CN112598692A - 基于标记像素矩阵的遥感影像分割后处理算法 - Google Patents
基于标记像素矩阵的遥感影像分割后处理算法 Download PDFInfo
- Publication number
- CN112598692A CN112598692A CN202011532221.5A CN202011532221A CN112598692A CN 112598692 A CN112598692 A CN 112598692A CN 202011532221 A CN202011532221 A CN 202011532221A CN 112598692 A CN112598692 A CN 112598692A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- processing
- picture
- algorithm based
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 21
- 238000012805 post-processing Methods 0.000 title claims abstract description 18
- 238000003709 image segmentation Methods 0.000 title claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 9
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 6
- 230000001351 cycling effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 17
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000003672 processing method Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于标记像素矩阵的遥感影像分割后处理算法,涉及遥感测绘地理信息技术领域,其包括以下步骤:a1、读取遥感图像数据。该基于标记像素矩阵的遥感影像分割后处理算法,通过无人机或者卫星拍照单元采集遥感影像数据并读取遥感图像数据,然后基于深度学习训练模型预测待处理图片,接下来进行二分类结果二值化处理即将预测结果处理成二值化图像,之后进行多分类结果循环rgb值并合并结果,填充特定大小阈值以内的孔洞,最后统一填充并在输出后处理成果物,从而解决了现今卫星拍摄的高分辨率遥感影像分割速度较慢、边缘融合效果差进而导致拍摄结果差、错分的问题。
Description
技术领域
本发明涉及遥感测绘地理信息技术领域,具体为基于标记像素矩阵的遥感影像分割后处理算法。
背景技术
语义分割是当今计算机视觉领域的关键问题之一,从宏观上看,语义分割是一项高层次的任务,为实现场景的完整理解铺平了道路,场景理解作为一个核心的计算机视觉问题,其重要性在于越来越多的应用程序通过从图像中推断知识来提供营养,其中一些应用包括自动驾驶汽车、人机交互、虚拟现实等,近年来随着深度学***面图像作为输入,并将它们转换为具有突出显示的感兴趣区域的掩模,专业术语为全像素语义分割,其中图像中的每个像素根据其所属的感兴趣对象被分配类别ID,图像分割是遥感解译的重要基础环节,高分辨率遥感图像中包含复杂的地物目标信息,我们在进行图像分割后,分割结果有时会有一些小孔洞,其中黑白两色表示两种不同的类别,一般情况下,这些孔洞属于错分情况,而为了优化结果,我们通常对这些孔洞进行填充,但是现今卫星拍摄的高分辨率遥感影像存在分割速度较慢、边缘融合效果差进而导致拍摄结果差、错分的问题,因此提出了基于标记像素矩阵的遥感影像分割后处理算法来解决这个问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于标记像素矩阵的遥感影像分割后处理算法,解决了现今卫星拍摄的高分辨率遥感影像分割速度较慢、边缘融合效果差进而导致拍摄结果差、错分的问题。
(二)技术方案
为达到以上目的,本发明采取的技术方案是:基于标记像素矩阵的遥感影像分割后处理算法,包括以下步骤:
a1、读取遥感图像数据;
a2、基于深度学习训练模型预测待处理图片;
a3、二分类结果二值化处理;
a4、多分类结果循环rgb值,合并结果;
a5、填充特定大小阈值以内的孔洞,设定阈值,计算每个孔洞的面积,如果面积大于阈值就不填充;
a6、统一填充,输出后处理成果物。
优选的,所述遥感图像数据通过无人机或者卫星拍照单元进行采集。
优选的,所述二分类结果二值化处理过程中255白色为目标物0黑色为背景。
优选的,所述基于深度学***和垂直相邻像素以及p的四个对角像素开始向四周扩展,所述坐标x,y像素p的4个水平和垂直相邻像素坐标是x+1,y、x-1,y、x,y+1,x,y-1,所述p的四个对角像素的坐标为x+1,y+1、x+1,y-1、x-1,y+1、x-1,y-1。
(三)有益效果
本发明的有益效果在于:
该基于标记像素矩阵的遥感影像分割后处理算法,通过无人机或者卫星拍照单元采集遥感影像数据并读取遥感图像数据,然后基于深度学习训练模型预测待处理图片,接下来进行二分类结果二值化处理即将预测结果处理成二值化图像,其中255白色为目标物,0黑色为背景,之后进行多分类结果循环rgb值并合并结果,填充特定大小阈值以内的孔洞,设定阈值,计算每个孔洞的面积,如果面积大于阈值就不填充,如果面积大于阈值则不填充,最后统一填充并在输出后处理成果物,进而使得该算法与现有语义分割技术相比显著解决预测偏差问题,同时该算法可行性强成果图像融合性好,生成的图像分辨率高,从而解决了现今卫星拍摄的高分辨率遥感影像分割速度较慢、边缘融合效果差进而导致拍摄结果差、错分的问题。
附图说明
图1为本发明语义分割后处理过程结构示意图;
图2为本发明有孔洞的二分类分割结果示意图;
图3为本发明二分类填充结果示意图;
图4为本发明有孔洞的多分类分割结果示意图;
图5为本发明多分类填充结果示意图;
图6为本发明有孔洞的多分类分割结果示意图;
图7为本发明特定阈值孔洞的多分类填充结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。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。
如图1-7所示,本发明提供一种技术方案:基于标记像素矩阵的遥感影像分割后处理算法,包括以下步骤:
a1、读取遥感图像数据;
a2、基于深度学习训练模型预测待处理图片;
a3、二分类结果二值化处理;
a4、多分类结果循环rgb值,合并结果;
a5、填充特定大小阈值以内的孔洞,设定阈值,计算每个孔洞的面积,如果面积大于阈值就不填充;
a6、统一填充,输出后处理成果物。
9遥感图像数据通过无人机或者卫星拍照单元进行采集。
二分类结果二值化处理过程中255白色为目标物0黑色为背景。
基于深度学***和垂直相邻像素以及p的四个对角像素开始向四周扩展,所述坐标x,y像素p的4个水平和垂直相邻像素坐标是x+1,y、x-1,y、x,y+1,x,y-1,所述p的四个对角像素的坐标为x+1,y+1、x+1,y-1、x-1,y+1、x-1,y-1。
本发明的操作步骤为:
首先通过无人机或者卫星拍照单元采集遥感影像数据并读取遥感图像数据,然后基于深度学***和垂直的相邻像素x+1,y,x-1,y,x,y+1,x,y-1以及p的四个对角像素坐标x+1,y+1,x+1,y-1,x-1,y+1,x-1,y-1进行处理,接下来进行二分类结果二值化处理即将预测结果处理成二值化图像,其中255白色为目标物,0黑色为背景,之后进行多分类结果循环rgb值并合并结果即利用循环分颜色进行单类别填充孔洞并合并,填充特定大小阈值以内的孔洞,设定阈值,计算每个孔洞的面积,如果面积大于阈值就不填充即获取每一个孔洞的轮廓,然后计算每个孔洞的面积,如果面积大于阈值则不填充,最后统一填充并在输出后处理成果物。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于标记像素矩阵的遥感影像分割后处理算法,包括以下步骤:
a1、读取遥感图像数据;
a2、基于深度学习训练模型预测待处理图片;
a3、二分类结果二值化处理;
a4、多分类结果循环rgb值,合并结果;
a5、填充特定大小阈值以内的孔洞,设定阈值,计算每个孔洞的面积,如果面积大于阈值就不填充;
a6、统一填充,输出后处理成果物。
2.根据权利要求1所述的基于标记像素矩阵的遥感影像分割后处理算法,其特征在于:所述遥感图像数据通过无人机或者卫星拍照单元进行采集。
3.根据权利要求1所述的基于标记像素矩阵的遥感影像分割后处理算法,其特征在于:所述二分类结果二值化处理过程中255白色为目标物0黑色为背景。
4.根据权利要求1所述的基于标记像素矩阵的遥感影像分割后处理算法,其特征在于:所述基于深度学***和垂直相邻像素以及p的四个对角像素开始向四周扩展,所述坐标x,y像素p的4个水平和垂直相邻像素坐标是x+1,y、x-1,y、x,y+1,x,y-1,所述p的四个对角像素的坐标为x+1,y+1、x+1,y-1、x-1,y+1、x-1,y-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011532221.5A CN112598692A (zh) | 2020-12-21 | 2020-12-21 | 基于标记像素矩阵的遥感影像分割后处理算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011532221.5A CN112598692A (zh) | 2020-12-21 | 2020-12-21 | 基于标记像素矩阵的遥感影像分割后处理算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112598692A true CN112598692A (zh) | 2021-04-02 |
Family
ID=75200575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011532221.5A Pending CN112598692A (zh) | 2020-12-21 | 2020-12-21 | 基于标记像素矩阵的遥感影像分割后处理算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598692A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310352A (zh) * | 2023-01-20 | 2023-06-23 | 首都医科大学宣武医院 | 一种阿尔兹海默病mri图像多分类方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN109800736A (zh) * | 2019-02-01 | 2019-05-24 | 东北大学 | 一种基于遥感影像和深度学习的道路提取方法 |
CN110807485A (zh) * | 2019-10-31 | 2020-02-18 | 电子科技大学 | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 |
CN111652892A (zh) * | 2020-05-02 | 2020-09-11 | 王磊 | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 |
CN112084872A (zh) * | 2020-08-10 | 2020-12-15 | 浙江工业大学 | 一种融合语义分割与边缘的高分遥感目标精准检测方法 |
-
2020
- 2020-12-21 CN CN202011532221.5A patent/CN112598692A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN109800736A (zh) * | 2019-02-01 | 2019-05-24 | 东北大学 | 一种基于遥感影像和深度学习的道路提取方法 |
CN110807485A (zh) * | 2019-10-31 | 2020-02-18 | 电子科技大学 | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 |
CN111652892A (zh) * | 2020-05-02 | 2020-09-11 | 王磊 | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 |
CN112084872A (zh) * | 2020-08-10 | 2020-12-15 | 浙江工业大学 | 一种融合语义分割与边缘的高分遥感目标精准检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310352A (zh) * | 2023-01-20 | 2023-06-23 | 首都医科大学宣武医院 | 一种阿尔兹海默病mri图像多分类方法及装置 |
CN116310352B (zh) * | 2023-01-20 | 2024-04-12 | 首都医科大学宣武医院 | 一种阿尔兹海默病mri图像多分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110176027B (zh) | 视频目标跟踪方法、装置、设备及存储介质 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN103578116B (zh) | 用于跟踪对象的设备和方法 | |
CN109272509B (zh) | 一种连续图像的目标检测方法、装置、设备及存储介质 | |
CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN109886978B (zh) | 一种基于深度学习的端到端告警信息识别方法 | |
CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
CN110781980B (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN110705412A (zh) | 一种基于运动历史图像的视频目标检测方法 | |
CN109522807B (zh) | 基于自生成特征的卫星影像识别***、方法及电子设备 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN112614136A (zh) | 一种红外小目标实时实例分割方法及装置 | |
CN113435407B (zh) | 一种输电***的小目标识别方法及装置 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN116052222A (zh) | 自然采集牛脸图像的牛脸识别方法 | |
CN111444923A (zh) | 自然场景下图像语义分割方法和装置 | |
CN115294483A (zh) | 输电线路复杂场景的小目标识别方法及*** | |
CN114943888B (zh) | 基于多尺度信息融合的海面小目标检测方法 | |
CN108345835B (zh) | 一种基于仿复眼感知的目标识别方法 | |
CN112598692A (zh) | 基于标记像素矩阵的遥感影像分割后处理算法 | |
Wang et al. | Foreground detection for infrared videos with multiscale 3-D fully convolutional network | |
CN113570615A (zh) | 一种基于深度学习的图像处理方法、电子设备及存储介质 | |
CN115345895B (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
CN116862920A (zh) | 一种人像分割方法、装置、设备及介质 | |
Zhang et al. | Contextual and Multi-Scale Feature Fusion Network for Traffic Sign Detection |
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 | ||
CB02 | Change of applicant information |
Address after: Room 504, Block E, HUanpu science and Technology Industrial Park, 211 tianguba Road, high tech Zone, Xi'an City, Shaanxi Province, 710000 Applicant after: Tudou Data Technology Group Co.,Ltd. Address before: Room 504, Block E, HUanpu science and Technology Industrial Park, 211 Gaoxin Tiangu 8th Road, Yanta District, Xi'an City, Shaanxi Province, 710075 Applicant before: SHAANXI TUDOU DATA TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |