CN111291608A - 一种基于深度学习的遥感图像非建筑区域过滤方法 - Google Patents
一种基于深度学习的遥感图像非建筑区域过滤方法 Download PDFInfo
- Publication number
- CN111291608A CN111291608A CN201911101871.1A CN201911101871A CN111291608A CN 111291608 A CN111291608 A CN 111291608A CN 201911101871 A CN201911101871 A CN 201911101871A CN 111291608 A CN111291608 A CN 111291608A
- Authority
- CN
- China
- Prior art keywords
- building
- remote sensing
- picture
- model
- deep learning
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
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)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的遥感图像非建筑区域过滤方法,具体包括如下步骤标注数据:标注建筑物屋顶类型数据,即是对图片中不同的建筑物屋顶标注出类型和位置信息;标注是否包含建筑物区域的数据,即是对图片中有无建筑物打上1/0标签;训练模型:利用Unet卷积神经网络训练建筑物屋顶分割模型;利用resnet卷积神经网络训练建筑物分类模型;识别大比例尺的遥感图片,当识别为有建筑物区域时,则利用建筑物屋顶分割模型识别该区域下所有的,小比例尺的遥感图像;否则就不识别该区域;输出建筑物屋顶类型信息。本发明可以快速过滤掉大批非建筑的区域,从而提升对城市建筑物屋顶的分割识别的效率,效率提升可以达到50%以上,节省一定的资源成本。
Description
技术领域
本发明涉及图片智能处理技术领域,特别是一种基于深度学习的遥感图像非建筑区域过滤方法,来快速过滤掉遥感图像中的非建筑区域。
背景技术
目前,在通过某个城市的遥感图像对建筑物屋顶类型进行分割识别时,通常是选定一个较小的地图比例尺,如3000:1,因为要保证图像的空间分辨率足够高能进行准确的分割识别,再对该城市所有该比例尺下的遥感图像进行识别,这样存在的问题就是一个城市除了建筑物区域还有大量的水域及植被域等对其识别毫无意义且浪费时间的无关区域,若建筑物面积为所占城市面积的一半,那么模型识别的一半时间是无效且可以使用其他技术手段避免的。针对遥感图像中大面积的与建筑无关的区域,为了提升建筑物屋顶分割模型识别的效率,本发明的关键点在于通过卷积神经网络方法对大比例尺的图像进行分类识别,以此来判断该区域是否包含建筑物,从而避免浪费大量的时间去分割识别不存在建筑物的区域。
发明内容
本发明上述问题,提供一种基于深度学习的遥感图像非建筑区域过滤方法。本发明的技术方案为:
一种基于深度学习的遥感图像非建筑区域过滤方法,包括如下步骤:
100、标注数据:对获取的遥感图片进行标注;
101、训练模型:利用上述步骤中标注后的遥感图片对图片识别处理模型进行训练,以使所述图片识别处理模型获得后续独立识别处理遥感图片的能力;
102、输入待处理的大比例遥感图片,经训练后的图片识别处理模型进行识别和处理;
103、所述图片识别处理模型判断所述大比例遥感图片是否存在建筑物,如果不存在建筑物返回步骤102,如果存在建筑物执行步骤104;
104、所述图片识别处理模型对所述大比例遥感图片包含的每一地图瓦片进行建筑物的分类识别和标注;
105、输出遥感图片分类识别和标注后的地图信息。
作为本发明进一步地说明,所述图片识别处理模型包括建筑物屋顶分割模型和建筑物分类模型,所述建筑物分类模型用于大比例遥感图片的分析处理;所述建筑物屋顶分割模型用于地图瓦片建筑物的分类识别和标注。
更进一步地,所述步骤100中标注数据包括遥感图片是否包含建筑物区域的标注,以及图片中不同的建筑物屋顶类型和位置信息的标注。
更进一步地,所述步骤101中利用Unet卷积神经网络训练建筑物屋顶分割模型;利用resnet卷积神经网络训练建筑物分类模型。
更进一步地,所述建筑物屋顶分割模型对地图瓦片中不同类型的建筑物屋顶采用不同的标注。
更进一步地,所述标注的类型为3种或者三种以上。
更进一步地,所述大比例遥感图片的比例尺为非固定值,由用户按需设定。
本发明还提供一种计算机可读介质,其上存储有计算机程序,该程序被计算机或处理器执行以实现上述基于深度学习的遥感图像非建筑区域过滤方法。
本发明的有益效果:
本发明可以快速过滤掉大批非建筑的区域,从而提升对城市建筑物屋顶的分割识别的效率,节省一定的资源成本。如假设一个城市的建筑区域与非建筑区域面积比为1:1,且分类模型处理图像的比例尺为25000:1,分割模型处理图像的比例尺为3000:1,并且分类模型的识别速度与分割模型速度为3:1,那么可以估算相比于直接对城市的所有图像进行分割识别,可以节省约一半的时间。
附图说明
图1为本发明***流程图;
图2为本发明方法labelme标注示例图。
图3为本发明方法实施例建筑物分类模型识别的大比例尺的遥感图片示例图;
图4为本发明方法实施例建筑物屋顶分割模型地图瓦片原图和识别标注效果对比图。
具体实施方式
实施例:
下面结合附图对本发明实施例详细的说明,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”、“第一”、“第二”等指示的方位或位置或顺序关系为基于附图所示的方位或位置或顺序关系,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元件必须具有特定的方位、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。
参见附图1的流程图,本发明基于深度学习的遥感图像非建筑区域过滤方法的流程图,具体包括如下步骤:
100、标注数据:标注建筑物屋顶类型数据,即是对图片中不同的建筑物屋顶标注出类型和位置信息;标注是否包含建筑物区域的数据,即是对图片中有无建筑物打上1/0标签。
101、训练模型:利用Unet卷积神经网络训练建筑物屋顶分割模型;利用resnet卷积神经网络训练建筑物分类模型。
102、模型训练好后,即可识别大比例尺的遥感图片,当识别为有建筑物区域时,则利用建筑物屋顶分割模型识别该区域下所有的,小比例尺的遥感图像;否则就不识别该区域。
103、输出建筑物屋顶类型信息。
以下以具体结合实例对本发明进行说明:首先通过一定数量的遥感图片的标注,对建筑物屋顶分割模型和建筑物分类模型进行训练,以使建筑物屋顶分割模型和建筑物分类模型后续能独立对遥感图片进行处理。本步骤中的标注为手动标注,可以采用现有开源的标注工具labelme进行人工标注,参见附图2所示的一个实例,利用标注工具labelme将训练遥感图片中三种不同类型的屋顶进行标注,其中屋顶标注为wd,彩钢瓦标注为wp以及光伏板标注为gfb;然后以标注好的大比例尺遥感图片,利用resnet卷积神经网络训练建筑物分类模型,以使所述建筑物分类模型后续能独立分辨大比例尺的遥感图片中是否存在建筑物;以小比例尺的遥感图片,利用Unet卷积神经网络训练建筑物屋顶分割模型,以使所述建筑物屋顶分割模型后续能独立识别和分割小比例尺的遥感图片中的建筑物轮廓和类型。
在完成上述模型训练后,即可输入其它带过滤大比例尺的遥感图片进行正式过滤处理,首先由所述建筑物分类模型判断识别该大比例尺的遥感图片中是否存在建筑物,如果存在建筑物则进入下一步识别分割步骤,如果不存在建筑物则不进入下一步识别分割步骤。参见附图3,为两幅大比例遥感图片,所述建筑物分类模型识别左侧遥感图片时会判断该遥感图片存在建筑物并进入下一步分割步骤,识别右侧遥感图片则会判断该遥感图片不存在建筑物并不执行进入下一步分割步骤的环节。
在所述建筑物分类模型识别遥感图片存在建筑物后,由所述建筑物屋顶分割模型对该遥感图片进行识别和分割,具体将该大比例的遥感图片包含的各地图瓦片进行建筑物的识别判断,并对每一地图瓦片中的建筑物进行类型和轮廓的标识,具体地图瓦片和识别标注效果参见附图4所示。
在使用上述方法进行遥感图片非建筑区域过滤,能极大地减少后续对遥感图片建筑物识别分析处理的时间,有效提高遥感图片的处理速度。
上述流程可以看出,本发明还应当包含一种计算机可读介质,其上存储有计算机程序,该程序被所述数据处理模块执行以实现上述基于深度学习的遥感图像非建筑区域过滤方法。
以上仅就本发明较佳的实施例作了说明,但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例,其具体结构允许有变化,总之,凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
Claims (8)
1.一种基于深度学习的遥感图像非建筑区域过滤方法,其特征在于:包括如下步骤:
100、标注数据:对获取的遥感图片进行标注;
101、训练模型:利用上述步骤中标注后的遥感图片对图片识别处理模型进行训练,以使所述图片识别处理模型获得后续独立识别处理遥感图片的能力;
102、输入待处理的大比例遥感图片,经训练后的图片识别处理模型进行识别和处理;
103、所述图片识别处理模型判断所述大比例遥感图片是否存在建筑物,如果不存在建筑物返回步骤102,如果存在建筑物执行步骤104;
104、所述图片识别处理模型对所述大比例遥感图片包含的每一地图瓦片进行建筑物的分类识别和标注;
105、输出遥感图片分类识别和标注后的地图信息。
2.根据权利要求1所述的基于深度学习的遥感图像非建筑区域过滤方法,其特征在于:所述图片识别处理模型包括建筑物屋顶分割模型和建筑物分类模型,所述建筑物分类模型用于大比例遥感图片的分析处理;所述建筑物屋顶分割模型用于地图瓦片建筑物的分类识别和标注。
3.根据权利要求1所述的基于深度学习的遥感图像非建筑区域过滤方法,其特征在于:所述步骤100中标注数据包括遥感图片是否包含建筑物区域的标注,以及图片中不同的建筑物屋顶类型和位置信息的标注。
4.根据权利要求1所述的基于深度学习的遥感图像非建筑区域过滤方法,其特征在于:所述步骤101中利用Unet卷积神经网络训练建筑物屋顶分割模型;利用resnet卷积神经网络训练建筑物分类模型。
5.根据权利要求1所述的基于深度学习的遥感图像非建筑区域过滤方法,其特征在于:所述建筑物屋顶分割模型对地图瓦片中不同类型的建筑物屋顶采用不同的标注。
6.根据权利要求5所述的基于深度学习的遥感图像非建筑区域过滤方法,其特征在于:所述标注的类型为3种或者三种以上。
7.根据权利要求1所述的基于深度学习的遥感图像非建筑区域过滤方法,其特征在于:所述大比例遥感图片的比例尺为非固定值,由用户按需设定。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于:该程序被计算机或处理器执行以实现如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911101871.1A CN111291608A (zh) | 2019-11-12 | 2019-11-12 | 一种基于深度学习的遥感图像非建筑区域过滤方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911101871.1A CN111291608A (zh) | 2019-11-12 | 2019-11-12 | 一种基于深度学习的遥感图像非建筑区域过滤方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111291608A true CN111291608A (zh) | 2020-06-16 |
Family
ID=71021534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911101871.1A Pending CN111291608A (zh) | 2019-11-12 | 2019-11-12 | 一种基于深度学习的遥感图像非建筑区域过滤方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291608A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200029A (zh) * | 2020-09-27 | 2021-01-08 | 电子科技大学 | 基于改进型UNet++网络的遥感图像建筑物提取方法 |
CN112580484A (zh) * | 2020-12-14 | 2021-03-30 | 中国农业大学 | 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置 |
CN115457281A (zh) * | 2022-11-10 | 2022-12-09 | 珠高智能科技(深圳)有限公司 | 屋顶图像集的生成方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
US20170076438A1 (en) * | 2015-08-31 | 2017-03-16 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
-
2019
- 2019-11-12 CN CN201911101871.1A patent/CN111291608A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
US20170076438A1 (en) * | 2015-08-31 | 2017-03-16 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200029A (zh) * | 2020-09-27 | 2021-01-08 | 电子科技大学 | 基于改进型UNet++网络的遥感图像建筑物提取方法 |
CN112200029B (zh) * | 2020-09-27 | 2022-03-25 | 电子科技大学 | 基于改进型UNet++网络的遥感图像建筑物提取方法 |
CN112580484A (zh) * | 2020-12-14 | 2021-03-30 | 中国农业大学 | 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置 |
CN112580484B (zh) * | 2020-12-14 | 2024-03-29 | 中国农业大学 | 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置 |
CN115457281A (zh) * | 2022-11-10 | 2022-12-09 | 珠高智能科技(深圳)有限公司 | 屋顶图像集的生成方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291608A (zh) | 一种基于深度学习的遥感图像非建筑区域过滤方法 | |
CN110348441B (zh) | 增值税***识别方法、装置、计算机设备及存储介质 | |
CN109522900B (zh) | 自然场景文字识别方法及装置 | |
CN112101357A (zh) | 一种rpa机器人智能元素定位拾取方法及*** | |
CN111191500A (zh) | 一种基于深度学习图像分割的光伏屋顶资源识别方法 | |
CN107480603B (zh) | 基于slam和深度摄像头的同步建图与物体分割方法 | |
WO2022121766A1 (zh) | 一种可行驶区域的检测方法及装置 | |
CN112508975A (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN108062529B (zh) | 一种化学结构式的智能识别方法 | |
CN106971185B (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
CN111399638B (zh) | 一种盲用电脑及适配于盲用电脑的智能手机辅助控制方法 | |
CN109359043B (zh) | 一种基于机器学习的移动游戏自动化测试方法 | |
CN110689518B (zh) | 宫颈细胞图像筛查方法、装置、计算机设备及存储介质 | |
CN111028261B (zh) | 高精度半自动化图像数据标注方法、电子装置及存储介质 | |
US20210049357A1 (en) | Electronic document segmentation using deep learning | |
CN111008576B (zh) | 行人检测及其模型训练、更新方法、设备及可读存储介质 | |
US11908170B2 (en) | Multi-level transferable region-based domain adaptive object detection apparatus and method | |
CN115061769B (zh) | 用于支持跨分辨率的自迭代rpa界面元素匹配方法及*** | |
CN112633118A (zh) | 一种文本信息提取方法、设备及存储介质 | |
CN109740654A (zh) | 一种基于深度学习的舌体自动检测方法 | |
CN110910414B (zh) | 图像轮廓生成方法、图像标注方法、电子装置及存储介质 | |
CN113034511A (zh) | 基于高分辨率遥感影像与深度学习的乡村建筑识别算法 | |
JP2009217832A (ja) | ビデオ画像の道路標識自動認識方法及び道路標識自動認識装置並びに道路標識自動認識のプログラムを記憶した記憶媒体 | |
CN103295238A (zh) | 安卓平台上基于roi运动检测的视频实时定位方法 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和*** |
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 |