CN116258864B - 一种村庄规划建设大数据管理*** - Google Patents
一种村庄规划建设大数据管理*** Download PDFInfo
- Publication number
- CN116258864B CN116258864B CN202310540351.0A CN202310540351A CN116258864B CN 116258864 B CN116258864 B CN 116258864B CN 202310540351 A CN202310540351 A CN 202310540351A CN 116258864 B CN116258864 B CN 116258864B
- Authority
- CN
- China
- Prior art keywords
- pixel
- analyzed
- segmentation
- pixel point
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013439 planning Methods 0.000 title claims abstract description 18
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 238000013523 data management Methods 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 189
- 230000000694 effects Effects 0.000 claims abstract description 73
- 238000013441 quality evaluation Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012937 correction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种村庄规划建设大数据管理***,该***包括:图像预处理模块,用于对村庄图像进行区域划分得到分割区域;区域分割评价模块,用于根据待分析像素点及其邻域内像素点得到分割效果值,结合待分析像素点所在的分割区域对应的分割质量得到质量评价指标;类别划分模块,用于对待分析像素点进行分类得到至少两个像素点类别,进而获得待修正像素点类别;基于分割效果值和待分析像素点之间的距离对所有待修正像素点类别内的待分析像素点进行分类,并对分类结果进行筛选得到优选像素点类别;语义分割模块,用于获得修正后的村庄分割图像,进而获得村庄语义分割图像。本发明获得的语义分割网络的识别结果较优。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种村庄规划建设大数据管理***。
背景技术
在对村庄进行规划时,需要采集大量的村庄航拍图像数据。在对村庄进行区域性的规划建设时,需要获得各村庄的不同区域之间的边界部分,而由于村庄的数量较多,进而导致采集到的村庄图像数据量较大,为了便于在对村庄进行规划建设时的数据管理,所以仅需要获取村庄图像中不同区域之间的边界信息。
现有的常采用语义分割网络对村庄图像的不同区域进行分割识别,得到不同区域之间的边界信息,而语义分割网络的识别准确程度依赖于数据集的好坏,当采集到的村庄数据集内容较为单一时,对不同区域划分的结果较不准确,进而使得语义分割网络的识别结果较差。
发明内容
为了解决语义分割网络的识别结果较差的技术问题,本发明的目的在于提供一种村庄规划建设大数据管理***,所采用的技术方案具体如下:
图像预处理模块,用于对采集到的村庄图像进行区域的划分得到分割区域,将每个分割区域边缘上的像素点记为待分析像素点;
区域分割评价模块,用于根据待分析像素点及其邻域内像素点的梯度信息得到待分析像素点的分割效果值,根据所述分割效果值以及对应的待分析像素点所在的分割区域对应的分割质量,得到待分析像素点的质量评价指标;
类别划分模块,用于根据质量评价指标对待分析像素点进行分类得到至少两个像素点类别,并对像素点类别进行筛选得到待修正像素点类别和未修正像素点类别;基于待分析像素点的分割效果值和待分析像素点之间的距离对所有待修正像素点类别内的待分析像素点进行分类,并对分类结果进行筛选得到优选像素点类别;
语义分割模块,用于根据优选像素点类别和未修正像素点类别内的待分析像素点获得修正后的村庄分割图像,将村庄分割图像输入语义分割网络得到村庄语义分割图像。
优选地,所述根据待分析像素点及其邻域内像素点的梯度信息得到待分析像素点的分割效果值具体为:
对于任意一个待分析像素点,根据待分析像素点的梯度信息筛选待分析像素点邻域内像素点,确定为待分析像素点对应的特征像素点;分别计算待分析像素点与特征像素点之间的梯度值的差值,将差值的最小值与待分析像素点的梯度值之间的比值作为待分析像素点的分割效果值。
优选地,所述根据待分析像素点的梯度信息筛选待分析像素点邻域内像素点,确定为待分析像素点对应的特征像素点,具体包括:
获取待分析像素点的梯度方向所在直线,在待分析像素点的邻域内将直线经过的像素点记为待分析像素点的特征像素点。
优选地,所述根据所述分割效果值以及对应的待分析像素点所在的分割区域对应的分割质量,得到待分析像素点的质量评价指标,具体包括:
基于神经网络获取待分析像素点所在的分割区域对应的置信度,计算待分析像素点对应的置信度与第一预设值的乘积,将该乘积的取值与待分析像素点的分割效果值之间的乘积作为待分析像素点的质量评价指标。
优选地,所述基于待分析像素点的分割效果值和待分析像素点之间的距离对所有待修正像素点类别内的待分析像素点进行分类具体为:
对于任意两个待分析像素点,获取两个待分析像素点的分割效果值的较小值,将较小值的正相关映射值与两个待分析像素点之间的距离的乘积作为分类度量指标,基于分类度量指标对待修正像素点类别内的待分析像素点进行分类。
优选地,所述对分类结果进行筛选得到优选像素点类别具体为:
在分类结果中,分别计算每个类别内所有待分析像素点的分割效果值的均值,将均值最大的类别记为优选像素点类别。
优选地,所述对像素点类别进行筛选得到待修正像素点类别和未修正像素点类别具体为:
分别计算每个像素点类别内所有待分析像素点的质量评价指标记为像素点类别的特征均值,将每个像素点类别内包含的所有待分析像素点的总数量记为特征数量;
将特征均值小于预设的特征阈值,且特征数量大于或等于预设的数量阈值,对应的像素点类别记为待修正像素点类别;将特征均值大于或等于特征阈值,且特征数量小于数量阈值,对应的像素点类别记为未修正像素点类别。
本发明实施例至少具有如下有益效果:
本发明首先对村庄图像进行区域划分得到分割区域,能够使得后续在对分割区域边缘上的像素点的分割效果进行分析。然后根据待分析像素点及其邻域内像素点的梯度信息得到待分析像素点的分割效果值,分割效果值能够反映作为分割区域边缘上的待分析像素点的梯度可靠性,进而可以表征待分析像素点作为分割区域的边缘的效果的好坏;进而结合待分析像素点所在的分割区域对应的分割质量,获得待分析像素点的质量评价指标,较为全面的反映了待分析像素点作为分割区域边缘的分割质量。进一步的,基于质量评价指标对待分析像素点进行分类,可以根据分割质量对分类类别进行筛选,将分割质量较差的类别内的待分析像素点对应的边缘进行修正。对于待修正像素点类别,基于分割效果值以及像素点之间的距离进行再分类,对分类结果进行筛选得到优选像素点类别,优选像素点类别内的待分析像素点的分割效果较好,因此,根据优选像素点类别和未修正像素点类别内的待分析像素点获得修正后的村庄分割图像,修正后的村庄分割图像的区域划分结果较为准确,进而使得语义分割网络的识别结果较优。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有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它附图。
图1是本发明的一种村庄规划建设大数据管理***的***框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种村庄规划建设大数据管理***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种村庄规划建设大数据管理***的具体方案。
实施例:
请参阅图1,其示出了本发明一个实施例提供的一种村庄规划建设大数据管理***的***框图,该***包括:图像预处理模块,区域分割评价模块,类别划分模块和语义分割模块。
图像预处理模块,用于对采集到的村庄图像进行区域的划分得到分割区域,将每个分割区域边缘上的像素点记为待分析像素点。
首先,需要采集村庄图像,在本实施例中,通过无人机对村庄进行航拍,获得当前村庄的航拍图像,同时利用无人机对村庄进行航拍时,保证每次无人机采集的村庄图像之间具有40%的重叠率,其中重叠率的大小实施者也可以根据具体实施场景进行设置。
然后,对采集到的村庄图像进行区域的划分得到分割区域,在本实施例中,将采集到的村庄图像,输入到训练好的语义分割网络,得到村庄图像中不同区域类型的掩膜图像,对每一个掩膜图像进行边缘检测,得到村庄图像中每个部分对应的分割区域。
在本实施例中,语义分割网络相关信息包括,采用U-net神经网络作为语义分割网络,训练集由具有相关经验的人员进行数据标注,数据标注为像素级标注,将村庄中不同类别的区域,打上不同的编号,对编号利用one-hot进行编码,用于U-net神经网络的训练,网络的训练过程为公知技术,在此不在赘述。
最后,由于在村庄图像中分割区域划分较不准确时,可能会导致神经网络识别较不准确,进而导致语义网络进行区域识别时容易出现识别错误。为了方便后续对村庄图像中分割区域边界的分割效果进行分析,将每个分割区域边缘上的像素点记为待分析像素点。
区域分割评价模块,用于根据待分析像素点及其邻域内像素点的梯度信息得到待分析像素点的分割效果值,根据所述分割效果值以及对应的待分析像素点所在的分割区域对应的分割质量,得到待分析像素点的质量评价指标。
需要说明的是,由于语义分割结果可能较不准确,会造成村庄图像中分割区域的边界存在误差,而当每一个部分被准确分割时,不同分割区域之间应当具有不同的色彩信息,进而不同分割区域之间的边界应当具有一定的梯度差异。不同分割区域内的纹理信息并非一致,表现在不同分割区域边缘上的像素点对应的梯度信息存在一定的差异性。即分割区域对应的分割效果较好时,分割区域的边缘上的像素点对应的梯度值应当较大。
基于此,根据待分析像素点及其邻域内像素点的梯度信息得到待分析像素点的分割效果值,具体地,对于任意一个待分析像素点,根据待分析像素点的梯度信息筛选待分析像素点邻域内像素点,确定为待分析像素点对应的特征像素点;分别计算待分析像素点与特征像素点之间的梯度值的差值,将差值的最大值与待分析像素点的梯度值之间的比值作为待分析像素点的分割效果值。同时,在本实施例中,选择在待分析像素点的8邻域内获取特征像素点,实施者可以根据具体实施场景进行设置。
其中,在本实施例中,待分析像素点对应的特征像素点的获取方法具体为,获取待分析像素点的梯度方向所在直线,在待分析像素点的邻域内将直线经过的像素点记为待分析像素点的特征像素点。
需要说明的是,由于待分析像素点的梯度方向表示了待分析像素点所在的分割区域内像素值变化较大的方向,获取该方向所在的直线,即可以获得在像素值变化较大的一条直线上的像素点,进而分析邻域内像素值变化较大的部分对应的像素点的梯度信息与待分析像素点的梯度信息之间的差异情况。
在其他实施例中,待分析像素点对应的特征像素点的获取方法还可以为,获取待分析像素点在其所在的分割区域的边缘上的切线,进而获取待分析像素点对应的切线的垂线,且垂线过该待分析像素点,在待分析像素点的邻域内将垂线经过的像素点记为待分析像素点的特征像素点。
其中,对于任意一个待分析像素点,获取该待分析像素点所在的分割区域的边缘,进而可以基于分割区域内像素点的像素坐标获得分割区域的边缘对应的曲线函数表达式,基于函数表达式可以获得分割区域的边缘的切线,且切线过该待分析像素点,同时需要说明的是,获取曲线的切线的方法为公知技术,在此不再过多介绍。
需要说明的是,待分析像素点对应的切线表征了在该像素点位置处像素值变化较小的直线方向,进而过待分析像素点的切线的垂线表征了在该像素点位置处像素值变化较大的直线方向,则可以获得在像素值变化较大的一条直线上的像素点,进而分析邻域内像素值变化较大的部分对应的像素点的梯度信息与待分析像素点的梯度信息之间的差异情况。其中,利用sobel算子获取待分析像素点的梯度信息,该过程为公知技术,在此不再过多介绍。
待分析像素点与特征像素点之间的梯度值的差值反映了待分析像素点与其邻域内像素值变化较大的像素点之间的梯度信息的差异情况,当该差值的取值越大时,说明待分析像素点的梯度值比特征像素点的梯度值越大,说明在待分析像素点的邻域内不存在比待分析像素点梯度值更大的像素点,进而说明待分析像素点对应的分割效果越好。
当该差值的取值越小且大于或等于0时,说明待分析像素点的梯度值与特征像素点的梯度值越接近,说明待分析像素点的邻域内可能存在其他像素点作为边界像素点的效果更好。
当该差值的取值越小且小于0时,说明待分析像素点的梯度值与梯度值比特征像素点的梯度值越小,说明在待分析像素点的邻域内存在比待分析像素点梯度值更大的像素点,进而说明待分析像素点对应的分割效果越差。
基于此,待分析像素点与其对应的每一个特征像素点之间均存在一个梯度值差值,将差值的最小值与待分析像素点的梯度值之间的比值作为待分析像素点的分割效果值,利用待分析像素点与特征像素点之间的梯度值的差值与待分析像素点的梯度值之间的比值表征了,待分析像素点与特征像素点之间的梯度信息差异的占比情况,进而待分析像素点的分割效果值反映了待分析像素点作为对应分割区域的边缘像素点的分割效果的好坏。
待分析像素点的分割效果值的取值越大,说明待分析像素点的梯度可靠性越高,待分析像素点作为对应分割区域的边缘像素点的分割效果越好。待分析像素点的分割效果值的取值越小,说明待分析像素点的梯度可靠性越低,待分析像素点作为对应分割区域的边缘像素点的分割效果越差。
进一步的,结合待分析像素点所在的分割区域对应的分割质量,对待分析像素点作为对应分割区域的边缘像素点的分割效果进行评价。具体地,基于神经网络获取待分析像素点所在的分割区域对应的置信度,计算待分析像素点对应的置信度与第一预设值的乘积,将该乘积的取值与待分析像素点的分割效果值之间的乘积作为待分析像素点的质量评价指标。
其中,待分析像素点所在的分割区域对应的置信度即为由U-net神经网络输出的分割区域对应的置信度,神经网络中的置信度的获取方法为公知技术,在此不再过多介绍。
在本实施例中,待分析像素点的质量评价指标的计算公式可以表示为:
。
其中,表示分割区域R上的第i个待分析像素点的质量评价指标,表示分割
区域R上的第i个待分析像素点的分割效果值,表示分割区域R对应的置信度,α表示第一
预设值,在本实施例中的取值为5,实施者可根据具体实施场景进行设置。
待分析像素点所在的分割区域对应的置信度表征了语义分割结果中分割区域对应的分割识别置信度,该取值越小,说明神经网络对分割区域的语义分割识别结果的可信度越低,进而说明分割区域边界的识别结果不准确的可能性越大,对应的待分析像素点的质量评价指标的取值越小。将第一预设值作为超参数,通过计算第一预设值与置信度的乘积,提高分割区域对应的置信度的权重。
待分析像素点的分割效果值的取值越大,说明待分析像素点的梯度可靠性越高,待分析像素点作为对应分割区域的边缘像素点的分割效果越好,对应的待分析像素点的质量评价指标的取值越大。
待分析像素点的质量评价指标综合反映了待分析像素点作为对应分割区域的边缘像素点的分割质量,该取值越小,说明待分析像素点的梯度可靠性越低,待分析像素点所在的分割区域对应的置信度越低,进而说明待分析像素点所在的分割区域的语义分割结果的边界分割质量越差,可能存在一定的偏移。
类别划分模块,用于根据质量评价指标对待分析像素点进行分类得到至少两个像素点类别,并对像素点类别进行筛选得到待修正像素点类别和未修正像素点类别;基于待分析像素点的分割效果值和待分析像素点之间的距离对所有待修正像素点类别内的待分析像素点进行分类,并对分类结果进行筛选得到优选像素点类别。
在获取所有待分析像素点的质量评价指标后,需要对所有分割区域的边界上的像素点进行筛选,将分割区域的边界上具有较差的分割效果的像素点边界进行边界修正。
在本实施例中,利用DBSCAN聚类算法,根据待分析像素点的质量评价指标和像素坐标对村庄图像中所有的待分析像素点进行聚类,得到多个像素点类别,将所有分割区域边界上的待分析像素点的分割质量较为近似,且位置上较为接近的待分析像素点分割至一个类别。其中,像素点的像素坐标的获取方法为公知技术,在此不再过多介绍。
对于每一个像素点类别,同一类别内的待分析像素点位置较近,且质量评价指标的取值较为接近。在对像素点类别进行筛选时,将像素点类别具有一定数量的且分割质量较低的待分析像素点对应的边界,作为需要进行边界矫正的待修正的边界。
对像素点类别进行筛选得到待修正像素点类别和未修正像素点类别,具体地,分别计算每个像素点类别内所有待分析像素点的质量评价指标记为像素点类别的特征均值,将每个像素点类别内包含的所有待分析像素点的总数量记为特征数量;将特征均值小于预设的特征阈值,且特征数量大于或等于预设的数量阈值,对应的像素点类别记为待修正像素点类别;将特征均值大于或等于特征阈值,且特征数量小于数量阈值,对应的像素点类别记为未修正像素点类别。
在本实施例中,特征阈值的取值为2,数量阈值的取值为50,实施者可根据具体实施场景进行设置。当像素点类别的特征均值小于特征阈值,且像素点类别的特征数量大于或等于数量阈值时,说明该像素点类别内的待分析像素点的分割质量较差,且数量满足一定的要求,不会是较少的异常点而在的类别,进而说明这些像素点类别内的待分析像素点对应的边界需要进行矫正,故将这些像素点类别记为待修正像素点类别。
当像素点类别的特征均值大于或等于特征阈值,且像素点类别的特征数量小于数量阈值时,说明像素点类别内待分析像素点的分割质量较好,不需要对这些像素点类别内的待分析像素点对应的边界进行矫正,故将这些满足要求的像素点类别记为未修正像素点类别。
对于所有待修正像素类别内的所有待分析像素点均对应了一个分割效果值,待分析像素点的分割效果值反映了梯度的可靠性,表征了分析像素点作为对应分割区域的边缘像素点的分割效果。
基于此,可以利用待分析像素点的分割效果值,对待修正像素类别内的所有待分析像素点进行分类。同时,由于分割区域的边界为连续的像素点分布,故在对待分析像素点进行分类时,需要考虑像素点之间的位置信息,将位置较近的像素点分为一类。即基于待分析像素点的分割效果值和待分析像素点之间的距离对所有待修正像素点类别内的待分析像素点进行分类,并对分类结果进行筛选得到优选像素点类别。
具体地,对于任意两个待分析像素点,获取两个待分析像素点的分割效果值的较小值,将较小值的正相关映射值与两个待分析像素点之间的距离的乘积作为分类度量指标,基于分类度量指标对待修正像素点类别内的待分析像素点进行分类。
其中,在本实施例中,利用K-means聚类算法对待分析像素点进行分类,并且将K的取值设置为2。同时,利用exp( )函数获取待分析像素点的分割效果值的正相关映射值,避免了分割效果值的取值为0时影响分类度量指标的取值,进而影响分类结果。exp( )表示以自然常数e为底的指数函数,实施者可根据具体实施场景进行设置。
对于此次分类获得的两个类别,同一个类别内的待分析像素点的分割效果值较为接近,且位置较为接近。待分析像素点的分割效果值取值越大,说明待分析像素点的梯度可靠性越高,待分析像素点作为对应分割区域的边缘像素点的分割效果越好。因此,在分类结果中,分别计算每个类别内所有待分析像素点的分割效果值的均值,将均值最大的类别记为优选像素点类别。
语义分割模块,用于根据优选像素点类别和未修正像素点类别内的待分析像素点获得修正后的村庄分割图像,将村庄分割图像输入语义分割网络得到村庄语义分割图像。
需要说明的是,优选像素点类别内待分析像素点的分割效果值取值较大,优选像素点类别内的待分析像素点的梯度可靠性越高,作为对应分割区域的边缘像素点的分割效果越好,故将优选像素点类别内待分析像素点作为分割区域新的边界上的像素点。由于边界是连续的,故需要通过现有的数据插值的方法,基于优选像素点类别和未修正像素点类别内的待分析像素点进行插值,保证修正后的边缘为连续的边缘。其中,数据插值的方法为公知技术,在此不再过多介绍。
基于此,能够获得村庄图像中每个部分区域对应的修正后的边缘,修正后的边缘构成修正后的分割区域,得到村庄图像对应的修正后的村庄分割图像,将村庄分割图像输入到语义分割网络中得到村庄语义分割图像,即得到修正后的语义分割的识别结果,并且选择修正前与修正后对应的最大的置信度的神经网络的语义分割识别结果,作为村庄图像最终的语义分割识别结果,可以用于村庄规划建设管理。
综上所述,本发明首先对村庄图像进行区域划分得到分割区域,能够使得后续在对分割区域边缘上的像素点的分割效果进行分析。然后根据待分析像素点及其邻域内像素点的梯度信息得到待分析像素点的分割效果值,分割效果值能够反映作为分割区域边缘上的待分析像素点的梯度可靠性,进而可以表征待分析像素点作为分割区域的边缘的效果的好坏;进而结合待分析像素点所在的分割区域对应的分割质量,获得待分析像素点的质量评价指标,较为全面的反映了待分析像素点作为分割区域边缘的分割质量。进一步的,基于质量评价指标对待分析像素点进行分类,可以根据分割质量对分类类别进行筛选,将分割质量较差的类别内的待分析像素点对应的边缘进行修正。对于待修正像素点类别,基于分割效果值以及像素点之间的距离进行再分类,对分类结果进行筛选得到优选像素点类别,优选像素点类别内的待分析像素点的分割效果较好,因此,根据优选像素点类别和未修正像素点类别内的待分析像素点获得修正后的村庄分割图像,修正后的村庄分割图像的区域划分结果较为准确,进而使得语义分割网络的识别结果较优。
即本发明通过对语义分割网络识别结果中识别较差的分割区域进行边缘的修正,获得更加准确的边缘,保证了村庄规划建设所需数据的准确性。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种村庄规划建设大数据管理***,其特征在于,该***包括:
图像预处理模块,用于对采集到的村庄图像进行区域的划分得到分割区域,将每个分割区域边缘上的像素点记为待分析像素点;
区域分割评价模块,用于根据待分析像素点及其邻域内像素点的梯度信息得到待分析像素点的分割效果值,根据所述分割效果值以及对应的待分析像素点所在的分割区域对应的分割质量,得到待分析像素点的质量评价指标;
类别划分模块,用于根据质量评价指标对待分析像素点进行分类得到至少两个像素点类别,并对像素点类别进行筛选得到待修正像素点类别和未修正像素点类别;基于待分析像素点的分割效果值和待分析像素点之间的距离对所有待修正像素点类别内的待分析像素点进行分类,并对分类结果进行筛选得到优选像素点类别;
语义分割模块,用于根据优选像素点类别和未修正像素点类别内的待分析像素点获得修正后的村庄分割图像,将村庄分割图像输入语义分割网络得到村庄语义分割图像;
所述根据待分析像素点及其邻域内像素点的梯度信息得到待分析像素点的分割效果值具体为:
对于任意一个待分析像素点,根据待分析像素点的梯度信息筛选待分析像素点邻域内像素点,确定为待分析像素点对应的特征像素点;分别计算待分析像素点与特征像素点之间的梯度值的差值,将差值的最小值与待分析像素点的梯度值之间的比值作为待分析像素点的分割效果值;
所述根据待分析像素点的梯度信息筛选待分析像素点邻域内像素点,确定为待分析像素点对应的特征像素点,具体包括:
获取待分析像素点的梯度方向所在直线,在待分析像素点的邻域内将直线经过的像素点记为待分析像素点的特征像素点;
所述根据所述分割效果值以及对应的待分析像素点所在的分割区域对应的分割质量,得到待分析像素点的质量评价指标,具体包括:
基于神经网络获取待分析像素点所在的分割区域对应的置信度,计算待分析像素点对应的置信度与第一预设值的乘积,将该乘积的取值与待分析像素点的分割效果值之间的乘积作为待分析像素点的质量评价指标。
2.根据权利要求1所述的一种村庄规划建设大数据管理***,其特征在于,所述基于待分析像素点的分割效果值和待分析像素点之间的距离对所有待修正像素点类别内的待分析像素点进行分类具体为:
对于任意两个待分析像素点,获取两个待分析像素点的分割效果值的较小值,将较小值的正相关映射值与两个待分析像素点之间的距离的乘积作为分类度量指标,基于分类度量指标对待修正像素点类别内的待分析像素点进行分类。
3.根据权利要求1所述的一种村庄规划建设大数据管理***,其特征在于,所述对分类结果进行筛选得到优选像素点类别具体为:
在分类结果中,分别计算每个类别内所有待分析像素点的分割效果值的均值,将均值最大的类别记为优选像素点类别。
4.根据权利要求1所述的一种村庄规划建设大数据管理***,其特征在于,所述对像素点类别进行筛选得到待修正像素点类别和未修正像素点类别具体为:
分别计算每个像素点类别内所有待分析像素点的质量评价指标记为像素点类别的特征均值,将每个像素点类别内包含的所有待分析像素点的总数量记为特征数量;
将特征均值小于预设的特征阈值,且特征数量大于或等于预设的数量阈值,对应的像素点类别记为待修正像素点类别;将特征均值大于或等于特征阈值,且特征数量小于数量阈值,对应的像素点类别记为未修正像素点类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310540351.0A CN116258864B (zh) | 2023-05-15 | 2023-05-15 | 一种村庄规划建设大数据管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310540351.0A CN116258864B (zh) | 2023-05-15 | 2023-05-15 | 一种村庄规划建设大数据管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258864A CN116258864A (zh) | 2023-06-13 |
CN116258864B true CN116258864B (zh) | 2023-07-28 |
Family
ID=86682822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310540351.0A Active CN116258864B (zh) | 2023-05-15 | 2023-05-15 | 一种村庄规划建设大数据管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258864B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541768B (zh) * | 2024-01-09 | 2024-04-26 | 中数智科(杭州)科技有限公司 | 一种轨道车辆箱体锁孔状态检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744216A (zh) * | 2021-08-24 | 2021-12-03 | 三峡大学 | 一种基于人工黏菌群体智能的图像分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872374A (zh) * | 2019-02-19 | 2019-06-11 | 江苏通佑视觉科技有限公司 | 一种图像语义分割的优化方法、装置、存储介质及终端 |
CN110765941B (zh) * | 2019-10-23 | 2022-04-26 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
CN112734775B (zh) * | 2021-01-19 | 2023-07-07 | 腾讯科技(深圳)有限公司 | 图像标注、图像语义分割、模型训练方法及装置 |
-
2023
- 2023-05-15 CN CN202310540351.0A patent/CN116258864B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744216A (zh) * | 2021-08-24 | 2021-12-03 | 三峡大学 | 一种基于人工黏菌群体智能的图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116258864A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10565479B1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
EP3101594A1 (en) | Saliency information acquisition device and saliency information acquisition method | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类***及方法 | |
CN114332650B (zh) | 一种遥感图像道路识别方法及*** | |
CN108182421A (zh) | 视频分割方法和装置 | |
CN110648322A (zh) | 一种子宫颈异常细胞检测方法及*** | |
CN115359053B (zh) | 一种金属板材缺陷智能检测方法及*** | |
CN116258864B (zh) | 一种村庄规划建设大数据管理*** | |
CN103415871B (zh) | 辐照场识别 | |
CN109389594B (zh) | 一种***组织显微图像处理方法 | |
CN114359288B (zh) | 基于人工智能的医学影像脑动脉瘤检测和定位方法 | |
CN113324864A (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
CN115578732B (zh) | 一种肥料生产线的标签识别方法 | |
CN116309575B (zh) | 基于图像处理的电插头生产质量检测方法 | |
CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
CN118015002B (zh) | 一种交通工程路况视觉检测方法及*** | |
CN113743378B (zh) | 一种基于视频的火情监测方法和装置 | |
CN117705815B (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
US9953238B2 (en) | Image processing method and system for extracting distorted circular image elements |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |