CN111339947A - 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 - Google Patents
遥感影像模糊边界地物的提取方法及系统、存储介质、设备 Download PDFInfo
- Publication number
- CN111339947A CN111339947A CN202010120498.0A CN202010120498A CN111339947A CN 111339947 A CN111339947 A CN 111339947A CN 202010120498 A CN202010120498 A CN 202010120498A CN 111339947 A CN111339947 A CN 111339947A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- vector
- boundary
- ground object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 6
- 239000013598 vector Substances 0.000 claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 238000007635 classification algorithm Methods 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 239000003513 alkali Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 241000209504 Poaceae Species 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种遥感影像模糊边界地物的提取方法，包括如下步骤：获取遥感影像；利用监督分类算法进行分类提取得到地物数据；利用均值漂移算法进行分割得到矢量面图斑；将地物数据与矢量面图斑进行融合，得到提取的遥感影像模糊边界地物数据。本发明还涉及一种遥感影像模糊边界地物的提取系统、存储介质以及设备。本发明通过将分类的结果与分割的结果进行融合，获得提取的遥感影像模糊边界地物数据；该方法中利用均值漂移算法的自动分割能力得到的地类边界更加的精细，形态更加贴合实际情况，使得对遥感影像模糊边界地物的提取更加的精准，更加符合实际。
Description
技术领域
本发明涉及遥感影像图像处理技术领域，尤其涉及一种遥感影像模糊边界地物的提取方法。
背景技术
遥感影像地物复杂多样，同一地物的图上表现可能差异很大，不同地物的图上表现也可能比较相似，这给遥感影像的解译带来了巨大挑战。在遥感影像上有些地物形状规则，边界清晰，易于分割，比如建筑、道路等，而有些生长类地物如林地、草地等或者受到生长类地物影响较大的地物如沙地、裸地、盐碱地等随着时间、季节等种种原因无论是形态还是稀疏程度都会发生较大变化，前者的形态主要由生长环境、天气因素等决定，后者的形态则主要由前者的长势决定，比如草地退化变成沙地，裸地的营养成分消失变成盐碱地等。值得注意的是这类地物比如草地的内部因长势的不同而有着明显的差异，会形成相对独立的地理图斑，同样的草地退化后与其相邻的沙地也是相对独立的地理图斑，这些地理图斑通常交错分布，不同类别甚至是相同类别之间存在渐变过度，边界模糊的情况，而这就是遥感影像的弱边界，这些弱边界地物的提取由于边界模糊变得相对困难。
常见的边界提取方法如Sobel，Prewitt，Robert算子等主要通过差值得到边界，对于强边界地物(边界清晰)提取效果较好，但是对于地物内部或者地物之间渐变的情况或边界模糊的情况提取效果欠佳。另外，canny算子虽然相对前者提取的边界更加细致，但是从边界提取结果看，大多数图斑边界不闭合，并且由于太过细碎而显得不美观，不够贴合实际情况。可以肯定的是，即使目前强大的深度学习方法也不能直接获得边界比较符合模糊边界地物形态的分割结果，因为深度学习算法的关键在于样本的质量和数据，但是对于模糊边界地物来说通过肉眼根本无法准确画出边界，总会存在一定偏差。
发明内容
为了克服现有技术的不足，本发明提供一种遥感影像模糊边界地物的提取方法。本发明通过将均值漂移算法用于形态分割与深度学习分类方法结合实现了一种形态敏感即边界贴合地理图斑的模糊边界提取方法。
本发明提供一种遥感影像模糊边界地物的提取方法，包括如下步骤：
获取高分辨率遥感影像，遥感影像中的待提取地物具有模糊边界；
利用监督分类算法对遥感影像目标区域进行分类提取，得到遥感影像中待提取地物的地物数据；
利用均值漂移算法对所述遥感影像目标区域进行分割，得到相互独立的矢量面图斑；
将所述地物数据与所述矢量面图斑进行融合，当所述地物数据与矢量面图斑的重叠度大于等于设定阈值范围时，将所述地物数据的地物类型赋予所述矢量面图斑，得到遥感影像模糊边界地物数据。
优选地，所述利用监督分类算法对遥感影像目标区域进行分类提取，包括：
利用深度学习分类算法对遥感影像目标区域进行分类提取，包括如下步骤：
对遥感影像进行分割裁切得到包含一种或多种模糊边界地物的面矢量文件，并绘制所述面矢量文件中的地物标签，将若干标签为地物的所述面矢量样本的矢量数据转换为栅格数据，得到栅格化的地物样本集；
调整UNET网络模型参数，对所述地物样本集进行基于UNET的模型训练，得到地物模型；
将待测试的遥感影像数据输入所述地物模型，并计算本次测试的检查评价函数，若评价函数值达标则跳转至下一步；若评价函数值不达标则调整UNET网络模型参数返回步骤样本制作并修改样本集重新迭代训练；
利用步骤精度评定中评定达标的所述地物模型对遥感影像的目标区域进行地物预测，得到遥感影像中栅格化的所述地物数据。
优选地，对所述地物数据与所述矢量面图斑进行碎斑去除以及小孔洞填充处理。
优选地，在步骤利用均值漂移算法对所述遥感影像目标区域进行分割，得到相互独立的矢量面图斑之后还包括：
对得到的所述矢量面图斑进行简化、平滑处理。
优选地，在步骤利用均值漂移算法对遥感影像目标区域进行分割，得到独立图斑边界，包括如下步骤：
选择中心点，在未被分类的遥感影像数据中随机选择一个点作为中心点；
获取集合，获取离所述中心点距离在带宽之内的所有点，记为集合M，所述集合M形成簇；
计算向量，计算从所述中心点开始到所述集合M中每个元素的向量，将这些向量相加，得到偏移向量；
漂移移动，所述中心点沿着漂移方向移动，移动的距离为所述偏移向量的模；
获得新的中心点，重复步骤获取集合、计算向量、漂移移动，直到所述偏移向量的大小在设定阈值范围内，获得此时新的中心点；
形成簇，重复步骤获取集合、计算向量、漂移移动，直到遥感影像数据中所有点都被聚为簇；
确定所属簇，根据每个簇对每个点的访问频率，取访问频率最大的簇作为当前点的所属簇即所述独立图斑边界。
优选地，在步骤利用均值漂移算法对所述遥感影像目标区域进行分割，得到相互独立的矢量面图斑，包括：
利用均值漂移算法对所述遥感影像目标区域进行分割，得到独立图斑边界；将得到的所述独立图斑边界进行矢量化处理，并进行构面处理，得到所述相互独立的矢量面图斑。
一种电子设备，其特征在于包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行一种遥感影像模糊边界地物的提取方法。
一种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种遥感影像模糊边界地物的提取方法。
一种遥感影像模糊边界地物的提取系统，包括获取模块、分类模块、分割模块以及融合模块；其中，
所述获取模块用于获取高分辨率遥感影像，遥感影像中的待提取地物具有模糊边界；
所述分类模块用于利用监督分类算法对遥感影像目标区域进行分类提取，得到遥感影像中待提取地物的地物数据；
所述分割模块用于利用均值漂移算法对所述遥感影像目标区域进行分割，得到相互独立的矢量面图斑；
所述融合模块用于将所述地物数据与所述矢量面图斑进行融合，当所述地物数据与矢量面图斑的重叠度大于等于设定阈值范围时，将所述地物数据的地物类型赋予所述矢量面图斑，得到遥感影像模糊边界地物数据。
优选地，所述分类模块包括深度学习分类算法单元，利用所述深度学习分类算法单元对遥感影像目标区域进行分类提取，得到遥感影像中栅格化的所述地物数据；
所述分割模块包括矢量化处理单元与矢量化后处理单元，所述矢量化处理单元用于利用均值漂移算法对所述遥感影像目标区域进行分割，得到独立图斑边界；将得到的所述独立图斑边界进行矢量化处理，并进行构面处理，得到所述相互独立的矢量面图斑；
所述矢量化后处理单元用于对得到的所述矢量面图斑进行简化、平滑处理。
相比现有技术，本发明的有益效果在于：
本发明公开了一种遥感影像模糊边界地物的提取方法，该方法利用网络模型学习地物的多种特征的得到地物类别的粗略分类，再利用均值漂移算法对同一遥感影像进行边界提取；该方法通过将分类的结果与分割的结果进行融合，获得提取的遥感影像模糊边界地物数据；该方法中利用均值漂移算法的自动分割能力得到的地类边界更加的精细，形态更加贴合实际情况，使得对遥感影像模糊边界地物的提取更加的精准，更加符合实际。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的一种遥感影像模糊边界地物的提取方法的整体结构流程图；
图2为本发明的监督分类算法的具体流程图；
图3为本发明的均值分割算法的具体流程图；
图4为本发明的一种遥感影像模糊边界地物的提取方法的整体逻辑示意图；
图5为本发明的UNET网络模型示意图；
图6为本发明的均值分割算法的逻辑示意图；
图7为本发明的地物数据与矢量图斑的融合的简易示意图；
图8为本发明的遥感影像目标区域；
图9为本发明利用均值漂移算法对目标区域的分割结果；
图10为图9的部分区域放大细节示意图；
图11为利用UNET网络模型提取的草地示意图；
图12为图11的部分区域(与图10为相同区域)放大细节示意图；
图13为将图10与图12进行融合后的示意图；
图14为将图13进行赋予草地类别后的示意图；
图15为本发明的遥感影像目标区域模糊边界地物的提取示意图；
图16为本发明的一种遥感影像模糊边界地物的提取系统的模块图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本发明中遥感影像地物的提取(比如草地、沙地)不同于常规的地物(比如道路、建筑)，类似于草地、沙地、林地等这样边界模糊的地物即弱边界地物与其它地物之间的边界比较难界定，主要是因为这些地物的生成或变化与临接地物之间是渐变的，没有明显的界限。另外，遥感影像的最小地理图斑即在一定尺度下的最小独立图斑的定义往往在同类别中也会出现。以草地为例，大面积草地不可能长势完全相同，必然存在中间部分草地的长势较为稀疏，那么这块稀疏草地相对于其他草地也是一个独立图斑，从分割的角度看也是可分的。虽然目前卷积神经网络在语义分割上已经比较成熟，也广泛运用于地物提取，但是针对那些边界模糊的地物的分割能力还有很大提升空间，因为这些地物生长分布比较复杂，尤其由边缘所构建的形态往往在视觉上就不符合实际，精度自然也很低。
遥感影像的地物分布具有空间复杂性，同时地物的类内差异与类间差异也很大，不可能用一种方法解决地物的分类问题，而其中的模糊边界地物更加难以用普通的方法去提取；本发明提出了分类结合分割的方法对模糊边界地物的分布进行约束，充分挖掘了弱边界地物的特征，得到了形态美观的图斑。
本发明提供一种遥感影像模糊边界地物的提取方法，如图1-7所示，包括如下步骤：
S1、获取高分辨率遥感影像，遥感影像中的待提取地物具有模糊边界。在一个实施例中，获取高分1号2米空间分辨率4波段遥感影像，选择一种或多种边界模糊的地物，比如草地、沙地、盐碱地等。
S2、利用监督分类算法对遥感影像目标区域进行分类提取，得到遥感影像中待提取地物的地物数据。在一个实施例中，监督分类是遥感图像分类的一种，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元，在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个像元和训练样本作比较，按照不同规则将其划分到和其最相似的样本类。监督分类可分两个基本步骤：选择训练样本和提取统计信息，以及选择分类算法。利用深度学习分类模型粗略提取模糊边界地物类别，通过使用深度学习的方法是因为相较于传统方法深度学习分类模型提取效果更稳定。
具体地，所述利用监督分类算法对遥感影像目标区域进行分类提取，包括：
利用深度学习分类算法对遥感影像目标区域进行分类提取，如图2所示，包括如下步骤：
S21、对遥感影像进行分割裁切得到包含一种或多种模糊边界地物的面矢量文件，并绘制所述面矢量文件中的地物标签，将若干标签为地物的所述面矢量样本的矢量数据转换为栅格数据，得到栅格化的地物样本集。在获取的高分1号2米空间分辨率4波段遥感影像上选取少量1000*1000的样本并绘制转化得到包含图像和标签的样本集。
S22、调整UNET网络模型参数，对所述地物样本集进行基于UNET的模型训练，得到地物模型。如图5所示，将样本集输入卷积神经网络，卷积神经网络模型优选UNET(全卷积神经网络图像分割)，UNET是在FCN网络(全卷积网络)的基础上增加了上采样阶段得到的具有多尺度，适合遥感大图语义分割的卷积神经网络。UNET网络结构主要分为两个部分，左边部分与FCN一样是提取图像特征的卷积网络，右边是上采样部分的反卷积操作，本阶段添加了很多特征通道，允许更多的原图像纹理信息在高分辨率的层中进行传播。特别说明的是，UNET没有全连接层，且整个过程使用valid来进行卷积，这样可以保证分割结果都是在基于未缺失的上下文特征中得到的，因此输入输出的图像尺寸会不一致，对于很大图像的输入，可以采用overlap-strategy来进行无缝的图像输出。另外由于上采样部分会融合特征提取部分的输出，这实际上是一个多尺度融合，对象的特征即来自第一个卷积block的输出，也来自上采样的输出，这样的连接贯穿整个网络，能够充分提取影像特征。
需要说明的是，通过UNET网络模型获得粗分类结果，无需得到精细的分类结果；一般的网络模型都是通过参考UNET模型进行改进优化，故UNET网络模型通过参数调整获得结果已能满足本实施例中的需求。
S23、将待测试的遥感影像数据输入所述地物模型，并计算本次测试的检查评价函数，若评价函数值达标则跳转至下一步；若评价函数值不达标则调整UNET网络模型参数返回步骤样本制作并修改样本集重新迭代训练。评价函数优选MIoU(mean intersection-over-union)值以及MPA(mean pixel accuracy),若MIoU值以及MPA值均达标则跳转至下一步，若MIoU值或MPA值存在不达标情况则调整UNET网络模型参数返回S1并修改样本重新迭代训练；例如，设定MIoU值范围在0.70-1间，设定MPA值范围在0.75-1间认定为达标，当超出范围时，则调整UNET网络模型参数返回S21中重新训练。
S24、利用步骤精度评定中评定达标的所述地物模型对遥感影像的目标区域进行地物预测，得到遥感影像中栅格化的所述地物数据。将遥感影像目标区域输入步骤S23中评定达标的地物模型，得到分类结果，并对栅格结果进行后处理，栅格后处理主要对分类的结果进行碎斑去除以及小孔洞填充，确保结果的美观性。
S3、利用均值漂移算法对所述遥感影像目标区域进行分割，得到相互独立的矢量面图斑。在一个实施例中，利用均值漂移算法对与步骤S2中的相同的遥感影像目标区进行分割。均值漂移算法具有自动分割能力，不需要手动设置参数，并且效果比一般的聚类方法效果好。均值漂移算法基于滑动窗口，迭代出数据点密集区域，最重要的是与其他聚类算法相比不需要设置类别个数，而是通过迭代确定类别个数，并且本次使用该算法主要是偏重于分割得到合理的边缘而类别则最后通过卷积网络来赋予。
均值漂移算法基础公式为
Sh:以xi为中心点，半径为h的高维球区域；k:包含在Sh范围内点的个数；xi:包含在Sh范围内的点，用于计算漂移均值。中心更新公式为xt+1＝Mt+xt，用于将中心点移动到偏移均值位置，其中Mt为t状态下求得的偏移均值；xt为t状态下的中心。
具体地，如图3、图6所示，包括如下步骤：
S31、选择中心点，在未被分类的遥感影像数据中随机选择一个点作为中心点；
S32、获取集合，获取离所述中心点距离在带宽之内的所有点，记为集合M，所述集合M形成簇；
S33、计算向量，计算从所述中心点开始到所述集合M中每个元素的向量，将这些向量相加，得到偏移向量；
S34、漂移移动，所述中心点沿着漂移方向移动，移动的距离为所述偏移向量的模；
S35、获得新的中心点，重复步骤获取集合、计算向量、漂移移动，直到所述偏移向量的大小在设定阈值范围内，获得此时新的中心点；
S36、形成簇，重复步骤获取集合、计算向量、漂移移动，直到遥感影像数据中所有点都被聚为簇；
S37、确定所属簇，根据每个簇对每个点的访问频率，取访问频率最大的簇作为当前点的所属簇即所述独立图斑边界。
在步骤S37之后还包括步骤：
S38、利用均值漂移算法对所述遥感影像目标区域进行分割，得到独立图斑边界；将得到的所述独立图斑边界进行矢量化处理，并进行构面处理，得到所述相互独立的矢量面图斑。在一个实施例中，利用均值漂移算法对遥感影像目标区域进行多尺度分割，得到贴合独立图斑的边界，达到形态上的最佳状态。将得到的独立图斑进行矢量化处理，并将孤立的线段进行延伸构面处理，得到相互独立的矢量面图斑。对通过均值漂移算法获得的矢量面图斑进行栅格处理即进行碎斑去除以及小孔洞填充，确保结果的美观性。
需要说明的是，均值漂移算法得到了一定尺度下遥感影像最小不可分图斑的边缘形态，当获得的图斑不够细致可以调整分割尺度以获得更细节的图斑形态。
S39、矢量后处理，得到的矢量面图斑存在严重的锯齿状，需要对矢量面图斑进行简化、平滑处理以得到美观且整体形态变化不大的矢量面图斑。
S4、将所述地物数据与所述矢量面图斑进行融合，当所述地物数据与矢量面图斑的重叠度大于等于设定阈值范围时，将所述地物数据的地物类型赋予所述矢量面图斑，得到遥感影像模糊边界地物数据。在一个实施例中，如图7所示，将步骤S2中获得的地物数据与步骤S3中获得的矢量面图斑进行融合；一般通过计算每个图斑的面积大小，当获得的地物数据与获得矢量面图斑的面积的重合度大于等于设定阈值范围时，一般地设定阈值范围为70％-90％，即当通过网络模型获得的地物数据与通过均值漂移算法获得的同一位置的矢量面图斑的重合度在70％-90％之内，则将均值漂移算法获得的矢量面图斑的边界为提取的地物边界并赋予该矢量面图斑的地物类型，例如通过网络模型获得该位置的地物数据为草地，则将草地赋予该矢量面图斑，最终得到形态符合实际的模糊边界地类的提取结果。
例如，如图8-15所示，以草地为例，通过重叠度统计的方式找到高密度草地图斑并赋值。通过实际生产，对目标区域169平方千米，提取所有弱边界地物包括草地、盐碱地、裸地等总共只需4小时左右。而人工绘制不仅耗时，而且肉眼区分不同尺度下的遥感影像最小可分图斑相当困难，人工基本无法实施。本发明在保证精度的情况有效提高遥感影像模糊边界地物提取的效率。其中，图8为本发明的遥感影像目标区域，以弱边界地物为主的四波段遥感影像，包括草地、裸地、盐碱地等，其中草地的分布也比较复杂，不同区域的稀疏程度差异很大；图9为利用均值漂移算法对整个目标区域的分割结果，均值漂移算法可以在设置好的分割尺度下降遥感影像分割到最小不可分图斑的程度；图10为图9的放大图即细节展示图，可以看出无论是类别之间还是类别之内，算法都得到了一定尺度下遥感影像最小不可分图斑的边缘形态。另外，如果觉得图斑不够细致可以调整分割尺度得到更细节的图斑形态；图11为UNET网络模型的分类结果，本次测试以高密度草地为例，通过网络模型将这个整个目标区域的高密度草地提取出来；图12为UNET网络模型对高密度草地分类结果的细节展示，此时的地类边界还不够贴合实际边界，还需要结合分割结果进行优化；图13为均值漂移算法的分割结果和弱边界地物分类结果结合后同类图斑融合的结果，草地、沙地、裸地等类别和分割结果融合后，将同一类别的分割图斑融合后得到的结果；图14为通过重叠度的计算后给分割图斑赋予类别后高密度草地聚集区的结果；图15为遥感影像目标区域模糊边界地物的提取结果。
一种电子设备，其特征在于包括：处理器；存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行一种遥感影像模糊边界地物的提取方法。一种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种遥感影像模糊边界地物的提取方法。
一种遥感影像模糊边界地物的提取系统，如图16所示，包括获取模块、分类模块、分割模块以及融合模块；其中，
所述获取模块用于获取高分辨率遥感影像，遥感影像中的待提取地物具有模糊边界；
所述分类模块用于利用监督分类算法对遥感影像目标区域进行分类提取，得到遥感影像中待提取地物的地物数据；
所述分割模块用于利用均值漂移算法对所述遥感影像目标区域进行分割，得到相互独立的矢量面图斑；
所述融合模块用于将所述地物数据与所述矢量面图斑进行融合，当所述地物数据与矢量面图斑的重叠度大于等于设定阈值范围时，将所述地物数据的地物类型赋予所述矢量面图斑，得到遥感影像模糊边界地物数据。
进一步的，所述分类模块包括深度学习分类算法单元，利用所述深度学习分类算法单元对遥感影像目标区域进行分类提取，得到遥感影像中栅格化的所述地物数据；
所述分割模块包括矢量化处理单元与矢量化后处理单元，所述矢量化处理单元用于利用均值漂移算法对所述遥感影像目标区域进行分割，得到独立图斑边界；将得到的所述独立图斑边界进行矢量化处理，并进行构面处理，得到所述相互独立的矢量面图斑；
所述矢量化后处理单元用于对得到的所述矢量面图斑进行简化、平滑处理。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.一种遥感影像模糊边界地物的提取方法，其特征在于，包括如下步骤：
获取高分辨率遥感影像，遥感影像中的待提取地物具有模糊边界；
利用监督分类算法对遥感影像目标区域进行分类提取，得到遥感影像中待提取地物的地物数据；
利用均值漂移算法对所述遥感影像目标区域进行分割，得到相互独立的矢量面图斑；
将所述地物数据与所述矢量面图斑进行融合，当所述地物数据与矢量面图斑的重叠度大于等于设定阈值范围时，将所述地物数据的地物类型赋予所述矢量面图斑，得到遥感影像模糊边界地物数据。
2.如权利要求1所述的一种遥感影像模糊边界地物的提取方法，其特征在于，所述利用监督分类算法对遥感影像目标区域进行分类提取，包括：
利用深度学习分类算法对遥感影像目标区域进行分类提取，包括如下步骤：
对遥感影像进行分割裁切得到包含一种或多种模糊边界地物的面矢量文件，并绘制所述面矢量文件中的地物标签，将若干标签为地物的所述面矢量样本的矢量数据转换为栅格数据，得到栅格化的地物样本集；
调整UNET网络模型参数，对所述地物样本集进行基于UNET的模型训练，得到地物模型；
将待测试的遥感影像数据输入所述地物模型，并计算本次测试的检查评价函数，若评价函数值达标则跳转至下一步；若评价函数值不达标则调整UNET网络模型参数返回步骤样本制作并修改样本集重新迭代训练；
利用步骤精度评定中评定达标的所述地物模型对遥感影像的目标区域进行地物预测，得到遥感影像中栅格化的所述地物数据。
3.如权利要求2所述的一种遥感影像模糊边界地物的提取方法，其特征在于，对所述地物数据与所述矢量面图斑进行碎斑去除以及小孔洞填充处理。
4.如权利要求1所述的一种遥感影像模糊边界地物的提取方法，其特征在于，在步骤利用均值漂移算法对所述遥感影像目标区域进行分割，得到相互独立的矢量面图斑之后还包括：
对得到的所述矢量面图斑进行简化、平滑处理。
5.如权利要求1所述的一种遥感影像模糊边界地物的提取方法，其特征在于，在步骤利用均值漂移算法对遥感影像目标区域进行分割，得到独立图斑边界，包括如下步骤：
选择中心点，在未被分类的遥感影像数据中随机选择一个点作为中心点；
获取集合，获取离所述中心点距离在带宽之内的所有点，记为集合M，所述集合M形成簇；
计算向量，计算从所述中心点开始到所述集合M中每个元素的向量，将这些向量相加，得到偏移向量；
漂移移动，所述中心点沿着漂移方向移动，移动的距离为所述偏移向量的模；
获得新的中心点，重复步骤获取集合、计算向量、漂移移动，直到所述偏移向量的大小在设定阈值范围内，获得此时新的中心点；
形成簇，重复步骤获取集合、计算向量、漂移移动，直到遥感影像数据中所有点都被聚为簇；
确定所属簇，根据每个簇对每个点的访问频率，取访问频率最大的簇作为当前点的所属簇即所述独立图斑边界。
6.如权利要求1所述的一种遥感影像模糊边界地物的提取方法，其特征在于，在步骤利用均值漂移算法对所述遥感影像目标区域进行分割，得到相互独立的矢量面图斑，包括：
利用均值漂移算法对所述遥感影像目标区域进行分割，得到独立图斑边界；将得到的所述独立图斑边界进行矢量化处理，并进行构面处理，得到所述相互独立的矢量面图斑。
7.一种电子设备，其特征在于包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1所述的方法。
8.一种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如权利要求1所述的方法。
9.一种遥感影像模糊边界地物的提取系统，其特征在于，包括获取模块、分类模块、分割模块以及融合模块；其中，
所述获取模块用于获取高分辨率遥感影像，遥感影像中的待提取地物具有模糊边界；
所述分类模块用于利用监督分类算法对遥感影像目标区域进行分类提取，得到遥感影像中待提取地物的地物数据；
所述分割模块用于利用均值漂移算法对所述遥感影像目标区域进行分割，得到相互独立的矢量面图斑；
所述融合模块用于将所述地物数据与所述矢量面图斑进行融合，当所述地物数据与矢量面图斑的重叠度大于等于设定阈值范围时，将所述地物数据的地物类型赋予所述矢量面图斑，得到遥感影像模糊边界地物数据。
10.如权利要求9所述的一种遥感影像模糊边界地物的提取系统，其特征在于，所述分类模块包括深度学习分类算法单元，利用所述深度学习分类算法单元对遥感影像目标区域进行分类提取，得到遥感影像中栅格化的所述地物数据；
所述分割模块包括矢量化处理单元与矢量化后处理单元，所述矢量化处理单元用于利用均值漂移算法对所述遥感影像目标区域进行分割，得到独立图斑边界；将得到的所述独立图斑边界进行矢量化处理，并进行构面处理，得到所述相互独立的矢量面图斑；
所述矢量化后处理单元用于对得到的所述矢量面图斑进行简化、平滑处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010120498.0A CN111339947A (zh) | 2020-02-26 | 2020-02-26 | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010120498.0A CN111339947A (zh) | 2020-02-26 | 2020-02-26 | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111339947A true CN111339947A (zh) | 2020-06-26 |
Family
ID=71185708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010120498.0A Pending CN111339947A (zh) | 2020-02-26 | 2020-02-26 | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111339947A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784606A (zh) * | 2020-06-30 | 2020-10-16 | 长江大学 | 一种遥感图像分类后处理方法、存储介质及系统 |
| CN112084871A (zh) * | 2020-08-10 | 2020-12-15 | 浙江工业大学 | 一种基于弱监督学习的高分遥感目标边界提取方法 |
| CN112435274A (zh) * | 2020-11-09 | 2021-03-02 | 国交空间信息技术（北京）有限公司 | 一种基于面向对象分割的遥感影像面状地物提取方法 |
| CN112581468A (zh) * | 2020-12-29 | 2021-03-30 | 二十一世纪空间技术应用股份有限公司 | 一种面向遥感影像提取信息的处理方法及装置 |
| CN113822900A (zh) * | 2021-07-09 | 2021-12-21 | 武汉大学 | 基于矢量约束面向对象的新影像样本自动选择方法及系统 |
| CN114067221A (zh) * | 2022-01-14 | 2022-02-18 | 成都数联云算科技有限公司 | 一种遥感影像林地提取方法及系统及装置及介质 |
| CN114708222A (zh) * | 2022-04-02 | 2022-07-05 | 广西壮族自治区自然资源遥感院 | 基于目标面积分布特征的遥感影像变化检测质量评估方法 |
| CN115578607A (zh) * | 2022-12-08 | 2023-01-06 | 自然资源部第三航测遥感院 | 一种遥感影像有效像元覆盖范围快速提取方法 |
| CN116047546A (zh) * | 2022-07-07 | 2023-05-02 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
| CN117274814A (zh) * | 2023-10-08 | 2023-12-22 | 北京香田智能科技有限公司 | 一种烟田图像的处理方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
-
2020
- 2020-02-26 CN CN202010120498.0A patent/CN111339947A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
Non-Patent Citations (7)
| Title |
|---|
| ZHF1122;: "均值漂移", pages 4, Retrieved from the Internet <URL:lzhf1122，http://t.csdnimg.cn/O8cdg> * |
| 刘纯;洪亮;陈杰;楚森森;邓敏;: "融合像素―多尺度区域特征的高分辨率遥感影像分类算法", 遥感学报, no. 02, 25 March 2015 (2015-03-25) * |
| 刘细梅: "基于地形图的无人机影像分类研究", 测绘与空间地理信息, vol. 41, no. 11, 25 November 2018 (2018-11-25), pages 46 * |
| 周军其，叶勤，邵永社，朱述龙，关泽群: "遥感原理与应用", 30 November 2014, 武汉大学出版社, pages: 228 * |
| 方旭;王光辉;杨化超;刘慧杰;闫立波;: "结合均值漂移分割与全卷积神经网络的高分辨遥感影像分类", 激光与光电子学进展, vol. 54, no. 02, 20 September 2017 (2017-09-20), pages 1 - 3 * |
| 楚森森;洪亮;陈杰;邓敏;杨昆;刘纯;: "融合边界信息的高分辨率遥感影像分割优化算法", 中国图象图形学报, no. 08, 16 August 2016 (2016-08-16) * |
| 邓刘洋;沈占锋;柯映明;: "城市建成区遥感影像边界提取与扩张分析", 地球信息科学学报, no. 07, 11 July 2018 (2018-07-11) * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784606A (zh) * | 2020-06-30 | 2020-10-16 | 长江大学 | 一种遥感图像分类后处理方法、存储介质及系统 |
| CN111784606B (zh) * | 2020-06-30 | 2023-11-24 | 长江大学 | 一种遥感图像分类后处理方法、存储介质及系统 |
| CN112084871B (zh) * | 2020-08-10 | 2024-02-13 | 浙江工业大学 | 一种基于弱监督学习的高分遥感目标边界提取方法 |
| CN112084871A (zh) * | 2020-08-10 | 2020-12-15 | 浙江工业大学 | 一种基于弱监督学习的高分遥感目标边界提取方法 |
| CN112435274A (zh) * | 2020-11-09 | 2021-03-02 | 国交空间信息技术（北京）有限公司 | 一种基于面向对象分割的遥感影像面状地物提取方法 |
| CN112435274B (zh) * | 2020-11-09 | 2024-05-07 | 国交空间信息技术（北京）有限公司 | 一种基于面向对象分割的遥感影像面状地物提取方法 |
| CN112581468A (zh) * | 2020-12-29 | 2021-03-30 | 二十一世纪空间技术应用股份有限公司 | 一种面向遥感影像提取信息的处理方法及装置 |
| CN112581468B (zh) * | 2020-12-29 | 2023-09-22 | 二十一世纪空间技术应用股份有限公司 | 一种面向遥感影像提取信息的处理方法及装置 |
| CN113822900A (zh) * | 2021-07-09 | 2021-12-21 | 武汉大学 | 基于矢量约束面向对象的新影像样本自动选择方法及系统 |
| CN113822900B (zh) * | 2021-07-09 | 2023-09-22 | 武汉大学 | 基于矢量约束面向对象的新影像样本自动选择方法及系统 |
| CN114067221A (zh) * | 2022-01-14 | 2022-02-18 | 成都数联云算科技有限公司 | 一种遥感影像林地提取方法及系统及装置及介质 |
| CN114708222A (zh) * | 2022-04-02 | 2022-07-05 | 广西壮族自治区自然资源遥感院 | 基于目标面积分布特征的遥感影像变化检测质量评估方法 |
| CN116047546A (zh) * | 2022-07-07 | 2023-05-02 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
| CN116047546B (zh) * | 2022-07-07 | 2024-02-27 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
| CN115578607A (zh) * | 2022-12-08 | 2023-01-06 | 自然资源部第三航测遥感院 | 一种遥感影像有效像元覆盖范围快速提取方法 |
| CN117274814A (zh) * | 2023-10-08 | 2023-12-22 | 北京香田智能科技有限公司 | 一种烟田图像的处理方法 |
| CN117274814B (zh) * | 2023-10-08 | 2024-02-20 | 北京香田智能科技有限公司 | 一种烟田图像的处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111339947A (zh) | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 | |
| US10984532B2 (en) | Joint deep learning for land cover and land use classification | |
| CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
| EP3614308B1 (en) | Joint deep learning for land cover and land use classification | |
| Blaschke et al. | Object-oriented image analysis and scale-space: theory and methods for modeling and evaluating multiscale landscape structure | |
| Wang et al. | An automatic region-based image segmentation algorithm for remote sensing applications | |
| Lu et al. | Object-oriented change detection for landslide rapid mapping | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
| CN108564115A (zh) | 基于全卷积gan的半监督极化sar地物分类方法 | |
| CN104881677B (zh) | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 | |
| Karami et al. | Gully erosion mapping using object-based and pixel-based image classification methods | |
| CN104102928B (zh) | 一种基于纹理基元的遥感图像分类方法 | |
| CN105138970A (zh) | 基于空间信息的极化sar图像分类方法 | |
| CN107092930A (zh) | 一种将数字规划地图（dlg）数据用于高分辨率遥感图像地表覆盖分类的方法 | |
| CN104036294A (zh) | 基于光谱标记的多光谱遥感图像自适应分类方法 | |
| Li et al. | An efficient multi-scale segmentation for high-resolution remote sensing imagery based on statistical region merging and minimum heterogeneity rule | |
| Albert et al. | Land use classification using conditional random fields for the verification of geospatial databases | |
| CN113205143A (zh) | 耦合空谱特征的多尺度超像素高光谱遥感图像分类方法 | |
| CN109344837B (zh) | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 | |
| Li et al. | Measuring detailed urban vegetation with multisource high-resolution remote sensing imagery for environmental design and planning | |
| Forghani et al. | Extracting terrain categories from multi-source satellite imagery | |
| CN115512159A (zh) | 面向对象的高分辨率遥感影像地表覆盖分类方法及系统 | |
| Večeř et al. | Segmentation and Object-Based Land Cover Classification of Airborne Images in Kraliky County |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |