CN108229516A - 用于解译遥感图像的卷积神经网络训练方法、装置和设备 - Google Patents
用于解译遥感图像的卷积神经网络训练方法、装置和设备 Download PDFInfo
- Publication number
- CN108229516A CN108229516A CN201611254726.3A CN201611254726A CN108229516A CN 108229516 A CN108229516 A CN 108229516A CN 201611254726 A CN201611254726 A CN 201611254726A CN 108229516 A CN108229516 A CN 108229516A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- marked
- processor
- image
- 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 abstract description 106
- 238000013527 convolutional neural network Methods 0.000 abstract description 94
- 238000012549 training Methods 0.000 abstract description 91
- 239000000463 material Substances 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 79
- 238000005070 sampling Methods 0.000 description 21
- 230000006854 communication Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000009466 transformation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000638935 Senecio crassissimus Species 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000005577 local transmission Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了用于解译遥感图像的卷积神经网络训练方法、装置和设备。该方法的一具体实施方式包括：确定至少一张已标注遥感图像，已标注遥感图像包括多个像素点和与各个像素点对应的标注信息；第一处理器对所确定的每张已标注遥感图像进行在线图像处理，得到与所确定的每张已标注遥感图像对应的至少一张处理后的已标注遥感图像；第一处理器将各处理后的已标注遥感图像传输至第二处理器；第二处理器通过各处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。该实施方式减少了获取训练用已标注遥感图像的人力物力成本和时间成本，提高了训练用于解译遥感图像的卷积神经网络的效率，并降低了存储训练数据所需的磁盘空间。
Description
技术领域
本申请涉及机器学习领域，具体涉及遥感图像解译技术领域，尤其涉及用于解译遥感图像的卷积神经网络训练方法、装置和设备。
背景技术
遥感图像已在交通、农业、林业、地质、海洋、气象、水文、军事、环保等领域得到广泛的普及应用。为有效的利用遥感图像解决实际问题，需要对获取的遥感图像进行解译，以得到遥感图像的解译结果，例如，水文部门需要解译出遥感图像中的水体区域，交通部门需要解译出遥感图像中的道路区域，林业部门需要解译出遥感图像中的植被或森林区域等。
然而，遥感图像的数据量较大，传统的人工解译的方法费时费力，无法保证数据的及时更新。
发明内容
本申请提供一种解译遥感图像的技术方案。
第一方面，本申请提供了一种用于解译遥感图像的卷积神经网络训练方法，该方法包括：确定至少一张已标注遥感图像，上述已标注遥感图像包括多个像素点和与各个像素点对应的标注信息；第一处理器对所确定的每张上述已标注遥感图像进行在线图像处理，得到与所确定的每张上述已标注遥感图像对应的至少一张处理后的已标注遥感图像；上述第一处理器将各上述处理后的已标注遥感图像传输至第二处理器；上述第二处理器通过各上述处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
在一些实施例中，上述确定至少一张已标注遥感图像，包括：截取原始已标注遥感图像，得到多张已标注遥感图像；在上述多张已标注遥感图像中，多次选择已标注遥感图像，其中，每次选择至少一张已标注遥感图像，不同次选择的上述已标注遥感图像至少部分不同。
在一些实施例中，上述第一处理器对所确定的每张上述已标注遥感图像进行在线图像处理，包括：第一处理器对所确定的每张上述已标注遥感图像进行至少一次在线图像变换。
在一些实施例中，上述第一处理器对所确定的每张上述已标注遥感图像进行至少一次在线图像变换，包括：第一处理器在线调整所确定的每张上述已标注遥感图像的至少一项参数。
在一些实施例中，上述第一处理器对所确定的每张上述已标注遥感图像进行至少一次在线图像变换，包括：第一处理器在线随机旋转所确定的每张上述已标注遥感图像。
在一些实施例中，上述第一处理器对所确定的每张上述已标注遥感图像进行至少一次在线图像变换，包括：第一处理器对所确定的每张上述已标注遥感图像进行在线镜像处理。
在一些实施例中，上述第一处理器对所确定的每张上述已标注遥感图像进行至少一次在线图像变换，包括：第一处理器对所确定的每张上述已标注遥感图像进行在线采样处理。
在一些实施例中，上述第一处理器对所确定的每张上述已标注遥感图像进行至少一次在线图像变换，包括：第一处理器在线随机截取所确定的每张上述已标注遥感图像中的至少一个局部区域，每张上述已标注遥感图像中各上述局部区域大小相同。
在一些实施例中，上述第一处理器将各上述处理后的已标注遥感图像传输至第二处理器之前，上述方法还包括：确定上述第二处理器当前处于空闲状态。
第二方面，本申请提供了一种遥感图像解译方法，该方法包括：获取待解译的遥感图像；采用如第一方面中任一实现方式描述的方法预先训练的用于解译遥感图像的卷积神经网络对上述遥感图像进行解译，得到上述遥感图像的解译结果。
第三方面，本申请提供了一种用于解译遥感图像的卷积神经网络训练装置，该装置包括：图像确定单元，配置用于确定至少一张已标注遥感图像，上述已标注遥感图像包括多个像素点和与各个像素点对应的标注信息；在线图像处理单元，配置用于第一处理器对所确定的每张上述已标注遥感图像进行在线图像处理，得到与所确定的每张上述已标注遥感图像对应的至少一张处理后的已标注遥感图像；传输单元，配置用于上述第一处理器将各上述处理后的已标注遥感图像传输至第二处理器；训练单元，配置用于上述第二处理器通过各上述处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
在一些实施例中，上述图像确定单元包括：截取模块，配置用于截取原始已标注遥感图像，得到多张已标注遥感图像；选择模块，配置用于在上述多张已标注遥感图像中，多次选择已标注遥感图像，其中，每次选择至少一张已标注遥感图像，不同次选择的上述已标注遥感图像至少部分不同。
在一些实施例中，上述在线图像处理单元进一步配置用于：第一处理器对所确定的每张上述已标注遥感图像进行至少一次在线图像变换。
在一些实施例中，上述在线图像处理单元进一步配置用于：第一处理器在线调整所确定的每张上述已标注遥感图像的至少一项参数。
在一些实施例中，上述在线图像处理单元进一步配置用于：第一处理器在线随机旋转所确定的每张上述已标注遥感图像。
在一些实施例中，上述在线图像处理单元进一步配置用于：第一处理器对所确定的每张上述已标注遥感图像进行在线镜像处理。
在一些实施例中，上述在线图像处理单元进一步配置用于：第一处理器对所确定的每张上述已标注遥感图像进行在线采样处理。
在一些实施例中，上述在线图像处理单元进一步配置用于：第一处理器在线随机截取所确定的每张上述已标注遥感图像中的至少一个局部区域，每张上述已标注遥感图像中各上述局部区域大小相同。
在一些实施例中，上述装置还包括：空闲状态确定单元，配置用于确定上述第二处理器当前处于空闲状态。
第四方面，本申请提供了一种遥感图像解译装置，该装置包括：获取单元，配置用于获取待解译的遥感图像；解译单元，配置用于采用如第三方面中任一实现方式描述的装置预先训练的用于解译遥感图像的卷积神经网络对上述遥感图像进行解译，得到上述遥感图像的解译结果。
第五方面，本申请提供了一种电子设备，该设备包括：存储器，存储可执行指令；一个或多个处理器，与存储器通信以执行可执行指令从而完成以下操作：确定至少一张已标注遥感图像，上述已标注遥感图像包括多个像素点和与各个像素点对应的标注信息；第一处理器对所确定的每张上述已标注遥感图像进行在线图像处理，得到与所确定的每张上述已标注遥感图像对应的至少一张处理后的已标注遥感图像；上述第一处理器将各上述处理后的已标注遥感图像传输至第二处理器；上述第二处理器通过各上述处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
第六方面，本申请还提供了一种计算机存储介质，用于存储计算机可读取的指令。上述指令包括：确定至少一张已标注遥感图像，上述已标注遥感图像包括多个像素点和与各个像素点对应的标注信息；第一处理器对所确定的每张上述已标注遥感图像进行在线图像处理，得到与所确定的每张上述已标注遥感图像对应的至少一张处理后的已标注遥感图像；上述第一处理器将各上述处理后的已标注遥感图像传输至第二处理器；上述第二处理器通过各上述处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
由于遥感图像的数据量较大，传统的人工解译的方法费时费力，无法保证数据的及时更新。因此，采用机器学习(例如，卷积神经网络)的方法，利用带有标注信息的已标注遥感图像训练用于解译遥感图像的卷积神经网络，可以实现全自动的遥感图像解译，极大提升了遥感图像解译的效率。但由于机器学习(尤其是卷积神经网络)是一种由大量训练数据驱动的方法，在训练卷积神经网络的过程中，训练用已标注遥感数据量越大，训练所得的卷积神经网络越能精确的体现遥感图像的特征，从而使用卷积神经网络解译遥感图像时，解译的正确率越高。因此，需要尽可能多的获取训练用已标注遥感图像，而目前获取训练数据主要依赖于人工标注。
采用人工标注遥感图像来获取训练数据，一方面对不同类型地物区分较为困难，导致对数据标注的人员能力要求非常高；另一方面训练用于解译遥感图像的卷积神经网络所需数据量较大，导致标注时间较长。从而，现有的用于解译遥感图像的卷积神经网络的训练方法存在着训练数据获取人力物力成本和时间成本较高的问题。另外，为了存储大量的训练数据，会需要大量的存储空间，从而还存在训练数据所需存储空间较大的问题。
而本申请提供的用于解译遥感图像的卷积神经网络训练方法和装置，通过确定至少一张已标注遥感图像。然后，第一处理器对所确定的每张已标注遥感图像进行在线图像处理，得到与所确定的每张已标注遥感图像对应的至少一张处理后的已标注遥感图像，接着，第一处理器将各处理后的已标注遥感图像传输至第二处理器。最后，第二处理器通过各处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。从而实现了在训练用于解译遥感图像的卷积神经网络的同时，在线扩充训练用已标注遥感图像，减少了获取训练用标注遥感图像的人力物力成本和时间成本，并减少了存储训练用已标注遥感图像数据所需的磁盘存储空间。
另外，本申请提供的遥感图像解译方法，通过采用上述用于解译遥感图像的卷积神经网络训练方法预先训练的用于解译遥感图像的卷积神经网络对待解译的遥感图像进行解译，得到遥感图像的解译结果。由于上述用于解译遥感图像的卷积神经网络是采用了更多的训练数据训练得到的，从而可以提高遥感图像解译的正确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是根据本申请的用于解译遥感图像的卷积神经网络训练方法的一个实施例的流程图；
图2是根据本申请的用于解译遥感图像的卷积神经网络训练方法的另一个实施例的流程图；
图3是根据本申请的用于解译遥感图像的卷积神经网络训练方法的又一个实施例的流程图；
图4是根据本申请的用于解译遥感图像的卷积神经网络训练方法的再一个实施例的流程图；
图5是根据本申请的遥感图像解译方法的一个实施例的流程图；
图6是根据本申请的用于解译遥感图像的卷积神经网络训练装置的一个实施例的结构示意图；
图7是根据本申请的遥感图像解译装置的一个实施例的结构示意图；
图8是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的用于解译遥感图像的卷积神经网络训练方法的一个实施例的流程100。该用于解译遥感图像的卷积神经网络训练方法，包括以下步骤：
步骤101，确定至少一张已标注遥感图像。
在本实施例中，用于解译遥感图像的卷积神经网络训练方法运行于其上的电子设备可以采用各种方法确定至少一张已标注遥感图像。这里，已标注遥感图像可以包括多个像素点和与各个像素点对应的标注信息。
在本实施例中，遥感图像可以是指利用遥感技术取得的图像。而已标注遥感图像是带有标注信息的遥感图像。例如，可以采用人工标注的方式对遥感图像中每个像素点进行标注得到该像素点的标注信息，从而得到已标注遥感图像。针对具体的应用领域不同，标注信息所表示的意义可以不同。作为示例，对于交通领域，与像素点对应的标注信息可以是用于指示该像素点的交通特征的信息；对于气象领域，与像素点对应的标注信息可以是用于指示该像素点的气象特征等的信息；对于水文领域，与像素点对应的标注信息可以是用于指示该像素点的水文特征等的信息。与像素点对应的标注信息还可以是用于指示该像素点的多种特征的信息。作为示例，标注信息可以是用于指示该像素点属于预定类别中的具体哪种类别的数据，其中，预定类别可以是例如：道路、云、雪、水体、农田、建筑物、村庄、森林、耕地、植被、裸地等等；标注信息还可以是用于指示该像素点是否属于某一种具体类别的数据，例如标注信息可以是是否属于道路或者是否属于森林等。
在本实施例中，解译遥感图像是指对待解译的遥感图像，利用计算机技术对该待解译的遥感图像进行分析处理，并最终得出该待解译的遥感图像中的各个像素点的解译结果。这里，遥感图像的解译结果可以是遥感图像中各个像素点属于预定类别集合中的具体类别信息，解译结果也可以是遥感图像中各个像素点属于预定类别的概率。例如，遥感图像的解译结果可以是遥感图像中各个像素点属于道路的概率。遥感图像的解译结果还可以是遥感图像中各个像素点所属预定类别的附属信息。例如，遥感图像的解译结果可以是遥感图像中各个像素点所属的道路的方向信息。
在本实施例的一些可选的实现方式中，本步骤可以如下进行：
首先，截取原始已标注遥感图像，得到多张已标注遥感图像。
在本实现方式中，由于原始遥感图像通常图像尺寸很大(原始已标注遥感图像通常为边长几千到上万像素的矩形图像)，原始已标注遥感图像是对原始遥感图像进行标注后的图像，同样图像尺寸也很大。而受限于电子设备中处理器、内存或者显卡内存的物理限制，可以首先根据上述电子设备的硬件参数(例如处理器主频和/或缓存)，确定该电子设备能够处理的图像的图像尺寸。然后，可以在原始已标注遥感图像中按照所确定的图像尺寸截取原始已标注遥感图像，从而得到多张已标注遥感图像。
其次，在上述截取所得到的多张已标注遥感图像中，多次选择已标注遥感图像，其中，每次选择至少一张已标注遥感图像，不同次选择的上述已标注遥感图像至少部分不同。
按照本实现方式所得到的已标注遥感图像的图像尺寸符合上述电子设备可以处理的图像的图像尺寸的要求，并且在截取所得到的多张已标注遥感图像中多次选择时，不同次选择的已标注遥感图像至少部分不同，可以保证选择的均匀性，从而保证所选的已标注遥感图像的样本均匀性，能够表征更多方面的遥感图像的图像特征。
步骤102，第一处理器对所确定的每张已标注遥感图像进行在线图像处理，得到与所确定的每张已标注遥感图像对应的至少一张处理后的已标注遥感图像。
在本实施例中，上述电子设备中可以配置有第一处理器，并且上述电子设备与配置了第二处理器的其他电子设备(例如服务器或者服务器集群)网络连接。或者上述电子设备中可以配置有第一处理器以及至少一个第二处理器。
在本实施例中，上述电子设备可以在其第一处理器中对步骤101中所确定的每张已标注遥感图像进行在线图像处理，得到与所确定的每张已标注遥感图像对应的至少一张处理后的已标注遥感图像。
在本实施例的一些可选的实现方式中，上述第一处理器可以为中央处理器(CPU，Central Processing Unit)或图形处理器(GPU，Graphics Processing Unit)，上述第二处理器可以为图形处理器(GPU)。
在本实施例中，图像处理(Image Processing)是指利用计算机技术对数字图像进行分析处理，以达到所需结果的过程。图像处理可以包括以下至少一项：图像变换(例如，傅立叶变换、沃尔什变换、离散余弦变换等)、图像压缩，图像增强(例如，去除噪声)、图像复原、图像分割(例如，边缘提取、区域分割等)、图像特征提取(例如，频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等)和图像描述(例如，边界描述和区域描述)。
而在线图像处理，即在第一处理器对所确定的每张已标注遥感图像进行在线图像处理的同时，第二处理器正在通过上次传输到该第二处理器的各处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。也就是说第二处理器在进行训练用于解译遥感图像的卷积神经网络的同时，第一处理器在为第二处理器准备下次训练用于解译遥感图像的卷积神经网络所需的数据，从而第二处理器每次从第一处理器接收其能够处理的数据量的用于训练的已标注遥感图像数据，并根据接收到的用于训练的已标注遥感图像数据对卷积神经网络进行训练。由此，上述电子设备不必存储用于训练解译遥感图像的卷积神经网络的已标注遥感图像数据。从而可以减少存储训练数据所需的存储空间。并且，由于第一处理器和第二处理器同时工作，可以提高上述电子设备训练用于解译遥感图像的卷积神经网络的工作效率。
需要说明的是，上述各种图像处理的各种方法是目前广泛研究和应用的公知技术，在此不再赘述。
在本实施例的一些可选的实现方式中，第一处理器可以对所确定的每张已标注遥感图像，进行至少一次在线图像变换来实现对该已标注遥感图像进行在线图像处理。
在本实施例的一些可选的实现方式中，对所确定的每张已标注遥感图像进行至少一次在线图像变换可以包括对所确定的每张已标注遥感图像进行在线镜像处理。
作为示例，对已标注遥感图像做在线镜像处理可以分为两种：一种是在线水平镜像处理，另外一种是在线垂直镜像处理。在线水平镜像处理是已将标注遥感图像的左半部分和右半部分以已标注遥感图像的垂直中轴线为中心进行对换；在线垂直镜像处理是将已标注遥感图像上半部分和下半部分以已标注遥感图像的水平中轴线为中心进行对换。这里，可以设已标注遥感图像的高度为Height，宽度为Width，对在线镜像处理之前的坐标原点在左上角的已标注遥感图像中坐标为(x，y)的像素点，经过在线水平镜像处理后的坐标将变为(Width-x，y)，而经过在线垂直镜像处理后的坐标将变为(x，Height-y)，其中，Height和Width均为正整数，x为1到Width之间的整数，y为1到Height之间的整数。
在本实施例的一些可选的实现方式中，对所确定的每张已标注遥感图像进行至少一次在线图像变换还可以包括对所确定的每张已标注遥感图像进行在线采样处理。
这里，对已标注遥感图像做在线采样处理可以包括对已标注遥感图像做在线上采样或在线下采样处理；其中，对已标注遥感图像做在线上采样处理，可以是采用各种插值方法对已标注遥感图像中的像素点做在线上采样处理。作为示例，为了更好的展现已标注遥感图像的图像细节，可以采用双线性插值方法对各个已标注遥感图像中的像素点的颜色值进行插值；为了更准确的得到插值后的已标注遥感图像中像素点的标注信息，可以采用最近邻插值方法对已标注遥感图像中的像素点的标注信息进行插值。作为示例，对已标注遥感图像做在线下采样处理可以从已标注遥感图像中每隔预定数目个像素点取一个像素点，用所取的像素点生成与该已标注遥感图像对应的处理后的已标注遥感图像。
可以理解的是，对所确定的已标注遥感图像进行在线上采样处理还是在线下采样处理与所确定的已标注遥感图像的自身分辨率有关。如果所确定的已标注遥感图像中的特征对象的尺寸(比如道路的宽度，房屋的长宽等)较小，则不适合做在线下采样处理，因为如果做了在线下采样处理后，在线下采样处理后的已标注遥感图像中特征对象(例如道路、房屋等)将难以识别。
本领域技术人员可以理解的是，也可以组合上述在线镜像处理和在线采样处理的技术方案来实现对所确定的每张已标注遥感图像进行在线图像变换。作为示例，可以先对所确定的已标注遥感图像做在线镜像处理，再对在线镜像处理后的已标注遥感图像做在线采样处理；也可以先对所确定的已标注遥感图像做在线采样处理，再对在线采样处理后的已标注遥感图像做在线镜像处理。
步骤103，第一处理器将各处理后的已标注遥感图像传输至第二处理器。
在本实施例中，上述电子设备中的第一处理器可以在步骤102中得到各处理后的已标注遥感图像后，将各处理后的已标注遥感图像传输至第二处理器中。
这里，如果第二处理器位于上述电子设备中，则上述电子设备的第一处理器可以将各处理后的已标注遥感图像本地传输至上述电子设备的第二处理器中。
如果第二处理器位于与上述电子设备中网络连接的其他电子设备中，则上述电子设备的第一处理器可以通过有线网络连接或者无线网络连接方式，将各处理后的已标注遥感图像远程地传输至上述其他电子设备的第二处理器中。可以理解的是，在需训练的处理后的已标注遥感图像数量较多时，可以采用第一处理器和第二处理器设置在两个或多个电子设备中，第一处理器将其处理后的已标注遥感图像通过有线网络连接或者无线网络连接方式远程地传输给第二处理器，并在第二处理器中进行训练操作，可以极大的降低第一处理器和第二处理器的负载，提高训练用于解译遥感图像的卷积神经网络的效率。
在本实施例的一些可选的实现方式中，在第一处理器将各处理后的已标注遥感图像传输至第二处理器之前，上述电子设备还可以执行如下操作：确定第二处理器当前处于空闲状态，并在确定第二处理器当前处于空闲状态后执行步骤103，从而可以保证第一处理器发送给第二处理器的处理后的已标注遥感图像可以得到及时处理，从而充分利用了第二处理器的工作效率。
步骤104，第二处理器通过各处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
在本实施例中，第二处理器可以在接收到上述电子设备中的第一处理器发来的各处理后的已标注遥感图像后，通过各处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
这里，卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量，使图像直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程，并且具有良好的容错能力和并行处理能力。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。
通常卷积神经网络可以包括级联的n个卷积层以及池化层(或称为下采样层)，其中，n为自然数。其中，将标注遥感图像输入上述n个卷积层中的第1级卷积层，用于提取上述标注遥感图像中所包含的对象的特征，并将包含所提取的特征的图像输出；第i级卷积层用于提取第i-1级卷积层输出的特征图像所包含的对象的特征，并将包含经第i级卷积层提取后的特征的图像输出，其中，2≤i≤n-1；第n级卷积层用于提取第n-1级卷积层输出的特征图像所包含的对象的特征，得到并输出第一特征图像；上述池化层与第n级卷积层连接，用于对上述特征图图像的特征进行聚合统计，并输出第二特征图像。
可以理解的是，上述多个级联的卷积层中每个卷积层通过设置不同的卷积核实现对已标注遥感图像不同感受野的特征进行提取。并且在上述每个卷积层之后可以包括归一化处理层以及线性修正单元，上述归一化处理层用于对其之前的卷积层提取的特征进行归一化操作，使卷积神经网络能够更快收敛。上述线性修正单元能够对特征进行类似非线性的映射。
上述池化层与第n级卷积层连接，用于对第一特征图像中的特征进行聚合统计，并输出第二特征图像。上述池化层可以对卷积层或卷积层之后的线性修正单元输出的特征图进行最大化操作或者取平均操作，使得提取到的特征具有旋转平移不变特性，同时增强了数据的鲁棒性，同时也可以改变提取特征的感受野。
可以理解的是，上述卷积神经网络中也可以包括多个池化层，多个池化层分别位于多个卷积层之间。
在本实施例中，上述电子设备中的第二处理器可以将各处理后的已标注遥感图像中各个像素点的像素值作为卷积神经网络的卷积层的输入向量，将各处理后的已标注遥感图像中各个像素点的标注信息作为卷积神经网络的理想输出向量，由输入向量与输出向量组成向量对来对用于解译遥感图像的卷积神经网络进行训练。
本申请的上述实施例提供的方法通过确定至少一张已标注遥感图像。然后，第一处理器对所确定的每张已标注遥感图像进行在线图像处理，得到与所确定的每张已标注遥感图像对应的至少一张处理后的已标注遥感图像。接着，第一处理器将各处理后的已标注遥感图像传输至第二处理器。最后，第二处理器通过各处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。从而实现了在训练用于解译遥感图像的卷积神经网络的同时，在线扩充训练用已标注遥感图像，减少了获取训练用标注遥感图像的人力物力成本和时间成本，并减少了存储训练用已标注遥感图像数据所需的磁盘存储空间。
继续参考图2，其示出了根据本申请的用于解译遥感图像的卷积神经网络训练方法的另一个实施例的流程200，该用于解译遥感图像的卷积神经网络训练方法，包括以下步骤：
步骤201，确定至少一张已标注遥感图像。
在本实施例中，步骤201的具体操作与图1所示的实施例中步骤101的操作基本相同，在此不再赘述。
步骤202，第一处理器在线随机截取所确定的每张已标注遥感图像中的至少一个局部区域，得到与所确定的每张已标注遥感图像对应的至少一张处理后的已标注遥感图像。
在本实施例中，上述电子设备中可以配置有第一处理器，并且上述电子设备与配置了第二处理器的其他电子设备(例如服务器或者服务器集群)网络连接。或者上述电子设备中可以配置有第一处理器以及至少一个第二处理器。
在本实施例的一些可选的实现方式中，上述第一处理器可以为中央处理器(CPU)或图形处理器(GPU)，上述第二处理器可以为图形处理器(GPU)。
在本实施例中，上述电子设备可以在其第一处理器中在线随机截取步骤201中所确定的每张已标注遥感图像中的至少一个局部区域，得到与所确定的每张已标注遥感图像对应的至少一张处理后的已标注遥感图像。
在本实施例中，在线随机截取的每张已标注遥感图像中各局部区域的大小相同。上述电子设备的第一处理器可以用在线随机截取已标注遥感图像的局部区域内的各个像素点和与上述各个像素点对应的标注信息形成处理后的已标注遥感图像。作为示例，局部区域可以为矩形区域。
作为示例，对于一幅1024像素*1024像素的已标注遥感图像，可以在该已标注遥感图像中在线随机截取100像素*100像素的矩形区域，并用上述1024像素*1024像素的已标注遥感图像中截取的矩形区域内的像素点和与上述矩形区域内各个像素点对应的标注信息形成与该已标注遥感图像对应的处理后的已标注遥感图像。
在本实施例的一些可选的实现方式中，由于遥感图像通常都是矩形的，而用于训练用于解译遥感图像的卷积神经网络的图像也都是矩形的。因此，第一处理器可以：
首先，随机生成待截取矩形区域的横向边长和纵向边长，其中，随机生成的待截取矩形区域的横向边长小于已标注遥感图像的横坐标最大值，而且随机生成的待截取矩形区域的横向边长应符合卷积神经网络训练所需图像的横向边长要求。随机生成的待截取矩形区域的纵向边长小于已标注遥感图像的纵坐标最大值，而且随机生成的待截取矩形区域的纵向边长应符合卷积神经网络训练所需图像的纵向边长要求。
然后，可以从已标注遥感图像的四个顶点中任一顶点开始，按照上述随机生成的待截取矩形区域的横向边长和纵向边长依次取矩形图像块，并用取得的各个矩形图像块内的像素点和对应的标注信息形成与该已标注遥感图像对应的处理后的已标注遥感图像。
在本实施例的一些可选的实现方式中，由于遥感图像通常都是矩形的，而用于训练卷积神经网络的图像也都是矩形的。因此，第一处理器还可以：
首先，随机生成待截取矩形区域的四个顶点坐标，其中待截取矩形区域的四个顶点坐标位于已标注遥感图像的像素点的坐标取值范围内，而且随机生成的待截取矩形区域的横向边长和纵向边长分别符合卷积神经网络训练所需图像的横向边长要求和纵向边长要求。
然后，在已标注遥感图像内按照上述待截取矩形区域的四个顶点坐标取得待截取矩形区域内的各个像素点和对应的标注信息形成与该已标注遥感图像对应的处理后的已标注遥感图像。
作为示例，上述随机生成待截取矩形区域的横向边长和纵向边长以及随机生成待截取矩形区域的四个顶点坐标的方法可以采用线性同余法。上述线性同余法生成随机数的方法是目前广泛研究和应用的公知技术，在此不再赘述。
由于卷积神经网络的局部感知特性，每个神经元其实没必要对全局图像进行感知，只需要对局部进行感知，然后在更高层将局部的信息综合起来就得到了全局的信息。还有，由于卷积神经网络的权值共享特性，意味着图像的一部分的统计特性与其他部分是一样的，即在在图像的局部区域学习的特征也能用在图像的另外的区域上，所以对于这个图像上的所有位置，都能使用同样的学习特征。而且，由于遥感图像通常图像尺寸很大(遥感图像通常为边长几千到上万像素的矩形图像)，而受限于电子设备中处理器、内存或者显卡内存的物理限制，以及上述的卷积神经网络的局部感知特性和权值共享特性，用于解译遥感图像的卷积神经网络的输入图像往往较小(通常为边长几百像素的矩形图像)，因此，需要对遥感图像进行在线随机截取以使得截取得到的图像符合用于解译遥感图像的卷积神经网络的输入图像的尺寸要求。
而在线随机截取，即在第一处理器对所确定的每张已标注遥感图像进行在线随机截取的同时，第二处理器正在通过上次传输到该第二处理器的各处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。也就是说第二处理器在进行训练用于解译遥感图像的卷积神经网络的同时，第一处理器在为第二处理器准备下次训练用于解译遥感图像的卷积神经网络所需的数据，从而第二处理器每次从第一处理器接收其能够处理的数据量的用于训练的已标注遥感图像数据，并根据接收到的用于训练的已标注遥感图像数据对卷积神经网络进行训练。由此，上述电子设备不必存储训练用于解译遥感图像的卷积神经网络的所需的已标注遥感图像数据。从而可以减少存储训练数据所需的存储空间。并且，由于第一处理器和第二处理器同时工作，可以提高上述电子设备训练用于解译遥感图像的卷积神经网络的工作效率。
步骤203，第一处理器将各处理后的已标注遥感图像传输至第二处理器。
在本实施例中，步骤203的具体操作与图1所示的实施例中步骤103的操作基本相同，在此不再赘述。
步骤204，第二处理器通过各处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
在本实施例中，步骤204的具体操作与图1所示的实施例中步骤104的操作基本相同，在此不再赘述。
本申请的上述实施例提供的方法可以实现为用于解译遥感图像的卷积神经网络输入符合其尺寸要求的处理后的已标注遥感图像。
继续参考图3，其示出了根据本申请的用于解译遥感图像的卷积神经网络训练方法的又一个实施例的流程300，该用于解译遥感图像的卷积神经网络训练方法，包括以下步骤：
步骤301，确定至少一张已标注遥感图像。
在本实施例中，步骤301的具体操作与图1所示的实施例中步骤101的操作基本相同，在此不再赘述。
步骤302，第一处理器在线随机旋转所确定的每张已标注遥感图像，得到与所确定的每张已标注遥感图像对应的至少一张处理后的已标注遥感图像。
在本实施例中，上述电子设备中可以配置有第一处理器，并且上述电子设备与配置了第二处理器的其他电子设备(例如服务器或者服务器集群)网络连接。或者上述电子设备中可以配置有第一处理器以及至少一个第二处理器。
在本实施例的一些可选的实现方式中，上述第一处理器可以为中央处理器(CPU)或图形处理器(GPU)，上述第二处理器可以为图形处理器(GPU)。
在本实施例中，上述电子设备可以在其第一处理器中在线随机旋转步骤301中所确定的每张已标注遥感图像，得到与所确定的每张已标注遥感图像对应的至少一张处理后的已标注遥感图像。
在本实施例的一些可选的实现方式中，上述第一处理器可以：首先，随机确定要旋转的角度。然后，将各个已标注遥感图像旋转上述随机确定的角度。在实际操作中，可以在指定角度取值范围内随机确定要旋转的角度，例如指定角度取值范围可以是-30°到30°之间。
在本实施例中，将已标注遥感图像在线随机旋转一定角度是指以已标注遥感图像中或已标注遥感图像的图像外的某一点为原点以逆时针或顺时针方向在线随机旋转一定角度。旋转后，图像的大小一般会改变。对于转出已标注遥感图像显示区域的部分，既可以把转出已标注遥感图像显示区域的图像截去，也可以扩大旋转后的图像显示范围以显示旋转后的图像中所有像素点。
作为示例，对已标注遥感图像上坐标为(x，y)的任意像素点，绕该已标注遥感图像中坐标为(x0，y0)的像素点逆时针旋转θ角度，旋转后的坐标为(x’，y’)，其中x’和y’是通过如下公式计算得到的：
x’＝(x-x0)×cos(θ)–(y-y0)×sin(θ)+x0 (1)
y’＝(x-x0)×sin(θ)–(y-y0)×cos(θ)+y0 (2)
其中，x0，y0，x，y，x’，y’均为正整数，θ为-180°到180°之间的角度值。已标注遥感图像旋转以后有可能造成计算所得的坐标x’和y’不是整数，会出现空穴的现象，可以用插值法来解决。所谓插值法就是在判断为空穴的位置上填充一个估计的值。作为示例，为了更好的展现已标注遥感图像的图像细节，可以采用双线性插值方法对旋转后的已标注遥感图像中的像素点的颜色值进行插值；为了更准确的得到旋转后的已标注遥感图像中像素点的标注信息，可以采用最近邻插值方法对旋转后的已标注遥感图像中的像素点的标注信息进行插值。
在本实施例中，在线随机旋转，即在第一处理器对所确定的每张已标注遥感图像进行在线随机旋转的同时，第二处理器正在通过上次传输到该第二处理器的各处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。也就是说第二处理器在进行训练用于解译遥感图像的卷积神经网络的同时，第一处理器在为第二处理器准备下次训练用于解译遥感图像的卷积神经网络所需的数据，从而第二处理器每次从第一处理器接收其能够处理的数据量的用于训练的已标注遥感图像数据，并根据接收到的用于训练的已标注遥感图像数据对卷积神经网络进行训练。因此，在第一处理器对所确定的每张已标注遥感图像进行在线随机旋转时，可以每次旋转较小的角度(例如，每次旋转1°)，以得到更多的用于训练的已标注遥感图像数据。从而，上述电子设备不必存储用于训练解译遥感图像的卷积神经网络的已标注遥感图像数据，因此可以减少存储训练数据所需的存储空间。并且，由于第一处理器和第二处理器同时工作，可以提高训练用于解译遥感图像的卷积神经网络的工作效率。
步骤303，第一处理器将各处理后的已标注遥感图像传输至第二处理器。
在本实施例中，步骤303的具体操作与图1所示的实施例中步骤103的操作基本相同，在此不再赘述。
步骤304，第二处理器通过各处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
在本实施例中，步骤304的具体操作与图1所示的实施例中步骤104的操作基本相同，在此不再赘述。
由于卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图像。而对已标注遥感图像进行旋转操作后，并没有改变已标注遥感图像中各像素点间的相对位置关系，因此，本申请的上述实施例提供的方法可以实现为用于解译遥感图像的卷积神经网络输入具有扭曲不变性的训练用已标注遥感图像。
继续参考图4，其示出了根据本申请的用于解译遥感图像的卷积神经网络训练方法的再一个实施例的流程400，该用于解译遥感图像的卷积神经网络训练方法，包括以下步骤：
步骤401，确定至少一张已标注遥感图像。
在本实施例中，步骤401的具体操作与图1所示的实施例中步骤101的操作基本相同，在此不再赘述。
步骤402，第一处理器在线调整所确定的每张已标注遥感图像的至少一项参数，得到与所确定的每张已标注遥感图像对应的至少一张处理后的已标注遥感图像。
在本实施例中，上述电子设备中可以配置有第一处理器，并且上述电子设备与配置了第二处理器的其他电子设备(例如服务器或者服务器集群)网络连接。或者上述电子设备中可以配置有第一处理器以及至少一个第二处理器。
在本实施例的一些可选的实现方式中，上述第一处理器可以为中央处理器(CPU)或图形处理器(GPU)，上述第二处理器可以为图形处理器(GPU)。
在本实施例中，上述电子设备可以在其第一处理器中在线调整所确定的每张已标注遥感图像的至少一项参数，得到与所确定的每张已标注遥感图像对应的至少一张处理后的已标注遥感图像。
这里，已标注遥感图像的参数可以包括但不限于以下内容：亮度、对比度、色相、饱和度、明度。作为示例，调整各个已标注遥感图像的参数可以是将各个已标注遥感图像的参数加上或者减去指定的数值和/或将各个标注遥感图像的参数乘以指定的系数。
这里，是否调整已标注遥感图像的参数与待解译的遥感图像的参数取值范围有关。如果待解译的遥感图像的图像参数取值范围与所确定的已标注遥感图像的参数取值范围基本一致，则不需要对所确定的已标注遥感图像进行在线调整参数。如果待解译的遥感图像的图像参数取值范围与所确定的已标注遥感图像的参数取值范围差别较大，则需要调整已标注遥感图像的参数对已标注遥感图像进行处理，以生成与已标注遥感图像对应的至少一个处理后的已标注遥感图像，最终使得基于处理后的已标注遥感图像训练得到的用于解译遥感图像的卷积神经网络可以适应待解译的遥感图像。
步骤403，第一处理器将各处理后的已标注遥感图像传输至第二处理器。
在本实施例中，步骤403的具体操作与图1所示的实施例中步骤103的操作基本相同，在此不再赘述。
步骤404，第二处理器通过各处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
在本实施例中，步骤404的具体操作与图1所示的实施例中步骤104的操作基本相同，在此不再赘述。
本申请的上述实施例提供的方法可以实现在待解译的遥感图像的图像参数取值范围与所确定的已标注遥感图像的参数取值范围差别较大时，通过调整已标注遥感图像的参数对已标注遥感图像进行处理，以生成与已标注遥感图像对应的至少一个处理后的已标注遥感图像，从而可以在后续使用上述至少一个处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络时，最终使得训练得到的用于解译遥感图像的卷积神经网络可以适应待解译的遥感图像。
本领域技术人员可以理解的是，可以组合上述图1-图4所示的实施例中的步骤102、步骤202、步骤302和步骤402中的各种图像处理方法，以得到所确定的每张已标注遥感图像对应的至少一个处理后的已标注遥感图像。
作为示例，上述电子设备可以在第一处理器中先将所确定的每张已标注遥感图像在线随机旋转一定角度，得到与所确定的每张已标注遥感图像的对应的旋转图像，然后再在线随机截取所得到的各个旋转图像中的至少一个局部区域，从而得到与所确定的各个已标注遥感图像对应的至少一个处理后的已标注遥感图像。
作为示例，上述电子设备也可以在第一处理器中先对所确定的每张已标注遥感图像进行在线镜像处理，得到与所确定的每张已标注遥感图像的对应的镜像图像，然后再在线随机截取所得到的各个镜像图像中的至少一个局部区域，从而得到与所确定的各个已标注遥感图像对应的至少一个处理后的已标注遥感图像。
作为示例，上述电子设备也可以在第一处理器中先在线随机截取所确定的每张已标注遥感图像中的至少一个局部区域，得到与所确定的每张已标注遥感图像对应的至少一个区域标注遥感图像，再对所截取的至少一个区域标注遥感图像中的每个区域标注遥感图像做在线镜像处理，从而得到与所确定的每张已标注遥感图像对应的至少一个处理后的已标注遥感图像。
作为示例，上述电子设备也可以在第一处理器中先对所确定的每张已标注遥感图像进行在线采样处理，得到与所确定的每张已标注遥感图像对应的采样图像，然后再在线随机截取所得到的各个采样图像中的至少一个局部区域，从而得到与所确定的各个已标注遥感图像对应的至少一个处理后的已标注遥感图像。
作为示例，上述电子设备也可以在第一处理器中先在线随机截取所确定的每张已标注遥感图像中的至少一个局部区域，得到于所确定的每张已标注遥感图像对应的至少一个区域标注遥感图像，再对所截取的至少一个区域标注遥感图像中的每个区域标注遥感图像做在线采样处理，从而得到与所确定的每张已标注遥感图像对应的至少一个处理后的已标注遥感图像。
作为示例，上述电子设备也可以在第一处理器中先在线调整所确定的每张已标注遥感图像的至少一项参数，得到与所确定的每张已标注遥感图像对应的调参后图像，然后再在线随机截取所得到的各个调参后图像中的至少一个局部区域，从而得到与所确定的各个已标注遥感图像对应的至少一个处理后的已标注遥感图像。
作为示例，上述电子设备也可以在第一处理器中先在线随机截取所确定的每张已标注遥感图像中的至少一个局部区域，得到与所确定的每张已标注遥感图像对应的至少一个区域标注遥感图像，再在线调整所截取的至少一个区域标注遥感图像中的每个区域标注遥感图像的至少一项参数，从而得到与所确定的每张已标注遥感图像对应的至少一个处理后的已标注遥感图像。
继续参考图5，其示出了遥感图像解译方法的一个实施例的流程500。该遥感图像解译方法的流程500，包括以下步骤：
步骤501，获取待解译的遥感图像。
在本实施例中，遥感图像解译方法运行于其上的电子设备可以本地或者远程地获取待解译的遥感图像。这里，遥感图像是采用遥感技术取得的图像。
步骤502，采用预先训练的用于解译遥感图像的卷积神经网络对遥感图像进行解译，得到遥感图像的解译结果。
在本实施例中，遥感图像解译方法运行于其上的电子设备可以采用如图1-图4中任一实施例中描述的方法预先训练的用于解译遥感图像的卷积神经网络对步骤501中获取的待解译的遥感图像进行解译，得到上述待解译的遥感图像的解译结果。
在本实施例的一些可选的实现方式中，遥感图像的解译结果可以是遥感图像中每个像素点属于预定类别集合中的具体类别信息。
在本实施例的一些可选的实现方式中，遥感图像的解译结果也可以是遥感图像中每个像素点属于预定类别的概率。例如，遥感图像的解译结果可以是遥感图像中每个像素点属于道路的概率。
在本实施例的一些可选的实现方式中，遥感图像的解译结果还可以是遥感图像中每个像素点所属预定类别的附属信息。例如，遥感图像的解译结果可以是遥感图像中每个像素点所属的道路的方向信息。
本申请上述实施例提供的遥感图像解译方法，通过采用上述用于解译遥感图像的卷积神经网络训练方法预先训练的用于解译遥感图像的卷积神经网络对待解译的遥感图像进行解译，得到遥感图像的解译结果。由于上述用于解译遥感图像的卷积神经网络是采用了更多的训练数据训练得到的，从而可以提高遥感图像解译的正确率。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于解译遥感图像的卷积神经网络训练装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例中的用于解译遥感图像的卷积神经网络训练装置600包括：图像确定单元601、在线图像处理单元602、传输单元603和训练单元604。其中，图像确定单元601，配置用于确定至少一张已标注遥感图像，上述已标注遥感图像包括多个像素点和与各个像素点对应的标注信息；在线图像处理单元602，配置用于第一处理器对所确定的每张上述已标注遥感图像进行在线图像处理，得到与所确定的每张上述已标注遥感图像对应的至少一张处理后的已标注遥感图像；传输单元603，配置用于上述第一处理器将各上述处理后的已标注遥感图像传输至第二处理器；训练单元604，配置用于上述第二处理器通过各上述处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
在本实施例中，用于解译遥感图像的卷积神经网络训练装置600的图像确定单元601、在线图像处理单元602、传输单元603和训练单元604的具体处理及其带来的技术效果可分别参考图1对应实施例中步骤101、步骤102、步骤103和步骤104的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述图像确定单元601可以包括：截取模块6011，配置用于截取原始已标注遥感图像，得到多张已标注遥感图像；选择模块6012，配置用于在上述多张已标注遥感图像中，多次选择已标注遥感图像，其中，每次选择至少一张已标注遥感图像，不同次选择的上述已标注遥感图像至少部分不同。
在本实施例的一些可选的实现方式中，上述在线图像处理单元602可以进一步配置用于：第一处理器对所确定的每张上述已标注遥感图像进行至少一次在线图像变换。
在本实施例的一些可选的实现方式中，上述在线图像处理单元602还可以进一步配置用于：第一处理器在线调整所确定的每张上述已标注遥感图像的至少一项参数。
在本实施例的一些可选的实现方式中，上述在线图像处理单元602还可以进一步配置用于：第一处理器在线随机旋转所确定的每张上述已标注遥感图像。
在本实施例的一些可选的实现方式中，上述在线图像处理单元602还可以进一步配置用于：第一处理器对所确定的每张上述已标注遥感图像进行在线镜像处理。
在本实施例的一些可选的实现方式中，上述在线图像处理单元602还可以进一步配置用于：第一处理器对所确定的每张上述已标注遥感图像进行在线采样处理。
在本实施例的一些可选的实现方式中，上述在线图像处理单元602还可以进一步配置用于：第一处理器在线随机截取所确定的每张上述已标注遥感图像中的至少一个局部区域，每张上述已标注遥感图像中各上述局部区域大小相同。
在本实施例的一些可选的实现方式中，上述用于解译遥感图像的卷积神经网络训练装置600还可以包括：空闲状态确定单元，配置用于确定上述第二处理器当前处于空闲状态。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种遥感图像解译装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例中的遥感图像解译装置700包括：获取单元701和解译单元702。其中，获取单元701，配置用于获取待解译的遥感图像；解译单元702，配置用于采用如图6中描述的装置预先训练的用于解译遥感图像的卷积神经网络对上述遥感图像进行解译，得到上述遥感图像的解译结果。
在本实施例中，遥感图像解译装置700的获取单元701和解译单元702的具体处理及其带来的技术效果可分别参考图5对应实施例中步骤501和步骤502的相关说明，在此不再赘述。
本发明实施例还提供了一种电子设备，例如可以是移动终端、个人计算机(PC，Personal Computer)、平板电脑、服务器等。
下面参考图8，其示出了适于用来实现本申请实施例的电子设备的计算机系统800的结构示意图：如图8所示，计算机系统800包括一个或多个处理器、通信部等，上述一个或多个处理器例如：一个或多个中央处理器(CPU)801，和/或一个或多个图像处理器(GPU)813等，处理器可以根据存储在只读存储器(ROM，Read Only Memory)802中的可执行指令或者从存储部分808加载到随机访问存储器(RAM，Random Access Memory)803中的可执行指令而执行各种适当的动作和处理。通信部812可包括但不限于网卡，上述网卡可包括但不限于IB(Infiniband)网卡，处理器可与只读存储器802和/或随机访问存储器803中通信以执行可执行指令，通过总线804与通信部812相连、并经通信部812与其他目标设备通信，从而完成本申请实施例提供的任一项方法对应的操作，例如，确定至少一张已标注遥感图像，上述已标注遥感图像包括多个像素点和与各个像素点对应的标注信息；第一处理器对所确定的每张上述已标注遥感图像进行在线图像处理，得到与所确定的每张上述已标注遥感图像对应的至少一张处理后的已标注遥感图像；上述第一处理器将各上述处理后的已标注遥感图像传输至第二处理器；上述第二处理器通过各上述处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
此外，在RAM 803中，还可存储有装置操作所需的各种程序和数据。中央处理器(CPU)801、ROM802以及RAM803通过总线804彼此相连。在有RAM803的情况下，ROM802为可选模块。RAM803存储可执行指令，或在运行时向ROM802中写入可执行指令，可执行指令使处理器801执行上述通信方法对应的操作。输入/输出(I/O，Input/Output)接口805也连接至总线804。通信部812可以集成设置，也可以设置为具有多个子模块(例如多个IB网卡)，并在总线链接上。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
需要说明的，如图8所示的架构仅为一种可选实现方式，在具体实践过程中，可根据实际需要对上述图8的部件数量和类型进行选择、删减、增加或替换；在不同功能部件设置上，也可采用分离设置或集成设置等实现方式，例如图形处理器(GPU)和中央处理器(CPU)可分离设置或者可将图形处理器(GPU)集成在中央处理器(CPU)上，通信部可分离设置，也可集成设置在中央处理器(CPU)或图形处理器(GPU)上，等等。这些可替换的实施方式均落入本发明公开的保护范围。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行流程图所示的方法的程序代码，程序代码可包括对应执行本申请实施例提供的方法步骤对应的指令，例如，确定至少一张已标注遥感图像，上述已标注遥感图像包括多个像素点和与各个像素点对应的标注信息；第一处理器对所确定的每张上述已标注遥感图像进行在线图像处理，得到与所确定的每张上述已标注遥感图像对应的至少一张处理后的已标注遥感图像；上述第一处理器将各上述处理后的已标注遥感图像传输至第二处理器；上述第二处理器通过各上述处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理器(CPU)801执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本发明的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种用于解译遥感图像的卷积神经网络的训练方法，其特征在于，所述方法包括：
确定至少一张已标注遥感图像，所述已标注遥感图像包括多个像素点和与各个像素点对应的标注信息；
第一处理器对所确定的每张所述已标注遥感图像进行在线图像处理，得到与所确定的每张所述已标注遥感图像对应的至少一张处理后的已标注遥感图像；
所述第一处理器将各所述处理后的已标注遥感图像传输至第二处理器；
所述第二处理器通过各所述处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
2.根据权利要求1所述的方法，其特征在于，所述确定至少一张已标注遥感图像，包括：
截取原始已标注遥感图像，得到多张已标注遥感图像；
在所述多张已标注遥感图像中，多次选择已标注遥感图像，其中，每次选择至少一张已标注遥感图像，不同次选择的所述已标注遥感图像至少部分不同。
3.根据权利要求1或2所述的方法，其特征在于，所述第一处理器对所确定的每张所述已标注遥感图像进行在线图像处理，包括：
第一处理器对所确定的每张所述已标注遥感图像进行至少一次在线图像变换。
4.根据权利要求1-3中任一所述的方法，其特征在于，所述第一处理器将各所述处理后的已标注遥感图像传输至第二处理器之前，所述方法还包括：
确定所述第二处理器当前处于空闲状态。
5.一种遥感图像解译方法，其特征在于，所述方法包括：
获取待解译的遥感图像；
采用如权利要求1-4中任一所述的方法预先训练的用于解译遥感图像的卷积神经网络对所述遥感图像进行解译，得到所述遥感图像的解译结果。
6.一种用于解译遥感图像的卷积神经网络的训练装置，其特征在于，所述装置包括：
图像确定单元，配置用于确定至少一张已标注遥感图像，所述已标注遥感图像包括多个像素点和与各个像素点对应的标注信息；
在线图像处理单元，配置用于第一处理器对所确定的每张所述已标注遥感图像进行在线图像处理，得到与所确定的每张所述已标注遥感图像对应的至少一张处理后的已标注遥感图像；
传输单元，配置用于所述第一处理器将各所述处理后的已标注遥感图像传输至第二处理器；
训练单元，配置用于所述第二处理器通过各所述处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
7.根据权利要求6所述的装置，其特征在于，所述图像确定单元包括：
截取模块，配置用于截取原始已标注遥感图像，得到多张已标注遥感图像；
选择模块，配置用于在所述多张已标注遥感图像中，多次选择已标注遥感图像，其中，每次选择至少一张已标注遥感图像，不同次选择的所述已标注遥感图像至少部分不同。
8.根据权利要求6或7所述的装置，其特征在于，所述在线图像处理单元进一步配置用于：
第一处理器对所确定的每张所述已标注遥感图像进行至少一次在线图像变换。
9.一种遥感图像解译装置，其特征在于，所述装置包括：
获取单元，配置用于获取待解译的遥感图像；
解译单元，配置用于采用如权利要求6-8中任一所述的装置预先训练的用于解译遥感图像的卷积神经网络对所述遥感图像进行解译，得到所述遥感图像的解译结果。
10.一种电子设备，其特征在于，包括：
存储器，存储可执行指令；
一个或多个处理器，与存储器通信以执行可执行指令从而完成以下操作：
确定至少一张已标注遥感图像，所述已标注遥感图像包括多个像素点和与各个像素点对应的标注信息；
第一处理器对所确定的每张所述已标注遥感图像进行在线图像处理，得到与所确定的每张所述已标注遥感图像对应的至少一张处理后的已标注遥感图像；
所述第一处理器将各所述处理后的已标注遥感图像传输至第二处理器；
所述第二处理器通过各所述处理后的已标注遥感图像训练用于解译遥感图像的卷积神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611254726.3A CN108229516A (zh) | 2016-12-30 | 2016-12-30 | 用于解译遥感图像的卷积神经网络训练方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611254726.3A CN108229516A (zh) | 2016-12-30 | 2016-12-30 | 用于解译遥感图像的卷积神经网络训练方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108229516A true CN108229516A (zh) | 2018-06-29 |
Family
ID=62656556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611254726.3A Pending CN108229516A (zh) | 2016-12-30 | 2016-12-30 | 用于解译遥感图像的卷积神经网络训练方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108229516A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657728A (zh) * | 2018-12-26 | 2019-04-19 | 江苏省基础地理信息中心 | 样例生产方法及模型训练方法 |
| CN110874540A (zh) * | 2018-08-31 | 2020-03-10 | 北京意锐新创科技有限公司 | 全角度读取条码的方法和装置 |
| CN114461875A (zh) * | 2020-10-21 | 2022-05-10 | 中国石油化工股份有限公司 | 地震专业标签数据生成方法、电子设备、存储介质及系统 |
| CN116052018A (zh) * | 2023-03-31 | 2023-05-02 | 北京数慧时空信息技术有限公司 | 基于终身学习的遥感影像解译方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130257882A1 (en) * | 2012-03-30 | 2013-10-03 | Fujifilm Corporation | Image processing device, image processing method, and recording medium on which an image processing program is recorded |
| CN104732243A (zh) * | 2015-04-09 | 2015-06-24 | 西安电子科技大学 | 基于cnn的sar目标识别方法 |
| CN105426875A (zh) * | 2015-12-18 | 2016-03-23 | 武汉科技大学 | 一种基于深度卷积神经网络的人脸识别方法和考勤系统 |
| CN105844228A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于卷积神经网络的遥感图像云检测方法 |
| CN106022220A (zh) * | 2016-05-09 | 2016-10-12 | 西安北升信息科技有限公司 | 一种体育视频中对参赛运动员进行多人脸跟踪的方法 |
| CN106251279A (zh) * | 2016-08-18 | 2016-12-21 | 深圳市金立通信设备有限公司 | 一种图像处理方法及终端 |
-
2016
- 2016-12-30 CN CN201611254726.3A patent/CN108229516A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130257882A1 (en) * | 2012-03-30 | 2013-10-03 | Fujifilm Corporation | Image processing device, image processing method, and recording medium on which an image processing program is recorded |
| CN103366338A (zh) * | 2012-03-30 | 2013-10-23 | 富士胶片株式会社 | 图像处理装置和图像处理方法 |
| CN104732243A (zh) * | 2015-04-09 | 2015-06-24 | 西安电子科技大学 | 基于cnn的sar目标识别方法 |
| CN105426875A (zh) * | 2015-12-18 | 2016-03-23 | 武汉科技大学 | 一种基于深度卷积神经网络的人脸识别方法和考勤系统 |
| CN105844228A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于卷积神经网络的遥感图像云检测方法 |
| CN106022220A (zh) * | 2016-05-09 | 2016-10-12 | 西安北升信息科技有限公司 | 一种体育视频中对参赛运动员进行多人脸跟踪的方法 |
| CN106251279A (zh) * | 2016-08-18 | 2016-12-21 | 深圳市金立通信设备有限公司 | 一种图像处理方法及终端 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110874540A (zh) * | 2018-08-31 | 2020-03-10 | 北京意锐新创科技有限公司 | 全角度读取条码的方法和装置 |
| CN109657728A (zh) * | 2018-12-26 | 2019-04-19 | 江苏省基础地理信息中心 | 样例生产方法及模型训练方法 |
| CN114461875A (zh) * | 2020-10-21 | 2022-05-10 | 中国石油化工股份有限公司 | 地震专业标签数据生成方法、电子设备、存储介质及系统 |
| CN116052018A (zh) * | 2023-03-31 | 2023-05-02 | 北京数慧时空信息技术有限公司 | 基于终身学习的遥感影像解译方法 |
| CN116052018B (zh) * | 2023-03-31 | 2023-10-27 | 北京数慧时空信息技术有限公司 | 基于终身学习的遥感影像解译方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111723860B (zh) | 一种目标检测方法及装置 | |
| CN111062885B (zh) | 基于多阶段迁移学习的标志检测模型训练及标志检测方法 | |
| Wang et al. | Land cover change detection at subpixel resolution with a Hopfield neural network | |
| CN109146831A (zh) | 基于双支深度学习网络的遥感图像融合方法及系统 | |
| Ren et al. | A locally optimized model for hyperspectral and multispectral images fusion | |
| JP2019514123A (ja) | 地理的領域におけるコンテナ内に格納された量の遠隔決定 | |
| CN108804815A (zh) | 一种基于深度学习辅助识别cad中墙体的方法和装置 | |
| CN108230376A (zh) | 遥感图像处理方法、装置和电子设备 | |
| CN108229516A (zh) | 用于解译遥感图像的卷积神经网络训练方法、装置和设备 | |
| CN112966548B (zh) | 一种大豆地块识别方法及系统 | |
| CN115049841A (zh) | 基于深度无监督多步对抗域自适应的高分辨sar图像地物要素提取方法 | |
| CN101350099A (zh) | 基于小波域隐马尔科夫树模型的图像分割方法 | |
| CN119107305A (zh) | 用于图像分析的多尺度变换器 | |
| CN109657616A (zh) | 一种遥感影像土地覆盖自动分类方法 | |
| CN114943893B (zh) | 一种土地覆盖分类的特征增强方法 | |
| CN106157317A (zh) | 基于弥散张量引导的高分辨率遥感影像融合评价方法 | |
| CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和系统 | |
| CN108710777A (zh) | 基于多卷积自编码神经网络的多元化探异常识别方法 | |
| CN104036294B (zh) | 基于光谱标记的多光谱遥感图像自适应分类方法 | |
| CN115797781A (zh) | 农作物识别方法、装置、计算机设备和存储介质 | |
| CN108154153A (zh) | 场景分析方法和系统、电子设备 | |
| CN117252988A (zh) | 图像数据的处理方法、设备及计算机可读存储介质 | |
| CN116597317A (zh) | 遥感图像变化检测数据生成方法、装置、设备及介质 | |
| Xie et al. | Improvement and application of UNet network for avoiding the effect of urban dense high-rise buildings and other feature shadows on water body extraction | |
| CN108109125A (zh) | 基于遥感图像的信息提取方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |
|
| RJ01 | Rejection of invention patent application after publication |