遥感图像居民地要素提取方法和装置及设备制造方法及图纸

本申请涉及一种遥感图像居民地要素提取方法和装置及设备，其中方法包括：获取要处理的遥感图像；对遥感图像进行边缘特征提取得到边缘特征图；对遥感图像进行语义分割得到语义特征图；将边缘特征图与语义特征图进行拼接组合，得到遥感图像的要素提取结果。通过对遥感图像进行边缘特征提取，然后将提取出的图像边缘特征与遥感图像的语义特征进行融合，增强对图像特征的利用度，从而能够提取更为准确完整的居民地轮廓，并且对背景地物具有更强的抗干扰性，最终有效提高了遥感图像居民地要素提取的精度。的精度。的精度。

【技术实现步骤摘要】
遥感图像居民地要素提取方法和装置及设备


[0001]本申请涉及遥感图像处理
，尤其涉及一种遥感图像居民地要素提取方法和装置及设备。

技术介绍

[0002]遥感图像语义分割的本质是对遥感图像中的居民地、道路、水系、植被等地物要素进行像素级分类预测。目前，对于遥感图像语义分割通常是基于深度学习的语义分割方法来实现。基于深度学习的语义分割方法在自然图像处理方面取得了显著效果，但是，对于遥感图像的语义分割，由于遥感图像与自然场景图像相比，遥感图像图幅范围更广，图像特征更为复杂，包含的目标种类更为丰富，并且目标尺度变化较大，这就导致利用语义分割网络对遥感图像地物要素进行提取时，存在提取精度不高，对地物轮廓分割不够准确的情况，从而影响最终遥感图像居民地要素提取结果的精确度。

技术实现思路

[0003]有鉴于此，本申请提出了一种遥感图像居民地要素提取方法，可以有效提高遥感图像居民地要素提取结果的精确度。
[0004]根据本申请的一方面，提供了一种遥感图像居民地要素提取方法，包括：
[0005]获取要处理的遥感图像；
[0006]对所述遥感图像进行边缘特征提取得到边缘特征图；
[0007]对所述遥感图像进行语义分割得到所述语义特征图；
[0008]将所述边缘特征图与所述语义特征图进行拼接组合，得到所述遥感图像的要素提取结果。
[0009]在一种可能的实现方式中，对所述遥感图像进行边缘特征提取得到边缘特征图时，采用Canny算子来进行所述遥感图像的边缘特征的提取。<br/>[0010]在一种可能的实现方式中，采用Canny算子进行所述遥感图像的边缘特征的提取时，包括：
[0011]计算所述遥感图像的梯度幅度和方向，得到所述遥感图像的梯度幅度结果；
[0012]去除所述遥感图像的梯度幅度结果中非局部梯度最大值点，得到所述遥感图像中的边缘点；
[0013]连接所述遥感图像的边缘点，得到所述边缘特征图。
[0014]在一种可能的实现方式中，去除所述遥感图像的梯度幅度结果中非局部梯度最大值点时，使用非极大值抑制处理梯度幅度的方式进行。
[0015]在一种可能的实现方式中，连接所述遥感图像的边缘点时，采用双阈值法进行。
[0016]在一种可能的实现方式中，采用双阈值法连接所述遥感图像的边缘点时，包括：
[0017]采用双阈值中的高阈值进行边缘点的筛选，保留高于所述高阈值点的边缘点；
[0018]将高于所述高阈值点的边缘点进行连接，并在端点的预设邻域内进行满足低阈值
点的边缘点连接，直至整个边缘图闭合，得到所述边缘特征图。
[0019]在一种可能的实现方式中，对所述遥感图像进行语义分割得到所述语义特征图后，还包括：对所述语义特征图进行上采样的操作。
[0020]在一种可能的实现方式中，对所述遥感图像进行语义分割得到所述语义特征图时，采用语义分割模型进行。
[0021]根据本申请的另一方面，还提供了一种遥感图像居民地要素提取装置，包括：图像获取模块、边缘提取模块、语义分割模块和要素提取模块；
[0022]所述图像获取模块，被配置为获取要处理的遥感图像；
[0023]所述边缘提取模块，被配置为对所述遥感图像进行边缘特征提取得到边缘特征图；
[0024]所述语义分割模块，被配置为对所述遥感图像进行语义分割得到所述语义特征图；
[0025]所述要素提取模块，被配置为将所述边缘特征图与所述语义特征图进行拼接组合，得到所述遥感图像的要素提取结果。
[0026]根据本申请的另一方面，还提供了一种遥感图像居民地要素提取设备，包括：
[0027]处理器；
[0028]用于存储处理器可执行指令的存储器；
[0029]其中，所述处理器被配置为执行所述可执行指令时实现前面任一所述的方法。
[0030]通过对遥感图像进行边缘特征提取，然后将提取出的图像边缘特征与遥感图像的语义特征进行融合，增强对图像特征的利用度，从而能够提取更为准确完整的居民地轮廓，并且对背景地物具有更强的抗干扰性，最终有效提高了遥感图像居民地要素提取的精度。
[0031]根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
[0032]包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
[0033]图1示出本申请一实施例的遥感图像居民地要素提取方法的流程图；
[0034]图2示出本申请一实施例的遥感图像居民地要素提取方法中，对遥感图像进行边缘特征提取的流程图；
[0035]图3示出本申请另一实施例的遥感图像居民地要素提取方法的示意图；
[0036]图4a和图4b分别示出本申请一实施例的遥感图像居民地要素提取方法中对遥感图像进行语义分割时所采用语义分割模型进行训练时采用的遥感图像居民地样本库数据示例图；
[0037]图5a1至图5d4分别示出采用本申请一实施例的遥感图像居民地要素提取方法在测试集上的提取结果示例图；
[0038]图6示出本申请一实施例的遥感图像居民地要素提取装置的结构框图；
[0039]图7示出本申请一实施例的遥感图像居民地要素提取设备的结构框图。
具体实施方式
[0040]以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0041]在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
[0042]另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
[0043]图1示出根据本申请一实施例的遥感图像居民地要素提取方法的流程图。如图1所示，该方法包括：步骤S100，获取要处理的遥感图像。步骤S200，对遥感图像进行边缘特征提取得到边缘特征图。步骤S300，对遥感图像进行语义分割得到语义特征图。步骤S400，将边缘特征图与语义特征图进行拼接组合，经卷积操作，得到遥感图像的要素提取结果。
[0044]其中，需要指出的是，本申请实施例的遥感图像居民地要素提取方法主要是针对于现有语义分割网络提取遥感图像居民地要素时所存在的精度不高、轮廓结果不准确的问题。也就是说，本申请实施例的遥感图像居民地要素提取方法，是用于进行遥感图像居民地要素提取的。对应的，最终所得到的遥感图像的要素提取结果即为所提取出的包含有居民地要素的图像。
[0045]由此，本申请实施例的遥感图像居民地要素提取方法，通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像居民地要素提取方法，其特征在于，包括：获取要处理的遥感图像；对所述遥感图像进行边缘特征提取得到边缘特征图；对所述遥感图像进行语义分割得到所述语义特征图；将所述边缘特征图与所述语义特征图进行拼接组合，得到所述遥感图像的要素提取结果。2.根据权利要求1所述的方法，其特征在于，对所述遥感图像进行边缘特征提取得到边缘特征图时，采用Canny算子来进行所述遥感图像的边缘特征的提取。3.根据权利要求2所述的方法，其特征在于，采用Canny算子进行所述遥感图像的边缘特征的提取时，包括：计算所述遥感图像的梯度幅度和方向，得到所述遥感图像的梯度幅度结果；去除所述遥感图像的梯度幅度结果中非局部梯度最大值点，得到所述遥感图像中的边缘点；连接所述遥感图像的边缘点，得到所述边缘特征图。4.根据权利要求3所述的方法，其特征在于，去除所述遥感图像的梯度幅度结果中非局部梯度最大值点时，使用非极大值抑制处理梯度幅度的方式进行。5.根据权利要求3所述的方法，其特征在于，连接所述遥感图像的边缘点时，采用双阈值法进行。6.根据权利要求5所述的方法，其特征在于，采用双阈值法连接所述遥感图像的边缘点时，包括：采用双阈值中的高阈值进行边缘点的...

【专利技术属性】
技术研发人员：赵明瑜，刘松林，刘薇，许剑，谢卓锟，
申请(专利权)人：中国人民解放军六一五四零部队，
类型：发明
国别省市：