一种渐进式遥感影像地物要素智能生产方法及系统技术方案

本发明专利技术提供了一种渐进式遥感影像地物要素智能生产方法及系统，涉及遥感影像处理技术领域，方法包括：获取待识别整景遥感影像；对待识别整景遥感影像进行预处理，得到多张局部遥感影像；将多张局部遥感影像分别输入到目标地物识别模型组中，得到多张局部遥感影像中每个像素点的多个边界识别概率序列；根据多个边界识别概率序列，确定待识别整景遥感影像中每种目标地物的边界，得到全目标地物初始边界整景影像；利用目标地物边界修正模型组修正全目标地物初始边界整景影像中每种目标地物的边界；本发明专利技术通过构建目标地物边界修正模型组以修正目标地物识别模型组的识别结果，能够提高渐进式遥感影像地物要素智能生产的精准度和实用性。用性。用性。

【技术实现步骤摘要】
一种渐进式遥感影像地物要素智能生产方法及系统


[0001]本专利技术涉及遥感影像处理
，特别是涉及一种渐进式遥感影像地物要素智能生产方法及系统。

技术介绍

[0002]渐进式遥感影像地物要素智能生产的实质是，对批量整景遥感影像中的地物进行识别和标识。新时代的新型基础测绘建设要求全面推进基础地理数据库的动态更新和应需更新，这对生产周期、生产效率和生产成本提出了更高的要求。现有技术主要依赖于人工作业，基于遥感影像，通过目视观察，凭借扎实的专业知识和丰富的判读经验，通过人脑分析、推理和判断，建立解译标志知识库，提取圈定范围线。而目视判读在地物识别和地物边界确定过程中存在较多的争议，究其原因主要表现在两个方面：一是影像的空间分辨率不足以支撑地物要素类型的细化分辨，二是在形成解译结论时加入过多的人为猜想或人工经验。这就导致原本标准统一的遥感解译由于主观因素的介入而变得界限模糊。
[0003]近年来，深度学习因特征提取能力强、识别精度高等优点在计算机视觉和图像处理的语义分割领域已经取得重大进展并得到广泛的应用。在测绘生产工作中，利用深度学习方法规模应用于地表覆盖分类、地物目标提取等生产实践中，已经显著提高了遥感影像图载信息的提取效率。但整体上，目前智能遥感解译在应用场景中存在提取精度低和难以稳定控制的局限性，难以直接应用于测绘生产实践。

技术实现思路

[0004]本专利技术的目的是提供一种渐进式遥感影像地物要素智能生产方法及系统，能够提高遥感影像地物要素智能生产的精准度和实用性。
[0005]为实现上述目的，本专利技术提供了如下方案：一种渐进式遥感影像地物要素智能生产方法，包括：获取待识别整景遥感影像；对所述待识别整景遥感影像进行预处理，得到多张局部遥感影像；将多张局部遥感影像分别输入到目标地物识别模型组中，得到多张局部遥感影像中每个像素点的多个边界识别概率序列；不同边界识别概率序列对应的目标地物的种类不同；一个所述边界识别概率序列包括将同一局部遥感影像分别输入到目标地物识别模型组内不同目标地物识别模型后得到的同一像素点的边界识别概率；所述目标地物识别模型组内的多个目标地物识别模型均是利用历史整景遥感影像对神经网络进行训练得到的；根据多个所述边界识别概率序列，确定所述待识别整景遥感影像中每种目标地物的边界，得到全目标地物初始边界整景影像；利用目标地物边界修正模型组修正所述全目标地物初始边界整景影像中每种目标地物的边界；所述目标地物边界修正模型组内的多个目标地物边界修正模型均是利用历史整景遥感影像对神经网络进行训练得到的。
[0006]可选的，所述对所述待识别整景遥感影像进行预处理，得到多张局部遥感影像，具体包括：对所述待识别整景遥感影像进行匀光匀色处理，得到匀光匀色处理后的待识别整景遥感影像；调整所述匀光匀色处理后的待识别整景遥感影像中每个像素点的位深均在预设位深范围内，得到位深调整后的待识别整景遥感影像；裁剪所述位深调整后的待识别整景遥感影像，得到多张局部遥感影像；多张所述局部遥感影像的尺寸相同。
[0007]可选的，在所述获取待识别整景遥感影像之前，还包括：获取历史整景遥感影像；对所述历史整景遥感影像中的多种目标地物分别进行标注，得到标注历史整景遥感影像；对所述标注历史整景遥感影像进行预处理，得到多张历史局部遥感影像；对多张所述历史局部遥感影像进行增强处理，得到扩展后的局部遥感影像集；所述增强处理包括色彩扰动、几何变形、空间变换和图像滤镜中的一种或多种；利用扩展后的局部遥感影像集对神经网络进行迭代训练，得到多个迭代次数对应的目标地物边界模型；确定召回率最高的前第一预设数量个目标地物边界模型为目标地物识别模型组；确定精准率最高的前第二预设数量个目标地物边界模型为目标地物边界修正模型组。
[0008]可选的，所述根据多个所述边界识别概率序列，确定所述待识别整景遥感影像中每种目标地物的边界，得到全目标地物初始边界整景影像，具体包括：确定任一种目标地物为当前目标地物；确定任一像素点为当前像素点；确定当前目标地物在当前像素点的边界识别概率序列中所有元素的平均值，为当前目标地物在所述当前像素点的边界识别概率；更新当前像素并返回步骤“确定当前目标地物在当前像素点的边界识别概率序列中所有元素的平均值，为当前目标地物在所述当前像素点的边界识别概率”直至历遍所有像素点，得到当前目标地物在每个像素点的边界识别概率；将当前目标地物在每个像素点的边界识别概率作为像素值，分别得到多张局部遥感影像对应的边界局部概率影像；拼接多张所述当前目标地物边界局部概率影像，得到当前目标地物边界整景概率影像；设置第一概率阈值，并根据所述第一概率阈值对所述当前目标地物边界整景概率影像进行二值化处理，得到当前目标地物初始边界整景影像；更新所述当前目标地物，并返回步骤“确定任一像素点为当前像素点”直至历遍所有目标地物的种类，得到多张目标地物初始边界整景影像；多张目标地物初始边界整景影像对应的目标地物的种类不同；将多张目标地物初始边界整景影像进行重叠融合处理，得到全目标地物初始边界
整景影像。
[0009]可选的，所述利用目标地物边界修正模型组修正所述全目标地物初始边界整景影像中每种目标地物的边界，具体包括：确定全目标地物初始边界整景影像中的待修正区域；将多张局部遥感影像分别输入到目标地物边界修正模型组中，得到多张局部遥感影像中每个像素点的多个边界修正概率序列；不同边界修正概率序列对应的目标地物的种类不同；一个所述边界修正概率序列包括将同一局部遥感影像分别输入到目标地物修正模型组内不同目标地物修正模型后得到的同一像素点的边界修正概率；根据多个所述边界修正概率序列，确定所述待识别整景遥感影像中每种目标地物的修正边界，得到全目标地物修正边界整景影像；将全目标地物初始边界整景影像中的待修正区域处的边界数据替换为全目标地物修正边界整景影像处的边界数据。
[0010]可选的，所述根据多个所述边界修正概率序列，确定所述待识别整景遥感影像中每种目标地物的修正边界，得到全目标地物修正边界整景影像，具体包括：确定任一种目标地物为当前目标地物；获取多张局部遥感影像中每个像素点对应的当前目标地物的边界修正概率序列；确定当前目标地物的边界修正概率序列中所有元素的平均值，为对应局部遥感影像中单个像素点的当前目标地物边界修正概率；将局部遥感影像中每个像素点的当前目标地物边界修正概率作为像素值，得到多张当前目标地物修正边界局部概率影像；拼接多张所述当前目标地物修正边界局部概率影像，得到当前目标地物修正边界整景概率影像；设置第二概率阈值，并根据所述第二概率阈值对所述当前目标地物修正边界整景概率影像进行二值化处理，得到当前目标地物初始修正边界整景影像；更新所述当前目标地物，并返回步骤“获取多张局部遥感影像中每个像素点对应的当前目标地物的边界修正概率序列”直至历遍所有目标地物的种类，得到多张目标地物初始修正边界整景影像；多张目标地物初始修正边界整景影像对应的目标地物的种类不同；将多张目标地物初始修正边界整景影像进行重叠融合处理，得到全目标地物修正边界整景影像。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种渐进式遥感影像地物要素智能生产方法，其特征在于，所述方法包括：获取待识别整景遥感影像；对所述待识别整景遥感影像进行预处理，得到多张局部遥感影像；将多张局部遥感影像分别输入到目标地物识别模型组中，得到多张局部遥感影像中每个像素点的多个边界识别概率序列；不同边界识别概率序列对应的目标地物的种类不同；一个所述边界识别概率序列包括将同一局部遥感影像分别输入到目标地物识别模型组内不同目标地物识别模型后得到的同一像素点的边界识别概率；所述目标地物识别模型组内的多个目标地物识别模型均是利用历史整景遥感影像对神经网络进行训练得到的；根据多个所述边界识别概率序列，确定所述待识别整景遥感影像中每种目标地物的边界，得到全目标地物初始边界整景影像；利用目标地物边界修正模型组修正所述全目标地物初始边界整景影像中每种目标地物的边界；所述目标地物边界修正模型组内的多个目标地物边界修正模型均是利用历史整景遥感影像对神经网络进行训练得到的。2.根据权利要求1所述的渐进式遥感影像地物要素智能生产方法，其特征在于，所述对所述待识别整景遥感影像进行预处理，得到多张局部遥感影像，具体包括：对所述待识别整景遥感影像进行匀光匀色处理，得到匀光匀色处理后的待识别整景遥感影像；调整所述匀光匀色处理后的待识别整景遥感影像中每个像素点的位深均在预设位深范围内，得到位深调整后的待识别整景遥感影像；裁剪所述位深调整后的待识别整景遥感影像，得到多张局部遥感影像；多张所述局部遥感影像的尺寸相同。3.根据权利要求2所述的渐进式遥感影像地物要素智能生产方法，其特征在于，在所述获取待识别整景遥感影像之前，还包括：获取历史整景遥感影像；对所述历史整景遥感影像中的多种目标地物分别进行标注，得到标注历史整景遥感影像；对所述标注历史整景遥感影像进行预处理，得到多张历史局部遥感影像；对多张所述历史局部遥感影像进行增强处理，得到扩展后的局部遥感影像集；所述增强处理包括色彩扰动、几何变形、空间变换和图像滤镜中的一种或多种；利用扩展后的局部遥感影像集对神经网络进行迭代训练，得到多个迭代次数对应的目标地物边界模型；确定召回率最高的前第一预设数量个目标地物边界模型为目标地物识别模型组；确定精准率最高的前第二预设数量个目标地物边界模型为目标地物边界修正模型组。4.根据权利要求2所述的渐进式遥感影像地物要素智能生产方法，其特征在于，所述根据多个所述边界识别概率序列，确定所述待识别整景遥感影像中每种目标地物的边界，得到全目标地物初始边界整景影像，具体包括：确定任一种目标地物为当前目标地物；确定任一像素点为当前像素点；确定当前目标地物在当前像素点的边界识别概率序列中所有元素的平均值，为当前目
标地物在所述当前像素点的边界识别概率；更新当前像素点并返回步骤“确定当前目标地物在当前像素点的边界识别概率序列中所有元素的平均值，为当前目标地物在所述当前像素点的边界识别概率”直至历遍所有像素点，得到当前目标地物在每个像素点的边界识别概率；将当前目标地物在每个像素点的边界识别概率作为像素值，分别得到多张局部遥感影像对应的边界局部概率影像；拼接多张所述当前目标地物边界局部概率影像，得到当前目标地物边界整景概率影像；设置第一概率阈值，并根据所述第一概率阈值对所述当前目标地物边界整景概率影像进行二值化处理，得到当前目标地物初始边界整景影像；更新所述当前目标地物，并返回步骤“确定任一像素点为当前像素点”直至历遍所有目标地物的种类，得到多张目标地物初始边界整景影像；多张目标地物初始边界整景影像对应的目标地物的种类不同；将多张目标地物初始边界整景影像进行重叠融合处理，得到全目标地物初始边界整景影像。5.根据权利要求4所述的渐进式遥感影像地物要素智能生产方法，其特征在于，所述利用目标地物边界修正模型组修正所述全目标地物初始边界整景影像中每种目标地物的边界，具体包括：确定全目标地物初始边界整景影像中的待修正区域；将多张局部遥感影像分别输入到目标地物边界修正模型组中，得到多张局部遥感影像中每个像素点的多个边界修正概率序列；不同边界修正概率序列对应的目标地物的种类不同；一个所述边界修正概率序列包括将同一局部遥感影像分别输入到目标地物修正模型组内不同目标地物修正模型后得到的同一像素点的边界修正概率；根据多个所述边界修正概率序列，确定所...

【专利技术属性】
技术研发人员：刘立，董先敏，范亚军，李永鑫，王夏，刘娟，廖洋洋，
申请(专利权)人：自然资源部第三地理信息制图院，
类型：发明
国别省市：