(19)中华 人民共和国 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 202210029892.2 (22)申请日 2022.01.12 (65)同一申请的已公布的文献号 申请公布号 CN 114067118 A (43)申请公布日 2022.02.18 (73)专利权人 湖北晓雲科技有限公司 地址 430040 湖北省武汉市东湖新 技术开 发区武大园四路3号国家地球空间信 息产业基地 Ⅱ区 （6期） A- 3栋1层02室 (72)发明人 范建峰　高伟　阚晓云　王伟立　 熊小龙　曾雄　杨建锋　 (74)专利代理 机构 郑州芝麻知识产权代理事务 所(普通合伙) 41173 代理人 张丹丹(51)Int.Cl. G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06K 9/62(2022.01) (56)对比文件 CN 111507343 A,2020.08.07 CN 109063723 A,2018.12.21 审查员 温春艳 (54)发明名称 一种航空摄 影测量数据的处 理方法 (57)摘要 本发明涉及航空摄影测量数据处理技术领 域， 具体涉及一种航空摄影测量数据的处理方 法。 方法包括： 将第二训练数据集输入到训练好 的第一语义 分割网络中， 得到第二训练数据集中 对应的各非完全语义分割图像； 对 各非完全语义 分割图像中的各语义类别进行轮廓提取， 进而 得 到各最优轮廓的轮廓特征描述向量； 将各轮廓特 征描述向量输入到训练好的分类网络中， 得到对 应的分类类别， 进而得到对应的预测语义区域轮 廓； 利用各预测语义区域轮廓对第二训练数据集 的标签进行标注； 利用所述标签数据对第二语义 分割网络进行训练， 得到训练好的第二语义分割 网络， 进而对目标航空摄影测量数据进行语义分 割。 本发明克服了语义分割网络准确率下降的问 题。 权利要求书3页 说明书9页 附图2页 CN 114067118 B 2022.04.15 CN 114067118 B 1.一种航空摄 影测量数据的处 理方法， 其特 征在于， 该 方法包括以下步骤： 获得第一训练数据集和第 二训练数据集， 所述第 一训练数据集为多个地形场景下所采 集到的多张航空摄影测量数据， 所述第二训练数据集为不包含第一训练数据集的航空摄影 测量数据的多张航空摄 影测量数据； 利用第一训练数据集对第一语义分割网络进行训练， 得到训练好的第一语义分割网 络； 将第二训练数据集中的各航空摄影测量数据输入到训练好的第一语义分割网络中， 得 到第二训练数据集中各航空摄影测量数据对应的非完全语义分割图像； 所述 非完全语义分 割图像为仅部分像素点具有对应的语义类别的语义分割图像； 对各非完全语义分割图像中的各语义类别进行轮廓 提取， 得到各语义类别对应的各最 优轮廓对应的轮廓特 征描述向量； 将各最优轮廓对应的各轮廓特征描述向量输入到训练好的分类网络 中， 得到各轮廓特 征描述向量对应的分类类别； 根据各轮廓特征描述向量对应的分类类别， 得到各轮廓特征 描述向量对应的预测语义区域轮廓， 所述预测语义区域轮廓用于预测轮廓区域内的像素点 的语义类别； 利用各非完全语义分割图像对应的各语义类别对应的各预测语义 区域轮廓， 对第 二训 练数据集中各航空摄 影测量数据对应的各像素点的类别进行 标注； 利用第二训练数据集与第二训练数据集中的各航空摄影测量数据对应的标签数据对 第二语义分割网络进行训练， 得到训练好的第二语义分割网络， 利用训练好的第二语义分 割网络对目标航空摄 影测量数据进行语义分割； 对各非完全语义分割图像中的各语义类别进行轮廓 提取， 得到各语义类别对应的最优 轮廓， 包括： 对于任一非完全语义分割图像中的任一语义类别： 利用不同的初始聚类个数对该非完全语义分割图像中该语义类别的像素点进行聚类， 得到各初始聚类 个数对应的各聚类集 合； 对各初始聚类个数对应的各聚类集合进行轮廓 提取， 得到各初始聚类个数对应的各聚 类集合的轮廓； 根据各初始聚类个数对应的各聚类集合的轮廓， 选择出最优的初始聚类个数取值， 记 为最优数量； 将最优数量对应的各轮廓记为对应的各最优轮廓； 根据任一轮廓特 征描述向量对应的分类 类别， 得到对应的预测语义区域轮廓， 包括： 计算该轮廓特征描述向量对应的最优轮廓区域内为对应类别的各像素点与质心点的 最大距离， 根据所述 最大距离和该轮廓特 征描述向量对应的分类 类别计算得到第一半径； 以该轮廓特征描述向量对应的最优轮廓内的质心点为圆点， 以第一半径为圆的半径， 构建第一圆形 预测语义轮廓区域； 根据该轮廓特征描述向量对应的最优轮廓区域内为对应类别的各像素点与质心点的 最小距离， 计算得到第二半径； 以轮廓特征描述向量对应的最优轮廓内的质心点为圆点， 以第二半径为圆的半径， 构 建第二圆形 预测语义轮廓区域； 根据第一圆形预测语义轮廓 区域、 第一圆形预测语义轮廓 区域和该最优轮廓 区域， 得 到预测语义区域轮廓；权　利　要　求　书 1/3 页 2 CN 114067118 B 2计算得到第一半径的计算公式为： 其中， 为第c个语义类别对应的第k个最优轮廓 对应的第一半径， 为分类网络输出的 分类类别， 为分类类别 对应的置信度， e为自然常数， 为预设参数， 为第k个最优轮廓 区域内第c个语义类别对应的像素点中第n各像素点的坐标， 为第k个最优轮廓区域内第c 个语义类别对应的第k个 轮廓的质心点 坐标， 为距离， max （ ） 为 最大值。 2.根据权利要求1所述的一种航空摄影测量数据的处理方法， 其特征在于， 所述利用第 一训练数据集对第一语义分割网络进行训练， 得到训练好的第一语义分割网络， 包括： 对第一训练数据集中各航空摄影测量数据对应的部分像素点的类别标注， 得到第 一训 练数据集中各航空摄 影测量数据对应的标签数据； 利用第一训练数据集、 第 一训练数据集中各航空摄影测量数据对应的标签数据以及交 叉熵损失函数对第一语义分割网络进行训练， 得到训练好的第一语义分割网络 。 3.根据权利要求1所述的一种航空摄影测量数据的处理方法， 其特征在于， 所述根据 各 初始聚类 个数对应的各聚类集 合的轮廓， 选择 出最优的初始聚类 个数取值， 包括： 计算不同初始聚类 个数对应的离 散度综合评价指标； 根据不同初始聚类 个数对应的离 散度综合评价指标， 构建二维散点图像； 将二维散点图像中梯度稳定处对应的初始聚类 个数作为 最优数量。 4.根据权利要求3所述的一种航空摄影测量数据的处理方法， 其特征在于， 离散度综合 评价指标的计算公式为： 其中， 为第c个语义类别中K个轮廓的离散度综合评价指标， 为第c个语义类别对应 的第k个轮廓的离 散度， K为初始聚类 个数的取值； 的计算公式为： 其中， N为第 k个轮廓区域内第c个语义类别的像素点的个数， 为第k个轮廓区域内第c 个语义类别对应 的像素点中第n个像素点的坐标， 为第c个语义类别对应 的第k个轮廓的 质心点坐标， 为距离。 5.根据权利要求1所述的一种航空摄影测量数据的处理方法， 其特征在于， 所述得到各 语义类别对应的各最优轮廓对应的轮廓特征描述向量， 包括： 对于任一语义类别对应的任 一最优轮廓： 以该最优轮廓区域内的质心点 为原点构建直角坐标系； 在直角坐标系中以原点 为起点构建预设数量的射线；权　利　要　求　书 2/3 页 3 CN 114067118 B 3