(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111654181.6 (22)申请日 2021.12.3 0 (71)申请人 珠海涵辰科技有限公司 地址 519030 广东省珠海市横琴新区环岛 东路1889号创意谷18栋110室-182(集 中办公区) (72)发明人 袁晓军　周乐乐　吴帅　 (74)专利代理 机构 成都点睛专利代理事务所 (普通合伙) 51232 代理人 孙一峰 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种遥感影 像智能解译方法 (57)摘要 本发明属于计算机视觉领域， 具体的说是涉 及一种智能遥感影像解译 方法。 本发 明通过使用 语义分割技术、 矢量化技术、 矢量简化平滑 技术， 最终实现了对遥感影像的智能解译。 使用本发明 可以实现输入任意尺寸遥感影像， 直接输出其对 应的矢量结果。 并且可以将一个面积约为400平 方千米， 遥感分辨率为0.8米的中等大小区县遥 感影像解译时间控制在1个小时左右， 而人工解 译需要2周时间， 极大的提升了解译效率， 削减了 人工解译的成本， 实现了解译的自动化。 并且， 目 前市场上并无同类自动解译产品出现， 填补了遥 感影像智能解译的市场空白。 权利要求书1页 说明书6页 附图2页 CN 114299394 A 2022.04.08 CN 114299394 A 1.一种智能遥感影像解译方法， 获取到遥感影像后， 其特征在于， 解译方法包括以下步 骤： S1、 对原始遥感图像按需进行分割， 分割后获得多个目标图像； 其中在分割的时候， 使 获得的相邻目标图像具有重 叠部分； S2、 采用深度学习的方法对获得的所有目标图像进行逐像素的分类， 生成预测分类结 果灰度图； 具体为： 将目标图像分别 送入三个不同的语义分割深度学习模型， 分别为DeepL abv3、 HRNetW48 +OCR、 EMA Net网络， 然后利用集 成学习方法， 对任一像素点是否属于某 一类别的判定由三个 网络各自输出 的结果投票决定， 获得多数票数 的判定结果即为最终该像素点的类别结果； 同时语义分割深度学习模型还输出一个各像素属于某一类别的概 率图， 即置信度； S3、 将所有目标图像的预测分类结果按照其在原始图像的位置进行拼接， 获得原始遥 感图像的预测结果灰度图； 同理对概 率图进行拼接； S4、 对预测结果灰度图中的狭长的条 带状断裂要素进行 连接处理； S5、 对预测结果灰度图中小图斑进行滤除， 具体为将像素数量小于类别指定阈值的独 立图斑用其周围像素类别进行填充； S6、 将经过步骤S5得到的预测结果灰度图转为矢量shp文件， 同时计算每个图斑的置信 度及面积作为图斑的属性； S7、 利用开源软件GrassGis中 的Douglas ‑Peucker算法对矢量shp文件区域边 界进行简 化和平滑， 消除地物边 缘锯齿效应， 从而获得遥感影 像的解译结果。权　利　要　求　书 1/1 页 2 CN 114299394 A 2一种遥感影像智能解译方 法 技术领域 [0001]本发明属于计算机 视觉领域， 具体的说是 涉及一种智能遥感影 像解译方法。 背景技术 [0002]从遥感影像中识别提取不同类别地物要素信息是遥感影像 处理领域的一大课题。 在遥感领域， 从影像中提取地物类别信息称之为遥感影像解译。 提取 的信息包括地物的类 别， 形状， 面积等。 相关统计部门每年都需要统计同一区域的地物信息， 并且与历年的信息 进行比对， 以了解和跟踪区域内地物要 素发展变化情况， 为政府、 企业等相关部门提供数据 支撑， 辅助决策等。 传统的做法是使用专业的遥感影像解译软件ArcGis/QGIS/Grass等， 由 经过培训的专业解译人员， 通过对比遥感影像， 在软件中沿着地物轮廓以画点连线的方式 手工绘制封闭矢量多边形(Polygon)， 通常解译的区域以行政 区划分， 比如以县为单位， 对 于面积约400平方千米， 遥感分辨率为0.8米的1个中等大小的县行政 区， 1个专业人员绘制 大约需要花费2周时间， 非常耗时费力。 同时， 绘制精度由于个体差异， 疲劳等主观性因素影 响， 会出现前后分类标准 不一致， 导致解译错误的现象， 解译效果 不佳。 [0003]由于人工智能深度学习技术特别是卷积神经网络技术在计算机视觉图像处理识 别领域取得的巨大进步和成功， 吸引了众多的研究者将人工智能神经网络技术应用于遥感 影像处理中。 在技术路线 上， 遥感影像分割任务归属于计算机视觉中的语义分割任务， 即将 遥感图像中的不同目标像素划分为不同的类别， 在生成的遥感分割 结果图像中， 同一地物 类别用相同的像素值表示， 不同像素值代表不同类别。 在深度学习语义分割技术中， Xia   Li,Zhisheng  Zhong,Jianlong  Wu,Yibo Yang,Zhouchen  Lin,Hong  Liu.Expectation ‑ Maximization  Attention  Networks  for Semantic  Segmentation将期望最大化注意力机 制引入卷积神经网络， 提出了EMANet实现了语义分割操作。 考虑到空间金字塔池化模块可 以捕获多尺度信息， encoder ‑decoder架构可以更好的捕捉尖锐物体的边缘， Liang ‑Chieh  Chen,Yukun  Zhu,George  Papandreou,Florian  Schroff,and  Hartwig Adam.Encoder ‑ Decoder with Atrous Separable Convolution  for Semantic  Image Segmentation在 DeepLabv3的基础上通过添加Decoder模块并且将深度可分离卷积应用到ASPP和Decoder模 块中， 提出了基于Encoder ‑Decoder网络架构的DeepLab v3+。 Yuhui  Yuan,Xilin  Chen,and   Jingdong  Wang.Object ‑Contextual  Representation s for Semantic  Segmentation采用 HRNetV2+OCR模块在CityScape 数据集上 取的了SOTA的性能。 [0004]由于卷积神经网络的训练通常需要大量的具有标注的训练数据， 而遥感影像数据 通常比较敏感， 涉及国家地理信息安全， 仅有少数具有权限的政府部门或者涉密企业， 高 校， 研究机构有这些数据， 一般很少有公开的具有良好标注的数据集， 这也为技术研究 的提 升带来了诸多困难和壁垒。 近年来， 也有政府部门及企业举办一些比赛， 会提供一些脱敏、 脱密的数据集， 吸引更多的深度学习 方向的研究者们参与进来， 以推动这一领域的技术进 步。 目前， 这一领域核心技术的难点仍然 是在像素级别的分类结果的性能上。 由于遥感影像 存在许多同谱异物(即像素值相同但所属类别不同)， 同物异谱(即同一目标 因拍摄设备， 高说　明　书 1/6 页 3 CN 114299394 A 3