CN112991301B - 遥感影像建筑物实例掩膜提取方法及***、介质、设备 - Google Patents
遥感影像建筑物实例掩膜提取方法及***、介质、设备 Download PDFInfo
- Publication number
- CN112991301B CN112991301B CN202110299154.5A CN202110299154A CN112991301B CN 112991301 B CN112991301 B CN 112991301B CN 202110299154 A CN202110299154 A CN 202110299154A CN 112991301 B CN112991301 B CN 112991301B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- mask
- sample set
- unit
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000012805 post-processing Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000000007 visual effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (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 Analysis (AREA)
Abstract
本发明提供一种遥感影像建筑物实例掩膜提取方法及***、终端设备、存储介质，该方法结合权重映射与分水岭算法来实现单个建筑物的提取，利用权重映射方法重点关注遥感影像密集建筑物的间隙，在训练阶段，加大了像素级损失值对遥感影像重点区域即相邻建筑物之间的间隙的惩罚力度，从提取结果看，使得建筑物之间的边界更加清晰，从概率分布图上看，建筑物边界向内的值变大，向外的值变小；基于标记的分水岭算法利用概率分布图的特点，进行影像后处理后可得到分水线，从而可以较好地解决遥感影像建筑物提取结果中经常出现相邻建筑掩膜粘连的问题。
Description
技术领域
本申请涉及遥感影像处理技术领域，尤其涉及一种遥感影像建筑物实例掩膜提取方法。
背景技术
近年来，高分辨率遥感影像正在改变人类对世界的认知，以及人类与地球之间的互动方式。在城市遥感影像中，建筑物作为城市主要形态组成部分，在旧城改造、地图绘制、抢险救灾、军事侦察等方面上有着极其重要的地位，若由机器自动提取建筑物，将会节省大量的人力和物力，效率等将会大幅度提高，海量的遥感影像数据将会得到充分利用。
虽然自动化提取算法得到不断改进，但仍需大量的手工工作来确保地理空间的准确性和良好的质量。改进工作仍需进行，以便能够对人道主义和灾害反应等重大世界事件做出更迅速的反应。当前主流算法将建筑物提取视为二分类问题即将遥感影像中的像素点划分为建筑物与非建筑物两大类，然而对于单个建筑物的提取还不能达到一个很好的效果。
发明内容
有鉴于此，本申请提供一种遥感影像建筑物实例掩膜提取方法及***，该提取方法结合权重映射与分水岭算法来提高单个建筑物的提取效果。
为解决上述技术问题，本申请采用以下技术方案：
根据本发明实施例提供一种遥感影像建筑物实例掩膜提取方法，所述方法包括：
获取结合权重映射对遥感影像建筑物样本集进行训练得到的最优模型；
利用所述最优模型对遥感影像作业区进行预测，得到所述遥感影像作业区的概率分布图；
利用所述分水岭算法对所述概率分布图进行影像后处理，得到分水线；
对所述概率分布图进行阈值分割处理，得到初始的掩膜图；
将所述分水线与所述初始的掩膜图进行叠加处理后，得到所述遥感影像的实例掩膜。
优选地，获取结合权重映射对遥感影像建筑物样本集进行训练得到的最优模型，包括：
获取所述遥感影像建筑物样本集；
根据所述遥感影像建筑物样本集的掩膜，计算与之相对应的权重；
利用语义分割模型对所述遥感影像建筑物样本集进行训练，并将所述权重映射到训练过程中产生的损失值上；
利用所述损失值优化所述语义分割模型，当所述损失值收敛时，得到所述最优模型。
优选地，利用语义分割模型对所述遥感影像建筑物样本集进行训练，并将所述权重映射到训练过程中产生的像素级损失值上，包括：
对所述遥感影像建筑物样本集进行数据预处理，其中，所述数据预处理至少包括数据集划分、数据增强、数据归一化。
优选地，利用所述分水岭算法对所述概率分布图进行影像后处理，得到分水线，包括：
将所述概率分布图进行可视化分析，并基于分水岭算法对所述可视化分析结果进行设置高低阈值。
优选地，将所述分水线与所述初始的掩膜图进行叠加，得到所述遥感影像的实例掩膜，包括：
将所述分水线与所述初始的掩膜图进行叠加处理后进行面矢量化，并移除面积较小的面矢量，得到所述遥感影像的实例掩膜。
本发明还提供一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行遥感影像建筑物实例掩膜提取方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行遥感影像建筑物实例掩膜提取方法。
本发明还提供一种遥感影像建筑物实例掩膜提取***，包括获取模块、预测模块、影像处理模块、分割模块和叠加模块；其中，
所述获取模块被配置用于获取结合权重映射对遥感影像建筑物样本集进行训练得到的最优模型；
所述预测模块被配置用于利用所述最优模型对遥感影像作业区进行预测，得到所述遥感影像作业区的概率分布图；
所述影像后处理模块被配置用于利用所述分水岭算法对所述概率分布图进行影像后处理，得到分水线；
所述分割模块被配置用于对所述概率分布图进行阈值分割处理，得到初始的掩膜图；
所述叠加模块被配置用于将所述分水线与所述初始的掩膜图进行叠加，得到所述遥感影像的实例掩膜。
优选地，所述获取模块包括获取权重单元、计算单元、训练单元和优化单元；其中，
所述获取权重单元被配置用于获取所述遥感影像建筑物样本集；
所述计算单元被配置用于根据所述遥感影像建筑物样本集的掩膜，计算与之相对应的权重；
所述训练单元被配置用于利用语义分割模型对所述遥感影像建筑物样本集进行训练，并将所述权重映射到训练过程中产生的损失值上；
所述训练单元包括数据预处理单元，所述数据预处理单元被配置用于对所述遥感影像建筑物样本集进行数据预处理，其中，所述数据预处理至少包括数据集划分、数据增强、数据归一化；
所述优化单元被配置用于利用所述损失值优化所述语义分割模型，当所述损失值收敛时，得到所述最优模型。
优选地，所述影像后处理模块包括可视化分析单元，所述可视化分析单元被配置用于将所述概率分布图进行可视化分析，并基于分水岭算法对所述可视化分析结果进行设置高低阈值；
所述叠加模块包括面矢量化单元，所述面矢量化单元被配置用于将所述分水线与所述初始的掩膜图进行叠加处理后进行面矢量化，并移除面积较小的面矢量，得到所述遥感影像的实例掩膜。
本申请的上述技术方案至少具有如下有益效果之一：
根据本申请实施例的一种遥感影像建筑物实例掩膜提取方法及***，该方法结合权重映射与分水岭算法来提高单个建筑物的提取效果，利用权重映射方法重点关注遥感影像密集建筑物的间隙，在训练阶段，加大了像素级损失值对遥感影像重点区域即相邻建筑物之间的间隙的惩罚力度，从提取结果看，使得建筑物之间的边界更加清晰，从概率分布图上看，建筑物边界向内的值变大，向外的值变小；基于标记的分水岭算法利用概率分布图的特点，进行影像后处理后可得到分水线，从而可以较好地解决遥感影像建筑物提取结果中经常出现相邻建筑掩膜粘连的问题。
附图说明
图1为本申请实施例的整体流程图；
图2为本申请一实施例的具体流程图；
图3为本申请实施例的模型训练与模型预测的逻辑示意图；
图4a为本申请实施例中遥感影像建筑物样本集掩膜图对应的权重图；
图4b为本申请实施例的遥感影像建筑物样本集的掩膜图；
图5为本申请实施例中概率分布图的可视化分析结果的热力图；
图6a本申请实施例中的分水岭算法的盆地区域图；
图6b本申请实施例中的分水岭算法的作业区域图；
图6c本申请实施例中的初始的掩模图；
图6d本申请实施例中的遥感影像的实例掩膜；
图6e本申请实施例中的遥感影像建筑样本；
图7a本申请实施例中的待提取的遥感影像建筑物影像；
图7b本申请实施例中的提取后得到的遥感影像的实例掩膜图；
图8为本申请实施例的遥感影像建筑物实例掩膜提取***的模块图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在现有技术中，对于单个建筑物的提取存在的主要原因是相邻建筑物之间的间隙较小使得提取的结果存在掩膜粘连的情况，对于单个建筑物的提取不能达到很好的提取效果。
针对上述问题，本发明实施例提供一种遥感影像建筑物实例掩膜提取方法，该方法先利用权重映射方法重点关注遥感影像中密集建筑物的间隙，在训练过程中加大相邻建筑物之间的间隙的惩罚力度，利用该方法得到的模型提取的建筑物的边界更加清晰；在利用分水岭算法对边界清晰的建筑物遥感影像进行影像后处理得到分水线，从而可以较好地解决遥感影像建筑物提取结果中经常出现相邻建筑掩膜粘连的问题。
下面通过结合具体的附图对本申请的各个实施例进行详细的说明。
具体的，在本申请的一个实施例中提供一种遥感影像建筑物实例掩膜提取方法，如图1所示，该方法具体包括如下步骤：
S1、获取结合权重映射对遥感影像建筑物样本进行训练得到的最优模型。在本发明一实施例中，如图2所示，结合权重映射对遥感影像建筑物样本进行训练得到最优模型的方法包括：
S11、获取遥感影像建筑物样本集。通过将原始遥感影像建筑物数据添加标签得到遥感影像建筑物样本，如图6e所示，若干遥感影像建筑样本形成遥感影像建筑样本集。
S12、根据遥感影像建筑物样本集的掩膜，计算与遥感影像建筑物样本集相对应的权重。如图4a和4b所示，图4b为遥感影像建筑物样本集的掩膜图；图4a为图4b相对应的权重图。根据对步骤S11中得到的遥感影像建筑物样本集的掩膜，权重为一个与对应的遥感影像建筑物样本集的掩膜相同大小的矩阵，权重值的大小反映了遥感影像建筑物之间的紧密程度。其中，权重的计算公式包括：
其中，Wc是用来消除类别之间的不均衡；d1是表示到最近的建筑物边界的距离；d2是到次最近建筑物边界的距离，w0、σ是调节常量。
其中，消除类别之间的不均衡，包括如下步骤：
第一步、新建与遥感影像建筑物样本掩膜相同大小的零值掩膜；
第二步、计算遥感影像建筑物样本中的类别数以及每个类别出现的频率；
第三步、将每个类出现的频率赋值到与遥感影像建筑物样本中对应位置的零值掩膜上，以消除类别之间的不均衡。
S13、利用语义分割模型对遥感影像建筑物样本集进行训练，并将权重映射到训练过程中产生的像素级损失值上。在本发明一实施例中，如图3所示，语义分割模型优选为U-Net,U-Net模型中的编码器部分使用ResNet34在ImageNet上预训练后的权重，删除ResNet中的全连接层，其它部分的网络参数进行随机初始化。当然语义分割模型并不仅限定为U-Net模型。
在利用U-Net模型对遥感影像建筑物样本集进行训练的过程中，将步骤S12中得到的权重对训练过程中产生的像素级的损失值进行映射。
进一步的，在将权重映射到损失值的过程中，损失函数的数据计算公式为：
其中，y为真实值，为预测值。
权重映射的数学计算公式为:
losswm＝loss×W；
其中，loss是原始的损失值，W为权重值，losswm为权重映射后的损失值。
S14、利用损失值优化语义分割模型，当损失值收敛时，得到最优模型。在本发明一实施例中，在步骤S13中还包括：
对遥感影像建筑物样本进行数据预处理，其中，数据预处理至少包括数据集划分、数据增强、数据归一化。基于深度学习的模型训练效果与数据的多寡有着直接的关系，而有些情况下没有那么多的数据，利用数据增强的预处理使得较少的数据得到的训练效果可以等同于大量数据的训练效果，增强模型的鲁棒性。数据归一化处理使得训练数据具有相同的分布规律，加快模型收敛。
S2、利用步骤S14中得到的最优模型对遥感影像作业区进行预测，得到遥感影像作业区的概率分布图。
S3、利用分水岭算法对概率分布图进行影像后处理，得到分水线。在本发明一实施例中，将步骤S2中得到的概率分布图进行可视化分析，基于可视化分析结果分别对基于标记的分水岭算法设置合理的高低阈值。如图5所示，图5为可视化分析结果的热力图。
利用基于标记的分水岭算法可以较好的处理过度分割的现象，利用先验标记来引导分水岭算法，以得到更好的分割效果。一般的标记影像，都是先定义了一些灰度层级在某个区域，然后在洪水淹没该区域的过程中，水平面都是从预先标定的高度开始，这样可避免分割一些较小的噪声极值区域，提高分割效果。
分水岭算法用于概率分布图的影像后处理，其中低阈值对应外部掩膜标签即分水岭算法的作业区域，如图6b所示；高阈值对应内部掩膜标签即分水岭算法的盆地，如图6a所示。在向盆地处注水，当两个盆地的水汇集的时刻，得到分水线，待作业区域注满水后完成分水岭算法。分水线为实际的建筑物掩膜的边界线，其存在于遥感影像相邻建筑物在初始结果中相互粘连的掩膜上；其中初始结果即未利用分水岭算法对其进行影像后处理的图像。
S4、对概率分布图进行阈值分割处理，得到初始的掩膜图。将步骤S2中得到的概率分布图进行阈值分割处理，得到初始的掩模图，如图6c所示，图6c即为初始的掩模图。
S5、将分水线与初始的掩膜图进行叠加处理后，得到遥感影像的实例掩膜。如图6d所示，将步骤S3中得到的分水线与步骤S4中得到的初始掩模图进行叠加后得到遥感影像的实例掩膜。
在本发明一实施例中，将分水线与初始的掩膜图进行叠加处理后进行面矢量化，并移除面积较小的面矢量，最终得到遥感影像的实例掩膜，如图7a和图7b所示，图7a为待提取的遥感影像建筑物影像；图7b为根据本发明实施例提供的遥感影像建筑物实例掩膜提取方法进行提取的实例掩膜图。
本发明还提供一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行遥感影像建筑物实例掩膜提取方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行遥感影像建筑物实例掩膜提取方法。
本发明还提供一种遥感影像建筑物实例掩膜提取***，如图8所示，包括获取模块10、预测模块40、影像处理模块20、分割模块50和叠加模块30；其中，
所述获取模块10被配置用于获取结合权重映射对遥感影像建筑物样本集进行训练得到的最优模型；
所述预测模块40被配置用于利用所述最优模型对遥感影像作业区进行预测，得到所述遥感影像作业区的概率分布图；
所述影像后处理模块20被配置用于利用所述分水岭算法对所述概率分布图进行影像后处理，得到分水线；
所述分割模块50被配置用于对所述概率分布图进行阈值分割处理，得到初始的掩膜图；
所述叠加模块30被配置用于将所述分水线与所述初始的掩膜图进行叠加，得到所述遥感影像的实例掩膜。
进一步的，所述获取模块10包括获取权重单元11、计算单元14、训练单元12和优化单元13；其中，
所述获取权重单元11被配置用于获取所述遥感影像建筑物样本集；
所述计算单元14被配置用于根据所述遥感影像建筑物样本集的掩膜，计算与之相对应的权重；
所述训练单元12被配置用于利用语义分割模型对所述遥感影像建筑物样本集进行训练，并将所述权重映射到训练过程中产生的损失值上；
所述训练单元12包括数据预处理单元121，所述数据预处理单元121被配置用于对所述遥感影像建筑物样本集进行数据预处理，其中，所述数据预处理至少包括数据集划分、数据增强、数据归一化；
所述优化单元13被配置用于利用所述损失值优化所述语义分割模型，当所述损失值收敛时，得到所述最优模型。
进一步的，所述影像后处理模块20包括可视化分析单元21，所述可视化分析单元21被配置用于将所述概率分布图进行可视化分析，并基于分水岭算法对所述可视化分析结果进行设置高低阈值；
所述叠加模块30包括面矢量化单元31，所述面矢量化单元31被配置用于将所述分水线与所述初始的掩膜图进行叠加处理后进行面矢量化，并移除面积较小的面矢量，得到所述遥感影像的实例掩膜。
需要说明的是，在本专利的示例和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (6)
1.一种遥感影像建筑物实例掩膜提取方法，其特征在于，所述方法包括：
获取结合权重映射对遥感影像建筑物样本集进行训练得到的最优模型；
利用所述最优模型对遥感影像作业区进行预测，得到所述遥感影像作业区的概率分布图；
利用分水岭算法对所述概率分布图进行影像后处理，得到分水线；
对所述概率分布图进行阈值分割处理，得到初始的掩膜图；
将所述分水线与所述初始的掩膜图进行叠加处理后，得到所述遥感影像的实例掩膜；
其中，获取结合权重映射对遥感影像建筑物样本集进行训练得到的最优模型，包括：
获取所述遥感影像建筑物样本集；
根据所述遥感影像建筑物样本集的掩膜，计算与之相对应的权重；
利用语义分割模型对所述遥感影像建筑物样本集进行训练，并将所述权重映射到训练过程中产生的损失值上；
利用所述损失值优化所述语义分割模型，当所述损失值收敛时，得到所述最优模型；
利用所述分水岭算法对所述概率分布图进行影像后处理，得到分水线，包括：
将所述概率分布图进行可视化分析，并基于分水岭算法对所述可视化分析结果进行设置高低阈值；
将所述分水线与所述初始的掩膜图进行叠加，得到所述遥感影像的实例掩膜，包括：
将所述分水线与所述初始的掩膜图进行叠加处理后进行面矢量化，并移除面积较小的面矢量，得到所述遥感影像的实例掩膜。
2.根据权利要求1所述的方法，其特征在于，利用语义分割模型对所述遥感影像建筑物样本集进行训练，并将所述权重映射到训练过程中产生的损失值上，包括：
对所述遥感影像建筑物样本集进行数据预处理，其中，所述数据预处理至少包括数据集划分、数据增强、数据归一化。
3.一种电子设备，其特征在于，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1所述的方法。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1所述的方法。
5.一种遥感影像建筑物实例掩膜提取***，其特征在于，包括获取模块、预测模块、影像处理模块、分割模块和叠加模块；其中，
所述获取模块被配置用于获取结合权重映射对遥感影像建筑物样本集进行训练得到的最优模型；
所述预测模块被配置用于利用所述最优模型对遥感影像作业区进行预测，得到所述遥感影像作业区的概率分布图；
所述影像处理模块被配置用于利用分水岭算法对所述概率分布图进行影像后处理，得到分水线；
所述分割模块被配置用于对所述概率分布图进行阈值分割处理，得到初始的掩膜图；
所述叠加模块被配置用于将所述分水线与所述初始的掩膜图进行叠加，得到所述遥感影像的实例掩膜；
其中，所述获取模块包括获取权重单元、计算单元、训练单元和优化单元；其中，
所述获取权重单元被配置用于获取所述遥感影像建筑物样本集；
所述计算单元被配置用于根据所述遥感影像建筑物样本集的掩膜，计算与之相对应的权重；
所述训练单元被配置用于利用语义分割模型对所述遥感影像建筑物样本集进行训练，并将所述权重映射到训练过程中产生的损失值上；
所述优化单元被配置用于利用所述损失值优化所述语义分割模型，当所述损失值收敛时，得到所述最优模型；
所述影像处理模块包括可视化分析单元，所述可视化分析单元被配置用于将所述概率分布图进行可视化分析，并基于分水岭算法对所述可视化分析结果进行设置高低阈值；
所述叠加模块包括面矢量化单元，所述面矢量化单元被配置用于将所述分水线与所述初始的掩膜图进行叠加处理后进行面矢量化，并移除面积较小的面矢量，得到所述遥感影像的实例掩膜。
6.根据权利要求5所述的***，其特征在于，所述训练单元包括数据预处理单元，所述数据预处理单元被配置用于对所述遥感影像建筑物样本集进行数据预处理，其中，所述数据预处理至少包括数据集划分、数据增强、数据归一化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299154.5A CN112991301B (zh) | 2021-03-20 | 2021-03-20 | 遥感影像建筑物实例掩膜提取方法及***、介质、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299154.5A CN112991301B (zh) | 2021-03-20 | 2021-03-20 | 遥感影像建筑物实例掩膜提取方法及***、介质、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112991301A CN112991301A (zh) | 2021-06-18 |
| CN112991301B true CN112991301B (zh) | 2024-04-30 |
Family
ID=76334207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110299154.5A Active CN112991301B (zh) | 2021-03-20 | 2021-03-20 | 遥感影像建筑物实例掩膜提取方法及***、介质、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112991301B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516539A (zh) * | 2019-07-17 | 2019-11-29 | 苏州中科天启遥感科技有限公司 | 基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备 |
| CN111178149A (zh) * | 2019-12-09 | 2020-05-19 | 中国资源卫星应用中心 | 一种基于残差金字塔网络的遥感影像水体自动提取方法 |
| WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
| 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 |
-
2021
- 2021-03-20 CN CN202110299154.5A patent/CN112991301B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
| CN110516539A (zh) * | 2019-07-17 | 2019-11-29 | 苏州中科天启遥感科技有限公司 | 基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备 |
| CN111178149A (zh) * | 2019-12-09 | 2020-05-19 | 中国资源卫星应用中心 | 一种基于残差金字塔网络的遥感影像水体自动提取方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| "基于改进权重映射的高分辨率遥感影像建筑实例分割";杨鹏;《2019年江苏省测绘地理信息学会学术年会论文集》;正文第1-5页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112991301A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Janalipour et al. | Building damage detection using object-based image analysis and ANFIS from high-resolution image (case study: BAM earthquake, Iran) | |
| CN109215034B (zh) | 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法 | |
| Chen et al. | A self organizing map optimization based image recognition and processing model for bridge crack inspection | |
| CN112183414A (zh) | 一种基于混合空洞卷积的弱监督遥感目标检测方法 | |
| CN110097087B (zh) | 一种自动钢筋捆扎位置识别方法 | |
| CN111931623A (zh) | 一种基于深度学习的人脸口罩佩戴检测方法 | |
| San et al. | Building extraction from high resolution satellite images using Hough transform | |
| CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
| CN108053412B (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
| CN111524117A (zh) | 一种基于特征金字塔网络的隧道表面缺陷检测方法 | |
| CN114596500A (zh) | 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法 | |
| CN109410248B (zh) | 一种基于r-K算法的浮选泡沫运动特征提取方法 | |
| CN109117723B (zh) | 基于颜色模式分析与语义分割的盲道检测方法 | |
| Thomas et al. | Automated poststorm damage classification of low-rise building roofing systems using high-resolution aerial imagery | |
| CN111126185B (zh) | 一种针对道路卡口场景的深度学习车辆目标识别方法 | |
| CN110309792B (zh) | 基于部件模板的室内人物检测方法 | |
| CN110660048B (zh) | 一种基于形状特征的皮革表面缺陷检测方法 | |
| CN112991301B (zh) | 遥感影像建筑物实例掩膜提取方法及***、介质、设备 | |
| CN117541652A (zh) | 一种基于深度lk光流法与d-prosac采样策略的动态slam方法 | |
| CN111222514B (zh) | 一种基于视觉定位的局部地图优化方法 | |
| CN114758002B (zh) | 一种基于航拍图像的光伏组串位置确定方法及*** | |
| Albalooshi et al. | Deep belief active contours (DBAC) with its application to oil spill segmentation from remotely sensed sea surface imagery | |
| Jinghui et al. | Building extraction in urban areas from satellite images using GIS data as prior information | |
| CN113361541A (zh) | 一种地下排水管道缺陷的特征提取方法 | |
| CN110414595B (zh) | 具有方向一致性的纹理图像的方向场估计方法 |
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 |