(x,y)≥p}关系τp称为参数化的相容关系。
定义3与τp相关的领域函数定义为:
定义4一个相容粒度空间定义为一个三元组TS=<U,τ,p>,它包括:
1)一个非空集U,称为TS的域;
2)一个集合U上的相容函数τ;
3)一个相容参数p∈[0,1]。
定义5相容粒度空间模型中的粒称为相容粒,用一个三元组来描述相容粒G=(IG,EG,FG)。其中IG称为相容粒G的内涵;EG称为相容粒G的外延;FG为内涵和外延之间的转换函数。
定义6区域相容粒:用RG表示,RG={IG,EG,FG}。其中,IG为RG内涵,IG=∪{vi},vi为颜色粒,EG为RG外延,EG=O,O表示图像区域,FG为IG与EG之间的转换函数,为非负整数值,含义为:vi在区域O中所占的面积比例。
定义7相容粒知识库:定义为三元组P=(S,DS,RDS),其中,S={d1,d2,...,di,...,dn}是非空有限图像集合,di(i=1,...,n)表示第i幅图像;DS是非空有限图像相容粒集合,DS={DG1,DG2,...,DGi,...DGn},其中DGi(i=1,...n)表示图像di的图像相容粒;RDS是非空有限区域相容粒集合,ki表示图像di的区域数,表示图像di的第j个区域的区域相容粒。
定义8区域相容粒信息表RB:给定图像集合S={d1,d2,...,dn},则图像空间信息表定义为四元组:RS=≤(X,Y,U,f)。其中,X={x1,x2,...,xn},是所有区域相容粒外延的非空集合,其中xi(1≤i≤N)为图像区域;Y为属性集合,有Y=∪ai,(i=1,2,...,N),其中ai(ai∈A)为一个颜色粒;f是X×Y→U的映射函数,是一个数值函数;U是属性值的集合,表示某区域相容粒中近似拥有某属性ai的程度。本申请定义某特定颜色粒ai(ai∈A)在区域相容粒RG中的面积比例大小记为Val(PGi,ai)。
定义9区域相容粒的相似度:设RG1、RG2表示两区域相容粒,在区域相容粒信息表RB中,Val(x1,ai)为区域RG1在属性ai上的取值,Val(x2,ai)为区域RG2在属性上ai的取值。其相似度计算公式为:
定义10区域相容粒相似矩阵:区域相容粒相似矩阵为M×N阶矩阵,表示图像特征间的区域相容粒的相似矩阵,其中图像d*有m个区域相容粒,图像d有n个区域相容粒。矩阵中元素记为Cij,则Cij表示图像d*中的第i(1≤i≤m)个区域所构建的区域相容粒PGi与图像d中的第j(1≤j≤m)个区域所构建的区域相容粒PGj的相似度值,记为Qk。
给定区域相容粒xi(i=1,…,N),对应的内涵为在某特定颜色粒表示的区域属性ai(ai∈A)中的属性值记为Val(xi,ai)。则计算属性值的步骤如下:
1、粒空间信息表中的初始属性值的设定。若属 则我们把图像相容粒在xi(i=1,…,N)所在的图像区域中出现此属性的面积大小定义为Val(xi,aj),否则初始值Val(xi,aj)定义为空值,在区域相容粒空间信息表中用“-”符号标示。
2、修正属性初始取值。修正属性初始取值就是计算属性Val(xi,aj),即对第一步中产生的空值进行修正。
根据上面介绍的定义,设DG′(i=1,…,N),表示待标注图像,DG(j=1,…,M)表示训练图像库中图像,根据图像相容粒的相似度求解公式,则图像特征相似度的算法如下:
1、根据相似度阈值将区域相容粒相似矩阵转化为布尔矩阵,即若矩阵元素有Gij≥G,则Gij=1,否则Gij=0。
2、计算布尔矩阵中“1”元素的总个数Q。
3、计算图像特征相容粒之间的相似度为:SimDG(DG′,DG)=Q/(M×N)。
计算出的SimDG(DG′,DG),可确定出图像中的粒与特征粒之间的相似度,因此,在算法中,依据所有分类的特征,事先人工训练出具有不同语义特征的相容粒,并与图像中的粒进行相似性计算,取相似度最大的语义作为表示语义,同时,设置阈值,如所有语义的相似度,均小于所设置的阈值,则表示为其他语义地物类型。
另外,获取训练图像库可以是采集大量的图像,并对图像上的地物标注地物类型,例如将水体添加“水体”的标签、建筑物添加“建筑物”的标签。
S202、对训练图像进行分割,得到多个子区域图像。
具体的,对训练图像进行分割得到多个子区域图像的方法和对待标注图像进行分割得到多个子区域的方法一样,在此不一一赘述。
S203、采用预设算法对各子区域图像进行特征提取,获取样本特征。
具体的,预设算法为改进的k-means算法,为了捕获各子区域图像的样本特征,使用改进的k-means算法对子图像的样本特征进行聚类。
S204、建立样本特征与已标注地物类型之间的关联关系。
根据S203得到的样本特征,将样本特征与已标注地物类型之间建立对应的关联关系。
一种实施方式中,图3为本发明实施例提供的训练图像分割成子图像的流程示意图,请参照图3,对训练图像进行分割,得到多个子区域图像,包括:
S301、将训练图像分割为多个区域。
具体的,采用4×4或者8×8分割得到32个子区域或者64个子区域,分割出子区域的个数根据训练图像进行选择,不以此为限。
S302、将每个区域划分为多个子区域图像。
具体的,为了更精准的获取子区域中任意局部区域的样本特征,将32个子区域或者64个子区域的每个子区域分割成32个子图像或者64个子图像。
一种实施方式中,所述采用预设算法对各所述子区域图像进行特征提取,获取样本特征,包括:
采用预设算法对各子区域图像的颜色信息和/或纹理信息进行提取,获取样本特征。
具体的,采用预设算法对各子区域图像的颜色信息和/或纹理信息进行提取,其中预设算法为改进的k-means算法,对各子区域图像的颜色信息和/或纹理信息进行提取的方式有三种提取方式,第一种是对各子区域的颜色信息进行提取,第二种是对各子区域的纹理信息进行提取,第三种是对各子区域的颜色信息和纹理信息进行提取,具体提取方式根据地物类型进行选择,并不以上述提取方式为限。
一种实施方式中,上述采用聚类算法,根据待标注图像中各子区域的特征信息获取相同地物类型的聚类区域,包括:
采用聚类算法,将待标注图像中相邻子区域中特征信息相同的部分汇聚形成聚类区域。
具体的,提取待标注图像中相邻子区域的特征信息,其中,相邻子区域的特征信息有相同的,也有不同的,并将相邻子区域的特征信息相同的子区域进行合并得到聚类区域。
第二实施例
图4为本发明实施例提供的地物识别装置的模块结构示意图,请参照图4,本发明实施例还提供了一种地物识别装置,包括:
获取模块101,用于获取待标注图像中各子区域的特征信息。
处理模块102,用于采用聚类算法,根据待标注图像中各子区域的特征信息获取相同地物类型的聚类区域。
计算模块103,用于获取所述聚类区域的特征信息与已标注的样本特征之间的相似度信息。
确定模块104,用于根据所述相似度信息,确定所述聚类区域的地物类型。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
图5为本发明实施例提供的训练图像地物类型与特征信息关联的流程对应的模块结构示意图,请参照图5,一种实施方式中,还包括:
预处理模块201,用于获取训练图像库,训练图像库包括训练图像,训练图像为已标注地物类型的图像;
分割模块202,用于对训练图像进行分割,得到多个子区域图像;
提取模块203,用于采用预设算法对各子区域图像进行特征提取,获取样本特征;
关联模块204,用于建立所述样本特征与已标注地物类型之间的关联关系。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
一种实施方式中,所述分割模块包括:
第一分割单元,用于将所述训练图像分割为多个区域;
第二分割单元,用于将每个所述区域划分为多个所述子区域图像。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
一种实施方式中,所述提取模块,具体用于采用预设算法对各所述子区域图像的颜色信息和/或纹理信息进行提取,获取样本特征。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
一种实施方式中,所述计算模块,具体用于采用聚类算法,将所述待标注图像中相邻子区域中特征信息相同的部分汇聚形成所述聚类区域。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上仅为本发明的优选实施例,并非因此限制本发明的范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种地物识别方法,其特征在于,包括:
获取待标注图像中各子区域的特征信息;
采用聚类算法,根据待标注图像中各子区域的特征信息获取相同地物类型的聚类区域;
计算所述聚类区域的特征信息与已标注的样本特征之间的相似度信息;
根据所述相似度信息,确定所述聚类区域的地物类型。
2.根据权利要求1所述的地物识别方法,其特征在于,所述获取所述聚类区域的特征信息与已标注的样本特征之间的相似度信息之前,还包括:
获取训练图像库,所述训练图像库包括训练图像,所述训练图像为已标注地物类型的图像;
对所述训练图像进行分割,得到多个子区域图像;
采用预设算法对各所述子区域图像进行特征提取,获取样本特征;
建立所述样本特征与已标注地物类型之间的关联关系。
3.根据权利要求2所述的地物识别方法,其特征在于,所述对所述训练图像进行分割,得到多个子区域图像,包括:
将所述训练图像分割为多个区域;
将每个所述区域划分为多个所述子区域图像。
4.根据权利要求2所述的地物识别方法,其特征在于,所述采用预设算法对各所述子区域图像进行特征提取,获取样本特征,包括:
采用预设算法对各所述子区域图像的颜色信息和/或纹理信息进行提取,获取样本特征。
5.根据权利要求1所述的地物识别方法,其特征在于,所述采用聚类算法,根据待标注图像中各子区域的特征信息获取相同地物类型的聚类区域,包括:
采用聚类算法,将所述待标注图像中相邻子区域中特征信息相同的部分汇聚形成所述聚类区域。
6.一种地物识别装置,其特征在于,包括:
获取模块,用于获取待标注图像中各子区域的特征信息;
处理模块,用于采用聚类算法,根据待标注图像中各子区域的特征信息获取相同地物类型的聚类区域;
计算模块,用于获取所述聚类区域的特征信息与已标注的样本特征之间的相似度信息;
确定模块,用于根据所述相似度信息,确定所述聚类区域的地物类型。
7.根据权利要求6所述的地物识别装置,其特征在于,还包括:
预处理模块,用于获取训练图像库,所述训练图像库包括训练图像,所述训练图像为已标注地物类型的图像;
分割模块,用于对所述训练图像进行分割,得到多个子区域图像;
提取模块,用于采用预设算法对各所述子区域图像进行特征提取,获取样本特征;
关联模块,用于建立所述样本特征与已标注地物类型之间的关联关系。
8.根据权利要求7所述的地物识别装置,其特征在于,所述分割模块包括:
第一分割单元,用于将所述训练图像分割为多个区域;
第二分割单元,用于将每个所述区域划分为多个所述子区域图像。
9.根据权利要求7所述的地物识别装置,其特征在于,所述提取模块,具体用于采用预设算法对各所述子区域图像的颜色信息和/或纹理信息进行提取,获取样本特征。
10.根据权利要求6所述的地物识别装置,其特征在于,所述计算模块,具体用于采用聚类算法,将所述待标注图像中相邻子区域中特征信息相同的部分汇聚形成所述聚类区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416353.2A CN110135364A (zh) | 2019-05-16 | 2019-05-16 | 一种地物识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416353.2A CN110135364A (zh) | 2019-05-16 | 2019-05-16 | 一种地物识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135364A true CN110135364A (zh) | 2019-08-16 |
Family
ID=67571209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910416353.2A Pending CN110135364A (zh) | 2019-05-16 | 2019-05-16 | 一种地物识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135364A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598036A (zh) * | 2020-05-22 | 2020-08-28 | 广州地理研究所 | 分布式架构的城市群地理环境知识库构建方法及*** |
CN111950365A (zh) * | 2020-07-07 | 2020-11-17 | 广东农工商职业技术学院 | 图像的区域识别方法、装置、设备以及存储介质 |
CN114023063A (zh) * | 2021-11-02 | 2022-02-08 | 大连理工大学 | 一种基于认知网络的智能交通***协同决策方法 |
CN116301055A (zh) * | 2023-04-25 | 2023-06-23 | 西安玖安科技有限公司 | 一种基于建筑施工的无人机巡检方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930547A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于面向对象的无监督分类的遥感影像自动分类方法 |
CN103390170A (zh) * | 2013-07-22 | 2013-11-13 | 中国科学院遥感与数字地球研究所 | 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法 |
US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN104102928A (zh) * | 2014-06-26 | 2014-10-15 | 华中科技大学 | 一种基于纹理基元的遥感图像分类方法 |
CN106650810A (zh) * | 2016-12-26 | 2017-05-10 | 河海大学 | 基于光谱属性信息和空间信息的水库水体分类方法及装置 |
-
2019
- 2019-05-16 CN CN201910416353.2A patent/CN110135364A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930547A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于面向对象的无监督分类的遥感影像自动分类方法 |
US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN103390170A (zh) * | 2013-07-22 | 2013-11-13 | 中国科学院遥感与数字地球研究所 | 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法 |
CN104102928A (zh) * | 2014-06-26 | 2014-10-15 | 华中科技大学 | 一种基于纹理基元的遥感图像分类方法 |
CN106650810A (zh) * | 2016-12-26 | 2017-05-10 | 河海大学 | 基于光谱属性信息和空间信息的水库水体分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
朱磊等: "采用聚类分析的车载点云地物分类", 《测绘科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598036A (zh) * | 2020-05-22 | 2020-08-28 | 广州地理研究所 | 分布式架构的城市群地理环境知识库构建方法及*** |
CN111950365A (zh) * | 2020-07-07 | 2020-11-17 | 广东农工商职业技术学院 | 图像的区域识别方法、装置、设备以及存储介质 |
CN111950365B (zh) * | 2020-07-07 | 2023-11-14 | 广东农工商职业技术学院 | 图像的区域识别方法、装置、设备以及存储介质 |
CN114023063A (zh) * | 2021-11-02 | 2022-02-08 | 大连理工大学 | 一种基于认知网络的智能交通***协同决策方法 |
CN116301055A (zh) * | 2023-04-25 | 2023-06-23 | 西安玖安科技有限公司 | 一种基于建筑施工的无人机巡检方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Hierarchical semantic cognition for urban functional zones with VHR satellite images and POI data | |
Zhang et al. | Integrating bottom-up classification and top-down feedback for improving urban land-cover and functional-zone mapping | |
Zhang et al. | A multilevel point-cluster-based discriminative feature for ALS point cloud classification | |
CN110135364A (zh) | 一种地物识别方法及装置 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
Weinmann et al. | Distinctive 2D and 3D features for automated large-scale scene analysis in urban areas | |
Liu et al. | Image and texture segmentation using local spectral histograms | |
CN110287942B (zh) | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 | |
CN109740686A (zh) | 一种基于区域池化和特征融合的深度学习图像多标记分类方法 | |
CN105844292A (zh) | 一种基于条件随机场和二次字典学习的图像场景标注方法 | |
Sun et al. | Monte Carlo convex hull model for classification of traditional Chinese paintings | |
CN103413316B (zh) | 基于超像素和优化策略的sar图像分割方法 | |
CN103440512A (zh) | 一种基于张量局部保持投影的大脑认知状态的识别方法 | |
CN108846404A (zh) | 一种基于相关约束图排序的图像显著性检测方法及装置 | |
CN106846322A (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
Vaduva et al. | A latent analysis of earth surface dynamic evolution using change map time series | |
Su et al. | Detection, classification and estimation of individual shapes in 2D and 3D point clouds | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和*** | |
Wang et al. | A novel sparse boosting method for crater detection in the high resolution planetary image | |
Song et al. | Digital Image Semantic Segmentation Algorithms: A Survey. | |
CN105069403B (zh) | 一种基于分块统计特征与字典学习稀疏表示分类的三维人耳识别 | |
CN102542590B (zh) | 基于监督主题模型的高分辨率sar影像标注方法 | |
CN110533078B (zh) | 基于字典对的多视角识别方法 |
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: 20190816 |