CN115409810A - 一种遥感影像的样本选择方法、装置及*** - Google Patents
一种遥感影像的样本选择方法、装置及*** Download PDFInfo
- Publication number
- CN115409810A CN115409810A CN202211065425.1A CN202211065425A CN115409810A CN 115409810 A CN115409810 A CN 115409810A CN 202211065425 A CN202211065425 A CN 202211065425A CN 115409810 A CN115409810 A CN 115409810A
- Authority
- CN
- China
- Prior art keywords
- window
- training
- square
- windows
- preset
- 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
- 238000010187 selection method Methods 0.000 title claims description 11
- 238000012549 training Methods 0.000 claims abstract description 223
- 238000000034 method Methods 0.000 claims abstract description 111
- 238000012360 testing method Methods 0.000 claims abstract description 77
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 13
- 238000005070 sampling Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感影像的样本选择方法、装置及***。根据预设的分割方法,将高光谱图像以及对应的标签图像分割为若干个互不重叠的方形窗口,根据每个类别标记像素的数量从小到大进行排序,按此排序依次获取包含每个类别的方形窗口组并随机抽取一定比例数量的方形窗口作为训练集,其余作为测试集,根据预设的数据增强方法对训练集进行数据增强,用经数据增强的训练集对预设的全卷积网络进行训练,用测试集对训练好的全卷积网络进行测试,该样本选择方法、装置及***提升了遥感影像的采样均衡性,避免了训练数据和测试数据之间的潜在重叠,从而为后续客观准确的性能评估提供了数据支持。
Description
技术领域
本发明涉及遥感影像的样本选择技术领域,尤其涉及一种遥感影像的样本选择方法、装置、计算机可读存储介质及***。
背景技术
高光谱遥感不仅能够获取被观测地物在空间维度上的几何形态信息,还能够获取反映地物真实理化特征的连续光谱曲线。这些特点使得高光谱遥感被广泛应用于资源环境调查与国防安全等领域。高光谱图像分类是这些应用的重要基础。
近年来,深度学习的快速发展为高光谱图像分类提供了新的解决方案,已成为该领域的主流方法。相比其它深度学习算法,卷积神经网络(convolutional neuralnetwork,CNN)局部连接和权值共享的特性使其可以较小的参数量和计算量来提取图像的深层光谱和空间特征。现有基于CNN的高光谱图像分类方法,主要包括:基于patch的CNN和基于全卷积网络(Fully Convolutional Networks,FCN)的方法。由于高光谱图像标记数据的缺乏,为了促进空间特征提取和分类器训练,早期研究主要采用基于patch的分类方法。该方法首先生成以采样像素为中心的patch,然后将patch输入网络以提取特征并预测采样像素的类别。由于相邻patch之间相互重叠,冗余计算是不可避免的。为了降低计算复杂度,提出了许多基于FCN的方法。该方法可将原始数据输入网络,然后以像素到像素的方式执行语义分割。与基于patch的CNN相比,该方法通常以更高的效率产生更好的结果。
但是,现有技术仍存在如下缺陷:大多采用随机采样策略,其中训练和测试样本是在同一图像上随机选择的,导致训练和测试数据相互重叠。随后,在训练阶段,部分来自测试数据的信息也被整合起来训练网络,导致评估的分类准确度被夸大。训练-测试信息泄漏不仅高估了基于空间特征分类方法的性能,还可能扭曲对象的边界。因此,基于像素的随机采样策略会错误地影响空间特征提取方法的特征学习和性能评估。
因此,当前需要一种遥感影像的样本选择方法、装置、计算机可读存储介质以及***,从而克服现有技术中存在的上述缺陷。
发明内容
本发明实施例提供一种遥感影像的样本选择方法、装置、计算机可读存储介质以及***,提升了遥感影像的采样均衡性,避免了训练数据和测试数据之间的潜在重叠,从而为后续客观准确的性能评估提供数据支持。
本发明一实施例提供一种遥感影像的样本选择方法,所述样本选择方法包括:获取待样本选择的高光谱图像以及对应的标签图像,根据预设的分割方法,对所述高光谱图像以及所述标签图像进行分割,获取若干个方形窗口;每个方形窗口包括一个或多个带类别标签的像素,每个类别标签对应一个类别;根据预设的划分方法、所述方形窗口以及所述类别,依次对各个类别进行收集以对应获取方形窗口组,并将各个方形窗口组中的方形窗口随机划分为训练集或测试集;通过预设的数据增强方法,对所述训练集进行数据增强以获取增强训练集,用所述增强训练集对预设的全卷积网络进行训练以获取分割网络,用所述测试集对所述分割网络进行评估以获取评估结果。
作为上述方案的改进,根据预设的划分方法、所述方形窗口以及所述类别,依次对各个类别进行收集以对应获取方形窗口组,并将各个方形窗口组中的方形窗口随机划分为训练集或测试集,具体包括:获取各个类别对应的像素数量,并根据所述像素数量以及预设的排序方法,将所有类别进行排序以获取收集顺序;根据所述收集顺序,依次对各个类别进行收集以对应获取方形窗口组;所述方形窗口组包括若干个方形窗口;根据预设的比例划分方法,分别将各个方形窗口组划分为训练窗口和测试窗口,并根据所述训练窗口和所述测试窗口对应获得训练集和测试集。
作为上述方案的改进,根据所述像素数量以及预设的排序方法,将所有类别进行排序以获取收集顺序,具体包括:根据所述像素数量以及从小到大的顺序,将所有类别进行排序以获取收集顺序。
作为上述方案的改进,根据预设的比例划分方法,分别将各个方形窗口组划分为训练窗口和测试窗口,并根据所述训练窗口和所述测试窗口对应获得训练集和测试集,具体包括:获取方形窗口组中的方形窗口的窗口数量,根据预设的比例确定方法以及所述窗口数量,确定第一比例;从所述方形窗口组中随机选择第一比例数量的方形窗口作为训练窗口,将除所述训练窗口外的方形窗口作为测试窗口,并将所有训练窗口作为训练集,将所有测试窗口作为测试集。
作为上述方案的改进,根据预设的分割方法,对所述高光谱图像组以及所述标签图像组进行分割,获取若干个方形窗口,具体包括:用预设的渔网分割方法将高光谱图像以及对应的标签图像分割为若干个大小相等且互不重叠的方形窗口;所述方形窗口包括一个或多个带类别标签的像素;所述标签图像中包括若干个以类别标签进行标注的类别;所述高光谱图像和所述标签图像对应。
作为上述方案的改进,通过预设的数据增强方法,对所述训练集进行数据增强以获取增强训练集,具体包括:以预设的旋转角度,对所述训练集中的各个训练窗口进行旋转以获取第一训练窗口;对所述训练集中的各个训练窗口进行水平翻转以获取第二训练窗口;对所述训练集中的各个训练窗口进行垂直翻转以获取第三训练窗口;对所述训练集中的各个训练窗口进行噪声添加或改变亮度以获取第四训练窗口;将所述第一训练窗口、所述第二训练窗口、所述第三训练窗口、所述第四训练窗口以及所述训练窗口作为增强训练集输出。
作为上述方案的改进,用所述增强训练集对预设的全卷积网络进行训练以获取分割网络,具体包括:根据预设的全卷积网络,对所述增强训练集进行像素到像素的分类以获取分类结果;根据所述增强训练集中各个方形窗口中像素的类别和对应的分类结果,计算损失函数并进行误差反向传播以获取第一全卷积网络;重复上述步骤,直到所述第一全卷积网络收敛时,将所述第一全卷积网络输出为分割网络。
本发明另一实施例对应提供了一种遥感影像的样本选择装置,所述样本选择装置包括分割获取单元、窗口划分单元以及训练输出单元,其中,所述分割获取单元用于获取待样本选择的高光谱图像以及对应的标签图像,根据预设的分割方法,对所述高光谱图像以及所述标签图像进行分割,获取若干个方形窗口;每个方形窗口包括一个或多个带类别标签的像素,每个类别标签对应一个类别;所述窗口划分单元用于根据预设的划分方法、所述方形窗口以及所述类别,依次对各个类别进行收集以对应获取方形窗口组,并将各个方形窗口组中的方形窗口随机划分为训练集或测试集;所述训练输出单元用于通过预设的数据增强方法,对所述训练集进行数据增强以获取增强训练集,用所述增强训练集对预设的全卷积网络进行训练以获取分割网络,用所述测试集对所述分割网络进行评估以获取评估结果。
作为上述方案的改进,所述窗口划分单元还用于:获取各个类别对应的像素数量,并根据所述像素数量以及预设的排序方法,将所有类别进行排序以获取收集顺序;根据所述收集顺序,依次对各个类别进行收集以对应获取方形窗口组;所述方形窗口组包括若干个方形窗口;根据预设的比例划分方法,分别将各个方形窗口组划分为训练窗口和测试窗口,并根据所述训练窗口和所述测试窗口对应获得训练集和测试集。
作为上述方案的改进,所述窗口划分单元还用于:根据所述像素数量以及从小到大的顺序,将所有类别进行排序以获取收集顺序。
作为上述方案的改进,所述窗口划分单元还用于:获取方形窗口组中的方形窗口的窗口数量,根据预设的比例确定方法以及所述窗口数量,确定第一比例;从所述方形窗口组中随机选择第一比例数量的方形窗口作为训练窗口,将除所述训练窗口外的方形窗口作为测试窗口,并将所有训练窗口作为训练集,将所有测试窗口作为测试集。
作为上述方案的改进,所述分割获取单元还用于:用预设的渔网分割方法将高光谱图像以及对应的标签图像分割为若干个大小相等且互不重叠的方形窗口;所述方形窗口包括一个或多个带类别标签的像素;所述标签图像中包括若干个以类别标签进行标注的类别;所述高光谱图像和所述标签图像对应。
作为上述方案的改进,所述训练输出单元还用于:以预设的旋转角度,对所述训练集中的各个训练窗口进行旋转以获取第一训练窗口;对所述训练集中的各个训练窗口进行水平翻转以获取第二训练窗口;对所述训练集中的各个训练窗口进行垂直翻转以获取第三训练窗口;对所述训练集中的各个训练窗口进行噪声添加或改变亮度以获取第四训练窗口;将所述第一训练窗口、所述第二训练窗口、所述第三训练窗口、所述第四训练窗口以及所述训练窗口作为增强训练集输出。
作为上述方案的改进,所述训练输出单元还用于:根据预设的全卷积网络,对所述增强训练集进行像素到像素的分类以获取分类结果;根据所述增强训练集中各个方形窗口中像素的类别和对应的分类结果,计算损失函数并进行误差反向传播以获取第一全卷积网络;重复上述步骤,直到所述第一全卷积网络收敛时,将所述第一全卷积网络输出为分割网络。
本发明另一实施例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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如前所述的遥感影像的样本选择方法。
本发明另一实施例提供了一种遥感影像的样本选择***,所述样本选择***包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如前所述的遥感影像的样本选择方法。
与现有技术相比,本技术方案存在如下有益效果:
本发明提供了一种遥感影像的样本选择方法、装置、计算机可读存储介质以及***,通过根据分割方法,将高光谱图像和对应的标签图像分割为若干个大小相等且互不重叠的方形窗口;然后,根据每个类别对应的像素数量从小到大进行排序以获取收集顺序;根据该收集顺序首先收集包含排序第一类别的窗口,并随机选择预定比例的窗口进行训练,其余的用于测试;然后,将高光谱图像以及对应的标签图像中含该类窗口的对应位置置零,并用于收集包含排序第二类别的窗口,重复此过程,直到所有类别完成此操作;通过预设的数据增强方法对所述训练集进行数据增强,用增强训练集对预设的全卷积网络进行训练。用训练好的网络对测试集进行预测并进行精度评估,该样本选择方法、装置、计算机可读存储介质以及***提升了遥感影像的采样均衡性,避免了训练数据和测试数据之间的潜在重叠,从而为后续客观准确的性能评估提供了数据支持。
附图说明
图1是本发明一实施例提供的一种遥感影像的样本选择方法的流程示意图;
图2是本发明一实施例提供的一种遥感影像的样本选择装置的结构示意图。
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作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。
具体实施例一
本发明实施例首先描述了一种遥感影像的样本选择方法,本发明实施例所提供方法输出的样本选择模型不仅适用于高光谱数据,还适用于其它数据,尤其是类别不平衡的数据。图1是本发明一实施例提供的一种遥感影像的样本选择方法的流程示意图。
为了合理样本选择方法设计,本发明实施例提供的方法在设计时遵守几个基本原则:1、遵守独立假设,凡对提取训练数据特征有贡献的区域均不能用于测试;2、遵守同分布的假设,为了实现泛化误差的无偏估计,测试数据和实际应用数据应该是同分布的;3、均衡采样,以避免训练集或测试集中不存在的某些类别;4、随机采样,因为我们不知道哪些样本更具代表性;5、充分利用已有数据,避免直接丢弃带类别标签的数据。如图1所示,所述样本选择方法包括:
S1:获取待样本选择的高光谱图像以及对应的标签图像,根据预设的分割方法,对所述高光谱图像以及所述标签图像进行分割,获取若干个方形窗口。
在实际实施过程中,由于许多基于空间特征的方法需要方形块作为输入,因此需要将高光谱图像及其对应的标签图像划分为大小相等的方形窗口。由于图像的长和宽不一定能恰好整除窗口大小,且现有技术中一些方法直接将不能组成方形窗口的边缘丢弃,没能充分利用数据;在一个实施例中,在本步骤之前,还可以将高光谱图像和对应的标签图像的下侧和右侧镜像使其长宽能整除窗口大小,从而达到对边缘数据的充分利用。比如:图像宽11、长13,窗口大小为3,为使图像长宽能整除窗口大小,需将图像右侧向外镜像1个像素使宽为12;将图像下侧向外镜像2个像素使长为15。
对于窗口大小,应保证每个类别带标记的像素至少包含在两个窗口中,并在窗口大小和窗口数量之间进行权衡以满足均衡采样(因为窗口越小,窗口的数量越多;窗口越大,窗口的数量越少;如果窗口过小会限制分类方法提取空间特征,使空间特征提取能力较强方法的性能受限;如果窗口过大会使一些类别只存在于一个方形窗口,导致该类没有训练窗口或没有测试窗口)。为了充分利用已有数据,首先将右侧和下边界的像素向外镜像,以创建原始边界像素的对应窗口;然后,用渔网分割方法将高光谱图像及其标签图像分割成大小相等且不重叠的方形窗口。
在一个实施例中,用预设的渔网分割方法将高光谱图像以及对应的标签图像分割为若干个大小相等且互不重叠的方形窗口。所述方形窗口包括一个或多个带类别标签的像素;所述标签图像中包括若干个以类别标签进行标注的类别;所述高光谱图像和所述标签图像对应。
S2:根据预设的划分方法、所述方形窗口以及所述类别,依次对各个类别进行收集以对应获取方形窗口组,并将各个方形窗口组中的方形窗口随机划分为训练集或测试集。
在一个实施例中,根据预设的划分方法、所述方形窗口以及所述类别,依次对各个类别进行收集以对应获取方形窗口组,并将各个方形窗口组中的方形窗口随机划分为训练集或测试集,具体包括:获取各个类别对应的像素数量,并根据所述像素数量以及预设的排序方法,将所有类别进行排序以获取收集顺序;根据所述收集顺序,依次对各个类别进行取样以对应获取方形窗口组;所述方形窗口组包括若干个方形窗口;根据预设的比例划分方法,分别将各个方形窗口组随机划分为训练窗口和测试窗口,并根据所述训练窗口和所述测试窗口对应获得训练集和测试集。
在一个实施例中,根据所述像素数量以及预设的排序方法,将所有类别进行排序以获取收集顺序,具体包括:根据所述像素数量以及从小到大的顺序,将所有类别进行排序以获取收集顺序。
作为上述方案的改进,根据预设的比例划分方法,分别将各个方形窗口组随机划分为训练窗口和测试窗口,并根据所述训练窗口和所述测试窗口对应获得训练集和测试集,具体包括:获取每个方形窗口组中的方形窗口的数量,根据预设的比例确定方法以及所述窗口数量,确定第一比例;从所述方形窗口组中随机选择第一比例数量的方形窗口作为训练窗口,将除所述训练窗口外的方形窗口作为测试窗口,并将所有训练窗口作为训练集,将所有测试窗口作为测试集。
在一个实施例中,如果窗口个数小于10,预设比例数量为所述类别窗口组中方形窗口数量的50%;如果窗口数量大于10,预设比例数量为所述类别窗口组中方形窗口数量的10%。
S3:通过预设的数据增强方法,对所述训练集进行数据增强以获取增强训练集,用所述增强训练集对预设的全卷积网络进行训练以获取分割网络,用所述测试集对所述分割网络进行评估以获取评估结果。
在一个实施例中,通过预设的数据增强方法,对所述训练集进行数据增强以获取增强训练集,具体包括:以预设的旋转角度,对所述训练集中的各个训练窗口进行旋转以获取第一训练窗口;对所述训练集中的各个训练窗口进行水平翻转以获取第二训练窗口;对所述训练集中的各个训练窗口进行垂直翻转以获取第三训练窗口;对所述训练集中的各个训练窗口进行噪声添加或改变亮度以获取第四训练窗口;将所述第一训练窗口、所述第二训练窗口、所述第三训练窗口、所述第四训练窗口以及所述训练窗口作为增强训练集输出。其中,噪声添加或改变亮度能增强方法在不同条件下的鲁棒性,例如:不同的传感器、光线变化和大气干扰。
在一个实施例中,用所述增强训练集对预设的全卷积网络进行训练以获取分割网络,具体包括:根据预设的全卷积网络,对所述增强训练集进行像素到像素的分类以获取分类结果;根据所述增强训练集中各个方形窗口中像素的类别和对应的分类结果,计算损失函数并进行误差反向传播以获取第一全卷积网络;重复上述步骤,直到所述第一全卷积网络收敛时,将所述第一全卷积网络输出为分割网络。
本发明实施例描述了一种遥感影像的样本选择方法,根据分割方法,将高光谱图像和对应的标签图像分割为若干个大小相等且互不重叠的方形窗口;然后,根据每个类别带标记像素的数量从小到大进行排序以获取收集顺序;根据该收集顺序首先收集包含排序第一类别的窗口,并随机选择预定比例的窗口进行训练,其余的用于测试;然后,将高光谱图像以及对应的标签图像中含该类窗口的对应位置置零,并用于收集包含排序第二类别的窗口,重复此过程,直到所有类别完成此操作;通过预设的数据增强方法对所述训练集进行数据增强后,用增强训练集对预设的全卷积网络进行训练,用训练好的网络对测试集进行预测并进行精度评估,该样本选择方法提升了遥感影像的采样均衡性,避免了训练数据和测试数据之间的潜在重叠,从而为后续客观准确的性能评估提供了数据支持。
具体实施例二
除上述方法外,本发明实施例还公开了一种遥感影像的样本选择装置。图2是本发明一实施例提供的一种遥感影像的样本选择装置的结构示意图。
如图2所示,所述样本选择装置包括分割获取单元11、窗口划分单元12以及训练输出单元13。
其中,分割获取单元11用于获取待样本选择的高光谱图像以及对应的标签图像,根据预设的分割方法,对所述高光谱图像以及所述标签图像进行分割,获取若干个方形窗口;每个方形窗口包括一个或多个带类别标签的像素,每个类别标签对应一个类别。
在一个实施例中,分割获取单元11还用于:用预设的渔网分割方法将高光谱图像以及对应的标签图像分割为若干个大小相等且互不重叠的方形窗口;所述方形窗口包括一个或多个带类别标签的像素;所述标签图像中包括若干个以类别标签进行标注的类别;所述高光谱图像和所述标签图像对应。
窗口划分单元12用于根据预设的划分方法、所述方形窗口以及所述类别,依次对各个类别进行收集以对应获取方形窗口组,并将各个方形窗口组中的方形窗口随机划分为训练集或测试集。
在一个实施例中,窗口划分单元12还用于:获取各个类别对应的像素数量,并根据所述像素数量以及预设的排序方法,将所有类别进行排序以获取收集顺序;根据所述收集顺序,依次对各个类别进行收集以对应获取方形窗口组;所述方形窗口组包括若干个方形窗口;根据预设的比例划分方法,分别将各个方形窗口组划分为训练窗口和测试窗口,并根据所述训练窗口和所述测试窗口对应获得训练集和测试集。
在一个实施例中,窗口划分单元12还用于:根据所述像素数量以及从小到大的顺序,将所有类别进行排序以获取收集顺序。
在一个实施例中,窗口划分单元12还用于:获取方形窗口组中的方形窗口的窗口数量,根据预设的比例确定方法以及所述窗口数量,确定第一比例;针对所述方形窗口组中的各个方形窗口,从所述方形窗口组中随机选择第一比例数量的方形窗口作为训练窗口,将除所述训练窗口外的方形窗口作为测试窗口,并将所有训练窗口作为训练集,将所有测试窗口作为测试集。
在一个实施例中,训练输出单元13还用于:以预设的旋转角度,对所述训练集中的各个训练窗口进行旋转以获取第一训练窗口;对所述训练集中的各个训练窗口进行水平翻转以获取第二训练窗口;对所述训练集中的各个训练窗口进行垂直翻转以获取第三训练窗口;对所述训练集中的各个训练窗口进行噪声添加或改变亮度以获取第四训练窗口;将所述第一训练窗口、所述第二训练窗口、所述第三训练窗口、所述第四训练窗口以及所述训练窗口作为增强训练集输出。
训练输出单元13用于通过预设的数据增强方法,对所述训练集进行数据增强以获取增强训练集,用所述增强训练集对预设的全卷积网络进行训练以获取分割网络,用所述测试集对所述分割网络进行评估以获取评估结果。
在一个实施例中,训练输出单元13还用于:根据训练好的预设的全卷积网络,对所述测试集进行像素到像素的分类以获取分类结果;根据所述测试集的类别和对应的分类结果,计算损失函数并进行误差反向传播以获取第一全卷积网络;重复上述步骤,直到所述第一全卷积网络收敛时,将所述第一全卷积网络输出为分割网络。
本发明另一实施例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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如前所述的遥感影像的样本选择方法。
其中,所述样本选择装置集成的单元如果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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。本发明另一实施例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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如前所述的遥感影像的样本选择方法。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,单元之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例描述了一种遥感影像的样本选择装置及计算机可读存储介质,根据分割方法,将高光谱图像和对应的标签图像分割为若干个大小相等且互不重叠的方形窗口;然后,根据每个类别对应的像素数量从小到大进行排序以获取收集顺序;根据该收集顺序首先收集包含排序第一类别的窗口,并随机选择预定比例的窗口进行训练,其余的用于测试;然后,将高光谱图像组以及对应的标签图像组中含该类窗口的对应位置置零,并用于收集包含排序第二类别的窗口,重复此过程,直到所有类别完成此样本选择;通过预设的数据增强方法对所述训练集进行数据增强后,用增强训练集对预设的全卷积网络进行训练,用训练好的网络对测试集进行预测并进行精度评估,该样本选择装置及计算机可读存储介质提升了遥感影像的采样均衡性,从而为后续客观准确的性能评估提供了数据支持。
具体实施例三
除上述方法和装置外,本发明实施例还描述了一种遥感影像的样本选择***。
所述样本选择***包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如前所述的遥感影像的样本选择方法。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable 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该处理器也可以是任何常规的处理器等,所述处理器是所述装置的控制中心,利用各种接口和线路连接整个装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明实施例描述了一种遥感影像的样本选择***,通过根据分割方法,将高光谱图像和对应的标签图像分割为若干个大小相等且互不重叠的方形窗口;然后,根据每个类别对应的像素数量从小到大进行排序以获取收集顺序;根据该收集顺序首先收集包含排序第一类别的窗口,并随机选择预定比例的窗口进行训练,其余的用于测试;然后,将高光谱图像组以及对应的标签图像组中含该类窗口的对应位置置零,并用于收集包含排序第二类别的窗口,重复此过程,直到所有类别完成此样本选择;通过预设的数据增强方法对所述训练集进行数据增强后,用增强训练集对预设的全卷积网络进行训练,用训练好的网络对测试集进行预测并进行精度评估,该样本选择***提升了遥感影像的采样均衡性,从而为后续客观准确的性能评估提供了数据支持。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种遥感影像的样本选择方法,其特征在于,所述样本选择方法包括:
获取待样本选择的高光谱图像以及对应的标签图像,根据预设的分割方法,对所述高光谱图像以及所述标签图像进行分割,获取若干个方形窗口;每个方形窗口包括一个或多个带类别标签的像素,每个类别标签对应一个类别;
根据预设的划分方法、所述方形窗口以及所述类别,依次对各个类别进行收集以对应获取方形窗口组,并将各个方形窗口组中的方形窗口随机划分为训练集或测试集;
通过预设的数据增强方法,对所述训练集进行数据增强以获取增强训练集,用所述增强训练集对预设的全卷积网络进行训练以获取分割网络,用所述测试集对所述分割网络进行评估以获取评估结果。
2.根据权利要求1所述的遥感影像的样本选择方法,其特征在于,根据预设的划分方法、所述方形窗口以及所述类别,依次对各个类别进行收集以对应获取方形窗口组,并将各个方形窗口组中的方形窗口随机划分为训练集或测试集,具体包括:
获取各个类别对应的像素数量,并根据所述像素数量以及预设的排序方法,将所有类别进行排序以获取收集顺序;
根据所述收集顺序,依次对各个类别进行收集以对应获取方形窗口组;所述方形窗口组包括若干个方形窗口;
根据预设的比例划分方法,分别将各个方形窗口组划分为训练窗口和测试窗口,并根据所述训练窗口和所述测试窗口对应获得训练集和测试集。
3.根据权利要求2所述的遥感影像的样本选择方法,其特征在于,根据所述像素数量以及预设的排序方法,将所有类别进行排序以获取收集顺序,具体包括:
根据所述像素数量以及从小到大的顺序,将所有类别进行排序以获取收集顺序。
4.根据权利要求3所述的遥感影像的样本选择方法,其特征在于,根据预设的比例划分方法,分别将各个方形窗口组划分为训练窗口和测试窗口,并根据所述训练窗口和所述测试窗口对应获得训练集和测试集,具体包括:
获取方形窗口组中的方形窗口的窗口数量,根据预设的比例确定方法以及所述窗口数量,确定第一比例;
从所述方形窗口组中随机选择第一比例数量的方形窗口作为训练窗口,将除所述训练窗口外的方形窗口作为测试窗口,并将所有训练窗口作为训练集,将所有测试窗口作为测试集。
5.根据权利要求4所述的遥感影像的样本选择方法,其特征在于,根据预设的分割方法,对所述高光谱图像以及所述标签图像进行分割,获取若干个方形窗口,具体包括:
用预设的渔网分割方法将高光谱图像以及对应的标签图像分割为若干个大小相等且互不重叠的方形窗口;所述方形窗口包括一个或多个带类别标签的像素;所述标签图像中包括若干个以类别标签进行标注的类别;所述高光谱图像和所述标签图像对应。
6.根据权利要求5所述的遥感影像的样本选择方法,其特征在于,通过预设的数据增强方法,对所述训练集进行数据增强以获取增强训练集,具体包括:
以预设的旋转角度,对所述训练集中的各个训练窗口进行旋转以获取第一训练窗口;
对所述训练集中的各个训练窗口进行水平翻转以获取第二训练窗口;
对所述训练集中的各个训练窗口进行垂直翻转以获取第三训练窗口;
对所述训练集中的各个训练窗口进行噪声添加或改变亮度以获取第四训练窗口;
将所述第一训练窗口、所述第二训练窗口、所述第三训练窗口、所述第四训练窗口以及所述训练窗口作为增强训练集输出。
7.根据权利要求6所述的遥感影像的样本选择方法,其特征在于,用所述增强训练集对预设的全卷积网络进行训练以获取分割网络,具体包括:
根据预设的全卷积网络,对所述增强训练集进行像素到像素的分类以获取分类结果;
根据所述增强训练集中各个方形窗口中像素的类别和对应的分类结果,计算损失函数并进行误差反向传播以获取第一全卷积网络;
重复上述步骤,直到所述第一全卷积网络收敛时,将所述第一全卷积网络输出为分割网络。
8.一种遥感影像的样本选择装置,其特征在于,所述样本选择装置包括分割获取单元、窗口划分单元以及训练输出单元,其中,
所述分割获取单元用于获取待样本选择的高光谱图像以及对应的标签图像,根据预设的分割方法,对所述高光谱图像以及所述标签图像进行分割,获取若干个方形窗口;每个方形窗口包括一个或多个带类别标签的像素,每个类别标签对应一个类别;
所述窗口划分单元用于根据预设的划分方法、所述方形窗口以及所述类别,依次对各个类别进行收集以对应获取方形窗口组,并将各个方形窗口组中的方形窗口随机划分为训练集或测试集;
所述训练输出单元用于通过预设的数据增强方法,对所述训练集进行数据增强以获取增强训练集,用所述增强训练集对预设的全卷积网络进行训练以获取分割网络,用所述测试集对所述分割网络进行评估以获取评估结果。
9.一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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的遥感影像的样本选择方法。
10.一种遥感影像的样本选择***,其特征在于,所述样本选择***包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的遥感影像的样本选择方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211065425.1A CN115409810A (zh) | 2022-09-01 | 2022-09-01 | 一种遥感影像的样本选择方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211065425.1A CN115409810A (zh) | 2022-09-01 | 2022-09-01 | 一种遥感影像的样本选择方法、装置及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409810A true CN115409810A (zh) | 2022-11-29 |
Family
ID=84164669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211065425.1A Pending CN115409810A (zh) | 2022-09-01 | 2022-09-01 | 一种遥感影像的样本选择方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409810A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809179A (zh) * | 2023-12-26 | 2024-04-02 | 成都理工大学 | 一种面向对象的高光谱遥感影像地表岩性识别分类方法 |
-
2022
- 2022-09-01 CN CN202211065425.1A patent/CN115409810A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809179A (zh) * | 2023-12-26 | 2024-04-02 | 成都理工大学 | 一种面向对象的高光谱遥感影像地表岩性识别分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574513B (zh) | 文字检测方法和装置 | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
Sahasrabudhe et al. | Self-supervised nuclei segmentation in histopathological images using attention | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
US20220215656A1 (en) | Method, apparatus, device for image processing, and storage medium | |
CN111626342B (zh) | 一种图像样本处理方法、装置及存储介质 | |
Su et al. | Image segmentation using mean shift for extracting croplands from high-resolution remote sensing imagery | |
CN117015796A (zh) | 处理组织图像的方法和用于处理组织图像的*** | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
WO2021147866A1 (zh) | Ecg信号的获取方法及装置、存储介质、电子装置 | |
CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
CN115424053B (zh) | 小样本图像识别方法、装置、设备及存储介质 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
Wu et al. | Automatic kernel counting on maize ear using RGB images | |
CN115409810A (zh) | 一种遥感影像的样本选择方法、装置及*** | |
CN115439654A (zh) | 动态约束下的弱监督农田地块精细化分割方法及*** | |
CN112991281B (zh) | 视觉检测方法、***、电子设备及介质 | |
Du et al. | Instance Segmentation and Berry Counting of Table Grape before Thinning Based on AS-SwinT | |
CN116309612B (zh) | 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 | |
CN112084889A (zh) | 一种图像行为识别方法、装置、计算设备及存储介质 | |
KR102482573B1 (ko) | 딥러닝을 이용한 이미지 배경제거 및 수피 기반 수종 탐지 시스템 및 이를 이용한 수종 탐지 방법 | |
CN118134818B (zh) | 基于荧光玻片的扫描和ai荧光图像处理方法及其应用 |
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 |