分享
面向高分遥感影像的快速解译系统设计与实现_段贺.pdf
下载文档

ID:2569824

大小:1.39MB

页数:6页

格式:PDF

时间:2023-07-24

收藏 分享赚钱
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
面向 高分 遥感 影像 快速 解译 系统 设计 实现
第 40 卷第 3 期计算机应用与软件Vol.40 No 32023 年 3 月Computer Applications and SoftwareMar 2023面向高分遥感影像的快速解译系统设计与实现段贺1,2胡子涵1,3蒿兴华4沈红1,21(中国科学院电子学研究所苏州研究院江苏 苏州 215123)2(苏州市空天大数据智能应用技术重点实验室江苏 苏州 215123)3(合肥工业大学软件学院安徽 合肥 230601)4(中国人民解放军 31108 部队江苏 南京 210016)收稿日期:2020 06 15。段贺,助理研究员,主研领域:遥感图像识别。胡子涵,本科生。蒿兴华,博士。沈红,助理研究员。摘要高分遥感影像可用于快速监察和跟踪突发事件,然而海量影像数据对系统的处理效力及解译的实时性提出更高要求。基于 B/S 架构设计一套高分影像快速解译系统,采用多并发、多节点、多线程、多任务的计算模式,实现大规模高分影像的快速入库及预处理;通过模块化的方式构建部署深度学习训练平台,以智能学习为主、人工校验为辅,交互可视化地实现高分影像的高效解译;结合影像金字塔、分块瓦片及改进的 Nginx 服务器技术,实现对目标影像的快速加载及可视。测试结果表明,对单幅 12 GB 的高分影像进行解译,从入库、信息录入、目标检测算法的运行到最终完成解译,解译时间得到显著缩短,且机器自动识别的正确率达 95%。关键词高分影像快速解译深度学习模块化构建中图分类号TP3文献标志码ADOI:10 3969/j issn 1000-386x 2023 03 003DESIGN AND IMPLEMENTATION OF FAST INTEPETATION SYSTEMFO HIGH-ESOLUTION EMOTE SENSING IMAGESDuan He1,2Hu Zihan1,3Hao Xinghua4Shen Hong1,21(Institute of Electronics,Chinese Academy of Sciences,Suzhou 215123,Jiangsu,China)2(Key Laboratory of Intelligent Aerospace Big Data Application Technology,Suzhou 215123,Jiangsu,China)3(School of Software,Hefei University of Technology,Hefei 230601,Anhui,China)4(Unit 31108 of PLA,Nanjing 210016,Jiangsu,China)AbstractHigh-resolution remote sensing imaging can be used to quickly monitor and track emergencies However,massive image data put forward higher requirements for the processing effectiveness and real-time interpretation of thesystem Based on B/S architecture,a fast interpretation system for high-resolution images is designed It adopted amulti-concurrent,multi-node,multi-thread and multi-task computing mode to realize the fast loading and pre-processingof large-scale high-resolution images The deep learning training platform was constructed and deployed in a modularway,with intelligent learning as the main and manual verification as the auxiliary,to achieve efficient interpretation ofhigh-resolution images interactively and visually Combined with image pyramid,tiled mapping and improved Nginxserver technology,it could quickly load and visualize the target images The test results show that the interpretation timeof a single 12 GB high-resolution image is significantly shortened from the loading,information storing,target detectionalgorithm running to the final interpretation,and the accuracy of machine automatic recognition reaches 95%KeywordsHigh-resolution imageFast interpretationDeep learningModular construction18计算机应用与软件2023 年0引言随着我国遥感系列卫星的持续发射运行,遥感技术不断发展,产生的遥感影像分辨率不断提高。高分遥感影像中的地物信息比低分辨率影像更加丰富,单幅影像的大小可达几百 MB 甚至几 GB,大量影像数据的存储以 TB 为单位计算。高分遥感影像数据的爆炸性增长给影像的处理和解译带来巨大挑战1。传统遥感影像解译算法以人工筛选重点影像并调用相应算法进行解译为主,效率低,难以适用于海量数据。在应对一些突发事件时(如重大灾情、安全防御等),针对目标区域开展高分影像的解译和跟踪,对解译结果的时效性及质量要求极高。因此,需要设计一种适用于海量高分遥感影像快速处理与解译的方法,使高分数据在侦察监控突发事件过程中发挥其自身的最大优势和价值。针对海量影像的高效存储和处理,不少学者从优化计算性能的角度开展了相关研究。例如,张涵斐等2 提出了针对海量遥感影像的存储与快速调度显示方法,依托高性能计算机的强大处理能力来提高影像的基础预处理能力。王俊等3 将计算机集群处理技术应用到遥感影像的处理上,通过 Hadoop 分布式文件系统(HDFS)的云存储。Lin 等4 实现了大型影像文件的多并发同步快速读写测试。深度学习技术的不断开拓和应用,为海量高分遥感影像数据的处理和解译提供了新途径。Maggiori 等5 8 的实验表明,基于卷积神经网络(Convolutional Neural Network,CNN)提取的高分影像特征在区域分类、场景理解、地物识别等方面具有很好的效果。高常鑫等9 利用高分遥感影像对典型目标开展检测和识别研究中,提出了一种分层深度学习模型以实现高精度目标检测。张鑫龙等10 针对高分遥感影像的配准误差和特征提取问题,采用深度学习方法提升高分遥感影像变化检测能力。为加快高分影像的处理和解译效率,本研究开发了一种基于 B/S 架构的遥感影像快速解译系统,以多并发、多节点、多线程、多用户、多任务为计算模式,快速实现大幅影像的入库、影像信息的录入及处理;以深度学习算法为核心解译技术,设计并实现了一套以自动识别为主、人工校验判读为辅的影像解译流程;以模块化的方式构建部署深度学习模型训练平台,提供可视交互的模型构建和训练服务;结合影像金字塔、分块瓦片技术以及改进的 Nginx 服务器,实现高分影像的快速加载和可视。1系统设计1 1架构设计整个快速解译系统基于 B/S 架构,整体分为四层,即前端交互层、Web 服务层、业务逻辑层和计算服务层,如图 1 所示。图 1系统架构设计(1)前端交互层。前端交互层为用户提供可交互式的影像数据入库、影像判读、可视化地搭建深度学习模型以及专题产品输出四大功能模块。(2)Web 服务层。Web 服务层连通了用户界面交互和系统的业务功能。由改进的 Nginx 服务器提供稳定高并发的网页、数据、文本等资源的访问和大影像的快速加载等服务。(3)业务逻辑层。业务逻辑层实现了影像数据调度、影像解译调度、算法模型构建等业务逻辑。系统通过业务逻辑层统一调度数据资源与作业处理,优化资源分配与计算效率。主要包括影像入库、智能初级解译、人工校验、推送解译结果、模型快速构建与更新等模块。(4)计算服务层。计算服务层为系统提供数据存储、数据计算等功能。主要包括影像的入库服务、数据库服务、算法运行服务、深度学习模型训练服务四个服务模块。1 2高分影像快速解译流程设计用户通过前端交互层,将高分遥感影像数据导入系统。系统生成影像金字塔并进行影像数据分块,随后影像数据被保存到分布式文件系统,同时将影像相关信息记录存入数据库表。遥感影像数据入库后,业务逻辑层自动调用相应的解译算法,并调度系统的计算节点,分配计算资源,执行影像数据解译任务。解译任务完成后,得到初步解译结果,业务逻辑层将结果反馈到前端层。用户在前端的影像判读模块查看解译结果,进行人工校验,校验完成后,业务逻辑层保存解译结果,生第 3 期段贺,等:面向高分遥感影像的快速解译系统设计与实现19成相应的专题产品,并推送解译结果至前端交互层。交互逻辑如图 2 所示。图 2系统快速解译流程系统中的影像解译算法由算法模型快速构建模块产出。用户在前端层的算法可视化搭建界面中,通过拖拽算法组件的形式,可以快速搭建出算法模型。算法模型信息被推送到业务逻辑层。业务逻辑层根据模型结构调度相应的算法组件,构建对应的算法运行流程。业务逻辑层将搭建的算法运行流程推送到计算服务层模型训练模块,进行模型训练。训练完成后,业务逻辑层将成熟模型算法调度至算法运行模块,供后续影像解译过程使用。1 3功能设计本节侧重描述该影像解译系统的主要功能模块的详细设计情况。1)影像数据存储。海量高分遥感影像数据量巨大,影像数据的存储需要考虑运行成本、访问效率以及容错能力等问题。本系统的影像数据存储可分为遥感影像金字塔分块、分布式文件系统存储和影像信息入库三个部分。录入系统的高分遥感影像生成影像金字塔和数据分块瓦片。影像金字塔是以原始影像作为底层,按一定重采样方法建立的分辨率由细到粗的层次结构。同时,遥感影像被分割成许多分块瓦片存储。在前端显示影像时,系统会根据显示区范围和分辨率等信息计算加载相应的块数据,以便于遥感影像数据的存储管理和减少数据读盘时间。高分遥感影像建立影像金字塔和分块瓦片后,其数据被存储在 HDFS 分布式文件系统。HDFS 具有高度的容错性,能提供高吞吐量的数据访问,非常适合大规模数据集上的应用。遥感影像入库的同时会建立记录影像信息的 Ora-cle 数据库表,其目的是:通过建立影像唯一产品标识,便于影像相关信息进行管理与搜索;便于通过影像标志查询相关处理信息;建议相应的产品输出的数据库表,便于专题产品的管理。影像快速解译过程是以 Oracle 数据库进行管理与调度的。2)影像快速加载与显示。遥感影像被划分成若干较小的分块瓦片,影像显示时会根据显示区范围和分辨率等信息计算加载相应的遥感影像块数据,实现遥感影像的快速无延迟缩放加载。通过对 Nginx 服务器进行改进,开发定制功能模块来支持金字塔数据加载。主要扩展模块包括:基于 GDAL 开发的窗口自动加载影像金字塔层级数据及瓦片数据模块,实现了快速无延迟加载影像;遥感影像色调处理和存储模块。通过以上拓展模块,支持窗口影像的金字塔层级瓦片数据的加载与显示,极大地提高了影像数据加载的速度,使数据加载延迟可以忽

此文档下载收益归作者所有

下载文档
你可能关注的文档
收起
展开