遥感影像中物体识别方法、装置及存储介质与流程

[0001]
本申请涉及遥感影像物体识别领域，具体而言，涉及一种遥感影像中物体识别方法、装置及存储介质。


背景技术：

[0002]
遥感作为一门已经有数十年历史的高科技技术，对国防、农业、城镇规划、城市建设、房屋统计等领域有重要的价值。随着科技的发展，遥感卫星、无人机、有人机等遥感设备获取的数据精度越来越好，数据量越来越多。尤其是我国的高分卫星计划推动了大量亚米级分辨率卫星上天，获取了全球地表的海量数据。然而如何自动化解读和利用这些数据是当前最紧迫的事情。对遥感影像数据中特定类型物体进行自动化目标检测是一个很关键的应用领域。比如对于城市规划来说，面对海量的遥感影像数据，需要每个季度快速检测出建筑物的分布和数量以及对应的矢量信息。这对于找出违章建筑，统计某地区房屋的数量以及面积，给出精确的矢量信息等等都有很大实际意义。
[0003]
近年来随着深度学习的发展，遥感领域内逐渐出现使用深度学习相关技术进行目标检测的趋势。深度学习是一种利用矩阵乘法和非线性函数对输入数据进行反复迭代的模型，利用梯度法可以找到合适的模型权重使得模型对输入数据和目标之间建立复杂的映射关系。目前学术界通用的深度学习建筑物边缘检测模型普遍是在更广泛的数据集上表现较好，但是对于建筑物识别来说仍然存在很多问题。例如很难做到把建筑物的边缘笔直的检测出来；对城区、山地、农村的建筑物检测效果差异很大；很难抵抗建筑物阴影的干扰；由于遥感影像拍摄角度问题，倾斜的建筑物的侧面很难被正确排除等。总之，目前通用的深度学习建筑物边缘检测模型在大范围的遥感影像上精准度不高。


技术实现要素：

[0004]
为了解决上述问题，本申请实施例提供了一种遥感影像中物体识别方法、装置及存储介质。第一方面，本申请实施例提供了一种遥感影像中物体识别方法，所述方法包括：
[0005]
获取遥感影像数据，将所述遥感影像数据按照预设方式划分成若干第一分割影像数据；
[0006]
分别将每个所述第一分割影像数据导入预设模型中，获得每个所述第一分割影像数据各自对应的第二分割影像数据；
[0007]
分别计算每个所述第二分割影像数据中各个像素点存在目标物体的概率值；
[0008]
根据各个所述第二分割影像数据中各个像素点存在目标物体的概率值，确定所述遥感影像数据对应的物体分布影像数据；
[0009]
其中，任意一个所述像素点位于至少一个所述第二分割影像数据中，所述像素点是否存在目标物体的概率值由所述像素点所在的至少一个第二分割影像数据中的位置加权求和得到，任意一个所述第二分割影像数据中各个像素点的加权系数随着所述像素点在所述第二分割影像数据的位置由边缘向中心而增大。
[0010]
可选地，所述预设模型包含一组模型，所述预设模型包含一组针对不同建筑物密度的模型，所述模型基于按照建筑物密度不同划分的若干训练数据集分别训练获得；
[0011]
所述分别将每个所述第一分割影像数据导入预设模型中，获得每个所述第一分割影像数据各自对应的第二分割影像数据，包括：
[0012]
将所述第一分割影像数据导入所述预设模型中，获得一组第三分割影像数据；
[0013]
按照预设集成方式对同一组的所述第三分割影像数据集成，获得第二分割影像数据。
[0014]
可选地，任意一个所述第二分割影像数据中各个像素点的加权系数随着所述像素点在所述第二分割影像数据的位置呈正态分布变化。
[0015]
可选地，所述获取遥感影像数据，将所述遥感影像数据按照预设方式划分成若干第一分割影像数据，包括：
[0016]
获取遥感影像数据，将所述遥感影像数据全部读入内存；
[0017]
将所述遥感影像数据按照预设方式划分成若干第一分割影像数据。
[0018]
可选地，所述将所述遥感影像数据按照预设方式划分成若干第一分割影像数据，包括：
[0019]
通过设置有预设重叠范围的滑动窗口按照预设方式对所述遥感影像数据划分，获得若干第一分割影像数据。
[0020]
可选地，所述根据各个所述第二分割影像数据中各个像素点存在目标物体的概率值，确定所述遥感影像数据对应的物体分布影像数据之后，还包括：
[0021]
按照预设阈值处理所述物体分布影像数据的像素点色彩值，获得黑白影像数据；
[0022]
其中，当所述像素点色彩值大于预设阈值时，则将所述像素点色彩值设置为白色对应的色彩值；当所述像素点色彩值小于等于预设阈值时，则将所述像素点色彩值设置为黑色对应的色彩值。
[0023]
可选地，所述获取遥感影像数据，将所述遥感影像数据按照预设方式划分成若干第一分割影像数据之前，还包括：
[0024]
获取训练影像数据，基于所述训练影像数据生成训练黑白影像数据；所述训练黑白影像数据为对所述训练影像数据标注后生成的黑白图片数据；
[0025]
基于所述预设方式对所述训练影像数据和训练黑白影像数据划分，获得分割训练影像数据和分割训练黑白影像数据；
[0026]
将所述分割训练影像数据和所述分割训练黑白影像数据导入预设的训练模型中，获得所述模型。
[0027]
可选地，所述基于所述预设方式对所述训练影像数据和训练黑白影像数据划分，获得分割训练影像数据和分割训练黑白影像数据之后，还包括：
[0028]
改变所述分割训练影像数据和分割训练黑白影像数据的参数，获得若干组所述参数不同的所述分割训练影像数据和分割训练黑白影像数据；所述参数包含图像的亮度。
[0029]
可选地，所述将所述分割训练影像数据和所述分割训练黑白影像数据导入预设的训练模型中，获得所述模型之前，还包括：
[0030]
对所述分割训练影像数据与分割训练黑白影像数据进行归一化处理；
[0031]
所述将所述分割训练影像数据和所述分割训练黑白影像数据导入预设的训练模
型中，获得所述模型，包括：
[0032]
将归一化后的所述分割训练影像数据和所述分割训练黑白影像数据导入预设的训练模型中，获得所述模型。
[0033]
第二方面，本申请实施例提供了一种遥感影像中物体识别装置，所述装置包括：
[0034]
获取模块，用于获取遥感影像数据，将所述遥感影像数据按照预设方式划分成若干第一分割影像数据；
[0035]
导入模块，用于分别将每个所述第一分割影像数据导入预设模型中，获得每个所述第一分割影像数据各自对应的第二分割影像数据；
[0036]
计算模块，用于分别计算每个所述第二分割影像数据中各个像素点存在目标物体的概率值；
[0037]
确定模块，用于根据各个所述第二分割影像数据中各个像素点存在目标物体的概率值，确定所述遥感影像数据对应的物体分布影像数据；
[0038]
其中，任意一个所述像素点位于至少一个所述第二分割影像数据中，所述像素点是否存在目标物体的概率值由所述像素点所在的至少一个第二分割影像数据中的位置加权求和得到，任意一个所述第二分割影像数据中各个像素点的加权系数随着所述像素点在所述第二分割影像数据的位置由边缘向中心而增大。
[0039]
第三方面，本申请实施例提供了一种遥感影像中物体识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
[0040]
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
[0041]
在本申请一个或多个实施例中，获取遥感影像数据，将所述遥感影像数据按照预设方式划分成若干第一分割影像数据；分别将每个所述第一分割影像数据导入预设模型中，获得每个所述第一分割影像数据各自对应的第二分割影像数据；分别计算每个所述第二分割影像数据中各个像素点存在目标物体的概率值；根据各个所述第二分割影像数据中各个像素点存在目标物体的概率值，确定所述遥感影像数据对应的物体分布影像数据。服务器将遥感影像划分成若干带有重叠区域的第一分割影像数据，并将第一分割影像数据分别导入预设模型得到第二分割影像数据，计算每个像素点存在目标物体的概率值后将所有像素点集成即可确定物体分布影像数据。以此实现了对遥感影像中目标物体的识别，由于对模型中输出图像的像素点根据像素点在分割图像中距离图像中心的距离进行加权后才集成为最终影像，使得检测结果不容易受到阴影等因素干扰，目标物体的检测精准度较高。
附图说明
[0042]
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]
图1为本申请实施例提供的一种遥感影像中物体识别系统的架构示意图；
[0044]
图2为本申请实施例提供的一种遥感影像中物体识别方法的流程示意图；
[0045]
图3为本申请实施例提供的某一像素点同时位于四个第二分割影像数据中的示意图；
[0046]
图4为本申请实施例提供的又一种遥感影像中物体识别方法的流程示意图；
[0047]
图5为本申请实施例提供的通过滑动窗口对遥感影像划分的示意图；
[0048]
图6为本申请实施例提供的又一种遥感影像中物体识别方法的流程示意图；
[0049]
图7为本申请实施例提供的一种遥感影像中物体识别装置的结构示意图；
[0050]
图8为本申请实施例提供的又一种遥感影像中物体识别装置的结构示意图。
具体实施方式
[0051]
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0052]
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征a、b、c，另一个实施例包含特征b、d，那么本申请也应视为包括含有a、b、c、d的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
[0053]
下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
[0054]
请参见图1，图1是本申请实施例提供的一种遥感影像中物体识别系统的架构示意图。如图1所示，该遥感影像中物体识别系统可以包括服务器10、模型20、图像获取装置30。
[0055]
服务器10用于负责对遥感影像进行划分、集成等处理工作，服务器10可以是提供各种服务的服务器，可以但不限于是硬件服务器、虚拟服务器、云服务器等。具体的，服务器10可以是硬件也可以是软件。
[0056]
可能地，当服务器10为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。
[0057]
可能地，当服务器10为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
[0058]
模型20为装载有深度学习模型的服务器，用于在接收到服务器10发送来的划分成若干带有重叠区域的遥感影像子图像进行处理，并输出遥感影像子图像对应的黑白子图像至服务器10。模型20可以集成在服务器10中。
[0059]
可能地，黑白子图像中目标物体所对应的像素点颜色可以为白色，非目标物体所对应的像素点颜色可以是黑色。
[0060]
可能地，模型20可以是一个深度学习模型，也可以是一组深度学习模型，在一组深度学习模型中，不同的深度学习模型对不同目标物体密度的遥感影像的检测误差范围不同。
[0061]
图像获取装置30用于负责拍摄获取服务器10识别建筑物所需的遥感影像，并将遥感影像发送给服务器10。
[0062]
可能地，图像获取装置30可以是卫星、无人机、有人机等装置上的摄像装置。
[0063]
可以理解地，图1所示的遥感影像中物体识别系统架构中的服务器10的数目仅作为示例，在具体实现中，该遥感影像中物体识别系统可以包含任意数目的服务器10，本申请实施例对比不做限定。
[0064]
示例性地，当图像获取装置30拍摄到遥感影像后，图像获取装置30会将遥感影像发送至服务器10。服务器10中写入遥感影像后，服务器10将遥感影像划分为若干带有重叠区域地遥感影像子图像后，将遥感影像子图像发送至模型20。模型20在接收到遥感影像子图像后，对遥感影像子图像进行处理，得到遥感影像子图像所对应地黑白子图像，并将黑白子图像发送至服务器10。服务器10获取到黑白子图像后，按照从图像边缘到图像中间增大地加权系数对所有黑白子图像集成，得到遥感影像所对应的物体分布影像。
[0065]
参见图2，图2是本申请实施例提供的一种遥感影像中物体识别方法的流程示意图。在本申请实施例中，所述方法包括：
[0066]
s201、获取遥感影像数据，将所述遥感影像数据按照预设方式划分成若干第一分割影像数据。
[0067]
所述第一分割影像数据在本申请实施例中可以理解为将一张很大地遥感影像数据分割后地较小的遥感图像。
[0068]
在本申请实施例中，本方法的执行主体可以是服务器，服务器需要从遥感影像中识别的物体可以是建筑物。遥感影像不同于普通的图片，高精度遥感影像的原始尺寸一般都比较大，例如可以是100000*100000像素点的超大图像。故服务器获取到遥感影像数据后，将按照预设方式将遥感影像数据划分为若干较小的第一分割影像数据，以便服务器能够用合理的gpu计算资源完成任务。
[0069]
可能地，遥感影像数据可以是卫星、无人机、有人机等所拍摄的高精度影像数据。
[0070]
可能地，划分后的第一分割影像数据可以是数万张尺寸为512*512*3的小尺寸遥感影像图片。
[0071]
s202、分别将每个所述第一分割影像数据导入预设模型中，获得每个所述第一分割影像数据各自对应的第二分割影像数据。
[0072]
所述第二分割影像数据在本申请实施例中可以理解为将第一分割影像数据导入预设模型后所得到的与第一分割影像数据对应的黑白影像数据。
[0073]
在本申请实施例中，服务器在划分好第一分割影像数据后，将第一分割影像数据导入至预设模型中，预设模型为事先训练好的建筑物边缘检测模型，第一分割影像数据经过模型的处理后，将得到第二分割影像数据。
[0074]
s203、分别计算每个所述第二分割影像数据中各个像素点存在目标物体的概率值。
[0075]
在本申请实施例中，每一个第一分割影像数据在经过算法模型之后，输出的第二分割影像数据可以理解为一个与第一分割影像数据尺寸相同(例如512*512尺寸)的标签，此时这个标签里面的值还是从0到1连续分布的浮点数。由于划分遥感影像数据时，划分的区域之间有重叠区域，因此当将这些标签重新拼成大图时，不可避免地问题便是拼回去地
过程中重叠区域的处理。
[0076]
例如，如图3所示，对于一张100000*100000*3的遥感影像，其中第12345行，第54321列位置的点，在划分之后位于四张第二分割影像数据中，有一张第二分割影像数据认为该位置有建筑物(即目标物体)的概率值是0.4，有一张第二分割影像数据认为该位置有建筑物的概率值是0.1，有一张第二分割影像数据认为该位置有建筑物的概率值是0.9，有一张第二分割影像数据认为该位置有建筑物的概率值是0.7。
[0077]
需要说明的是，一般默认算法模型在边缘部分表现不会比中心部分好，即认为算法模型的输出结果在中心部分的精准度更高。故服务器会给每一张图片中的各像素点分配加权系数，加权系数随着像素点在第二分割影像数据的位置由边缘向中心增大。例如，在一张第二分割影像数据中，标签认为该第二分割影像数据中某一像素点有建筑物的概率值是0.4，但是该像素点处于该第二分割影像数据的边缘位置，则在拼接成整张图片而对像素点加权求和时，该第二分割影像数据中该像素点概率值0.4分配的权重将会很小。在一张第二分割影像数据中，标签认为该第二分割影像数据中某一像素点有建筑物的概率值是0.1，但是该像素点处于该第二分割影像数据的中心位置，则在拼接成整张图片而对像素点加权求和时，该第二分割影像数据中该像素点概率值0.1分配的权重将会很大。服务器将根据上述权重系数来加权计算确定每一个像素点最终的概率值。
[0078]
s204、根据各个所述第二分割影像数据中各个像素点存在目标物体的概率值，确定所述遥感影像数据对应的物体分布影像数据。
[0079]
在本申请实施例中，服务器在计算出每一个像素点最终的概率值后，相当于已经唯一确定了在若干第二分割影像数据拼接后相同像素点的最终概率值，服务器将根据所有像素点的概率值，确定物体分布影像数据即建筑物分布影像数据。
[0080]
可能地，当服务器计算出某一像素点最终的概率值高于0.5时，服务器即认为该像素点存在目标物体。当服务器计算出某一像素点最终的概率值不高于0.5时，服务器即认为该像素点不存在目标物体。在本申请实施例中，概率值可以是0到1之间的任何值，概率值的具体数值仅作示例，本申请对概率值的具体数据并不作任何限定。
[0081]
其中，任意一个所述像素点位于至少一个所述第二分割影像数据中，所述像素点是否存在目标物体的概率值由所述像素点所在的至少一个第二分割影像数据中的位置加权求和得到，任意一个所述第二分割影像数据中各个像素点的加权系数随着所述像素点在所述第二分割影像数据的位置由边缘向中心而增大。
[0082]
在一种可实施方式中，任意一个所述第二分割影像数据中各个像素点的加权系数随着所述像素点在所述第二分割影像数据的位置呈正态分布变化。
[0083]
在本申请实施例中，服务器具体将根据正态分布来确定第二分割影像数据中各个像素点的加权系数数值。
[0084]
可选地，确定了遥感影像数据对应的物体分布影像数据即最终生成的建筑物分布的黑白图像后，可以使用gis工具将该黑白图像转换为矢量多边形格式。gis工具是一套专门处理地理信息数据的工具体系，能够便捷的将最终得到的黑白图像转换为矢量多边形。
[0085]
通过上述步骤，服务器将遥感影像划分成若干带有重叠区域的第一分割影像数据，并将第一分割影像数据分别导入预设模型得到第二分割影像数据，计算每个像素点存在目标物体的概率值后将所有像素点集成即可确定物体分布影像数据。以此实现了对遥感
影像中目标物体的识别，由于对模型中输出图像的像素点根据像素点在分割图像中距离图像中心的距离进行加权后才集成为最终影像，使得检测结果不容易受到阴影等因素干扰，目标物体的检测精准度较高。
[0086]
参见图4，图4是本申请实施例的又一种遥感影像中物体识别方法的流程示意图。如图4所示，所述方法包括：
[0087]
s401、获取遥感影像数据，将所述遥感影像数据全部读入内存。
[0088]
在本申请实施例中，为了加快对遥感影像数据提取分割图的速度，服务器在获取遥感影像数据后，将整张高精度遥感影像大图一次性读入内存中。整个方案全部在内存中进行，由于没有额外的文件写入或读取过程，极大的提高了整套方案的速度。
[0089]
s402、通过设置有预设重叠范围的滑动窗口按照预设方式对所述遥感影像数据划分，获得若干第一分割影像数据。
[0090]
在本申请实施例中，服务器将通过滑动窗口对遥感影像数据进行划分。
[0091]
可能地，如图5所示，滑动窗口对遥感影像数据划分的具体方式可以是向右滑动分割，也可以是向右下滑动分割，滑动窗口的重叠范围可以为百分之五十，也可以为百分之二十五，本申请对此不做限定。
[0092]
s403、分别将每个所述第一分割影像数据导入预设模型中，获得每个所述第一分割影像数据各自对应的第二分割影像数据。
[0093]
具体过程如步骤s202所示，在此不再赘述。
[0094]
s404、分别计算每个所述第二分割影像数据中各个像素点存在目标物体的概率值。
[0095]
具体过程如步骤s203所示，在此不再赘述。
[0096]
s405、根据各个所述第二分割影像数据中各个像素点存在目标物体的概率值，确定所述遥感影像数据对应的物体分布影像数据。
[0097]
具体过程如步骤s204所示，在此不再赘述。
[0098]
s406、按照预设阈值处理所述物体分布影像数据的像素点色彩值，获得黑白影像数据。其中，当所述像素点色彩值大于预设阈值时，则将所述像素点色彩值设置为白色对应的色彩值；当所述像素点色彩值小于等于预设阈值时，则将所述像素点色彩值设置为黑色对应的色彩值。
[0099]
在本申请实施例中，由于遥感影像会有明显的拼接痕迹，可能会造成遥感影像中不同区域的明暗亮度不同，进而有可能导致服务器最终生成的物体分布影像数据存在灰度而非完全的黑白图。故服务器将根据阈值对物体分布影像数据中的各个像素点色彩值进行处理。当所述像素点色彩值大于预设阈值时，则将所述像素点色彩值设置为白色对应的色彩值；当所述像素点色彩值小于等于预设阈值时，则将所述像素点色彩值设置为黑色对应的色彩值。
[0100]
通过上述步骤，服务器将在获取遥感影像后将其一次性读入内存中，选用滑动窗口将遥感影像划分成若干带有重叠区域的第一分割影像数据，并将第一分割影像数据分别导入预设模型得到第二分割影像数据，计算每个像素点存在目标物体的概率值后将所有像素点集成即可确定物体分布影像数据，并根据预设的阈值调整物体分布影像数据的灰度，得到完全黑白的黑白影像数据。以此实现了对遥感影像中目标物体的识别，由于对模型中
输出图像的像素点根据像素点在分割图像中距离图像中心的距离进行加权后才集成为最终影像，使得检测结果不容易受到阴影等因素干扰，目标物体的检测精准度较高。整个方案全部在内存中进行，由于没有额外的文件写入或读取过程，极大的提高了整套方案的速度。
[0101]
参见图6，图6是本申请实施例的又一种遥感影像中物体识别方法的流程示意图。如图6所示，所述方法包括：
[0102]
s601、获取训练影像数据，基于所述训练影像数据生成训练黑白影像数据；所述训练黑白影像数据为对所述训练影像数据标注后生成的黑白图片数据。
[0103]
在本申请实施例中，为了构建用于建筑物边缘检测模型的数据集，服务器将从高精度遥感影像数据中获取一小部分作为训练影像数据，并基于训练影像数据生成训练黑白影像数据。
[0104]
具体地，由于训练影像数据可以看作是一个矩阵，可以对训练影像数据进行标注，有建筑物地区域标注为1，没有建筑物地区域标注为0，标注号的标签即训练黑白影像数据可以是一张黑白图。
[0105]
可能地，对训练影像数据进行标注的方式可以是人工标注。
[0106]
s602、基于所述预设方式对所述训练影像数据和训练黑白影像数据划分，获得分割训练影像数据和分割训练黑白影像数据。
[0107]
在本申请实施例中，服务器会对训练影像数据和训练黑白影像数据进行划分，以便能够用合理的gpu资源完成任务。分割训练影像数据即为输入至模型中进行训练的样本。分割训练黑白影像数据即为期望分割训练影像数据输入至模型中后输出的结果的对照样本。
[0108]
可能地，服务器通过带有一定重叠区域的滑动窗口对训练影像数据和训练黑白影像数据进行划分。
[0109]
s603、改变所述分割训练影像数据和分割训练黑白影像数据的参数，获得若干组所述参数不同的所述分割训练影像数据和分割训练黑白影像数据；所述参数包含图像的亮度。
[0110]
在本申请实施例中，由于遥感影像会有明显的拼接痕迹，这会造成不同区域的明暗亮度不同，而且不同地区的颜色分布也不相同。为了保持数据的一致性，让训练出来的模型有更好的泛化能力，服务器将以一定的随机值改变分割训练影像数据的参数，获得多组参数不同的分割训练影像数据和分割训练黑白影像数据，以此来增加模型训练的样本数量。
[0111]
可能地，参数还可以包括对比度、饱和度。
[0112]
可能地，服务器通过颜色随机抖动操作来改变分割训练影像数据的参数，即通过对构成图像的色相产生位移，造成临近点状差异的色彩交叉效果。
[0113]
s604、对所述分割训练影像数据与分割训练黑白影像数据进行归一化处理。
[0114]
在本申请实施例中，为了避免不同地区不同来源的数据差异过大，在把数据输入模型中训练之前需要对数据归一化，即减去数据的平均值再除以数据的方差。这样可以消除不同区域的图片数据差异过大的影响，使得建筑物边缘检测模型的训练过程可以平稳的变化。
[0115]
需要说明的是，现有技术中归一化操作都是在图像分割前，即对整体的图像进行
归一化处理后，再分割图片成若干小图片，这种方式对于普通的图片而言是处理起来效果最好的方式。而遥感影像与普通图像的区别在于，遥感影像的尺寸特别大，且没有普通图像即通用数据集那么色彩艳丽、形状各异、具有各种3d角度。经过实验验证，对遥感影像而言，整个数据归一化来保证整个数据分布整齐的效果，并没有单独对每一张划分后的图片归一化来使得每一个样本分布整齐效果好。
[0116]
s605、将归一化后的所述分割训练影像数据和所述分割训练黑白影像数据导入预设的训练模型中，获得所述模型。
[0117]
在本申请实施例中，由于城区的建筑物和乡村、林地等区域的建筑物的建筑物密度不相同，对相同的训练模型进行训练，得到的模型的训练结果可能是不同的。有的模型在城区内参数表现较好，误差较小，有的模型在山区内参数表现较好，误差较小。保证算法模型在城区、山村、乡镇等不同类型地区都表现很好。最终将得到一组对应于不同建筑物密度的模型。该模型组是由端到端并且是多模型综合集成。
[0118]
需要说明的是，所述模型为一组针对不同建筑物密度的建筑物密度模型，具体通过按照建筑物密度不同来划分成若干组训练数据集，再用这些数据集分别对训练模型训练得到。例如，用一组主要包含乡村山区的训练数据集去对训练模型进行训练，那么得到的建筑物密度模型在建筑物密度低的区域表现良好；用一组主要包含城区的训练数据集去对训练模型进行训练，那么得到的建筑物密度模型在建筑物密度高的区域表现良好。
[0119]
s606、获取遥感影像数据，将所述遥感影像数据按照预设方式划分成若干第一分割影像数据。
[0120]
具体过程如步骤s201所述，在此不再赘述。
[0121]
s607、将所述第一分割影像数据导入所述预设模型中，获得一组第三分割影像数据。
[0122]
所述第三分割影像数据在本申请实施例中可以理解为包含有一组针对不同建筑物密度模型的预设模型中，某一个建筑物密度模型根据第一分割影像数据而输出的黑白图像数据结果。
[0123]
在本申请实施例中，由于预设模型中包含一组应对于不同建筑物密度的建筑物边缘检测模型，服务器将第一分割影像数据导入至模型中后，将得到一组第三分割影像数据。其中，每一个建筑物边缘检测模型输出有一个第三分割影像数据结果。
[0124]
s608、按照预设集成方式对同一组的所述第三分割影像数据集成，获得第二分割影像数据。
[0125]
在本申请实施例中，由于不同建筑物边缘检测模型在不同建筑物密度下的表现不同，服务器将基于第三分割影像数据的疏密程度对每一个模型输出的第三分割影像数据分配一个加权值，例如，若第三分割影像数据中建筑物较为密集，则对密集建筑物输出结果较好的模型所输出的第三分割影像数据的加权值较大。服务器将对所有的第三分割影像数据进行加权求和叠加，得到第二分割影像数据。
[0126]
s609、分别计算每个所述第二分割影像数据中各个像素点存在目标物体的概率值。
[0127]
具体过程如步骤s203所述，在此不再赘述。
[0128]
s610、根据各个所述第二分割影像数据中各个像素点存在目标物体的概率值，确
定所述遥感影像数据对应的物体分布影像数据。
[0129]
具体过程如步骤s204所述，在此不再赘述。
[0130]
通过上述步骤，服务器首先对用来模型训练的训练影像数据进行划分、参数随即抖动等预处理，再对划分后的分割训练影像数据归一化并导入训练模型z红训练。训练结束后，服务器将遥感影像划分成若干带有重叠区域的第一分割影像数据，并将第一分割影像数据分别导入预设模型得到一组第三分割影像数据，对第三分割影像数据集成后得到第二分割影像数据，计算每个像素点存在目标物体的概率值后将所有像素点集成即可确定物体分布影像数据。以此实现了对遥感影像中目标物体的识别，由于对模型中输出图像的像素点根据像素点在分割图像中距离图像中心的距离进行加权后才集成为最终影像，使得检测结果不容易受到阴影等因素干扰，目标物体的检测精准度较高。
[0131]
下面将结合附图7，对本申请实施例提供的遥感影像中物体识别装置进行详细介绍。需要说明的是，附图7所示的遥感影像中物体识别装置，用于执行本申请图2、图4、图6所示实施例的方法，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请图2、图4、图6所示的实施例。
[0132]
请参见图7，图7是本申请实施例提供的一种遥感影像中物体识别装置的结构示意图。如图7所示，所述装置包括：
[0133]
获取模块701，用于获取遥感影像数据，将所述遥感影像数据按照预设方式划分成若干第一分割影像数据；
[0134]
导入模块702，用于分别将每个所述第一分割影像数据导入预设模型中，获得每个所述第一分割影像数据各自对应的第二分割影像数据；
[0135]
计算模块703，用于分别计算每个所述第二分割影像数据中各个像素点存在目标物体的概率值；
[0136]
确定模块704，用于根据各个所述第二分割影像数据中各个像素点存在目标物体的概率值，确定所述遥感影像数据对应的物体分布影像数据；
[0137]
其中，任意一个所述像素点位于至少一个所述第二分割影像数据中，所述像素点是否存在目标物体的概率值由所述像素点所在的至少一个第二分割影像数据中的位置加权求和得到，任意一个所述第二分割影像数据中各个像素点的加权系数随着所述像素点在所述第二分割影像数据的位置由边缘向中心而增大。
[0138]
在一种可实施方式中，任意一个所述第二分割影像数据中各个像素点的加权系数随着所述像素点在所述第二分割影像数据的位置呈正态分布变化。
[0139]
在一种可实施方式中，所述获取模块701包括：
[0140]
获取单元，用于获取遥感影像数据，将所述遥感影像数据全部读入内存；
[0141]
划分单元，用于将所述遥感影像数据按照预设方式划分成若干第一分割影像数据。
[0142]
在一种可实施方式中，所述划分单元具体用于：
[0143]
通过设置有预设重叠范围的滑动窗口按照预设方式对所述遥感影像数据划分，获得若干第一分割影像数据。
[0144]
在一种可实施方式中，所述装置还包括：
[0145]
处理模块，用于按照预设阈值处理所述物体分布影像数据的像素点色彩值，获得
黑白影像数据；
[0146]
其中，当所述像素点色彩值大于预设阈值时，则将所述像素点色彩值设置为白色对应的色彩值；当所述像素点色彩值小于等于预设阈值时，则将所述像素点色彩值设置为黑色对应的色彩值。
[0147]
在一种可实施方式中，所述装置还包括：
[0148]
生成模块，用于获取训练影像数据，基于所述训练影像数据生成训练黑白影像数据；所述训练黑白影像数据为对所述训练影像数据标注后生成的黑白图片数据；
[0149]
划分模块，用于基于所述预设方式对所述训练影像数据和训练黑白影像数据划分，获得分割训练影像数据和分割训练黑白影像数据；
[0150]
训练模块，用于将所述分割训练影像数据和所述分割训练黑白影像数据导入预设的训练模型中，获得所述模型。
[0151]
在一种可实施方式中，所述装置还包括：
[0152]
修改模块，用于改变所述分割训练影像数据和分割训练黑白影像数据的参数，获得若干组所述参数不同的所述分割训练影像数据和分割训练黑白影像数据；所述参数包含图像的亮度。
[0153]
在一种可实施方式中，所述装置还包括：
[0154]
归一化模块，用于对所述分割训练影像数据与分割训练黑白影像数据进行归一化处理。
[0155]
在一种可实施方式中，所述导入模块702具体用于：
[0156]
将所述第一分割影像数据导入所述预设模型中，获得一组第三分割影像数据；
[0157]
按照预设集成方式对同一组的所述第三分割影像数据集成，获得第二分割影像数据。
[0158]
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列(field－programmable gate array，fpga)、集成电路(integrated circuit，ic)等。
[0159]
本申请实施例的各处理单元和/或模块，可通过实现本申请实施例所述的功能的模拟电路而实现，也可以通过执行本申请实施例所述的功能的软件而实现。
[0160]
参见图8，其示出了本申请实施例所涉及的一种遥感影像中物体识别装置的结构示意图，该遥感影像中物体识别装置可以用于实施图2、图4、图6所示实施例中的方法。如图8所示，遥感影像中物体识别装置800可以包括：至少一个中央处理器801，至少一个网络接口804，用户接口803，存储器805，至少一个通信总线802。
[0161]
其中，通信总线802用于实现这些组件之间的连接通信。
[0162]
其中，用户接口803可以包括显示屏(display)、摄像头(camera)，可选用户接口803还可以包括标准的有线接口、无线接口。
[0163]
其中，网络接口804可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。
[0164]
其中，中央处理器801可以包括一个或者多个处理核心。中央处理器801利用各种接口和线路连接整个终端800内的各个部分，通过运行或执行存储在存储器805内的指令、程序、代码集或指令集，以及调用存储在存储器805内的数据，执行终端800的各种功能和处
理数据。可选的，中央处理器801可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field-programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。中央处理器801可集成中央中央处理器(central processing unit，cpu)、图像中央处理器(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到中央处理器801中，单独通过一块芯片进行实现。
[0165]
其中，存储器805可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory)。可选的，该存储器805包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器805可用于存储指令、程序、代码、代码集或指令集。存储器805可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器805可选的还可以是至少一个位于远离前述中央处理器801的存储装置。如图8所示，作为一种计算机存储介质的存储器805中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
[0166]
在图8所示的测光模式切换装置800中，用户接口803主要用于为用户提供输入的接口，获取用户输入的数据；而处理器801可以用于调用存储器805中存储的遥感影像中物体识别应用程序，并具体执行以下操作：
[0167]
获取遥感影像数据，将所述遥感影像数据按照预设方式划分成若干第一分割影像数据；
[0168]
分别将每个所述第一分割影像数据导入预设模型中，获得每个所述第一分割影像数据各自对应的第二分割影像数据；
[0169]
分别计算每个所述第二分割影像数据中各个像素点存在目标物体的概率值；
[0170]
根据各个所述第二分割影像数据中各个像素点存在目标物体的概率值，确定所述遥感影像数据对应的物体分布影像数据；
[0171]
其中，任意一个所述像素点位于至少一个所述第二分割影像数据中，所述像素点是否存在目标物体的概率值由所述像素点所在的至少一个第二分割影像数据中的位置加权求和得到，任意一个所述第二分割影像数据中各个像素点的加权系数随着所述像素点在所述第二分割影像数据的位置由边缘向中心而增大。
[0172]
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、dvd、cd-rom、微型驱动器以及磁光盘、rom、ram、eprom、eeprom、dram、vram、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器ic)，或适合于存储指令和/或数据的任何类型的媒介或设备。
[0173]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知
悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
[0174]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0175]
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
[0176]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0177]
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0178]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0179]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0180]
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。