(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211206181.4 (22)申请日 2022.09.30 (71)申请人 北京恒歌科技有限公司 地址 100036 北京市海淀区翠微中里14 号 楼三层A46 3 (72)发明人 杨石兴　宋永恒　张昌帅　燕志洲　 杨皎龙　谯力　 (74)专利代理 机构 北京智鸿港知识产权代理事 务所(普通 合伙) 16003 专利代理师 张学府 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的地理信息的识别方法 及系统 (57)摘要 本发明提供了一种基于深度学习的地理信 息的识别方法及系统， 其方法包括： S1： 基于原始 地貌图像中的边缘线对原始地貌图像进行区域 划分， 获得多个地貌图像区域； S2： 对所有 地貌图 像区域进行分类， 获得每个地貌类别对应的待识 别区域集合； S3： 基于对应地貌类别对应的深度 卷积网络， 对待识别 区域进行特征提取， 获得对 应的累积图像特征； S4： 基于累积图像特征对原 始地貌图像进行增强处理， 获得增强地貌图像； S5： 在增强地貌图像中识别出有效地理信息； 用 以将图像深度学习和地理信息识别进行技术结 合， 实现基于深度学习对遥感图像的高精度低运 算处理， 进而在遥感图像中精 准高效地识别出地 理信息。 权利要求书3页 说明书11页 附图2页 CN 115497010 A 2022.12.20 CN 115497010 A 1.一种基于深度学习的地理信息的识别方法， 其特 征在于， 包括： S1： 基于原始地貌图像中的边缘线对原始地貌图像进行区域划分， 获得多个地貌图像 区域； S2： 对所有地貌图像区域进行分类， 获得每 个地貌类别对应的待识别区域 集合； S3： 基于对应地貌类别对应的深度卷积网络， 对待识别区域进行特征提取， 获得对应的 累积图像特 征； S4： 基于累积图像特 征对原始地貌图像进行增强处 理， 获得增强地貌图像； S5： 在增强地貌图像中识别出有效地理信息 。 2.根据权利要求1所述的一种基于深度学习的地理信息的识别方法， 其特征在于， S1： 基于原始地貌图像中的边缘线对原始地貌图像进行区域划分， 获得多个地貌图像区域， 包 括： S101： 基于 Canny边缘检测算子对原 始地貌图像进行边 缘识别， 获得边 缘线； S102： 基于边 缘线获得原 始地貌图像中的封闭轮廓线； S103： 基于封闭轮廓线对原 始地貌图像进行区域划分， 获得多个地貌图像区域。 3.根据权利要求1所述的一种基于深度学习的地理信息的识别方法， 其特征在于， S2： 对所有地貌图像区域进行分类， 获得每 个地貌类别对应的待识别区域 集合， 包括： 基于滑窗特 征提取方法提取地貌图像区域的地貌图像特 征； 基于地貌图像特 征确定出对应地貌图像区域的所属地貌类别； 基于每个地貌 图像区域的所属地貌类别， 对所有地貌 图像区域进行分类汇总， 获得每 个地貌类别对应的待识别区域 集合。 4.根据权利要求3所述的一种基于深度 学习的地理信 息的识别方法， 其特征在于， 基于 滑窗特征提取方法提取地貌图像区域中的地貌图像特 征， 包括： 按照预设窗口尺寸列表中包含的窗口尺寸， 对地貌 图像区域进行滑窗扫描， 获得每次 扫描过程对应的信息熵； 基于每次扫描过程对应的信息熵构建出地貌图像区域在对应窗口尺寸下对应的滑窗 特征矩阵； 基于两个窗口尺寸之间的尺寸差异， 对对应两个窗口尺寸中较小窗口尺寸对应的滑窗 特征矩阵进行 行列压缩处 理， 获得对应的变换 特征矩阵； 计算出变换特征矩阵和对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征矩阵之间 的信息熵差值表征值， 包括： 式中， 为信息熵差值表征值， 为变换特征矩阵或对应两个窗口尺寸中较大窗口尺 寸对应的滑窗特征矩阵中包含的数值总个数， 为变换特征矩阵或对应两个窗口尺寸中较 大窗口尺寸对应的滑窗特征矩阵中包含 的第 个数值， 即为以2为底的对数函数， 权　利　要　求　书 1/3 页 2 CN 115497010 A 2为变换特征矩阵中的第 个数值， 为对应两个窗口尺寸中较大窗口尺寸对应的滑窗特征 矩阵中的第 个数值； 将预设窗口尺寸列表中最大信息熵差值表征值对应的两个窗口尺寸作为最优求差窗 口尺寸组合； 基于最优求差窗口尺寸组合中的窗口尺寸之间的尺寸差异， 对最优求差窗口尺寸组合 中较小窗口尺寸对应的滑窗特 征矩阵进行区块划分， 获得多个子滑窗特 征矩阵； 计算出子滑窗特征矩阵中包含的数值均值， 并基于数值均值计算出子滑窗特征矩阵中 包含的每个数值和数值均值的偏差值； 将子滑窗特征矩阵中最大偏差值对应的数值在地貌 图像区域中的像素点作为突出特 征点； 对地貌图像区域中包 含的所有突出 特征点进行聚类分析， 获得 特征点聚类结果； 将特征点聚类结果作为 地貌图像区域的地貌图像特 征。 5.根据权利要求3所述的一种基于深度 学习的地理信 息的识别方法， 其特征在于， 基于 地貌图像特 征确定出对应地貌图像区域的所属地貌类别， 包括： 将地貌图像特征与每个地貌类别对应的分类标签的标准图像特征进行匹配， 并确定出 对应的匹配度； 将最大匹配度对应的地貌类别作为对应地貌图像区域的所属地貌类别。 6.根据权利要求1所述的一种基于深度学习的地理信息的识别方法， 其特征在于， S3： 基于对应地貌类别对应的深度卷积网络， 对待识别区域进行特征提取， 获得对应的累积图 像特征， 包括： 基于预设的卷积核尺寸列表中包含的卷积核尺寸和对应地貌类别对应的深度卷积网 络， 对待识别区域依 次进行特征提取， 获得对应待识别区域在不同卷积核尺寸下对应的图 像特征； 并将待识别区域在不同卷积核尺寸下对应的图像特征进行累加， 获得对应待识别区域 的累积图像特 征。 7.根据权利要求1所述的一种基于深度学习的地理信息的识别方法， 其特征在于， S4： 基于累积图像特 征对原始地貌图像进行增强处 理， 获得增强地貌图像， 包括： 确定出每 个累加图像特 征中包含的对应视 觉数据类别对应的视 觉分布数据； 基于待识别区域在原始地貌图像中的分布位置， 将原始地貌图像中所有待识别区域的 属于同一视觉数据类别的视觉 分布数据进 行排列组合， 获得原始地貌图像的每个视觉数据 类别对应的完整视 觉分布数据； 基于完整视觉分布数据确定出对应视觉数据类别对应的数据变化范围， 基于视觉数据 变化范围确定出对应的可扩大倍数； 基于可扩大倍数确定出对应的数据增强倍数， 基于数据增强倍数对对应视觉数据类别 对应的完整视觉分布数据中包含的视觉数据进行扩大 处理， 获得对应视觉数据类别对应的 增强视觉分布数据； 基于所有视 觉数据类别对应的增强视 觉分布数据， 确定出增强图像特 征； 基于增强图像特征和累积图像特征之间的特征增强分量， 对原始地貌图像中的对应待权　利　要　求　书 2/3 页 3 CN 115497010 A 3