CN114913430A - 一种基于高分影像和Unet阴影检测的物体高度识别方法 - Google Patents
一种基于高分影像和Unet阴影检测的物体高度识别方法 Download PDFInfo
- Publication number
- CN114913430A CN114913430A CN202210511899.8A CN202210511899A CN114913430A CN 114913430 A CN114913430 A CN 114913430A CN 202210511899 A CN202210511899 A CN 202210511899A CN 114913430 A CN114913430 A CN 114913430A
- Authority
- CN
- China
- Prior art keywords
- data
- shadow
- image
- satellite
- target object
- 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 118
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 claims abstract description 18
- 230000003287 optical effect Effects 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 58
- 238000007781 pre-processing Methods 0.000 claims description 57
- 238000012360 testing method Methods 0.000 claims description 32
- 238000003384 imaging method Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 abstract description 23
- 238000005070 sampling Methods 0.000 abstract description 15
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 28
- 238000011176 pooling Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 14
- 230000009466 transformation Effects 0.000 description 10
- 238000012795 verification Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000003447 ipsilateral effect Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开的一种基于高分影像和Unet阴影检测的物体高度识别方法、***和可读存储介质,所属发明利用卷积神经网络针对影像上的阴影物体,进行阴影识别,然后再计算其物体的高度,从而实现针对高分辨率影像中有阴影物体的高度自动识别。该发明在传统的阴影图像识别基础上,进行了创新,基于卷积神经网络的二分类和上下采样算法,实现了可推广和业务化的阴影识别,从而对物体高度的识别提供支持。该发明成果可以用在基于遥感影像数据提取目标物体的高度,为大范围,海量目标物体高度的检测提供技术支持。
Description
技术领域
本申请涉及数据处理和数据传输领域,更具体的,涉及一种基于高分影像和Unet阴影检测的物体高度识别方法、***和可读存储介质。
背景技术
现有技术中有发明专利《一种数字城市全自动生产的方法》,专利号200710075682.2,公开了基于阴影长度识别遥感影像上物体高度的方法介绍。
该发明专利主要是针对数字城市的概念,目标是自动和数字化实现城市目标地物(政府、商业、生活等)的数字化,该专利基于卫星影像和数字高程模型DEM实现了三维建模,数字化了城市目标地物,并基于地物阴影长度获取地物高度。因此,基于阴影长度识别遥感影像上物体的高度只是该专利的一部分内容。另外该发明专利主要用传统的阴影检测算法,实现遥感影像阴影提取。传统的阴影检测是基于阴影属性获取阴影的方法,主要是基于影像特征提取的原理。该方法主要针对遥感光谱、纹理,颜色等特征,基于统计学、主成分分析(Principle Component Analysis,PCA),机器学习(SVM)以及图割法(graph cut)等进行阴影提取。
基于阴影区域与非阴影区域的不同特性,通过阈值分割,实现阴影和非阴影区的识别。然而,阴影区域亮度和饱和度偏低,色调基本不变。利用这一特性设定阈值,可获得初步的阴影检测结果。但考虑到场景、光照条件、物体表面反射率的多样性,仅使用特征进行阈值分割是不够的。此外,阴影区域的颜色信息,采用HSI、YCbCr等颜色空间协助检测任务。还有一种关注物体的几何特征及边缘信息,常使用sobel算子或canny算子,这类算法往往侧重于提取图像的低阶信息,忽略像素块之间的关系及图像中物体的语义信息,对复杂场景的处理效果不佳。特别是在低分辨率影像或者影像干扰大,质量差的情况下,阴影提取的精度会受影响。
这些方法在实际的处理过程中,往往会受到遥感影像分辨率低,数据噪声干扰,纹理模糊,以及光谱同物异谱、同谱异物特点的影像,对识别的阴影产生误差,最终导致高度识别的误差。
近年来,由于人工智能和深度学习方法的兴起,提出了一系列利用卷积神经网络(convolutional neural network,CNN)模型实现阴影检测的新方法,已有的应用表明使用深度学习方法进行阴影检测,相比传统算法效果提升显著。卷积神经网络模型能够很好的区分阴影和非阴影区。本质上,阴影的识别就是二分类的问题,分为阴影类别和非阴影类别。训练卷积神经网络和参数优化能够实现低成本和高效率的应用,并且对阴影的识别具备高精度和可推广性,可进一步提高目标物体的高度识别精度和效率。
发明内容
鉴于上述问题,本发明的目的是提供一种基于高分影像和Unet阴影检测的物体高度识别方法、***和可读存储介质,能够更高效更快速的物体高度识别方法。
本发明第一方面提供了一种基于高分影像和Unet阴影检测的物体高度识别方法,包括:
获取当前卫星数据,对所述当前卫星数据进行预处理;
得到当前遥感影像预处理数据;
将所述当前遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据;
根据所述提取目标物体阴影数据进行提取,得到目标物体阴影线长度;
把目标物体阴影线长度根据预设规则进行计算,得到目标物体高度数据。
本方案中,所述获取卫星数据采用光学卫星以及高空间分辨率卫星影像的方法,包括:
获取光学卫星4个波段多光谱影像数据,所述4个波段红、绿、蓝和近红外波段;
获取光学卫星空间分辨率数据,光学卫星云量数据,光学卫星质量数据,影像拍摄时间数据;
其中,在所述光学卫星质量数据无曝光以及相关影像质量问题的前提下,所述光学卫星空间分辨率数据,光学卫星云量数据,影像拍摄时间数据要同时满足各自预设阈值范围内才能获取卫星数据。
本方案中,对所述卫星数据进行预处理,包括:
对所述卫星数据进行预处理包括:正射校正处理和图像融合处理。
本方案中,将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据,还包括:
获取历史遥感影像预处理数据,对所述历史遥感影像预处理数据根据预设规则进行处理,得到训练集数据和测试集数据;
根据所述训练集数据和测试集数据,得到Unet卷积神经网络模型;
将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据。
本方案中,根据所述提取目标物体阴影数据进行提取,得到目标物体阴影线长度之前,包括:
根据不同目标物体自适应选取提取方法。
本方案中,把目标物体阴影线长度根据预设规则进行计算,得到目标物体高度数据,具体为:
获取太阳高度角;
获取阴影成像与太阳、卫星的位置关系,根据所述阴影成像与太阳、卫星的位置关系进行判断阴影投影的几何关系,若在同侧,将所述太阳高度角根据同侧计算方式,得到目标物体高度数,若在异侧,将所述太阳高度角根据异侧计算方式,得到目标物体高度数。
本发明第二方面提供了一种基于高分影像和Unet阴影检测的物体高度识别***,包括存储器和处理器,所述存储器中包括基于高分影像和Unet阴影检测的物体高度识别方法程序,所述基于高分影像和Unet阴影检测的物体高度识别方法程序被所述处理器执行时实现如下步骤:
获取当前卫星数据,对所述当前卫星数据进行预处理;
得到当前遥感影像预处理数据;
将所述当前遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据;
根据所述提取目标物体阴影数据进行提取,得到目标物体阴影线长度;
把目标物体阴影线长度根据预设规则进行计算,得到目标物体高度数据。
本方案中,所述获取卫星数据采用光学卫星以及高空间分辨率卫星影像的方法,包括:
获取光学卫星4个波段多光谱影像数据,所述4个波段红、绿、蓝和近红外波段;
获取光学卫星空间分辨率数据,光学卫星云量数据,光学卫星质量数据,影像拍摄时间数据;
其中,在所述光学卫星质量数据无曝光以及相关影像质量问题的前提下,所述光学卫星空间分辨率数据,光学卫星云量数据,影像拍摄时间数据要同时满足各自预设阈值范围内才能获取卫星数据。
本方案中,对所述卫星数据进行预处理,包括:
对所述卫星数据进行预处理包括:正射校正处理和图像融合处理。
本方案中,将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据,还包括:
获取历史遥感影像预处理数据,对所述历史遥感影像预处理数据根据预设规则进行处理,得到训练集数据和测试集数据;
根据所述训练集数据和测试集数据,得到Unet卷积神经网络模型;
将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据。
本方案中,根据所述提取目标物体阴影数据进行提取,得到目标物体阴影线长度之前,包括:
根据不同目标物体自适应选取提取方法。
本方案中,把目标物体阴影线长度根据预设规则进行计算,得到目标物体高度数据,具体为:
获取太阳高度角;
获取阴影成像与太阳、卫星的位置关系,根据所述阴影成像与太阳、卫星的位置关系进行判断阴影投影的几何关系,若在同侧,将所述太阳高度角根据同侧计算方式,得到目标物体高度数,若在异侧,将所述太阳高度角根据异侧计算方式,得到目标物体高度数。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于高分影像和Unet阴影检测的物体高度识别方法程序,所述一种基于高分影像和Unet阴影检测的物体高度识别方法程序被处理器执行时,实现如上述任一项所述的一种基于高分影像和Unet阴影检测的物体高度识别方法的步骤。
本发明公开的一种基于高分影像和Unet阴影检测的物体高度识别方法、***和可读存储介质,所属发明利用卷积神经网络针对影像上的阴影物体,进行阴影识别,然后再计算其物体的高度,从而实现针对高分辨率影像中有阴影物体的高度自动识别。该发明在传统的阴影图像识别基础上,进行了创新,基于卷积神经网络的二分类和上下采样算法,实现了可推广和业务化的阴影识别,从而对物体高度的识别提供支持。该发明成果可以用在基于遥感影像数据提取目标物体的高度,为大范围,海量目标物体高度的检测提供技术支持。
附图说明
图1为本发明一种基于高分影像和Unet阴影检测的物体高度识别方法的流程图;
图2为本发明方法的HSI图像融合示意图;
图3为本发明方法的卷积神经网络模型示意图;
图4为本发明方法的最大池化过程示意图;
图5为本发明方法的上池化过程示意图;
图6(a)为本发明方法的卫星与太阳同侧示意图;
图6(b)为本发明方法的卫星与太阳异侧示意图;
图7为本发明方法一实施例的遥感影像图;
图8为本发明方法处理后阴影示意图;
图9为本发明方法所计算高度效果示意图。
图10为本发明一种基于高分影像和Unet阴影检测的物体高度识别***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于高分影像和Unet阴影检测的物体高度识别方法的流程图。
如图1所示,本发明公开了一种基于高分影像和Unet阴影检测的物体高度识别方法,包括:
S102,获取当前卫星数据,对所述当前卫星数据进行预处理;
S104,得到当前遥感影像预处理数据;
S106,将所述当前遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据;
S108,根据所述提取目标物体阴影数据进行提取,得到目标物体阴影线长度;
S110,把目标物体阴影线长度根据预设规则进行计算,得到目标物体高度数据。
根据本发明实施例,本发明的高分辨率影像中有阴影物体的高度自动识别的方法,其利用了卷积神经网络针对影像上的阴影物体,进行阴影的识别,然后再计算其物体的高度,具体包括以下步骤:步骤1,卫星数据获取;步骤2,遥感影像预处理;步骤3,Unet卷积神经网络提取目标物体阴影;步骤4,提取目标物体阴影线长度;步骤5,计算目标物体高度。步骤1,获取一预定区域的遥感影像。本发明与现有发明比较,有以下3方面进步:1)本发明针对高分辨率影像,实际上是空间分辨率高于1m。这主要区别于其他的影像,因为影像空间分辨率低,不利于阴影区域获取,数据精度差,明确提出高空间分辨率,就是为业务化和可推广提供依据和可行性。2)本发明采用Unet模式的上采样和下采样模型,能够在有限的样本数量下,达到模型阴影识别的训练精度,从而提供了可推广性,为业务推广也节省部分成本。3)本发明突出了阴影检测的效果,表明了在高分辨率影像上只要有阴影的物体,均能按照光学几何原理实现物体高度的识别,这方面能够推广到很多的重要目标物体。目前主要使用卫星遥感影像,也可使用航空遥感影像。综上,本发明成果可以用在基于卫星遥感数据提取目标物体的高度,为大范围,海量目标物体高度的检测提供技术支持。同时,由于阴影形状的差异,目前本发明虽然实现了阴影检测的自动识别技术,但是阴影线长度测量未实现对所有阴影形状的自动化测量。此外,针对实际业务大量目标物体的高度识别,需要解决批量处理的问题,保证业务化运行。因此,下一步的计划实现阴影线长度自动测量和批量化识别阴影目标物体高度的应用。
根据本发明实施例,所述获取卫星数据采用光学卫星以及高空间分辨率卫星影像的方法,具体为:
获取光学卫星4个波段多光谱影像数据,所述4个波段红、绿、蓝和近红外波段;
获取光学卫星空间分辨率数据,光学卫星云量数据,光学卫星质量数据,影像拍摄时间数据;
其中,在所述光学卫星质量数据无曝光以及相关影像质量问题的前提下,所述光学卫星空间分辨率数据,光学卫星云量数据,影像拍摄时间数据要同时满足各自预设阈值范围内才能获取卫星数据。
需要说明的是,1)光学卫星4个波段多光谱影像,包括红,绿,蓝和近红外波段;2)光学卫星空间分辨率高于1米;3)光学卫星云量低于10%;4)光学卫星无曝光以及相关影像质量问题;5)影像拍摄时间尽量选择上午十点到下午三点之间,挑选符合时相的卫星遥感数据。此时间段属于太阳高度角最大范围,所得阴影最小,可以有效避免高密度物体间的阴影遮挡,保证高精度提取阴影区域。
根据本发明实施例对所述卫星数据进行预处理,包括:
对所述卫星数据进行预处理包括:正射校正处理和图像融合处理。
需要说明的是,步骤2,对该区域遥感影像进行预处理,包括影像正射校正和图像融合。
步骤2.1,正射校正,运用ENVI软件,输入待正射校正的影像、基准影像以及DEM数据,输出GCPs并进行正射投影校正,消除地形的影响或是相机方位引起的变形等,生成平面正射影像。具体步骤如下,打开Toolbox工具——Geometric Correction——Orthorectification。在RPC Orthorectionfication:选择数据、DEM数据;GCPs:单击地图添加GCP,修改GCP属性,选择Adjustment;status:控制点类型:Adjustment控制点参与RPC模型进行调整,应用于正射纠正;Indepanent不参与调整RPC模型,只计算单个误差;GCPs可以不设置。通过正射投影校正,消除地形的影响或是相机方位引起的变形等,生成平面正射影像。
步骤2.2,采用HSI变换融合法,对原始多光谱图像作HSI变换;用全色图像(高分辨率图像)直接替换掉多光谱图像的空间分辨率较低的I分量,保持H和S不变,从而得到增强后的多光谱图像。该方法可以对高分辨率遥感图像做到像素级的分类,增强融合图像的空间细节表现力,适合于本发明二分类法对目标分析和分割阴影区域的场景,使阴影和非阴影区域的区分得到增强。具体实时方式如下,如图2所示,原始多光谱图像作HSI变换;用全色图像(高分辨率图像)直接替换掉多光谱图像的空间分辨率较低的I分量,保持H和S不变,从而得到增强后的多光谱图像。具体步骤如下:
步骤2.2.1,对影像进行几何校正、图像配准等预处理;
步骤2.2.2,对多光谱图像应用HIS变换,得到H、I、S三个分量;
步骤2.2.3,将高分辨率全色图像与多光谱图像的I分量图像进行几何配准等操作,生成新的亮度分量I′图像;
步骤2.2.4,将步骤2.2.3新生成的分量I′与原H分量、S分量图像进行HIS逆变换,得到融合图像,该图像即为具有高空间分辨率和高光谱分辨率特征的彩色图像。
相应地,HSI计算公式如下:
P(r,g,b) Pb(0,0,1) Pg(0,1,0) Pr(1,0,0)
只需求W的坐标,W由相似可得为(1/3,1/3,1/3)
根据本发明实施例,,将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据,还包括:
获取历史遥感影像预处理数据,对所述历史遥感影像预处理数据根据预设规则进行处理,得到训练集数据和测试集数据;
根据所述训练集数据和测试集数据,得到Unet卷积神经网络模型;
将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据。
需要说明的是步骤3,基于卷积神经网络识别高分辨率影像中目标物体的阴影
步骤3.1,制作遥感数据样本,将卫星影像上的目标物体以及阴影按照矩形进行裁切,大小为128×128像素矩形。自动设置参数,根据机器训练时GPU配置有关。然后随机生成训练和测试数据集,训练和验证数据集可按照8:2比例分配,要求训练集和测试集分为样本和标签2种数据,标签数据为二分类后的结果。根据图片数据将训练集和测试集数据进行归一化处理,使得图片数据为3个波段,每个波段的属性值分布在0-1之间,图片数据格式支持png,jpg,tif等。
步骤3.2,构建训练模型,基于卷积神经网络的模型(Unet),如图3所示,包括模型上采样和下采样,全连接层,激活函数层。
步骤3.2.1,下采样过程,即多层卷积和池化的过程也可以视作是图像编码的过程。利用卷积进行下采样,一共有四层:64×64、32×32、16×16、8×8,卷积操作的输出为一个三维的volume,计算公式如下:
式中,nin:输入特征个数,nout:输出特征个数,k:卷积内核大小,p:卷积填充大小,s:卷积步幅大小
步骤3.2.2,池化层,用一个相同尺寸的步长和窗口,由左至右、由上至下的遍历影像,本发明用最大池化方法,将窗口内的这组数据的最大值作为池化的最终结果。图4展示了一个2×2,步长为2的窗口在4×4的图像上的最大池化过程,可以看到通过最大池化计算以后,数据量减少了75%。
步骤3.2.3,池化层和卷积层结合在一起对图像进行两次特征提取,池化过程具体如下:
步骤3.2.4,上采样过程,经最大池化后图像尺寸变小,加入此层可使粗略的特征图重新恢复到原图像大小,恢复后的特征图细节上会更丰富。本文采用上池化的方法,如图5所示,只把最大池化过程中的最大值所处的位置激活,其他位置补上0。
步骤3.2.5,全连接层,将卷积层和池化层提取到的局部特征整合为抽象特征,随后映射到样本标记空间。
步骤3.2.6,激活函数层,激活函数承担了从神经元输入到输出的任务,目前使用现行整流函数加速训练,它是分段线性函数,其数学公式如下:
fRelu(x)=max(0,x) (9)
当Relu处于激活状态时,其与线性单元类似,梯度始终为1,;当Relu处于非激活状态时,大多数信号将被屏蔽,使得网络能够更快更精准的学习到图像的稀疏特征。
步骤3.3,利用构建好的模型进行预测,预测大约在20—50轮之间,本发明最佳轮次为30轮,每轮预测精度大约0.99左右。然后针对验证样本卫星影像数据,进行目标物体的阴影识别。
根据本发明实施例,根据所述提取目标物体阴影数据进行提取,得到目标物体阴影线长度之前,包括:
根据不同目标物体自适应选取提取方法。
需要说明的是,步骤4,提取目标物体的阴影线长度
步骤4.1,选取合适方法,规则目标物体可选用渔网法阴影线提取方法进行阴影线长度提取,不规则目标物体可采用手动划线方法进行阴影线长度提取。利用步骤3识别的阴影为掩膜,以每个阴影块为一个对象,在其内部以太阳方位角等间距做线。
步骤4.2,获取线的长度,线长S计算公式:
S=N*M (10)
根据本发明实施例,把目标物体阴影线长度根据预设规则进行计算,得到目标物体高度数据,具体为:
获取太阳高度角;
获取阴影成像与太阳、卫星的位置关系,根据所述阴影成像与太阳、卫星的位置关系进行判断阴影投影的几何关系,若在同侧,将所述太阳高度角根据同侧计算方式,得到目标物体高度数,若在异侧,将所述太阳高度角根据异侧计算方式,得到目标物体高度数。
需要说明的是,步骤5,计算目标物体高度
步骤5.1,测算太阳高度角和太阳方位角
太阳高度角计算公式:
sin h=sinφsinδ+cosφcosδcos t (11)
太阳方位角计算公式:
sin AS =sin t cosφ/cos h (12)
步骤5.2,计算目标物体高度,根据阴影成像与太阳、卫星的位置关系,阴影投影的几何关系分为两类:同侧和异侧。不同的类型有对应的计算公式。
如图6(a)所示卫星与太阳同侧,同侧的计算公式:根据几何关系,目标物体高度H为:
如图6(b)所示卫星与太阳异侧,异侧的计算公式:根据几何关系,目标物体高度H为:
H=S*tanh (14)
具体实施例
实施例为通过利用卷积神经网络针对影像上的阴影物体,进行阴影的识别,实现目标物体高度的计算。获取符合要求的高空间分辨率卫星影像,对其进行正射校正、图像融合等预处理,得到增强后的多光谱影像后进行样本制作。利用机器模型计算影像灰度直方图、生成标签等,并随机生成训练和测试数据集。构建基于卷积神经网络的模型(Unet)进行目标物体阴影的提取。其次,运用合适方法计算阴影线长度。最后,利用阴影形成的几何关系计算目标物体高度。具体实施方式如下:
步骤1,通过高分七号卫星图像获取北京市朝阳区部分地标性建筑物阴影,该遥感影像成像时间为2020年10月16日上午11时21分,经纬度介于北纬39°99′-40°05′之间,空间分辨率为0.65米。
步骤2,对该区域遥感影像进行预处理,包括影像正射校正和图像融合。消除地形的影响或是相机方位引起的变形等,得到平面正射影像以及增强后的多光谱图像。
步骤3,基于卷积神经网络识别高分辨率影像中目标物体的阴影
步骤3.1,制作遥感数据样本
步骤3.1.1,如图7所示,本发明选取2019年的部分区域的影像作为训练图像,选择的区域应包含实施例的所有地类,且每种地类的数量尽可能分布均匀。因Unet网络的图像输入格式大小为128×128,所以为了保证训练精度,本发明直接将训练影像和对应的标签图切割成128×128大小的图像,共800幅,图像为png格式,并从中选取600幅作为训练集,200幅作为验证集来训练分类模型。
步骤3.1.2,样本数据增强,因得到的训练样本数目较少,会影响训练效果,数据增强可避免过拟合,模型泛化能力也会提高。先定义用于数据增强的训练、验证图片生成器,并对训练集和验证集的数据和标签的像素值进行归一化,映射到统一标准,然后在600张遥感影像与其值标签中抽取一定个数的相对应的样本做任意变换,有旋转、横向纵向剪切、缩放等变换模式。
步骤3.2,构建训练模型
步骤3.2.1,Unet模型架构,关键核心在于卷积层、池化层、上采样层以及下采样过程。经过调试,当神经网络层数为33层时模型最佳,当继续增加网络深度时,准确率基本稳定在91.85%,但是占用了更大的计算机内存。因此最终确定Unet模型框架为:二十三层卷积层+四层池化层+两层Dropout层+四层上采样层+四层下采样层操作。
步骤3.2.2,调试好训练环境,准备好训练和验证样本,分批次(batch)输入模型开始训练,本发明为每2张作为一个批次输入模型进行训练。使用ModelCheckpoint保存训练的最优模型参数,设定监视对象为loss,当loss最小时自动保存最优参数。训练模型设定遍历总数据集30轮。
步骤3.2.3,确定输出图像的尺寸,本实施例经模型识别后的输入图像是128×128,在卷积运算过程采用全零的填充方式用以免丢失掉边界信息。接下来在经过四次步长为2的池化层后,测试图像缩小为原来的1/16,然后通过四次步长为2的上采样操作,测试图像又恢复到原始尺寸,因此在经过模型的一系列计算操作后,最终不会改变测试图像的原始尺寸。
步骤3.3,物体阴影识别,将影像转化为可以输入模型的维度大小与格式,用predict_generator函数进行测试,再返回最大值索引,以便提取类
步骤4,提取目标物体的阴影线长度
步骤4.1,选用渔网法阴影线提取方法进行阴影线长度提取,如图8所示为中航资本大厦建筑物阴影提取,利用步骤3识别的阴影为掩膜,以每个阴影块为一个对象,在其内部以太阳方位角等间距做线。
步骤4.2,获取线的长度,线长S计算公式:
S=N*M=250.1543m (15)
步骤5,计算目标物体高度
步骤5.1,测算太阳高度角和太阳方位角
太阳高度角计算公式:
sin h=sinφsinδ+cosφcosδcos t (16)
太阳方位角计算公式:
sin AS=sin t cosφ/cos h (17)
步骤5.2,计算目标物体高度,根据阴影成像与太阳、卫星的位置关系,阴影投影的几何关系分为两类:同侧和异侧。本实施例为异侧如图9所示;
异侧的计算公式:根据几何关系,目标物体高度H为:
H=S*tanh=195.37m (18)
在本发明中,共将200个测试样本带入模型得到研究区的测试结果,得出方法总体精度为93.55%,标准差σ为0.9636。
图10示出了本发明一种基于高分影像和Unet阴影检测的物体高度识别***的框图。
如图所示,本发明第二方面提供了一种基于高分影像和Unet阴影检测的物体高度识别***2,包括存储器21和处理器22,所述存储器中包括基于高分影像和Unet阴影检测的物体高度识别方法程序,所述基于高分影像和Unet阴影检测的物体高度识别方法程序被所述处理器执行时实现如下步骤:
获取当前卫星数据,对所述当前卫星数据进行预处理;
得到当前遥感影像预处理数据;
将所述当前遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据;
根据所述提取目标物体阴影数据进行提取,得到目标物体阴影线长度;
把目标物体阴影线长度根据预设规则进行计算,得到目标物体高度数据。
根据本发明实施例,本发明的高分辨率影像中有阴影物体的高度自动识别的方法,其利用了卷积神经网络针对影像上的阴影物体,进行阴影的识别,然后再计算其物体的高度,具体包括以下步骤:步骤1,卫星数据获取;步骤2,遥感影像预处理;步骤3,Unet卷积神经网络提取目标物体阴影;步骤4,提取目标物体阴影线长度;步骤5,计算目标物体高度。步骤1,获取一预定区域的遥感影像。本发明与现有发明比较,有以下3方面进步:1)本发明针对高分辨率影像,实际上是空间分辨率高于1m。这主要区别于其他的影像,因为影像空间分辨率低,不利于阴影区域获取,数据精度差,明确提出高空间分辨率,就是为业务化和可推广提供依据和可行性。2)本发明采用Unet模式的上采样和下采样模型,能够在有限的样本数量下,达到模型阴影识别的训练精度,从而提供了可推广性,为业务推广也节省部分成本。3)本发明突出了阴影检测的效果,表明了在高分辨率影像上只要有阴影的物体,均能按照光学几何原理实现物体高度的识别,这方面能够推广到很多的重要目标物体。目前主要使用卫星遥感影像,也可使用航空遥感影像。综上,本发明成果可以用在基于卫星遥感数据提取目标物体的高度,为大范围,海量目标物体高度的检测提供技术支持。同时,由于阴影形状的差异,目前本发明虽然实现了阴影检测的自动识别技术,但是阴影线长度测量未实现对所有阴影形状的自动化测量。此外,针对实际业务大量目标物体的高度识别,需要解决批量处理的问题,保证业务化运行。因此,下一步的计划实现阴影线长度自动测量和批量化识别阴影目标物体高度的应用。
根据本发明实施例,所述获取卫星数据采用光学卫星以及高空间分辨率卫星影像的方法,具体为:
获取光学卫星4个波段多光谱影像数据,所述4个波段红、绿、蓝和近红外波段;
获取光学卫星空间分辨率数据,光学卫星云量数据,光学卫星质量数据,影像拍摄时间数据;
其中,在所述光学卫星质量数据无曝光以及相关影像质量问题的前提下,所述光学卫星空间分辨率数据,光学卫星云量数据,影像拍摄时间数据要同时满足各自预设阈值范围内才能获取卫星数据。
需要说明的是,1)光学卫星4个波段多光谱影像,包括红,绿,蓝和近红外波段;2)光学卫星空间分辨率高于1米;3)光学卫星云量低于10%;4)光学卫星无曝光以及相关影像质量问题;5)影像拍摄时间尽量选择上午十点到下午三点之间,挑选符合时相的卫星遥感数据。此时间段属于太阳高度角最大范围,所得阴影最小,可以有效避免高密度物体间的阴影遮挡,保证高精度提取阴影区域。
根据本发明实施例对所述卫星数据进行预处理,包括:
对所述卫星数据进行预处理包括:正射校正处理和图像融合处理。
需要说明的是,步骤2,对该区域遥感影像进行预处理,包括影像正射校正和图像融合。
步骤2.1,正射校正,运用ENVI软件,输入待正射校正的影像、基准影像以及DEM数据,输出GCPs并进行正射投影校正,消除地形的影响或是相机方位引起的变形等,生成平面正射影像。具体步骤如下,打开Toolbox工具——Geometric Correction——Orthorectification。在RPC Orthorectionfication:选择数据、DEM数据;GCPs:单击地图添加GCP,修改GCP属性,选择Adjustment;status:控制点类型:Adjustment控制点参与RPC模型进行调整,应用于正射纠正;Indepanent不参与调整RPC模型,只计算单个误差;GCPs可以不设置。通过正射投影校正,消除地形的影响或是相机方位引起的变形等,生成平面正射影像。
步骤2.2,采用HSI变换融合法,对原始多光谱图像作HSI变换;用全色图像(高分辨率图像)直接替换掉多光谱图像的空间分辨率较低的I分量,保持H和S不变,从而得到增强后的多光谱图像。该方法可以对高分辨率遥感图像做到像素级的分类,增强融合图像的空间细节表现力,适合于本发明二分类法对目标分析和分割阴影区域的场景,使阴影和非阴影区域的区分得到增强。具体实时方式如下,如图2所示,原始多光谱图像作HSI变换;用全色图像(高分辨率图像)直接替换掉多光谱图像的空间分辨率较低的I分量,保持H和S不变,从而得到增强后的多光谱图像。具体步骤如下:
步骤2.2.1,对影像进行几何校正、图像配准等预处理;
步骤2.2.2,对多光谱图像应用HIS变换,得到H、I、S三个分量;
步骤2.2.3,将高分辨率全色图像与多光谱图像的I分量图像进行几何配准等操作,生成新的亮度分量I′图像;
步骤2.2.4,将步骤2.2.3新生成的分量I′与原H分量、S分量图像进行HIS逆变换,得到融合图像,该图像即为具有高空间分辨率和高光谱分辨率特征的彩色图像。
相应地,HSI计算公式如下:
P(r,g,b) Pb(0,0,1) Pg(0,1,0) Pr(1,0,0)
只需求W的坐标,W由相似可得为(1/3,1/3,1/3)
根据本发明实施例,,将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据,还包括:
获取历史遥感影像预处理数据,对所述历史遥感影像预处理数据根据预设规则进行处理,得到训练集数据和测试集数据;
根据所述训练集数据和测试集数据,得到Unet卷积神经网络模型;
将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据。
需要说明的是步骤3,基于卷积神经网络识别高分辨率影像中目标物体的阴影
步骤3.1,制作遥感数据样本,将卫星影像上的目标物体以及阴影按照矩形进行裁切,大小为128×128像素矩形。自动设置参数,根据机器训练时GPU配置有关。然后随机生成训练和测试数据集,训练和验证数据集可按照8:2比例分配,要求训练集和测试集分为样本和标签2种数据,标签数据为二分类后的结果。根据图片数据将训练集和测试集数据进行归一化处理,使得图片数据为3个波段,每个波段的属性值分布在0-1之间,图片数据格式支持png,jpg,tif等。
步骤3.2,构建训练模型,基于卷积神经网络的模型(Unet),如图3所示,包括模型上采样和下采样,全连接层,激活函数层。
步骤3.2.1,下采样过程,即多层卷积和池化的过程也可以视作是图像编码的过程。利用卷积进行下采样,一共有四层:64×64、32×32、16×16、8×8,卷积操作的输出为一个三维的volume,计算公式如下:
式中,nin:输入特征个数,nout:输出特征个数,k:卷积内核大小,p:卷积填充大小,s:卷积步幅大小
步骤3.2.2,池化层,用一个相同尺寸的步长和窗口,由左至右、由上至下的遍历影像,本发明用最大池化方法,将窗口内的这组数据的最大值作为池化的最终结果。图4展示了一个2×2,步长为2的窗口在4×4的图像上的最大池化过程,可以看到通过最大池化计算以后,数据量减少了75%。
步骤3.2.3,池化层和卷积层结合在一起对图像进行两次特征提取,池化过程具体如下:
步骤3.2.4,上采样过程,经最大池化后图像尺寸变小,加入此层可使粗略的特征图重新恢复到原图像大小,恢复后的特征图细节上会更丰富。本文采用上池化的方法,如图5所示,只把最大池化过程中的最大值所处的位置激活,其他位置补上0。
步骤3.2.5,全连接层,将卷积层和池化层提取到的局部特征整合为抽象特征,随后映射到样本标记空间。
步骤3.2.6,激活函数层,激活函数承担了从神经元输入到输出的任务,目前使用现行整流函数加速训练,它是分段线性函数,其数学公式如下:
fRelu(x)=max(0,x) (9)
当Relu处于激活状态时,其与线性单元类似,梯度始终为1,;当Relu处于非激活状态时,大多数信号将被屏蔽,使得网络能够更快更精准的学习到图像的稀疏特征。
步骤3.3,利用构建好的模型进行预测,预测大约在20—50轮之间,本发明最佳轮次为30轮,每轮预测精度大约0.99左右。然后针对验证样本卫星影像数据,进行目标物体的阴影识别。
根据本发明实施例,根据所述提取目标物体阴影数据进行提取,得到目标物体阴影线长度之前,包括:
根据不同目标物体自适应选取提取方法。
需要说明的是,步骤4,提取目标物体的阴影线长度
步骤4.1,选取合适方法,规则目标物体可选用渔网法阴影线提取方法进行阴影线长度提取,不规则目标物体可采用手动划线方法进行阴影线长度提取。利用步骤3识别的阴影为掩膜,以每个阴影块为一个对象,在其内部以太阳方位角等间距做线。
步骤4.2,获取线的长度,线长S计算公式:
S=N*M (10)
根据本发明实施例,把目标物体阴影线长度根据预设规则进行计算,得到目标物体高度数据,具体为:
获取太阳高度角;
获取阴影成像与太阳、卫星的位置关系,根据所述阴影成像与太阳、卫星的位置关系进行判断阴影投影的几何关系,若在同侧,将所述太阳高度角根据同侧计算方式,得到目标物体高度数,若在异侧,将所述太阳高度角根据异侧计算方式,得到目标物体高度数。
需要说明的是,步骤5,计算目标物体高度
步骤5.1,测算太阳高度角和太阳方位角
太阳高度角计算公式:
sin h= sinφsinδ+cosφcosδcos t (11)
太阳方位角计算公式:
sin AS = sin t cosφ/cos h (12)
步骤5.2,计算目标物体高度,根据阴影成像与太阳、卫星的位置关系,阴影投影的几何关系分为两类:同侧和异侧。不同的类型有对应的计算公式。
如图6(a)所示卫星与太阳同侧,同侧的计算公式:根据几何关系,目标物体高度H为:
如图6(b)所示卫星与太阳异侧,异侧的计算公式:根据几何关系,目标物体高度H为:
H=S*tanh (14)
具体实施例
实施例为通过利用卷积神经网络针对影像上的阴影物体,进行阴影的识别,实现目标物体高度的计算。获取符合要求的高空间分辨率卫星影像,对其进行正射校正、图像融合等预处理,得到增强后的多光谱影像后进行样本制作。利用机器模型计算影像灰度直方图、生成标签等,并随机生成训练和测试数据集。构建基于卷积神经网络的模型(Unet)进行目标物体阴影的提取。其次,运用合适方法计算阴影线长度。最后,利用阴影形成的几何关系计算目标物体高度。具体实施方式如下:
步骤1,通过高分七号卫星图像获取北京市朝阳区部分地标性建筑物阴影,该遥感影像成像时间为2020年10月16日上午11时21分,经纬度介于北纬39°99′-40°05′之间,空间分辨率为0.65米。
步骤2,对该区域遥感影像进行预处理,包括影像正射校正和图像融合。消除地形的影响或是相机方位引起的变形等,得到平面正射影像以及增强后的多光谱图像。
步骤3,基于卷积神经网络识别高分辨率影像中目标物体的阴影
步骤3.1,制作遥感数据样本
步骤3.1.1,如图7所示,本发明选取2019年的部分区域的影像作为训练图像,选择的区域应包含实施例的所有地类,且每种地类的数量尽可能分布均匀。因Unet网络的图像输入格式大小为128×128,所以为了保证训练精度,本发明直接将训练影像和对应的标签图切割成128×128大小的图像,共800幅,图像为png格式,并从中选取600幅作为训练集,200幅作为验证集来训练分类模型。
步骤3.1.2,样本数据增强,因得到的训练样本数目较少,会影响训练效果,数据增强可避免过拟合,模型泛化能力也会提高。先定义用于数据增强的训练、验证图片生成器,并对训练集和验证集的数据和标签的像素值进行归一化,映射到统一标准,然后在600张遥感影像与其值标签中抽取一定个数的相对应的样本做任意变换,有旋转、横向纵向剪切、缩放等变换模式。
步骤3.2,构建训练模型
步骤3.2.1,Unet模型架构,关键核心在于卷积层、池化层、上采样层以及下采样过程。经过调试,当神经网络层数为33层时模型最佳,当继续增加网络深度时,准确率基本稳定在91.85%,但是占用了更大的计算机内存。因此最终确定Unet模型框架为:二十三层卷积层+四层池化层+两层Dropout层+四层上采样层+四层下采样层操作。
步骤3.2.2,调试好训练环境,准备好训练和验证样本,分批次(batch)输入模型开始训练,本发明为每2张作为一个批次输入模型进行训练。使用ModelCheckpoint保存训练的最优模型参数,设定监视对象为loss,当loss最小时自动保存最优参数。训练模型设定遍历总数据集30轮。
步骤3.2.3,确定输出图像的尺寸,本实施例经模型识别后的输入图像是128×128,在卷积运算过程采用全零的填充方式用以免丢失掉边界信息。接下来在经过四次步长为2的池化层后,测试图像缩小为原来的1/16,然后通过四次步长为2的上采样操作,测试图像又恢复到原始尺寸,因此在经过模型的一系列计算操作后,最终不会改变测试图像的原始尺寸。
步骤3.3,物体阴影识别,将影像转化为可以输入模型的维度大小与格式,用predict_generator函数进行测试,再返回最大值索引,以便提取类
步骤4,提取目标物体的阴影线长度
步骤4.1,选用渔网法阴影线提取方法进行阴影线长度提取,如图8所示为中航资本大厦建筑物阴影提取,利用步骤3识别的阴影为掩膜,以每个阴影块为一个对象,在其内部以太阳方位角等间距做线。
步骤4.2,获取线的长度,线长S计算公式:
S=N*M=250.1543m (15)
步骤5,计算目标物体高度
步骤5.1,测算太阳高度角和太阳方位角
太阳高度角计算公式:
sin h=sinφsinδ+cosφcosδcos t (16)
太阳方位角计算公式:
sin AS =sin t cosφ/cos h (17)
步骤5.2,计算目标物体高度,根据阴影成像与太阳、卫星的位置关系,阴影投影的几何关系分为两类:同侧和异侧。本实施例为异侧如图9所示;
异侧的计算公式:根据几何关系,目标物体高度H为:
H=S*tanh=195.37m (18)
在本发明中,共将200个测试样本带入模型得到研究区的测试结果,得出方法总体精度为93.55%,标准差σ为0.9636。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于高分影像和Unet阴影检测的物体高度识别方法程序,所述一种基于高分影像和Unet阴影检测的物体高度识别方法程序被处理器执行时,实现如上述任一项所述的一种基于高分影像和Unet阴影检测的物体高度识别方法的步骤。
本发明公开的一种基于高分影像和Unet阴影检测的物体高度识别方法、***和可读存储介质,所属发明利用卷积神经网络针对影像上的阴影物体,进行阴影识别,然后再计算其物体的高度,从而实现针对高分辨率影像中有阴影物体的高度自动识别。该发明在传统的阴影图像识别基础上,进行了创新,基于卷积神经网络的二分类和上下采样算法,实现了可推广和业务化的阴影识别,从而对物体高度的识别提供支持。该发明成果可以用在基于遥感影像数据提取目标物体的高度,为大范围,海量目标物体高度的检测提供技术支持。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元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取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献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。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于高分影像和Unet阴影检测的物体高度识别方法,其特征在于,包括:
获取当前卫星数据,对所述当前卫星数据进行预处理;
得到当前遥感影像预处理数据;
将所述当前遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据;
根据所述提取目标物体阴影数据进行提取,得到目标物体阴影线长度;
把目标物体阴影线长度根据预设规则进行计算,得到目标物体高度数据。
2.根据权利要求1所述的一种基于高分影像和Unet阴影检测的物体高度识别方法,其特征在于,所述获取卫星数据采用光学卫星以及高空间分辨率卫星影像的方法,包括:
获取光学卫星4个波段多光谱影像数据,所述4个波段红、绿、蓝和近红外波段;
获取光学卫星空间分辨率数据,光学卫星云量数据,光学卫星质量数据,影像拍摄时间数据;
其中,在所述光学卫星质量数据无曝光以及相关影像质量问题的前提下,所述光学卫星空间分辨率数据,光学卫星云量数据,影像拍摄时间数据要同时满足各自预设阈值范围内才能获取卫星数据。
3.根据权利要求1所述的一种基于高分影像和Unet阴影检测的物体高度识别方法,其特征在于,对所述卫星数据进行预处理,包括:
对所述卫星数据进行预处理包括:正射校正处理和图像融合处理。
4.根据权利要求1所述的一种基于高分影像和Unet阴影检测的物体高度识别方法,其特征在于,将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据,还包括:
获取历史遥感影像预处理数据,对所述历史遥感影像预处理数据根据预设规则进行处理,得到训练集数据和测试集数据;
根据所述训练集数据和测试集数据,得到Unet卷积神经网络模型;
将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据。
5.根据权利要求1所述的一种基于高分影像和Unet阴影检测的物体高度识别方法,其特征在于,根据所述提取目标物体阴影数据进行提取,得到目标物体阴影线长度之前,包括:
根据不同目标物体自适应选取提取方法。
6.根据权利要求5所述的一种基于高分影像和Unet阴影检测的物体高度识别方法,其特征在于,把目标物体阴影线长度根据预设规则进行计算,得到目标物体高度数据,具体为:
获取太阳高度角;
获取阴影成像与太阳、卫星的位置关系,根据所述阴影成像与太阳、卫星的位置关系进行判断阴影投影的几何关系,若在同侧,将所述太阳高度角根据同侧计算方式,得到目标物体高度数,若在异侧,将所述太阳高度角根据异侧计算方式,得到目标物体高度数。
7.一种基于高分影像和Unet阴影检测的物体高度识别***,其特征在于,包括存储器和处理器,所述存储器中包括基于高分影像和Unet阴影检测的物体高度识别方法程序,所述基于高分影像和Unet阴影检测的物体高度识别方法程序被所述处理器执行时实现如下步骤:
获取当前卫星数据,对所述当前卫星数据进行预处理;
得到当前遥感影像预处理数据;
将所述当前遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据;
根据所述提取目标物体阴影数据进行提取,得到目标物体阴影线长度;
把目标物体阴影线长度根据预设规则进行计算,得到目标物体高度数据。
8.根据权利要求7所述的一种基于高分影像和Unet阴影检测的物体高度识别***,其特征在于,所述获取卫星数据采用光学卫星以及高空间分辨率卫星影像的方法,包括:
获取光学卫星4个波段多光谱影像数据,所述4个波段红、绿、蓝和近红外波段;
获取光学卫星空间分辨率数据,光学卫星云量数据,光学卫星质量数据,影像拍摄时间数据;
其中,在所述光学卫星质量数据无曝光以及相关影像质量问题的前提下,所述光学卫星空间分辨率数据,光学卫星云量数据,影像拍摄时间数据要同时满足各自预设阈值范围内才能获取卫星数据。
9.根据权利要求7所述的一种基于高分影像和Unet阴影检测的物体高度识别***,其特征在于,将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据,还包括:
获取历史遥感影像预处理数据,对所述历史遥感影像预处理数据根据预设规则进行处理,得到训练集数据和测试集数据;
根据所述训练集数据和测试集数据,得到Unet卷积神经网络模型;
将所述遥感影像预处理数据发送至Unet卷积神经网络模型中,得到提取目标物体阴影数据。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种基于高分影像和Unet阴影检测的物体高度识别方法程序,所述一种基于高分影像和Unet阴影检测的物体高度识别方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种基于高分影像和Unet阴影检测的物体高度识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210511899.8A CN114913430A (zh) | 2022-05-12 | 2022-05-12 | 一种基于高分影像和Unet阴影检测的物体高度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210511899.8A CN114913430A (zh) | 2022-05-12 | 2022-05-12 | 一种基于高分影像和Unet阴影检测的物体高度识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114913430A true CN114913430A (zh) | 2022-08-16 |
Family
ID=82767226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210511899.8A Pending CN114913430A (zh) | 2022-05-12 | 2022-05-12 | 一种基于高分影像和Unet阴影检测的物体高度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913430A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115393733A (zh) * | 2022-08-22 | 2022-11-25 | 河海大学 | 一种基于深度学习的水体自动识别方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170517A (zh) * | 2021-12-10 | 2022-03-11 | 辽宁工程技术大学 | 一种基于卷积神经网络的遥感影像建筑物提取方法 |
CN114373009A (zh) * | 2022-01-13 | 2022-04-19 | 中国科学院空天信息创新研究院 | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 |
-
2022
- 2022-05-12 CN CN202210511899.8A patent/CN114913430A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170517A (zh) * | 2021-12-10 | 2022-03-11 | 辽宁工程技术大学 | 一种基于卷积神经网络的遥感影像建筑物提取方法 |
CN114373009A (zh) * | 2022-01-13 | 2022-04-19 | 中国科学院空天信息创新研究院 | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 |
Non-Patent Citations (1)
Title |
---|
李嘉良 等: "遥感影像提取建筑物高度的方法", 河北联合大学学报( 自然科学版), vol. 35, no. 2, 30 April 2013 (2013-04-30), pages 121 - 125 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115393733A (zh) * | 2022-08-22 | 2022-11-25 | 河海大学 | 一种基于深度学习的水体自动识别方法及*** |
CN115393733B (zh) * | 2022-08-22 | 2023-08-18 | 河海大学 | 一种基于深度学习的水体自动识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852225B (zh) | 基于深度卷积神经网络的遥感影像红树林提取方法及*** | |
CN111767801A (zh) | 一种基于深度学习的遥感影像水域自动提取方法及*** | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN110728658A (zh) | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN107527328A (zh) | 一种兼顾精度与速度的无人机影像几何处理方法 | |
CN110991430B (zh) | 基于遥感图像的地物识别及覆盖率计算方法及*** | |
CN114187450A (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
CN111640116B (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
Mousa et al. | Building detection and regularisation using DSM and imagery information | |
CN115984714B (zh) | 一种基于双分支网络模型的云检测方法 | |
CN115393741A (zh) | 基于无人机低空采样的地物分类人工智能识别方法及其*** | |
CN115546656A (zh) | 一种基于深度学习的遥感影像养殖区域提取方法 | |
CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN117058557A (zh) | 基于物理特征与深度学习模型的云和云阴影联合检测方法 | |
CN114913430A (zh) | 一种基于高分影像和Unet阴影检测的物体高度识别方法 | |
CN113269028B (zh) | 一种基于深度卷积神经网络的水体变化检测方法和*** | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
CN116645595A (zh) | 遥感影像建筑物屋顶轮廓识别方法、装置、设备和介质 | |
CN112036246B (zh) | 遥感影像分类模型的构建方法,遥感影像分类方法及*** | |
CN105005962A (zh) | 基于分层筛选策略的岛礁遥感影像配准方法 | |
CN115019044A (zh) | 单株植物的分割方法、装置、终端设备和可读存储介质 | |
CN112580504B (zh) | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 |
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 |