基于标记像素矩阵的遥感影像分割后处理算法

摘要

本发明公开了基于标记像素矩阵的遥感影像分割后处理算法，涉及遥感测绘地理信息技术领域，其包括以下步骤：a1、读取遥感图像数据。该基于标记像素矩阵的遥感影像分割后处理算法，通过无人机或者卫星拍照单元采集遥感影像数据并读取遥感图像数据，然后基于深度学习训练模型预测待处理图片，接下来进行二分类结果二值化处理即将预测结果处理成二值化图像，之后进行多分类结果循环rgb值并合并结果，填充特定大小阈值以内的孔洞，最后统一填充并在输出后处理成果物，从而解决了现今卫星拍摄的高分辨率遥感影像分割速度较慢、边缘融合效果差进而导致拍摄结果差、错分的问题。

说明书

技术领域

本发明涉及遥感测绘地理信息技术领域，具体为基于标记像素矩阵的遥感影像分割后处理算法。

背景技术

语义分割是当今计算机视觉领域的关键问题之一，从宏观上看，语义分割是一项高层次的任务，为实现场景的完整理解铺平了道路，场景理解作为一个核心的计算机视觉问题，其重要性在于越来越多的应用程序通过从图像中推断知识来提供营养，其中一些应用包括自动驾驶汽车、人机交互、虚拟现实等，近年来随着深度学习的普及，许多语义分割问题正在采用深层次的结构来解决，最常见的是卷积神经网络，在精度以及效率上大大超过了其他方法，其涉及将一些原始数据例如：平面图像作为输入，并将它们转换为具有突出显示的感兴趣区域的掩模，专业术语为全像素语义分割，其中图像中的每个像素根据其所属的感兴趣对象被分配类别ID，图像分割是遥感解译的重要基础环节，高分辨率遥感图像中包含复杂的地物目标信息，我们在进行图像分割后，分割结果有时会有一些小孔洞，其中黑白两色表示两种不同的类别，一般情况下，这些孔洞属于错分情况，而为了优化结果，我们通常对这些孔洞进行填充，但是现今卫星拍摄的高分辨率遥感影像存在分割速度较慢、边缘融合效果差进而导致拍摄结果差、错分的问题，因此提出了基于标记像素矩阵的遥感影像分割后处理算法来解决这个问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于标记像素矩阵的遥感影像分割后处理算法，解决了现今卫星拍摄的高分辨率遥感影像分割速度较慢、边缘融合效果差进而导致拍摄结果差、错分的问题。

(二)技术方案

为达到以上目的，本发明采取的技术方案是：基于标记像素矩阵的遥感影像分割后处理算法，包括以下步骤：

a1、读取遥感图像数据；

a2、基于深度学习训练模型预测待处理图片；

a3、二分类结果二值化处理；

a4、多分类结果循环rgb值，合并结果；

a5、填充特定大小阈值以内的孔洞，设定阈值，计算每个孔洞的面积，如果面积大于阈值就不填充；

a6、统一填充，输出后处理成果物。

优选的，所述遥感图像数据通过无人机或者卫星拍照单元进行采集。

优选的，所述二分类结果二值化处理过程中255白色为目标物0黑色为背景。

优选的，所述基于深度学习训练模型预测待处理图片的过程是利用训练模型预测图片，输出深度学习效果图，所述基于深度学习训练模型预测待处理图片的流程为将待处理图片抽象成一个二维矩阵，所述二维矩阵处理从坐标x，y像素p的4个水平和垂直相邻像素以及p的四个对角像素开始向四周扩展，所述坐标x，y像素p的4个水平和垂直相邻像素坐标是x+1，y、x-1，y、x，y+1，x，y-1，所述p的四个对角像素的坐标为x+1，y+1、x+1，y-1、x-1，y+1、x-1，y-1。

(三)有益效果

本发明的有益效果在于：

该基于标记像素矩阵的遥感影像分割后处理算法，通过无人机或者卫星拍照单元采集遥感影像数据并读取遥感图像数据，然后基于深度学习训练模型预测待处理图片，接下来进行二分类结果二值化处理即将预测结果处理成二值化图像，其中255白色为目标物，0黑色为背景，之后进行多分类结果循环rgb值并合并结果，填充特定大小阈值以内的孔洞，设定阈值，计算每个孔洞的面积，如果面积大于阈值就不填充，如果面积大于阈值则不填充，最后统一填充并在输出后处理成果物，进而使得该算法与现有语义分割技术相比显著解决预测偏差问题，同时该算法可行性强成果图像融合性好，生成的图像分辨率高，从而解决了现今卫星拍摄的高分辨率遥感影像分割速度较慢、边缘融合效果差进而导致拍摄结果差、错分的问题。

附图说明

图1为本发明语义分割后处理过程结构示意图；

图2为本发明有孔洞的二分类分割结果示意图；

图3为本发明二分类填充结果示意图；

图4为本发明有孔洞的多分类分割结果示意图；

图5为本发明多分类填充结果示意图；

图6为本发明有孔洞的多分类分割结果示意图；

图7为本发明特定阈值孔洞的多分类填充结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-7所示，本发明提供一种技术方案：基于标记像素矩阵的遥感影像分割后处理算法，包括以下步骤：

a1、读取遥感图像数据；

a2、基于深度学习训练模型预测待处理图片；

a3、二分类结果二值化处理；

a4、多分类结果循环rgb值，合并结果；

a5、填充特定大小阈值以内的孔洞，设定阈值，计算每个孔洞的面积，如果面积大于阈值就不填充；

a6、统一填充，输出后处理成果物。

9遥感图像数据通过无人机或者卫星拍照单元进行采集。

二分类结果二值化处理过程中255白色为目标物0黑色为背景。

基于深度学习训练模型预测待处理图片的过程是利用训练模型预测图片，输出深度学习效果图，所述基于深度学习训练模型预测待处理图片的流程为将待处理图片抽象成一个二维矩阵，所述二维矩阵处理从坐标x，y像素p的4个水平和垂直相邻像素以及p的四个对角像素开始向四周扩展，所述坐标x，y像素p的4个水平和垂直相邻像素坐标是x+1，y、x-1，y、x，y+1，x，y-1，所述p的四个对角像素的坐标为x+1，y+1、x+1，y-1、x-1，y+1、x-1，y-1。

本发明的操作步骤为：

首先通过无人机或者卫星拍照单元采集遥感影像数据并读取遥感图像数据，然后基于深度学习训练模型预测待处理图片即利用训练模型预测图片，输出深度学习效果图，具体处理方法为将待处理图片抽象成一个二维矩阵，然后从坐标x，y像素p的4个水平和垂直的相邻像素x+1，y，x-1，y，x，y+1，x，y-1以及p的四个对角像素坐标x+1，y+1，x+1，y-1，x-1，y+1，x-1，y-1进行处理，接下来进行二分类结果二值化处理即将预测结果处理成二值化图像，其中255白色为目标物，0黑色为背景，之后进行多分类结果循环rgb值并合并结果即利用循环分颜色进行单类别填充孔洞并合并，填充特定大小阈值以内的孔洞，设定阈值，计算每个孔洞的面积，如果面积大于阈值就不填充即获取每一个孔洞的轮廓，然后计算每个孔洞的面积，如果面积大于阈值则不填充，最后统一填充并在输出后处理成果物。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。