CN113947730A - 遥感数据识别方法、装置、电子设备及可读存储介质 - Google Patents
遥感数据识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113947730A CN113947730A CN202111424643.5A CN202111424643A CN113947730A CN 113947730 A CN113947730 A CN 113947730A CN 202111424643 A CN202111424643 A CN 202111424643A CN 113947730 A CN113947730 A CN 113947730A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- data
- sample
- spectral distribution
- relation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种遥感数据识别方法、装置、电子设备及可读存储介质。其中,方法包括响应用户在可视化页面上的样本选择指令,从待识别遥感影像数据中获取目标样本数据;计算目标样本数据的光谱分布特征;利用预设函数关系式描述光谱分布特征,并基于光谱分布特征对预设函数关系式进行拟合处理;根据拟合结果计算目标样本数据对应的分类阈值;根据光谱分布特征和分类阈值之间关系,对待识别遥感影像数据进行识别。本申请可有效提高遥感影像数据的识别精准度。
Description
技术领域
本申请涉及遥感技术领域,特别是涉及一种遥感数据识别方法、装置、电子设备及可读存储介质。
背景技术
由于遥感技术具备远距离、大面积、无需直接接触等探测特点,其被广泛应用于农、林、牧等领域执行监测任务。由于光谱数据包含丰富的地物特征信息,因此光谱数据成为遥感识别的主要数据源之一。在光谱遥感识别中,光谱指数是遥感识别的主要分类特征,而如何计算光谱指数阈值成为决定分类精度的重要问题。
相关技术可通过诸如Otsu(最大类间方差法)阈值、自适应阈值、最大熵阈值、迭代阈值等方法计算光谱指数阈值,但是由于遥感影像的场景复杂、地物种类多样等原因,上述方法计算得到的光谱指数阈值难以满足实际要求的精度。
鉴于此,如何提高遥感影像数据的识别精准度,是所属领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种遥感数据识别方法、装置、电子设备及可读存储介质,有效提高了遥感影像数据的识别精准度。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种遥感数据识别方法,包括:
响应用户在可视化页面上的样本选择指令,从待识别遥感影像数据中获取目标样本数据;
计算所述目标样本数据的光谱分布特征;
利用预设函数关系式描述所述光谱分布特征,并基于所述光谱分布特征对所述预设函数关系式进行拟合处理;
根据拟合结果计算所述目标样本数据对应的分类阈值;
根据所述光谱分布特征和所述分类阈值之间关系,识别所述待识别遥感影像数据。
可选的,所述响应用户在可视化页面上的样本选择指令之前,还包括:
获取原始遥感影像数据;
对所述原始遥感影像数据进行配准操作、拼接操作和辐射定标操作,以生成拼接的反射率正射影像数据;
将所述反射率正射影像数据作为所述待识别遥感影像数据显示在可视化页面中。
可选的,所述响应用户在可视化页面上的样本选择指令,从待识别遥感影像数据中获取目标样本数据,包括:
响应用户的图层选择指令,将从各栅格图层中获取的目标图层显示给用户;
响应用户的测区范围选择指令,从所述目标图层中获取目标测区;
响应用户的样本选择指令,从所述目标测区中获取目标样本数据,所述目标样本数据中的各样本属于同一地物类型且为用户需求识别的地物类型。
可选的,所述计算所述目标样本数据的光谱分布特征,包括:
将所述目标样本数据的各处样本存储至相应样本栅格中,每个样本栅格包含的波段数目与所述待识别遥感影像数据包含的波段数目相同;
计算每个样本栅格的特征指数,并根据各样本栅格的特征指数生成样本直方图,以作为所述目标样本数据的光谱分布特征。
可选的,所述根据拟合结果计算所述目标样本数据对应的分类阈值,包括:
根据所述拟合结果和所述预设函数关系式计算相关性因子;
若所述相关性因子大于等于预设相关阈值,则判定所述目标样本数据有效,根据所述拟合结果计算所述目标样本数据对应的分类阈值;
若所述相关性因子小于预设相关阈值,则判定所述目标样本数据无效。
可选的,所述利用预设函数关系式描述所述光谱分布特征,并基于所述光谱分布特征对所述预设函数关系式进行拟合处理,包括:
利用高斯函数关系式描述所述光谱分布特征;所述光谱分布特征以样本直方图表示,所述高斯函数关系式的自变量对应所述样本直方图的横坐标,所述高斯函数关系式的因变量对应所述样本直方图的纵坐标;
基于所述样本直方图中的纵坐标的最大值,按照预设函数变换方式对所述高斯函数关系式进行函数变换,得到变换关系式;
根据所述样本直方图,通过计算所述变换关系式得到所述高斯函数关系式的参数;
根据所述高斯函数关系式的参数和所述样本直方图的横坐标数据得到拟合高斯函数关系式。
可选的,所述根据拟合结果计算所述目标样本数据对应的分类阈值,包括:
基于所述高斯函数关系式的参数,调用分类阈值计算关系式计算所述分类阈值,所述分类阈值计算关系式为Thr_NDVI=q*min(μ-σ)和/或Thr_NDVI=q*max(μ+σ);
式中,Thr_NDVI为所述分类阈值,μ为所述高斯函数关系式的均值,σ为所述高斯函数关系式的方差,q为调节因子,所述调节因子根据识别目标和识别场景确定。
本发明实施例另一方面提供了一种遥感数据识别装置,包括:
目标样本获取模块,用于响应用户在可视化页面上的样本选择指令,从待识别遥感影像数据中获取目标样本数据;
特征计算模块,用于计算所述目标样本数据的光谱分布特征;
拟合模块,用于利用预设函数关系式描述所述光谱分布特征,并基于所述光谱分布特征对所述预设函数关系式进行拟合处理;
阈值计算模块,用于根据拟合结果计算所述目标样本数据对应的分类阈值;
识别模块,用于根据所述光谱分布特征和所述分类阈值之间关系,识别所述待识别遥感影像数据。
本发明实施例还提供了一种电子设备,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述遥感数据识别方法的步骤。
本发明实施例最后还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如前任一项所述遥感数据识别方法的步骤。
本申请提供的技术方案的优点在于,用户可在可视化页面自主选择样本,可获取任何目标的光谱及环境信息,对于不同遥感数据及应用场景都具有普适性,更适用于工程作业,可在大范围、复杂场景的工程作业中保障识别或反演精度;根据自己需求去选择样本数据,不仅不需要依赖用户任何专业知识,操作简单,还可有效剔除光谱相近的目标,有利于提升遥感数据识别的精准度。通过对少量样本数据的运算和分析确定分类阈值,整个遥感数据识别的流程式操作可为用户大大节省数据转换及功能选用的时间,不仅可提高遥感数据的识别精准度,在保证数据可靠性的基础上可提高阈值的计算速度,提升整个遥感数据识别效率,还可提升用户使用体验。
此外,本发明实施例还针对遥感数据识别方法提供了相应的实现装置、电子设备及可读存储介质,进一步使得所述方法更具有实用性,所述装置、电子设备及可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例提供的一种遥感数据识别方法的流程示意图;
图2为本发明实施例提供的另一种遥感数据识别方法的流程示意图;
图3为本发明实施例提供的遥感数据识别装置的一种具体实施方式结构图;
图4为本发明实施例提供的电子设备的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
本申请的发明人经过调研发现,一种相关技术的阈值计算过程为:先矩阵化读入的一系列大尺度灰度图像,对符合要求的图像依次进行维纳滤波和高斯滤波处理,得到图像样品;然后统计图像样品的灰度值信息,得到图像样品的灰度直方分布图,读取系列图像的灰度图进行直方图的累加;再根据累加的直方分布求其梯度,得到图像样品不同的梯度分布数据;根据图像样品的灰度直方分布图及其梯度分布数据结果,进行灰度分布特征值求解,并由经验公式计算得到分割阈值;最后计算分割阈值的可调节范围,提供进行手动调节的范围限制。该方法适用于如单一样本图像场景的阈值计算,但遥感影像中场景多变,难以单纯根据影像的灰度图取固定的梯度特征点并定义经验公式。
另一种相关技术的阈值计算过程为:应用于水生植被遥感分类阈值的计算,该方法通过对两景影像上同一地物在一定区域内的像元光谱指数分别排序后,拟合得到关于光谱指数的线性模型,将有同步实测样点的影像光谱指数的分类阈值代入线性模型,可计算得到无同步实测样点影像光谱指数的分类阈值。该方法拟合对象为高光谱曲线,结合经验实测阈值,使用线性拟合方法对主成分分析的第二特征指数进行阈值计算。这种方法只针对特定区域中的水生植物进行分类,未充分包容实际应用中遥感影像的多种地物,因此其普适性不强。此外,应用线性拟合的方法确定阈值关系,更多建模依据为经验数据,因此其使用前提是具备大量数据作为支撑,前期工作较为复杂,对于没有大量数据的应用场景,并不能适用。
鉴于此,本申请通过选择正样本、直方图分析结合经验公式,实现半自动阈值计算,在植被、水体、人工建筑提取等多种应用场景中均可满足高精度现实需求。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种遥感数据识别方法的流程示意图,本发明实施例可包括以下内容:
S101:响应用户在可视化页面上的样本选择指令,从待识别遥感影像数据中获取目标样本数据。
在本实施例中,可视化页面为***呈现给用户用于展示待识别遥感影像数据并提供人机交互界面,用户可通过KVM(Keyboard Video Mouse键盘、视频、鼠标)在显示器中进行选择也可直接通过触摸屏进行选择,这均不影响本申请的实现。用户根据自身需求在待识别遥感影像数据上选择需要***进行识别的样本数据,***在检测到用户的样本选择指令后,响应该指令,将用户所选择的样本数据从待识别遥感数据中提取出来,作为执行后续步骤的目标样本数据。本步骤的待识别遥感影像数据可为原始遥感影像数据,也可为经过一系列数据处理后的遥感影像数据,这均不影响本申请的实现。目标样本数据中可包括多个样本,这些样本可为同一地区的多个样本,也可为不同地区的多个样本,本申请对此不作任何限定。
S102:计算目标样本数据的光谱分布特征。
本实施例的光谱分布特征为反映样本数据所属类别的信息,所属领域技术人员可根据目标样本所属地物类型灵活采用相应的特征计算方式,举例来说,以植被为例,光谱分布特征可基于每个样本的归一化植被指数通过统计样本直方图得到,以水体为例,光谱分布特征可基于每个样本的水体特征指数、通过统计样本直方图得到。其中,水体特征指数可包括但并不限制于为归一化水体指数,所属领域技术人员可根据实际需求增加可表征水体特征的任何指数,这均不影响本申请的实现。
S103:利用预设函数关系式描述光谱分布特征,并基于光谱分布特征对预设函数关系式进行拟合处理。
本实施例的预设函数关系式可为任何一种可用于描述上述目标样本数据的光谱分布特征的数学关系式,例如可为高斯函数关系式,或者是其他二元一次指数函数关系式,这均不影响本申请的实现。可以理解的是,没有任何一种函数关系式可以与光谱分布特征对应的数值关系完全吻合,所以本步骤在确定用于描述光谱分布特征的函数关系式之后,需要采用光谱分布特征进行拟合处理,得到与光谱分布特征最相关的拟合函数关系式。
S104:根据拟合结果计算目标样本数据对应的分类阈值。
在上个步骤进行拟合处理之后,会得到预设函数关系式对应的拟合函数关系式,拟合函数关系式和预设函数关系式在自变量相同的时候,因变量是有差值的,二者之间的差值越小,表明光谱分布特征和预设函数关系式越相关,二者之间的差值越大,表明光谱分布特征和预设函数关系式越不相关。二者越相关,表明目标样本数据是有效样本。本步骤可根据拟合函数关系式计算用于识别目标样本数据是否为用户想要识别目标类别的一个分类阈值,基于该分类阈值对目标样本数据进行识别分类。
S105:根据光谱分布特征和分类阈值之间关系,对待识别遥感影像数据进行识别。
在上个步骤确定分类阈值之后,由于光谱分布特征反映了目标样本数据的地物特征,而分类阈值用于标识是否为用户想要识别的地物目标所属类别的标准,故可根据分类阈值和光谱分类特征之间的关系对目标样本数据进行分类识别。
在本发明实施例提供的技术方案中,用户可在可视化页面自主选择样本,可获取任何目标的光谱及环境信息,不仅对于不同遥感数据及应用场景都具有普适性,而且根据自己需求去选择样本数据,可有效剔除光谱相近的目标,有利于提升遥感数据识别的精准度。通过对少量样本数据的运算和分析确定分类阈值,不仅可提高遥感数据的识别精准度,还可在保证数据可靠性的基础上可提高阈值的计算速度,提升整个遥感数据识别效率。
为了进一步提高遥感数据的识别精准度,在响应用户在可视化页面上的样本选择指令之前,还可对原始遥感影像数据进行一系列的数据处理,将经过数据处理之后所得的遥感数据作为后续步骤的待识别遥感影像数据,可包括下述步骤:
获取原始遥感影像数据;
对原始遥感影像数据进行配准操作、拼接操作和辐射定标操作,以生成拼接的反射率正射影像数据;
将反射率正射影像数据作为待识别遥感影像数据显示在可视化页面中。
在本实施例中,配置、拼接及辐射定标均为图像处理中的常规手段,本领域技术人员可参阅相关技术中任何一种可实现配置、拼接及辐射定标的方法及步骤执行本实施例的第二个步骤,本申请对此不作任何限定。由于反射率可反馈地物的真实信息,且非正射如斜射数据会存在阴影,不利于后续样本识别,所以实施例所采用的遥感影像数据为反射率正射影像数据,该数据包括多个波段,且其像素值为辐射校正后的地物光谱反射率。当然,所属领域技术人员还可采用其他类型的反射率影像数据,这均不影响本申请的实现。
在上述实施例中,对于如何执行步骤S101并不做限定,本实施例中给出目标样本数据的一种生成方式,可包括如下步骤:
响应用户的图层选择指令,将从各栅格图层中获取的目标图层显示给用户;响应用户的测区范围选择指令,从目标图层中获取目标测区;响应用户的样本选择指令,从目标测区中获取目标样本数据。
在本实施例中,在获取待识别遥感数据之后,用户确定目标正样本的地物类型,所谓正样本是指用户想要进行识别的地物所属类别,为了提高识别准确度,用户选择的目标样本数据中的各样本属于同一地物类型且为用户需求识别的地物类型。
在本实施例中,用户只需要选取典型正样本,无需进行多类负样本的绘制;在提高整个遥感数据识别的自动化的同时,也保留了操作的灵活性,用户可以对过程调参及成果编辑。
上述实施例对如何计算目标样本数据的光谱分布特征并不做任何限定,本申请还提供了目标样本数据的光谱分布特征的一种可选的计算方式,可包括:
将目标样本数据的各处样本存储至相应样本栅格中,每个样本栅格包含的波段数目与待识别遥感影像数据包含的波段数目相同。计算每个样本栅格的特征指数,并根据各样本栅格的特征指数生成样本直方图,以作为目标样本数据的光谱分布特征。
本实施例的样本数据格式为栅格格式,通过对少量样本栅格数据的运算和分析确定阈值,在保证数据可靠性的基础上提高阈值的计算速度。
基于上述实施例,为了提高遥感数据识别速率和识别精准度,本实施例还可在计算分类阈值之前,进行样本有效性的甄别,可包括下述内容:
根据拟合结果和预设函数关系式计算相关性因子;若相关性因子大于等于预设相关阈值,则判定目标样本数据有效,再执行后续根据拟合结果计算目标样本数据对应的分类阈值的步骤;若相关性因子小于预设相关阈值,则判定目标样本数据无效,则不对该样本数据进行处理,可直接丢弃数据或进行报错。
上述实施例对S103并不做任何限定,本申请还提供了该步骤的一种可选的实施方式,可包括:
利用高斯函数关系式描述光谱分布特征;光谱分布特征以样本直方图表示,高斯函数关系式的自变量对应样本直方图的横坐标,高斯函数关系式的因变量对应样本直方图的纵坐标;
基于样本直方图中的纵坐标的最大值,按照预设函数变换方式对高斯函数关系式进行函数变换,得到变换关系式;
根据样本直方图,通过计算变换关系式得到高斯函数关系式的参数;
根据高斯函数关系式的参数和样本直方图的横坐标数据得到拟合高斯函数关系式。
本实施例的高斯函数关系式的参数即为高斯函数关系式的均值和方差。相应的,根据拟合结果计算目标样本数据对应的分类阈值的实现过程可为:
基于高斯函数关系式的参数,调用分类阈值计算关系式计算分类阈值,分类阈值计算关系式为Thr_NDVI=q*min(μ-σ)和/或Thr_NDVI=q*max(μ+σ);式中,Thr_NDVI为分类阈值,μ为高斯函数关系式的均值,σ为高斯函数关系式的方差,q为调节因子,调节因子根据识别目标和识别场景确定。
其中,在计算分类阈值时,可只用Thr_NDVI=q*min(μ-σ)计算,也可只用Thr_NDVI=q*max(μ+σ)计算,或者是同时使用Thr_NDVI=q*min(μ-σ)和Thr_NDVI=q*max(μ+σ)来计算,具体采用哪个计算关系式可根据实际应用场景来确定,本申请对此不做任何限定。
为了使所属领域技术人员更加清楚明白本申请的技术方案,本申请还结合图2提供了一个示意性例子,在本实施例中将实现上述遥感数据识别方法对应的计算机程序封装为功能模块,并结合用户界面UI等生成遥感数据识别软件,下面实施例中简称软件,可包括下述内容:
A1:软件的数据导入模块读取拼接后的反射率正射遥感影像数据,并在软件的数据视图窗口显示该影像数据。用户可以对显示的影像进行基础操作,基础操作包括但并不限制于数据浏览、放大查看、缩小查看、缩放至图层、图层显示方式设置等功能。
A2:数据导入模块自动读取软件中打开的反射率正射遥感影像数据的所有栅格图层,由用户选择某一图层。
A3:选中图层后,用户可以通过在数据视图中,绘制矩形或者多边形图形,精确限制测区范围,也可以直接以整幅影像作为测区,直接进入样本数据分析模块。
A4:进入样本分析模块后,用户可以通过在数据视图中,绘制多个矩形或者多边形图形框选样本。此处的样本仅需选定目标正样本范围即可,软件可仅根据正样本信息校正算法模型;点击“下一步”后,软件自动进行样本分析。
A5:计算样本的光谱分布特征并进行高斯拟合,计算分布特征与高斯函数的相关性,通过相关性判断样本是否有效;如样本有效,则进行分类阈值计算,如样本无效则提示用户重新选择样本。
以植被为例,本实施例仅需对正样本进行选择,无需选择大量的负样本。框选M(M>=1)处植被样本,存储M个样本栅格,每个栅格中包括N个波段。对每个样本栅格根据下述关系式1计算NDVI(归一化植被指数,Normalized Difference Vegetation Index)指数:
式中,red代表红波段反射率;nir代表近红外波段反射率。
基于下述关系式2将每个样本的NDVI分别归一化至[0,255]:
其中,min、max分别为每个样本NDVI的最小值和最大值。
对每个NDVInor取整,然后统计直方图,直方图的横坐标X值为NDVInor,X为x的集合,X为特征指数的取值,纵坐标Y的每个y值为该样本中NDVInor=x的个数,Y为y的集合,Y为栅格在某一取值x时的栅格个数总计。
本实施例定义的预设函数关系式为高斯函数关系式,即:
式中,x为样本指数直方图横坐标;y为样本指数直方图的纵坐标;a、b、c为待求参数。基于直方图的纵坐标的最大值对上述关系式3进行数学变化,得到Ynm=y/ymax;ymax为y的最大值,Ynm为中间参数。对Ynm先后进行中值滤波和均值滤波,得到滤波结果。对滤波结果中的y进行返归一化。再对上述得到的ymax按照下述关系式4进行数学变换,得到另外一个中间参数Z:
Z=ln(Ynm)=b0+b1x+b2x2; (4)
考虑到全部样本点数据,将上述关系式4进一步转化为:
根据直方图的纵坐标数据计算得到各Z即Z1…Zn值,在将直方图的横坐标数据和Z1…Zn代入关系式5中,计算得到b0、b1和b2。根据下述关系式6、7、8计算得到高斯函数关系式的参数a、b和c:
式中,i∈[0,255],y为样本指数直方图归一化后的纵坐标,yμ为y的均值,即通过分子为y的加和,分母为255来计算得到。
可根据下述计算公式10计算得到分类阈值Thr_NDVI:
Thr_NDVI=0.9*(b-c); (10)
当影像中像素的NDVI大于Thr_NDVI时即为植被,当影像中像素的NDVI小于等于Thr_NDVI时,则不为植被。计算公式10为经验公式,可根据具体的识别场景及识别目标而调整该关系式。
A6:当用户点击“预览”按钮,软件自动获取影像信息,调用相应算法计算指数等特征空间,结合样本数据分析模块计算得到的分类阈值提取目标,并将遥感识别结果叠加在数据视图中。用户检查遥感识别结果,如遥感识别结果满足用户要求,则直接输出成果,如结果不满足用户需求则支持用户手动调整参数,重新进行分类识别。
A7:调用软件的成本输出模块输出的成果类型因具体的遥感应用需求不同而有所差别,主要的成果形式可包括:矢量数据、栅格数据、专题图、报告等。
由上可知,本实施例提供的流程式操作可为用户大大节省了数据转换及功能选用的时间;内部算法经简化处理,运算速度优良;通过优化数据形式提高算法衔接能力。通过半开放式阈值设置及样本选择机制,极大程度上增强了遥感数据识别方法的普适性与鲁棒性;通过判别影像文件信息,自动调用相应算法。可在大范围、复杂场景的工程作业中保障识别或反演精度。可满足行业应用处理流程中的主体需求,具备丰富的主体识别及辅助操作功能;另外将主体识别算法封装为动态库,软件可自动输出结果,友好的操作界面及一体化流程式操作,无需用户具备专业背景知识,降低用户操作门槛。用户只需要选取典型正样本,无需进行多类负样本的绘制;在提高软件自动化的同时,也保留了操作的灵活性,用户可以对过程调参及成果编辑,操作简单,用户使用体验好。
需要说明的是,本申请中各步骤之间没有严格的先后执行顺序,只要符合逻辑上的顺序,则这些步骤可以同时执行,也可按照某种预设顺序执行,图1和图2只是一种示意方式,并不代表只能是这样的执行顺序。
本发明实施例还针对遥感数据识别方法提供了相应的装置,进一步使得方法更具有实用性。其中,装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的遥感数据识别装置进行介绍,下文描述的遥感数据识别装置与上文描述的遥感数据识别方法可相互对应参照。
基于功能模块的角度,参见图3,图3为本发明实施例提供的遥感数据识别装置在一种具体实施方式下的结构图,该装置可包括:
目标样本获取模块301,用于响应用户在可视化页面上的样本选择指令,从待识别遥感影像数据中获取目标样本数据。
特征计算模块302,用于计算目标样本数据的光谱分布特征。
拟合模块303,用于利用预设函数关系式描述光谱分布特征,并基于光谱分布特征对预设函数关系式进行拟合处理。
阈值计算模块304,用于根据拟合结果计算目标样本数据对应的分类阈值。
识别模块305,用于根据光谱分布特征和分类阈值之间关系,对待识别遥感影像数据进行识别。
可选的,在本实施例的一些实施方式中,上述装置还可以包括数据处理模块,用于在响应用户在可视化页面上的样本选择指令之前,获取原始遥感影像数据;对原始遥感影像数据进行配准操作、拼接操作和辐射定标操作,以生成拼接的反射率正射影像数据;将反射率正射影像数据作为待识别遥感影像数据显示在可视化页面中。
作为本实施例的一种可选的实施方式,上述目标样本获取模块301可进一步用于:响应用户的图层选择指令,将从各栅格图层中获取的目标图层显示给用户;响应用户的测区范围选择指令,从目标图层中获取目标测区;响应用户的样本选择指令,从目标测区中获取目标样本数据,目标样本数据中的各样本属于同一地物类型且为用户需求识别的地物类型。
作为本实施例的另一种可选的实施方式,上述特征计算模块302可进一步用于:将目标样本数据的各处样本存储至相应样本栅格中,每个样本栅格包含的波段数目与待识别遥感影像数据包含的波段数目相同;计算每个样本栅格的特征指数,并根据各样本栅格的特征指数生成样本直方图,以作为目标样本数据的光谱分布特征。
可选的,在本实施例的一些实施方式中,上述装置例如还可包括有效性甄别模块,用于根据拟合结果和预设函数关系式计算相关性因子;若相关性因子大于等于预设相关阈值,则判定目标样本数据有效,若相关性因子小于预设相关阈值,则判定目标样本数据无效。
作为本实施例的一种可选的实施方式,上述拟合模块303可进一步用于:利用高斯函数关系式描述光谱分布特征;光谱分布特征以样本直方图表示,高斯函数关系式的自变量对应样本直方图的横坐标,高斯函数关系式的因变量对应样本直方图的纵坐标;基于样本直方图中的纵坐标的最大值,按照预设函数变换方式对高斯函数关系式进行函数变换,得到变换关系式;根据样本直方图,通过计算变换关系式得到高斯函数关系式的参数;根据高斯函数关系式的参数和样本直方图的横坐标数据得到拟合高斯函数关系式。
作为本实施例的一种可选的实施方式,上述阈值计算模块304可进一步用于:基于高斯函数关系式的参数,调用分类阈值计算关系式计算分类阈值,分类阈值计算关系式为Thr_NDVI=q*min(μ-σ)和/或Thr_NDVI=q*max(μ+σ);式中,Thr_NDVI为分类阈值,μ为高斯函数关系式的均值,σ为高斯函数关系式的方差,q为调节因子,调节因子根据识别目标和识别场景确定。
本发明实施例所述遥感数据识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可有效提高遥感影像数据的识别精准度。
上文中提到的遥感数据识别装置是从功能模块的角度描述,进一步的,本申请还提供一种电子设备,是从硬件角度描述。图4为本申请实施例提供的电子设备在一种实施方式下的结构示意图。如图4所示,该电子设备包括存储器40,用于存储计算机程序;处理器41,用于执行计算机程序时实现如上述任一实施例提到的遥感数据识别方法的步骤。
其中,处理器41可以包括一个或多个处理核心,比如4核心处理器、8核心处理器,处理器41还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器41可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable GateArray,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器41也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central Processing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器41可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器41还可以包括AI(ArtificialIntelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器40可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器40还可包括高速随机存取存储器以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。存储器40在一些实施例中可以是电子设备的内部存储单元,例如服务器的硬盘。存储器40在另一些实施例中也可以是电子设备的外部存储设备,例如服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器40还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器40不仅可以用于存储安装于电子设备的应用软件及各类数据,例如:执行漏洞处理方法的程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中,存储器40至少用于存储以下计算机程序401,其中,该计算机程序被处理器41加载并执行之后,能够实现前述任一实施例公开的遥感数据识别方法的相关步骤。另外,存储器40所存储的资源还可以包括操作***402和数据403等,存储方式可以是短暂存储或者永久存储。其中,操作***402可以包括Windows、Unix、Linux等。数据403可以包括但不限于遥感数据识别结果对应的数据等。
在一些实施例中,上述电子设备还可包括有显示屏42、输入输出接口43、通信接口44或者称为网络接口、电源45以及通信总线46。其中,显示屏42、输入输出接口43比如键盘(Keyboard)属于用户接口,可选的用户接口还可以包括标准的有线接口、无线接口等。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。通信接口44可选的可以包括有线接口和/或无线接口,如WI-FI接口、蓝牙接口等,通常用于在电子设备与其他电子设备之间建立通信连接。通信总线46可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extendedindustry standard architecture,简称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。
本领域技术人员可以理解,图4中示出的结构并不构成对该电子设备的限定,可以包括比图示更多或更少的组件,例如还可包括实现各类功能的传感器47。
本发明实施例所述电子设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可有效提高遥感影像数据的识别精准度。
可以理解的是,如果上述实施例中的遥感数据识别方法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,本申请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全部或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,执行本申请各个实施例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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电可擦除可编程ROM、寄存器、硬盘、多媒体卡、卡型存储器(例如SD或DX存储器等)、磁性存储器、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此,本发明实施例还提供了一种可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时如上任意一实施例所述遥感数据识别方法的步骤。
本发明实施例所述可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的硬件包括装置及电子设备而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种遥感数据识别方法、装置、电子设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种遥感数据识别方法,其特征在于,包括:
响应用户在可视化页面上的样本选择指令,从待识别遥感影像数据中获取目标样本数据;
计算所述目标样本数据的光谱分布特征;
利用预设函数关系式描述所述光谱分布特征,并基于所述光谱分布特征对所述预设函数关系式进行拟合处理;
根据拟合结果计算所述目标样本数据对应的分类阈值;
根据所述光谱分布特征和所述分类阈值之间关系,识别所述待识别遥感影像数据。
2.根据权利要求1所述的遥感数据识别方法,其特征在于,所述响应用户在可视化页面上的样本选择指令之前,还包括:
获取原始遥感影像数据;
对所述原始遥感影像数据进行配准操作、拼接操作和辐射定标操作,以生成拼接的反射率正射影像数据;
将所述反射率正射影像数据作为所述待识别遥感影像数据显示在可视化页面中。
3.根据权利要求1所述的遥感数据识别方法,其特征在于,所述响应用户在可视化页面上的样本选择指令,从待识别遥感影像数据中获取目标样本数据,包括:
响应用户的图层选择指令,将从各栅格图层中获取的目标图层显示给用户;
响应用户的测区范围选择指令,从所述目标图层中获取目标测区;
响应用户的样本选择指令,从所述目标测区中获取目标样本数据,所述目标样本数据中的各样本属于同一地物类型且为用户需求识别的地物类型。
4.根据权利要求1所述的遥感数据识别方法,其特征在于,所述计算所述目标样本数据的光谱分布特征,包括:
将所述目标样本数据的各处样本存储至相应样本栅格中,每个样本栅格包含的波段数目与所述待识别遥感影像数据包含的波段数目相同;
计算每个样本栅格的特征指数,并根据各样本栅格的特征指数生成样本直方图,以作为所述目标样本数据的光谱分布特征。
5.根据权利要求1所述的遥感数据识别方法,其特征在于,所述根据拟合结果计算所述目标样本数据对应的分类阈值,包括:
根据所述拟合结果和所述预设函数关系式计算相关性因子;
若所述相关性因子大于等于预设相关阈值,则判定所述目标样本数据有效,根据所述拟合结果计算所述目标样本数据对应的分类阈值;
若所述相关性因子小于预设相关阈值,则判定所述目标样本数据无效。
6.根据权利要求1至5任意一项所述的遥感数据识别方法,其特征在于,所述利用预设函数关系式描述所述光谱分布特征,并基于所述光谱分布特征对所述预设函数关系式进行拟合处理,包括:
利用高斯函数关系式描述所述光谱分布特征;所述光谱分布特征以样本直方图表示,所述高斯函数关系式的自变量对应所述样本直方图的横坐标,所述高斯函数关系式的因变量对应所述样本直方图的纵坐标;
基于所述样本直方图中的纵坐标的最大值,按照预设函数变换方式对所述高斯函数关系式进行函数变换,得到变换关系式;
根据所述样本直方图,通过计算所述变换关系式得到所述高斯函数关系式的参数;
根据所述高斯函数关系式的参数和所述样本直方图的横坐标数据得到拟合高斯函数关系式。
7.根据权利要求6所述的遥感数据识别方法,其特征在于,所述根据拟合结果计算所述目标样本数据对应的分类阈值,包括:
基于所述高斯函数关系式的参数,调用分类阈值计算关系式计算所述分类阈值,所述分类阈值计算关系式为Thr_NDVI=q*min(μ-σ)和/或Thr_NDVI=q*max(μ+σ);
式中,Thr_NDVI为所述分类阈值,μ为所述高斯函数关系式的均值,σ为所述高斯函数关系式的方差,q为调节因子,所述调节因子根据识别目标和识别场景确定。
8.一种遥感数据识别装置,其特征在于,包括:
目标样本获取模块,用于响应用户在可视化页面上的样本选择指令,从待识别遥感影像数据中获取目标样本数据;
特征计算模块,用于计算所述目标样本数据的光谱分布特征;
拟合模块,用于利用预设函数关系式描述所述光谱分布特征,并基于所述光谱分布特征对所述预设函数关系式进行拟合处理;
阈值计算模块,用于根据拟合结果计算所述目标样本数据对应的分类阈值;
识别模块,用于根据所述光谱分布特征和所述分类阈值之间关系,识别所述待识别遥感影像数据。
9.一种电子设备,其特征在于,包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7任一项所述遥感数据识别方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述遥感数据识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424643.5A CN113947730A (zh) | 2021-11-26 | 2021-11-26 | 遥感数据识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424643.5A CN113947730A (zh) | 2021-11-26 | 2021-11-26 | 遥感数据识别方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947730A true CN113947730A (zh) | 2022-01-18 |
Family
ID=79338944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111424643.5A Pending CN113947730A (zh) | 2021-11-26 | 2021-11-26 | 遥感数据识别方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947730A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778330A (zh) * | 2023-06-21 | 2023-09-19 | 阿里巴巴达摩院(杭州)科技有限公司 | 遥感目标提取方法、电子设备以及计算机可读存储介质 |
CN117690028A (zh) * | 2024-02-02 | 2024-03-12 | 江苏菲尔浦物联网有限公司 | 基于遥感传感器的目标探测方法及*** |
-
2021
- 2021-11-26 CN CN202111424643.5A patent/CN113947730A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778330A (zh) * | 2023-06-21 | 2023-09-19 | 阿里巴巴达摩院(杭州)科技有限公司 | 遥感目标提取方法、电子设备以及计算机可读存储介质 |
CN117690028A (zh) * | 2024-02-02 | 2024-03-12 | 江苏菲尔浦物联网有限公司 | 基于遥感传感器的目标探测方法及*** |
CN117690028B (zh) * | 2024-02-02 | 2024-04-09 | 江苏菲尔浦物联网有限公司 | 基于遥感传感器的目标探测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399386B (zh) | 饼图中的信息提取方法及装置 | |
CN108154105B (zh) | 水下生物检测与识别方法、装置、服务器及终端设备 | |
WO2019096174A1 (zh) | 人物图像服装颜色识别方法、装置及电子设备 | |
CN113160257B (zh) | 图像数据标注方法、装置、电子设备及存储介质 | |
CN108573279A (zh) | 图像标注方法及终端设备 | |
CN102496157B (zh) | 基于高斯多尺度变换及颜色复杂度的图像检测方法 | |
CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
CN113947730A (zh) | 遥感数据识别方法、装置、电子设备及可读存储介质 | |
CN113610895A (zh) | 目标跟踪方法、装置、电子设备及可读存储介质 | |
CN115909059A (zh) | 一种自然资源样本库建立方法和装置 | |
CN110298817A (zh) | 基于图像处理的目标物统计方法、装置、设备及存储介质 | |
CN112750162A (zh) | 一种目标识别定位方法和装置 | |
CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
CN113705380B (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
CN112614074B (zh) | 一种基于响应图和聚类的鲁棒灭点检测方法及装置 | |
CN113642582A (zh) | 电表读数识别方法、装置、电子设备和存储介质 | |
CN112598664B (zh) | 基于视觉显著性的虫粮等级判定方法和装置 | |
CN113449559B (zh) | 一种表格识别方法、装置、计算机设备和存储介质 | |
CN114494680A (zh) | 积水检测方法、装置、设备及存储介质 | |
CN112989924A (zh) | 目标检测方法、目标检测装置及终端设备 | |
CN113963004A (zh) | 一种采样方法、装置及电子设备 | |
CN114140620A (zh) | 一种物体直线轮廓检测方法 | |
CN117953349B (zh) | 一种中药材的病虫害检测方法、装置、设备及存储介质 | |
CN114299037B (zh) | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 |
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 |