CN116486077B - 遥感影像语义分割模型样本集生成方法和装置 - Google Patents
遥感影像语义分割模型样本集生成方法和装置 Download PDFInfo
- Publication number
- CN116486077B CN116486077B CN202310355592.8A CN202310355592A CN116486077B CN 116486077 B CN116486077 B CN 116486077B CN 202310355592 A CN202310355592 A CN 202310355592A CN 116486077 B CN116486077 B CN 116486077B
- Authority
- CN
- China
- Prior art keywords
- window
- vector element
- current
- vector
- size
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 title claims abstract description 44
- 238000005520 cutting process Methods 0.000 claims abstract description 107
- 238000002372 labelling Methods 0.000 claims abstract description 53
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000012946 outsourcing Methods 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000002194 synthesizing effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种遥感影像语义分割模型样本集生成方法和装置,所述方法包括:获取待处理遥感影像的矢量标注数据并栅格化得到栅格标注图像;对矢量标注数据中的矢量要素对象的面积从大到小进行排序,得到矢量要素对象列表;遍历矢量要素对象,若当前的矢量要素对象未被排序在前的矢量要素对象的裁剪窗口覆盖,或被排序在前的矢量要素对象的裁剪窗口覆盖的尺寸比例小于预设的比例阈值,获取当前的矢量要素对象的裁剪窗口,否则跳过当前的矢量要素对象;得到所有矢量要素对象的对象裁剪窗口;根据对象裁剪窗口对遥感影像和栅格标注图像进行裁剪采样,得到遥感影像语义分割模型样本集。本申请可以避免重复采样,提高采样效率和各个样本的相对信息含量。
Description
技术领域
本申请涉及获取遥感影像语义分割模型样本集技术领域,具体涉及一种遥感影像语义分割模型样本集生成方法和装置。
背景技术
遥感影像语义分割用于对遥感影像中的每个像素按地物类别或地物要素进行分类。并且,遥感影像语义分割通常需要基于矢量标注数据和遥感影像生成语义分割样本集。然而现有的相关技术中,遥感影像语义分割在采样的过程中,会出现采样一个对象时可能会覆盖另一个对象,造成重复采样,降低采样效率,并且还导致采样的样本集中各个样本存在相对信息含量低的缺点。
发明内容
本申请的目的在于克服现有技术中的缺点与不足,提供一种遥感影像语义分割模型样本集生成方法和装置,可以避免重复采样,提高采样效率,并且提高采样的样本集中各个样本的相对信息含量。
本申请实施例的第一方面提供了一种遥感影像语义分割模型样本集生成方法,包括:
获取待处理遥感影像的矢量标注数据;
对所述矢量标注数据进行栅格化合成处理,得到栅格标注图像;
对矢量标注数据中的矢量要素对象的面积从大到小进行全局排序,得到排序后的矢量要素对象列表;
遍历所述矢量要素对象列表的矢量要素对象,若当前的所述矢量要素对象未被排序在前的矢量要素对象的裁剪窗口覆盖,或被排序在前的矢量要素对象的裁剪窗口覆盖的尺寸比例小于预设的比例阈值,获取当前的所述矢量要素对象的裁剪窗口,否则跳过当前的所述矢量要素对象;得到所有矢量要素对象的对象裁剪窗口;
根据所有矢量要素对象的对象裁剪窗口对所述遥感影像和所述栅格标注图像进行裁剪采样,得到包括多组样本对的遥感影像语义分割模型样本集。
本申请实施例的第二方面提供了一种遥感影像语义分割模型样本集生成装置,包括:
矢量标注数据获取模块,用于获取待处理遥感影像的矢量标注数据;
栅格标注图像获取模块,用于对所述矢量标注数据进行栅格化合成处理,得到栅格标注图像;
矢量要素对象排序模块,用于对矢量标注数据中的矢量要素对象的面积从大到小进行全局排序,得到排序后的矢量要素对象列表;
对象裁剪窗口获取模块,用于遍历所述矢量要素对象列表的矢量要素对象,若当前的所述矢量要素对象未被排序在前的矢量要素对象的裁剪窗口覆盖,或被排序在前的矢量要素对象的裁剪窗口覆盖的尺寸比例小于预设的比例阈值,获取当前的所述矢量要素对象的裁剪窗口,否则跳过当前的所述矢量要素对象;得到所有矢量要素对象的对象裁剪窗口;
样本集获取模块:用于根据所有矢量要素对象的对象裁剪窗口对所述遥感影像和所述栅格标注图像进行裁剪采样,得到包括多组样本对的遥感影像语义分割模型样本集。
相对于相关技术,本申请根据矢量要素对象的尺寸,自大到小遍历多个矢量要素对象,以逐一获取未采样的矢量要素对象的对象裁剪窗口,由于未采样的所述矢量要素对象是指未被已获取的所述对象裁剪窗口覆盖,或被已获取的所述对象裁剪窗口覆盖的尺寸比例小于预设的比例阈值的矢量要素对象,因此在获取对象裁剪窗口的过程中,可以防止尺寸小的矢量要素对象在被已获取的对象裁剪窗口覆盖的情况下再次进行获取对象裁剪窗口的操作,防止了一个矢量要素对象被多个对象裁剪窗口采样而导致的重复采样的情况,还节省了获取多余的对象裁剪窗口的步骤,实现了提高采样效率,以及提高采样的样本集中各个样本的相对信息含量的技术效果。
为了能更清晰的理解本申请,以下将结合附图说明阐述本申请的具体实施方式。
附图说明
图1为本申请一个实施例的遥感影像语义分割模型样本集生成方法的流程图。
图2为本申请一个实施例的遥感影像语义分割模型样本集生成方法的大尺寸对象的对象裁剪窗口的示意图。
图3为本申请一个实施例的遥感影像语义分割模型样本集生成方法的小尺寸对象的五个候选裁剪窗口的示意图。
图4为本申请一个实施例的遥感影像语义分割模型样本集生成方法的小尺寸对象的一个候选裁剪窗口的示意图。
图5为本申请一个实施例的遥感影像语义分割模型样本集生成方法的对象裁剪窗口的示意图。
图6为本申请一个实施例的遥感影像语义分割模型样本集生成装置的模块连接示意图。
100、遥感影像语义分割模型样本集生成装置;101、矢量标注数据获取模块;102、栅格标注图像获取模块;103、矢量要素对象排序模块;104、对象裁剪窗口获取模块;105、样本集获取模块。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,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它实施例,都属于本申请实施例保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附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他含义。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1,其是本申请第一实施例的遥感影像语义分割模型样本集生成方法的流程图,包括:
S1:获取待处理遥感影像的矢量标注数据。
遥感影像的矢量标注数据包括若干个矢量标注文件,可分类为正样本矢量标注文件和负样本矢量标注文件,其中,正样本矢量标注文件和负样本矢量标注文件的文件数量不限。
其中,正样本矢量标注文件是语义分割目标类别的矢量标注文件。有多个不同分割目标类别时,则对应有多个针对不同类别的正样本矢量标注文件;负样本矢量标注文件是指不是语义分割目标类别但容易被错分为语义分割目标类别的矢量标注文件。
S2:对所述矢量标注数据进行栅格化合成处理,得到栅格标注图像。
栅格化合成处理包括栅格化处理和合成处理。
进行栅格化时,需要将矢量标注数据的投影坐标系转换为与遥感影像的投影坐标系相同。栅格化处理是以遥感影像的边界为栅格化范围,以遥感影像的空间分辨率为栅格化的空间分辨率,逐一栅格化矢量标注数据中的所有矢量标注文件得到若干个栅格标注文件。一个栅格标注文件代表单个类别的图层,背景栅格值为0;正样本栅格值、负样本栅格值和不确定区域栅格值的取值都不相同,例如,正样本栅格值为该类别的对应值,取值范围为0-99;负样本栅格值统一为100;若矢量标注数据还包括不确定区域标注文件,不确定区域标注文件的不确定区域栅格值可以设为255。
合成处理是使用最大合成法将所有正样本栅格标注文件合成为一个栅格标注图像,最大合成法是取像元在所有图层中的最大值为该像元在栅格标注图像中的合成值。
S3:对矢量标注数据中的矢量要素对象的面积从大到小进行全局排序,得到排序后的矢量要素对象列表。
其中,全局排序是指将矢量标注数据中的所有正样本标注文件的矢量要素对象和负样本标注文件的矢量要素对象一起进行排序,例如,矢量标注数据的正样本标注文件包括湖泊正样本标注文件、森林正样本标注文件和草地正样本标注文件,矢量标注数据的负样本标注文件包括云阴影负样本标注文件,在执行步骤S3时,会将湖泊正样本标注文件表示湖泊的矢量要素对象、森林正样本标注文件表示森林的矢量要素对象、草地正样本标注文件表示草地的矢量要素对象和云阴影负样本标注文件中表示云阴影的矢量要素对象一起根据面积从大到小进行排序。
S4:遍历所述矢量要素对象列表的矢量要素对象,若当前的所述矢量要素对象未被排序在前的矢量要素对象的裁剪窗口覆盖,或被排序在前的矢量要素对象的裁剪窗口覆盖的尺寸比例小于预设的比例阈值,获取当前的所述矢量要素对象的裁剪窗口,否则跳过当前的所述矢量要素对象;得到所有矢量要素对象的对象裁剪窗口。
其中,预设的比例阈值至少为60%,也可以为65%、68%、70%、71%等。
S5:根据所有矢量要素对象的对象裁剪窗口对所述遥感影像和所述栅格标注图像进行裁剪采样,得到包括多组样本对的遥感影像语义分割模型样本集。
相对于相关技术,本申请根据矢量要素对象的尺寸,自大到小遍历多个矢量要素对象,以逐一获取未采样的矢量要素对象的对象裁剪窗口,由于未采样的所述矢量要素对象是指未被已获取的所述对象裁剪窗口覆盖,或被已获取的所述对象裁剪窗口覆盖的尺寸比例小于预设的比例阈值的矢量要素对象,因此在获取对象裁剪窗口的过程中,可以防止尺寸小的矢量要素对象在被已获取的对象裁剪窗口覆盖的情况下再次进行获取对象裁剪窗口的操作,防止了一个矢量要素对象被多个对象裁剪窗口采样而导致的重复采样的情况,还节省了获取多余的对象裁剪窗口的步骤,实现了提高采样效率,以及提高采样的样本集中各个样本的相对信息含量的技术效果。
在一个可行的实施例中,所述S4:遍历所述矢量要素对象列表的矢量要素对象,若当前的所述矢量要素对象未被排序在前的矢量要素对象的裁剪窗口覆盖,或被排序在前的矢量要素对象的裁剪窗口覆盖的尺寸比例小于预设的比例阈值,获取当前的所述矢量要素对象的裁剪窗口,否则跳过当前的所述矢量要素对象;得到所有矢量要素对象的对象裁剪窗口的步骤,包括:
S41:获取当前的矢量要素对象的外包矩形的矩形长度和矩形宽度。
其中,外包矩形是指包围矢量要素对象,且平行于x,y轴的最小外接矩形。
S42:若当前的所述矩形长度小于预设的裁剪窗口长度,且所述矩形宽度小于预设的裁剪窗口宽度,当前的所述矢量要素对象确定为小尺寸对象;若当前的所述矩形长度大于或等于预设的裁剪窗口,或所述矩形宽度大于或等于预设的裁剪窗口宽度,当前的所述矢量要素对象确定为大尺寸对象。
例如,当前的矢量要素对象的外包矩形的矩形长度为o_l,矩形宽度为o_w,预设的裁剪窗口长度为w_l,预设的裁剪窗口宽度为w_w,当o_l<w_l且o_w<w_w时,对应的矢量要素对象为小尺寸对象,否则,对应的矢量要素对象为大尺寸对象。
S43:根据预设的大尺寸对象裁剪窗口获取方式,获取所述大尺寸对象的对象裁剪窗口。
其中,大尺寸对象的对象裁剪窗口可以由一个或多个默认裁剪窗口组成,其中,各个默认裁剪窗口的窗口长度为预设的裁剪窗口长度,各个默认裁剪窗口的窗口宽度为预设的裁剪窗口宽度。
S44:根据预设的小尺寸对象裁剪窗口获取方式,获取所述小尺寸对象的对象裁剪窗口。
其中,小尺寸对象的对象裁剪窗口的窗口长度为预设的裁剪窗口长度,小尺寸对象的对象裁剪窗口的窗口宽度为预设的裁剪窗口宽度。
在本实施例中,考虑到大尺寸对象的对象裁剪窗口的覆盖面积更大,有较大的几率覆盖其他的尺寸更小的矢量要素对象,因此通过自大到小,先遍历大尺寸对象,再遍历小尺寸对象的方式获取未采样的大尺寸对象的对象裁剪窗口和未采样的小尺寸对象的对象裁剪窗口,可以更合理地防止一个矢量要素对象被多个对象裁剪窗口采样而导致的重复采样的情况。
在一个可行的实施例中,所述S43:根据预设的大尺寸对象裁剪窗口获取方式,获取所述大尺寸对象的对象裁剪窗口的步骤,包括:
S431:通过随机缓冲区扩张当前大尺寸对象的外包矩形。
其中,随机缓冲区是指随机大小的缓冲区,例如,对应外包矩形的长(即长边)的缓冲区距离为random(0,w_l//8),对应外包矩形的宽(即短边)的缓冲区距离为random(0,w_w//8),如果缓冲区超出了遥感影像的边界则扩张到边界为止,随机大小的缓冲区用于解决样本的固定间距问题。
S432:以扩张后的所述当前大尺寸对象的外包矩形为裁剪范围,以所述裁剪范围的左上角为起点,根据所述预设的裁剪窗口长度和所述预设的裁剪窗口宽度,产生完全覆盖所述当前大尺寸对象的一个或多个窗口,得到所述当前大尺寸对象的对象裁剪窗口。
例如,以所述裁剪范围的左上角为起点,自左而右、自上而下地按照默认裁剪窗口的窗口尺寸依次产出完全覆盖当前大尺寸对象的一个或多个窗口,即可得到当前大尺寸对象的对象裁剪窗口。
在本实施例中,根据随机大小的缓冲区扩张当前大尺寸对象的外包矩形,再根据扩张后的外包矩形获取当前大尺寸对象的多个窗口作为对应的对象裁剪窗口,使当前大尺寸对象的对象裁剪窗口可以完全覆盖当前大尺寸对象,还可以解决样本的固定间距问题。
在一个可行的实施例中,所述栅格标注图像标注有不确定区域和无效值区域。
其中,矢量标注数据包括不确定区域标注文件,不确定区域可以通过不确定区域矢量标注文件得到,无效值区域可以通过遥感影像的无效值掩膜得到;不确定区域矢量标注文件是指区域中分割类别不清楚的矢量标注文件,不确定区域矢量标注文件用于将不确定的区域排除在生成的样本集之外。优选地,可以使用GDAL(Geospatial DataAbstraction Library)库中的筛过滤算法去除无效值掩膜中可能存在的像元值恰好与无效值相等区域,以防止该区域被误分为无效值区域。GDAL(Geospatial Data AbstractionLibrary)库是一个在X/MIT许可协议下的开源栅格空间数据转换库。
所述S432:以扩张后的所述当前大尺寸对象的外包矩形为裁剪范围,以所述裁剪范围的左上角为起点,根据所述预设的裁剪窗口长度和所述预设的裁剪窗口宽度,产生完全覆盖所述当前大尺寸对象的一个或多个窗口,得到所述当前大尺寸对象的对象裁剪窗口的步骤,包括:
根据所述预设的裁剪窗口长度和所述预设的裁剪窗口宽度,产生完全覆盖所述当前大尺寸对象的一个或多个窗口时,若所述窗口的当前范围包括不确定区域或无效值区域,跳过所述当前范围;若所述窗口的当前范围不包括所述当前大尺寸对象的像元,跳过所述当前范围。
请参阅图2,在本实施例中,通过跳过包括不确定区域或无效值区域的窗口尺寸的当前范围,以及跳过不包括所述当前大尺寸对象的像元的窗口尺寸的当前范围,得到的当前大尺寸对象的多个对象裁剪窗口如图2所示,有利于提高采样时的采样效率和样本的有效性。
在一个可行的实施例中,所述S44:根据预设的小尺寸对象裁剪窗口获取方式,获取所述小尺寸对象的对象裁剪窗口的步骤,包括:
S441:获取当前小尺寸对象的外包矩形的矩形中点。
S442:根据所述预设的裁剪窗口长度和所述预设的裁剪窗口宽度,生成不同位置且分别包括所述矩形中点的多个候选窗口。
其中,所述多个候选窗口的数量至少为5个,所述矩形中点分别位于5个所述候选窗口的左上部、左下部、中心部、右上部和右下部的位置。例如,所述多个候选窗口的数量为5个,如图3所示,而矩形中点位于候选窗口的右下部的位置时的候选窗口示意图如图4所示。
S443:根据预设的选择规则,从所述多个候选窗口中选出所述当前小尺寸对象的对象裁剪窗口。
具体地,所述步骤S443包括:
S4431:检查各个所述候选窗口是否包括不确定区域和无效值区域,若只存在一个所述候选窗口不包括不确定区域和无效值区域,将对应的所述候选窗口确定为所述当前小尺寸对象的对象裁剪窗口。
S4432:若存在两个或以上的所述候选窗口不包括不确定区域和无效值区域,删除包括不确定区域和无效值区域的所述候选窗口。
S4433:获取剩余的各个所述候选窗口中未采样的矢量要素对象的未采样像元数量,将所述未采样像元数量为最多的所述候选窗口确定为所述当前小尺寸对象的对象裁剪窗口。
其中,步骤S4433记载的剩余的各个候选窗口中是执行步骤S4432后剩余的候选窗口。
S4434:若所述未采样像元数量为最多的所述候选窗口为两个或以上,删除所述未采样像元数量不为最多的所述候选窗口。
S4435:获取剩余的各个所述候选窗口中已采样的矢量要素对象的已采样像元数量,将所述已采样像元数量为最少的所述候选窗口确定为所述当前小尺寸对象的对象裁剪窗口。
其中,步骤S4435记载的剩余的各个候选窗口中是执行步骤S4434后剩余的候选窗口。
在本实施例中,通过步骤S441-S443,以及步骤S4431-S4435,可以选出如图5所示的当前小尺寸对象的对象裁剪窗口,有助于提高采样时的采样效率和样本的有效性。
请参阅图6,本申请第二实施例提供了一种遥感影像语义分割模型样本集生成装置,包括:
矢量标注数据获取模块,用于获取待处理遥感影像的矢量标注数据;
栅格标注图像获取模块,用于对所述矢量标注数据进行栅格化合成处理,得到栅格标注图像;
矢量要素对象排序模块,用于对矢量标注数据中的矢量要素对象的面积从大到小进行全局排序,得到排序后的矢量要素对象列表;
对象裁剪窗口获取模块,用于遍历所述矢量要素对象列表的矢量要素对象,若当前的所述矢量要素对象未被排序在前的矢量要素对象的裁剪窗口覆盖,或被排序在前的矢量要素对象的裁剪窗口覆盖的尺寸比例小于预设的比例阈值,获取当前的所述矢量要素对象的裁剪窗口,否则跳过当前的所述矢量要素对象;得到所有矢量要素对象的对象裁剪窗口;
样本集获取模块:用于根据所有矢量要素对象的对象裁剪窗口对所述遥感影像和所述栅格标注图像进行裁剪采样,得到包括多组样本对的遥感影像语义分割模型样本集。
需要说明的是,本申请第二实施例提供的遥感影像语义分割模型样本集生成装置在执行遥感影像语义分割模型样本集生成方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分为不同的功能模块,以完成以上描述的全部或者部分功能。另外,本申请第二实施例提供的遥感影像语义分割模型样本集生成装置与本申请第一实施例的遥感影像语义分割模型样本集生成方法属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
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、嵌入式处理机或其他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他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选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他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多个流程和/或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他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,从而在计算机或其他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选定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上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 (9)
1.一种遥感影像语义分割模型样本集生成方法,其特征在于,包括:
获取待处理遥感影像的矢量标注数据;遥感影像的矢量标注数据包括若干个矢量标注文件,可分类为正样本矢量标注文件和负样本矢量标注文件,其中,正样本矢量标注文件和负样本矢量标注文件的文件数量不限;
对所述矢量标注数据进行栅格化合成处理,得到栅格标注图像;
对矢量标注数据中的矢量要素对象的面积从大到小进行全局排序,得到排序后的矢量要素对象列表;
遍历所述矢量要素对象列表的矢量要素对象,若当前的所述矢量要素对象未被排序在前的矢量要素对象的裁剪窗口覆盖,或被排序在前的矢量要素对象的裁剪窗口覆盖的尺寸比例小于预设的比例阈值,获取当前的所述矢量要素对象的裁剪窗口,否则跳过当前的所述矢量要素对象;得到所有矢量要素对象的对象裁剪窗口;包括:
获取当前的矢量要素对象的外包矩形的矩形长度和矩形宽度;
若当前的所述矩形长度小于预设的裁剪窗口长度,且所述矩形宽度小于预设的裁剪窗口宽度,当前的所述矢量要素对象确定为小尺寸对象;若当前的所述矩形长度大于或等于预设的裁剪窗口长度,或所述矩形宽度大于或等于预设的裁剪窗口宽度,当前的所述矢量要素对象确定为大尺寸对象;
根据预设的大尺寸对象裁剪窗口获取方式,获取所述大尺寸对象的对象裁剪窗口;
根据预设的小尺寸对象裁剪窗口获取方式,获取所述小尺寸对象的对象裁剪窗口;
根据所有矢量要素对象的对象裁剪窗口对所述遥感影像和所述栅格标注图像进行裁剪采样,得到包括多组样本对的遥感影像语义分割模型样本集。
2.根据权利要求1所述的遥感影像语义分割模型样本集生成方法,其特征在于,所述根据预设的大尺寸对象裁剪窗口获取方式,获取所述大尺寸对象的对象裁剪窗口的步骤,包括:
通过随机缓冲区扩张当前大尺寸对象的外包矩形;
以扩张后的所述当前大尺寸对象的外包矩形为裁剪范围,以所述裁剪范围的左上角为起点,根据所述预设的裁剪窗口长度和所述预设的裁剪窗口宽度,产生完全覆盖所述当前大尺寸对象的一个或多个窗口,得到所述当前大尺寸对象的对象裁剪窗口。
3.根据权利要求2所述的遥感影像语义分割模型样本集生成方法,其特征在于,所述栅格标注图像标注有不确定区域和无效值区域;
所述以扩张后的所述当前大尺寸对象的外包矩形为裁剪范围,以所述裁剪范围的左上角为起点,根据所述预设的裁剪窗口长度和所述预设的裁剪窗口宽度,产生完全覆盖所述当前大尺寸对象的一个或多个窗口,得到所述当前大尺寸对象的对象裁剪窗口的步骤,包括:
根据默认裁剪窗口的窗口尺寸遍历所述当前大尺寸对象的外包矩形时,若所述窗口尺寸的当前范围包括不确定区域或无效值区域,跳过所述当前范围;若所述窗口尺寸的当前范围不包括所述当前大尺寸对象的像元,跳过所述当前范围。
4.根据权利要求1所述的遥感影像语义分割模型样本集生成方法,其特征在于,所述根据预设的小尺寸对象裁剪窗口获取方式,获取所述小尺寸对象的对象裁剪窗口的步骤,包括:
获取当前小尺寸对象的外包矩形的矩形中点;
根据所述预设的裁剪窗口长度和所述预设的裁剪窗口宽度,生成不同位置且分别包括所述矩形中点的多个候选窗口;
根据预设的选择规则,从所述多个候选窗口中选出所述当前小尺寸对象的对象裁剪窗口。
5.根据权利要求4所述的遥感影像语义分割模型样本集生成方法,其特征在于:所述多个候选窗口的数量至少为5个,所述矩形中点分别位于5个所述候选窗口的左上部、左下部、中心部、右上部和右下部的位置。
6.根据权利要求4所述的遥感影像语义分割模型样本集生成方法,其特征在于,所述栅格标注图像标注有不确定区域和无效值区域;所述根据预设的选择规则,从所述多个候选窗口中选出所述当前小尺寸对象的对象裁剪窗口的步骤,包括:
检查各个所述候选窗口是否包括不确定区域和无效值区域,若只存在一个所述候选窗口不包括不确定区域和无效值区域,将对应的所述候选窗口确定为所述当前小尺寸对象的对象裁剪窗口。
7.根据权利要求6所述的遥感影像语义分割模型样本集生成方法,其特征在于,所述栅格标注图像标注有不确定区域和无效值区域;所述根据预设的选择规则,从所述多个候选窗口中选出所述当前小尺寸对象的对象裁剪窗口的步骤,还包括:
若存在两个或以上的所述候选窗口不包括不确定区域和无效值区域,删除包括不确定区域和无效值区域的所述候选窗口;
获取剩余的各个所述候选窗口中未采样的矢量要素对象的未采样像元数量,将所述未采样像元数量为最多的所述候选窗口确定为所述当前小尺寸对象的对象裁剪窗口。
8.根据权利要求7所述的遥感影像语义分割模型样本集生成方法,其特征在于,所述栅格标注图像标注有不确定区域和无效值区域;所述根据预设的选择规则,从所述多个候选窗口中选出所述当前小尺寸对象的对象裁剪窗口的步骤,还包括:
若所述未采样像元数量为最多的所述候选窗口为两个或以上,删除所述未采样像元数量不为最多的所述候选窗口;
获取剩余的各个所述候选窗口中已采样的矢量要素对象的已采样像元数量,将所述已采样像元数量为最少的所述候选窗口确定为所述当前小尺寸对象的对象裁剪窗口。
9.一种遥感影像语义分割模型样本集生成装置,其特征在于,包括:
矢量标注数据获取模块,用于获取待处理遥感影像的矢量标注数据;遥感影像的矢量标注数据包括若干个矢量标注文件,可分类为正样本矢量标注文件和负样本矢量标注文件,其中,正样本矢量标注文件和负样本矢量标注文件的文件数量不限;
栅格标注图像获取模块,用于对所述矢量标注数据进行栅格化合成处理,得到栅格标注图像;
矢量要素对象排序模块,用于对矢量标注数据中的矢量要素对象的面积从大到小进行全局排序,得到排序后的矢量要素对象列表;
对象裁剪窗口获取模块,用于遍历所述矢量要素对象列表的矢量要素对象,若当前的所述矢量要素对象未被排序在前的矢量要素对象的裁剪窗口覆盖,或被排序在前的矢量要素对象的裁剪窗口覆盖的尺寸比例小于预设的比例阈值,获取当前的所述矢量要素对象的裁剪窗口,否则跳过当前的所述矢量要素对象;得到所有矢量要素对象的对象裁剪窗口;包括:
获取当前的矢量要素对象的外包矩形的矩形长度和矩形宽度;
若当前的所述矩形长度小于预设的裁剪窗口长度,且所述矩形宽度小于预设的裁剪窗口宽度,当前的所述矢量要素对象确定为小尺寸对象;若当前的所述矩形长度大于或等于预设的裁剪窗口长度,或所述矩形宽度大于或等于预设的裁剪窗口宽度,当前的所述矢量要素对象确定为大尺寸对象;
根据预设的大尺寸对象裁剪窗口获取方式,获取所述大尺寸对象的对象裁剪窗口;
根据预设的小尺寸对象裁剪窗口获取方式,获取所述小尺寸对象的对象裁剪窗口;
样本集获取模块:用于根据所有矢量要素对象的对象裁剪窗口对所述遥感影像和所述栅格标注图像进行裁剪采样,得到包括多组样本对的遥感影像语义分割模型样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310355592.8A CN116486077B (zh) | 2023-04-04 | 2023-04-04 | 遥感影像语义分割模型样本集生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310355592.8A CN116486077B (zh) | 2023-04-04 | 2023-04-04 | 遥感影像语义分割模型样本集生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116486077A CN116486077A (zh) | 2023-07-25 |
CN116486077B true CN116486077B (zh) | 2024-04-30 |
Family
ID=87214763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310355592.8A Active CN116486077B (zh) | 2023-04-04 | 2023-04-04 | 遥感影像语义分割模型样本集生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486077B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349462B (zh) * | 2023-12-06 | 2024-03-12 | 自然资源陕西省卫星应用技术中心 | 一种遥感智能解译样本数据集生成方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765951A (zh) * | 2019-10-24 | 2020-02-07 | 西安电子科技大学 | 基于边界框修正算法的遥感图像飞机目标检测方法 |
CN111914102A (zh) * | 2020-08-27 | 2020-11-10 | 上海掌门科技有限公司 | 编辑多媒体数据的方法、电子设备和计算机存储介质 |
CN112884791A (zh) * | 2021-02-02 | 2021-06-01 | 重庆市地理信息和遥感应用中心 | 一种构建大规模遥感影像语义分割模型训练样本集的方法 |
CN114463623A (zh) * | 2021-12-17 | 2022-05-10 | 浙江万维空间信息技术有限公司 | 一种基于多尺度遥感影像的耕地变化检测方法及装置 |
CN114519819A (zh) * | 2022-02-10 | 2022-05-20 | 西北工业大学 | 一种基于全局上下文感知的遥感图像目标检测方法 |
CN115311555A (zh) * | 2022-07-15 | 2022-11-08 | 武汉大学 | 一种基于批风格混合的遥感影像建筑物提取模型泛化方法 |
CN115841552A (zh) * | 2022-11-30 | 2023-03-24 | 北京百度网讯科技有限公司 | 高精地图生成方法及装置、电子设备和介质 |
CN115861609A (zh) * | 2022-11-15 | 2023-03-28 | 浙江大华技术股份有限公司 | 遥感图像的分割标注方法、电子设备及存储介质 |
CN116860906A (zh) * | 2023-09-05 | 2023-10-10 | 高德软件有限公司 | 轨迹生成方法、装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322556B (zh) * | 2019-04-29 | 2022-06-03 | 武汉大学 | 一种基于边界裁剪的高速高精度矢栅叠置分析方法 |
GB201909022D0 (en) * | 2019-06-24 | 2019-08-07 | Terrys Textiles Ltd | Image cropping method and system |
-
2023
- 2023-04-04 CN CN202310355592.8A patent/CN116486077B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765951A (zh) * | 2019-10-24 | 2020-02-07 | 西安电子科技大学 | 基于边界框修正算法的遥感图像飞机目标检测方法 |
CN111914102A (zh) * | 2020-08-27 | 2020-11-10 | 上海掌门科技有限公司 | 编辑多媒体数据的方法、电子设备和计算机存储介质 |
CN112884791A (zh) * | 2021-02-02 | 2021-06-01 | 重庆市地理信息和遥感应用中心 | 一种构建大规模遥感影像语义分割模型训练样本集的方法 |
CN114463623A (zh) * | 2021-12-17 | 2022-05-10 | 浙江万维空间信息技术有限公司 | 一种基于多尺度遥感影像的耕地变化检测方法及装置 |
CN114519819A (zh) * | 2022-02-10 | 2022-05-20 | 西北工业大学 | 一种基于全局上下文感知的遥感图像目标检测方法 |
CN115311555A (zh) * | 2022-07-15 | 2022-11-08 | 武汉大学 | 一种基于批风格混合的遥感影像建筑物提取模型泛化方法 |
CN115861609A (zh) * | 2022-11-15 | 2023-03-28 | 浙江大华技术股份有限公司 | 遥感图像的分割标注方法、电子设备及存储介质 |
CN115841552A (zh) * | 2022-11-30 | 2023-03-24 | 北京百度网讯科技有限公司 | 高精地图生成方法及装置、电子设备和介质 |
CN116860906A (zh) * | 2023-09-05 | 2023-10-10 | 高德软件有限公司 | 轨迹生成方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
面向河长制的河湖"乱占"现象遥感监测技术研究;陈苏晋,孟令奎,张 文;水 利 信 息 化;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116486077A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150078664A1 (en) | Detecting text using stroke width based text detection | |
CN116486077B (zh) | 遥感影像语义分割模型样本集生成方法和装置 | |
CN110517334B (zh) | 一种矢量地图数据获取的方法及装置 | |
CN111091123A (zh) | 文本区域检测方法及设备 | |
CN111310759B (zh) | 双模式协作的目标检测抑制优化方法及设备 | |
CN110879972A (zh) | 一种人脸检测方法及装置 | |
CN113870097A (zh) | 一种家具图像的打标方法、模型训练方法及设备 | |
CN115424142A (zh) | 基于遥感影像的海岸线类型判别方法、装置、介质和设备 | |
CN113076889B (zh) | 集装箱铅封识别方法、装置、电子设备和存储介质 | |
CN116486312B (zh) | 一种视频图像的处理方法、装置、电子设备和存储介质 | |
CN112634286A (zh) | 图像的裁剪方法及装置 | |
CN111027551B (zh) | 图像处理方法、设备和介质 | |
CN112614108A (zh) | 基于深度学习检测甲状腺超声图像中结节的方法和装置 | |
CN111967449A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN112102338A (zh) | 基于深度学习的影像样本数据的获取方法及装置 | |
CN109855634B (zh) | 一种栅格地图的图像处理的方法及设备 | |
CN110533748A (zh) | ***去除方法及设备 | |
CN109961061A (zh) | 一种边缘计算视频数据结构化方法及*** | |
CN116091715A (zh) | 一种基于三维gis引擎的poi点聚合方法 | |
CN111870954B (zh) | 一种高度图生成方法、装置、设备及存储介质 | |
CN113808142B (zh) | 一种地面标识的识别方法、装置、电子设备 | |
CN116737852A (zh) | 一种基于矢量瓦片数据的矢量绘图方法、装置和电子设备 | |
CN114332112A (zh) | 一种细胞图像分割方法、装置、电子设备及存储介质 | |
CN115905586A (zh) | 一种电力大容量点云存储方法以及渲染方法 | |
CN110119458B (zh) | 一种网格检索方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |