CN117314756A - 基于遥感图像的验保方法、装置、计算机设备及存储介质 - Google Patents
基于遥感图像的验保方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117314756A CN117314756A CN202311619376.6A CN202311619376A CN117314756A CN 117314756 A CN117314756 A CN 117314756A CN 202311619376 A CN202311619376 A CN 202311619376A CN 117314756 A CN117314756 A CN 117314756A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- resolution
- image
- resolution remote
- 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.)
- Granted
Links
- 238000012795 verification Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims description 57
- 230000004927 fusion Effects 0.000 claims description 50
- 230000004913 activation Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000012549 training Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 101100437991 Oryza sativa subsp. japonica BURP17 gene Proteins 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请属于人工智能和金融领域,涉及一种基于遥感图像的验保方法,包括将地理信息添加至原始高分辨率遥感图像中生成增强遥感图像集;对增强遥感图像集下采样得到低分辨率遥感图像集,使用低分辨率遥感图像集和增强遥感图像集对预构建的遥感图像超分辨率模型进行训练,获得最终的遥感图像超分辨率模型;获取目标地区的目标遥感图像;通过遥感图像超分辨率模型处理目标遥感图像得到目标高分辨率遥感图像;根据目标高分辨率遥感图像进行验保。本申请还提供一种基于遥感图像的验保装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,增强遥感图像集可存储于区块链中。本申请能够有效地提取图像特征,提高模型生成高分辨率图像的准确性。
Description
技术领域
本申请涉及人工智能和金融科技技术领域,尤其涉及一种基于遥感图像的验保方法、装置、计算机设备及存储介质。
背景技术
遥感图像是一种获取地球表面信息的重要手段,其在农业、城市规划、自然资源管理等领域有着广泛应用。然而,遥感图像的分辨率往往较低,这就限制了其在一些场景下的应用。特别是在农业保险中,种植险验标需要依赖遥感图像进行农户种植地点和面积的确认,目前市面上10米分辨率遥感图像为免费数据,而适合用于种植险验标的2米分辨率遥感图像价格高昂。通过遥感图像超分技术,可将免费的10米分辨率图像超分到可使用的2米分辨率遥感图像,为保险公司或相关方节省大量费用。但是在遥感领域,遥感图像相较于普通图像,有几何畸变、模糊效应、噪声干扰等干扰因素,基于这些干扰因素,使得得到的低分辨率遥感影像的纹理细节损失严重,原始的ESRGAN网络(Enhanced Super-ResolutionGenerative Adversarial Networks)在处理遥感图像时,无法充分利用遥感图像中的上下文信息,导致生成的高分辨率图像中存在较多的噪点和伪影,容易出现图像失真等问题,不利于验保。
发明内容
本申请实施例的目的在于提出一种基于遥感图像的验保方法、装置、计算机设备及存储介质,以解决现有技术在处理遥感图像时,无法充分利用遥感图像中的上下文信息,导致生成的高分辨率图像中存在较多的噪点和伪影,容易出现图像失真等问题,不利于验保的技术问题。
为了解决上述技术问题,本申请实施例提供一种基于遥感图像的验保方法,采用了如下所述的技术方案:
获取不同地区的原始高分辨率遥感图像和所述原始高分辨率遥感图像对应的地理信息,将所述地理信息添加至所述原始高分辨率遥感图像中,生成增强高分辨率遥感图像,将全部所述增强高分辨率遥感图像组成增强遥感图像集;
预构建遥感图像超分辨率模型,所述遥感图像超分辨率模型包括生成网络和判别网络;
对所述增强遥感图像集进行下采样处理,得到对应的低分辨率遥感图像集,并将所述低分辨率遥感图像集输入所述生成网络中,得到预测高分辨率遥感图像;
将所述预测高分辨率遥感图像和所述增强遥感图像集输入所述判别网络中,得到判别结果;
根据所述判别结果,按照预设损失函数计算损失值,基于所述损失值调整所述生成网络和所述判别网络的网络参数,直到获得最终的遥感图像超分辨率模型;
获取验保请求,根据所述验保请求确定目标地区,获取所述目标地区的目标遥感图像;
将所述目标遥感图像输入所述遥感图像超分辨率模型中,得到目标高分辨率遥感图像;
对所述目标高分辨率遥感图像进行分析,得到对应的验保信息,将所述验保信息与投保信息进行对比,得到验保结果。
进一步的,所述生成网络包括依次连接的特征提取模块、多个残差密集块和下采样模块;所述将所述低分辨率遥感图像集输入所述生成网络中,得到预测高分辨率遥感图像的步骤包括:
将所述低分辨率遥感图像集输入所述特征提取模块中进行特征提取,得到图像特征;
通过所述多个残差密集块对所述图像特征进行特征提取和特征融合,得到图像融合特征;
通过所述下采样模块对所述图像融合特征进行特征维度还原,输出预测高分辨率遥感图像。
进一步的,所述将所述低分辨率遥感图像集输入所述特征提取模块中进行特征提取,得到图像特征的步骤包括:
调用所述特征提取模块的上采样层对所述低分辨率遥感图像集进行上采样处理,得到上采样特征;
将所述上采样特征输入所述特征提取模块的第一卷积层中进行特征提取,获得图像特征。
进一步的,所述多个残差密集块至少包括第一残差密集块和第二残差密集块;所述通过所述多个残差密集块对所述图像特征进行特征提取和特征融合,得到图像融合特征的步骤包括:
将所述图像特征输入所述第一残差密集块进行特征提取,得到第一残差特征;
将所述第一残差特征和所述图像特征进行融合,得到第一融合特征;
将所述第一融合特征输入所述第二残差密集块进行特征提取,得到第二残差特征;
将所述第二残差特征和所述第一残差特征进行融合,输出图像融合特征。
进一步的,每个所述残差密集块包括依次连接的至少五层特征卷积层和激活层;所述将所述图像特征输入所述第一残差密集块进行特征提取,得到第一残差特征的步骤包括:
通过所述至少五层特征卷积层对所述图像特征进行卷积特征提取,得到图像卷积特征;
将所述图像卷积特征输入所述激活层进行激活,输出第一残差特征。
进一步的,所述下采样模块包括第二卷积层和最大池化层;所述通过所述下采样模块对所述图像融合特征进行特征维度还原,输出预测高分辨率遥感图像的步骤包括:
通过所述第二卷积层对所述图像融合特征进行卷积操作,得到卷积图像融合特征;
通过所述最大池化层对卷积图像融合特征进行池化操作,得到所述预测高分辨率遥感图像。
进一步的,所述根据所述判别结果,按照预设损失函数计算损失值的步骤包括:
基于所述预测高分辨率遥感图像和对应的所述增强高分辨率遥感图像,计算感知损失;
根据所述判别结果计算生成对抗损失;
计算所述预测高分辨率遥感图像和对应的所述增强高分辨率遥感图像之间的相似度,得到结构化相似性损失;
对所述感知损失、所述生成对抗损失和所述结构化相似性损失进行加权求和,得到损失值。
为了解决上述技术问题,本申请实施例还提供一种基于遥感图像的验保装置,采用了如下所述的技术方案:
第一获取模块,用于获取不同地区的原始高分辨率遥感图像和所述原始高分辨率遥感图像对应的地理信息,将所述地理信息添加至所述原始高分辨率遥感图像中,生成增强高分辨率遥感图像,将全部所述增强高分辨率遥感图像组成增强遥感图像集;
构建模块,用于预构建遥感图像超分辨率模型,所述遥感图像超分辨率模型包括生成网络和判别网络;
生成模块,用于对所述增强遥感图像集进行下采样处理,得到对应的低分辨率遥感图像集,并将所述低分辨率遥感图像集输入所述生成网络中,得到预测高分辨率遥感图像;
判别模块,用于将所述预测高分辨率遥感图像和所述增强遥感图像集输入所述判别网络中,得到判别结果;
调整模块,用于根据所述判别结果,按照预设损失函数计算损失值,基于所述损失值调整所述生成网络和所述判别网络的网络参数,直到获得最终的遥感图像超分辨率模型;
第二获取模块,用于获取验保请求,根据所述验保请求确定目标地区,获取所述目标地区的目标遥感图像;
超分模块,用于将所述目标遥感图像输入所述遥感图像超分辨率模型中,得到目标高分辨率遥感图像;
验保模块,用于对所述目标高分辨率遥感图像进行分析,得到对应的验保信息,将所述验保信息与投保信息进行对比,得到验保结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
该计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上所述的基于遥感图像的验保方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的基于遥感图像的验保方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请通过对获取到的原始高分辨率遥感图像添加相应的地理信息,能够帮助模型更好地理解地表特征,提高模型的泛化能力;通过预构建遥感图像超分辨率模型,并将添加了地理信息的低分辨率遥感图像集输入生成网络,能够使得生成网络更有效地提取图像特征并减少信息损失,更好保留遥感图像的地理细节,提升了模型的表达能力和泛化能力;将预测高分辨率遥感图像和增强遥感图像集同时输入判别网络中进行判别,能够更好地监督生成图像,使得生成网络能够生成更逼真的高分辨率图像,避免了原始ESRGAN网络生成的高分辨率图像中存在较多的噪点和伪影的问题;通过预设损失函数计算的损失值调整网络参数,能够更好地保留图像的结构信息,提高模型生成高分辨率图像的准确性;将训练完成的遥感图像超分辨率模型应用于验保,能够精准定损,同时提升验保效率,节省大量人力和物力。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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他的附图。
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的基于遥感图像的验保方法的一个实施例的流程图;
图3是本申请的生成网络的结构示意图;
图4是图2中步骤S203的一种具体实施方式的流程图;
图5是根据本申请的基于遥感图像的验保装置的一个实施例的结构示意图;
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请提供了一种基于遥感图像的验保方法,可以应用于如图1所示的***架构100中,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于遥感图像的验保方法一般由服务器/终端设备执行,相应地,基于遥感图像的验保装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于遥感图像的验保方法的一个实施例的流程图,包括以下步骤:
步骤S201,获取不同地区的原始高分辨率遥感图像和原始高分辨率遥感图像对应的地理信息,将地理信息添加至原始高分辨率遥感图像中,生成增强高分辨率遥感图像,将全部增强高分辨率遥感图像组成增强遥感图像集。
从遥感影像库中获取大量不同地区的高分辨遥感图像文件,从高分辨遥感图像文件中获取原始高分辨率遥感图像及其对应的地理信息,其中,不同地区可以是特定国家范围内不同地区。
地理信息包括地理坐标、海拔高度、气候情况等。高分辨遥感图像文件中包含图像每一个像素的详细经纬度地理坐标,通过地理坐标可以得到对应的海拔高度。
基于地理信息对原始高分辨率遥感图像进行数据增强,具体的,将地理信息添加至原始高分辨率遥感图像对应的位置上,得到增强后的高分辨率遥感图像,即增强高分辨率遥感图像。
在本实施例中,可以通过有线连接方式或者无线连接方式接收原始高分辨率遥感图像。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB( ultra wideband )连接、以及其他现在已知或将来开发的无线连接方式。
需要强调的是,为进一步保证增强遥感图像集的私密和安全性,上述增强遥感图像集还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
步骤S202,预构建遥感图像超分辨率模型,遥感图像超分辨率模型包括生成网络和判别网络。
ESRGAN是一种非常有效的超分辨率模型,但是在处理特定国家地区的遥感图像时,其效果并不是很好。传统的超分辨率模型中,普遍采用的是单向的卷积神经网络结构,在处理遥感图像时,这种结构可能无法充分利用遥感图像中的上下文信息,导致生成的高分辨率图像中存在较多的噪点和伪影。为了克服这一问题,本申请对ESRGAN模型的生成网络结构进行了改进,可以更好地适应特定国家地区遥感图像的特点。
在本实施例中,生成网络包括依次连接的特征提取模块、多个残差密集块和下采样模块,其中,特征提取模块包括上采样层和第一卷积层;每个残差密集块包括依次连接的至少五层特征卷积层和与最后一层特征卷积层连接的激活层;下采样模块包括第二卷积层和最大池化层。
作为一种具体的示例,参见图3所示,生成网络包括23个残差密集块,每个残差密集块包括依次连接五层特征卷积层和一个ReLU激活层。
步骤S203,对增强遥感图像集进行下采样处理,得到对应的低分辨率遥感图像集,并将低分辨率遥感图像集输入生成网络中,得到预测高分辨率遥感图像。
在本实施例中,对增强遥感图像集中的增强高分辨率遥感图像进行下采样处理,得到对应的低分辨率遥感图像,将全部的低分辨率遥感图像组成低分辨率遥感图像集。
低分辨率(Low-resolution)是指在一定的分辨率下显示的画面质量较差的情况,图片的分辨率又称为dpi(dots per inch),用于描述图片中每英寸像素点的数量。
应当理解,增强高分辨率遥感图像和对应的低分辨率遥感图像组成遥感图像对,将全部遥感图像对组成训练集,其中,增强高分辨率遥感图像作为低分辨率遥感图像的真实标签数据。使用该训练集交替训练预构建遥感图像超分辨率模型的生成网络和判别网络,以获得最终的遥感图像超分辨率模型。
在一些可选的实施例中,上述将低分辨率遥感图像集输入生成网络中,得到预测高分辨率遥感图像的步骤包括:
步骤S401,将低分辨率遥感图像集输入特征提取模块中进行特征提取,得到图像特征。
特征提取模块包括上采样层和第一卷积层,调用上采样层对低分辨率遥感图像集进行上采样处理,得到上采样特征;将上采样特征输入特征提取模块的第一卷积层中进行特征提取,获得图像特征。
通过上采样层对低分辨率遥感图像集中的低分辨率遥感图像进行上采样操作,能够扩大感受野,提高了输入的低分辨率遥感图像的分辨率,然后,通过第一卷积层对上采样特征进行特征提取,能够有效地提取低分辨率遥感图像的图像特征。
步骤S402,通过多个残差密集块对图像特征进行特征提取和特征融合,得到图像融合特征。
多个残差密集块(ResidualDenseBlock,RDB)至少包括第一残差密集块和第二残差密集块,通过多个残差密集块对特征提取模块输出的图像特征进行进一步地特征提取。
进一步地,上述通过多个残差密集块对图像特征进行特征提取和特征融合,得到图像融合特征的步骤包括:
将图像特征输入第一残差密集块进行特征提取,得到第一残差特征;
将第一残差特征和图像特征进行融合,得到第一融合特征;
将第一融合特征输入第二残差密集块进行特征提取,得到第二残差特征;
将第二残差特征和第一残差特征进行融合,输出图像融合特征。
其中,每个残差密集块包括依次连接的至少五层特征卷积层和连接最后一层特征卷积层的激活层,通过至少五层特征卷积层对图像特征进行卷积特征提取,得到图像卷积特征;将图像卷积特征输入激活层进行激活,输出第一残差特征。
应当理解,每个特征卷积层的参数不完全相同,以5个特征卷积层为例,第一特征卷积层有32个卷积核,每个卷积核有64x3x3的参数量,其中3x3为卷积核大小,64为通道数;第二特征卷积层有32个卷积核,每个卷积核有96x3x3的参数量,其中3x3为卷积核大小,96为通道数;第三特征卷积层有32个卷积核,每个卷积核有128x3x3的参数量,其中3x3为卷积核大小,128为通道数;第四特征卷积层有32个卷积核,每个卷积核有160x3x3的参数量,其中3x3为卷积核大小,160为通道数;第五特征卷积层有64个卷积核,每个卷积核有192x3x3的参数量,其中3x3为卷积核大小,192为通道数。
通过不同的特征卷积层对图像特征进行卷积特征提取,得到不同特征尺度下的图像卷积特征,从而丰富提取的特征;将图像卷积特征通过激活层的激活函数进行激活,其中,激活函数选用ReLU函数,ReLU函数能够将非正元素置零,在保留有效神经元方面具有很好的效果,进而有效避免梯度***的问题。
将第一残差密集块输出的第一残差特征和图像特征进行融合得到的第一融合特征作为第二残差密集块的输入特征,应当理解,第二残差密集块对第一融合特征的计算过程同第一残差密集块,在此不再赘述。
在本实施例中,每个残差密集块的输入为前一层的输入特征和输出特征的融合特征,这种方式能够充分利用遥感图像中的上下文信息,减少信息损失,使得提取的特征均拥有十分丰富的语义信息,更好地保留了遥感图像的地理细节,能够获得遥感图像更加细节的纹理特征,提高生成高分辨率遥感图像的清晰度和真实性。
作为一种具体的示例,生成网络包括23个残差密集块,分别为RDB0、RDB1、RDB2、……、RDB22,RDB0的输入特征为图像特征,RDB1至RDB22的输入特征为前一个残差密集块的输入特征和输出特征的融合特征。
步骤S403,通过下采样模块对图像融合特征进行特征维度还原,输出预测高分辨率遥感图像。
下采样模块包括第二卷积层和最大池化层,通过第二卷积层对图像融合特征进行卷积操作,得到卷积图像融合特征;通过最大池化层对卷积图像融合特征进行池化操作,得到预测高分辨率遥感图像。
其中,第二卷积层可以采用五个卷积层,在本实施例中,通过下采样模块将提取的特征维度还原为原始的大小,可以更有效地提取图像特征并减少信息损失,更好保留遥感图像的地理细节,提升了模型的表达能力和泛化能力。
本申请的生成网络将特征提取模块、多个残差密集块和下采样模块结合在一起,能够对输入的低分辨率遥感图像进行更准确的特征提取,更好保留遥感图像的地理细节,使得生成网络能够生成细节纹理更逼真的高分辨率遥感图像,避免噪声、伪影和失真等问题。
步骤S204,将预测高分辨率遥感图像和增强遥感图像集输入判别网络中,得到判别结果。
判别网络用于训练过程中的对抗生成训练。具体的,判别网络包括多个卷积层,首个卷积层之后连接LeakyReLU激活层,首个卷积层之后的每个卷积层各自连接批规范化层(batch normalization,BN)和LeakyReLU激活层作为激活函数;最后一个卷积层连接的LeakyReLU激活层依次连接若干个全连接层以及Sigmoid激活函数,全连接层之间通过LeakyReLU激活层相连。
将预测高分辨率遥感图像和增强遥感图像同时输入判别网络中,由判别网络判别输入图像的真实程度,即当判别网络判别输入的图像为真实图像,即增强遥感图像时,输出值为1,当判别网络判别输入的图像为预测高分辨率遥感图像时,输出值为0。
步骤S205,根据判别结果,按照预设损失函数计算损失值,基于损失值调整生成网络和判别网络的网络参数,直到获得最终的遥感图像超分辨率模型。
在本实施例中,预设损失函数的计算公式如下:
;
其中,X、Y分别表示预测高分辨率遥感图像和增强高分辨率遥感图像,Perception、Gan、SSIM分别表示感知损失、生成对抗损失和结构化相似性损失。
进一步的,上述根据判别结果,按照预设损失函数计算损失值的步骤包括:
基于预测高分辨率遥感图像和对应的增强高分辨率遥感图像,计算感知损失;
根据判别结果计算生成对抗损失;
计算预测高分辨率遥感图像和对应的增强高分辨率遥感图像之间的相似度,得到结构化相似性损失;
对感知损失、生成对抗损失和结构化相似性损失进行加权求和,得到损失值。
其中,感知损失计算方法可以是使用ImageNet数据集上预训练好的VGG网络分别提取预测高分辨率遥感图像的特征图及对应的增强高分辨率遥感图像的特征图,并计算预测高分辨率遥感图像的特征图及对应的增强高分辨率遥感图像的特征图之间的均方根误差。
生成对抗损失计算公式如下:
;
其中,表示第i个输入生成网络的低分辨率遥感图像;/>表示生成网络基于低分辨率遥感图像生成的预测高分辨率遥感图像;/>表示第i个输入生成网络的低分辨率遥感图像对应的增强遥感图像;判别网络用于判别输入图像为预测高分辨率遥感图像或者增强遥感图像,当被判别图片为增强遥感图像时,/>的值为1;当被判别图片为预测高分辨率遥感图像时,/>的值为0;/>表示判别网络判断预测高分辨率遥感图像与增强遥感图像为相同图像的概率;/>表示平均绝对误差。
结构化相似性损失公式如下:
;
其中,x表示预测高分辨率遥感图像;y表示增强高分辨率遥感图像;表示x的期望;/>表示y的期望;/>表示x的方差;/>表示y的方差;/>表示x和y的协方差;C1和C2代表常数。
计算出感知损失、生成对抗损失和结构化相似性损失后,按照上述预设损失函数进行加权计算,得到最终的损失值。
基于损失值调整更新生成网络和判别网络的网络参数,直至模型收敛,得到目标生成网络和目标判别网络,基于目标生成网络和目标判别网络得到最终的遥感图像超分辨率模型。
通过增加结构化相似性损失进行训练和微调网络参数,可以更好地保留图像的结构特征,提高生成高分辨率遥感图像的真实性,避免出现伪影和失真等问题。
步骤S206,获取验保请求,根据验保请求确定目标地区,获取目标地区的目标遥感图像。
本实施例中的遥感图像超分辨率模型可以应用于如农业、城市规划、自然资源管理等领域。
以农业保险场景为例,农业保险是专为农业生产者在从事种植业、林业、畜牧业和渔业生产过程中,对遭受自然灾害、意外事故疫病、疾病等保险事故所造成的经济损失提供保障的一种保险。以种植业为例,在农业保险的验保环节中,需要对保户的投保信息进行核验。
从验保请求中获取投保信息,投保信息可以包括险种、投保金额、投保人或组织、投保期间、保险费率、作物种类、作物面积、投保地区信息等。基于投保地区信息确定目标地区,根据目标地区获取对应的目标遥感图像。
步骤S207,将目标遥感图像输入遥感图像超分辨率模型中,得到目标高分辨率遥感图像。
通过训练完成的遥感图像超分辨率模型对目标遥感图像进行超分操作,得到对应的目标高分辨率遥感图像。
步骤S208,对目标高分辨率遥感图像进行分析,得到对应的验保信息,将验保信息与投保信息进行对比,得到验保结果。
在本实施例中,验保信息为目标作物信息。对目标高分辨率遥感图像进行分析,在目标高分辨率遥感图像上圈定目标地区,并对目标地区的目标作物信息进行识别,目标作物信息包括作物种类、作物面积以及作物分布等,将目标作物信息与投保信息中的作物种类、作物面积等进行比对,从而得到比对结果,若比对一致,则验保通过;若比对不一致,则验保未通过。
基于遥感图像和遥感图像超分辨率模型实现对投保地区的作物情况进行自动分析和核验,提高了农业保险验保的效率,降低了人力成本。
本申请通过对获取到的原始高分辨率遥感图像添加相应的地理信息,能够帮助模型更好地理解地表特征,提高模型的泛化能力;通过预构建遥感图像超分辨率模型,并将添加了地理信息的低分辨率遥感图像集输入生成网络,能够使得生成网络更有效地提取图像特征并减少信息损失,更好保留遥感图像的地理细节,提升了模型的表达能力和泛化能力;将预测高分辨率遥感图像和增强遥感图像集同时输入判别网络中进行判别,能够更好地监督生成图像,使得生成网络能够生成更逼真的高分辨率图像,避免了原始ESRGAN网络生成的高分辨率图像中存在较多的噪点和伪影的问题;通过预设损失函数计算的损失值调整网络参数,能够更好地保留图像的结构信息,提高模型生成高分辨率图像的准确性;将训练完成的遥感图像超分辨率模型应用于验保,能够精准定损,同时提升验保效率,节省大量人力和物力。
本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图5,作为对上述图2所示方法的实现,本申请提供了一种基于遥感图像的验保装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例所述的基于遥感图像的验保装置500包括:第一获取模块501、构建模块502、生成模块503、判别模块504、调整模块505、第二获取模块506、超分模块507以及验保模块508。其中:
第一获取模块501用于获取不同地区的原始高分辨率遥感图像和所述原始高分辨率遥感图像对应的地理信息,将所述地理信息添加至所述原始高分辨率遥感图像中,生成增强高分辨率遥感图像,将全部所述增强高分辨率遥感图像组成增强遥感图像集;
构建模块502用于预构建遥感图像超分辨率模型,所述遥感图像超分辨率模型包括生成网络和判别网络;
生成模块503用于对所述增强遥感图像集进行下采样处理,得到对应的低分辨率遥感图像集,并将所述低分辨率遥感图像集输入所述生成网络中,得到预测高分辨率遥感图像;
判别模块504用于将所述预测高分辨率遥感图像和所述增强遥感图像集输入所述判别网络中,得到判别结果;
调整模块505用于根据所述判别结果,按照预设损失函数计算损失值,基于所述损失值调整所述生成网络和所述判别网络的网络参数,直到获得最终的遥感图像超分辨率模型;
第二获取模块506用于获取验保请求,根据所述验保请求确定目标地区,获取所述目标地区的目标遥感图像;
超分模块507用于将所述目标遥感图像输入所述遥感图像超分辨率模型中,得到目标高分辨率遥感图像;
验保模块508用于对所述目标高分辨率遥感图像进行分析,得到对应的验保信息,将所述验保信息与投保信息进行对比,得到验保结果。
需要强调的是,为进一步保证增强遥感图像集的私密和安全性,上述增强遥感图像集还可以存储于一区块链的节点中。
基于上述基于遥感图像的验保装置500,通过对获取到的原始高分辨率遥感图像添加相应的地理信息,能够帮助模型更好地理解地表特征,提高模型的泛化能力;通过预构建遥感图像超分辨率模型,并将添加了地理信息的低分辨率遥感图像集输入生成网络,能够使得生成网络更有效地提取图像特征并减少信息损失,更好保留遥感图像的地理细节,提升了模型的表达能力和泛化能力;将预测高分辨率遥感图像和增强遥感图像集同时输入判别网络中进行判别,能够更好地监督生成图像,使得生成网络能够生成更逼真的高分辨率图像,避免了原始ESRGAN网络生成的高分辨率图像中存在较多的噪点和伪影的问题;通过预设损失函数计算的损失值调整网络参数,能够更好地保留图像的结构信息,提高模型生成高分辨率图像的准确性;将训练完成的遥感图像超分辨率模型应用于验保,能够精准定损,同时提升验保效率,节省大量人力和物力。
在一些可选的实现方式中,所述生成网络包括依次连接的特征提取模块、多个残差密集块和下采样模块,生成模块503包括:
特征提取子模块,用于将所述低分辨率遥感图像集输入所述特征提取模块中进行特征提取,得到图像特征;
残差融合子模块,用于通过所述多个残差密集块对所述图像特征进行特征提取和特征融合,得到图像融合特征;
还原子模块,用于通过所述下采样模块对所述图像融合特征进行特征维度还原,输出预测高分辨率遥感图像。
通过将特征提取模块、多个残差密集块和下采样模块结合在一起,能够对输入的低分辨率遥感图像进行更准确的特征提取,更好保留遥感图像的地理细节,使得生成网络能够生成细节纹理更逼真的高分辨率遥感图像,避免噪声、伪影和失真等问题。
在本实施例的一些可选的实现方式中,特征提取子模块包括:
上采样单元,用于调用所述特征提取模块的上采样层对所述低分辨率遥感图像集进行上采样处理,得到上采样特征;
特征提取单元,用于将所述上采样特征输入所述特征提取模块的第一卷积层中进行特征提取,获得图像特征。
本实施例能够扩大感受野,提高了输入的低分辨率遥感图像的分辨率,同时能够有效地提取低分辨率遥感图像的图像特征。
在本实施例的一些可选的实现方式中,所述多个残差密集块至少包括第一残差密集块和第二残差密集块,残差融合子模块包括:
第一残差单元,用于将所述图像特征输入所述第一残差密集块进行特征提取,得到第一残差特征;
第一融合单元,用于将所述第一残差特征和所述图像特征进行融合,得到第一融合特征;
第二残差单元,用于将所述第一融合特征输入所述第二残差密集块进行特征提取,得到第二残差特征;
第二融合单元,用于将所述第二残差特征和所述第一残差特征进行融合,输出图像融合特征。
通过将每个残差密集块的输入为前一层的输入特征和输出特征的融合特征,这种方式能够充分利用遥感图像中的上下文信息,减少信息损失,使得提取的特征均拥有十分丰富的语义信息,更好地保留了遥感图像的地理细节,提高生成高分辨率遥感图像的清晰度和真实性。
在本实施例中,每个所述残差密集块包括依次连接的至少五层特征卷积层和激活层,第一残差单元进一步用于:通过所述至少五层特征卷积层对所述图像特征进行卷积特征提取,得到图像卷积特征;将所述图像卷积特征输入所述激活层进行激活,输出第一残差特征。
通过不同的特征卷积层对图像特征进行卷积特征提取,得到不同特征尺度下的图像卷积特征,从而丰富提取的特征。
在本实施例的一些可选的实现方式中,还原子模块包括:
卷积单元,用于通过所述第二卷积层对所述图像融合特征进行卷积操作,得到卷积图像融合特征;
最大池化单元,用于通过所述最大池化层对卷积图像融合特征进行池化操作,得到所述预测高分辨率遥感图像。
通过下采样模块将提取的特征维度还原为原始的大小,可以更有效地提取图像特征并减少信息损失。
在一些可选的实现方式中,调整模块505包括:
感知损失计算子模块,用于基于所述预测高分辨率遥感图像和对应的所述增强高分辨率遥感图像,计算感知损失;
对抗损失计算子模块,用于根据所述判别结果计算生成对抗损失;
结构化损失计算子模块,用于计算所述预测高分辨率遥感图像和对应的所述增强高分辨率遥感图像之间的相似度,得到结构化相似性损失;
加权子模块,用于对所述感知损失、所述生成对抗损失和所述结构化相似性损失进行加权求和,得到损失值。
通过增加结构化相似性损失进行训练和微调网络参数,可以更好地保留图像的结构特征,提高生成高分辨率遥感图像的真实性,避免出现伪影和失真等问题。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图6,图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过***总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是,图中仅示出了具有组件61-63的计算机设备6,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器 (Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器61可以是所述计算机设备6的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,所述存储器61也可以是所述计算机设备6的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(FlashCard)等。当然,所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中,所述存储器61通常用于存储安装于所述计算机设备6的操作***和各类应用软件,例如基于遥感图像的验保方法的计算机可读指令等。此外,所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中,所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据,例如运行所述基于遥感图像的验保方法的计算机可读指令。
所述网络接口63可包括无线网络接口或有线网络接口,该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例基于遥感图像的验保方法的步骤,通过对获取到的原始高分辨率遥感图像添加相应的地理信息,能够帮助模型更好地理解地表特征,提高模型的泛化能力;通过预构建遥感图像超分辨率模型,并将添加了地理信息的低分辨率遥感图像集输入生成网络,能够使得生成网络更有效地提取图像特征并减少信息损失,更好保留遥感图像的地理细节,提升了模型的表达能力和泛化能力;将预测高分辨率遥感图像和增强遥感图像集同时输入判别网络中进行判别,能够更好地监督生成图像,使得生成网络能够生成更逼真的高分辨率图像,避免了原始ESRGAN网络生成的高分辨率图像中存在较多的噪点和伪影的问题;通过预设损失函数计算的损失值调整网络参数,能够更好地保留图像的结构信息,提高模型生成高分辨率图像的准确性;将训练完成的遥感图像超分辨率模型应用于验保,能够精准定损,同时提升验保效率,节省大量人力和物力。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于遥感图像的验保方法的步骤,通过对获取到的原始高分辨率遥感图像添加相应的地理信息,能够帮助模型更好地理解地表特征,提高模型的泛化能力;通过预构建遥感图像超分辨率模型,并将添加了地理信息的低分辨率遥感图像集输入生成网络,能够使得生成网络更有效地提取图像特征并减少信息损失,更好保留遥感图像的地理细节,提升了模型的表达能力和泛化能力;将预测高分辨率遥感图像和增强遥感图像集同时输入判别网络中进行判别,能够更好地监督生成图像,使得生成网络能够生成更逼真的高分辨率图像,避免了原始ESRGAN网络生成的高分辨率图像中存在较多的噪点和伪影的问题;通过预设损失函数计算的损失值调整网络参数,能够更好地保留图像的结构信息,提高模型生成高分辨率图像的准确性;将训练完成的遥感图像超分辨率模型应用于验保,能够精准定损,同时提升验保效率,节省大量人力和物力。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于遥感图像的验保方法,其特征在于,包括下述步骤:
获取不同地区的原始高分辨率遥感图像和所述原始高分辨率遥感图像对应的地理信息,将所述地理信息添加至所述原始高分辨率遥感图像中,生成增强高分辨率遥感图像,将全部所述增强高分辨率遥感图像组成增强遥感图像集;
预构建遥感图像超分辨率模型,所述遥感图像超分辨率模型包括生成网络和判别网络;
对所述增强遥感图像集进行下采样处理,得到对应的低分辨率遥感图像集,并将所述低分辨率遥感图像集输入所述生成网络中,得到预测高分辨率遥感图像;
将所述预测高分辨率遥感图像和所述增强遥感图像集输入所述判别网络中,得到判别结果;
根据所述判别结果,按照预设损失函数计算损失值,基于所述损失值调整所述生成网络和所述判别网络的网络参数,直到获得最终的遥感图像超分辨率模型;
获取验保请求,根据所述验保请求确定目标地区,获取所述目标地区的目标遥感图像;
将所述目标遥感图像输入所述遥感图像超分辨率模型中,得到目标高分辨率遥感图像;
对所述目标高分辨率遥感图像进行分析,得到对应的验保信息,将所述验保信息与投保信息进行对比,得到验保结果。
2.根据权利要求1所述的基于遥感图像的验保方法,其特征在于,所述生成网络包括依次连接的特征提取模块、多个残差密集块和下采样模块;所述将所述低分辨率遥感图像集输入所述生成网络中,得到预测高分辨率遥感图像的步骤包括:
将所述低分辨率遥感图像集输入所述特征提取模块中进行特征提取,得到图像特征;
通过所述多个残差密集块对所述图像特征进行特征提取和特征融合,得到图像融合特征;
通过所述下采样模块对所述图像融合特征进行特征维度还原,输出预测高分辨率遥感图像。
3.根据权利要求2所述的基于遥感图像的验保方法,其特征在于,所述将所述低分辨率遥感图像集输入所述特征提取模块中进行特征提取,得到图像特征的步骤包括:
调用所述特征提取模块的上采样层对所述低分辨率遥感图像集进行上采样处理,得到上采样特征;
将所述上采样特征输入所述特征提取模块的第一卷积层中进行特征提取,获得图像特征。
4.根据权利要求2所述的基于遥感图像的验保方法,其特征在于,所述多个残差密集块至少包括第一残差密集块和第二残差密集块;所述通过所述多个残差密集块对所述图像特征进行特征提取和特征融合,得到图像融合特征的步骤包括:
将所述图像特征输入所述第一残差密集块进行特征提取,得到第一残差特征;
将所述第一残差特征和所述图像特征进行融合,得到第一融合特征;
将所述第一融合特征输入所述第二残差密集块进行特征提取,得到第二残差特征;
将所述第二残差特征和所述第一残差特征进行融合,输出图像融合特征。
5.根据权利要求4所述的基于遥感图像的验保方法,其特征在于,每个所述残差密集块包括依次连接的至少五层特征卷积层和激活层;所述将所述图像特征输入所述第一残差密集块进行特征提取,得到第一残差特征的步骤包括:
通过所述至少五层特征卷积层对所述图像特征进行卷积特征提取,得到图像卷积特征;
将所述图像卷积特征输入所述激活层进行激活,输出第一残差特征。
6.根据权利要求2所述的基于遥感图像的验保方法,其特征在于,所述下采样模块包括第二卷积层和最大池化层;所述通过所述下采样模块对所述图像融合特征进行特征维度还原,输出预测高分辨率遥感图像的步骤包括:
通过所述第二卷积层对所述图像融合特征进行卷积操作,得到卷积图像融合特征;
通过所述最大池化层对卷积图像融合特征进行池化操作,得到所述预测高分辨率遥感图像。
7.根据权利要求1所述的基于遥感图像的验保方法,其特征在于,所述根据所述判别结果,按照预设损失函数计算损失值的步骤包括:
基于所述预测高分辨率遥感图像和对应的所述增强高分辨率遥感图像,计算感知损失;
根据所述判别结果计算生成对抗损失;
计算所述预测高分辨率遥感图像和对应的所述增强高分辨率遥感图像之间的相似度,得到结构化相似性损失;
对所述感知损失、所述生成对抗损失和所述结构化相似性损失进行加权求和,得到损失值。
8.一种基于遥感图像的验保装置,其特征在于,包括:
第一获取模块,用于获取不同地区的原始高分辨率遥感图像和所述原始高分辨率遥感图像对应的地理信息,将所述地理信息添加至所述原始高分辨率遥感图像中,生成增强高分辨率遥感图像,将全部所述增强高分辨率遥感图像组成增强遥感图像集;
构建模块,用于预构建遥感图像超分辨率模型,所述遥感图像超分辨率模型包括生成网络和判别网络;
生成模块,用于对所述增强遥感图像集进行下采样处理,得到对应的低分辨率遥感图像集,并将所述低分辨率遥感图像集输入所述生成网络中,得到预测高分辨率遥感图像;
判别模块,用于将所述预测高分辨率遥感图像和所述增强遥感图像集输入所述判别网络中,得到判别结果;
调整模块,用于根据所述判别结果,按照预设损失函数计算损失值,基于所述损失值调整所述生成网络和所述判别网络的网络参数,直到获得最终的遥感图像超分辨率模型;
第二获取模块,用于获取验保请求,根据所述验保请求确定目标地区,获取所述目标地区的目标遥感图像;
超分模块,用于将所述目标遥感图像输入所述遥感图像超分辨率模型中,得到目标高分辨率遥感图像;
验保模块,用于对所述目标高分辨率遥感图像进行分析,得到对应的验保信息,将所述验保信息与投保信息进行对比,得到验保结果。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于遥感图像的验保方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于遥感图像的验保方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311619376.6A CN117314756B (zh) | 2023-11-30 | 2023-11-30 | 基于遥感图像的验保方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311619376.6A CN117314756B (zh) | 2023-11-30 | 2023-11-30 | 基于遥感图像的验保方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314756A true CN117314756A (zh) | 2023-12-29 |
CN117314756B CN117314756B (zh) | 2024-04-05 |
Family
ID=89274139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311619376.6A Active CN117314756B (zh) | 2023-11-30 | 2023-11-30 | 基于遥感图像的验保方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314756B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599401A (zh) * | 2019-08-19 | 2019-12-20 | 中国科学院电子学研究所 | 遥感图像超分辨率重建方法、处理装置及可读存储介质 |
CN113538246A (zh) * | 2021-08-10 | 2021-10-22 | 西安电子科技大学 | 基于无监督多阶段融合网络的遥感图像超分辨率重建方法 |
CN115375548A (zh) * | 2022-08-29 | 2022-11-22 | 广东工业大学 | 一种超分辨率的遥感图像生成方法、***、设备和介质 |
CN116503251A (zh) * | 2023-04-25 | 2023-07-28 | 长春理工大学 | 一种结合混合专家的生成对抗网络遥感图像超分辨重建方法 |
-
2023
- 2023-11-30 CN CN202311619376.6A patent/CN117314756B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599401A (zh) * | 2019-08-19 | 2019-12-20 | 中国科学院电子学研究所 | 遥感图像超分辨率重建方法、处理装置及可读存储介质 |
CN113538246A (zh) * | 2021-08-10 | 2021-10-22 | 西安电子科技大学 | 基于无监督多阶段融合网络的遥感图像超分辨率重建方法 |
CN115375548A (zh) * | 2022-08-29 | 2022-11-22 | 广东工业大学 | 一种超分辨率的遥感图像生成方法、***、设备和介质 |
CN116503251A (zh) * | 2023-04-25 | 2023-07-28 | 长春理工大学 | 一种结合混合专家的生成对抗网络遥感图像超分辨重建方法 |
Non-Patent Citations (1)
Title |
---|
杨宏业;赵银娣;董霁红;: "基于纹理转移的露天矿区遥感图像超分辨率重建", 煤炭学报, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN117314756B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230081645A1 (en) | Detecting forged facial images using frequency domain information and local correlation | |
JP6774137B2 (ja) | Id写真の真正性を検証するためのシステムおよび方法 | |
CN113688855A (zh) | 数据处理方法、联邦学习的训练方法及相关装置、设备 | |
WO2022105125A1 (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
US20200279358A1 (en) | Method, device, and system for testing an image | |
CN114549913B (zh) | 一种语义分割方法、装置、计算机设备和存储介质 | |
Higa et al. | Domain knowledge integration into deep learning for typhoon intensity classification | |
CN112016502B (zh) | 安全带检测方法、装置、计算机设备及存储介质 | |
CN112989085A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN114387289B (zh) | 输配电架空线路三维点云语义分割方法和装置 | |
CN115861248A (zh) | 医学图像分割方法、医学模型训练方法、装置和存储介质 | |
CN112396060B (zh) | 基于身份证分割模型的身份证识别方法及其相关设备 | |
CN117314756B (zh) | 基于遥感图像的验保方法、装置、计算机设备及存储介质 | |
CN115661472A (zh) | 图像查重方法、装置、计算机设备及存储介质 | |
CN113362249B (zh) | 文字图像合成方法、装置、计算机设备及存储介质 | |
CN115223181A (zh) | 基于文本检测的报告材料***文字识别方法和装置 | |
Li et al. | Bisupervised network with pyramid pooling module for land cover classification of satellite remote sensing imagery | |
CN117058498B (zh) | 分割图评估模型的训练方法、分割图的评估方法及装置 | |
CN117611580B (zh) | 瑕疵检测方法、装置、计算机设备和存储介质 | |
CN117851632A (zh) | 基于人工智能的图像检索方法、装置、设备及存储介质 | |
Xiao et al. | Super-resolution reconstruction of remote sensing image by fusion of receptive field and attention | |
CN118279914A (zh) | 一种图章识别方法、装置、计算机设备及存储介质 | |
CN117011521A (zh) | 图像分割模型的训练方法及相关装置 | |
CN117708458A (zh) | 一种基于浏览器的图片超分辨率处理方法及相关设备 | |
CN116052043A (zh) | 基于短程稠密连接和注意力机制的双流图像篡改定位方法 |
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 |