油罐布局信息生成方法、装置、电子设备、介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及油罐布局信息生成方法、装置、电子设备和介质。


背景技术：

2.目前，在日常生活中，油罐常常是用来储存油品的、且具有规定规则形体（例如，圆柱型）的大型容器。油罐的目标检测和参数提取对油罐监测、储油分析等应用领域具有重要的意义。对于油罐的目标检测，通常采用的方式为：首先，获取待检测的目标合成孔径雷达图像。然后，将目标合成孔径雷达图像输入至预先训练的卷积神经网络（convolutional neural networks, cnn），以来进行针对油罐的目标检测。
3.然而，当采用上述方式来进行油罐检测，经常会存在如下技术问题：第一，合成孔径雷达图像虽然可以有效地体现目标区域内各个油罐的相位信息。但是，将合成孔径雷达图像作为神经网络的输入来进行油罐的检测，常常存在准确率较低的问题。除此之外，将较高分辨率的目标合成孔径雷达图像作为神经网络的输入，存在训练神经网络和后续目标区域的油罐检测的计算量较大的问题。
4.第三，单单使用卷积神经网络来进行针对目标区域的油罐检测常常存在精准度较低的问题。例如，卷积神经网络常常没有考虑油罐图像中的一些主要特征信息（例如，结构种类、阴影区域等），导致油罐的检测精准度较低。


技术实现要素：

5.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
6.本公开的一些实施例提出了油罐布局信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
7.第一方面，本公开的一些实施例提供了一种油罐布局信息生成方法，包括：对预先获取的目标合成孔径雷达图像进行图像剪裁，得到子图像集，其中，上述目标合成孔径雷达图像是由合成孔径雷达传感器针对目标区域拍摄的、分辨率大小满足第一条件的图像；对于子图像集对应的区域信息集中的每个区域信息，获取由光学图像传感器针对上述区域信息对应区域拍摄的、分辨率大小满足不同第二条件的光学图像集；对于所得到的光学图像集组中的每个光学图像集，将上述光学图像集中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集；对于所得到的特征图集组中的每个特征图集，将上述特征图集中的各个特征图进行特征图融合，得到融合后特征图；对于所得到的融合后特征图集中的每个融合后特征图，根据上述融合后特征图和油罐识别模型集，生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息；根据上述目标合成孔径雷达图像、上述油罐识别模型集、
所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，生成上述目标区域的油罐布局信息。
8.第二方面，本公开的一些实施例提供了一种油罐布局信息生成装置，包括：剪裁单元，被配置成对预先获取的目标合成孔径雷达图像进行图像剪裁，得到子图像集，其中，上述目标合成孔径雷达图像是由合成孔径雷达传感器针对目标区域拍摄的、分辨率大小满足第一条件的图像；获取单元，被配置成对于子图像集对应的区域信息集中的每个区域信息，获取由光学图像传感器针对上述区域信息对应区域拍摄的、分辨率大小满足不同第二条件的光学图像集；输入单元，被配置成对于所得到的光学图像集组中的每个光学图像集，将上述光学图像集中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集；融合单元，被配置成对于所得到的特征图集组中的每个特征图集，将上述特征图集中的各个特征图进行特征图融合，得到融合后特征图；第一生成单元，被配置成对于所得到的融合后特征图集中的每个融合后特征图，根据上述融合后特征图和油罐识别模型集，生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息；第二生成单元，被配置成根据上述目标合成孔径雷达图像、上述油罐识别模型集、所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，生成上述目标区域的油罐布局信息。
9.第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
10.第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
11.本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的油罐布局信息生成方法以准确、高效的生成目标区域的油罐布局信息。具体来说，造成生成油罐布局信息不够准确、有效的原因在于：第一，将合成孔径雷达图像作为神经网络的输入来进行油罐的检测，常常存在准确率较低的问题。除此之外，将较高分辨率的目标合成孔径雷达图像作为神经网络的输入，存在训练卷积神经网络和后续目标区域的油罐检测的计算量较大的问题。第二，单单使用卷积神经网络来进行针对目标区域的油罐检测常常存在精准度较低的问题。例如，卷积神经网络常常没有考虑油罐图像中的一些主要特征信息（例如，结构种类、阴影区域等），导致油罐的检测精准度较低。基于此，本公开的一些实施例的油罐布局信息生成方法可以首先对上述目标合成孔径雷达图像进行图像剪裁，得到子图像集。在这里，通过对目标孔径雷达图像进行剪裁，以用于后续获取对应的光学图像集。其中，上述目标合成孔径雷达图像是由合成孔径雷达传感器针对目标区域拍摄的、分辨率大小满足第一条件的图像。然后，确对于子图像集对应的区域信息集中的每个区域信息，获取由光学图像传感器针对上述区域信息对应区域拍摄的、分辨率大小满足不同第二条件的光学图像集。在这里，获取光学图像集组的目的在于：相对于目标合成孔径雷达图像，对应的光学图像更容易进行目标物品检测。虽然光学图像进行油罐检测的准确率更高，但是没有目标合成孔径雷达图像能较好地体现油罐的相位信息。基于此，从目标合成孔径雷达图像和光学图像两方面来进行油罐检测，可以大大提高油罐的检测准确率。进而，对于所得到的光学图像集组中
的每个光学图像集，将上述光学图像集中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集。在这里，由于光学图像集中的各个光学图像的分辨率是不同的，提取对应区域的特征信息也是不同的，特征信息的不同使得可以从全局角度、局部角度等各方面角度来确定对应区域的各个油罐的油罐信息。进而，对于所得到的特征图集组中的每个特征图集，将上述特征图集中的各个特征图进行特征图融合，得到融合后特征图。在这里，将所得到的各个融合后特征图作为模型的输入，可以更为准确的确定出目标区域的油罐信息。进一步地，对于所得到的融合后特征图集中的每个融合后特征图，根据上述融合后特征图和上述油罐识别模型集，可以高效、准确地生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。最后，根据上述目标合成孔径雷达图像、上述油罐识别模型集、所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，可以高效、准确地生成上述目标区域的油罐布局信息。
附图说明
12.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
13.图1是根据本公开的一些实施例的油罐布局信息生成方法的一个应用场景的示意图；图2是根据本公开的油罐布局信息生成方法的一些实施例的流程图；图3是根据本公开的油罐布局信息生成方法的另一些实施例的流程图；图4是根据本公开的油罐布局信息生成装置的一些实施例的结构示意图；图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
14.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
15.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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
16.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
17.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
18.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
19.下面将参考附图并结合实施例来详细说明本公开。
20.图1是根据本公开一些实施例的油罐布局信息生成方法的一个应用场景的示意
图。
21.在图1的应用场景中，电子设备101可以首先对预先获取的目标合成孔径雷达图像102进行图像剪裁，得到子图像集103。在本应用场景中，上述子图像集103包括：子图像1031、子图像1032、子图像1033。其中，上述目标合成孔径雷达图像102是由合成孔径雷达传感器针对目标区域拍摄的、分辨率大小满足第一条件的图像。然后，对于子图像集103对应的区域信息集104中的每个区域信息，电子设备101可以获取由光学图像传感器针对上述区域信息对应区域拍摄的、分辨率大小满足不同第二条件的光学图像集。在本应用场景中，区域信息集104包括：子图像1031对应的区域信息1041、子图像1032对应的区域信息1042、子图像1033对应的区域信息1043。区域信息1041对应的光学图像集105包括：光学图像1051、光学图像1052、光学图像1053。区域信息1042对应的光学图像集106包括：光学图像1061、光学图像1062、光学图像1063。区域信息1043对应的光学图像集107包括：光学图像1071、光学图像1072、光学图像1073。接着，对于所得到的光学图像集组中的每个光学图像集，电子设备101可以将上述光学图像集中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集。在本应用场景中，将光学图像集105中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集111。上述特征图集111包括：特征图1111、特征图1112、特征图1113。将光学图像集106中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集112。上述特征图集112包括：特征图1121、特征图1122、特征图1123。将光学图像集107中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集113。上述特征图集113包括：特征图1131、特征图1132、特征图1133。进而，对于所得到的特征图集组中的每个特征图集，电子设备101可以将上述特征图集中的各个特征图进行特征图融合，得到融合后特征图。在本应用场景中，特征图1111、特征图1112和特征图1113进行特征图融合，得到融合后特征图集114中的融合后特征图1141。特征图1121、特征图1122和特征图1123进行特征图融合，得到融合后特征图集114中的融合后特征图1142。特征图1131、特征图1132和特征图1133进行特征图融合，得到融合后特征图集114中的融合后特征图1143。进一步地，对于所得到的融合后特征图集114中的每个融合后特征图，电子设备101可以根据上述融合后特征图和上述油罐识别模型集108，生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息109和上述第一油罐信息集中各个第一油罐信息的半径信息110。在本应用场景中，油罐识别模型集108可以包括：油罐识别模型1081、油罐识别模型1082、油罐识别模型1083。最后，电子设备101可以根据上述目标合成孔径雷达图像102、上述油罐识别模型集108、所得到的第一油罐信息集组109中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息110，生成上述目标区域的油罐布局信息115。
22.需要说明的是，上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务端或终端设备组成的分布式集群，也可以实现成单个服务端或单个终端设备。当电子设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的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。
23.应该理解，图1中的电子设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。
24.继续参考图2，示出了根据本公开的油罐布局信息生成方法的一些实施例的流程200。该油罐布局信息生成方法，包括以下步骤：步骤201，对预先获取的目标合成孔径雷达图像进行图像剪裁，得到子图像集。
25.在一些实施例中，上述执行主体可以对上述目标合成孔径雷达图像（synthetic aperture radar，sar）进行图像剪裁，得到子图像集。其中，上述子图像集中的每个子图像都存在较大概率为各个油罐所对应的图像。其中，上述目标合成孔径雷达图像是由合成孔径雷达传感器针对目标区域拍摄的、分辨率大小满足第一条件的图像。目标区域可以是待进行油罐检测的区域。第一条件可以是预先设置的。第一条件可以是图像的分辨率大小位于一定区间内，例如，目标合成孔径雷达图像的分辨率大小可以是1000像素
×
800像素。第一条件对应的区间可以是[800，1500]像素
×
[400，1000]像素。
[0026]
作为示例，上述执行主体可以对上述目标合成孔径雷达图像进行图像剪裁，得到子图像集，包括以下步骤：第一步，上述执行主体提取上述目标合成孔径雷达图像的颜色特征信息。
[0027]
实践中，上述执行主体可以通过颜色矩的方法来提取上述目标合成孔径雷达图像的颜色特征信息。
[0028]
第二步，上述执行主体可以通过根据上述颜色特征信息，对上述目标合成孔径雷达图像进行剪裁，得到剪裁后图像集。
[0029]
第三步，从上述剪裁后图像集中筛选出满足第五条件的剪裁后图像，作为子图像，得到上述子图像集。其中，第五条件可以是预先设置的。第五条件可以是形状为固定形状（例如，矩形）以及面积大于第一阈值的剪裁后图像。
[0030]
在一些实施例的一些可选的实现方式中，上述对上述目标合成孔径雷达图像进行图像剪裁，得到子图像集，可以包括以下步骤：第一步，上述执行主体可以提取上述目标合成孔径雷达图像的纹理特征信息。
[0031]
实践中，上述执行主体可以lbp（local binary pattern，局部二值模式）来提取上述目标合成孔径雷达图像的纹理特征信息。
[0032]
第二步，上述执行主体可以根据上述纹理特征信息，对上述目标合成孔径雷达图像进行剪裁，得到剪裁后图像集。
[0033]
实践中，上述执行主体可以从上述纹理特征信息中确定出包括多个圆圈的纹理特征信息。然后，上述执行主体可以将包括个圆圈的纹理特征信息对应的图像从上述目标合成孔径雷达图像中剪裁出来，得到上述剪裁后图像集。
[0034]
第三步，上述执行主体可以从上述剪裁后图像集中筛选出满足第三条件的剪裁后图像，作为子图像，得到上述子图像集。其中，上述第三条件可以是预先设置的。第三条件可以是面积大于第二阈值的剪裁后图像。
[0035]
步骤202，对于子图像集对应的区域信息集中的每个区域信息，获取由光学图像传感器针对上述区域信息对应区域拍摄的、分辨率大小满足不同第二条件的光学图像集。
[0036]
在一些实施例中，上述执行主体可以对于所得到的区域信息集中的每个区域信息，获取由光学图像传感器针对上述区域信息对应区域拍摄的、分辨率大小满足不同第二条件的光学图像集。其中，子图像集中每个子图像都存在对应的区域信息。第二条件可以是预先设置的。第二条件可以是光学图像的分辨率大小位于一定分辨率区间中。其中，区域信
息可以表征区域的地理位置信息。上述子图像对应的区域信息可以是子图像所对应的地理位置信息。即，子图像对应图像内容的地理位置信息。
[0037]
例如，区域信息可以包括各个坐标来表征对应区域的地理位置信息。
[0038]
需要说明的是，光学图像集对应着各个第二条件。光学图像集中各个光学图像对应的分辨率是不相同的。即，各个第二条件对应着不同的区间。
[0039]
作为示例，光学图像集包括：第一光学图像，第二光学图像，第三光学图像。第一光学图像对应的区间为：[100，200]像素
×
[50，100]像素。第二光学图像对应的区间为：[400，600]像素
×
[200，300]像素。第二光学图像对应的区间为：[800，1500]像素
×
[400，1000]像素。第一光学图像的分辨率为：150像素
×
75像素。第二光学图像的分辨率为：500像素
×
250像素。第三光学图像的分辨率为：1000像素
×
800像素。
[0040]
步骤205，根据上述目标合成孔径雷达图像和预先训练的油罐识别模型集，生成上述目标合成孔径雷达图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。
[0041]
在一些实施例中，上述执行主体可以根据上述目标合成孔径雷达图像和预先训练的油罐识别模型集，生成上述目标合成孔径雷达图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。其中，第一油罐信息的位置信息可以是油罐在目标合成孔径雷达图像上的坐标信息。
[0042]
作为示例，上述执行主体可以根据上述目标合成孔径雷达图像和预先训练的油罐识别模型集，执行以下步骤来生成上述目标合成孔径雷达图像所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息：第一步，上述执行主体可以将上述目标合成孔径雷达图像输入至预先训练的油罐识别模型集中的每个油罐识别模型，以输出上述目标合成孔径雷达图像所对应的第三油罐信息集中各个第三油罐信息的位置信息和上述第三油罐信息集中各个第三油罐信息的半径信息，得到第三油罐信息集组中各个第三油罐信息的位置信息和上述第三油罐信息集组中各个第三油罐信息的半径信息。
[0043]
第二步，上述执行主体可以进行位置信息去重处理，以去掉第三油罐信息集组中各个第三油罐信息的位置信息中重复的位置信息，得到去重后的各个第三油罐信息的位置信息。
[0044]
第三步，将上述去重后的各个第三油罐信息的位置信息确定为上述目标合成孔径雷达图像所对应的第一油罐信息集中各个第一油罐信息的位置信息，以及获取上述第一油罐信息集中各个第一油罐信息的半径信息。
[0045]
步骤203，对于所得到的光学图像集组中的每个光学图像集，将上述光学图像集中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集。
[0046]
在一些实施例中，对于所得到的光学图像集组中的每个光学图像集，上述执行主体可以将上述光学图像集中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集。其中，上述油罐特征信息提取网络可以是但不限于以下至少一项：卷积神经网络（convolutional neural networks, cnn），残差网络（residual network, resnet）。
[0047]
步骤204，对于所得到的特征图集组中的每个特征图集，将上述特征图集中的各个
特征图进行特征图融合，得到融合后特征图。
[0048]
在一些实施例中，对于所得到的特征图集组中的每个特征图集，上述执行主体可以将上述特征图集中的各个特征图进行特征图融合，得到融合后特征图。
[0049]
作为示例，上述执行主体可以将特征集中各个特征图进行特征图拼接，得到融合后特征图。
[0050]
作为又一个示例，上述执行主体可以将上述特征图集中的各个特征图进行特征图相加，得到相加后的特征图，作为上述融合后特征图。
[0051]
步骤205，对于所得到的融合后特征图集中的每个融合后特征图，根据上述融合后特征图和上述油罐识别模型集，生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。
[0052]
在一些实施例中，对于所得到的融合后特征图集中的每个融合后特征图，上述执行主体可以根据上述融合后特征图和上述油罐识别模型集，生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。其中，第一油罐信息的位置信息可以是油罐的坐标信息。上述油罐识别模型集可以包括：ssd（single shot multibox detector）算法，r-cnn（region-convolutional neural networks）算法，fast r-cnn（fast region
‑ꢀ
convolutional neural networks）算法，faster r-cnn（faster region
‑ꢀ
convolutional neural networks）算法，spp-net（spatial pyramid pooling network）算法，yolo（you only look once）算法，fpn（feature pyramid networks）算法，dcn（deformable convnets）算法，retinanet目标检测算法。
[0053]
其中，油罐识别模型集中每个油罐识别模型的训练数据集是通过以下步骤生成：第一步，对标合成孔径雷达图像进行8倍sinc插值。
[0054]
第二步，将针对插值后的图像分成512x512大小的图像块，选取多于500个图像块。
[0055]
第三步，针对每个图像块的油罐目标进行标注，标注半径和位置两类信息。
[0056]
作为示例，上述执行主体可以针对每个油罐区域，找到平行于距离向的边界的两个强散射点，a点和b点，并针对b点附近的圆弧画出圆周，其中，p点为圆心，调整半径r，将此圆周移动到过a点，两个圆周的外接矩形标注为位置框，标注每个油罐的位置框。标注格式为：x，y，w，h。其中，x，y表示油罐目标左上角在图像中的像素位置，w，h表示外接框的长和宽的像素个数，并同时记录标注油罐半径r。
[0057]
第四步，上述执行主体可以针对每个图像块生成对应的xml文件，文件包含油罐个数和所有油罐的x，y，w，h，r的参数信息。
[0058]
第五步，将图像块按照3：1的比例分为训练集和测试集。
[0059]
作为示例，上述执行主体可以根据上述融合后特征图和上述油罐识别模型集，执行以下步骤来生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息：第一步，上述执行主体可以将上述融合后特征图输入至预先训练的油罐识别模型集中的每个油罐识别模型，以输出上述融合后特征图所对应的第五油罐信息集中各个第五油罐信息的位置信息和上述第五油罐信息集中各个第五油罐信息的半径信息，得到第五油罐信息集组中各个第五油罐信息的位置信息和上述第五油罐信息集组中各个第五油罐信
息的半径信息。
[0060]
第二步，上述执行主体可以进行位置信息去重处理，以去掉第五油罐信息集组中各个第五油罐信息的位置信息中重复的位置信息，得到上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。
[0061]
在一些实施例的一些可选的实现方式中，上述根据上述融合后特征图和上述油罐识别模型集，生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息，可以包括以下步骤：第一步，上述执行主体可以将上述融合后特征图输入至预先训练的目标油罐识别模型，得到第五油罐信息集中各个第五油罐信息的位置信息和上述第五油罐信息集中各个第五油罐信息的半径信息。
[0062]
第二步，上述执行主体可以将上述融合后特征图输入至上述至少一个油罐识别模型中每个油罐识别模型，以输出第六油罐信息集中各个第六油罐信息的位置信息和上述第六油罐信息集中各个第六油罐信息的半径信息，得到第六油罐信息集组中各个第六油罐信息的位置信息、上述第六油罐信息集组中各个第六油罐信息的半径信息。
[0063]
第三步，对于上述各个第五油罐信息的位置信息中的每个第五油罐信息的位置信息，执行以下确定步骤：第一子步骤，上述执行主体可以确定上述各个第六油罐信息的位置信息中是否存在与上述第五油罐信息的位置信息相同的位置信息。
[0064]
第二子步骤，响应于确定存在，上述执行主体可以从上述各个第六油罐信息的位置信息中筛选出与上述每个第五油罐信息的位置信息相同的位置信息，作为第二目标位置信息，得到至少一个第二目标位置信息。
[0065]
第三子步骤，上述执行主体可以确定上述至少一个第二目标位置信息所对应的各个第二目标位置信息的第二数目。
[0066]
第四步，响应于确定上述第二数目大于或等于上述预定阈值，上述执行主体可以将上述第五油罐信息的位置信息确定为第一油罐信息的位置信息，以及将上述第五油罐信息的半径信息确定为对应第一油罐信息的半径信息。其中，上述预定阈值可以是预先设置的。
[0067]
步骤206，根据上述目标合成孔径雷达图像、上述油罐识别模型集、所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，生成上述目标区域的油罐布局信息。
[0068]
在一些实施例中，上述执行主体可以根据上述目标合成孔径雷达图像、上述油罐识别模型集、所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，通过各种方式来生成上述目标区域的油罐布局信息。其中，上述油罐布局信息可以是目标区域内各个油罐对应的位置信息和半径信息。上述油罐布局信息可以是各种形式的信息。例如，可以是表格形式的信息。
[0069]
在一些实施例的一些可选的实现方式中，上述根据上述目标合成孔径雷达图像、上述油罐识别模型集、所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，生成上述目标区域的油罐布局信息，
可以包括以下步骤：第一步，根据上述目标合成孔径雷达图像和上述油罐识别模型集，生成目标合成孔径雷达图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和第二油罐信息集中各个第二油罐信息的半径信息。其中，第二油罐信息的位置信息可以是油罐在目标合成孔径雷达图像上的坐标信息。
[0070]
作为示例，上述执行主体可以根据上述目标合成孔径雷达图像和预先训练的油罐识别模型集，执行以下步骤来生成上述目标合成孔径雷达图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息：第一步，上述执行主体可以将上述目标合成孔径雷达图像输入至预先训练的油罐识别模型集中的每个油罐识别模型，以输出上述目标合成孔径雷达图像所对应的第三油罐信息集中各个第三油罐信息的位置信息和上述第三油罐信息集中各个第三油罐信息的半径信息，得到第三油罐信息集组中各个第三油罐信息的位置信息和上述第三油罐信息集组中各个第三油罐信息的半径信息。
[0071]
第二步，上述执行主体可以进行位置信息去重处理，以去掉第三油罐信息集组中各个第三油罐信息的位置信息中重复的位置信息，得到去重后的各个第三油罐信息的位置信息。
[0072]
第三步，将上述去重后的各个第三油罐信息的位置信息确定为上述目标合成孔径雷达图像所对应的第二油罐信息集中各个第二油罐信息的位置信息，以及获取上述第二油罐信息集中各个第二油罐信息的半径信息。
[0073]
在一些实施例的一些可选的实现方式中，上述根据上述目标合成孔径雷达图像和预先训练的油罐识别模型集，生成上述目标合成孔径雷达图像所对应的第二油罐信息集中各个第二油罐信息的位置信息和上述第二油罐信息集中各个第二油罐信息的半径信息，可以包括以下步骤：第一步，上述执行主体可以获取上述油罐识别模型集中各个油罐识别模型的优先级。其中，上述各个油罐模型的优先级可以是预先设置的。
[0074]
第二步，上述执行主体可以从上述油罐识别模型集中选取优先级满足第四条件的油罐识别模型，作为目标油罐识别模型。其中，上述第四条件可以是预先设置的。上述第四条件可以是优先级最高的油罐识别模型。作为示例，上述目标油罐识别模型可以是基于vgg（visual geometry group）16的faster r-cnn算法。
[0075]
其中，faster r-cnn算法的参数可以设置如下：vgg16网络参数设置：卷积核kernel_size=3，填充pad=1，步长stride=1。pooling层参数：卷积核kernel_size=2，填充pad=0，步长stride=2。rpn网络参数设置：输入通道数256，特征层通道数256，anchor生成器，scales=[8]，比例因子ratios=[0.5, 1.0, 2.0], 生成anchor的步长 strides=[4，8，16，32，64])。输入通道数量in_channels=256；全连接层输出通道数量，fc_out_channels=1024。roi特征层尺寸roi_feat_size=7。classification参数设置：num_classes=2。bounding box regression后扩展1个参数向量，存储半径r。结果输出检测框参数：x，y，w，h以及半径r。训练参数设置：最大目标数box数目设置为100；网络的学习率为2e-4；batch_size为8；总的迭代次数为300 epoch。损失函数设置，类别损失项选择交叉熵，边界框损失函数选择l1范数。
[0076]
第三步，上述执行主体可以将上述目标合成孔径雷达图像输入至预先训练的目标油罐识别模型，得到第三油罐信息集中各个第三油罐信息的位置信息和上述第三油罐信息集中各个第三油罐信息的半径信息。
[0077]
第四步，上述执行主体可以将上述目标合成孔径雷达图像输入至上述油罐识别模型集中至少一个油罐识别模型中每个油罐识别模型，以输出第四油罐信息集中各个第四油罐信息的位置信息和上述第四油罐信息集中各个第四油罐信息的半径信息，得到第四油罐信息集组中各个第四油罐信息的位置信息、上述第四油罐信息集组中各个第四油罐信息的半径信息。其中，上述至少一个油罐识别模型为上述油罐识别模型集中去除上述目标油罐识别模型的各个油罐识别模型。
[0078]
第五步，对于上述各个第三油罐信息的位置信息中的每个第三油罐信息的位置信息，上述执行主体可以执行以下确定步骤：第一子步骤，上述执行主体可以确定上述各个第四油罐信息的位置信息中是否存在与上述第三油罐信息的位置信息相同的位置信息。
[0079]
第二子步骤，响应于确定存在，上述执行主体可以从上述各个第四油罐信息的位置信息中筛选出与上述第三油罐信息的位置信息相同的位置信息，作为第一目标位置信息，得到至少一个第一目标位置信息。
[0080]
第三子步骤，上述执行主体可以确定上述至少一个第一目标位置信息所对应的各个第一目标位置信息的第一数目。
[0081]
第六步，响应于确定上述第一数目大于或等于预定阈值，上述执行主体可以将上述第三油罐信息的位置信息确定为第二油罐信息的位置信息，以及将上述第三油罐信息的半径信息确定为对应第二油罐信息的半径信息。
[0082]
作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“单单使用卷积神经网络来进行针对目标区域的油罐检测常常存在精准度较低的问题”。导致油罐检测精准度比较低的因素如下：卷积神经网络常常没有考虑油罐图像中的一些主要特征信息（例如，结构种类、阴影区域等），导致油罐的检测精准度较低。为了达到这一效果，本公开采用了多个油罐识别模型来进行油罐检测，多个油罐识别模型的综合检测可以大大提高针对目标区域的油罐检测的精准度。除此之外，对多个油罐识别模型中各个油罐识别模型分别设置了对应的优先级。设置优先级的目的在于：各个油罐识别模型都有自己的模型识别特点。针对油罐的各个特性，多个油罐识别模型中往往存在识别油罐精准性特别高的模型（即，该模型对油罐的各个特性比较敏感，容易识别）。以此，对各个油罐识别模型设置优先级可以使得目标区域中各个油罐的检测更为精准。
[0083]
第二步，根据上述第二油罐信息集中各个第二油罐信息的位置信息、上述第二油罐信息集中各个第二油罐信息的半径信息、上述第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，生成上述目标区域的油罐布局信息。
[0084]
作为示例，上述执行主体可以依据预定的数据格式来对上述各个第二油罐信息的位置信息、上述各个第二油罐信息的半径信息、所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息进行数据归纳以及数据去重，得到上述目标区域的油罐布局信息。
[0085]
在一些实施例的一些可选的实现方式中，上述根据上述各个第二油罐信息的位置信息、上述各个第二油罐信息的半径信息、所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，生成上述目标区域的油罐布局信息，可以包括以下步骤：第一步，对于上述各个第二油罐信息中的每个第二油罐信息，执行以下生成步骤来生成上述油罐布局信息：第一子步骤，上述执行主体可以确定上述第二油罐信息的位置信息。
[0086]
第二子步骤，上述执行主体可以确定上述位置信息所对应的区域信息。
[0087]
第三子步骤，上述执行主体可以确定与上述区域信息相对应、上述第一油罐信息集组中的第一油罐信息集，作为目标油罐信息集。
[0088]
第四子步骤，上述执行主体可以确定上述目标油罐信息集中是否存在与上述第二油罐信息有相同地理位置的第一油罐信息。
[0089]
第五子步骤，上述执行主体可以响应于确定存在，生成表征在上述目标区域中上述位置信息上存在上述第二油罐信息对应油罐的布局信息。
[0090]
第二步，根据所得到的各个布局信息，生成上述目标区域的油罐布局信息。
[0091]
作为示例，上述执行主体可以首先获取油罐布局信息的格式信息。然后，上述执行主体可以依据格式信息，将所得到的各个布局信息对应转换为目标区域的油罐布局信息。
[0092]
本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的油罐布局信息生成方法以准确、高效的生成目标区域的油罐布局信息。具体来说，造成生成油罐布局信息不够准确、有效的原因在于：第一，将合成孔径雷达图像作为神经网络的输入来进行油罐的检测，常常存在准确率较低的问题。除此之外，将较高分辨率的目标合成孔径雷达图像作为神经网络的输入，存在训练卷积神经网络和后续目标区域的油罐检测的计算量较大的问题。第二，单单使用卷积神经网络来进行针对目标区域的油罐检测常常存在精准度较低的问题。例如，卷积神经网络常常没有考虑油罐图像中的一些主要特征信息（例如，结构种类、阴影区域等），导致油罐的检测精准度较低。基于此，本公开的一些实施例的油罐布局信息生成方法可以首先对上述目标合成孔径雷达图像进行图像剪裁，得到子图像集。在这里，通过对目标孔径雷达图像进行剪裁，以用于后续获取对应的光学图像集。其中，上述目标合成孔径雷达图像是由合成孔径雷达传感器针对目标区域拍摄的、分辨率大小满足第一条件的图像。然后，确对于子图像集对应的区域信息集中的每个区域信息，获取由光学图像传感器针对上述区域信息对应区域拍摄的、分辨率大小满足不同第二条件的光学图像集。在这里，获取光学图像集组的目的在于：相对于目标合成孔径雷达图像，对应的光学图像更容易进行目标物品检测。虽然光学图像进行油罐检测的准确率更高，但是没有目标合成孔径雷达图像能较好地体现油罐的相位信息。基于此，从目标合成孔径雷达图像和光学图像两方面来进行油罐检测，可以大大提高油罐的检测准确率。进而，对于所得到的光学图像集组中的每个光学图像集，将上述光学图像集中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集。在这里，由于光学图像集中的各个光学图像的分辨率是不同的，提取对应区域的特征信息也是不同的，特征信息的不同使得可以从全局角度、局部角度等各方面角度来确定对应区域的各个油罐的油罐信息。进而，对于所得到的特征图集组中的每个特征图集，将上述特征图集中的各个特征图进行特征图融合，得到融合后特征图。在
这里，将所得到的各个融合后特征图作为模型的输入，可以更为准确的确定出目标区域的油罐信息。进一步地，对于所得到的融合后特征图集中的每个融合后特征图，根据上述融合后特征图和上述油罐识别模型集，可以高效、准确地生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。最后，根据上述目标合成孔径雷达图像、上述油罐识别模型集、所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，可以高效、准确地生成上述目标区域的油罐布局信息。
[0093]
进一步参考图3，示出了根据本公开的油罐布局信息生成方法的另一些实施例的流程300。该油罐布局信息生成方法，包括以下步骤：步骤301，对预先获取的目标合成孔径雷达图像进行图像剪裁，得到子图像集。
[0094]
步骤302，对于子图像集对应的区域信息集中的每个区域信息，获取由光学图像传感器针对上述区域信息对应区域拍摄的、分辨率大小满足不同第二条件的光学图像集。
[0095]
步骤303，对于所得到的光学图像集组中的每个光学图像集，将上述光学图像集中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集。
[0096]
步骤304，对于所得到的特征图集组中的每个特征图集，将上述特征图集中的各个特征图进行特征图融合，得到融合后特征图。
[0097]
步骤305，对于所得到的融合后特征图集中的每个融合后特征图，根据上述融合后特征图和油罐识别模型集，生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息。
[0098]
步骤306，根据上述目标合成孔径雷达图像、上述油罐识别模型集、所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，生成上述目标区域的油罐布局信息。
[0099]
在一些实施例中，步骤301-306的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤201-206，在此不再赘述。
[0100]
步骤307，获取上述油罐布局信息所对应的各个油罐的位置信息。
[0101]
在一些实施例中，执行主体（例如图1所示的电子设备）可以通过有线方式或无线方式来获取上述油罐布局信息所对应的各个油罐的位置信息。
[0102]
步骤308，根据上述各个油罐的位置信息，生成上述各个油罐对应的中心坐标。
[0103]
在一些实施例中，上述执行主体可以根据上述各个油罐的位置信息，生成上述各个油罐对应的中心坐标。其中，中心坐标可以表征目标区域中油罐的位置信息。
[0104]
作为示例，对于各个油罐中的每个油罐，上述执行主体可以执行以下生成步骤来生成上述油罐对应的中心坐标：第一步，确定上述油罐的各个坐标信息。
[0105]
第二步，求取各个坐标信息对应的平均坐标信息。
[0106]
作为示例，各个坐标信息包括：（2,3,4），（4,6,8）。平均坐标信息可以是（3,4.5,6）。
[0107]
第三步，将上述平均坐标信息确定为上述油罐对应的中心坐标。
[0108]
步骤309，根据上述各个油罐对应的中心坐标，确定各个油罐中每两个油罐之间的距离，得到距离集。
[0109]
在一些实施例中，上述执行主体可以根据上述各个油罐对应的中心坐标，确定各个油罐中每两个油罐之间的距离，得到距离集。
[0110]
作为示例，上述执行主体可以根据上述各个油罐对应的中心坐标，确定各个油罐中每两个油罐之间的欧式距离，得到距离集。
[0111]
步骤310，根据上述距离集，对上述油罐布局信息进行校验。
[0112]
在一些实施例中，上述执行主体可以根据上述距离集，对上述油罐布局信息进行校验。
[0113]
作为示例，上述执行主体可以首先从距离集中筛选出数值小于预定阈值的距离，得到至少一个距离。然后，上述执行主体可以确定上述至少一个距离中每个距离对应的油罐集，得到油罐集组。进而，上述执行主体可以对油罐集组进行去重处理，得到去重后的各个油罐。最后，上述执行主体可以对比去重后的各个油罐和油罐布局信息，确定去重后的各个油罐是否与油罐布局信息对应的各个油罐一致。如果一致，则校验通过。如果不一致，则校验不通过。
[0114]
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的油罐布局信息生成方法的流程300更加突出了对油罐布局信息进行校验的具体步骤。由此，这些实施例描述的方案更为精准的确定目标区域内容的各个油罐的油罐信息。
[0115]
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种油罐布局信息生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0116]
如图4所示，一种油罐布局信息生成装置400包括：剪裁单元401、获取单元402、输入单元403、融合单元404、第一生成单元405和第二生成单元406。其中，剪裁单元401，被配置成对预先获取的目标合成孔径雷达图像进行图像剪裁，得到子图像集，其中，上述目标合成孔径雷达图像是由合成孔径雷达传感器针对目标区域拍摄的、分辨率大小满足第一条件的图像；获取单元402，被配置成对于子图像集对应的区域信息集中的每个区域信息，获取由光学图像传感器针对上述区域信息对应区域拍摄的、分辨率大小满足不同第二条件的光学图像集；输入单元403，被配置成对于所得到的光学图像集组中的每个光学图像集，将上述光学图像集中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集；融合单元404，被配置成对于所得到的特征图集组中的每个特征图集，将上述特征图集中的各个特征图进行特征图融合，得到融合后特征图；第一生成单元405，被配置成对于所得到的融合后特征图集中的每个融合后特征图，根据上述融合后特征图和油罐识别模型集，生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息；第二生成单元406，被配置成根据上述目标合成孔径雷达图像、上述油罐识别模型集、所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，生成上述目标区域的油罐布局信息。
[0117]
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
[0118]
下面参考图5，其示出了适于用来实现本公开的一些实施例的电 子设备(例如图1
中的电子设备)500的结构示意图。图5示出的电 子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带 来任何限制。
[0119]
如图5所示，电子设备500可以包括处理装置(例如中央处理器、 图形处理器等)501，其可以根据存储在只读存储器(rom)502中的 程序或者从存储装置508加载到随机访问存储器(ram)503中的程 序而执行各种适当的动作和处理。在ram 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线 504。
[0120]
通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸 板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置 506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置 507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通 信装置509可以允许电子设备500与其他设备进行无线或有线通信以 交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理 解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具 备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也 可以根据需要代表多个装置。
[0121]
特别地，根据本公开的一些实施例，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，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
[0122]
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑磁盘只读存储器（cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf（射频）等等，或者上述的任意合适的组合。
[0123]
在一些实施方式中，客户端、服务端可以利用诸如http（hypertext transfer protocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“lan”），广域网（“wan”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网
络），以及任何当前已知或未来研发的网络。
[0124]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对预先获取的目标合成孔径雷达图像进行图像剪裁，得到子图像集，其中，上述目标合成孔径雷达图像是由合成孔径雷达传感器针对目标区域拍摄的、分辨率大小满足第一条件的图像；对于子图像集对应的区域信息集中的每个区域信息，获取由光学图像传感器针对上述区域信息对应区域拍摄的、分辨率大小满足不同第二条件的光学图像集；对于所得到的光学图像集组中的每个光学图像集，将上述光学图像集中的各个光学图像分别输入至预先训练的油罐特征信息提取网络，得到特征图集；对于所得到的特征图集组中的每个特征图集，将上述特征图集中的各个特征图进行特征图融合，得到融合后特征图；对于所得到的融合后特征图集中的每个融合后特征图，根据上述融合后特征图和油罐识别模型集，生成上述融合后特征图所对应的第一油罐信息集中各个第一油罐信息的位置信息和上述第一油罐信息集中各个第一油罐信息的半径信息；根据上述目标合成孔径雷达图像、上述油罐识别模型集、所得到的第一油罐信息集组中各个第一油罐信息的位置信息和上述第一油罐信息集组中各个第一油罐信息的半径信息，生成上述目标区域的油罐布局信息。
[0125]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（lan）或广域网（wan）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
[0126]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0127]
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括剪裁单元、获取单元、输入单元、融合单元、第一生成单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，剪裁单元还可以被描述为“预先获取的目标合成孔径雷达图像进行图像剪裁，得到子图像集的单元”。
[0128]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例
如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（fpga）、专用集成电路（asic）、专用标准产品（assp）、片上系统（soc）、复杂可编程逻辑设备（cpld）等等。
[0129]
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。