公开/公告号CN112633056A
专利类型发明专利
公开/公告日2021-04-09
原文格式PDF
申请/专利权人 行星数据科技(苏州)有限公司;
申请/专利号CN202011205691.0
申请日2020-11-02
分类号G06K9/00(20060101);G06K9/62(20060101);G06N3/04(20060101);
代理机构32257 苏州市中南伟业知识产权代理事务所(普通合伙);
代理人吴竹慧
地址 215000 江苏省苏州市高新区科技城锦峰路158号16幢301室
入库时间 2023-06-19 10:32:14
技术领域
本发明涉及自动化遥感地物提取技术领域,具体涉及一种用于图像处理的 深度学习模型及遥感影像的地图提取方法。
背景技术
遥感影像是指记录各种地物电磁波大小的胶片或照片,主要分为航空像片 和卫星相片。目前中分辨率多波段遥感影像中,缺乏高效一致的地物提取算法。
针对多波段地物提取,一般都需要事先将不同波段重采样到一致或者采用 分辨率一致的波段。
发明内容
本发明要解决的技术问题是提供一种用于图像处理的深度学习模型及遥感 影像的地图提取方法,其
为了解决上述技术问题,本发明提供了一种用于图像处理的深度学习模型, 包括:
数据输入单元,所述数据输入单元包括多个数据输入层,每个所述数据输 入层用于输入不同分辨率的图像数据;
编码单元,所述编码单元包括多个子编码器,所述子编码器与所述数据输 入层一一对应设置,所述子编码器对数据输入层的输入数据进行编码;
特征融合层,其与编码单元连接以多编码单元的输出数据进行融合,所述 特征融合层的输入端分别与多个子编码器连接;
解码单元,其与所述特征融合层的输出端连接,所述解码单元对特征融合 层的输出数据进行解码操作;
数据输出单元,所述数据输出单元与所述解码单元连接以实现数据输出。
作为优选的,所述子编码器的输入维度根据图像数据的分辨率设计,多个 所述子编码器的输出维度相同。
作为优选的,所述特征融合层将所述编码单元输出的多个特征融合成一个 特征矩阵。
作为优选的,所述特征融合层的融合方法是相加、平均、加权和非线性激 活中的一种或多种组合。
作为优选的,所述子编码器为相同的基础解码器,通过改变所述基础解码 器的一层或者多层操作以实现不同分辨率的数据输入转换成相同维度的数据输 出。
作为优选的,所述子编码器为不同的基础解码器,不同的所述基础解码器 的输出数据维度相同。
本发明公开了一种遥感影像的地图提取方法,包括以下步骤:
S1、根据图像采集的数据,生成训练数据集和预测数据集;
S2、构建上述的深度学习模型,设定所述深度学习模型的子编码器数量;
S3、通过训练数据集对深度学习模型进行训练,获得优化后的深度学习模 型;
S4、将所述预测数据输入至优化后的深度学习模型,获得预测结果。
作为优选的,所述训练数据集的获取方法包括:
对不同波段的原图像在地理位置上对齐;
确定子图像的大小,以相同大小的方框在原图像内部随机截取子图像,每 次生成一幅子图像;
若干子图像组成训练集。
作为优选的,所述S1中,所述预测数据集的获取方法包括:
对不同波段的原图像在地理位置上对齐;
确定子图像的大小,判断原图像的像素的行列数量是否为子图像的整数倍, 若否,则以0像素值将原图像补全,若是,则进入下一步;
以子图像大小为标准网格大小对原图像进行切分,获得子图像;
所有子图像组成的数据集为预测数据集。
作为优选的,所述S3中,训练分批次进行,一个批次内先生成训练数据, 再进行训练;每个批次中的训练数据的子图像与深度学习模型所占内存应当小 于计算机硬件内存。
本发明的有益效果:
1、本发明中的遥感影像的地图提取方法,可直接使用的深度学习语义分割 对地面地物面积提取。
2、本发明不需将不同波段重采样到一致或者采用分辨率一致的波段,可针 对多波段多分辨率遥感影像进行地图提取,适用范围广。
3、本发明通过随机截取子图像的算法,使得大量的历史数据变为海量的训 练数据使得模型能够得到更多的训练提高了模型鲁棒性,避免的过拟合。
附图说明
图1为本发明的用于图像处理的深度学习模型;
图2为多波段模型示意图;
图3为本发明的遥感影像的地图提取方法;
图4为采用随机截取固定大小的子图像以获取训练数据集的示意图;
图5为以0像素值将原图像补全以获得预测数据集的示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人 员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例一
参照图1所示,本发明公开了一种用于图像处理的深度学习模型,包括数 据输入单元、编码单元、特征融合层、解码单元和数据输出单元。
数据输入单元包括多个数据输入层,每个数据输入层用于输入不同分辨率 的图像数据。
编码单元包括多个子编码器,子编码器与数据输入层一一对应设置,子编 码器对数据输入层的输入数据进行编码,子编码器的输入维度根据图像数据的 分辨率设计,多个子编码器的输出维度相同。其中,子编码器可以为相同的基 础解码器,通过改变基础解码器的一层或者多层操作以实现不同分辨率的数据 输入转换成相同维度的数据输出。子编码器也可为不同的基础解码器,不同的 基础解码器的输出数据维度相同。
特征融合层与编码单元连接以多编码单元的输出数据进行融合,特征融合 层的输入端分别与多个子编码器连接;特征融合层将编码单元输出的多个特征 融合成一个特征矩阵;特征融合层的融合方法是相加、平均、加权和非线性激 活中的一种或多种组合。
解码单元与特征融合层的输出端连接,解码单元对特征融合层的输出数据 进行解码操作。
数据输出单元与解码单元连接以实现数据输出。
参照图2所示,为多波段模型示意图,图1中编码单元中的子编码器对应 图2中分支,而图1中的特征融合层和解码单元对应图2中特征处理模块,通 过输入数据,将不同分辨率的数据输入至不同的分支,之后,在经特征处理模 块,即可获得预测结果。
实施例二
参照图3所示,本发明公开了一种遥感影像的地图提取方法,包括以下步 骤:
S1、根据图像采集的数据,生成训练数据集和预测数据集。
S2、构建上述的深度学习模型,设定深度学习模型的子编码器数量;深度 学习模型输入时为多分支,每一支处理一种分辨率,输出的结果为最高的分辨 率。
S3、通过训练数据集对深度学习模型进行训练,获得优化后的深度学习模 型。
S4、将预测数据输入至优化后的深度学习模型,获得预测结果。
如图4所示,S1中训练数据集的获取方法包括:
(1)对不同波段的原图像在地理位置上对齐;
(2)确定子图像的大小,以相同大小的方框在原图像内部随机截取子图像, 每次生成一幅子图像;
(3)若干子图像组成训练集。
本发明通过随机截取子图像的算法,使得大量的历史数据变为海量的训练 数据使得模型能够得到更多的训练提高了模型鲁棒性,一定程度上避免的过拟 合。
如图5所示,S1中预测数据集的获取方法包括:
(1)对不同波段的原图像在地理位置上对齐;
(2)确定子图像的大小,判断原图像的像素的行列数量是否为子图像的整 数倍,若否,则以0像素值将原图像补全,若是,则进入下一步;
(3)以子图像大小为标准网格大小对原图像进行切分,获得子图像;
(4)所有子图像组成的数据集为预测数据集。
预测数据集的获取方法,待预测影像规则切分为若干互为补集子图像组成 预测数据集,这样切分,会保有原来的索引,输出的结果可以按照对应的索引 拼接。
具体的,S3中,训练分批次进行,一个批次内先生成训练数据,再进行训 练;每个批次中的训练数据的子图像与深度学习模型所占内存应当小于计算机 硬件内存。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的 保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或 变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
机译: 用于处理关于被摄体的深度分布的图像数据和地图数据的图像处理装置,图像处理系统,成像设备,图像处理方法和记录介质
机译: 使用深度学习模型和图像处理算法的文档边界检测
机译: 自动深度学习工作室,用于简化库存预测深度学习模型和参数优化