【技术实现步骤摘要】
本专利技术涉及计算机视觉和灾害分析，尤其涉及一种自适应分割大规模灾害场景的方法及设备。
技术介绍
1、随着遥感技术的发展，灾害场景的快速准确解释变得越来越重要。然而，灾害场景通常具有复杂的地理环境和多变的灾害特征，使得灾害场景的自动解释成为一个具有挑战性的任务。目前深度学习分割算法在处理大规模、高分辨率的灾害图像时，往往存在计算量大、效率低、分割精度差等问题。因此，开发一种能够自适应处理大规模灾害图像，并能准确分割灾害区域的算法，对于快速准确理解自然灾害场景具有重要意义。
2、随着科技的快速发展，人工智能（ai）和机器学习技术在灾害管理和应急响应中的应用越来越广泛。其中，自适应模型分割算法在灾害场景解释中发挥着重要作用。该算法能够实现对灾害现场图像或视频的自动分割，从而提取出关键信息，为灾害评估、预警和救援提供有力支持[1]。灾害中目标分割算法在灾害场景解释中的方法现状呈现出以下几个特点：算法模型日益复杂化和精细化[2]。随着深度学习技术的发展，自适应分割模型算法在灾害场景解释中的应用越来越依赖于大规模数据集和高性能计算资源。算法模型不仅需要考虑灾害场景的多样性，还需要应对不同传感器、不同分辨率和不同光照条件下的图像数据[3]。因此，算法模型的复杂度和精细化程度不断提高，以更好地适应灾害场景解释的需求。算法实时性和准确性要求越来越高。在灾害应急响应中，时间就是生命。因此，自适应分割算法需要具备高度的实时性和准确性，以便在灾害发生后尽快提供有用的信息。为此，研究者们不断优化算法模型，提高算法的计算效率和准确性，以满足灾
技术实现思路
1、本专利技术提供一种自适应分割大规模灾害场景的方法及设备，用以解决现有技术中灾害场景的自动解释的问题，实现自适应处理大规模灾害图像，准确分割灾害中损坏目标。
2、本专利技术提供一种自适应分割大规模灾害场景的方法，包括以下步骤：
3、对灾害场景数据进行预处理；
4、从经过预处理的灾害场景数据中提取特征；
5、采用基于参数选择器和特征筛选器的自适应大规模分割算法对提取的特征进行训练，生成分割灾害区域的模型；
6、将训练好的模型应用于待解释的灾害图像，实现自动分割；
7、对分割结果进行处理。
8、根据本专利技术提供的一种自适应分割大规模灾害场景的方法，所述对灾害场景数据进行预处理包括图像去噪、图像增强和图像标准化操作；
9、使用高斯滤波器来实现图像去噪，给定输入图像，去噪后的图像可以表示为：
10、
11、是高斯滤波器的标准差；
12、采用直方图均衡化进行图像增强，给定输入图像，增强后的图像可以表示为：
13、
14、图像标准化操作包括将图像的像素值缩放到均值为0、标准差为1的范围内；给定增强后的图像，标准化后的图像可以表示为：
15、
16、其中，是图像的均值，是图像的标准差；
17、。
18、根据本专利技术提供的一种自适应分割大规模灾害场景的方法，所述从经过预处理的灾害场景数据中提取特征包括提取灾害场景中目标的纹理、灾害场景中目标的形状、灾害场景中目标的文本特征、灾害场景中目标的灾害热力图，用于后续的参数选择器和特征筛选器的提示信息：
19、基于灰度共生矩阵提取灾害场景中目标的纹理，公式表示为：
20、
21、
22、和是像素的位置，是像素的相关行，是灰度图像，是图像的均值，、是像素的标准差；
23、基于轮廓特征长度 l、面积 a、周长 p以及zernike矩阵提取灾害场景中目标的形状特征；
24、长度计算公式：；
25、面积计算公式：；
26、周长计算公式：；
27、zernike矩阵计算公式：；其中，表示目标轮廓的坐标，是zernike多项式，表示图像的极坐标；
28、通过对描述自然灾害的文本表示为特征向量提取灾害场景中目标的文本特征；文本嵌入编码方式包括one-hot编码和word2vec，通过预测上下文或周围单词来学习单词的分布式表示；
29、灾害热力图通过计算灾害区域与非灾害区域的相关系数来表示：
30、
31、表示协方差，和分别表示灾害区域与非灾害区域和的标准差。
32、根据本专利技术提供的一种自适应分割大规模灾害场景的方法，所述采用基于参数选择器和特征筛选器的自适应大规模分割算法对提取的特征进行训练，生成分割灾害区域的模型包括：
33、参数选择器利用特征信息，在跨域注意力和自注意力模块的预测之间施加一致性；域自适应语义分割的算法在注意力图上施加一致性；采用两个关键组件：跨域预测一致性，过鼓励跨域注意力和自注意力模块之间的预测一致性，实现输出级别对齐；跨域注意力一致性，在注意力图中施加一致性，使得模型在注意力级别上对齐；过鼓励跨域注意力和自注意力模块之间的预测一致性表示为：
34、
35、示目标域图像的预测值，表示源域图像的预测值，表示类别数；
36、特征筛选器通过逻辑判断是否具有自然灾害特征的图像数据，无灾害特征的数据被模型丢掉，进而在大范围灾害场景下快速处理。
37、根据本专利技术提供的一种自适应分割大规模灾害场景的方法，所述将训练好的模型应用于待解释的灾害图像，实现自动分割包括：采用自适应大规模灾害场景分割算法对提取的特征进行训练，并调整模型参数以适应不同的灾害场景和图像数据；通过训练和优化，生成一个分割灾害区域的模型。
38、根据本专利技术提供的一种自适应分割大规模灾害场景的方法，所述对分割结果进行处理包括：通过边缘平滑和区域合并操作消除分割结果中的噪声和毛刺，使得分割结果平滑和连续；对分割结果进行可视化处理，生成分割掩码、绘制分割边界，以便用户理解和使用分割结果。
39、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述自适应分割大规模灾害场景的方法。
40、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述自适应分割大规模灾害场景的方法。
本文档来自技高网...【技术保护点】
1.一种自适应分割大规模灾害场景的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述自适应分割大规模灾害场景的方法，其特征在于，所述对灾害场景数据进行预处理包括图像去噪、图像增强和图像标准化操作；
3.根据权利要求1所述自适应分割大规模灾害场景的方法，其特征在于，所述从经过预处理的灾害场景数据中提取特征包括提取灾害场景中目标的纹理、灾害场景中目标的形状、灾害场景中目标的文本特征、灾害场景中目标的灾害热力图，用于后续的参数选择器和特征筛选器的提示信息：
4.根据权利要求1所述自适应分割大规模灾害场景的方法，其特征在于，所述采用基于参数选择器和特征筛选器的自适应大规模分割算法对提取的特征进行训练，生成分割灾害区域的模型包括：
5.根据权利要求4所述自适应分割大规模灾害场景的方法，其特征在于，所述将训练好的模型应用于待解释的灾害图像，实现自动分割包括：采用自适应大规模灾害场景分割算法对提取的特征进行训练，并调整模型参数以适应不同的灾害场景和图像数据；通过训练和优化，生成一个分割灾害区域的模型。
6.根据权利要求5所述自适
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述自适应分割大规模灾害场景的方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述自适应分割大规模灾害场景的方法。
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述自适应分割大规模灾害场景的方法。
...【技术特征摘要】
1.一种自适应分割大规模灾害场景的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述自适应分割大规模灾害场景的方法，其特征在于，所述对灾害场景数据进行预处理包括图像去噪、图像增强和图像标准化操作；
3.根据权利要求1所述自适应分割大规模灾害场景的方法，其特征在于，所述从经过预处理的灾害场景数据中提取特征包括提取灾害场景中目标的纹理、灾害场景中目标的形状、灾害场景中目标的文本特征、灾害场景中目标的灾害热力图，用于后续的参数选择器和特征筛选器的提示信息：
4.根据权利要求1所述自适应分割大规模灾害场景的方法，其特征在于，所述采用基于参数选择器和特征筛选器的自适应大规模分割算法对提取的特征进行训练，生成分割灾害区域的模型包括：
5.根据权利要求4所述自适应分割大规模灾害场景的方法，其特征在于，所述将训练好的模型应用于待解释的灾害图像，实现自动分割包括：采用自适应大规模灾害场景分割算法对提取的特征进行训练，并调整模型参数...
【专利技术属性】
技术研发人员：赵婕乐，王海峰，尹航，王紫樒，黄和，胡成超，曹伟男，杨光义，
申请(专利权)人：武汉大学，
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。