一种高分辨率遥感目标大数据集的高效标注方法及系统与流程

本申请涉及遥感图像处理技术领域，具体涉及一种高分辨率遥感目标大数据集的高效标注方法及系统。

背景技术：

近年来，高分辨率遥感影像被广泛应用于政府管理、人民生活和军事事务中。目标检测作为一个关键步骤，可以提供感兴趣区域的位置，并改变检测结果。遥感图像中的建筑物检测需要对大量的各种各样的建筑物样本进行人工标注，对于不规则的建筑物必须进行准确的标注边界调整。然而，传统的遥感图像目标标注方法是将各个阶段的工作串联起来，这给高密度、大规模遥感目标的手工标注带来了困难。

为了进行遥感影像分析，已经出现了像siri-whudataset，whu-rs19dataset，rsc11dataset等高分辨率遥感数据集，但是它们大多数都是从谷歌地球获取数据而且数据量较小，像siri-whudataset，whu-rs19dataset和rsc11dataset的图像总数量分别为2400,1005和1232，说明数据的整理工作是复杂且冗长的,是一个耗时耗力的过程。

高分辨率遥感图像的数据量巨大，每景图片可达1-2gb，但是其中包含了许多无用信息，且使用高分辨率大数据进行各项实验需要有事先建立好的数据集，因此对图像的标注和整理显得尤为重要。对数据的标注是一项实验前期的基础准备工作，数据标注的质量极大的影响了后期每一步的工作及结果。标注数据的方法有很多，但是过程繁琐复杂，往往错一步就可能导致标注的数据无法使用，从各个数据集的制备需要大量人力物力财力就可以看出，数据的标注和整理工作不似想象中那么简单。考虑到gf-2卫星图像的建筑物标注，传统标注过程中的每一步都是串联的。首先，全色图像与多光谱图像的融合过程耗时约500秒，融合后的图像达到6gb。熟练的标注工作者将花费大约10个小时来标记它所包含的建筑物。并存在研究人员无法在融合阶段进行注释，融合图像的分辨率降低，导致标注精度降低等问题。

2019年神经计算与控制期刊公开了一篇用于遥感图像目标检测的深度网络，名称为：目标热图网络：用于遥感图像中目标检测的端到端深度网络(targetheat-mapnetwork:anend-to-enddeepnetworkfortargetdetectioninremotesensingimages)，该文提出的目标热图网络框架是一个具有完全卷积层的端到端网络，对输入的大小没有限制，输出是目标的热图层，可以通过定位峰值来获取目标实例的位置。具有传输学习和微调的thnet可以获得最佳结果，节省存储空间，在定量评估中也具有优越的性能。实验数据是从谷歌地球收集的1024×1920像素大小的403张高分辨率图像，结果显示与包括fasterr-cnn，yolov2和ssd在内的现有最先进的方法相比，具有转移学习的thnet具有更好的性能。

2017年电气电子工程师学会图像处理会刊公开了一种小目标先验条件下高分辨率航空遥感图像目标检测的新方法，名称为：随机存取记忆：高分辨率航空遥感图像目标检测的新范式(randomaccessmemories:anewparadigmfortargetdetectioninhighresolutionaerialremotesensingimages)，此文从贝叶斯的观点出发，在推理阶段，通过训练和观察，自适应地更新检测模型，使其后验值最大化。称之为“随机存取记忆(ram)”。在该范式中，“记忆”可以理解为从训练数据中学习到的任何模型分布，“随机访问”是指在检测阶段访问记忆并随机调整模型，以获得对任何不可见的测试数据分布更好的适应性。利用深卷积神经网络和多尺度锚点等最新检测技术，实验使用由一组大的谷歌地球图像组成的levir数据集，其中有超过22k幅图像和10k幅独立标记的目标。在公共遥感目标检测数据集上的实验结果表明，该方法优于其他几种先进的检测方法。

2017年电气与电子工程师协会期公开了一种基于粗到细显着性的新型自动通用对象检测方法，名称为：基于建议的遥感图像通用目标检测显着模型(proposalbasedsaliencymodelforgenerictargetdetectioninremotesensingimage)，此文提出了一种基于背景的稀疏重建算法来构造粗略显着图，该图可以在抑制背景的同时精确地突出显着前景。然后从粗略显着图中收集训练样本进行第二步。其次，构建基于训练样本的强分类器以检测显着像素。通过引入对象建议方法来增强强分类器的结果，构造了可以完全突出目标的精细显着图。为了进一步提高检测性能，集成了多尺度显着图以生成最终显着图。对包含200张机场，住宅和油罐图像的真实遥感图像数据集进行实验，验证所提出的算法优于10种最先进的显着性模型。

综上所述，数据集是各种实验进行的基础，数据集的制备需要一个完整高效的方法，大规模标注数据集对提高目标检测方法的性能起着非常重要的作用，原因是基于深度神经网络(dnn)的目标检测算法近年来已成为遥感目标检测中常用的算法。然而，dnn的训练阶段是一个监督学习的过程，需要大量的样本并对样本进行准确的标注。

技术实现要素：

本申请为了解决上述技术问题，提出了如下技术方案：

第一方面，本申请实施例提供了一种高分辨率遥感目标大数据集的高效标注方法，所述方法包括：在获取的每景高分辨率遥感图像上按照预设条件截取影像图片；创建所述影像图片创建工程矢量文件；在所述工程矢量文件上给矢量图层标注属性；根据所述标注属性判断标注位置的目标物类型；将选好的目标物根据所述目标物类型的不同进行二次标注，以使得标注框边缘贴近所述目标物；二次标注结束后，将标注好的工程矢量文件进行保存；判断是否存在其他类型影像的标注信息，如果存在，则将带有标注框的所述工程矢量文件对应到多光谱图像和融合图像上；或者，如果不存在，则将最终标注结果进行保存。

采用上述实现方式，在制备高分辨率遥感影像数据集时，形成一个标注目标物的完整体系，可以在分辨率最高的全色图像上进行标注，最终对应到多光谱图像和融合图像，大大提高了标注效率。本标注流程考虑了样本的多样性，属性设置灵活多变，标注更为贴合目标物，使得标注更加快速精确。

结合第一方面，在第一方面第一种可能的实现方式中，所述在获取的每景高分辨率遥感图像上按照预设条件截取影像图片，包括：获取云层遮挡少，且清晰的高分辨遥感图像；在所述高分辨图像上选择物体数量多、边缘清晰且无缘信息少的区域进行截取，获得所述影像图片。

结合第一方面第一种可能的实现方式，在第一方面第二种可能的实现方式中，所述创建所述影像图片创建工程矢量文件，包括：创建工程mxd文件及矢量文件，并使得所述mxd文件与矢量文件名称对应，所述矢量文件的地理坐标与对应的所述影像图片一致；将所述矢量文件与对应的所述影像图片同时加载。

结合第一方面第二种可能的实现方式，在第一方面第三种可能的实现方式中，所述在所述工程矢量文件上给矢量图层标注属性包括：判断所述矢量文件上目标物类别数和名称；根据所述目标物类别数和名称进行属性的添加与设置；绘制需要的标注小模板。

结合第一方面第三种可能的实现方式，在第一方面第四种可能的实现方式中，所述根据所述标注属性判断标注位置的目标物类型，包括：判断截取的高分辨率遥感影像上的目标物位置；选取目标清楚、边缘清晰、大小合适、样本丰富的目标物，根据不同类别目标物的特点判断所述目标物的分类。

结合第一方面第四种可能的实现方式，在第一方面第五种可能的实现方式中，所述将选好的目标物根据所述目标物类型的不同进行二次标注，以使得标注框边缘贴近所述目标物，包括：二次标注时使用预先设置的小模板为基准，调整小模板边缘及大小使其尽可能贴合目标物，其中，不同小模板对应不同类别目标物。

结合第一方面第五种可能的实现方式，在第一方面第六种可能的实现方式中，所述二次标注结束后，将标注好的工程矢量文件进行保存，包括：打开属性表检查标注的每一个标注信息是否已记录在表中，检查无误后保存编辑并将文件保相对路径。

结合第一方面第六种可能的实现方式，在第一方面第七种可能的实现方式中，所述将带有标注框的所述工程矢量文件对应到多光谱图像和融合图像上，包括：若需要多光谱图像标注信息，将多光谱影像和标注好的矢量文件同时加载，调整标注框属性与在全色图像上标注时一致，检查无误后保存相对路径；若需要融合图像标注信息，将融合影像和标注好的矢量文件同时加载，调整标注框属性与在全色图像上标注时一致，检查无误后保存相对路径。

结合第一方面第七种可能的实现方式，在第一方面第八种可能的实现方式中，所述将最终标注结果进行保存，包括：检查所有信息是否完整，是否需要改动，无误后将工程及矢量文件分类保存。

第二方面，本申请实施例提供了一种高分辨率遥感目标大数据集的高效标注系统，所述系统包括：截取模块，用于在获取的每景高分辨率遥感图像上按照预设条件截取影像图片；创建模块，用于创建所述影像图片创建工程矢量文件；第一标注模块，用于在所述工程矢量文件上给矢量图层标注属性；判别模块，用于根据所述标注属性判断标注位置的目标物类型；第二标注模块，用于将选好的目标物根据所述目标物类型的不同进行二次标注，以使得标注框边缘贴近所述目标物；保存模块，用于二次标注结束后，将标注好的工程矢量文件进行保存；处理模块，用于判断是否存在其他类型影像的标注信息，如果存在，则将带有标注框的所述工程矢量文件对应到多光谱图像和融合图像上；或者，如果不存在，则将最终标注结果进行保存。

附图说明

图1为本申请实施例提供的一种高分辨率遥感目标大数据集的高效标注方法流程示意图；

图2为本申请实施例提供的属性设置完成图；

图3为本申请实施例提供的标注完成图；

图4为本申请实施例提供的多光谱图像对应图；

图5为本申请实施例提供的融合图像对应图；

图6为本申请实施例提供了一种高分辨率遥感目标大数据集的高效标注系统示意图。

具体实施方式

下面结合附图与具体实施方式对本方案进行阐述。

图1为本申请实施例提供的一种高分辨率遥感目标大数据集的高效标注方法的流程示意图，参见图1，所述方法包括：

s101，在获取的每景高分辨率遥感图像上按照预设条件截取影像图片。

本实施例中首选选择合适的高分辨率遥感图像，一般为挑选云层遮盖少，较为清晰，覆盖范围多样且物体丰富的高分辨率遥感影像。选择物体数量多、边缘清晰、无关信息较少的部分用矩形进行截取(注意截取时用于截取的矢量文件地理坐标应与原图像一致)。如有需要，将截取用的shp文件对应到多光谱图像和融合图像，截取出相应部分影像。

s102，创建所述影像图片创建工程矢量文件。

创建mxd文件及矢量文件，并按照一定规律起名，使工程与矢量文件名称对应(例如xx市.mxd和xx市.shp)。将对应的截取图像和矢量文件同时加载，注意矢量文件创建时地理坐标要和图像一致。

s103，在所述工程矢量文件上给矢量图层标注属性。

确定要标注的类别，打开属性表，添加一栏用于记录标注类别信息；在图像空白处用矩形绘制初始小模板，分别代表需要标注的类别，并在刚才创建的一栏下分别命名小模板。打开图层属性编辑栏，对初始小模板进行设置，此处为了方便观察和标注目标物，把小模板设置成空心，边框宽度为1，不同小模板的边框设置为不同颜色。将右侧的模板默认形状设置为矩形，便于标注。若是实际标注时有圆形等各种形状的目标物，对应设置默认形状即可。

s104，根据所述标注属性判断标注位置的目标物类型。

判断截取的高分辨率遥感影像上的目标物位置，选取目标清楚、边缘清晰、大小合适、样本丰富的目标物，根据不同类别目标物的特点判断所述目标物的分类。

s105，将选好的目标物根据所述目标物类型的不同进行二次标注，以使得标注框边缘贴近所述目标物。

对确定好类别的目标物，分别用小模板进行标注，先选中小模板，然后选择边缘清晰、样式丰富的目标物，将小模板复制过去，并调整至尽量贴合其边缘。对于边界不清晰，有树木遮挡的目标物，可以不进行标注。不同类别建筑用不同颜色的对应小模板标注。

s106，二次标注结束后，将标注好的工程矢量文件进行保存。

标注完所有合适的目标物标后，检查属性表中标注信息以及文件是否无误，删除空白处的小模板，并保存工程和矢量文件，文档保存相对路径。判断是否需要其他类型图像标注信息。

s107，判断是否存在其他类型影像的标注信息。

s108，如果存在，则将带有标注框的所述工程矢量文件对应到多光谱图像和融合图像上。

如果s107中判断存在其他类型影像的标注信息，则分为两种情况：若需要多光谱图像标注信息，将多光谱影像和标注好的矢量文件同时加载，调整标注框属性与在全色图像上标注时一致，检查无误后保存相对路径。若需要融合图像标注信息，将融合影像和标注好的矢量文件同时加载，调整标注框属性与在全色图像上标注时一致，检查无误后保存相对路径。

s109，如果不存在，则将最终标注结果进行保存。

如果s107中判断不存在其他类型影像的标注信息，则检查所有信息是否完整，是否需要改动，无误后将工程及矢量文件分类保存。

本申请一个示意性实施例：

从国产高分二号卫星影像中选取并截取数据：内陆地区选取云层遮盖较少、图像质量清晰、覆盖范围广、物体丰富的影像，且图像与图像间重合面积尽量要少，可选择不同时段的同一地区影像。沿海地区选取云层遮盖较少、图像质量清晰、覆盖范围内陆沿海皆有的影像，且图像与图像间重合面积尽量要少，可选择不同时段的同一地区影像。创建矢量文件，在原有每景图像上选择物体数量丰富、物体较为清晰、无关信息较少的部分用矩形进行截取，大小控制在2000*2000像素到5000*5000像素之间(注意截取时用于截取的矢量文件地理坐标应与原图像一致)。将截取用的shp文件和多光谱影像和融合影像同时加载，截取出对应的多光谱图像和融合图像。

创建工程矢量文件，按以下过程进行：创建mxd文件及矢量文件，并按照一定规律起名，使工程与矢量文件名称对应，此处创建xx市1.mxd和xx市1.shp，创建shp文件时注意地理坐标与图像一致。选取一张全色图像，和xx市1.shp同时加载。

确定要标注的类别，根据类别和实际情况给矢量图层设置属性，该步骤包括以下过程：确定要标注的类别，此处为四类。分别为住房、厂房、其他和圆形建筑。打开属性表，添加名为type的一栏用于记录标注类别信息。在图像空白处，绘制四个矩形小模板，打开属性表在type一栏下分别将四个小模板命名为住房、厂房、其他和圆形建筑。打开矢量图层属性编辑栏，对四个小模板进行设置，把小模板设置成空心，边框宽度为1，住房小模板边框颜色为marsred，厂房小模板边框颜色为cretanblue，其他小模板边框颜色为firered，圆形建筑小模板边框颜色为blackberry。目标物大多为矩形，将右侧四个小模板的默认形状设置为矩形，以便于标注，如图2为属性设置完成图。

判断目标物：在图像上寻找目标物。住房一般为楼层较高，阴影较长且同一区域内样式相似、排列规律密集，房顶形状不规则。厂房一般为低矮房屋且面积较大，房顶多为矩形。其他为判断不出具体类别的房屋建筑以及像学校、车站、大棚等非住房和厂房建筑。圆形建筑较好判断，为规则的圆顶。

标注目标物。对确定好类别的目标物，分别用小模板进行标注，先选中小模板，然后选择边缘清晰、样式丰富的目标物，将小模板复制过去，并调整至尽量贴合其边缘。对于边界不清晰，有树木遮挡的目标物，可以不进行标注。不同类别建筑用不同颜色的对应小模板标注，如图3所示，为标注完成图。

检查属性表并保存文件。将图像中所有合适的目标物标注完成后，检查属性表中是否存储了标注信息，对应的type一栏下也会对应有住房、厂房、其他和圆形建筑四类标签。删除空白处的小模板，保存xx市1.mxd和xx市1.shp，为了方便查看和对应标注信息，文档保存相对路径，再次打开会直接同时加载全色图像和记录有标注信息的xx市1.shp，并呈现标注情况。判断是否需要多光谱图像和融合图像的标注信息。

将标注信息对应到多光谱图像和融合图像。新建工程xx市1-多光谱.mxd，将事先截取好的多光谱图像和带有标注信息的xx市1.shp同时加载，重复之前的属性设置，将四类标注框分别设置成空心，边框宽度为1，住房小模板边框颜色为marsred，厂房小模板边框颜色为cretanblue，其他小模板边框颜色为firered，圆形建筑小模板边框颜色为blackberry。地理坐标相同，标注信息便可对应到多光谱图像，检查信息无误后，文档保存相对路径，如图4所示，为多光谱图像对应图。

新建工程xx市1-融合.mxd，将事先截取好的融合图像和带有标注信息的xx市1.shp同时加载，重复之前的属性设置，将四类标注框分别设置成空心，边框宽度为1，住房小模板边框颜色为marsred，厂房小模板边框颜色为cretanblue，其他小模板边框颜色为firered，圆形建筑小模板边框颜色为blackberry。地理坐标相同，标注信息便可对应到融合图像，检查信息无误后，文档保存相对路径。如图5，为融合图像对应图。

检查各项信息是否无误，新建将xx市1.mxd、xx市1-多光谱.mxd、xx市1-融合.mxd和xx市1.shp存放于xx市1文件夹。

由上述实施例可知，本实施例提供了一种高分辨率遥感目标大数据集的高效标注方法，在制备高分辨率遥感影像数据集时，形成一个标注目标物的完整体系，可以在分辨率最高的全色图像上进行标注，最终对应到多光谱图像和融合图像，大大提高了标注效率。本标注流程考虑了样本的多样性，属性设置灵活多变，标注更为贴合目标物，使得标注更加快速精确。

与上述实施例提供的一种高分辨率遥感目标大数据集的高效标注方法相对应，本申请还提供了一种高分辨率遥感目标大数据集的高效标注系统实施例。参见图6，高分辨率遥感目标大数据集的高效标注系统20包括：截取模块201、创建模块202、第一标注模块203、判别模块204、第二标注模块205、保存模块206和处理模块207。

所述截取模块201，用于在获取的每景高分辨率遥感图像上按照预设条件截取影像图片。创建模块202，用于创建所述影像图片创建工程矢量文件。第一标注模块203，用于在所述工程矢量文件上给矢量图层标注属性。判别模块204，用于根据所述标注属性判断标注位置的目标物类型。第二标注模块205，用于将选好的目标物根据所述目标物类型的不同进行二次标注，以使得标注框边缘贴近所述目标物。保存模块206，用于二次标注结束后，将标注好的工程矢量文件进行保存。处理模块207，用于判断是否存在其他类型影像的标注信息，如果存在，则将带有标注框的所述工程矢量文件对应到多光谱图像和融合图像上；或者，如果不存在，则将最终标注结果进行保存。

本申请说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于系统实施例而言，由于其中的方法基本相似于方法的实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。

当然，上述说明也并不仅限于上述举例，本申请未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述；以上实施例及附图仅用于说明本申请的技术方案并非是对本申请的限制，如来替代，本申请仅结合并参照优选的实施方式进行了详细说明，本领域的普通技术人员应当理解，本技术领域的普通技术人员在本申请的实质范围内所做出的变化、改型、添加或替换都不脱离本申请的宗旨，也应属于本申请的权利要求保护范围。