本发明专利技术涉及图像识别处理技术领域,具体涉及一种工程活动开采样本影像标注识别方法,包括步骤为获取光学遥感影像进行预处理,并提取特征数据;其中,所述特征数据包括图斑颜色数据
【技术实现步骤摘要】
一种工程活动开采样本影像标注识别方法
[0001]本专利技术涉及图像识别处理
,尤其涉及一种工程活动开采样本影像标注识别方法
。
技术介绍
[0002]工程建设活动对城市现代化
、
设施完善
、
经济发展起着推动性的作用
。
当前,具有填挖
、
采剥等行为的工程活动情况的监测主要通过人工现场走访查看了解施工类型,效率低下
。
技术实现思路
[0003]本专利技术的目的在于提供一种工程活动开采样本影像标注识别方法,通过光学遥感影像数据的多特征提取标注识别和
U
‑
Net
深度神经网络模型训练,快速标注识别工程活动,效率高效
。
[0004]为实现上述目的,本专利技术提供了一种工程活动开采样本影像标注识别方法,包括以下步骤:
[0005]获取光学遥感影像进行预处理,并提取特征数据;其中,所述特征数据包括图斑颜色数据
、
纹理变化程度数据
、
图形大小数据
、
独有特征数据;
[0006]获取所述特征数据基于
U
‑
Net
深度神经网络模型训练标注识别工程活动类型
。
[0007]在一实施方式中,获取所述特征数据基于
U
‑
Net
深度神经网络模型训练标注识别工程活动类型,具体步骤包括:
[0008]检测到图斑为红棕色,纹理变化不明显,则标注识别为破土类
。
[0009]在一实施方式中,获取所述特征数据基于
U
‑
Net
深度神经网络模型训练标注识别工程活动类型,具体步骤还包括:
[0010]检测到图斑为棕黄色,纹理变化明显,图斑内部有规则地物,则标注识别为施工类
。
[0011]在一实施方式中,获取所述特征数据基于
U
‑
Net
深度神经网络模型训练标注识别工程活动类型,具体步骤还包括:
[0012]检测到图斑为黄白色,纹理变化极为明显,图斑内部有台阶和台阶阴影,图形大小在大面积预设范围之内,则标注识别为采矿类
。
[0013]在一实施方式中,获取所述特征数据基于
U
‑
Net
深度神经网络模型训练标注识别工程活动类型,具体步骤还包括:
[0014]检测到图斑为灰白色
、
灰黄色,纹理变化不明显,图形大小在小面积预设范围之内,图斑周边有连通的道路,则标注识别为弃渣碎石类
。
[0015]在一实施方式中,检测到图斑周边有连通的道路,具体步骤包括:
[0016]检测到与图斑边缘线连接的至少两条线条,计算相邻线条不同位置的距离之差求平均值,得到目标距离差,选取目标距离差最小的两条线条标记为一组,判断每一组两条线
条不同位置的宽度是否在预设间距之内;
[0017]若在预设间距之内,则标识为道路
。
[0018]在一实施方式中,获取光学遥感影像进行预处理,具体步骤包括:
[0019]框选截取包含线条纹理的图像,判断是否为完整待识别工程纹理图像;
[0020]若线条纹理与框选边框连接,则判断为不完整待识别工程纹理图像;
[0021]若线条纹理与框选边框未连接,则判断为完整待识别工程纹理图像
。
[0022]在一实施方式中,判断为不完整待识别工程纹理图像之后,所述方法还包括:
[0023]以不完整待识别工程纹理图像中与框选边框未连接的线条纹理的预设距离为起点,框选图像,直至为完整待识别工程纹理图像
。
[0024]本专利技术的一种工程活动开采样本影像标注识别方法,获取光学遥感影像进行预处理,并提取图斑颜色数据
、
纹理变化程度数据
、
图形大小数据
、
独有特征数据;获取所述特征数据基于
U
‑
Net
深度神经网络模型训练标注识别工程活动类型
。
通过提取光学遥感影像数据特征进行标注识别模型训练,实现工程活动图斑的快速标注识别,无需人工到现场走访,效率高效
。
附图说明
[0025]为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍
。
[0026]图1是本专利技术提供的一种工程活动开采样本影像标注识别方法的流程示意图;
[0027]图2是本专利技术提供的一种工程活动开采样本影像标注识别方法的具体流程示意图;
[0028]图3是破土类的光学遥感影像示意图
。
[0029]图4是施工类的光学遥感影像示意图
。
[0030]图5是采矿类的光学遥感影像示意图
。
[0031]图6是弃渣碎石类的光学遥感影像示意图
。
具体实施方式
[0032]下面详细描述本专利技术的实施例,所述实施例的示例在附图中示出,下面通过参考附图描述的实施例是示例性的,旨在用于解释本专利技术,而不能理解为对本专利技术的限制
。
[0033]请参阅图1,图1是本专利技术提供的一种工程活动开采样本影像标注识别方法的流程示意图
。
具体的,所述工程活动开采样本影像标注识别方法可以包括以下步骤:
[0034]S101、
获取光学遥感影像进行预处理,并提取特征数据;
[0035]本专利技术实施例中,采用高分二号卫星上的多光谱相机获取图片数据,高分二号卫星上的多光谱相机具有亚米级空间分辨率
、
高定位精度和快速姿态机动能力,有效地提升了卫星综合观测效能,提高数据的清晰度,获取的光学遥感影像,分辨率
0.8m
,包含
R、G、B、NIR(
近红外
)
四个通道,格式为
TIFF。
所述特征数据包括图斑颜色数据
、
纹理变化程度数据
、
图形大小数据
、
独有特征数据,所述独有特征数据包括图斑内部有可见规则地物
、
图斑内部有开采台阶和台阶阴影
、
周边有连通的道路
。
框选截取包含线条纹理的图像,判断是否为完整待识别工程纹理图像;若线条纹理与框选边框连接,则判断为不完整待识别工程纹理图
像;若线条纹理与框选边框未连接,则判断为完整待识别工程纹理图像
。
举例说明,光学遥感影像拍摄的图片内有两个工程施工,其中一个工程施工图像形状为月牙形,另一个工程施工图像形状为糖果形,糖果形边缘线完全在拍摄图像内,可直接对糖果形对应的施工图像进行特征提取;月牙形的两个边角在拍摄图像内,月牙形的中部曲线未在拍摄图像内,因此为月牙形的工程施本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种工程活动开采样本影像标注识别方法,其特征在于,包括以下步骤:获取光学遥感影像进行预处理,并提取特征数据;其中,所述特征数据包括图斑颜色数据
、
纹理变化程度数据
、
图形大小数据
、
独有特征数据;获取所述特征数据基于
U
‑
Net
深度神经网络模型训练标注识别工程活动类型
。2.
如权利要求1所述的工程活动开采样本影像标注识别方法,其特征在于,获取所述特征数据基于
U
‑
Net
深度神经网络模型训练标注识别工程活动类型,具体步骤包括:检测到图斑为红棕色,纹理变化不明显,则标注识别为破土类
。3.
如权利要求2所述的工程活动开采样本影像标注识别方法,其特征在于,获取所述特征数据基于
U
‑
Net
深度神经网络模型训练标注识别工程活动类型,具体步骤还包括:检测到图斑为棕黄色,纹理变化明显,图斑内部有规则地物,则标注识别为施工类
。4.
如权利要求3所述的工程活动开采样本影像标注识别方法,其特征在于,获取所述特征数据基于
U
‑
Net
深度神经网络模型训练标注识别工程活动类型,具体步骤还包括:检测到图斑为黄白色,纹理变化极为明显,图斑内部有台阶和台阶阴影,图形大小在大面积预设范围之内,则标...
【专利技术属性】
技术研发人员:黄磊,何德平,陈尔东昊,张秋,王新胜,潘科,潘成军,周隽,蒋奔,孙建华,罗旭,何超,王志耕,
申请(专利权)人:重庆市测绘科学技术研究院重庆市地图编制中心,
类型:发明
国别省市:
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。