一种灾害视频数据的语义分割方法和系统技术方案

本发明专利技术公开了一种灾害视频数据的语义分割方法和系统，涉及图像语义分割领域。该方法包括：建立包括灾害场景的训练数据集，根据语义分割网络和所述数据集，对灾害视频数据进行初步处理，获得初始语义分割结果，根据自动校正算法对所述初始语义分割结果进行自动校正，获得校正后的所述灾害视频数据的语义分割结果，通过本方案的语义分割算法，分割快速、准确且少人工干预，能够以无监督的方式完成初始语义分割结果的校正，从而快速得到满足灾害应急救援精度需求的地物信息。救援精度需求的地物信息。救援精度需求的地物信息。

【技术实现步骤摘要】
一种灾害视频数据的语义分割方法和系统


[0001]本专利技术涉及图像语义分割领域，尤其涉及一种灾害视频数据的语义分割方法和系统。

技术介绍

[0002]随着航空航天技术的发展，尤其是视频卫星的出现，通过凝视成像的方式持续对地观测，将时间分辨率提升到了秒级，可以记录到同一场景中地物的全部变化信息。灾害视频数据可以在短时间内获得地物处于灾害不同时期的全部形态信息，对于灾害的研究非常必要。视频图像的语义分割能够提供有效的地物类别信息，可以为灾害应急救援、灾后损失评估和重建等任务提供决策信息，是灾害应急和灾后评估的有效技术手段。
[0003]灾害视频数据语义分割的执行速度和精度直接决定了灾变信息提取的高效性和准确率，是灾害应急救援和灾损评估中高度关注的。全球灾害形形色色，尽管有一些相关数据集，但是这些数据集的建立无法满足不同灾害的研究需求，因此无法直接使用现现成的语义分割网络得到可信的结果。为了获得高精度的语义分割结果，往往需要投入大量的人力，但是这些措施不利于灾害的快速、准确的进行。
[0004]传统的语义分割算法只适用于较为简单的场景，准确率低、效率差，随着成像环境的复杂化、数据集规模的扩大，这类方法逐渐不再适用。深度学习和传统方法结合的语义分割方法是将深度学习算法和传统语义分割方法相结合，实现物体分割和识别的自动语义标注，这类算法尽管使用卷积神经网络模型作为训练数据的特征分类器，但仍然受到传统分割算法的制约，精度普遍较低。深度学习技术有着超强的数据学习能力和特征抽象能力，在遥感影像语义分割中表现出显著的优势，但是基于深度学习的语义分割模型无法兼顾精度和效率。强监督的深度学习网络模型计算精度较高，但是需要人工标注大量的训练数据集，在应急灾害救援中无法满足其时效性，弱监督和无监督语义分割网络模型虽然很少需要或者是不需要训练数据集，但是遥感影像的“同物异谱，异物同谱”现象非常常见，缺少当前场景中训练数据的支持会直接导致较差的计算精度。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种灾害视频数据的语义分割方法和系统。
[0006]本专利技术解决上述技术问题的技术方案如下：
[0007]一种灾害视频数据的语义分割方法，包括：
[0008]建立包括灾害场景的训练数据集；
[0009]根据语义分割网络和所述数据集，对灾害视频数据进行初步处理，获得初始语义分割结果；
[0010]根据自动校正算法对所述初始语义分割结果进行自动校正，获得校正后的所述灾害视频数据的语义分割结果。
[0011]本专利技术的有益效果是：本方案通过语义分割网络和所述数据集，对灾害视频数据进行初步处理，根据自动校正算法对所述初始语义分割结果进行自动校正，获得校正后的所述灾害视频数据的语义分割结果，通过本方案的语义分割算法，分割快速、准确且少人工干预，能够以无监督的方式完成初始语义分割结果的校正，从而快速得到满足灾害应急救援精度需求的地物信息。
[0012]进一步地，所述建立包括灾害场景的训练数据集具体包括：
[0013]获取灾害视频数据，对所述灾害视频数据进行预处理；
[0014]在预处理后的灾害视频数据中选择包括灾害场景的视频数据构建训练数据集。
[0015]采用上述进一步方案的有益效果是：本方案实现了从视频数据中选择代表灾害进行不同时期的各一帧数据经过监督分类后连同前述数据一起构成训练数据集。
[0016]进一步地，所述获取灾害视频数据，对所述灾害视频数据进行预处理，具体包括：
[0017]获取灾害视频数据；
[0018]将所述灾害视频数据转换成图片序列，获得预处理后的灾害视频数据。
[0019]采用上述进一步方案的有益效果是：本方案通过将所述灾害视频数据转换成图片序列，使得处理后的图像数据尺寸满足后续的提取要求。
[0020]进一步地，所述根据自动校正算法对所述初始语义分割结果进行自动校正，获得所述灾害视频数据的语义分割结果，具体包括：
[0021]提取所述初始语义分割结果的灾变区域和非灾变区域；
[0022]根据所述灾变区域和所述非灾变区域构建的自动校正算法对所述初始语义分割结果进行自动校正，获得所述灾害视频数据的语义分割结果。
[0023]采用上述进一步方案的有益效果是：本方案根据所述灾变区域和所述非灾变区域构建的自动校正算法对所述初始语义分割结果进行自动校正，提高视频数据语义分割结果的精度。
[0024]进一步地，所述根据自动校正算法对所述初始语义分割结果进行自动校正，具体包括：
[0025]通过投票法对所述初始语义分割结果中的非灾变区域地物进行自动校正；
[0026]通过替代法对所述初始语义分割结果中的灾变区域的突变型地物进行自动校正；
[0027]通过图像细化法对所述初始语义分割结果中的灾变区域动荡型地物进行自动校正。
[0028]采用上述进一步方案的有益效果是：本方案通过不同方法对初始语义分割结果中的不同类型灾害进行校正，实现灾害视频数据快速且准确的语义分割。
[0029]本专利技术解决上述技术问题的另一种技术方案如下：
[0030]一种灾害视频数据的语义分割系统，包括：建立训练集模块、初步处理模块和自动校正模块；
[0031]所述建立训练集模块用于建立包括灾害场景的训练数据集；
[0032]所述初步处理模块用于根据语义分割网络和所述数据集，对灾害视频数据进行初步处理，获得初始语义分割结果；
[0033]所述自动校正模块用于根据自动校正算法对所述初始语义分割结果进行自动校正，获得校正后的所述灾害视频数据的语义分割结果。
[0034]本专利技术的有益效果是：本方案通过语义分割网络和所述数据集，对灾害视频数据进行初步处理，根据自动校正算法对所述初始语义分割结果进行自动校正，获得校正后的所述灾害视频数据的语义分割结果，通过本方案的一种快速、准确且少人工干预的语义分割算法，能够以无监督的方式完成初始语义分割结果的校正，从而快速得到满足灾害应急救援精度需求的地物信息。
[0035]进一步地，所述建立训练集模块具体用于获取灾害视频数据，对所述灾害视频数据进行预处理；
[0036]在预处理后的灾害视频数据中选择包括灾害场景的视频帧数据构建训练数据集。
[0037]采用上述进一步方案的有益效果是：本方案实现了从视频数据中选择代表灾害进行不同时期的各一帧数据经过监督分类后连同前述数据一起构成训练数据集。
[0038]进一步地，所述建立训练集模块具体用于获取灾害视频数据；
[0039]将所述灾害视频数据转换成图片序列，获得预处理后的灾害视频数据。
[0040]采用上述进一步方案的有益效果是：本方案通过将所述灾害视频数据转换成图片序列，使得处理后的图像数据尺寸满足后续的提取要求。
[0041]进一步地，所述自动校正模块具体用于提取所述初始语义分割结果的灾变区域和非灾变区域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种灾害视频数据的语义分割方法，其特征在于，包括：建立包括灾害场景的训练数据集；根据语义分割网络和所述数据集，对灾害视频数据进行初步处理，获得初始语义分割结果；根据自动校正算法对所述初始语义分割结果进行自动校正，获得校正后的所述灾害视频数据的语义分割结果。2.根据权利要求1所述的一种灾害视频数据的语义分割方法，其特征在于，所述建立包括灾害场景的训练数据集具体包括：获取灾害视频数据，对所述灾害视频数据进行预处理；在预处理后的灾害视频数据中选择包括灾害场景的视频帧数据构建训练数据集。3.根据权利要求2所述的一种灾害视频数据的语义分割方法，其特征在于，所述获取灾害视频数据，对所述灾害视频数据进行预处理，具体包括：获取灾害视频数据；将所述灾害视频数据转换成图片序列，获得预处理后的灾害视频数据。4.根据权利要求1所述的一种灾害视频数据的语义分割方法，其特征在于，所述根据自动校正算法对所述初始语义分割结果进行自动校正，获得所述灾害视频数据的语义分割结果，具体包括：提取所述初始语义分割结果的灾变区域和非灾变区域；根据所述灾变区域和所述非灾变区域构建的自动校正算法对所述初始语义分割结果进行自动校正，获得所述灾害视频数据的语义分割结果。5.根据权利要求1或4所述的一种灾害视频数据的语义分割方法，其特征在于，所述根据自动校正算法对所述初始语义分割结果进行自动校正，具体包括：通过投票法对所述初始语义分割结果中的非灾变区域地物进行自动校正；通过替代法对所述初始语义分割结果中的灾变区域的突变型地物进行自动校正；通过图像细化法对所述初始语义分割结果中的灾变区域动荡型地...

【专利技术属性】
技术研发人员：乔慧娇，万雪，万幼川，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：