一种高分辨率遥感目标大数据集的高效标注方法及系统技术方案

本申请公开了一种高分辨率遥感目标大数据集的高效标注方法及系统，在获取的每景高分辨率遥感图像上按照预设条件截取影像图片；创建影像图片创建工程矢量文件；在工程矢量文件上给矢量图层标注属性；根据标注属性判断标注位置的目标物类型；将选好的目标物根据目标物类型的不同进行标注；将标注好的工程矢量文件进行保存；判断是否存在其他类型影像的标注信息，如果存在，则将带有标注框的工程矢量文件对应到多光谱图像和融合图像上；或者，如果不存在，则将最终标注结果进行保存。形成一个标注目标物的完整体系，可以在分辨率最高的全色图像上进行标注，最终对应到多光谱图像和融合图像，标注更为贴合目标物，使得标注更加快速精确。

【技术实现步骤摘要】
一种高分辨率遥感目标大数据集的高效标注方法及系统
本申请涉及遥感图像处理
，具体涉及一种高分辨率遥感目标大数据集的高效标注方法及系统。
技术介绍
近年来，高分辨率遥感影像被广泛应用于政府管理、人民生活和军事事务中。目标检测作为一个关键步骤，可以提供感兴趣区域的位置，并改变检测结果。遥感图像中的建筑物检测需要对大量的各种各样的建筑物样本进行人工标注，对于不规则的建筑物必须进行准确的标注边界调整。然而，传统的遥感图像目标标注方法是将各个阶段的工作串联起来，这给高密度、大规模遥感目标的手工标注带来了困难。为了进行遥感影像分析，已经出现了像SIRI-WHUDataset，WHU-RS19Dataset，RSC11Dataset等高分辨率遥感数据集，但是它们大多数都是从谷歌地球获取数据而且数据量较小，像SIRI-WHUDataset，WHU-RS19Dataset和RSC11Dataset的图像总数量分别为2400,1005和1232，说明数据的整理工作是复杂且冗长的,是一个耗时耗力的过程。高分辨率遥感图像的数据量巨大，每景图片可达1-2GB，但是其中包含了许多无用信息，且使用高分辨率大数据进行各项实验需要有事先建立好的数据集，因此对图像的标注和整理显得尤为重要。对数据的标注是一项实验前期的基础准备工作，数据标注的质量极大的影响了后期每一步的工作及结果。标注数据的方法有很多，但是过程繁琐复杂，往往错一步就可能导致标注的数据无法使用，从各个数据集的制备需要大量人力物力财力就可以看出，数据的标注和整理工作不似想象中那么简单。考虑到GF-2卫星图像的建筑物标注，传统标注过程中的每一步都是串联的。首先，全色图像与多光谱图像的融合过程耗时约500秒，融合后的图像达到6GB。熟练的标注工作者将花费大约10个小时来标记它所包含的建筑物。并存在研究人员无法在融合阶段进行注释，融合图像的分辨率降低，导致标注精度降低等问题。2019年神经计算与控制期刊公开了一篇用于遥感图像目标检测的深度网络，名称为：目标热图网络：用于遥感图像中目标检测的端到端深度网络(Targetheat-mapnetwork:Anend-to-enddeepnetworkfortargetdetectioninremotesensingimages)，该文提出的目标热图网络框架是一个具有完全卷积层的端到端网络，对输入的大小没有限制，输出是目标的热图层，可以通过定位峰值来获取目标实例的位置。具有传输学习和微调的THNet可以获得最佳结果，节省存储空间，在定量评估中也具有优越的性能。实验数据是从谷歌地球收集的1024×1920像素大小的403张高分辨率图像，结果显示与包括FasterR-CNN，YOLOv2和SSD在内的现有最先进的方法相比，具有转移学习的THNet具有更好的性能。2017年电气电子工程师学会图像处理会刊公开了一种小目标先验条件下高分辨率航空遥感图像目标检测的新方法，名称为：随机存取记忆：高分辨率航空遥感图像目标检测的新范式(RandomAccessMemories:ANewParadigmforTargetDetectioninHighResolutionAerialRemoteSensingImages)，此文从贝叶斯的观点出发，在推理阶段，通过训练和观察，自适应地更新检测模型，使其后验值最大化。称之为“随机存取记忆(RAM)”。在该范式中，“记忆”可以理解为从训练数据中学习到的任何模型分布，“随机访问”是指在检测阶段访问记忆并随机调整模型，以获得对任何不可见的测试数据分布更好的适应性。利用深卷积神经网络和多尺度锚点等最新检测技术，实验使用由一组大的谷歌地球图像组成的LEVIR数据集，其中有超过22k幅图像和10k幅独立标记的目标。在公共遥感目标检测数据集上的实验结果表明，该方法优于其他几种先进的检测方法。2017年电气与电子工程师协会期公开了一种基于粗到细显着性的新型自动通用对象检测方法，名称为：基于建议的遥感图像通用目标检测显着模型(Proposalbasedsaliencymodelforgenerictargetdetectioninremotesensingimage)，此文提出了一种基于背景的稀疏重建算法来构造粗略显着图，该图可以在抑制背景的同时精确地突出显着前景。然后从粗略显着图中收集训练样本进行第二步。其次，构建基于训练样本的强分类器以检测显着像素。通过引入对象建议方法来增强强分类器的结果，构造了可以完全突出目标的精细显着图。为了进一步提高检测性能，集成了多尺度显着图以生成最终显着图。对包含200张机场，住宅和油罐图像的真实遥感图像数据集进行实验，验证所提出的算法优于10种最先进的显着性模型。综上所述，数据集是各种实验进行的基础，数据集的制备需要一个完整高效的方法，大规模标注数据集对提高目标检测方法的性能起着非常重要的作用，原因是基于深度神经网络(DNN)的目标检测算法近年来已成为遥感目标检测中常用的算法。然而，DNN的训练阶段是一个监督学习的过程，需要大量的样本并对样本进行准确的标注。
技术实现思路
本申请为了解决上述技术问题，提出了如下技术方案：第一方面，本申请实施例提供了一种高分辨率遥感目标大数据集的高效标注方法，所述方法包括：在获取的每景高分辨率遥感图像上按照预设条件截取影像图片；创建所述影像图片创建工程矢量文件；在所述工程矢量文件上给矢量图层标注属性；根据所述标注属性判断标注位置的目标物类型；将选好的目标物根据所述目标物类型的不同进行二次标注，以使得标注框边缘贴近所述目标物；二次标注结束后，将标注好的工程矢量文件进行保存；判断是否存在其他类型影像的标注信息，如果存在，则将带有标注框的所述工程矢量文件对应到多光谱图像和融合图像上；或者，如果不存在，则将最终标注结果进行保存。采用上述实现方式，在制备高分辨率遥感影像数据集时，形成一个标注目标物的完整体系，可以在分辨率最高的全色图像上进行标注，最终对应到多光谱图像和融合图像，大大提高了标注效率。本标注流程考虑了样本的多样性，属性设置灵活多变，标注更为贴合目标物，使得标注更加快速精确。结合第一方面，在第一方面第一种可能的实现方式中，所述在获取的每景高分辨率遥感图像上按照预设条件截取影像图片，包括：获取云层遮挡少，且清晰的高分辨遥感图像；在所述高分辨图像上选择物体数量多、边缘清晰且无缘信息少的区域进行截取，获得所述影像图片。结合第一方面第一种可能的实现方式，在第一方面第二种可能的实现方式中，所述创建所述影像图片创建工程矢量文件，包括：创建工程mxd文件及矢量文件，并使得所述mxd文件与矢量文件名称对应，所述矢量文件的地理坐标与对应的所述影像图片一致；将所述矢量文件与对应的所述影像图片同时加载。结合第一方面第二种可能的实现方式，在第一方面第三种可能的实现方式中，所述在所述工程矢量文件上给矢量图层标注属性包括：判断所述矢量文件上目标物类别数和名称；根据所述目标物类别数和名称进行属性的添加与设置；绘制需要的标注小模板。结合第一方面第三种可能的实现方式，在第一方面第四种可能的实现方式中，所述根据所述标注属性判断标注位置的目标物类型，包括：判断截取的高分辨率遥感影像上的目标本文档来自技高网...

【技术保护点】
1.一种高分辨率遥感目标大数据集的高效标注方法，其特征在于，所述方法包括：在获取的每景高分辨率遥感图像上按照预设条件截取影像图片；创建所述影像图片创建工程矢量文件；在所述工程矢量文件上给矢量图层标注属性；根据所述标注属性判断标注位置的目标物类型；将选好的目标物根据所述目标物类型的不同进行二次标注，以使得标注框边缘贴近所述目标物；二次标注结束后，将标注好的工程矢量文件进行保存；判断是否存在其他类型影像的标注信息，如果存在，则将带有标注框的所述工程矢量文件对应到多光谱图像和融合图像上；或者，如果不存在，则将最终标注结果进行保存。

【技术特征摘要】
1.一种高分辨率遥感目标大数据集的高效标注方法，其特征在于，所述方法包括：在获取的每景高分辨率遥感图像上按照预设条件截取影像图片；创建所述影像图片创建工程矢量文件；在所述工程矢量文件上给矢量图层标注属性；根据所述标注属性判断标注位置的目标物类型；将选好的目标物根据所述目标物类型的不同进行二次标注，以使得标注框边缘贴近所述目标物；二次标注结束后，将标注好的工程矢量文件进行保存；判断是否存在其他类型影像的标注信息，如果存在，则将带有标注框的所述工程矢量文件对应到多光谱图像和融合图像上；或者，如果不存在，则将最终标注结果进行保存。2.根据权利要求1所述的方法，其特征在于，所述在获取的每景高分辨率遥感图像上按照预设条件截取影像图片，包括：获取云层遮挡少，且清晰的高分辨遥感图像；在所述高分辨图像上选择物体数量多、边缘清晰且无缘信息少的区域进行截取，获得所述影像图片。3.根据权利要求2所述的方法，其特征在于，所述创建所述影像图片创建工程矢量文件，包括：创建工程mxd文件及矢量文件，并使得所述mxd文件与矢量文件名称对应，所述矢量文件的地理坐标与对应的所述影像图片一致；将所述矢量文件与对应的所述影像图片同时加载。4.根据权利要求3所述的方法，其特征在于，所述在所述工程矢量文件上给矢量图层标注属性包括：判断所述矢量文件上目标物类别数和名称；根据所述目标物类别数和名称进行属性的添加与设置；绘制需要的标注小模板。5.根据权利要求4所述的方法，其特征在于，所述根据所述标注属性判断标注位置的目标物类型，包括：判断截取的高分辨率遥感影像上的目标物位置；选取目标清楚、边缘清晰、大小合适、样本丰富的目标物，根据不同类别目标物的特点判断所述目标物的分类。6.根据权利要求5所述的方法，其特征在于，所述将选好的目标物根据所述目标...

【专利技术属性】
技术研发人员：徐涛，卢泽珊，刘振，刘庆杰，沈茂鑫，
申请(专利权)人：济南大学，
类型：发明
国别省市：山东,37