CN111476308B - 基于先验几何约束的遥感影像分类方法、装置和电子设备 - Google Patents
基于先验几何约束的遥感影像分类方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111476308B CN111476308B CN202010282973.4A CN202010282973A CN111476308B CN 111476308 B CN111476308 B CN 111476308B CN 202010282973 A CN202010282973 A CN 202010282973A CN 111476308 B CN111476308 B CN 111476308B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- historical
- sensing image
- classification
- distribution data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013135 deep learning Methods 0.000 claims abstract description 118
- 238000013145 classification model Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Astronomy & Astrophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于先验几何约束的遥感影像分类方法、装置和电子设备;包括:获取遥感影像和遥感影像的历史空间分布数据;历史空间分布数据用于表征遥感影像的历史分类结果的空间粒度情况;将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出遥感影像的分类结果;其中,深度学习分类模型基于历史遥感影像、历史遥感影像的分类标签和历史空间分布数据多边形进行训练得到。该方式中,将历史空间分布数据作为遥感影像的图斑粒度先验数据,可以约束遥感影像的空间尺度,确定遥感影像的图斑粒度和边界走向,以提升基于先验几何约束的遥感影像分类方法的准确性、可靠性与推广应用性。
Description
技术领域
本发明涉及遥感影像分类技术领域,尤其是涉及一种基于先验几何约束的遥感影像分类方法、装置和电子设备。
背景技术
近年来深度学习技术飞速发展,已在遥感影像深度学习分类领域得到广泛应用。传统的遥感影像深度学习以影像块为对象,通过样本训练和样本预测两个过程完成深度学习分类:(1)样本训练:采用一定量的代表性影像块及对应分类结果,在深度学习引擎下进行训练学习,建立影像块与分类结果之间的预测模型;(2)样本预测:根据需要将影像全部划分为指定大小的影像块,对每个影像块,利用样本训练建立的预测模型,将影像块作为输入参数,经过计算得到输出参数,即影像块分类结果。
相关技术中,遥感影像深度学习分类的根本问题为空间尺度问题。传统的影像深度学习方法完全基于影像块进行深度学习分类,受影像信息不足限制,存在目标尺度难以界定的瓶颈:使得分类结果边界不准确、结果具有不稳定性,且模型泛化能力差,深度学习分类成果一定程度上依赖于训练样本的选取,实际跨地域推广应用难。例如:目标是提取房屋建筑区,结果可能提取为小区、也可能提取为房屋的局部,导致分类结果与需求差异大,即使部分提取到了房屋建筑,但是边界受树木等遮挡变得凹凸锯齿,不满足实际需求。
发明内容
有鉴于此,本发明的目的在于提供一种基于先验几何约束的遥感影像分类方法、装置和电子设备,以提升基于先验几何约束的遥感影像分类方法的准确性、可靠性与推广应用性。
第一方面,本发明实施例提供了一种基于先验几何约束的遥感影像分类方法,包括:获取遥感影像和遥感影像的历史空间分布数据;历史空间分布数据用于表征遥感影像的历史分类结果的空间粒度情况;将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出遥感影像的分类结果;其中,深度学习分类模型基于历史遥感影像、历史遥感影像的分类标签和历史空间分布数据多边形进行训练得到;深度学习分类模型由影像、历史空间数据和分类标签三个变量构成,深度学习分类模型包括在已知空间对象分割粒度下的图斑光谱信息分类。
在本发明较佳的实施例中,上述获取遥感影像的历史空间分布数据的步骤,包括:获取遥感影像的历史分类结果;确定历史分类结果中的对象和每个对象的位置信息;将每个对象的位置及图斑范围信息作为的历史空间分布数据,历史空间分布数据为Polygon多边形,历史空间分布数据的空间数据格式为Shapefile、GeoJSON或WKT,历史空间分布数据包括多边形范围。
在本发明较佳的实施例中,上述将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出遥感影像的分类结果的步骤,包括:将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中;其中,深度学习分类模型的框架为TensorFlow、Keras、PyTorch、Caffe或Deeplearning4j;深度学习分类模型对历史空间分布数据和遥感影像进行划分,对划分后的遥感影像进行深度学习分类,输出遥感影像的分类结果。
在本发明较佳的实施例中,上述深度学习分类模型对历史空间分布数据和遥感影像进行划分,对划分后的遥感影像进行深度学习分类,输出遥感影像的分类结果的步骤,包括:将历史空间分布数据划分为多个数据块;其中,每个数据块包括一个历史空间分布数据中的对象;按照与历史空间分布数据相同的划分方式,将遥感影像划分为多个影像块;对每个影像块进行深度学习分类,得到每个影像块的分类结果;将每个影像块的分类结果进行组合,输出遥感影像的分类结果。
在本发明较佳的实施例中,上述将历史空间分布数据划分为多个数据块的步骤,包括:按照历史空间分布数据中的对象的边界,将历史空间分布数据划分为多个数据块,每个数据块边界对应一个历史分类图斑的外接矩形。
第二方面,本发明实施例还提供一种基于先验几何约束的遥感影像分类装置,包括:遥感影像获取模块,用于获取遥感影像和遥感影像的历史空间分布数据;历史空间分布数据用于表征遥感影像的历史分类结果的空间粒度情况;分类结果输出模块,用于将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出遥感影像的分类结果;其中,深度学习分类模型基于历史遥感影像、历史遥感影像的分类标签和历史空间分布数据多边形进行训练得到;深度学习分类模型由影像、历史空间数据和分类标签三个变量构成,深度学习分类模型包括在已知空间对象分割粒度下的图斑光谱信息分类。
在本发明较佳的实施例中,上述遥感影像获取模块,用于:获取遥感影像的历史分类结果;确定历史分类结果中的对象和每个对象的位置信息;将每个对象的位置及图斑范围信息作为的历史空间分布数据,历史空间分布数据为Polygon多边形,历史空间分布数据的空间数据格式为Shapefile、GeoJSON或WKT,历史空间分布数据包括多边形范围。
在本发明较佳的实施例中,上述分类结果输出模块,用于:将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中;其中,深度学习分类模型的框架为TensorFlow、Keras、PyTorch、Caffe或Deeplearning4j;深度学习分类模型对历史空间分布数据和遥感影像进行划分,对划分后的遥感影像进行深度学习分类,输出遥感影像的分类结果。
第三方面,本发明实施例还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述的基于先验几何约束的遥感影像分类方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述的基于先验几何约束的遥感影像分类方法的步骤。
本发明实施例带来了以下有益效果:
本发明实施例提供的一种基于先验几何约束的遥感影像分类方法、装置和电子设备,将历史空间分布数据作为遥感影像的图斑粒度先验数据,可以约束遥感影像的空间尺度,确定遥感影像的图斑粒度和边界走向,以提升基于先验几何约束的遥感影像分类方法的准确性、可靠性与推广应用性。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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的附图。
图1为本发明实施例提供的一种基于先验几何约束的遥感影像分类方法的流程图;
图2为本发明实施例提供的另一种基于先验几何约束的遥感影像分类方法的流程图;
图3为本发明实施例提供的一种基于先验几何约束的遥感影像分类装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
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,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,传统的影像深度学习方法完全基于影像块进行深度学习分类,受影像信息不足限制,存在目标尺度难以界定的瓶颈:使得分类结果边界不准确、结果具有不稳定性,且模型泛化能力差,深度学习分类成果一定程度上依赖于训练样本的选取,实际跨地域推广应用难。基于此,本发明实施例提供的一种基于先验几何约束的遥感影像分类方法、装置和电子设备,设计遥感的技术领域,具体涉及一种基于空间先验约束的深度学习方法。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种基于先验几何约束的遥感影像分类方法进行详细介绍。
实施例1
本发明实施例提供一种基于先验几何约束的遥感影像分类方法,参见图1所示的一种基于先验几何约束的遥感影像分类方法的流程图,该基于先验几何约束的遥感影像分类方法包括如下步骤:
步骤S102,获取遥感影像和遥感影像的历史空间分布数据;历史空间分布数据用于表征遥感影像的历史分类结果的空间粒度情况。
遥感影像是指记录各种地物电磁波大小的胶片或照片,主要分为航空像片和卫星相片。从遥感影像中可以确定对象的类型和位置,对象可以为:人、建筑物、自然资源(山、水、湖泊等)。从遥感影像中可以找到这些对象,并且确定这些对象的边界和坐标,作为这些对象的空间分布数据。
历史空间分布数据是指在本次遥感影像的拍摄时间之前,同样地域的对象的边界和坐标的信息。例如:在本次遥感影像的拍摄时间之前3个月,已经对该区域拍摄了遥感影像,称为上一个遥感影像。从上一个遥感影像中已经提取了若干的对象,和这些对象的空间分布数据。那么,上一个遥感影像提取的空间分布数据就可以称为历史空间分布数据。
步骤S104,将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出遥感影像的分类结果;其中,深度学习分类模型基于历史遥感影像、历史遥感影像的分类标签和历史空间分布数据多边形进行训练得到;深度学习分类模型由影像、历史空间数据和分类标签三个变量构成,深度学习分类模型包括在已知空间对象分割粒度下的图斑光谱信息分类。
深度学习分类模型用于对遥感影像包括的对象进行深度学习分类,即首先确定遥感影像包括的对象,和这些对象的空间分布数据,然后对这些对象深度学习分类。例如:对象A深度学习分类为建筑、对象B深度学习分类为湖泊。本实施例中的深度学习分类模型将历史空间分布数据作为先验知识,通过历史空间分布数据对遥感影像进行初步的划分,之后对初步划分后的遥感影像进行深度学习分类。
本实施例中的深度学习分类模型具有在已知空间对象分割粒度下的图斑光谱信息分类,即一般深度学习需要自动识别空间粒度和地物类型,而本实施例中的深度学习模型具有已知的空间粒度,从而只需要识别空间类型。由于空间粒度和地物类型直接相关,所以当需要同时识别空间粒度和地物类型时,二者不确定性较大,影响分类结果。
例如,当已知一个房屋的边界时,影像上的房屋纹理特征性比较强,深度学习分类直接可以分准确。但是,一般深度学习模型由于要同时确定房屋的边界和类型,所以很容易把小区分为一个多边形,然后类型认定为林地或者其他厂房等类型,反而不易认定为建筑物。本实施例采用已知的图斑空间粒度作为输入量,可以极大提升地物分类的准确性。本发明实施例提供的一种基于先验几何约束的遥感影像分类方法,将历史空间分布数据作为遥感影像的图斑粒度先验数据,可以约束遥感影像的空间尺度,确定遥感影像的图斑粒度和边界走向,以提升基于先验几何约束的遥感影像分类方法的准确性、可靠性与推广应用性。
实施例2
本发明实施例还提供另一种基于先验几何约束的遥感影像分类方法;该方法在上述实施例方法的基础上实现;该方法重点描述基于信令数据和预先获取的基站位置表确定每个基站的驻留数据的具体实现方式。
如图2所示的另一种基于先验几何约束的遥感影像分类方法的流程图,该基于先验几何约束的遥感影像分类方法包括如下步骤:
步骤S202,获取遥感影像。
遥感影像是指需要进行深度学习分类的遥感影像,遥感影像上可能包括多个对象,并需要对这些对象进行深度学习分类,确定这些对象的边界和位置信息。遥感影像上也可能一个对象也不包括,这时对遥感影像进行深度学习分类,可以确认该遥感影像上一个对象也没有。
步骤S204,获取遥感影像的历史分类结果。
遥感影像的历史分类结果是指对统一地区,在本次遥感影像的拍摄时间之前的历史遥感影像的分类结果。历史分类结果中及说明了历史遥感影像包括的对象的深度学习分类情况,也说明了每个对象的空间粒度情况。
步骤S206,确定历史分类结果中的对象和每个对象的位置信息。
本实施例中的历史分类结果既包括历史遥感影像中对象的深度学习分类情况,也包括历史遥感影像中每个对象的空间分布情况。从空间分布情况可以确定对象的位置信息,既对象的坐标信息和对象的边界信息。
步骤S208,将每个对象的位置及图斑范围信息作为的历史空间分布数据,历史空间分布数据为Polygon多边形,历史空间分布数据的空间数据格式为Shapefile、GeoJSON或WKT,历史空间分布数据包括多边形范围。
将历史遥感影像中每个对象的位置信息组合起来,就可以确定历史空间分布数据。其中,历史空间分布数据只有多边形范围,没有属性信息。步骤S210,将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出遥感影像的分类结果;其中,深度学习分类模型基于历史遥感影像、历史遥感影像的分类结果和历史空间分布数据多边形进行训练得到;深度学习分类模型由影像、历史空间数据和分类标签三个变量构成,深度学习分类模型包括在已知空间对象分割粒度下的图斑光谱信息分类。
在训练深度学习分类模型的过程中,首先需要对历史遥感影像分块处理:即:按照深度学习的分块要求,将历史遥感影像分割为多个大小统一的影像块;然而,可以使用先验数据分块处理:可以将历史空间分布数据作为先验知识按照相同的分块要求,对历史遥感影像的分类结果分割为多个大小统一的数据块:若历史遥感影像的分类结果为栅格,则直接分割,若历史遥感影像的分类结果为矢量,则栅格化后分割。最后进行模型训练:在影像深度学习建模时,在原有影像块、分类结果基础上,将分类结果的图斑空间分布作为参数输入训练模型,建立三参数深度学习分类模型:深度学习分类类型=f(影像块、图斑边界)。
对于将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出遥感影像的分类结果的步骤,可以通过步骤A1-步骤A2执行:
步骤A1,将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中;其中,深度学习分类模型的框架为TensorFlow、Keras、PyTorch、Caffe或Deeplearning4j。
深度学习分类模型的输入是遥感影像和历史空间分布数据。其中,历史空间分布数据作为先验数据,用于约束遥感影像划分的影像块的大小,可以作为模型预测的先验值。
步骤A2,深度学习分类模型对历史空间分布数据和遥感影像进行划分,对划分后的遥感影像进行深度学习分类,输出遥感影像的分类结果。
遥感影像需要将遥感影像划分为若干的影像块,而划分方法可以基于历史空间分布数据中的对象的边界来确定。例如,可以通过步骤B1-步骤B4执行:
步骤B1,将历史空间分布数据划分为多个数据块;其中,每个数据块包括一个历史空间分布数据中的对象。
首先,深度学习分类模型需要将历史空间分布数据划分为多个数据块,可以按照历史空间分布数据中的对象的边界(也就是图斑边界),将历史空间分布数据划分为多个数据块;其中,每个数据块边界对应一个历史分类图斑的外接矩形。这个步骤可以称为先验提取:对于需要深度学习分类目标区域,提取或收集历史影像分类结果,按照先验数据分块处理方法,对目标区域的先验数据分块处理,提取空间边界,作为模型预测的先验值。
步骤B2,按照与历史空间分布数据相同的划分方式,将遥感影像划分为多个影像块。
历史空间分布数据相同的划分方式与遥感影像划分为多个影像块的划分方式相同。历史空间分布数据的划分方式以对象的边界进行划分,划分后的每一个区域都包括了各种的对象。那么按照同样的划分方式划遥感影像,可以保证遥感影像的影像块的尺度适中,不会出现尺度过大,或者尺度过小的情况,即目标是提取房屋建筑区,结果要么提取为小区、要么提取为房屋的局部,导致分类结果与需求差异大。从而增加深度学习分类的准确性和深度学习分类效率。
步骤B3,对每个影像块进行深度学习分类,得到每个影像块的分类结果。
之后有深度学习分类模型对每一个影像块进行深度学习分类,深度学习分类前的影像块与历史空间分布数据划分的图斑边界数据块一一对应,将这些影像块输入至深度学习分类模型,深度学习分类模型可以得到每个影像块的分类结果。
步骤B4,将每个影像块的分类结果进行组合,输出遥感影像的分类结果。
将每个影像块的分类结果组合起来,就是遥感影像的分类结果,最后深度学习分类模型将遥感影像的分类结果输出即可。
本发明实施例提供的上述方法,可以提高深度学习分类准确度:在影像深度学习过程中,增加历史深度学习分类图斑边界为先验空间约束,从而帮助确定了深度学习的图斑深度学习分类尺度,极大提升了深度学习分类计算的准确性与效率,避免了传统方法因信息不足导致的深度学习分类太细、深度学习分类太粗问题。
本发明实施例提供的上述方法,可以提高边界精度:借助历史提取图斑边界信息,在新学习过程中,可以有效处理边界锯齿情况,使得结果符合实际,满足应用要求,解决传统纯基于影像学习的锯齿难题。
本发明实施例提供的上述方法,可以提高稳定性:通过图斑粒度先验约束,极大简化深度学习算法本身的复杂度,深度学习算法无需在不同力度的对象间判断深度学习分类,比如小区、房屋、局部进行深度学习分类本身难度太大,而是直接专注于相同粒度的对应深度学习分类,比如大房屋、小房屋,同类对象边界特征性强,内部纹理一致性强。在这样情况下,模型稳定性极大提高,在进行跨地域推广应用时,可以借助图斑边界先验知识约束影像对象粒度,从而专注于图斑级的学习深度学习分类,即分割北京的房屋和分割上海的房屋特征一致性强,从而提升深度学习分类稳定性,可推进影像深度学习的产业化落到应用。
实施例3
对应于上述方法实施例,本发明实施例提供了一种基于先验几何约束的遥感影像分类装置,如图3所示的一种基于先验几何约束的遥感影像分类装置的结构示意图,该基于先验几何约束的遥感影像分类装置包括:
遥感影像获取模块31,用于获取遥感影像和遥感影像的历史空间分布数据;历史空间分布数据用于表征遥感影像的历史分类结果的空间粒度情况;
分类结果输出模块32,用于将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出遥感影像的分类结果;其中,深度学习分类模型基于历史遥感影像、历史遥感影像的分类标签和历史空间分布数据多边形进行训练得到;深度学习分类模型由影像、历史空间数据和分类标签三个变量构成,深度学习分类模型包括在已知空间对象分割粒度下的图斑光谱信息分类。
本发明实施例提供的一种基于先验几何约束的遥感影像分类装置,将历史空间分布数据作为遥感影像的图斑粒度先验数据,可以约束遥感影像的空间尺度,确定遥感影像的图斑粒度和边界走向,以提升基于先验几何约束的遥感影像分类方法的准确性、可靠性与推广应用性。
在一些实施例中,遥感影像获取模块,用于:获取遥感影像的历史分类结果;确定历史分类结果中的对象和每个对象的位置信息;将每个对象的位置及图斑范围信息作为的历史空间分布数据,历史空间分布数据为Polygon多边形,历史空间分布数据的空间数据格式为Shapefile、GeoJSON或WKT,历史空间分布数据包括多边形范围。
在一些实施例中,分类结果输出模块,用于:将遥感影像和历史空间分布数据输入至预先训练完成的深度学习分类模型中;其中,深度学习分类模型的框架为TensorFlow、Keras、PyTorch、Caffe或Deeplearning4j;深度学习分类模型对历史空间分布数据和遥感影像进行划分,对划分后的遥感影像进行深度学习分类,输出遥感影像的分类结果。
在一些实施例中,分类结果输出模块,用于:将历史空间分布数据划分为多个数据块;其中,每个数据块包括一个历史空间分布数据中的对象;按照与历史空间分布数据相同的划分方式,将遥感影像划分为多个影像块;对每个影像块进行深度学习分类,得到每个影像块的分类结果;将每个影像块的分类结果进行组合,输出遥感影像的分类结果。
在一些实施例中,分类结果输出模块,用于:按照历史空间分布数据中的对象的边界,将历史空间分布数据划分为多个数据块,每个数据块边界对应一个历史分类图斑的外接矩形。
本发明实施例提供的基于先验几何约束的遥感影像分类装置,与上述实施例提供的基于先验几何约束的遥感影像分类方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
实施例4
本发明实施例还提供了一种电子设备,用于运行上述基于先验几何约束的遥感影像分类方法;参见图4所示的一种电子设备的结构示意图,该电子设备包括存储器100和处理器101,其中,存储器100用于存储一条或多条计算机指令,一条或多条计算机指令被处理器101执行,以实现上述基于先验几何约束的遥感影像分类方法。
进一步地,图4所示的电子设备还包括总线102和通信接口103,处理器101、通信接口103和存储器100通过总线102连接。
其中,存储器100可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100,处理器101读取存储器100中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述基于先验几何约束的遥感影像分类方法,具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的基于先验几何约束的遥感影像分类方法、装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
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,上述描述的装置和/或电子设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,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所述以权利要求的保护范围为准。
Claims (7)
1.一种基于先验几何约束的遥感影像分类方法,其特征在于,包括:
获取遥感影像和所述遥感影像的历史空间分布数据;所述历史空间分布数据用于表征所述遥感影像的历史分类结果的空间粒度情况;
将所述遥感影像和所述历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出所述遥感影像的分类结果;其中,所述深度学习分类模型基于历史遥感影像、所述历史遥感影像的分类标签和所述历史遥感影像的历史空间分布数据中的多边形范围进行训练得到;所述深度学习分类模型的输入数据由历史遥感影像、所述历史遥感影像的分类标签和所述历史遥感影像的历史空间分布数据中的多边形范围三个变量构成,所述深度学习分类模型包括在已知空间对象分割粒度下的图斑光谱信息分类;
获取所述遥感影像的历史空间分布数据的步骤,包括:
获取所述遥感影像的历史分类结果;
确定所述历史分类结果中的对象和每个所述对象的位置信息;
根据每个所述对象的位置信息得到的每个所述对象的多边形范围作为所述的历史空间分布数据,所述历史空间分布数据的数据格式为Shapefile、GeoJSON或WKT;
将所述遥感影像和所述历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出所述遥感影像的分类结果的步骤包括:
将所述历史空间分布数据划分为多个数据块;其中,每个所述数据块包括一个所述历史空间分布数据中的对象;
按照与所述历史空间分布数据相同的划分方式,将所述遥感影像划分为多个影像块;
对每个所述影像块进行深度学习分类,得到每个所述影像块的分类结果;
将每个所述影像块的分类结果进行空间拼接组合,输出所述遥感影像的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述深度学习分类模型的框架为TensorFlow、Keras、PyTorch、Caffe或Deeplearning4j。
3.根据权利要求1所述的方法,其特征在于,将所述历史空间分布数据划分为多个数据块的步骤,包括:
按照所述历史空间分布数据中的多边形范围,将所述历史空间分布数据划分为多个数据块,每个数据块边界对应一个历史分类图斑的外接矩形。
4.一种基于先验几何约束的遥感影像分类装置,其特征在于,包括:
遥感影像获取模块,用于获取遥感影像和所述遥感影像的历史空间分布数据;所述历史空间分布数据用于表征所述遥感影像的历史分类结果的空间粒度情况;
分类结果输出模块,用于将所述遥感影像和所述历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出所述遥感影像的分类结果;其中,所述深度学习分类模型基于历史遥感影像、所述历史遥感影像的分类标签和所述历史遥感影像的历史空间分布数据中的多边形范围进行训练得到;所述深度学习分类模型的输入数据由历史遥感影像、所述历史遥感影像的分类标签和所述历史遥感影像的历史空间分布数据中的多边形范围三个变量构成,所述深度学习分类模型包括在已知空间对象分割粒度下的图斑光谱信息分类;
遥感影像获取模块,用于:获取所述遥感影像的历史分类结果;确定所述历史分类结果中的对象和每个所述对象的位置信息;根据每个所述对象的位置得到的每个所述对象的多边形范围作为所述的历史空间分布数据,所述历史空间分布数据的数据格式为Shapefile、GeoJSON或WKT;
将所述遥感影像和所述历史空间分布数据输入至预先训练完成的深度学习分类模型中,输出所述遥感影像的分类结果的步骤包括:将所述历史空间分布数据划分为多个数据块;其中,每个所述数据块包括一个所述历史空间分布数据中的对象;按照与所述历史空间分布数据相同的划分方式,将所述遥感影像划分为多个影像块;对每个所述影像块进行深度学习分类,得到每个所述影像块的分类结果;将每个所述影像块的分类结果进行空间拼接组合,输出所述遥感影像的分类结果。
5.根据权利要求4所述的装置,其特征在于,所述深度学习分类模型的框架为TensorFlow、Keras、PyTorch、Caffe或Deeplearning4j。
6.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至3任一项所述的基于先验几何约束的遥感影像分类方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,所述计算机可执行指令促使处理器实现权利要求1至3任一项所述的基于先验几何约束的遥感影像分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010282973.4A CN111476308B (zh) | 2020-04-10 | 2020-04-10 | 基于先验几何约束的遥感影像分类方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010282973.4A CN111476308B (zh) | 2020-04-10 | 2020-04-10 | 基于先验几何约束的遥感影像分类方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476308A CN111476308A (zh) | 2020-07-31 |
CN111476308B true CN111476308B (zh) | 2024-06-11 |
Family
ID=71751765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010282973.4A Active CN111476308B (zh) | 2020-04-10 | 2020-04-10 | 基于先验几何约束的遥感影像分类方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476308B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117370844A (zh) * | 2023-11-02 | 2024-01-09 | 重庆数字城市科技有限公司 | 一种空间大数据治理方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 |
CN109543630A (zh) * | 2018-11-28 | 2019-03-29 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 |
CN109840539A (zh) * | 2017-12-31 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 一种基于地块图斑的遥感时空数据融合方法 |
CN110084294A (zh) * | 2019-04-18 | 2019-08-02 | 北京师范大学 | 一种基于多尺度深度特征的遥感影像分类方法 |
CN110163303A (zh) * | 2019-06-03 | 2019-08-23 | 中国农业大学 | 一种基于格网的遥感影像并行分类方法及*** |
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
-
2020
- 2020-04-10 CN CN202010282973.4A patent/CN111476308B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840539A (zh) * | 2017-12-31 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 一种基于地块图斑的遥感时空数据融合方法 |
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 |
CN109543630A (zh) * | 2018-11-28 | 2019-03-29 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 |
CN110084294A (zh) * | 2019-04-18 | 2019-08-02 | 北京师范大学 | 一种基于多尺度深度特征的遥感影像分类方法 |
CN110163303A (zh) * | 2019-06-03 | 2019-08-23 | 中国农业大学 | 一种基于格网的遥感影像并行分类方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111476308A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553406B (zh) | 基于改进yolo-v3的目标检测***、方法及终端 | |
CN110163198B (zh) | 一种表格识别重建方法、装置和存储介质 | |
CN111523414A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN111652217A (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
CN110852949B (zh) | 点云数据补全方法、装置、计算机设备和存储介质 | |
CN112233240B (zh) | 三维矢量地图的三维矢量数据切片方法、装置及电子设备 | |
CN111652218A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN110287831B (zh) | 一种基于地标的控制点的获取方法、装置和电子设备 | |
CN112949624B (zh) | 基于水尺的水位检测方法、装置、电子设备及存储介质 | |
CN111126028B (zh) | 数据处理方法、装置及设备 | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
CN114254584A (zh) | 芯片产品的对比方法、建模方法、装置及存储介质 | |
CN114694005A (zh) | 目标检测模型训练方法和装置、目标检测方法和装置 | |
CN111476308B (zh) | 基于先验几何约束的遥感影像分类方法、装置和电子设备 | |
CN116682130A (zh) | 图签信息的提取方法、装置、设备及可读存储介质 | |
CN112527442B (zh) | 一种环境数据多维显示方法、装置、介质及终端设备 | |
CN116863349A (zh) | 基于三角网密集匹配的遥感影像变化区域确定方法及装置 | |
CN112419459B (zh) | 烘焙模型ao贴图的方法、装置、计算机设备和存储介质 | |
CN115170679A (zh) | 路侧相机的标定方法、装置及电子设备、存储介质 | |
CN113449620A (zh) | 基于语义分割的表格检测方法、装置、设备和介质 | |
CN111818557A (zh) | 网络覆盖问题识别方法、装置及*** | |
CN117152364B (zh) | 基于影像数据的水体边界三维重建的方法、装置和设备 | |
CN115861561B (zh) | 一种基于语义约束的等高线生成方法和装置 | |
CN115937454B (zh) | 一种在大规模城市场景中自动摆放树木模型的方法和装置 | |
CN117876711B (zh) | 基于图像处理的图像目标检测方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |