【技术实现步骤摘要】
一种遥感影像的目标物提取方法、系统和可读存储介质
本专利技术涉及机器学习、深度学习、语义分割和计算机视觉
,尤其涉及一种遥感影像的目标物提取方法、系统和可读存储介质。
技术介绍
用计算机进行遥感影像中建筑物提取是从图像序列中对建筑物进行理解和描述,属于图像分析和理解的范畴。遥感影像建筑物信息自动提取是遥感应用中的一个热点话题,但由于受到成像条件不同、建筑物类型外观多样等因素的影响使得建筑物的自动提取仍然困难重重。近年来,研究者们提出的方法数不胜数,下面简单描述使用的两种较为常见的技术方案。第一种、基于面向对象与形态学相结合的高分辨率遥感影像建筑物分级提取。它是在综合考虑影像光谱、几何与上下文特征的基础上,基于面向对象与形态学相结合的高分辨率遥感影像建筑物信息分级提取方法。它利用影像的多尺度及多方向Gabor小波变换结果提取建筑物特征点;然后采用面向对象的思想构建空间投票矩阵来度量每一个像素点属于建筑物区域的概率,从而提取出建筑物区域边界;最后在提取的建筑物区域内应用形态学建筑物指数实现建筑物信息的自动提取。该方法在影像地物复杂、建筑物小而分散、信息模糊的情况下提取效果稍差。第二种、基于深度学习的遥感影像建筑物提取。它是基于卷积神经网络在完成目标检测的同时完成高质量的语义分割。按照“语义”给图像上目标类别中的每一个点打一个标签,对建筑物进行像素级别的分类。采用主成分变换非监督预训练模型网络结构,获取待提取遥感影像特征,减少在池化过程中影像特征信息的丢失,通过非下采样轮廓波变换来获取 ...
【技术保护点】
1.一种遥感影像的目标物提取方法,其特征在于,所述方法包括:/n使用样本影像对模型进行训练,根据训练输出向量与标签向量之间的误差修改所述模型中各层之间的参数,并使所述误差下降;/n待所述误差满足预设要求时,将对应的卷积神经网络权重载入到所述模型中,将待提取目标物的遥感影像输入至所述模型进行计算处理,预测得到目标物初始提取结果;/n对所述目标物初始提取结果进行多边形处理,隔离目标物像素斑点,以多边形格式描述连接的目标物像素斑点,并设置最小多边形区域阈值限制,得到目标物提取结果。/n
【技术特征摘要】
1.一种遥感影像的目标物提取方法,其特征在于,所述方法包括:
使用样本影像对模型进行训练,根据训练输出向量与标签向量之间的误差修改所述模型中各层之间的参数,并使所述误差下降;
待所述误差满足预设要求时,将对应的卷积神经网络权重载入到所述模型中,将待提取目标物的遥感影像输入至所述模型进行计算处理,预测得到目标物初始提取结果;
对所述目标物初始提取结果进行多边形处理,隔离目标物像素斑点,以多边形格式描述连接的目标物像素斑点,并设置最小多边形区域阈值限制,得到目标物提取结果。
2.根据权利要求1所述的一种遥感影像的目标物提取方法,其特征在于,使用样本影像对模型进行训练,根据训练输出向量与标签向量之间的误差修改所述模型中各层之间的参数,并使所述误差下降,具体包括:
对所述样本影像进行数据增强预处理,以对所述样本影像的数量进行扩增;
搭建全卷积神经网络;
利用梯度下降算法对所述全卷积神经网络中各层之间的参数进行优化调整,使得样本影像的输出向量与标签向量之间的误差下降;
基于EarlyStopping方法,在所述误差满足预设要求后停止对所述模型的训练。
3.根据权利要求2所述的一种遥感影像的目标物提取方法,其特征在于,所述全卷积神经网络包括卷积化部分和上采样部分;所述卷积化部分为卷积层、池化层和非线性层的组合,所述上采样部分将所述卷积层输出的图像大小还原成原始图像大小。
4.根据权利要求1所述的一种遥感影像的目标物提取方法,其特征在于,将待提取目标物的遥感影像输入至所述模型进行计算处理,预测得到目标物初始提取结果,具体包括:
对待提取目标物的遥感影像进行裁剪、归一化和中心化预处理,以得到多个遥感影像切片;
利用全卷积神经网络对多个遥感影像切片进行预测,分别得到各个遥感影像切片的预测结果;
对各个遥感影像切片的预测结果进行拼接,得到整张遥感影像目标物提取的像素级信息mask影像。
5.根据权利要求4所述的一种遥感影像的目标物提取方法,其特征在于,在得到整张遥感影像目标物提取的像素级信息mask影像之后,所述方法还包括:
对得到的遥感影像目标物提取的像素级信息mask影像进行多边形处理,以隔离目标物像素斑点;
以多边形格式描述连接的目标物像素斑点,并设置最小多边形区域阈值限制以降低结果中噪点,得到最终的目标物提取结果。
6.根据权利要求4所述的一种遥感影像...
【专利技术属性】
技术研发人员:周健,张一明,钱启,刘新,
申请(专利权)人:中科星图股份有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。