数据白化处理(遥感影像自动判读系统)

Posted 2023-05-27

篇首语：人生难得几回搏，此时不搏待何时。本文由小常识网(cha138.com)小编为大家整理，主要介绍了数据白化处理(遥感影像自动判读系统)相关的知识，希望对你有一定的参考价值。

平台描述

目前，国内许多遥感调査制图、灾害监测以及农作物估产等任务对遥感影像自动判读系统的需求，广泛而急迫。然而由于遥感影像具有数据量大、地物特征复杂等不同于一般图像的特点，目前的大多判读系统还难以顺应测绘、环保等行业相关单位对判读目标的需要。

为了提高遥感影像数据判读的准确度，减轻判读人员的劳动强度和工作量，使地理信息系统増加数据来源和更新手段，云创大数据开发了遥感影像自动判读系统。

平台特性

云创开发的遥感影像自动判读系统选用全卷积网络（FCN）用于模型训练。该网络试图从抽象的特征中恢复出每个像素对应的类别，实现图像“end-to-end”的语义分割。FCN主要利用三种关键技术来优化网络性能。

卷积化

CNN架构通常在卷积层后接全连接层，输出每个分类对应的概率，使得提取的二维特征被全连接层拉伸为一维，丢失了图片的空间信息。而FCN中，CNN的全连接层均被替换成卷积层，不会导致空间信息的损失。

上采样

FCN最后输出的是一张分割图。在CNN结构中通常会使用池化操作降低特征图维度，作者在得到heatmap后加上了上采样操作，输入图像在进行了卷积池化之后，图像的大小依次缩小，在最后一层图像进行上采样即可得到原图的大小。这里的上采样实际是通过反卷积实现的。

跳跃结构

卷积化加上上采样，基本能在原图大小上实现像素级的语义分割，但此时的分割结果较为粗糙，采用跳跃结构用于优化分割的结果。由于只对第5层结果采用上采样结果不够细，云创将第4层和第3层的输出也进行反卷积操作，分别使用了16和8倍的上采样。

平台框架

系统的自动比对处理主要是完成前一季度的卫星地图和更新后的卫星地图的预处理以及特征提取。特征提取是自动比对的一个重要环节，本系统采用深度学习技术提供一种无监督的自动学习特征的方法，基于深度学习模型的自动比对划分，主要包含如下三个模块。

数据预处理模块

数据预处理在深度学习算法中起着重要的作用，直接获取到的卫星图片数据并不能直接使用深度学习算法进行训练，必须划分成一个个图斑，并经过数据归一化和白化处理，对获取到的图像进行相应的处理。

深度学习模块

本次图像识别采用无监督学习的方式，将网络的参数预先调整到较好的值，用来作为神经网络的初值，提高收敛速度和分类性能。

识别比对模块

自动比对是将前后两个季度获取的图像的特征向量，使用余弦相似度进行对比，从而实现找出前后两个季度中不同部分的目的。

平台功能

遥感影像自动判读系统通过卫星影像自动比对的方式，找到生态红线区域地物的变化区域，对提高红线生态保护防治能力，及时对破坏生态红线的行为进行处罚和违章建筑拆除，确保生态环境稳定和经济可持续发展，解决一线人手匮乏等方面的问题发挥着重要作用。

成功案例

目前，遥感影像自动判读系统能够较好地满足判读人员进行遥感影像专题判读的各种基本需要，与同类产品相比具有高效、准确和使用方便的特点。目前，该系统已经部署于淮安市生态红线区域监管工作中，收获了该单位的好评！