(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210565422.8 (22)申请日 2022.05.24 (65)同一申请的已公布的文献号 申请公布号 CN 114663790 A (43)申请公布日 2022.06.24 (73)专利权人 济宁德信测绘有限公司 地址 272000 山东省济宁市任城区车站西 路567号运河壹号食汇城综合楼1409、 1410室 (72)发明人 闫红卫　王红瑞　宋衡星　 (74)专利代理 机构 青岛致嘉知识产权代理事务 所(普通合伙) 3723 6 专利代理师 吴杉 (51)Int.Cl. G06V 20/17(2022.01)G06V 10/26(2022.01) G06V 10/30(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113223042 A,2021.08.0 6 审查员 董梦林 (54)发明名称 一种智能遥感测绘方法及系统 (57)摘要 本发明公开了一种智能遥感测绘方法及系 统， 涉及人工智能领域。 主要包括： 采集遥感图 像， 并利用k ‑means聚类算法将遥感图像分成多 个聚类块； 根据各聚类块中所包含的像素点分别 在三通道中的像素值， 对各聚类块进行类型划 分， 以讲遥感图像中可能存在的裸地、 林地、 建筑 物以及背景部分彼此区分开来； 将每一类型的聚 类块组成的图像分别作为对遥感图像分割后每 一类型对应的分割图像。 本发明实施例实现对遥 感图像的分割处理， 避免人为进行标注的主观 性， 进而获得对于遥感图像更为稳定且准确的分 割结果。 权利要求书2页 说明书7页 附图1页 CN 114663790 B 2022.08.26 CN 114663790 B 1.一种智能遥感测绘方法， 其特 征在于， 包括： 采集遥感图像， 并利用k ‑means聚类算法将遥感图像分成多个聚类块； 根据聚类块中红色通道的像素均值是否大于预设第 一阈值， 将所有聚类块分为裸地 聚 类块以及非裸 地聚类块； 根据非裸地聚类块中像素点分别在RGB三通道中的像素均值， 分别计算每一个非裸地 聚类块的第一特征参数值， 并根据非裸地聚类块的第一特征参数值是否在预设第一范围 内， 将非裸 地聚类块分为林地聚类块以及非林地聚类块； 根据非林地聚类块中红色通道的像素均值是否大于预设第 二阈值， 将各非林地 聚类块 分为疑似建筑聚类块以及背景聚类块， 且所述第二阈值小于所述第一阈值； 根据疑似建筑聚类块中像素点分别在RGB三通道中的像素均值， 分别计算每一个疑似 建筑聚类块的第二特征参数值， 并根据疑似建筑聚类块的第二特征参数值是否在预设第二 范围内， 将疑似建筑聚类块分为建筑聚类块以及背景聚类块； 利用获取的各类型的聚类块对遥感图像进行分割， 得到分割后的分割图像； 其中， 根据非裸地聚类块中像素点分别在RGB三通道中的像素均值， 分别计算每一个非 裸地聚类块的第一特 征参数值， 包括： 式中， 为第 个非裸地聚类块的第一特征参数值， 为第 个非裸地聚类块中包含 的像素点在蓝色通道中的像素值的均值； 为第 个非裸地聚类块中包含的像素点在绿色通道 中的像素值的均值， 为第 个 非裸地聚类块中包 含的像素点在蓝色通道中的像素值的均值， 为预设正整数； 其中， 根据疑似建筑聚类块中像素点分别在RGB三通道中的像素均值， 分别计算每一个 疑似建筑聚类块的第二特 征参数值， 包括： 式中， 为第 个疑似建筑聚类块的第二特征参数值， 为第 个疑似建筑聚类块中包 含的像素点在蓝色通道中的像素值的均值； 为第 个疑似建筑聚类块中包含的像素点在绿色通道中的像素值的均值， 为第 个疑似建筑聚类块中包 含的像素点在蓝色通道中的像素值的均值。 2.根据权利要求1所述的智能遥感测绘方法， 其特征在于， 利用k ‑means聚类算法将遥 感图像分成多个聚类块， 包括： 拟合遥感图像所对应的高斯混合模型， 并将高斯混合模型中的子高斯模型的数量作为 k‑means聚类算法中聚类中心点的数量； 计算遥感图像中每任意两像素点之间的距离， 并计算所有距离的均值， 以将该均值作 为k‑means聚类算法中的聚类半径； 按照聚类半径以及聚类中心点的数量， 利用k ‑means聚类算法将遥感图像分成多个聚 类块。权　利　要　求　书 1/2 页 2 CN 114663790 B 23.根据权利要求1所述的智能遥感测绘方法， 其特 征在于， 所述方法还 包括： 将多张遥感图像作为输入集； 将输入集中遥感图像对应的每一类型的分割图像作为检验集； 利用训练集及检验集对神经网络进行训练； 将待分割的遥感图像输入至训练完成的神经网络中， 以利用神经网络分别输出每一类 型的分割图像。 4.根据权利要求3所述的智能遥感测绘方法， 其特征在于， 利用训练集及检验集对神经 网络进行训练前， 所述方法还 包括： 利用多个卷积核分别对训练集中的每一遥感图像进行卷积， 获得每一遥感图像分别被 多个卷积核 进行卷积后的各 特征图像； 将各特征图像 中同一位置的像素值组成的向量作为该同一位置的描述向量， 并分别获 得特征图像中每一 位置的描述向量； 将特征图像中所有位置的描述向量进行叠加， 将叠加后的向量作为相对于所有特征图 像的整体描述向量； 分别计算每一位置的描述向量与整体描述向量的余弦相似度， 并根据归一化后的余弦 相似度分别对每一特征图像中每一像素点的像素值进 行更新， 以将更新后的各特征图像进 行图像融合的图像作为遥感图像在神经网络中的特 征图像。 5.根据权利要求4所述的智能遥感测绘方法， 其特征在于， 根据归一化后的余弦相似度 分别对每一特 征图像中每一像素点的像素值进行 更新， 包括： 将每一特征图像中每一像素点所对应的归一化后的余弦相似度， 与其像素点的像素值 相乘， 并将乘积结果作为更新后的特 征图像中的像素值。 6.一种智能遥感测绘系统， 包括： 存储器和 处理器， 其特征在于， 所述处理器执行所述 存储器存储的计算机程序， 以实现如权利要求1 ‑5中任一项所述的智能遥感测绘方法。权　利　要　求　书 2/2 页 3 CN 114663790 B 3