CN112465886A - 模型生成方法、装置、设备和可读存储介质 - Google Patents
模型生成方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN112465886A CN112465886A CN202011427029.XA CN202011427029A CN112465886A CN 112465886 A CN112465886 A CN 112465886A CN 202011427029 A CN202011427029 A CN 202011427029A CN 112465886 A CN112465886 A CN 112465886A
- Authority
- CN
- China
- Prior art keywords
- image
- difference
- processed
- pixel point
- registered
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 230000000903 blocking effect Effects 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 26
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 9
- 230000001360 synchronised effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种模型生成方法、装置、设备和可读存储介质。其中，模型生成方法，包括：对第一待处理影像和第二待处理影像进行配准，得到与第一待处理影像对应的第一配准影像和与第二待处理影像对应的第二配准影像；其中，第一待处理影像和第二待处理影像为针对同一对象的两张影像；检测第一配准影像和第二配准影像之间的差异，得到影像差异图；对影像差异图进行分块处理，得到至少两个分块图；根据第一配准影像、第二配准影像以及分块图，对待训练模型进行训练，得到训练后的差异检测模型，其中，差异检测模型能够检测到两个不同影像之间的差异区域。本申请通过差异检测模型进行检测，可以加快检测效率，提高检测准确率。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种模型生成方法、装置、设备和可读存储介质。
背景技术
随着中国航天事业的发展，遥感影像变化检测成为遥感影像处理的热点研究课题，它对于土地规划、灾害检测、环境治理、城市变迁等领域有重要的指导意义。目前市场上多采用高分辨拍摄平台，如高分卫星和高清无人机。而高分辨遥感影像呈现的细节信息十分丰富，导致两个遥感图像之间的差异检测非常容易受噪声影响。对此，现有技术提出对遥感影像中的地物进行分类，再基于分类结果进行差异检测。
发明内容
本申请实施例提供一种模型生成方法、装置、设备和可读存储介质，以解决相关技术存在的问题，技术方案如下：
第一方面，本申请实施例提供了一种模型生成方法，包括：
对第一待处理影像和第二待处理影像进行配准，得到与所述第一待处理影像对应的第一配准影像和与所述第二待处理影像对应的第二配准影像；其中，所述第一待处理影像和所述第二待处理影像为针对同一对象的两张影像；
检测所述第一配准影像和所述第二配准影像之间的差异，得到影像差异图；
对所述影像差异图进行分块处理，得到至少两个分块图；
根据所述第一配准影像、所述第二配准影像以及所述分块图，对待训练模型进行训练，得到训练后的差异检测模型，其中，所述差异检测模型能够检测到两个不同影像之间的差异区域。
第二方面，本申请实施例提供了一种模型生成装置，包括：
配准模块，用于对第一待处理影像和第二待处理影像进行配准，得到与所述第一待处理影像对应的第一配准影像和与所述第二待处理影像对应的第二配准影像；其中，所述第一待处理影像和所述第二待处理影像为针对同一对象的两张影像；
影像差异图获得模块，用于检测所述第一配准影像和所述第二配准影像之间的差异，得到影像差异图；
分块处理模块，用于对所述影像差异图进行分块处理，得到至少两个分块图；
差异检测模型获得模块，用于根据所述第一配准影像、所述第二配准影像以及所述分块图，对待训练模型进行训练，得到训练后的差异检测模型，其中，所述差异检测模型能够检测到两个不同影像之间的差异区域。
第三方面，本申请实施例提供了一种模型生成设备，该设备包括：存储器和处理器。其中，该存储器和该处理器通过内部连接通路互相通信，该存储器用于存储指令，该处理器用于执行该存储器存储的指令，并且当该处理器执行该存储器存储的指令时，使得该处理器执行上述各方面任一种实施方式中的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储计算机程序，当计算机程序在计算机上运行时，上述各方面任一种实施方式中的方法被执行。
上述技术方案中的优点或有益效果至少包括：通过对两个待处理影像进行配准，然后基于两个配准影像得到的差异图进行分块，继而利用两个配准影像和差异图分块对待训练模型进行训练的方案，使得训练得到的差异检测模型，可以直接学习挖掘影像的深层特征，检测不同影像之间的差异区域，无需进行地物分类，进而也解决了因分类带来的耗费较大精力调试分割尺度的问题，提高检测效率。此外，采用差异图分块进行模型训练，其粒度更小，所包含的图像信息更集中，有利于挖掘图像深度特征，提高差异检测模型的稳定性和准确率。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本申请进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。
图1为根据本申请实施例的模型生成方法的流程图；
图2为根据本申请实施例的模型生成方法的示例图；
图3为根据本申请实施例的模型生成装置的结构框图；
图4为根据本申请实施例的模型生成设备的结构框图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本申请的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
图1示出根据本申请一实施例的模型生成方法的流程图。如图1所示，该模型生成方法可以包括：
S101、对第一待处理影像和第二待处理影像进行配准，得到与第一待处理影像对应的第一配准影像和与第二待处理影像对应的第二配准影像；其中，第一待处理影像和第二待处理影像为针对同一对象的两张影像；
S102、检测第一配准影像和第二配准影像之间的差异，得到影像差异图；
S103、对影像差异图进行分块处理，得到至少两个分块图；
S104、根据第一配准影像、第二配准影像以及分块图，对待训练模型进行训练，得到训练后的差异检测模型，其中，差异检测模型能够检测到两个不同影像之间的差异区域。
其中，第一待处理影像和第二待处理影像可以为高分辨率的遥感影像。第一待处理影像和第二待处理影像可以是在不同时间、不同成像设备或不同拍摄条件(如气候、光照、摄像位置和/或拍摄角度)下获取的两幅影像。
其中，第一待处理影像和第二待处理影像所针对的同一对象可以包括：人物、车辆、道路、建筑物、自然景观或地区等。
在上述实施方式中，先对第一待处理影像和第二待处理影像进行配准，基于两个配准影像进行差异检测，然后将检测得到的差异图进行分块，继而利用第一配准影像和第二配准影像确定输入模型的样本，利用分块图确定监督信息(即标签信息)，对待训练模型进行训练，得到差异检测模型。该差异检测模型，可以直接学习挖掘影像的深层特征，检测不同影像之间的差异区域，省略了地物分类步骤，也无需因分类耗费较大精力调试分割尺度，提高检测效率。
此外，差异图分块的粒度更小，包含的图像细节更集中，有利于提高挖掘更多影像特征，从而可以提高该差异检测模型的检测准确率。
进一步地，将差异图进行分块后训练模型，有利于训练差异检测模型多线程同步检测各个分块图对应在第一配准影像和第二配准影像的影像区域，从而实现差异检测模型可以多线程检测，加快检测效率。
在一种实施方式中，在步骤S101中，对第一待处理影像和第二待处理影像进行配准，包括：
确定第一待处理影像中第一像素点的位置信息；
在第二待处理影像中确定出与第一像素点相对应的第二像素点，以及确定第二像素点的位置信息；
根据第一像素点的位置信息和第二像素点的位置信息，对第一待处理影像和第二待处理影像进行配准。
在上述实施方式中，基于像素点级别的影像配准，有利于减少配准误差，提高影像配准的精确率。进一步的，使得后续的差异检测可以针对两个影像中同一位置的像素点的表达内容进行比对，提高了差异检测的精确度。
进一步的，在第二待处理影像中确定出与第一像素点相对应的第二像素点后，还包括步骤：
以第二像素点作为中心点，在第二待处理影像中确定出预设尺寸的候选区域；
在候选区域内的各个候选像素点中，选取出与第一像素点的光谱差异最小的目标像素点；
根据目标像素点，对第二像素点进行更正，以利用更正后的第二像素点进行第一待处理影像和第二待处理影像进行配准。
由于第一待处理影像和第二待处理影像之间的拍摄角度和光照条件可能存在的不同，导致同一物体呈现的差异较大，致使像素点的初步配准存在误差。因此，在像素点初步配准后，考虑初步配准像素点周围的光谱信息，从而确定最终配准像素点对，提高了配准准确度。同时，该配准纠正步骤，也有利于打破传统配准方法对传感器种类和分辨率必须统一的硬性要求，扩大了适用于影像差异检测的源数据范围。
在一种实施方式中，步骤S102中，检测第一配准影像和第二配准影像之间的差异，得到影像差异图，包括：
检测第一配准影像和第二配准影像之间的光谱差异，确定光谱差异图；
检测第一配准影像和第二配准影像之间的纹理差异，确定纹理差异图；
将光谱差异图和纹理差异图进行合并，得到影像差异图，影像差异图的各个像素点表征光谱差异和纹理差异的合并信息。
上述实施方式中，影像差异图包含了光谱差异信息和纹理差异信息，充分利用了影像的空间和图像信息。
进一步地，检测第一配准影像和第二配准影像之间的光谱差异，确定光谱差异图，包括：通过计算第一配准影像的各个像素点和第二配准影像中对应像素点的光谱差异值，确定光谱差异图。其中，光谱差异图中各个位置表征第一配准影像和第二配准影像之间对应像素点的光谱差异。
其中，对于第一配准影像X和第二配准影像Y，两者的光谱差异值的计算方式为：首先，根据第一像素点Xa在第一配准影像X中确定第一区域，根据第二像素点Ya在第二配准影像Y中确定第二区域，第一像素点Xa和第二像素点Ya相对应。例如，以第一像素点Xa为第一区域的中心点，在第一配准影像X中确定出一大小为10×10的第一区域。然后，计算第一像素点Xa分别和第二区域内各个像素点的光谱差异值，称作第一光谱差异值。以及计算第二像素点Ya分别和第一区域内各个像素点的光谱差异值，称作第二光谱差异值。最后，从各个第一光谱差异值和各个第二光谱差异值中选取一个最小光谱差异值，作为第一像素点Xa和第二像素点Ya之间的光谱差异值。此时，将用于计算此最小光谱差异值的两个像素点作为新的第一像素点和第二像素点。
进一步地，检测第一配准影像和第二配准影像之间的纹理差异，确定纹理差异图，包括：通过计算第一配准影像的各个像素点和第二配准影像中对应像素点的纹理差异值，确定纹理差异图。其中，纹理差异图中各个位置表征第一配准影像和第二配准影像之间对应像素点的纹理差异。
其中，对于第一配准影像中的第一像素点和第二配准影像中与第一像素点对应的第二像素点，两者的纹理差异值的计算方式为：首先，根据第一像素点在第一配准影像中确定第三区域，根据第二像素点在第二配准影像中确定第四区域。然后，计算第三区域各个波段的纹理特征以及第四区域各个波段的纹理特征。根据第三区域各个波段的纹理特征和第四区域对应波段的纹理特征的差值，然后对各个波段的纹理特征的差值的平方和进行开方，得到第一像素点和第二像素点的纹理差异值。
上述方式中，在计算光谱差异和纹理差异时，均考虑像素点周围的空间信息，提高了差异检测准确度。
在一种实施方式中，步骤S104中，根据第一配准影像、第二配准影像以及分块图，对待训练模型进行训练，包括：
从分块图所对应的差异值中选取出差异值符合预设条件的目标区域；
根据目标区域的差异值确定出针对目标区域的标签；
根据第一配准影像与目标区域对应的区域，以及第二配准影像中与目标区域对应的区域，以及标注有标签的目标区域，对待训练模型进行训练。
其中，预设条件可以是预先设置的差异取值区间和无差异取值区间。因此，从分块图中，选取差异值符合差异取值区间的区域以及差异值符合无差异取值区间的区域，得到目标区域。对应的，标签包括有差异和无差异两类。目标区域的差异值属于差异取值区间，确定其标签为有差异，目标区域的差异值属于无差异取值区间，确定其标签为没有差异。
在一种实施方式中，在步骤S103之后，还可以包括：将待训练模型的样本数据(即第一配准影像与目标区域对应的区域以及第二配准影像中与目标区域对应的区域)进行波段反转和/或角度旋转操作，得到新的样本数据，以扩增训练样本数量。可以训练提高人工智能对不同光谱波段和有角度不同的影像数据识别的智能程度。
在一种实施方式中，步骤S104中的待训练模型，可以采用高斯-伯努利深度玻尔兹曼机模型。
在一种实施方式中，本申请实施例提供的模型生成方法，还包括：
获取第一待测影像和第二待测影像；
将第一待测影像和第二待测影像输入差异检测模型，得到第一待测影像和第二待测影像的影像差异区域结果。
在上述实施方式中，可以通过差异检测模型对第一待测影像和第二待测影像之间相对应的像素点逐个进行差异检测，即进行是否有差异的划分，最终生成差异区域检测图，通过差异区域检测图可以确定出第一待测影像和第二待测影像之间有差异的区域。举例说明，对于第一待测影像中的第一像素点以及第二待测影像中与第一像素点对应的第二像素点，如果第一像素点和第二像素点存在差异，则差异区域检测图中与第一像素点和第二像素点表征同一位置信息像素点的取值为1，反之取值为0。因此，在差异区域检测图中，像素取值为1的区域则对应表示差异区域。
进一步地，第一待测影像为第一原始待测影像中的一个分块，第二待测影像为第二原始待测影像中与第一待测影像相对应的一个分块。
即，获取第一待测影像和第二待测影像，包括：对第一原始待测影像和第二原始待测影像进行影像配准，得到与第一原始待测影像对应的第一配准待测影像和第二配准待测影像。对第一配准待测影像和第二配准待测影像进行切块，并按照位置顺序将切块结果分别存储为第一待测影像集和第二待测影像集。从第一待测影像集中获取第一待测影像，从第二待测影像集中获取第二待测影像。
在上述实施方式的基础上，可以将第一待测影像集和第二待测影像集之间相对应的多对待测影像对输入差异检测模型，得到多对待测影像对的差异区域结果。将多对待测影像对的差异区域结果进行合并，得到影像差异区域结果。
进一步地，多对待测影像对的差异检测，可以是多线程同步处理。具体地，可以是采用多个差异检测模型同步检测，每个差异检测模型检测预设数量的待测影像对。也可以是采用一个差异检测模型同步检测多对待测影像对。这样多线程同步处理再融合获得完整的输出结果，有利于加快检测效率。
图2示出基于本申请实施例的一个示例实施例的上述内容所提供的一个示例。
如图2所示，在训练阶段，首先，将待处理影像100和待处理影像200进行影像配准，得到配准影像101和配准影像201。然后，对配准影像101和配准影像201进行光谱差异检测和纹理差异检测，并，结合光谱差异检测和纹理差异检测的结果生成影像差异图。接着，将影像差异图进行分块，得到多个分块图。利用多个分块图的差异值，在各个分块图中选取目标区域并确定目标区域的标签信息。最后，根据目标区域分别从配准影像101和配准影像201选取对应的区域作为训练样本，然后利用目标区域的标签作为监督信息，训练待训练模型，得到差异检测模型。
在预测阶段，待测影像102和待测影像202输入差异检测模型，根据差异检测模型输出的结果，得到差异区域检测图。
图3示出根据本发明一实施例的模型生成装置的结构框图。如图3所示，该模型生成装置300可以包括：
配准模块301，用于对第一待处理影像和第二待处理影像进行配准，得到与第一待处理影像对应的第一配准影像和与第二待处理影像对应的第二配准影像；其中，第一待处理影像和第二待处理影像为针对同一对象的两张影像；
影像差异图获得模块302，用于检测第一配准影像和第二配准影像之间的差异，得到影像差异图；
分块处理模块303，用于对影像差异图进行分块处理，得到至少两个分块图；
差异检测模型获得模块304，用于根据第一配准影像、第二配准影像以及分块图，对待训练模型进行训练，得到训练后的差异检测模型，其中，差异检测模型能够检测到两个不同影像之间的差异区域。
在一种实施方式中，配准模块，包括：
第一像素点位置确定子模块，用于确定第一待处理影像中第一像素点的位置信息；
第二像素点位置确定子模块，用于在第二待处理影像中确定出与第一像素点相对应的第二像素点，以及确定第二像素点的位置信息；
配准子模块，用于根据第一像素点的位置信息和第二像素点的位置信息，分别对第一待处理影像和第二待处理影像进行配准。
在一种实施方式中，影像差异图获得模块，包括：
光谱差异图获得子模块，用于检测第一配准影像和第二配准影像之间的光谱差异，确定光谱差异图；
纹理差异图获得子模块，用于检测第一配准影像和第二配准影像之间的纹理差异，确定纹理差异图；
影像差异图获得子模块，用于将光谱差异图和纹理差异图进行合并，得到影像差异图，影像差异图的各个像素点表征光谱差异和纹理差异的合并信息。
在一种实施方式中，差异检测模型获得模块，包括：
目标区域选取子模块，用于从分块图所对应的差异值中选取出差异值符合预设条件的目标区域；
标签确定子模块，用于根据目标区域的差异值确定出针对目标区域的标签；
训练子模块，用于根据第一配准影像与目标区域对应的区域，以及第二配准影像中与目标区域对应的区域，以及标注有标签的目标区域，对待训练模型进行训练。
在一种实施方式中，还包括：
待测影像获取模块，用于获取第一待测影像和第二待测影像；
差异区域检测模块，用于将第一待测影像和第二待测影像输入差异检测模型，得到第一待测影像和第二待测影像的影像差异区域结果。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
图4示出根据本发明一实施例的模型生成设备的结构框图。如图4所示，该模型生成设备包括：存储器410和处理器420，存储器410内存储有可在处理器420上运行的计算机程序。处理器420执行该计算机程序时实现上述实施例中的模型生成方法。存储器410和处理器420的数量可以为一个或多个。
该模型生成设备还包括：
通信接口430，用于与外界设备进行通信，进行数据交互传输。
如果存储器410、处理器420和通信接口430独立实现，则存储器410、处理器420和通信接口430可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，EISA)总线等。该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中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器410、处理器420及通信接口430集成在一块芯片上，则存储器410、处理器420及通信接口430可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现本申请实施例中提供的方法。
本申请实施例还提供了一种芯片，该芯片包括，包括处理器，用于从存储器中调用并运行存储器中存储的指令，使得安装有芯片的通信设备执行本申请实施例提供的方法。
本申请实施例还提供了一种芯片，包括：输入接口、输出接口、处理器和存储器，输入接口、输出接口、处理器以及存储器之间通过内部连接通路相连，处理器用于执行存储器中的代码，当代码被执行时，处理器用于执行申请实施例提供的方法。
应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(fieldprogrammable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(advanced RISC machines，ARM)架构的处理器。
进一步地，可选的，上述存储器可以包括只读存储器和随机存取存储器，还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以包括只读存储器(read-onlymemory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以包括随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic random access memory，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
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、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。
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。
应理解的是，本申请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。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种模型生成方法，其特征在于，包括：
对第一待处理影像和第二待处理影像进行配准，得到与所述第一待处理影像对应的第一配准影像和与所述第二待处理影像对应的第二配准影像；其中，所述第一待处理影像和所述第二待处理影像为针对同一对象的两张影像；
检测所述第一配准影像和所述第二配准影像之间的差异，得到影像差异图；
对所述影像差异图进行分块处理，得到至少两个分块图；
根据所述第一配准影像、所述第二配准影像以及所述分块图，对待训练模型进行训练，得到训练后的差异检测模型，其中，所述差异检测模型能够检测到两个不同影像之间的差异区域。
2.根据权利要求1所述的方法，其特征在于，所述对第一待处理影像和第二待处理影像进行配准，包括：
确定所述第一待处理影像中第一像素点的位置信息；
在所述第二待处理影像中确定出与所述第一像素点相对应的第二像素点，以及确定所述第二像素点的位置信息；
根据所述第一像素点的位置信息和所述第二像素点的位置信息，分别对所述第一待处理影像和所述第二待处理影像进行初步配准。
3.根据权利要求1所述的方法，其特征在于，所述检测所述第一配准影像和所述第二配准影像之间的差异，得到影像差异图，包括：
检测所述第一配准影像和所述第二配准影像之间的光谱差异，确定光谱差异图；
检测所述第一配准影像和所述第二配准影像之间的纹理差异，确定纹理差异图；
将所述光谱差异图和所述纹理差异图进行合并，得到影像差异图，所述影像差异图的各个像素点表征光谱差异和纹理差异的合并信息。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一配准影像、所述第二配准影像以及所述分块图，对待训练模型进行训练，包括：
从所述分块图所对应的差异值中选取出差异值符合预设条件的目标区域；
根据所述目标区域的差异值确定出针对所述目标区域的标签；
根据所述第一配准影像与所述目标区域对应的区域，以及所述第二配准影像中与所述目标区域对应的区域，以及标注有所述标签的目标区域，对待训练模型进行训练。
5.根据权利要求1至4任一项所述的方法，其特征在于，还包括：
获取第一待测影像和第二待测影像；
将所述第一待测影像和所述第二待测影像输入所述差异检测模型，得到所述第一待测影像和所述第二待测影像的影像差异区域结果。
6.一种模型生成装置，其特征在于，包括：
配准模块，用于对第一待处理影像和第二待处理影像进行配准，得到与所述第一待处理影像对应的第一配准影像和与所述第二待处理影像对应的第二配准影像；其中，所述第一待处理影像和所述第二待处理影像为针对同一对象的两张影像；
影像差异图获得模块，用于检测所述第一配准影像和所述第二配准影像之间的差异，得到影像差异图；
分块处理模块，用于对所述影像差异图进行分块处理，得到至少两个分块图；
差异检测模型获得模块，用于根据所述第一配准影像、所述第二配准影像以及所述分块图，对待训练模型进行训练，得到训练后的差异检测模型，其中，所述差异检测模型能够检测到两个不同影像之间的差异区域。
7.根据权利要求6所述的装置，其特征在于，所述配准模块，包括：
第一像素点位置确定子模块，用于确定所述第一待处理影像中第一像素点的位置信息；
第二像素点位置确定子模块，用于在所述第二待处理影像中确定出与所述第一像素点相对应的第二像素点，以及确定所述第二像素点的位置信息；
配准子模块，用于根据所述第一像素点的位置信息和所述第二像素点的位置信息，分别对所述第一待处理影像和所述第二待处理影像进行配准。
8.根据权利要求6所述的装置，其特征在于，所述影像差异图获得模块，包括：
光谱差异图获得子模块，用于检测所述第一配准影像和所述第二配准影像之间的光谱差异，确定光谱差异图；
纹理差异图获得子模块，用于检测所述第一配准影像和所述第二配准影像之间的纹理差异，确定纹理差异图；
影像差异图获得子模块，用于将所述光谱差异图和所述纹理差异图进行合并，得到影像差异图，所述影像差异图的各个像素点表征光谱差异和纹理差异的合并信息。
9.根据权利要求6所述的装置，其特征在于，所述差异检测模型获得模块，包括：
目标区域选取子模块，用于从所述分块图所对应的差异值中选取出差异值符合预设条件的目标区域；
标签确定子模块，用于根据所述目标区域的差异值确定出针对所述目标区域的标签；
训练子模块，用于根据所述第一配准影像与所述目标区域对应的区域，以及所述第二配准影像中与所述目标区域对应的区域，以及标注有所述标签的目标区域，对待训练模型进行训练。
10.根据权利要求6至9任一项所述的装置，其特征在于，还包括：
待测影像获取模块，用于获取第一待测影像和第二待测影像；
差异区域检测模块，用于将所述第一待测影像和所述第二待测影像输入所述差异检测模型，得到所述第一待测影像和所述第二待测影像的影像差异区域结果。
11.一种模型生成设备，其特征在于，包括：处理器和存储器，所述存储器中存储指令，所述指令由处理器加载并执行，以实现如权利要求1至5任一项所述的方法。
12.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011427029.XA CN112465886A (zh) | 2020-12-09 | 2020-12-09 | 模型生成方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011427029.XA CN112465886A (zh) | 2020-12-09 | 2020-12-09 | 模型生成方法、装置、设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112465886A true CN112465886A (zh) | 2021-03-09 |
Family
ID=74800322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011427029.XA Pending CN112465886A (zh) | 2020-12-09 | 2020-12-09 | 模型生成方法、装置、设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465886A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409485A (zh) * | 2021-08-03 | 2021-09-17 | 广东电网有限责任公司佛山供电局 | 巡检数据获取方法、装置、计算机设备和存储介质 |
| CN113933294A (zh) * | 2021-11-08 | 2022-01-14 | 中国联合网络通信集团有限公司 | 浓度检测方法及装置 |
| CN114882079A (zh) * | 2022-04-12 | 2022-08-09 | 北京极感科技有限公司 | 图像配准检测方法、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08191440A (ja) * | 1995-01-10 | 1996-07-23 | Fukuda Denshi Co Ltd | 内視画像補正方法及び装置 |
| US6766054B1 (en) * | 2000-08-14 | 2004-07-20 | International Business Machines Corporation | Segmentation of an object from a background in digital photography |
| CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
| US20130314437A1 (en) * | 2012-05-22 | 2013-11-28 | Sony Corporation | Image processing apparatus, image processing method, and computer program |
| US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
| CN107248172A (zh) * | 2016-09-27 | 2017-10-13 | 中国交通通信信息中心 | 一种基于cva和样本选择的遥感影像变化检测方法 |
| US20170301093A1 (en) * | 2016-04-13 | 2017-10-19 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
| 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 |
| CN109636838A (zh) * | 2018-12-11 | 2019-04-16 | 北京市燃气集团有限责任公司 | 一种基于遥感影像变化检测的燃气隐患分析方法及装置 |
-
2020
- 2020-12-09 CN CN202011427029.XA patent/CN112465886A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08191440A (ja) * | 1995-01-10 | 1996-07-23 | Fukuda Denshi Co Ltd | 内視画像補正方法及び装置 |
| US6766054B1 (en) * | 2000-08-14 | 2004-07-20 | International Business Machines Corporation | Segmentation of an object from a background in digital photography |
| CN102254319A (zh) * | 2011-04-19 | 2011-11-23 | 中科九度(北京)空间信息技术有限责任公司 | 一种多层次分割的遥感影像变化检测方法 |
| US20130314437A1 (en) * | 2012-05-22 | 2013-11-28 | Sony Corporation | Image processing apparatus, image processing method, and computer program |
| US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
| US20170301093A1 (en) * | 2016-04-13 | 2017-10-19 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
| CN107248172A (zh) * | 2016-09-27 | 2017-10-13 | 中国交通通信信息中心 | 一种基于cva和样本选择的遥感影像变化检测方法 |
| 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 |
| CN109636838A (zh) * | 2018-12-11 | 2019-04-16 | 北京市燃气集团有限责任公司 | 一种基于遥感影像变化检测的燃气隐患分析方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| HERNG-HUA CHANG 等: "Remote Sensing Image Registration Based on Modified SIFT and Feature Slope Grouping", 《 IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 16, no. 9, pages 1363, XP011743022, DOI: 10.1109/LGRS.2019.2899123 * |
| YANLONG CHEN 等: "Automatic Extraction Method of Sargassum Based on Spectral-Texture Features of Remote Sensing Images", 《 IGARSS 2019 - 2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》, pages 3705 - 3707 * |
| 吕可枫 等: "超像素的随机森林遥感影像变化检测", 《测绘科学技术学报》, vol. 37, no. 03, pages 269 - 274 * |
| 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》, vol. 46, no. 08, pages 999 - 1008 * |
| 王昶 等: "基于深度学习的遥感影像变化检测方法", 《浙江大学学报(工学版)》, vol. 54, no. 11, pages 2138 - 2148 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409485A (zh) * | 2021-08-03 | 2021-09-17 | 广东电网有限责任公司佛山供电局 | 巡检数据获取方法、装置、计算机设备和存储介质 |
| CN113409485B (zh) * | 2021-08-03 | 2023-12-12 | 广东电网有限责任公司佛山供电局 | 巡检数据获取方法、装置、计算机设备和存储介质 |
| CN113933294A (zh) * | 2021-11-08 | 2022-01-14 | 中国联合网络通信集团有限公司 | 浓度检测方法及装置 |
| CN114882079A (zh) * | 2022-04-12 | 2022-08-09 | 北京极感科技有限公司 | 图像配准检测方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465886A (zh) | 模型生成方法、装置、设备和可读存储介质 | |
| CN111523459B (zh) | 遥感影像裸地识别方法、装置、电子设备及存储介质 | |
| US10802485B2 (en) | Apparatus, method and computer program product for facilitating navigation of a vehicle based upon a quality index of the map data | |
| CN110287831B (zh) | 一种基于地标的控制点的获取方法、装置和电子设备 | |
| CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
| KR20230004474A (ko) | 이미지 기반 위치 결정을 위한 시스템 및 방법 | |
| CN111429482A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
| CN114240805B (zh) | 一种多角度sar动态成像检测方法及装置 | |
| CN115631397A (zh) | 一种基于双模态图像的目标检测方法及装置 | |
| US20220222859A1 (en) | Difference detection apparatus, difference detection method, and program | |
| CN115984273A (zh) | 道路病害检测方法、装置、计算机设备及可读存储介质 | |
| CN114022523B (zh) | 低重叠点云数据配准***及方法 | |
| Drzewiecki | Thorough statistical comparison of machine learning regression models and their ensembles for sub-pixel imperviousness and imperviousness change mapping | |
| CN112101310B (zh) | 基于上下文信息的道路提取方法、装置和计算机设备 | |
| KR102488813B1 (ko) | 엣지 이미지를 이용한 시차맵 생성 방법 및 장치 | |
| CN116844050A (zh) | 一种基于多源遥感数据的伟晶岩型锂矿找矿方法 | |
| CN112215304A (zh) | 一种用于地理影像拼接的灰度影像匹配方法及装置 | |
| US20240011792A1 (en) | Method and apparatus for updating confidence of high-precision map | |
| CN115797742A (zh) | 图像融合方法和检测模型的训练方法及*** | |
| CN113884188B (zh) | 一种温度检测方法、装置及电子设备 | |
| CN113096129B (zh) | 高光谱卫星影像中的云量检测方法和装置 | |
| US11391808B2 (en) | Method for direction finding of at least one stationary and/or moving transmitter as well as system for direction finding | |
| CN114563785A (zh) | 基于相位梯度的地表形变探测方法、装置、设备及介质 | |
| CN113203424A (zh) | 多传感器的数据融合方法、装置及相关设备 | |
| CN113484879A (zh) | 可穿戴设备的定位方法和装置 |
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 |