CN111860207B - 基于多尺度的遥感影像地物分类方法、***、装置及介质 - Google Patents
基于多尺度的遥感影像地物分类方法、***、装置及介质 Download PDFInfo
- Publication number
- CN111860207B CN111860207B CN202010606564.5A CN202010606564A CN111860207B CN 111860207 B CN111860207 B CN 111860207B CN 202010606564 A CN202010606564 A CN 202010606564A CN 111860207 B CN111860207 B CN 111860207B
- Authority
- CN
- China
- Prior art keywords
- image
- image blocks
- classification result
- remote sensing
- semantic
- 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 40
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000000903 blocking effect Effects 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims description 50
- 238000010586 diagram Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F18/24—Classification techniques
-
- 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
-
- 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]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于多尺度的遥感影像地物分类方法、***、装置及介质,方法包括:基于不同的预设尺度,对获取到的遥感影像进行图像分块,得到初始图像块集合;接着基于预设的语义分割模型,对所述初始图像块集合中的各个尺度下的图像块进行分割,得到不同尺度的分类结果;然后将相同尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;最后基于投票策略,将所述不同尺度下的初始地物分类结果图集合进行合并,得到目标地物分类结果图。本发明能够消除相邻图像块之间的不连续直线型接缝,具有很强的实用性,可广泛应用于图像处理技术领域。
Description
技术领域
本发明涉及图像处理技术领域,尤其是基于多尺度的遥感影像地物分类方法、***、装置及介质。
背景技术
在航天或航空遥感影像处理中,地物分类与提取是非常重要的一项工作。地物分类的过程通常是这样的:首先,对遥感图像中各类地物的光谱信息和空间信息进行分析;然后,选择合适的能够反映地物光谱和空间信息的图像特征;接下来,在图像中各个像元处提取这些图像特征,并根据特征值判断各个像元的所属地物类别;最后,面向应用需求,对各个像元的分类结果进行综合处理,获得整幅遥感影像的地物分类结果。
遥感影像地物分类方法主要包括:基于像元的方法、基于邻域的方法、基于对象的方法等。近年来,随着深度学习技术的快速发展,基于深度卷积神经网络的语义分割技术逐渐被应用于遥感影像地物分类,并获得了大大优于传统方法的处理效果。典型的语义分割模型包括FCN、SegNet、U-Net、Deeplab等。
为了训练和使用方便,语义分割模型的输入通常是一幅固定尺寸的原始图像,输出是和该图像大小相同的语义标注图像,在该图像的每个像元处,用不同的像素值标注了其对应的语义类型。这里,模型输入和输出的图像尺寸不能太大,也不能太小,常见的尺寸如128*128、256*256或512*512等。
在遥感影像地物分类中,输入数据是航天或航空遥感影像,图像尺寸通常很大,能够达到数万乘数万像元的级别,输出数据是和输入数据相同尺寸的地物分布图。因此,无法直接将语义分割模型应用于遥感影像地物分类,最常使用的方法是:首先将输入的遥感影像划分为和语义分割模型相适应的小的固定尺寸的图像块;然后对每个图像块进行语义分割,得到每个图像块对应的地物分布图;最后将所有图像块对应的地物分布图组合起来,得到整幅遥感影像的地物分布图。
然而,由于一个图像块的地物分类结果会受到该图像块内部所有像素的影像,因此在两个相邻图像块的连接处,一侧图像块的地物分类结果和另一侧图像块的地物分类结果很难保持一致性,会表现出非常明显的不连续直线型接缝。
发明内容
有鉴于此,本发明实施例提供一种基于多尺度的遥感影像地物分类方法、***、装置及介质,能够消除相邻图像块之间的不连续直线型接缝。
本发明的第一方面提供了基于多尺度的遥感影像地物分类方法,包括:
基于不同的预设尺度,对获取到的遥感影像进行图像分块,得到初始图像块集合;
基于预设的语义分割模型,对所述初始图像块集合中的各个尺度下的图像块进行分割,得到不同尺度的分类结果;
将相同尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
基于投票策略,将所述不同尺度下的初始地物分类结果图集合进行合并,得到目标地物分类结果图。
在一些实施例中,所述基于不同的预设尺度,对获取到的遥感影像进行图像分块,得到初始图像块集合这一步骤,包括:
获取遥感影像并配置不同尺度;
基于预设的划分顺序,将所述遥感影像按照配置的尺度划分成不同尺度下的图像块,得到初始图像块集合。
在一些实施例中,在对获取到的遥感影像进行图像分块的时候,对处于遥感影像边界的图像块,向遥感影像内部移动若干像素距离,使得所述处于遥感影像边界的图像块不超出所述遥感影像边界。
在一些实施例中,所述基于预设的语义分割模型,对所述初始图像块集合中的各个尺度下的图像块进行分割,得到不同尺度的分类结果这一步骤,包括:
将等于所述语义分割模型要求的图像尺寸标准的图像块直接输入所述语义分割模型,输出与所述输入的图像块尺寸相同的分类结果;
将小于所述图像尺寸标准的图像块进行放大处理后,再输入所述语义分割模型,将得到的分类结果缩小至与所述放大处理前图像块相同尺寸的大小;
将大于所述图像尺寸标准的图像块进行缩小处理后,再输入所述语义分割模型,将得到的分类结果放大至与所述缩小处理前图像块相同尺寸的大小。
在一些实施例中,所述将相同尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合这一步骤,包括:
按照图像块的排列顺序,将同一尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
若有一个像素对应多个图像块,则计算该像素与所述多个图像块的中心之间的距离,并将距离最近的图像块对应的像素值作为该像素的值。
在一些实施例中,所述基于投票策略,将所述不同尺度下的初始地物分类结果图集合进行合并,得到目标地物分类结果图这一步骤,包括:
获取地物分类结果图中每个像素值对应的不同尺度下的三个语义值;
若一个像素值对应的任意两个语义值相同,则将所述语义值赋予该像素;
若一个像素值对应的三个语义值都不同,则将所述三个语义值的中间尺度的语义值赋予该像素。
本发明的第二方面提供了一种基于多尺度的遥感影像地物分类***,包括:
分块模块,用于基于不同的预设尺度,对获取到的遥感影像进行图像分块,得到初始图像块集合;
分割模块,用于基于预设的语义分割模型,对所述初始图像块集合中的各个尺度下的图像块进行分割,得到不同尺度的分类结果;
拼接模块,用于将相同尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
合并模块,用于基于投票策略,将所述不同尺度下的初始地物分类结果图集合进行合并,得到目标地物分类结果图。
在一些实施例中,所述分割模块包括:
输入单元,用于将等于所述语义分割模型要求的图像尺寸标准的图像块直接输入所述语义分割模型,输出与所述输入的图像块尺寸相同的分类结果;
第一缩放单元,用于将小于所述图像尺寸标准的图像块进行放大处理后,再输入所述语义分割模型,将得到的分类结果缩小至与所述放大处理前图像块相同尺寸的大小;
第二缩放单元,用于将大于所述图像尺寸标准的图像块进行缩小处理后,再输入所述语义分割模型,将得到的分类结果放大至与所述缩小处理前图像块相同尺寸的大小;
所述拼接模块包括:
拼接单元,用于按照图像块的排列顺序,将同一尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
第一替换单元,用于若有一个像素对应多个图像块,则计算该像素与所述多个图像块的中心之间的距离,并将距离最近的图像块对应的像素值作为该像素的值;
所述合并模块包括:
获取单元,用于获取地物分类结果图中每个像素值对应的不同尺度下的三个语义值;
第二替换单元,用于若一个像素值对应的任意两个语义值相同,则将所述语义值赋予该像素;
第三替换单元,用于若一个像素值对应的三个语义值都不同,则将所述三个语义值的中间尺度的语义值赋予该像素。
本发明的第三方面提供了一种装置,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器用于根据所述程序执行如本发明第一方面所述的方法。
本发明的第四方面提供了一种存储介质,所述存储介质存储有程序,所述程序被处理器执行完成如本发明第一方面所述的方法。
本发明的实施例首先基于不同的预设尺度,对获取到的遥感影像进行图像分块,得到初始图像块集合;接着基于预设的语义分割模型,对所述初始图像块集合中的各个尺度下的图像块进行分割,得到不同尺度的分类结果;然后将相同尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;最后基于投票策略,将所述不同尺度下的初始地物分类结果图集合进行合并,得到目标地物分类结果图;本发明能够消除相邻图像块之间的不连续直线型接缝,具有很强的实用性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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为本发明实施例的整体步骤流程图;
图2为本发明实施例的方法用于遥感影像云分类的效果图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参见图1,本发明实施例的方法包括以下步骤:
S1、基于不同的预设尺度,对获取到的遥感影像进行图像分块,得到初始图像块集合;
本实施例的步骤S1包括S11-S12:
S11、获取遥感影像并配置不同尺度;
S12、基于预设的划分顺序,将所述遥感影像按照配置的尺度划分成不同尺度下的图像块,得到初始图像块集合。
具体的,本实施例在对获取到的遥感影像进行图像分块的时候,对处于遥感影像边界的图像块,向遥感影像内部移动若干像素距离,使得所述处于遥感影像边界的图像块不超出所述遥感影像边界。
本实施例可以输入一幅大尺寸的遥感影像,从图像左上角开始,按照从左向右、从上向下的顺序,以192*192、256*256、320*320三个尺度划分图像块。若图像块范围未达到整幅图像的最右侧和最下侧边界,则图像块之间没有重叠;否则,图像块需向左方或上方移动一定像素距离,则图像块与相邻的左方或上方图像块会有一定的重叠。
图像分块完毕后,得到不同尺度的三组图像块,其尺寸分别为192*192、256*256、320*320,其数量与输入遥感影像的大小有关。
S2、基于预设的语义分割模型,对所述初始图像块集合中的各个尺度下的图像块进行分割,得到不同尺度的分类结果;
本实施例的步骤S2包括S21-S23:
S21、将等于所述语义分割模型要求的图像尺寸标准的图像块直接输入所述语义分割模型,输出与所述输入的图像块尺寸相同的分类结果;
S22、将小于所述图像尺寸标准的图像块进行放大处理后,再输入所述语义分割模型,将得到的分类结果缩小至与所述放大处理前图像块相同尺寸的大小;
S23、将大于所述图像尺寸标准的图像块进行缩小处理后,再输入所述语义分割模型,将得到的分类结果放大至与所述缩小处理前图像块相同尺寸的大小。
本实施例基于已经训练好的语义分割模型,处理各个尺度下的所有图像块。若图像块尺寸与语义分割模型要求的图像尺寸一致,则直接将图像块输入模型,输出与图像块相同尺寸的分类结果;若图像块尺寸比语义分割模型要求的图像尺寸小,则将图像块放大后输入模型,输出的分类结果再缩小到与图像块尺寸相同;若图像块尺寸比语义分割模型要求的图像尺寸大,则将图像块缩小后输入模型,输出的分类结果再放大到与图像块尺寸相同。
语义分割完毕后,得到不同尺度的三组分类结果,其尺寸和数量与相应尺度下的图像块一致。
S3、将相同尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
具体的,本实施例的步骤S3包括S31-S32:
S31、按照图像块的排列顺序,将同一尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
S32、若有一个像素对应多个图像块,则计算该像素与所述多个图像块的中心之间的距离,并将距离最近的图像块对应的像素值作为该像素的值。
本实施例按照图像块的排列顺序,将同一尺度下各个图像块对应的分类结果拼接起来,形成该尺度下大尺寸的地物分类结果图。若某个像素对应多个图像块,则计算该像素与这些图像块中心的距离,取距离最近的图像块的对应像素值作为该像素值。
同尺度拼接完毕后,得到三幅不同尺度下的地物分类结果图,其尺寸均与输入的大尺寸遥感影像相同。
S4、基于投票策略,将所述不同尺度下的初始地物分类结果图集合进行合并,得到目标地物分类结果图。
本实施例的步骤S4包括S41-S43:
S41、获取地物分类结果图中每个像素值对应的不同尺度下的三个语义值;
S42、若一个像素值对应的任意两个语义值相同,则将所述语义值赋予该像素;
S43、若一个像素值对应的三个语义值都不同,则将所述三个语义值的中间尺度的语义值赋予该像素。
本实施例利用投票策略,将多个尺度下的地物分类结果图合并起来,形成一幅地物分类结果图。具体地说,输出结果图的每个像素值对应不同尺度下的三个语义值,若其中的任意两个语义值相同,则将该语义值赋予该像素;若三个语义值都不相同,则将中间尺度的语义值赋予该像素。多尺度投票完毕后,得到一幅输出的地物分类结果图,其尺寸与输入的遥感影像相同。
下面具体描述本发明的具体实施流程:
本发明基于多尺度的遥感影像地物分类图像块接缝处理过程分为图像分块、语义分割、同尺度拼接、多尺度投票四个步骤。
在图像分块阶段,执行以下操作:1)读取输入的大尺寸遥感影像;2)按照尺度1(192*192)划分图像块;3)按照尺度2(256*256)划分图像块;4)按照尺度3(320*320)划分图像块。
在语义分割阶段,执行以下操作:1)对尺度1的各个图像块进行语义分割,得到分类结果(192*192);2)对尺度2的各个图像块进行语义分割,得到分类结果(256*256);3)对尺度3的各个图像块进行语义分割,得到分类结果(320*320)。
在同尺度拼接阶段,执行以下操作:1)将尺度1下各个图像块对应的分类结果拼接起来;2)将尺度2下各个图像块对应的分类结果拼接起来;3)将尺度3下各个图像块对应的分类结果拼接起来。
在多尺度投票阶段,执行以下操作:1)利用投票策略,将尺度1、尺度2和尺度3的分类结果图合并起来,形成一幅和输入的遥感影像尺寸相同的地物分类结果图;2)输出地物分类结果图。
图2为本次发明方法的处理效果图。图像块接缝处理方法被用于遥感影像云分类。图2中,标号201的是输入的遥感图像,标号202的是不处理图像块接缝的常规方法的云分类结果;标号203是本发明方法的云分类结果。其中,图2的202和203中,浅灰色为无云区域、深灰色为薄云区域、白色为厚云区域。通过比较常规方法云分类结果202的局部区域2021以及本发明方法云分类结果203的局部区域2031可以看到,常规方法云分类结果202中有明显的直线型接缝,而本发明方法云分类结果203中则基本没有图像块接缝。
与图1的方法向对应,本发明实施例提供了一种基于多尺度的遥感影像地物分类***,包括:
分块模块,用于基于不同的预设尺度,对获取到的遥感影像进行图像分块,得到初始图像块集合;
分割模块,用于基于预设的语义分割模型,对所述初始图像块集合中的各个尺度下的图像块进行分割,得到不同尺度的分类结果;
拼接模块,用于将相同尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
合并模块,用于基于投票策略,将所述不同尺度下的初始地物分类结果图集合进行合并,得到目标地物分类结果图。
在一些实施例中,所述分割模块包括:
输入单元,用于将等于所述语义分割模型要求的图像尺寸标准的图像块直接输入所述语义分割模型,输出与所述输入的图像块尺寸相同的分类结果;
第一缩放单元,用于将小于所述图像尺寸标准的图像块进行放大处理后,再输入所述语义分割模型,将得到的分类结果缩小至与所述放大处理前图像块相同尺寸的大小;
第二缩放单元,用于将大于所述图像尺寸标准的图像块进行缩小处理后,再输入所述语义分割模型,将得到的分类结果放大至与所述缩小处理前图像块相同尺寸的大小;
所述拼接模块包括:
拼接单元,用于按照图像块的排列顺序,将同一尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
第一替换单元,用于若有一个像素对应多个图像块,则计算该像素与所述多个图像块的中心之间的距离,并将距离最近的图像块对应的像素值作为该像素的值;
所述合并模块包括:
获取单元,用于获取地物分类结果图中每个像素值对应的不同尺度下的三个语义值;
第二替换单元,用于若一个像素值对应的任意两个语义值相同,则将所述语义值赋予该像素;
第三替换单元,用于若一个像素值对应的三个语义值都不同,则将所述三个语义值的中间尺度的语义值赋予该像素
与图1的方法向对应,本发明实施例提供了一种装置,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器用于根据所述程序执行如图1所述的方法。
与图1的方法向对应,本发明实施例提供了一种存储介质,所述存储介质存储有程序,所述程序被处理器执行完成如图1所述的方法。
综上所述,本发明采用多尺度技术,首先在多个尺度下对遥感影像进行图像分块,然后在各个尺度下进行面向地物分类的语义分割,最后利用投票策略将各个尺度下的地物分类结果合并起来,得到整幅遥感影像的地物分类结果。本发明避免了单一尺度下的图像块接缝问题。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.基于多尺度的遥感影像地物分类方法,其特征在于,包括:
基于不同的预设尺度,对获取到的遥感影像进行图像分块,得到初始图像块集合;
基于预设的语义分割模型,对所述初始图像块集合中的各个尺度下的图像块进行分割,得到不同尺度的分类结果;
将相同尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
基于投票策略,将所述不同尺度下的初始地物分类结果图集合进行合并,得到目标地物分类结果图;
所述基于预设的语义分割模型,对所述初始图像块集合中的各个尺度下的图像块进行分割,得到不同尺度的分类结果这一步骤,包括:
将等于所述语义分割模型要求的图像尺寸标准的图像块直接输入所述语义分割模型,输出与所述输入的图像块尺寸相同的分类结果;
将小于所述图像尺寸标准的图像块进行放大处理后,再输入所述语义分割模型,将得到的分类结果缩小至与所述放大处理前图像块相同尺寸的大小;
将大于所述图像尺寸标准的图像块进行缩小处理后,再输入所述语义分割模型,将得到的分类结果放大至与所述缩小处理前图像块相同尺寸的大小;
所述将相同尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合这一步骤,包括:
按照图像块的排列顺序,将同一尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
若有一个像素对应多个图像块,则计算该像素与所述多个图像块的中心之间的距离,并将距离最近的图像块对应的像素值作为该像素的值;
所述基于投票策略,将所述不同尺度下的初始地物分类结果图集合进行合并,得到目标地物分类结果图这一步骤,包括:
获取地物分类结果图中每个像素值对应的不同尺度下的三个语义值;
若一个像素值对应的任意两个语义值相同,则将所述语义值赋予该像素;
若一个像素值对应的三个语义值都不同,则将所述三个语义值的中间尺度的语义值赋予该像素。
2.根据权利要求1所述的基于多尺度的遥感影像地物分类方法,其特征在于,所述基于不同的预设尺度,对获取到的遥感影像进行图像分块,得到初始图像块集合这一步骤,包括:
获取遥感影像并配置不同尺度;
基于预设的划分顺序,将所述遥感影像按照配置的尺度划分成不同尺度下的图像块,得到初始图像块集合。
3.根据权利要求2所述的基于多尺度的遥感影像地物分类方法,其特征在于,在对获取到的遥感影像进行图像分块的时候,对处于遥感影像边界的图像块,向遥感影像内部移动若干像素距离,使得所述处于遥感影像边界的图像块不超出所述遥感影像边界。
4.基于多尺度的遥感影像地物分类***,其特征在于,包括:
分块模块,用于基于不同的预设尺度,对获取到的遥感影像进行图像分块,得到初始图像块集合;
分割模块,用于基于预设的语义分割模型,对所述初始图像块集合中的各个尺度下的图像块进行分割,得到不同尺度的分类结果;
拼接模块,用于将相同尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
合并模块,用于基于投票策略,将所述不同尺度下的初始地物分类结果图集合进行合并,得到目标地物分类结果图;
所述分割模块包括:
输入单元,用于将等于所述语义分割模型要求的图像尺寸标准的图像块直接输入所述语义分割模型,输出与所述输入的图像块尺寸相同的分类结果;
第一缩放单元,用于将小于所述图像尺寸标准的图像块进行放大处理后,再输入所述语义分割模型,将得到的分类结果缩小至与所述放大处理前图像块相同尺寸的大小;
第二缩放单元,用于将大于所述图像尺寸标准的图像块进行缩小处理后,再输入所述语义分割模型,将得到的分类结果放大至与所述缩小处理前图像块相同尺寸的大小;
所述拼接模块包括:
拼接单元,用于按照图像块的排列顺序,将同一尺度下各个图像块对应的分类结果拼接,得到不同尺度下的初始地物分类结果图集合;
第一替换单元,用于若有一个像素对应多个图像块,则计算该像素与所述多个图像块的中心之间的距离,并将距离最近的图像块对应的像素值作为该像素的值;
所述合并模块包括:
获取单元,用于获取地物分类结果图中每个像素值对应的不同尺度下的三个语义值;
第二替换单元,用于若一个像素值对应的任意两个语义值相同,则将所述语义值赋予该像素;
第三替换单元,用于若一个像素值对应的三个语义值都不同,则将所述三个语义值的中间尺度的语义值赋予该像素。
5.一种装置,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器用于根据所述程序执行如权利要求1-3中任一项所述的方法。
6.一种存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行完成如权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010606564.5A CN111860207B (zh) | 2020-06-29 | 2020-06-29 | 基于多尺度的遥感影像地物分类方法、***、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010606564.5A CN111860207B (zh) | 2020-06-29 | 2020-06-29 | 基于多尺度的遥感影像地物分类方法、***、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860207A CN111860207A (zh) | 2020-10-30 |
CN111860207B true CN111860207B (zh) | 2023-10-24 |
Family
ID=72988224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010606564.5A Active CN111860207B (zh) | 2020-06-29 | 2020-06-29 | 基于多尺度的遥感影像地物分类方法、***、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860207B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112857268B (zh) * | 2021-01-21 | 2023-10-31 | 北京百度网讯科技有限公司 | 对象面积测量方法、装置、电子设备和存储介质 |
CN113807428B (zh) * | 2021-09-14 | 2022-09-20 | 清华大学 | 分类模型概率标签的重构方法、***、装置及存储介质 |
CN113792742A (zh) * | 2021-09-17 | 2021-12-14 | 北京百度网讯科技有限公司 | 遥感图像的语义分割方法和语义分割模型的训练方法 |
CN117036832B (zh) * | 2023-10-09 | 2024-01-05 | 之江实验室 | 一种基于随机多尺度分块的图像分类方法、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335966A (zh) * | 2015-10-14 | 2016-02-17 | 南京信息工程大学 | 基于局域同质性指标的多尺度遥感影像分割方法 |
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 |
CN110119744A (zh) * | 2019-05-07 | 2019-08-13 | 上海交通大学 | 多尺度分割约束的遥感影像语义分割方法 |
-
2020
- 2020-06-29 CN CN202010606564.5A patent/CN111860207B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335966A (zh) * | 2015-10-14 | 2016-02-17 | 南京信息工程大学 | 基于局域同质性指标的多尺度遥感影像分割方法 |
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 |
CN110119744A (zh) * | 2019-05-07 | 2019-08-13 | 上海交通大学 | 多尺度分割约束的遥感影像语义分割方法 |
Non-Patent Citations (1)
Title |
---|
基于多尺度融合的高分辨率影像城市用地分类;冯昕;杜世宏;张方利;王嵩;;地理与地理信息科学(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111860207A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860207B (zh) | 基于多尺度的遥感影像地物分类方法、***、装置及介质 | |
CN107997778B (zh) | 在计算机断层扫描血管造影术中基于深度学习的骨移除 | |
US20200242822A1 (en) | Digital Media Environment for Style-Aware Patching in a Digital Image | |
US10885392B2 (en) | Learning annotation of objects in image | |
Ren et al. | gSLICr: SLIC superpixels at over 250Hz | |
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
Li et al. | Improved breast mass segmentation in mammograms with conditional residual u-net | |
CN105574524B (zh) | 基于对白和分镜联合识别的漫画图像版面识别方法和*** | |
CN111542830A (zh) | 利用卷积神经网络处理组织学图像以识别肿瘤 | |
Bejnordi et al. | A multi-scale superpixel classification approach to the detection of regions of interest in whole slide histopathology images | |
EP1901228A1 (en) | Image processor | |
US20170076448A1 (en) | Identification of inflammation in tissue images | |
US11600091B2 (en) | Performing electronic document segmentation using deep neural networks | |
CN111553923B (zh) | 一种图像处理方法、电子设备及计算机可读存储介质 | |
US11288845B2 (en) | Information processing apparatus for coloring an image, an information processing program for coloring an image, and an information processing method for coloring an image | |
CN111768415A (zh) | 一种无量化池化的图像实例分割方法 | |
CN112883926B (zh) | 表格类医疗影像的识别方法及装置 | |
CN111860208B (zh) | 基于超像素的遥感影像地物分类方法、***、装置及介质 | |
CN113116377B (zh) | 超声成像导航方法、超声设备及存储介质 | |
KR20230117752A (ko) | 이미지들 내의 주석이 달린 관심 영역들의 검출 | |
Park et al. | Novel industrial surface-defect detection using deep nested convolutional network with attention and guidance modules | |
Garg et al. | Analysis of seam carving technique: limitations, improvements and possible solutions | |
CN112364863B (zh) | 证照文档的文字定位方法及*** | |
CN111383207A (zh) | 一种肌骨超声图像处理方法、***、装置及可读存储介质 | |
Qu et al. | An algorithm of image mosaic based on binary tree and eliminating distortion error |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231208 Address after: 518107 Room 501, building 3, Herun Jiayuan, Huaxia Road, Guangming Street, Guangming New District, Shenzhen City, Guangdong Province Patentee after: Sun Yat sen University.Shenzhen Patentee after: SUN YAT-SEN University Address before: 510275 No. 135 West Xingang Road, Guangzhou, Guangdong, Haizhuqu District Patentee before: SUN YAT-SEN University |
|
TR01 | Transfer of patent right |