CN115512353A - 一种遥感图像标注方法、装置及设备 - Google Patents

一种遥感图像标注方法、装置及设备 Download PDF

Info

Publication number
CN115512353A
CN115512353A CN202211215425.5A CN202211215425A CN115512353A CN 115512353 A CN115512353 A CN 115512353A CN 202211215425 A CN202211215425 A CN 202211215425A CN 115512353 A CN115512353 A CN 115512353A
Authority
CN
China
Prior art keywords
remote sensing
region
pixel points
sensing image
determining
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
Application number
CN202211215425.5A
Other languages
English (en)
Inventor
张舸
万其明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN202211215425.5A priority Critical patent/CN115512353A/zh
Publication of CN115512353A publication Critical patent/CN115512353A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/77—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种遥感图像标注方法、装置及设备，该方法包括：获取种子像素点和种子像素点对应的目标类别；以种子像素点为起始像素点，搜索每个遥感图像中对应目标类别的前景像素点，基于种子像素点和前景像素点确定该遥感图像的封闭区域；基于遥感图像的封闭区域之间的相似度，从T个遥感图像中选取K个待标注遥感图像；基于K个待标注遥感图像的封闭区域确定融合区域；基于目标类别并行对K个待标注遥感图像执行如下同步标注操作：基于融合区域与待标注遥感图像的已标注区域确定目标区域，为该待标注遥感图像中的目标区域标注目标类别；已标注区域是待标注遥感图像中已经被标注类别的区域。通过本申请的技术方案，可以减轻遥感图像的标注工作量。

Description

一种遥感图像标注方法、装置及设备
技术领域
本申请涉及人工智能领域，尤其涉及一种遥感图像标注方法、装置及设备。
背景技术
机器学习是实现人工智能的一种途径，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习用于研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习更加注重算法设计，使计算机能够自动地从数据中学习规律，并利用规律对未知数据进行预测。
机器学习已经有了十分广泛的应用，如深度学习、数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、语音和手写识别等。
为了采用机器学习实现人工智能处理，需要获取大量样本图像，基于这些样本图像训练出机器学习模型，继而采用机器学习模型实现人工智能处理。为了基于这些样本图像训练出机器学习模型，就需要用户对每个样本图像进行标注，样本图像的标注工作量很大，标注时间很长，导致用户感受很差。
比如说，对于像素级的预测任务，如语义分割任务等，需要用户对样本图像中的每个像素点标注类别，尤其是，在遥感领域，需要用户对多个时相的遥感图像中的每个像素点分别标注类别，这些遥感图像的标注工作量很大。
发明内容
本申请提供一种遥感图像标注方法，样本数据集合包括T个不同时相的遥感图像，所述T为大于1的正整数，所述方法包括：
获取种子像素点和所述种子像素点对应的目标类别；
以种子像素点为起始像素点，搜索每个遥感图像中对应所述目标类别的前景像素点，基于所述种子像素点和所述前景像素点确定该遥感图像的封闭区域；
基于遥感图像的封闭区域之间的相似度，从T个遥感图像中选取K个待标注遥感图像，K为大于1的正整数，且K小于或等于T；
基于所述K个待标注遥感图像的封闭区域确定融合区域；
基于所述目标类别并行对所述K个待标注遥感图像执行如下同步标注操作：基于所述融合区域与待标注遥感图像的已标注区域确定目标区域，并为该待标注遥感图像中的目标区域标注所述目标类别；其中，所述已标注区域是该待标注遥感图像中已经被标注类别的区域。
本申请提供一种遥感图像标注装置，样本数据集合包括T个不同时相的遥感图像，所述T为大于1的正整数，所述装置包括：
获取模块，用于获取种子像素点和所述种子像素点对应的目标类别；
处理模块，用于以种子像素点为起始像素点，搜索每个遥感图像中对应所述目标类别的前景像素点，基于所述种子像素点和所述前景像素点确定该遥感图像的封闭区域；基于遥感图像的封闭区域之间的相似度，从T个遥感图像中选取K个待标注遥感图像，K为大于1的正整数，且K小于或等于T；
确定模块，用于基于所述K个待标注遥感图像的封闭区域确定融合区域；
标注模块，用于基于所述目标类别并行对所述K个待标注遥感图像执行如下同步标注操作：基于所述融合区域与待标注遥感图像的已标注区域确定目标区域，并为该待标注遥感图像中的目标区域标注所述目标类别；其中，所述已标注区域是该待标注遥感图像中已经被标注类别的区域。
本申请提供一种遥感图像标注设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被处理器执行的机器可执行指令；所述处理器用于执行机器可执行指令，以实现上述示例的遥感图像标注方法。
由以上技术方案可见，本申请实施例中，可以由设备自动为多个时相的遥感图像中的每个像素点分别标注类别，而不需要用户手动为多个时相的遥感图像中的每个像素点分别标注类别，从而可以减轻遥感图像的标注工作量，可以减少标注时间，并加快标注效率，减少人工成本，从而提高用户感受。可以由设备自动提取遥感图像的融合区域(即对遥感图像的融合区域内每个像素点进行标注)，且由设备并行对多个时相的遥感图像执行同步标注操作，从而能够实现遥感图像的并行同步标注，提高标注效率，减少标注时间。
附图说明
为了更加清楚地说明本申请实施例或者现有技术中的技术方案，下面将对本申请实施例或者现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据本申请实施例的这些附图获得其他的附图。
图1是本申请一种实施方式中的遥感图像标注方法的流程示意图；
图2是本申请一种实施方式中的不同时相的遥感图像的示意图；
图3是本申请一种实施方式中的遥感图像标注方法的流程示意图；
图4是本申请一种实施方式中的同步标注过程的流程示意图；
图5是本申请一种实施方式中的基准标签图的示意图；
图6A和图6B是本申请一种实施方式中的基准标签图的示意图；
图7是本申请一种实施方式中的过渡值的最终效果示意图；
图8是本申请一种实施方式中的边缘精修过程的流程示意图；
图9是本申请一种实施方式中的边缘精修的效果示意图；
图10是本申请一种实施方式中的遥感图像标注装置的结构示意图；
图11是本申请一种实施方式中的遥感图像标注设备的硬件结构图。
具体实施方式
在本申请实施例使用的术语仅仅是出于描述特定实施例的目的，而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，此外，所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请实施例中提出一种遥感图像标注方法，样本数据集合可以包括多组遥感图像，每组遥感图像可以包括T个不同时相的遥感图像，T为大于1的正整数，该遥感图像标注方法用于对多组遥感图像进行自动标注，为了方便描述，后续以一组遥感图像的自动标注过程为例，即需要对T个不同时相的遥感图像进行自动标注，T个不同时相的遥感图像是针对同一场景的遥感图像。
参见图1所示，为该遥感图像标注方法的流程示意图，该方法可以包括：
步骤101、获取种子像素点和种子像素点对应的目标类别。
步骤102、以种子像素点为起始像素点，搜索每个遥感图像中对应目标类别的前景像素点，基于种子像素点和前景像素点确定该遥感图像的封闭区域。
在一种可能的实施方式中，针对每个遥感图像，可以将种子像素点作为起始像素点，并判断起始像素点的周围像素点中是否存在未预测像素点。若是，则可以确定起始像素点与未预测像素点之间的相似度；若该相似度大于预设阈值，则可以将该未预测像素点确定为前景像素点，并将该未预测像素点作为起始像素点，并返回执行判断起始像素点的周围像素点中是否存在未预测像素点的操作；否则，可以将该未预测像素点确定为边缘像素点。若否，则可以将种子像素点和所有前景像素点组成该遥感图像的封闭区域。
示例性的，确定起始像素点与未预测像素点之间的相似度，可以包括：确定第一区域内所有像素点的第一均值和第一方差，确定第二区域内所有像素点的第二均值和第二方差；第一区域以起始像素点为中心，第二区域以未预测像素点为中心，第一区域的大小与第二区域的大小相同；基于第一均值、第一方差、第二均值和第二方差，确定起始像素点与未预测像素点之间的相似度。其中，相似度表征各时相之间的图像内容是否无明显变化，比如说，若相似度比较大(如大于阈值)，则各时相之间的图像内容无明显变化，反之，若相似度比较小(如不大于阈值)，则各时相之间的图像内容有明显变化。
步骤103、基于遥感图像的封闭区域之间的相似度，从T个遥感图像中选取K个待标注遥感图像，K为大于1的正整数，且K小于或等于T。
示例性的，若T个遥感图像包括1个基准遥感图像和T-1个非基准遥感图像，则将基准遥感图像选取为待标注遥感图像。针对每个非基准遥感图像：确定非基准遥感图像与基准遥感图像之间的相似度；其中，基于非基准遥感图像的封闭区域与基准遥感图像的封闭区域之间的并集区域，利用该并集区域中预测结果不一致的像素数量与该并集区域的像素总数量的比值确定该相似度，且该相似度与该比值成反比。若该相似度大于预设阈值，将该非基准遥感图像选取为待标注遥感图像，否则，禁止将该非基准遥感图像选取为待标注遥感图像。
步骤104、基于K个待标注遥感图像的封闭区域确定融合区域。
示例性的，针对待标注遥感图像的封闭区域中的每个像素点，基于该像素点与非封闭区域的最小欧式距离以及已配置数值确定该像素点的过渡值；确定K个待标注遥感图像的封闭区域之间的并集区域；针对并集区域中每个像素点，基于该像素点在K个待标注遥感图像中对应的过渡值，确定该像素点是否为目标像素点；基于并集区域中的所有目标像素点确定融合区域。
步骤105、基于目标类别并行对K个待标注遥感图像执行如下同步标注操作：基于融合区域与待标注遥感图像的已标注区域确定目标区域，并为该待标注遥感图像中的目标区域标注目标类别；其中，已标注区域是该待标注遥感图像中已经被标注类别的区域。其中，并行对K个待标注遥感图像执行同步标注操作是指，K个待标注遥感图像的标注操作可以为并行，比如说，在基于目标类别对第一个待标注遥感图像执行标注操作(即为待标注遥感图像中的目标区域标注目标类别)的同时，也会基于目标类别对第二个待标注遥感图像执行标注操作，也会基于目标类别对第三个待标注遥感图像执行标注操作，以此类推。
示例性的，可以确定该融合区域与该已标注区域之间的非重叠区域；针对非重叠区域的每个边缘像素点，从该已标注区域中确定与该边缘像素点距离最近的匹配像素点，确定该边缘像素点与该匹配像素点之间的距离；若该距离小于预设阈值，则将边缘像素点与匹配像素点之间连线上的所有像素点加入到非重叠区域。在此基础上，可以基于非重叠区域确定该待标注遥感图像的目标区域，比如说，可以将该非重叠区域确定为该待标注遥感图像的目标区域。
示例性的，确定该融合区域与该已标注区域之间的非重叠区域，可以包括但不不限于：若该融合区域与该已标注区域存在重叠区域，则可以从该融合区域中去除该重叠区域，得到非重叠区域；或者，若该融合区域与该已标注区域不存在重叠区域，则可以将该融合区域确定为非重叠区域。
由以上技术方案可见，本申请实施例中，可以由设备自动为多个时相的遥感图像中的每个像素点分别标注类别，而不需要用户手动为多个时相的遥感图像中的每个像素点分别标注类别，从而可以减轻遥感图像的标注工作量，可以减少标注时间，并加快标注效率，减少人工成本，从而提高用户感受。可以由设备自动提取遥感图像的融合区域(即对遥感图像的融合区域内每个像素点进行标注)，且由设备并行对多个时相的遥感图像执行同步标注操作，从而能够实现遥感图像的并行同步标注，提高标注效率，减少标注时间。
以下结合具体应用场景，对本申请实施例的上述技术方案进行说明。
在机器学习(如深度学习等)任务中，需要对每个样本图像进行标注，比如说，对于像素级的预测任务，如语义分割任务等，需要对样本图像中的每个像素点标注类别，不同类别的像素点需要被标注不同标签，通过不同标签表示不同类别，直至所有像素点均标注完成。在遥感领域，针对同一场景存在多个时相的遥感图像，也就是说，需要对多个时相的遥感图像中的每个像素点分别标注类别，这些遥感图像的标注工作量很大，需要进行遥感图像的大量标注。
参见图2所示，为不同时相(仅展示两个时相，不同时相可以理解为不同时间)的遥感图像的示意图，左侧为一个时相的遥感图像，右侧为另一个时相的遥感图像。示例性的，遥感领域具有如下特点：环境复杂，多种地物类别(如耕地、道路、水体、建筑物、大棚等，在图2中未完全展示)，色彩差异不一致，存在变化区域或无变化区域(图2中较为明显的是公路附近的耕地区域)。
由于上述特点，针对同一场景的不同时相的遥感图像，在相同位置的地物类别可能发生变化，因此，即使是在相同位置，也不能将一个时相的遥感图像的类别直接迁移到另一个时相的遥感图像，也就是说，需要对每个时相的遥感图像中的每个像素点分别标注类别，即存在标注工作量很大等问题。
针对上述发现，本申请实施例中提出一种遥感图像标注方法，可以对多个不同时相的遥感图像进行自动标注，从而加快标注效率，减少人工成本。
示例性的，样本数据集合可以包括多组遥感图像，同一组遥感图像可以包括多个遥感图像，且多个遥感图像是针对同一场景(如同一经纬度)的遥感图像。不同组遥感图像可以是针对不同场景(如不同经纬度)的遥感图像，由于每组遥感图像的标注方式相同，因此，在后续实施例中，以一组遥感图像的自动标注过程为例进行说明。对于一组遥感图像来说，该组遥感图像可以包括T个不同时相的已配准的遥感图像，即T个不同时间的遥感图像，T可以为大于1的正整数，T个不同时相的遥感图像是针对同一场景的遥感图像。
参见图3所示，为遥感图像标注方法的流程示意图，输入数据是T个已配准的遥感图像I1，I2，I3，...，IT，这T个遥感图像分别对应T个时相，需要标注的类别为1、2、…、C-1、C，即类别一共有C种，如耕地、道路、水体、建筑物、大棚等。输出数据(即标注结果)是T个遥感图像中每个像素点的类别。
示例性的，遥感图像标注方法可以涉及两个过程，同步标注过程和边缘精修过程。在同步标注过程中，可以指定种子像素点(x,y)和种子像素点对应的类别c，以种子像素点(x,y)为起始像素点，自动对周围像素点进行预测，若预测类别与种子像素点(x,y)的类别c相同，则对周围像素点进行标注，在完成周围像素点的自动标注之后，可以对T个遥感图像的预测结果进行比对与对齐。在边缘精修过程中，可以基于同步标注的结果进行自动化精修，如自动分析是否与其它已标注区域重叠或相近，若有则根据二者类别进行融合或贴合，以完成精修。
示例性的，在第1个分割轮次，可以由用户指定种子像素点(x,y)和种子像素点对应的类别c，执行同步标注过程和边缘精修过程，完成遥感图像中部分像素点的标注。然后，判断所有遥感图像的所有像素点是否均完成标注，若否，则执行第2个分割轮次。在第2个分割轮次，可以由用户指定种子像素点(x’,y’)和种子像素点对应的类别c’，种子像素点(x’,y’)为未完成标注的像素点，执行同步标注过程和边缘精修过程，完成遥感图像中部分像素点的标注。然后，判断所有遥感图像的所有像素点是否均完成标注，若否，则执行第3个分割轮次。
以此类推，不断进行同步标注过程和边缘精修过程，一直到所有遥感图像的所有像素点均完成标注，输出T个遥感图像中每个像素点的类别。
综上所述，标注人员的操作为：不断指定需要标注的种子像素点和需要标注的类别，直至所有遥感图像的所有像素点均完成标注。在每次指定需要标注的种子像素点时，需要从所有遥感图像的所有像素点中选取未完成标注的像素点，将某个未完成标注的像素点作为种子像素点。在每次指定种子像素点和类别时，就会触发新的分割轮次，在新的分割轮次，会进行同步标注过程和边缘精修过程，完成遥感图像中部分像素点的标注，以此类推。
基于上述过程，最终呈现的效果为：在每次指定种子像素点和类别时，种子像素点的周围像素点的标签被赋值，各时相的遥感图像之间若无明显变化则做标签对齐，各时相的遥感图像之间若有明显变化则不进行标注；当与已完成标注的区域(即已标注区域)重叠或接近时，会与之融合或贴合以完成精修。
以下结合具体实施例，对同步标注过程和边缘精修过程进行说明。
参见图4所示，为同步标注过程的流程示意图，该过程可以包括：
步骤401、获取种子像素点和种子像素点对应的目标类别。
比如说，可以将T个遥感图像划分为1个基准遥感图像和T-1个非基准遥感图像，指定基准遥感图像中的种子像素点P(x,y)，(x,y)表示基准遥感图像中的像素坐标，指定种子像素点P(x,y)对应的类别c，为了区分方便，将种子像素点P(x,y)对应的类别c称为目标类别，种子像素点P(x,y)是未完成标注的像素点。
步骤402、以种子像素点为起始像素点，搜索基准遥感图像中对应目标类别的前景像素点，基于种子像素点和前景像素点确定基准遥感图像的封闭区域。
比如说，为基准遥感图像建立基准标签图Mc，t，基准标签图的分辨率与基准遥感图像的分辨率相同，基准标签图用于存储基准遥感图像的预测结果。c为种子像素点对应的目标类别，t为基准遥感图像对应的时相序号，初始状态下，可以将基准标签图中的所有像素点设置为-1，表示所有像素点是未预测像素点。
在此基础上，可以以种子像素点为起始像素点，对周围像素点是否与种子像素点属于同一类别进行预测，随后递归地向外对所有像素点进行预测，直到预测出不同类别的像素点作为当前地物边缘。根据遥感影像的特点，最终不同类别的像素点将同类别的像素点包围成一个封闭区域Ac，t，封闭区域Ac，t内的所有像素点均为与种子像素点类别相同的像素点，即类别都为目标类别。
比如说，针对步骤402，可以采用如下步骤确定基准遥感图像的封闭区域：
步骤4021、将种子像素点作为起始像素点，并判断起始像素点的周围像素点(如起始像素点的8个周围像素点)中是否存在未预测像素点。
比如说，基准遥感图像对应基准标签图Mc，t，从基准标签图中找到种子像素点，将种子像素点设置为“1”，表示种子像素点为前景像素点，然后，判断种子像素点的8个周围像素点中是否存在取值为“-1”的未预测像素点。
若是，则可以执行步骤4022，若否，则可以执行步骤4024。
步骤4022、针对每个未预测像素点，确定起始像素点与该未预测像素点之间的相似度。若该相似度大于预设阈值(该预设阈值可以根据经验配置，对此预设阈值不做限制)，则将该未预测像素点确定为前景像素点，否则，若该相似度不大于预设阈值，则将该未预测像素点确定为边缘像素点。
比如说，基于基准标签图Mc，t，针对每个取值为“-1”的未预测像素点，若起始像素点与该未预测像素点之间的相似度大于预设阈值，则将该未预测像素点设置为“1”，表示该未预测像素点为前景像素点，若该相似度不大于预设阈值，则将该未预测像素点设置为“0”，表示该未预测像素点为边缘像素点。
步骤4023、针对每个未预测像素点，若该未预测像素点作为前景像素点，则可以将该未预测像素点作为起始像素点，若该未预测像素点作为边缘像素点，则可以不将该未预测像素点作为起始像素点。至此，可以得到至少一个起始像素点，针对每个起始像素点，返回执行判断该起始像素点的周围像素点(如起始像素点的8个周围像素点)中是否存在未预测像素点的操作。
综上所述，可以重复执行步骤4021-步骤4023，一直到起始像素点(可以为迭代后的多个像素点)的周围像素点不存在未预测像素点，执行步骤4024。
步骤4024、将种子像素点和所有前景像素点组成基准遥感图像的封闭区域。比如说，基于基准标签图Mc，t，可以将取值为“1”的所有像素点组成封闭区域。
示例性的，步骤402中，可以对前景像素点进行搜索，搜索前景像素点的过程可以称为边缘扩展，搜索前景像素点的过程(即对种子像素点的周围像素点的类别进行预测)可以为：以种子像素点P(x,y)作为起始像素点，迭代地从起始像素点P(x,y)向***预测周围像素点是否与起始像素点P(x,y)的类别相同。
在每轮迭代中，均令起始像素点为P(x,y)，令起始像素点的8个周围像素点为Pi(x’,y’)，分别计算起始像素点P(x,y)与每个周围像素点Pi(x’,y’)的相似度。在计算相似度之后，若相似度大于阈值thS，则说明周围像素点Pi(x’,y’)与起始像素点P(x,y)相似，二者可以被认为是同一个类别，将基准标签图Mc，t的Pi点置1，表示前景像素点。若相似度不大于阈值thS，则说明周围像素点Pi(x’,y’)已扩展至当前地物边缘，将基准标签图Mc，t的Pi点置0，表示边缘像素点。
遍历起始像素点P(x,y)周围的所有相似Pi点，即置1的Pi点，递归地按照如上方式进行区域扩展，下一轮递归的赋值方式为：P<＝Pi，Pi<＝Pij(Pi周围的所有值为-1的周围像素点，<＝的含义为，将该符号右边的值赋值给该符号左边的值)，最终，基准标签图Mc，t的形态参见图5所示。值为1的像素点是前景像素点，值为0的像素点是边缘像素点，显然，边缘像素点将前景像素点包围成一个封闭区域。空白处的值为-1，表示未预测像素点，在实际应用中，未预测像素点可能是前景像素点，也可能是边缘像素点。
示例性的，可以另前景像素点的集合为区域Ac，t，即值为1的所有像素点组成的区域，显然，前景像素点的集合就是基准遥感图像的封闭区域，记为Ac，t。
示例性的，考虑到遥感图像环境的复杂性，还可以使用开运算等方式，消除预测结果中的噪点或微小孔洞，减少预测不稳定带来的影响，对此不做限制。
在上述实施例中，需要确定起始像素点与未预测像素点之间的相似度，比如说，可以采用如下方式确定起始像素点与未预测像素点之间的相似度：确定以起始像素点为中心的第一区域，确定以未预测像素点为中心的第二区域，第一区域的大小与第二区域的大小可以相同，如第一区域的大小为3*3，第二区域的大小为3*3。然后，确定第一区域内所有像素点的第一均值和第一方差，确定第二区域内所有像素点的第二均值和第二方差；基于第一均值、第一方差、第二均值和第二方差，确定起始像素点与未预测像素点之间的相似度。比如说，可以采用如下公式(1)确定起始像素点与未预测像素点之间的相似度。
Figure BDA0003875872880000111
在公式(1)中，Simi(P，Pi)表示起始像素点P与未预测像素点Pi之间的相似度，μP表示第一区域内所有像素点的第一均值，μPi表示第二区域内所有像素点的第二均值，σP表示第一区域内所有像素点的第一方差，σPi表示第二区域内所有像素点的第二方差，c1与c2均为预设常数，对此预设常数不做限制。
步骤403、针对每个非基准遥感图像(即T-1个非基准遥感图像)，以种子像素点为起始像素点，搜索该非基准遥感图像中对应目标类别的前景像素点，基于种子像素点和前景像素点确定该基准遥感图像的封闭区域。
示例性的，步骤403与步骤402类似，在此不再重复赘述，种子像素点即表示基准遥感图像中的像素点，也表示非基准遥感图像中的像素点。
经过步骤402和步骤403，最终可以得到T个遥感图像对应的封闭区域，可以将T个遥感图像对应的封闭区域分别记为Ac，1，Ac，2，...，Ac，T。
步骤404、针对每个非基准遥感图像，确定该非基准遥感图像与基准遥感图像之间的相似度。比如说，将非基准遥感图像的封闭区域记为Ac，ti，将基准遥感图像的封闭区域记为Ac，t，可以基于非基准遥感图像的封闭区域和基准遥感图像的封闭区域确定非基准遥感图像与基准遥感图像之间的相似度。
示例性的，可以确定非基准遥感图像的封闭区域与基准遥感图像的封闭区域之间的并集区域，利用该并集区域中预测结果不一致的像素数量与该并集区域的像素总数量的比值确定该相似度，且该相似度与该比值成反比。
比如说，参见图6A和图6B所示，图6A中所有值为1的像素点组成非基准遥感图像的封闭区域Ac，ti，图6B中所有值为1的像素点组成基准遥感图像的封闭区域Ac，t。可以确定封闭区域Ac，ti与封闭区域Ac，t之间的并集区域，即确定所有值为1的区域的并集区域。然后，统计并集区域的像素总数量，并统计并集区域中预测结果不一致的像素数量(如并集区域中的某个像素点，若该像素点在一个封闭区域中对应的是1，在另一个封闭区域中对应的是0，就表示该像素点的预测结果不一致，否则，表示该像素点的预测结果一致)。
然后，计算预测结果不一致的像素数量与像素总数量的比值，并基于该比值确定非基准遥感图像与基准遥感图像之间的相似度。显然，当该比值越大时，表示预测结果不一致的像素数量占比越多，相似度越小。反之，当该比值越小时，表示预测结果不一致的像素数量占比越少，相似度越大。
在一种可能的实施方式中，可以采用如下公式(2)确定非基准遥感图像与基准遥感图像之间的相似度，当然，公式(2)只是示例，对此不做限制。
Figure BDA0003875872880000121
在公式(2)中，R(Ati，At)表示封闭区域Ac，ti与封闭区域Ac，t之间的相似度，即非基准遥感图像与基准遥感图像之间的相似度。A∪表示封闭区域Ac，ti与封闭区域Ac，t之间的并集区域。p表示并集区域A∪中的任一像素点，Mc，t(p)表示像素点p在封闭区域Ac，t中对应的值，值为1或0，Mc，ti(p)表示像素点p在封闭区域Ac，ti中对应的值，值为1或0。
Figure BDA0003875872880000122
为指示函数，若内部条件成立则为1，反之为0。
综上可以看出，在公式(2)中，分子表示预测结果不一致的像素数量(即预测结果不一致的面积)，分母表示像素总数量(即并集总面积)。
步骤405、将基准遥感图像选取为待标注遥感图像。针对每个非基准遥感图像，若该非基准遥感图像与基准遥感图像之间的相似度大于预设阈值，则将该非基准遥感图像选取为待标注遥感图像，若该相似度不大于该预设阈值，则禁止将该非基准遥感图像选取为待标注遥感图像。至此，可以从T个遥感图像中选取K个待标注遥感图像，K为大于1的正整数，且K小于或等于T。
示例性的，若R(Ati，At)大于预设阈值thR，则表示非基准遥感图像与基准遥感图像之间的相似度比较大，即两个时相的遥感图像之间未出现变化或者变化较小，因此，可以将非基准遥感图像选取为待标注遥感图像，但是由于不能保证Ac，t与Ac，ti分割结果完全相同，因此还需要对二者进行对齐，参见后续步骤。
示例性的，若R(Ati，At)不大于预设阈值thR，则表示非基准遥感图像与基准遥感图像之间的相似度比较小，即两个时相的遥感图像之间出现明显变化，因此，不将非基准遥感图像选取为待标注遥感图像，也就是说，在当前的分割轮次，不再对该非基准遥感图像的封闭区域Ac，ti进行标注，封闭区域Ac，ti中的像素点为未标注像素点，在后续分割轮次对封闭区域Ac，ti中的像素点进行标注。
步骤406、基于K个待标注遥感图像的封闭区域确定融合区域，也就是说，对K个待标注遥感图像的封闭区域进行标注对齐，得到融合区域。
在一种可能的实施方式中，可以将基准遥感图像的封闭区域作为融合区域，也就说说，K个待标注遥感图像的融合区域均为基准遥感图像的封闭区域。
在另一种可能的实施方式中，可以采用如下步骤确定融合区域：
步骤4061、针对每个待标注遥感图像(即对K个待标注遥感图像分别进行处理)，针对该待标注遥感图像的封闭区域中的每个像素点，基于该像素点与非封闭区域的最小欧式距离以及已配置数值确定该像素点的过渡值。
示例性的，针对待标注遥感图像的封闭区域中的每个像素点，可以采用公式(3)确定该像素点的过渡值，当然，公式(3)只是示例，对此不做限制。
Figure BDA0003875872880000131
在公式(3)中，p表示待标注遥感图像的封闭区域中的像素点，是封闭区域中任一像素点，Mc，ti(p)表示像素点p的过渡值。d_edge(p)表示像素点p与待标注遥感图像的非封闭区域的最小欧式距离，即像素点p与封闭区域的边缘像素点(值为0)之间的最小欧式距离。thE为已配置数值，根据经验配置。
综上所述，针对待标注遥感图像的封闭区域中的每个像素点，可以采用公式(3)确定该像素点的过渡值，从而得到封闭区域中的每个像素点的过渡值。
显然，在对K个待标注遥感图像进行上述处理后，就可以得到K个待标注遥感图像的封闭区域中的每个像素点的过渡值，对此过程不再重复赘述。
示例性的，采用上述方式确定每个像素点的过渡值，能够降低mask边缘的值，使得从边缘到内部变化时，值从0逐渐增大至1，最终效果参见图7所示。
步骤4062、确定K个待标注遥感图像的封闭区域之间的并集区域。针对该并集区域中每个像素点，基于该像素点在K个待标注遥感图像中对应的过渡值，确定该像素点是否为目标像素点。比如说，若该像素点在K个待标注遥感图像中对应的过渡值的加权平均值大于预设阈值，则确定该像素点为目标像素点，否则，若该加权平均值不大于预设阈值，则确定该像素点不为目标像素点。
示例性的，可以确定K个待标注遥感图像的封闭区域之间的并集区域，将该并集区域记为A∪，然后，依次遍历并集区域A∪中的每个像素点，基于该像素点在每个待标注遥感图像中对应的过渡值，可以采用如下公式(4)确定该像素点的加权平均值，当然，公式(4)只是一个示例，对此不做限制。
Figure BDA0003875872880000141
在公式(4)中，p可以表示并集区域A∪中的任一像素点，W(p)可以表示像素点p的加权平均值，K可以表示待标注遥感图像的总数量，Mc，j(p)可以表示像素点p在第j个待标注遥感图像中对应的过渡值，j的取值范围是1-K。
在得到像素点p的加权平均值之后，若该加权平均值大于预设阈值(可以根据经验配置，对此不做限制，如0.5、0.6等)，则确定像素点p为目标像素点，否则，若该加权平均值不大于预设阈值，则确定像素点p不为目标像素点。
显然，在对并集区域A∪中的每个像素点进行上述处理后，就可以获知该像素点是否为目标像素点，继而从并集区域A∪中找到所有目标像素点。
步骤4063、基于并集区域中的所有目标像素点确定融合区域，也就是说，可以将所有目标像素点组成的区域作为融合区域，该融合区域作为每个待标注遥感图像的融合区域，至此，可以得到每个待标注遥感图像的融合区域。
显然，通过上述方式得到的融合区域，能够充分结合所有待标注遥感图像的封闭区域的信息，使得标注结果更加正确，即融合区域更加正确可靠。
至此，完成同步标注过程，得到每个待标注遥感图像的融合区域，基于每个待标注遥感图像的融合区域，可以对每个待标注遥感图像的融合区域进行边缘精修，需要注意的是，不同待标注遥感图像的边缘精修过程可以并行同步完成，即同时对每个待标注遥感图像进行边缘精修过程，当然，也可以不同时对每个待标注遥感图像进行边缘精修过程，而是在完成一个待标注遥感图像的边缘精修过程之后，才执行另一个待标注遥感图像的边缘精修过程。
由于每个待标注遥感图像的融合区域的边缘精修过程相同，为了方便描述，后续以对一个待标注遥感图像的融合区域进行边缘精修为例进行说明。
在边缘精修过程中，输入数据包括待标注遥感图像的融合区域，记为融合区域Ac，t。输入数据还包括该待标注遥感图像的已标注区域，已标注区域是该待标注遥感图像中已经被标注类别的区域。例如，在当前分割轮次是第1分割轮次时，已标注区域为空。在当前分割轮次是第2分割轮次时，已标注区域是第1分割轮次中已经被标注类别的区域，在当前分割轮次是第3分割轮次时，已标注区域是第1分割轮次和第2分割轮次中已经被标注类别的区域，以此类推。
示例性的，已标注区域记为Aelse，Aelse包括已经被标注类别的所有区域，这些区域包括相同类别的其他区域A′c，t以及不同类别的其它区域Ac′，t。
示例性的，由于已标注区域Aelse的边缘精修过程已完成，因此，在融合区域Ac，t的边缘精修过程中，不会对已标注区域Aelse的类别进行修改。
示例性的，在边缘精修过程中，可以对在融合区域Ac，t和已标注区域Aelse进行对比，并精修融合区域Ac，t的标签。比如说，若融合区域Ac，t和已标注区域Aelse相邻距离过近或出现重叠，则认为是接壤的不同类别地物(如道路与两边的耕地)，或者同一类别地物(如两块耕地)，因此，需要对融合区域Ac，t的类别进行精修，使之与已标注区域Aelse贴合(指代不同类别)或融合(指代同一类别)。
参见图8所示，为边缘精修过程的流程示意图，该过程可以包括：
步骤801，确定融合区域与已标注区域之间的非重叠区域。
示例性的，若融合区域与已标注区域存在重叠区域，则可以从融合区域中去除该重叠区域，得到非重叠区域。比如说，若融合区域Ac，t中的像素点已经位于已标注区域Aelse内，则说明融合区域Ac，t与已标注区域Aelse之间存在重叠区域，因此，需要从融合区域Ac，t中去除该重叠区域，得到非重叠区域，也就是说，可以从融合区域Ac，t中减去融合区域Ac，t与已标注区域Aelse的交集，该过程可以通过如下符号表示
Figure BDA0003875872880000161
CuP为补集的符号。若融合区域与已标注区域不存在重叠区域，则可以将该融合区域确定为非重叠区域。比如说，若融合区域Ac，t中的像素点均不位于已标注区域Aelse内，则说明融合区域Ac，t与已标注区域Aelse之间不存在重叠区域，因此，将融合区域Ac，t作为非重叠区域。
综上所述，可以基于明融合区域Ac，t和已标注区域Aelse确定融合区域与已标注区域之间的非重叠区域，为了方便描述，后续将非重叠区域记为Ac，t。
在一种可能的实施方式中，在从该融合区域中去除该重叠区域之后，还可以为待标注遥感图像中的该重叠区域标注该已标注区域对应的类别。例如，若融合区域Ac，t与已标注区域Aelse之间存在重叠区域，那么，需要从融合区域Ac，t中去除该重叠区域，并为该重叠区域标注已标注区域Aelse对应的类别，也就是说，为该重叠区域中的每个像素点标注已标注区域Aelse对应的类别。
步骤802，针对非重叠区域的每个边缘像素点，从已标注区域中确定与边缘像素点距离最近的匹配像素点，确定该边缘像素点与该匹配像素点之间的距离。
示例性的，位于非重叠区域Ac，t边缘的所有像素点组成一条封闭曲线E，将封闭曲线E上的所有像素点称为边缘像素点，后续记为边缘像素点p。显然，封闭曲线E上的所有像素点均属于非重叠区域Ac，t，封闭曲线E内的所有像素点均属于非重叠区域Ac，t，封闭曲线E外的所有像素点均不属于非重叠区域Ac，t。
示例性的，针对封闭曲线E上的每个边缘像素点p(即非重叠区域的每个边缘像素点)，可以从已标注区域Aelse中确定与边缘像素点p距离最近的匹配像素点q，并确定边缘像素点p与匹配像素点q之间的距离d。
步骤803，若该距离小于预设阈值，则将该边缘像素点与该匹配像素点之间连线上的所有像素点加入到非重叠区域。若该距离不小于预设阈值，则不会将该边缘像素点与该匹配像素点之间连线上的所有像素点加入到非重叠区域。
比如说，针对非重叠区域Ac，t的每个边缘像素点p，在确定边缘像素点p与匹配像素点q之间的距离d后，若距离d小于预设阈值thD(可以根据经验配置)，则对非重叠区域Ac，t进行扩展，将边缘像素点p与匹配像素点q连线上的所有像素点均加入到非重叠区域Ac，t，即完成非重叠区域Ac，t与已标注区域Aelse的贴合或融合。若距离d不小于预设阈值thD，则不对非重叠区域Ac，t进行扩展。
显然，在对非重叠区域Ac，t的每个边缘像素点p进行上述处理之后，就可以得到扩展后的非重叠区域Ac，t，基于扩展后的非重叠区域Ac，t执行后续步骤。
步骤804，基于非重叠区域确定待标注遥感图像的目标区域，比如说，可以将扩展后的非重叠区域Ac，t确定为待标注遥感图像的目标区域。
步骤805，为待标注遥感图像中的目标区域标注目标类别。
示例性的，在得到待标注遥感图像的目标区域之后，表示边缘精修过程完成，这个目标区域就是与目标类别对应的区域，因此，为待标注遥感图像中的目标区域标注目标类别，在后续分割轮次中，目标区域更新为已标注区域。
示例性的，参见图9所示，对于示例一，融合区域Ac，t与已标注区域Aelse之间存在重叠区域，可以从融合区域Ac，t中去除该重叠区域，并为该重叠区域标注已标注区域Aelse对应的类别。对于示例二，在边缘像素点p与匹配像素点q之间的距离d小于预设阈值thD时，则将边缘像素点p与匹配像素点q连线上的所有像素点均加入到非重叠区域Ac，t，为连线上的所有像素点标注目标类别。
由以上技术方案可见，本申请实施例中，可以由设备自动为多个时相的遥感图像中的每个像素点分别标注类别，而不需要用户手动为多个时相的遥感图像中的每个像素点分别标注类别，从而可以减轻遥感图像的标注工作量，可以减少标注时间，并加快标注效率，减少人工成本，从而提高用户感受。可以对多个时相的遥感图像进行同步标注，再进行标注的统一对齐与标注精修，同步标注的收益更大，且在标注对齐的过程中能够全局考虑所有遥感图像的标注结果，使之更加准确。可以由设备自动提取遥感图像的融合区域(即对遥感图像的融合区域内每个像素点进行标注)，且由设备并行对多个时相的遥感图像执行同步标注操作，从而能够实现遥感图像的并行同步标注，提高标注效率，减少标注时间。标注人员无需关注各遥感图像的所有像素点，每次执行只需要输入某一遥感图像的某一种子像素点，自动进行多时相同步标注与边缘精修，提升标注效率。标注人员只需要输入某一遥感图像的某一种子像素点，能够自动搜索周围同类型像素点并自动标注，且所有时相同步进行。各时相之间若无明显变化则做标签对齐，若有则变化时相不标注，无需人工干预，对标注结果进行分析，当与已标注区域重叠或接近时，会与之融合或贴合以完成精修。通过多时相同步标注与边缘精修，最终呈现的效果是：每次点击，周围像素的标签能被赋值。同步标注过程与边缘精修过程可以循环调用直至标注结束。
基于与上述方法同样的申请构思，本申请实施例中提出一种遥感图像标注装置，样本数据集合包括T个不同时相的遥感图像，所述T为大于1的正整数，参见图10所示，为所述遥感图像标注装置的结构示意图，所述装置包括：
获取模块1001，用于获取种子像素点和所述种子像素点对应的目标类别；
处理模块1002，用于以种子像素点为起始像素点，搜索每个遥感图像中对应所述目标类别的前景像素点，基于所述种子像素点和所述前景像素点确定该遥感图像的封闭区域；基于遥感图像的封闭区域之间的相似度，从T个遥感图像中选取K个待标注遥感图像，K为大于1的正整数，且K小于或等于T；
确定模块1003，用于基于K个待标注遥感图像的封闭区域确定融合区域；
标注模块1004，用于基于所述目标类别并行对所述K个待标注遥感图像执行如下同步标注操作：基于所述融合区域与待标注遥感图像的已标注区域确定目标区域，并为该待标注遥感图像中的目标区域标注所述目标类别；其中，所述已标注区域是该待标注遥感图像中已经被标注类别的区域。
示例性的，所述处理模块1002以种子像素点为起始像素点，搜索每个遥感图像中对应所述目标类别的前景像素点，基于所述种子像素点和所述前景像素点确定该遥感图像的封闭区域时具体用于：针对每个遥感图像，将所述种子像素点作为起始像素点，并判断所述起始像素点的周围像素点中是否存在未预测像素点；若是，则确定所述起始像素点与所述未预测像素点的相似度；若该相似度大于预设阈值，则将所述未预测像素点确定为前景像素点，将所述未预测像素点作为起始像素点，并返回执行判断起始像素点的周围像素点中是否存在未预测像素点的操作；否则，将所述未预测像素点确定为边缘像素点；若否，则将所述种子像素点和所有前景像素点组成该遥感图像的封闭区域。
示例性的，所述处理模块1002确定所述起始像素点与所述未预测像素点的相似度时具体用于：确定第一区域内所有像素点的第一均值和第一方差，确定第二区域内所有像素点的第二均值和第二方差；其中，所述第一区域以所述起始像素点为中心，所述第二区域以所述未预测像素点为中心，且所述第一区域与所述第二区域的大小相同；基于所述第一均值、所述第一方差、所述第二均值和所述第二方差，确定所述起始像素点与所述未预测像素点的相似度。
示例性的，所述处理模块1002基于遥感图像的封闭区域之间的相似度，从T个遥感图像中选取K个待标注遥感图像时具体用于：若所述T个遥感图像包括1个基准遥感图像和T-1个非基准遥感图像，则将所述基准遥感图像选取为待标注遥感图像，针对每个非基准遥感图像：确定所述非基准遥感图像与所述基准遥感图像之间的相似度；其中，基于所述非基准遥感图像的封闭区域与所述基准遥感图像的封闭区域之间的并集区域，利用所述并集区域中预测结果不一致的像素数量与所述并集区域的像素总数量的比值确定该相似度，且该相似度与该比值成反比；若该相似度大于预设阈值，则将所述非基准遥感图像选取为待标注遥感图像，否则，禁止将所述非基准遥感图像选取为待标注遥感图像。
示例性的，所述确定模块1003基于K个待标注遥感图像的封闭区域确定融合区域时具体用于：针对待标注遥感图像的封闭区域中的每个像素点，基于该像素点与非封闭区域的最小欧式距离以及已配置数值确定该像素点的过渡值；确定K个待标注遥感图像的封闭区域之间的并集区域；针对所述并集区域中每个像素点，基于该像素点在K个待标注遥感图像中对应的过渡值，确定该像素点是否为目标像素点；基于所述并集区域中所有目标像素点确定所述融合区域。
示例性的，所述标注模块1004基于所述融合区域与待标注遥感图像的已标注区域确定目标区域时具体用于：确定融合区域与已标注区域之间的非重叠区域；针对非重叠区域的每个边缘像素点，从已标注区域中确定与边缘像素点距离最近的匹配像素点，确定边缘像素点与匹配像素点之间的距离；若所述距离小于预设阈值，将所述边缘像素点与所述匹配像素点之间连线上的所有像素点加入到非重叠区域；基于所述非重叠区域确定该待标注遥感图像的目标区域。
示例性的，所述标注模块1004确定所述融合区域与所述已标注区域之间的非重叠区域时具体用于：若所述融合区域与所述已标注区域存在重叠区域，则从所述融合区域中去除所述重叠区域，得到所述非重叠区域；或，若所述融合区域与已标注区域不存在重叠区域，则将所述融合区域确定为所述非重叠区域。
基于与上述方法同样的申请构思，本申请实施例中提出一种遥感图像标注设备，参见图11所示，所述遥感图像标注设备可以包括：处理器1101和机器可读存储介质1102，所述机器可读存储介质1102存储有能够被所述处理器1101执行的机器可执行指令；其中，所述处理器1101用于执行机器可执行指令，以实现本申请上述示例公开的遥感图像标注方法。
基于与上述方法同样的申请构思，本申请实施例还提供一种机器可读存储介质，所述机器可读存储介质上存储有若干计算机指令，所述计算机指令被处理器执行时，能够实现本申请上述示例公开的遥感图像标注方法。
其中，上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
而且，这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种遥感图像标注方法，其特征在于，样本数据集合包括T个不同时相的遥感图像，所述T为大于1的正整数，所述方法包括：
获取种子像素点和所述种子像素点对应的目标类别；
以种子像素点为起始像素点，搜索每个遥感图像中对应所述目标类别的前景像素点，基于所述种子像素点和所述前景像素点确定该遥感图像的封闭区域；
基于遥感图像的封闭区域之间的相似度，从T个遥感图像中选取K个待标注遥感图像，K为大于1的正整数，且K小于或等于T；
基于所述K个待标注遥感图像的封闭区域确定融合区域；
基于所述目标类别并行对所述K个待标注遥感图像执行如下同步标注操作：基于所述融合区域与待标注遥感图像的已标注区域确定目标区域，并为该待标注遥感图像中的目标区域标注所述目标类别；其中，所述已标注区域是该待标注遥感图像中已经被标注类别的区域。
2.根据权利要求1所述的方法，其特征在于，所述以种子像素点为起始像素点，搜索每个遥感图像中对应所述目标类别的前景像素点，基于所述种子像素点和所述前景像素点确定该遥感图像的封闭区域，包括：
针对每个遥感图像，将所述种子像素点作为起始像素点，并判断所述起始像素点的周围像素点中是否存在未预测像素点；
若是，确定所述起始像素点与所述未预测像素点的相似度；
若该相似度大于预设阈值，将所述未预测像素点确定为前景像素点，将所述未预测像素点作为起始像素点，返回执行判断起始像素点的周围像素点中是否存在未预测像素点的操作；否则，将所述未预测像素点确定为边缘像素点；
若否，将种子像素点和所有前景像素点组成该遥感图像的封闭区域。
3.根据权利要求2所述的方法，其特征在于，
所述确定所述起始像素点与所述未预测像素点的相似度，包括：
确定第一区域内所有像素点的第一均值和第一方差，确定第二区域内所有像素点的第二均值和第二方差；其中，第一区域以所述起始像素点为中心，第二区域以所述未预测像素点为中心，且第一区域与第二区域的大小相同；
基于所述第一均值、所述第一方差、所述第二均值和所述第二方差，确定所述起始像素点与所述未预测像素点的相似度。
4.根据权利要求1所述的方法，其特征在于，所述基于遥感图像的封闭区域之间的相似度，从T个遥感图像中选取K个待标注遥感图像，包括：
若所述T个遥感图像包括1个基准遥感图像和T-1个非基准遥感图像，则将所述基准遥感图像选取为待标注遥感图像，针对每个非基准遥感图像：
确定所述非基准遥感图像与所述基准遥感图像之间的相似度；其中，基于所述非基准遥感图像的封闭区域与所述基准遥感图像的封闭区域之间的并集区域，利用所述并集区域中预测结果不一致的像素数量与所述并集区域的像素总数量的比值确定该相似度，且该相似度与该比值成反比；
若该相似度大于预设阈值，则将所述非基准遥感图像选取为待标注遥感图像，否则，禁止将所述非基准遥感图像选取为待标注遥感图像。
5.根据权利要求1所述的方法，其特征在于，
所述基于所述K个待标注遥感图像的封闭区域确定融合区域，包括：
针对待标注遥感图像的封闭区域中的每个像素点，基于该像素点与非封闭区域的最小欧式距离以及已配置数值确定该像素点的过渡值；
确定所述K个待标注遥感图像的封闭区域之间的并集区域；
针对所述并集区域中每个像素点，基于该像素点在所述K个待标注遥感图像中对应的过渡值，确定该像素点是否为目标像素点；
基于所述并集区域中的所有目标像素点确定所述融合区域。
6.根据权利要求1所述的方法，其特征在于，所述基于所述融合区域与待标注遥感图像的已标注区域确定目标区域，包括：
确定所述融合区域与所述已标注区域之间的非重叠区域；
针对所述非重叠区域的每个边缘像素点，从所述已标注区域中确定与所述边缘像素点距离最近的匹配像素点，确定所述边缘像素点与所述匹配像素点之间的距离；若所述距离小于预设阈值，则将所述边缘像素点与所述匹配像素点之间连线上的所有像素点加入到所述非重叠区域；
基于所述非重叠区域确定该待标注遥感图像的目标区域。
7.根据权利要求6所述的方法，其特征在于，
所述确定所述融合区域与所述已标注区域之间的非重叠区域，包括：
若所述融合区域与所述已标注区域存在重叠区域，则从所述融合区域中去除所述重叠区域，得到所述非重叠区域；或者，若所述融合区域与所述已标注区域不存在重叠区域，则将所述融合区域确定为所述非重叠区域。
8.一种遥感图像标注装置，其特征在于，样本数据集合包括T个不同时相的遥感图像，所述T为大于1的正整数，所述装置包括：
获取模块，用于获取种子像素点和所述种子像素点对应的目标类别；
处理模块，用于以种子像素点为起始像素点，搜索每个遥感图像中对应所述目标类别的前景像素点，基于所述种子像素点和所述前景像素点确定该遥感图像的封闭区域；基于遥感图像的封闭区域之间的相似度，从T个遥感图像中选取K个待标注遥感图像，K为大于1的正整数，且K小于或等于T；
确定模块，用于基于所述K个待标注遥感图像的封闭区域确定融合区域；
标注模块，用于基于所述目标类别并行对所述K个待标注遥感图像执行如下同步标注操作：基于所述融合区域与待标注遥感图像的已标注区域确定目标区域，并为该待标注遥感图像中的目标区域标注所述目标类别；其中，所述已标注区域是该待标注遥感图像中已经被标注类别的区域。
9.根据权利要求8所述的装置，其特征在于，
其中，所述处理模块以种子像素点为起始像素点，搜索每个遥感图像中对应所述目标类别的前景像素点，基于所述种子像素点和所述前景像素点确定该遥感图像的封闭区域时具体用于：针对每个遥感图像，将所述种子像素点作为起始像素点，并判断所述起始像素点的周围像素点中是否存在未预测像素点；若是，则确定所述起始像素点与所述未预测像素点的相似度；若该相似度大于预设阈值，则将所述未预测像素点确定为前景像素点，将所述未预测像素点作为起始像素点，并返回执行判断起始像素点的周围像素点中是否存在未预测像素点的操作；否则，将所述未预测像素点确定为边缘像素点；若否，则将所述种子像素点和所有前景像素点组成该遥感图像的封闭区域；
其中，所述处理模块确定所述起始像素点与所述未预测像素点的相似度时具体用于：确定第一区域内所有像素点的第一均值和第一方差，确定第二区域内所有像素点的第二均值和第二方差；其中，所述第一区域以所述起始像素点为中心，所述第二区域以所述未预测像素点为中心，且所述第一区域与所述第二区域的大小相同；基于所述第一均值、所述第一方差、所述第二均值和所述第二方差，确定所述起始像素点与所述未预测像素点的相似度；
其中，所述处理模块基于遥感图像的封闭区域之间的相似度，从T个遥感图像中选取K个待标注遥感图像时具体用于：若所述T个遥感图像包括1个基准遥感图像和T-1个非基准遥感图像，则将所述基准遥感图像选取为待标注遥感图像，针对每个非基准遥感图像：确定所述非基准遥感图像与所述基准遥感图像之间的相似度；其中，基于所述非基准遥感图像的封闭区域与所述基准遥感图像的封闭区域之间的并集区域，利用所述并集区域中预测结果不一致的像素数量与所述并集区域的像素总数量的比值确定该相似度，且该相似度与该比值成反比；若该相似度大于预设阈值，则将所述非基准遥感图像选取为待标注遥感图像，否则，禁止将所述非基准遥感图像选取为待标注遥感图像；
其中，所述确定模块基于所述K个待标注遥感图像的封闭区域确定融合区域时具体用于：针对待标注遥感图像的封闭区域中的每个像素点，基于该像素点与非封闭区域的最小欧式距离以及已配置数值确定该像素点的过渡值；确定K个待标注遥感图像的封闭区域之间的并集区域；针对所述并集区域中每个像素点，基于该像素点在所述K个待标注遥感图像中对应的过渡值，确定该像素点是否为目标像素点；基于所述并集区域中的所有目标像素点确定所述融合区域；
其中，所述标注模块基于所述融合区域与待标注遥感图像的已标注区域确定目标区域时具体用于：确定融合区域与已标注区域之间的非重叠区域；针对非重叠区域的每个边缘像素点，从已标注区域中确定与边缘像素点距离最近的匹配像素点，确定所述边缘像素点与所述匹配像素点之间的距离；若所述距离小于预设阈值，则将所述边缘像素点与所述匹配像素点之间连线上的所有像素点加入到非重叠区域；基于所述非重叠区域确定该待标注遥感图像的目标区域；
其中，所述标注模块确定所述融合区域与所述已标注区域之间的非重叠区域时具体用于：若所述融合区域与所述已标注区域存在重叠区域，则从所述融合区域中去除所述重叠区域，得到所述非重叠区域；或者，若所述融合区域与所述已标注区域不存在重叠区域，则将所述融合区域确定为所述非重叠区域。
10.一种遥感图像标注设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被处理器执行的机器可执行指令；所述处理器用于执行机器可执行指令，以实现权利要求1-7任一项所述的方法步骤。
CN202211215425.5A 2022-09-30 2022-09-30 一种遥感图像标注方法、装置及设备 Pending CN115512353A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211215425.5A CN115512353A (zh) 2022-09-30 2022-09-30 一种遥感图像标注方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211215425.5A CN115512353A (zh) 2022-09-30 2022-09-30 一种遥感图像标注方法、装置及设备

Publications (1)

Publication Number Publication Date
CN115512353A true CN115512353A (zh) 2022-12-23

Family

ID=84507999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211215425.5A Pending CN115512353A (zh) 2022-09-30 2022-09-30 一种遥感图像标注方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115512353A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563105A (zh) * 2023-04-18 2023-08-08 武汉大学 一种众源卫星遥感影像数据集优选方法及计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563105A (zh) * 2023-04-18 2023-08-08 武汉大学 一种众源卫星遥感影像数据集优选方法及计算机可读介质
CN116563105B (zh) * 2023-04-18 2024-02-02 武汉大学 一种众源卫星遥感影像数据集优选方法及计算机可读介质

Similar Documents

Publication Publication Date Title
CN107358157B (zh) 一种人脸活体检测方法、装置以及电子设备
JP6832504B2 (ja) 物体追跡方法、物体追跡装置およびプログラム
US11640714B2 (en) Video panoptic segmentation
CN111311475A (zh) 检测模型训练方法、装置、存储介质和计算机设备
CN106815323B (zh) 一种基于显著性检测的跨域视觉检索方法
CN110096938B (zh) 一种视频中的动作行为的处理方法和装置
CN112734803B (zh) 基于文字描述的单目标跟踪方法、装置、设备及存储介质
CN112836625A (zh) 人脸活体检测方法、装置、电子设备
CN111768498A (zh) 基于稠密语义三维地图与混合特征的视觉定位方法、***
CN115512353A (zh) 一种遥感图像标注方法、装置及设备
CN112200862B (zh) 目标检测模型的训练方法、目标检测方法及装置
CN110992404A (zh) 目标跟踪方法、装置和***及存储介质
CN114677330A (zh) 一种图像处理方法、电子设备及存储介质
CN114387304A (zh) 目标跟踪方法、计算机程序产品、存储介质及电子设备
CN107948721B (zh) 推送信息的方法和装置
CN113744280A (zh) 图像处理方法、装置、设备及介质
CN112614134A (zh) 图像分割方法、装置、电子设备及存储介质
Sinha et al. Image retrieval using landmark indexing for indoor navigation
CN116246161A (zh) 领域知识引导下的遥感图像目标精细类型识别方法及装置
CN112905832B (zh) 复杂背景细粒度图像检索***及方法
CN114494693A (zh) 对图像进行语义分割的方法及装置
CN111382628B (zh) 同行判定方法及装置
CN112861678A (zh) 一种图像识别方法及装置
CN112861652A (zh) 基于卷积神经网络的视频目标跟踪与分割方法及***
CN113192104B (zh) 一种目标特征提取方法及其设备

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