一种面向对象的高分辨率遥感影像分割算法制造技术

本发明专利技术公开了一种面向对象的高分辨率遥感影像分割算法，该方法包括以下步骤：A.无人机或者卫星拍照单元采集遥感影像数据；B.对每张IMG源数据图片进行矢量、栅格、PNG格式转换；C.将预处理的图片依据crop size进行裁剪作为神经网络的输入；D.按照8∶2比例随机划分训练集和测试集；E.深度学习训练神经网络参数，保存训练结果最优的模型；F.预测图片，输出后处理优化成果物。本发明专利技术显著解决数据样本不均衡问题，模型交并比高；输入大尺度遥感影像图片，成果图像融合性好，生成的图像分辨率高。生成的图像分辨率高。生成的图像分辨率高。

【技术实现步骤摘要】
一种面向对象的高分辨率遥感影像分割算法


[0001]本专利技术属于遥感测绘地理信息
，具体为一种面向对象的高分辨率遥感影像分割算法。

技术介绍

[0002]语义分割是一种典型的计算机视觉问题，其涉及将一些原始数据例如：平面图像作为输入，并将它们转换为具有突出显示的感兴趣区域的掩模。专业术语为全像素语义分割，其中图像中的每个像素根据其所属的感兴趣对象被分配类别ID。
[0003]普通的图像分割，通常意味着传统语义分割，这个时期的图像分割(大概2010年前)，由于计算机计算能力有限，早期只能处理一些灰度图，后来才能处理RGB图，这个时期的分割主要是通过提取图片的低级特征，然后进行分割，涌现了一些方法：Ostu、FCM、分水岭、N-Cut等。这个阶段一般是非监督学习，分割出来的结果并没有语义的标注；换句话说，分割出来的东西并不知道是什么。
[0004]随后，随着计算能力的提高，人们开始考虑获得图像的语义分割，这里的语义目前是低级语义，主要指分割出来的物体的类别，这个阶段(大概是2010年到2015年)人们考虑使用机器学习的方法进行图像语义分割。
[0005]随着FCN的出现，深度学习正式进入图像语义分割领域。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。
[0006]针对相关技术中的问题，目前尚未提出有效的解决方案，为此，我们提出一种面向对象的高分辨率遥感影像分割算法。

技术实现思路

[0007](一)解决的技术问题
[0008]针对现有技术的不足，本专利技术提供一种面向对象的高分辨率遥感影像分割算法，解决了
技术介绍
中提到的问题。
[0009](二)技术方案
[0010]为实现上述目的，本专利技术提供如下技术方案：一种面向对象的高分辨率遥感影像分割算法，该方法包括以下步骤：
[0011]A.无人机或者卫星拍照单元采集遥感影像数据；
[0012]B.对每张IMG源数据图片进行矢量、栅格、PNG格式转换；
[0013]C.将预处理的图片依据crop size进行裁剪作为神经网络的输入；
[0014]D.按照8∶2比例随机划分训练集和测试集；
[0015]E.深度学习训练神经网络参数，保存训练结果最优的模型；
[0016]F.预测图片，输出后处理优化成果物。
[0017]优选的，所述拍照单元是用于拍照和采集图像信息的，其设置有多个，所述拍照单元为摄像头；多个拍照单元以扫描目标为中心形成向心型阵列，所有拍照单元均与处理三维建模数据的计算机连接，所述拍照单元固定在主面板上，主面板固定在支架组件上。
[0018]优选的，所述遥感影像额分辨率为空间分辨率，又称地面分辨率，后者是针对地面而言，指可以识别的最小地面距离或最小目标物的大小，前者是针对遥感器或图像而言的，指图像上能够详细区分的最小单元的尺寸或大小，或指遥感器区分两个目标的最小角度或线性距离的度量，它们均反映对两个非常靠近的目标物的识别、区分能力。
[0019]优选的，所述步骤C中crop size指芯片的尺寸，即图像处理芯片，所述图像处理芯片为SP图像处理芯片MDIN241；该芯片具备1、自适应式3D Deinterlace；2、图像抗锯齿；3、快速移动物体抗拖影；4、自适应3D De-noise；5、图像增强OSD边缘抗抖动；7、串色抑制；8、动态对比度和宽动态(WDR)；9、高品质缩放模块。
[0020](三)有益效果
[0021]与现有技术相比，本专利技术提供了一种面向对象的高分辨率遥感影像分割算法，具备以下有益效果：
[0022]本专利技术显著解决数据样本不均衡问题，模型交并比高；输入大尺度遥感影像图片，成果图像融合性好，生成的图像分辨率高。
附图说明
[0023]图1为本专利技术工作流程图；
[0024]图2为本专利技术图像优化前的示意图；
[0025]图3为本专利技术图像优化后的示意图。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]请参考图1-3所示，本专利技术提出一种面向对象的高分辨率遥感影像分割算法，该方法包括以下步骤：
[0028]A.无人机或者卫星拍照单元采集遥感影像数据；
[0029]B.对每张IMG源数据图片进行矢量、栅格、PNG格式转换；
[0030]C.将预处理的图片依据crop size进行裁剪作为神经网络的输入；
[0031]D.按照8∶2比例随机划分训练集和测试集；
[0032]E.深度学习训练神经网络参数，保存训练结果最优的模型；
[0033]F.预测图片，输出后处理优化成果物。
[0034]其中，所述拍照单元是用于拍照和采集图像信息的，其设置有多个，所述拍照单元为摄像头；多个拍照单元以扫描目标为中心形成向心型阵列，所有拍照单元均与处理三维建模数据的计算机连接，所述拍照单元固定在主面板上，主面板固定在支架组件上。
[0035]其中，所述遥感影像额分辨率为空间分辨率，又称地面分辨率，后者是针对地面而
言，指可以识别的最小地面距离或最小目标物的大小，前者是针对遥感器或图像而言的，指图像上能够详细区分的最小单元的尺寸或大小，或指遥感器区分两个目标的最小角度或线性距离的度量，它们均反映对两个非常靠近的目标物的识别、区分能力。
[0036]其中，所述步骤C中crop size指芯片的尺寸，即图像处理芯片，所述图像处理芯片为SP图像处理芯片MDIN241；该芯片具备1、自适应式3D Deinterlace；2、图像抗锯齿；3、快速移动物体抗拖影；4、自适应3D De-noise；5、图像增强OSD边缘抗抖动；7、串色抑制；8、动态对比度和宽动态(WDR)；9、高品质缩放模块。
[0037]其实现的具体步骤包括如下：
[0038]步骤1：读取图像数据Image和对应的Label数据；
[0039]步骤2：计算输入尺寸与输出尺寸比(output stride＝16)，最后一个stage的膨胀率rate为2；
[0040]步骤3：因为ASPP有四个不同的rate，所以额外做一个全局平均池化，采用ASPP多尺度全局信息模块的特征进行融合以加强模型契合度；
[0041]步骤4：先把encoder的结果上采样4倍，然后与resnet中下采样前的Conv2特征concat一起，再进行3x3的卷积，最后上采样4倍得到最终结果；
[0042]步骤5：融合低层次本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向对象的高分辨率遥感影像分割算法，其特征在于，该方法包括以下步骤：A.无人机或者卫星拍照单元采集遥感影像数据；B.对每张IMG源数据图片进行矢量、栅格、PNG格式转换；C.将预处理的图片依据crop size进行裁剪作为神经网络的输入；D.按照8∶2比例随机划分训练集和测试集；E.深度学习训练神经网络参数，保存训练结果最优的模型；F.预测图片，输出后处理优化成果物。2.根据权利要求1所述的一种面向对象的高分辨率遥感影像分割算法，其特征在于，所述拍照单元是用于拍照和采集图像信息的，其设置有多个，所述拍照单元为摄像头；多个拍照单元以扫描目标为中心形成向心型阵列，所有拍照单元均与处理三维建模数据的计算机连接，所述拍照单元固定在主面板上，主面板固定在支架组件上。3.根据权利要求1所述的一种面向对象的高分辨率遥感影像分割...

【专利技术属性】
技术研发人员：杜磊岐，王江安，
申请(专利权)人：陕西土豆数据科技有限公司，
类型：发明
国别省市：