图像处理方法、装置、计算机设备、存储介质及程序产品与流程

1.本技术涉及图像处理技术领域，本技术涉及一种图像处理方法、装置、计算机设备、存储介质及程序产品。


背景技术：

2.遥感技术目前被广泛应用于地学应用中，如森林资源规划、农作物估产、环境评估、灾害监测等。遥感影像分类技术是把遥感图像从数据转换为信息的关键步骤，通过语义分割模型，可对遥感影像进行精细化地物分类。
3.目前，在对一个崭新地物分类任务进行分类时，通常利用一个已有地物分类任务对地物分类模型进行模型迁移，但是难以保证迁移模型的泛化能力，导致对新的地物分类的准确性可能较低。


技术实现要素：

4.本技术提供了一种图像处理方法、装置、计算机设备、存储介质及程序产品，可以解决相关技术中对新的地物分类的准确性可能较低的问题。所述技术方案如下：
5.一方面，提供了一种图像处理方法，方法包括：
6.获取多个目标域地物图像；目标域地物图像为待识别的目标领域的地物图像；
7.将目标域地物图像向源领域进行风格迁移，得到迁移地物图像；
8.其中，源域样本地物图像为源领域的标注有标准地类标记的地物图像；
9.基于地物分类模型对迁移地物图像进行分类，得到目标域地物图像的地物分类结果；
10.其中，地物分类模型是基于源域样本地物图像进行训练得到的。
11.在一个可能实现方式中，基于源域样本地物图像将目标域地物图像向源领域进行风格迁移，得到迁移地物图像，包括：
12.基于源域样本地物图像和目标域地物图像获取地物风格迁移模型；
13.通过地物风格迁移模型将目标域地物图像向源领域进行风格迁移，得到迁移地物图像。
14.在一个可能实现方式中，地物风格迁移模型通过如下方式训练得到：
15.获取多个源域样本地物图像；
16.针对每一源域样本地物图像，基于标准地类标记从源域样本地物图像中提取至少一个源域单类地物图像；
17.针对每一目标域地物图像，对目标域地物图像进行分割，得到至少一个子区域；
18.基于地物指数特征对各目标域地物图像的子区域进行分类，获取至少一个目标域单类地物图像；
19.基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型。
20.在一个可能实现方式中，标准地类标记包括至少一类地物的地类标记；基于标准地类标记从源域样本地物图像中提取至少一个源域单类地物图像，包括：
21.针对源域样本地物图像中的每一地类标记，选取该一种地类标记面向对应的一类地物进行提取；
22.将源域样本地物图像中除所选取的地物以外的其他区域设置为预设颜色，得到针对所选取的一类地物的源域单类地物图像。
23.在一个可能实现方式中，对目标域地物图像进行分割，得到至少一个子区域，包括：
24.将目标域地物图像映射为对应的无向图；
25.将无向图分割为两个不相连的第一顶点集和第二顶点集；
26.基于第一顶点集和第二顶点集将目标域地物图像进行分割，得到至少一个子区域。
27.在一个可能实现方式中，基于地物指数特征对各目标域地物图像的子区域进行分类，获取至少一个目标域单类地物图像，包括：
28.基于地类指数特征，对各目标域地物图像的子区域进行分类，得到每一类地物对应的至少一个子区域；
29.针对目标域地物图像中的任一类地物，保持一类地物对应的子区域的色彩通道信息；
30.将目标域地物图像中除所选取的一类地物对应的子区域以外的其他子区域设置为预设颜色，得到针对所选取的一类地物的目标域单类地物标记。
31.在一个可能实现方式中，地类指数特征包括归一化植被指数和土壤调节植被指数中的至少一种。
32.在一个可能实现方式中，基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型，包括：
33.确定至少一个源域单类地物图像所对应的至少一类地物；
34.从至少一个目标域单类地物图像中选取与所确定的至少一类地物分别对应的目标域单类地物图像；
35.基于至少一个源域单类地物图像和所选取的目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型。
36.在一个可能实现方式中，基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型，包括：
37.将至少一个源域单类地物图像和至少一个目标域单类地物图像均调整至预设尺寸；
38.基于调整至预设尺寸后的源域单类地物图像和目标域单类地物图像训练初始风格迁移模型，得到地物风格迁移模型。
39.另一方面，提供了一种图像处理装置，装置包括：
40.获取模块，用于获取多个目标域地物图像；目标域地物图像为待识别的目标领域的地物图像；
41.迁移模块，用于将目标域地物图像向源领域进行风格迁移，得到迁移地物图像；
42.其中，地物风格迁移模型是基于目标域地物图像和源域样本地物图像进行训练得到的；源域样本地物图像为源领域的标注有标准地类标记的地物图像；
43.分类模块，用于基于地物分类模型对迁移地物图像进行分类，得到目标域地物图像的地物分类结果；
44.其中，地物分类模型是基于源域样本地物图像进行训练得到的。
45.在一个可能实现方式中，迁移模块在基于源域样本地物图像将所述目标域地物图像向源领域进行风格迁移，得到迁移地物图像时，具体用于：
46.基于所述源域样本地物图像和所述目标域地物图像获取地物风格迁移模型；
47.通过所述地物风格迁移模型将所述目标域地物图像向所述源领域进行风格迁移，得到所述迁移地物图像。
48.在一个可能实现方式中，图像处理装置还包括训练模块，用于：
49.获取多个源域样本地物图像；
50.针对每一源域样本地物图像，基于标准地类标记从源域样本地物图像中提取至少一个源域单类地物图像；
51.针对每一目标域地物图像，对目标域地物图像进行分割，得到至少一个子区域；
52.基于地物指数特征对各目标域地物图像的子区域进行分类，获取至少一个目标域单类地物图像；
53.基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型。
54.在一个可能实现方式中，标准地类标记包括至少一类地物的地类标记；训练模块在基于标准地类标记从源域样本地物图像中提取至少一个源域单类地物图像时，具体用于：
55.针对源域样本地物图像中的每一地类标记，选取该一种地类标记面向对应的一类地物进行提取；
56.将源域样本地物图像中除所选取的地物以外的其他区域设置为预设颜色，得到针对所选取的一类地物的源域单类地物图像。
57.在一个可能实现方式中，训练模块在对目标域地物图像进行分割，得到至少一个子区域时，具体用于：
58.将目标域地物图像映射为对应的无向图；
59.将无向图分割为两个不相连的第一顶点集和第二顶点集；
60.基于第一顶点集和第二顶点集将目标域地物图像进行分割，得到至少一个子区域。
61.在一个可能实现方式中，训练模块在基于地物指数特征对各目标域地物图像的子区域进行分类，获取至少一个目标域单类地物图像时，具体用于：
62.基于地类指数特征，对各目标域地物图像的子区域进行分类，得到每一类地物对应的至少一个子区域；
63.针对目标域地物图像中的任一类地物，保持一类地物对应的子区域的色彩通道信息；
64.将目标域地物图像中除所选取的一类地物对应的子区域以外的其他子区域设置
为预设颜色，得到针对所选取的一类地物的目标域单类地物标记。
65.在一个可能实现方式中，地类指数特征包括归一化植被指数和土壤调节植被指数中的至少一种。
66.在一个可能实现方式中，训练模块在基于所述至少一个源域单类地物图像和所述至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到所述地物风格迁移模型时，具体用于：
67.确定至少一个源域单类地物图像所对应的至少一类地物；
68.从所述至少一个目标域单类地物图像中选取与所确定的至少一类地物分别对应的目标域单类地物图像；
69.基于所述至少一个源域单类地物图像和所选取的目标域单类地物图像对初始风格迁移模型进行训练，得到所述地物风格迁移模
70.在一个可能实现方式中，训练模块在基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型时，具体用于：
71.将至少一个源域单类地物图像和至少一个目标域单类地物图像均调整至预设尺寸；
72.基于调整至预设尺寸后的源域单类地物图像和目标域单类地物图像训练初始风格迁移模型，得到地物风格迁移模型。
73.在一个可能实现方式中，训练模块在基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型时，具体用于：
74.针对任一类地物，将该一类地物对应的目标域单类地物图像作为输入，将该一类地物对应的源域单类地物图像作为输出，训练初始风格迁移模型直至针对该一类地物的训练损失函数达到预设结束条件，得到该一类地物对应的中间模型；
75.针对每一类地物，重复将上一次训练得到的中间模型设为新的初始风格迁移模型，将该一类地物对应的目标域单类地物图像作为输入，将该一类地物对应的源域单类地物图像作为输出，训练初始风格迁移模型直至针对该一类地物的训练损失函数达到预设结束条件；
76.将针对最后一类地物训练得到的中间模型设为地物风格迁移模型。
77.另一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，处理器执行计算机程序以实现上述的图像处理方法。
78.另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的图像处理方法。
79.另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述的图像处理方法。
80.本技术提供的技术方案带来的有益效果是：
81.通过目标域地物图像和源域样本地物图像训练得到地物风格迁移模型，再通过地物风格迁移模型将目标域地物图像向源领域进行风格迁移，得到与源领域相近的迁移地物图像，再通过适用于源领域的地物分类模型对迁移地物图像进行分类，可以得到针对目标域地物图像的分类结果，有效提高针对目标域的地物分类的准确性。
82.进一步的，通过从源域样本地物图像中提取至少一个源域单类地物图像，从目标
域地物图像中提取至少一个目标域单类地物图像，基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，使得得到的风格迁移模型可以针对选定地物特征进行风格迁移，从而提高风格迁移模型的准确性和泛化性，使得适用于源领域的地物分类模型针对迁移地物图像具有更好的分类效果，分类准确率更高。
附图说明
83.为了更清楚地说明本技术实施例中的技术方案，下面将对本技术实施例描述中所需要使用的附图作简单地介绍。
84.图1为本技术实施例提供的一种图像处理方法的实施环境示意图；
85.图2为本技术实施例提供的一种图像处理方法的流程示意图；
86.图3为本技术实施例提供的地物风格迁移模型的获取方案的示意图；
87.图4为本技术示例提供的针对源域样本地物图像进行处理的方案的示意图；
88.图5为本技术示例提供的针对目标域地物图像进行处理的方案的示意图；
89.图6为本技术示例提供的图像处理方案的示意图；
90.图7为本技术实施例提供的一种图像处理装置的结构示意图；
91.图8为本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
92.下面结合本技术中的附图描述本技术的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本技术实施例的技术方案的示例性描述，对本技术实施例的技术方案不构成限制。
93.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“a和/或b”指示实现为“a”，或者实现为“a”，或者实现为“a和b”。
94.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
95.遥感技术目前被广泛应用于地学应用中，如森林资源规划、农作物估产、环境评估、灾害监测等。遥感影像分类技术是把遥感图像从数据转换为信息的关键步骤。其中，通过语义分割模型，可对遥感影像进行精细化地物分类。而在模型构建过程中，为了提高地物分类模型在不同卫星、不同时间、不同区域的影像上的泛化能力，往往采取迁移学习的方法，利用一个已有地物分类任务(包含某一卫星、某一时间、某一区域的遥感影像及其对应标签数据，通常称为源域)学习得到的规律，对一个崭新地物分类任务(只包含另一卫星、另一时间、另一区域的遥感影像，没有或较少标签数据，不足以训练出有效分类器，通常称为
目标域)进行分类。
96.目前可以通过找到源域和目标域中具有最大相似性的数据子集，利用其辅助目标域进行地物分类；或者是通过特征提取，降维至源域和目标域中具有最大相似性的特征子空间，利用其进行目标域的地物分类模型训练。这两种方式在理论研究上取得了一定的效果，但其离实际生产应用仍有一定距离。
97.相关技术中对源域影像以及目标域影像进行主成分变换，提取其前三个主成分分量，形成相应的三个波段新图像；接着，将新图像投入卷积神经网络，得到相应的深度特征；最后，基于两者深度特征的联系，实现从源域影像到目标域影像的迁移学习。这种方式模型泛化能力难以保障。
98.还有一些相关技术中面向整幅影像提取特征，进而实现目标域整体效果的变换。若源域中出现不可避免的噪点，如云层、阴影等干扰，迁移学习提取噪点特征后，会间接影响目标域地物分类效果。
99.本技术面向地物，针对源域以及目标域影像，基于深度卷积网络，训练得到地类风格迁移模型。通过本技术面向地物实现源域与目标域间的迁移学习，避免源域噪点在迁移学习过程中对目标域数据的影响，可以有效提高地物分类模型的泛化能力。
100.本技术实施例可应用于各种场景，包括但不限于人工智能等。示例性的，本技术提供的图像处理方法，可以应用于如下场景：在多个相似的遥感地物分类项目中，拥有多源域遥感影像及其对应的标签数据以及一个初始的地物分类算法，需要对目标域遥感影像进行地物分类。
101.人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
102.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
103.机器学习(machine learning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
104.图1是本发明实施例提供的一种图像处理方法的实施环境的示意图，参见图1，具体的，基于所述目标域地物图像和源域样本地物图像训练得到地物风格迁移模型，通过地物风格迁移模型将所述目标域地物图像向源领域进行风格迁移，得到迁移地物图像，然后基于适用于源领域的地物分类模型对所述迁移地物图像进行分类，得到目标域地物图像的
地物分类结果。
105.可以理解的是，图1表示的是一个示例中的应用场景，并不对本技术的图像处理方法的应用场景进行限定。
106.图2为本技术实施例提供的一种图像处理方法的流程示意图。该方法的执行主体可以为计算机设备。如图2所示，该方法可以包括以下步骤：
107.步骤201，获取多个目标域地物图像。
108.其中，目标域地物图像为待识别的目标领域的地物图像。
109.其中，目标领域可以指特定的空间分辨率、特定的卫星、特定时间、特定地区，不局限于特定的区域。
110.步骤202，将目标域地物图像向源领域进行风格迁移，得到迁移地物图像。
111.其中，源域样本地物图像为源领域的标注有标准地类标记的地物图像。
112.具体的，可以通过地物风格迁移模型将目标域地物图像和源域样本地物图像进行变换，还可以基于图像处理等数学计算直接将目标域地物图像向源领域进行风格迁移。
113.具体的，可以从目标域地物图像中提取每一目标域单类地物图像，并从源域地物图像中提取每一源域单类地物图像，根据目标域地物图像和各个源域对应地物图像得到风格迁移变换。
114.步骤203，基于地物分类模型对迁移地物图像进行分类，得到目标域地物图像的地物分类结果。
115.其中，地物分类模型是基于源域样本地物图像进行训练得到的。
116.其中，地物分类模型可以是语义分割网络，例如，可以是hrnet网络(高分辨网络，high-resolution net)。
117.在具体实施过程中，地物分类模型适用于源领域，将目标域地物图像向源领域进行风格迁移后，得到的迁移地物图像与源领域相近，可以用适用于源领域的地物分类模型对迁移地物图像进行分类。
118.上述实施例中，通过目标域地物图像和源域样本地物图像训练得到地物风格迁移模型，再通过地物风格迁移模型将目标域地物图像向源领域进行风格迁移，得到与源领域相近的迁移地物图像，再通过适用于源领域的地物分类模型对迁移地物图像进行分类，可以得到针对目标域地物图像的分类结果，有效提高针对目标域的地物分类的准确性。
119.在一个可能实现方式中，步骤s202基于源域样本地物图像将目标域地物图像向源领域进行风格迁移，得到迁移地物图像，可以包括：
120.(1)基于源域样本地物图像和目标域地物图像获取地物风格迁移模型；
121.(2)通过地物风格迁移模型将目标域地物图像向源领域进行风格迁移，得到迁移地物图像。
122.具体的，可以通过源域样本地物图像和目标域地物图像对始风格迁移模型进行训练，得到地物风格迁移模型。
123.上述实施例中是通过地物风格迁移模型实现源域样本地物图像和目标域地物图像之间的风格转化，在其他实施方式中，也可以通过图像迁移算法、直方图变换等等实现风格转化。
124.以下将结合实施例进一步阐述获取地物风格迁移模型的过程。
125.在一个可能实现方式中，如图3所示，地物风格迁移模型可以通过如下方式训练得到：
126.步骤s301，获取多个源域样本地物图像。
127.其中，每一源域样本地物图像标注有标准地类标记，即源域样本地物图像中的每一地类都对应设置有地类标记。
128.步骤s302，针对每一源域样本地物图像，基于标准地类标记从源域样本地物图像中提取至少一个源域单类地物图像。
129.其中，每一源域样本地物图像中有至少一类地物，每一类地物设置有对应的地类标记。
130.具体的，步骤s302基于标准地类标记从源域样本地物图像中提取至少一个源域单类地物图像，可以包括：
131.(1)针对源域样本地物图像中的每一地类标记，选取该一种地类标记面向对应的一类地物进行提取；
132.(2)将源域样本地物图像中除所选取的地物以外的其他区域设置为预设颜色，得到针对所选取的一类地物的源域单类地物图像。
133.在具体实施过程中，源域样本地物图像含有多中地物的标准地类标记，先将多种地物的标准地类标记映射回原影像，对每一种地类标记，面向对应的地物进行提取，其余地物设置为背景色，生成针对这一种地物的源域单地类图像。
134.即在原影像中属于该地物的区域保持原有rgb(颜色系统)通道信息，而属于其他类别的地物的区域设置为黑色，以突出影像上属于该地类的各地物，依次对每一类地物进行提取，其他类地物对应的区域设置为黑色，得到每一类地物对应的源域单地类图像。
135.以图4所示为例，源域数据集图像中包括多个源域样本地物图像，源域样本地物图像设置有对应的标准地类标记，即图中所示的源域数据集多类标记，针对源域样本地物图像进行单地类提取，得到每一类地物的源域单类地物图像，即图中所示的a类地物图像
……
n类地物图像。
136.步骤s303，针对每一目标域地物图像，对目标域地物图像进行分割，得到至少一个子区域。
137.具体的，可以采用基于图论的归一化方法，对目标域地物图像进行分割，得到至少一个子区域。
138.在具体实施过程中，可以先将目标域地物图像映射为对应的无向图，再将无向图分割为不相连的两个顶点集，然后基于不相连的两个顶点集确定所分割的子区域，具体针对目标域地物图像的分割过程将在下文进行详细阐述。
139.步骤s304，基于地物指数特征对各目标域地物图像的子区域进行分类，获取至少一个目标域单类地物图像。
140.其中，地物指数特征可以包括归一化植被指数(ndvi)、土壤调节植被指数(savi)等指数。
141.具体的，可以结合地物指数特征，利用不同的地物对不同的波段具有不同的反射或者吸收特性，进行子区域的初步分类，得到目标域单地类图像。
142.具体的，源域单地类图像对应的地类和目标单地类图像对应的地类是分别一一对
应的，例如，多个源域单地类图像对应的地类分别为a、b、c、d地类，则多个目标单地类图像对应的地类也分别为a、b、c、d地类。
143.在具体实施过程中，步骤s304基于地物指数特征对各目标域地物图像的子区域进行分类，获取至少一个目标域单类地物图像可以包括：
144.(1)基于地类指数特征，对各目标域地物图像的子区域进行分类，得到每一类地物对应的至少一个子区域；
145.(2)针对目标域地物图像中的任一类地物，保持一类地物对应的子区域的色彩通道信息；
146.(3)将目标域地物图像中除所选取的一类地物对应的子区域以外的其他子区域设置为预设颜色，得到针对所选取的一类地物的目标域单类地物标记。
147.具体的，可以目标域地物图像中，将属于一类地物的子区域保持原有的rgb通道信息，属于其他类地物的子区域设置为黑色，这样可以突出图像中所选取的一类地物；针对每一类地物重复此操作，可以依次得到每一类地物对应的目标域单类地物标记。
148.如图5所示，目标域数据集图像中包括多个目标域地物图像，基于地类指数特征针对目标域地物图像进行提取，即图中的指数特征提取，得到每一类地物的目标域单类地物图像，即图中所示的a类地物图像
……
n类地物图像。
149.步骤s305，基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型。
150.具体的，可以采用每一类地物对应的源域单类地物图像和目标域单类地物图像分别对初始风格迁移模型进行训练，使得训练后得到的风格迁移模型可以针对每一类地物特征进行风格迁移。
151.在具体实施过程中，步骤s305基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型，可以包括：
152.将至少一个源域单类地物图像和至少一个目标域单类地物图像均调整至预设尺寸；
153.基于调整至预设尺寸后的源域单类地物图像和目标域单类地物图像训练初始风格迁移模型，得到地物风格迁移模型。
154.具体的，可以在训练前将源域单类地物图像和目标域单类地物图像的尺寸进行统一，例如全部裁剪为512
×
512大小，便于后续对初始风格迁移模型进行训练。
155.在具体实施过程中，步骤s305基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型，可以包括：
156.确定至少一个源域单类地物图像所对应的至少一类地物；
157.从至少一个目标域单类地物图像中选取与所确定的至少一类地物分别对应的目标域单类地物图像；
158.基于至少一个源域单类地物图像和所选取的目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型。
159.具体的，源域单地类图像对应的地类和目标单地类图像对应的地类是分别一一对应的。
160.在具体实施过程中，步骤s305基于至少一个源域单类地物图像和至少一个目标域
单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型，可以包括：
161.将至少一个源域单类地物图像输入初始风格迁移模型，以至少一个目标域单类地物图像作为输出，且至少一个源域单类地物图像对应的地类与至少一个目标域单类地物图像一一对应，对初始风格迁移模型进行训练，得到地物风格迁移模型。
162.具体的，预设结束条件可以是训练损失函数收敛，也可以是训练达到预设次数，在此不具体进行限制。
163.例如，目标域地物图像中有三类地物，源域样本地物图像中也有三类对应的地物，将三类地物对应的三个目标域单类地物图像作为输入，将一一对应的三类地物对应的源域单类地物图像作为输出，训练初始风格迁移模型，得到地物风格迁移模型。
164.具体的，训练过程中损失函数可以基于如下方式确定：
165.针对每一类地物，确定该一类地物对应的源域样本地物图像和目标域地物图像之间的第一损失函数；
166.将每一类地物对应的第一损失函数之和设为训练过程中的损失函数。
167.在其他实施方式中，还可以确定每一类地物对应的第一损失函数之间平均值，得到训练过程中的损失函数。
168.训练过程中的损失函数基于至少一个源域单类地物图像和至少一个目标域单类地物图像确定，具体的确定方式在此不进行限制。
169.上述实施例中，通过从源域样本地物图像中提取至少一个源域单类地物图像，从目标域地物图像中提取至少一个目标域单类地物图像，基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，使得得到的风格迁移模型可以针对每一类地物特征进行风格迁移，从而提高风格迁移模型的泛化性，使得适用于源领域的地物分类模型针对迁移地物图像具有更好的分类效果，分类准确率更高。
170.上述实施例阐述了风格迁移模型的具体训练过程，以下将结合附图和实施例进一步阐述针对目标域地物图像的分割过程。
171.具体的，针对目标域地物图像，可以图论的归一化分割方法进行分割。将目标域地物图像映射为无向图，图的顶点的连线为权值。
172.对于目标域地物图像i，构建一个加权无向图g＝(v,e)，v为图中所有像素节点的集合，图的边为e。通过删除图的某些边，将其分割成为两个不相连的顶点集a和b。而所删除的边的总和，作为a和b两个部分的不相似度。
173.基于图论的分割公式如下：
[0174][0175]
其中，w(u,v)代表影像中像素i和j两点之间的相似度。
[0176]
归一化图论分割的计算公式如下：
[0177][0178]
其中，assoc(a,v)为a中点与图中的各个点之间的相似性；assoc(b,v)为b中中点与图中的各个点之间的相似性。
[0179]
将求解ncut(a,b)的最小值问题，转化为求解矩阵的特征值和特征向量的问题。采
用聚类算法对所得的特征向量进行聚类，进而得到分割效果。
[0180]
上述实施方式中，是通过图论对目标域地物图像进行分割，在其他实施方式中，还可以通过基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法等等对目标域地物图像进行分割，在此不进行限定。在具体实施过程中，将分割区域映射回原影像，结合指数特征，利用不同的地物对不同的波段具有不同的反射或者吸收特性，进行分割子区域的初步分类，得到目标域单地类图像。即在原影像中属于该地类的子区域保持原有rgb通道信息，而属于其他地类的子区域设置为黑色，以突出影像上属于该地类的各地物，重复此操作，得到每一地类对应的目标域单地类图像。
[0181]
上述实施方式中，是通过指数特征对目标域地类图像进行提取得到目标域单地类图像，在其他实施方式中，还可以先对目标域地类图像进行分割，再进行图像分类得到目标域单地类图像，具体针对获取目标域单地类图像的获取过程在此不进行限制。
[0182]
为了更清楚的阐述本技术的图像处理方法，以下将结合示例对本技术的图像处理方法进行进一步说明。
[0183]
如图6所示，在一个示例中，本技术的图像处理方法，可以包括：
[0184]
获取多个源域样本地物图像，即图中所示的源域数据集图像；源域样本地物图像标注有标准地类标记，即图中所示的源域数据集多类标记；
[0185]
基于源域样本地物图像和标准地类标记训练得到地物分类模型；
[0186]
基于标准地类标记对源域样本地物图像进行单地类提取，得到源域的每一类地物的源域单类地物图像，即图中所示的源域的a类地物图像
……
n类地物图像；
[0187]
获取待识别的多个目标域地物图像，即图中所示的目标域数据集图像；
[0188]
对目标域地物图像进行指数特征提取，得到目标域的每一类地物的目标域单类地物图像，即图中所示目标域的a类地物图像
……
n类地物图像；
[0189]
通过每一类地物的源域单类地物图像和目标域单类地物图像对初始风格迁移模型进行网络训练，得到地物风格迁移模型；
[0190]
通过地物风格迁移模型将目标域地物图像向源领域进行风格迁移，得到迁移地物图像，即图中所示的风格迁移后的图像；
[0191]
基于地物分类模型对迁移地物图像进行分类，得到目标域地物图像的地物分类结果。
[0192]
上述图像处理方法，通过目标域地物图像和源域样本地物图像训练得到地物风格迁移模型，再通过地物风格迁移模型将目标域地物图像向源领域进行风格迁移，得到与源领域相近的迁移地物图像，再通过适用于源领域的地物分类模型对迁移地物图像进行分类，可以得到针对目标域地物图像的分类结果，有效提高针对目标域的地物分类的准确性。
[0193]
进一步的，通过从源域样本地物图像中提取至少一个源域单类地物图像，从目标域地物图像中提取至少一个目标域单类地物图像，基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，使得得到的风格迁移模型可以针对每一类地物特征进行风格迁移，从而提高风格迁移模型的泛化性，使得适用于源领域的地物分类模型针对迁移地物图像具有更好的分类效果，分类准确率更高。
[0194]
图7为本技术实施例提供的一种图像处理装置的结构示意图。如图7所示，该装置包括：
[0195]
获取模块701，用于获取多个目标域地物图像；目标域地物图像为待识别的目标领域的地物图像；
[0196]
迁移模块702，用于将目标域地物图像向源领域进行风格迁移，得到迁移地物图像；
[0197]
其中，地物风格迁移模型是基于目标域地物图像和源域样本地物图像进行训练得到的；源域样本地物图像为源领域的标注有标准地类标记的地物图像；
[0198]
分类模块703，用于基于地物分类模型对迁移地物图像进行分类，得到目标域地物图像的地物分类结果；
[0199]
其中，地物分类模型是基于源域样本地物图像进行训练得到的。
[0200]
在一个可能实现方式中，迁移模块702在基于源域样本地物图像将所述目标域地物图像向源领域进行风格迁移，得到迁移地物图像时，具体用于：
[0201]
基于所述源域样本地物图像和所述目标域地物图像获取地物风格迁移模型；
[0202]
通过所述地物风格迁移模型将所述目标域地物图像向所述源领域进行风格迁移，得到所述迁移地物图像。
[0203]
在一个可能实现方式中，图像处理装置还包括训练模块，用于：
[0204]
获取多个源域样本地物图像；
[0205]
针对每一源域样本地物图像，基于标准地类标记从源域样本地物图像中提取至少一个源域单类地物图像；
[0206]
针对每一目标域地物图像，对目标域地物图像进行分割，得到至少一个子区域；
[0207]
基于地物指数特征对各目标域地物图像的子区域进行分类，获取至少一个目标域单类地物图像；
[0208]
基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型。
[0209]
在一个可能实现方式中，标准地类标记包括至少一类地物的地类标记；训练模块在基于标准地类标记从源域样本地物图像中提取至少一个源域单类地物图像时，具体用于：
[0210]
针对源域样本地物图像中的每一地类标记，选取该一种地类标记面向对应的一类地物进行提取；
[0211]
将源域样本地物图像中除所选取的地物以外的其他区域设置为预设颜色，得到针对所选取的一类地物的源域单类地物图像。
[0212]
在一个可能实现方式中，训练模块在对目标域地物图像进行分割，得到至少一个子区域时，具体用于：
[0213]
将目标域地物图像映射为对应的无向图；
[0214]
将无向图分割为两个不相连的第一顶点集和第二顶点集；
[0215]
基于第一顶点集和第二顶点集将目标域地物图像进行分割，得到至少一个子区域。
[0216]
在一个可能实现方式中，训练模块在基于地物指数特征对各目标域地物图像的子区域进行分类，获取至少一个目标域单类地物图像时，具体用于：
[0217]
基于地类指数特征，对各目标域地物图像的子区域进行分类，得到每一类地物对
应的至少一个子区域；
[0218]
针对目标域地物图像中的任一类地物，保持一类地物对应的子区域的色彩通道信息；
[0219]
将目标域地物图像中除所选取的一类地物对应的子区域以外的其他子区域设置为预设颜色，得到针对所选取的一类地物的目标域单类地物标记。
[0220]
在一个可能实现方式中，地类指数特征包括归一化植被指数和土壤调节植被指数中的至少一种。
[0221]
在一个可能实现方式中，训练模块在基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型时，具体用于：
[0222]
确定至少一个源域单类地物图像所对应的至少一类地物；
[0223]
从至少一个目标域单类地物图像中选取与所确定的至少一类地物分别对应的目标域单类地物图像；
[0224]
基于至少一个源域单类地物图像和所选取的目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型。在一个可能实现方式中，训练模块在基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型时，具体用于：
[0225]
将至少一个源域单类地物图像和至少一个目标域单类地物图像均调整至预设尺寸；
[0226]
基于调整至预设尺寸后的源域单类地物图像和目标域单类地物图像训练初始风格迁移模型，得到地物风格迁移模型。
[0227]
在一个可能实现方式中，训练模块在基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到地物风格迁移模型时，具体用于：
[0228]
针对任一类地物，将该一类地物对应的目标域单类地物图像作为输入，将该一类地物对应的源域单类地物图像作为输出，训练初始风格迁移模型直至针对该一类地物的训练损失函数达到预设结束条件，得到该一类地物对应的中间模型；
[0229]
针对每一类地物，重复将上一次训练得到的中间模型设为新的初始风格迁移模型，将该一类地物对应的目标域单类地物图像作为输入，将该一类地物对应的源域单类地物图像作为输出，训练初始风格迁移模型直至针对该一类地物的训练损失函数达到预设结束条件；
[0230]
将针对最后一类地物训练得到的中间模型设为地物风格迁移模型。
[0231]
上述的图像处理装置，通过目标域地物图像和源域样本地物图像训练得到地物风格迁移模型，再通过地物风格迁移模型将目标域地物图像向源领域进行风格迁移，得到与源领域相近的迁移地物图像，再通过适用于源领域的地物分类模型对迁移地物图像进行分类，可以得到针对目标域地物图像的分类结果，有效提高针对目标域的地物分类的准确性。
[0232]
进一步的，通过从源域样本地物图像中提取至少一个源域单类地物图像，从目标域地物图像中提取至少一个目标域单类地物图像，基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，使得得到的风格迁移模型可以针对每一类地物特征进行风格迁移，从而提高风格迁移模型的泛化性，使得适用于源领域的地物分类模型针对迁移地物图像具有更好的分类效果，分类准确率更高。
[0233]
图8是本技术实施例中提供了一种计算机设备的结构示意图。如图8所示，该计算机设备包括：存储器和处理器；至少一个程序，存储于存储器中，用于被处理器执行时，与现有技术相比可实现：
[0234]
通过目标域地物图像和源域样本地物图像训练得到地物风格迁移模型，再通过地物风格迁移模型将目标域地物图像向源领域进行风格迁移，得到与源领域相近的迁移地物图像，再通过适用于源领域的地物分类模型对迁移地物图像进行分类，可以得到针对目标域地物图像的分类结果，有效提高针对目标域的地物分类的准确性。
[0235]
进一步的，通过从源域样本地物图像中提取至少一个源域单类地物图像，从目标域地物图像中提取至少一个目标域单类地物图像，基于至少一个源域单类地物图像和至少一个目标域单类地物图像对初始风格迁移模型进行训练，使得得到的风格迁移模型可以针对每一类地物特征进行风格迁移，从而提高风格迁移模型的泛化性，使得适用于源领域的地物分类模型针对迁移地物图像具有更好的分类效果，分类准确率更高。
[0236]
在一个可选实施例中提供了一种计算机设备，如图8所示，图8所示的计算机设备800包括：处理器801和存储器803。其中，处理器801和存储器803相连，如通过总线802相连。可选地，计算机设备800还可以包括收发器804，收发器804可以用于该计算机设备与其他计算机设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器804不限于一个，该计算机设备800的结构并不构成对本技术实施例的限定。
[0237]
处理器801可以是cpu(central processing unit，中央处理器)，通用处理器，dsp(digital signal processor，数据信号处理器)，asic(application specific integrated circuit，专用集成电路)，fpga(field programmable gate array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器801也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
[0238]
总线802可包括一通路，在上述组件之间传送信息。总线802可以是pci(peripheral component interconnect，外设部件互连标注)总线或eisa(extended industry standard architecture，扩展工业标注结构)总线等。总线802可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0239]
存储器803可以是rom(read only memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，ram(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electrically erasable programmable read only memory，电可擦可编程只读存储器)、cd-rom(compact disc read only memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
[0240]
存储器803用于存储执行本技术方案的应用程序代码(计算机程序)，并由处理器801来控制执行。处理器801用于执行存储器803中存储的应用程序代码，以实现前述方法实
施例所示的内容。
[0241]
其中，计算机设备包括但不限于：虚拟化的计算机设备、虚拟机、服务器、服务集群、用户的终端等。
[0242]
本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中图像处理方法的相应内容。
[0243]
本技术实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的图像处理方法。
[0244]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0245]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0246]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0247]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
[0248]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、
部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0249]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0250]
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，迁移模块还可以被描述为“用于将地物风格进行迁移的模块”。
[0251]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种图像处理方法，其特征在于，所述方法包括：获取多个目标域地物图像；所述目标域地物图像为待识别的目标领域的地物图像；基于源域样本地物图像将所述目标域地物图像向源领域进行风格迁移，得到迁移地物图像；其中，所述源域样本地物图像为源领域的标注有标准地类标记的地物图像；基于地物分类模型对所述迁移地物图像进行分类，得到所述目标域地物图像的地物分类结果；其中，所述地物分类模型是基于所述源域样本地物图像进行训练得到的。2.根据权利要求1所述的图像处理方法，其特征在于，所述基于源域样本地物图像将所述目标域地物图像向源领域进行风格迁移，得到迁移地物图像，包括：基于所述源域样本地物图像和所述目标域地物图像获取地物风格迁移模型；通过所述地物风格迁移模型将所述目标域地物图像向所述源领域进行风格迁移，得到所述迁移地物图像。3.根据权利要求2所述的图像处理方法，其特征在于，所述地物风格迁移模型通过如下方式训练得到：获取多个源域样本地物图像；针对每一源域样本地物图像，基于所述标准地类标记从所述源域样本地物图像中提取至少一个源域单类地物图像；针对每一所述目标域地物图像，对所述目标域地物图像进行分割，得到至少一个子区域；基于地物指数特征对各所述目标域地物图像的子区域进行分类，获取至少一个目标域单类地物图像；基于所述至少一个源域单类地物图像和所述至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到所述地物风格迁移模型。4.根据权利要求3所述的图像处理方法，其特征在于，所述标准地类标记包括至少一类地物的地类标记；基于所述标准地类标记从所述源域样本地物图像中提取至少一个源域单类地物图像，包括：针对所述源域样本地物图像中的每一地类标记，选取该一种地类标记面向对应的一类地物进行提取；将所述源域样本地物图像中除所选取的所述地物以外的其他区域设置为预设颜色，得到针对所选取的一类地物的源域单类地物图像。5.根据权利要求3所述的图像处理方法，其特征在于，所述对所述目标域地物图像进行分割，得到至少一个子区域，包括：将所述目标域地物图像映射为对应的无向图；将所述无向图分割为两个不相连的第一顶点集和第二顶点集；基于所述第一顶点集和所述第二顶点集将所述目标域地物图像进行分割，得到至少一个子区域。6.根据权利要求5所述的图像处理方法，其特征在于，所述基于地物指数特征对各所述目标域地物图像的子区域进行分类，获取至少一个目标域单类地物图像，包括：
基于地类指数特征，对各所述目标域地物图像的子区域进行分类，得到每一类地物对应的至少一个子区域；针对所述目标域地物图像中的任一类地物，保持所述一类地物对应的子区域的色彩通道信息；将所述目标域地物图像中除所选取的所述一类地物对应的子区域以外的其他子区域设置为所述预设颜色，得到针对所选取的一类地物的目标域单类地物标记。7.根据权利要求6所述的图像处理方法，其特征在于，所述地类指数特征包括归一化植被指数和土壤调节植被指数中的至少一种。8.根据权利要求3所述的图像处理方法，其特征在于，所述基于所述至少一个源域单类地物图像和所述至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到所述地物风格迁移模型，包括：确定至少一个源域单类地物图像所对应的至少一类地物；从所述至少一个目标域单类地物图像中选取与所确定的至少一类地物分别对应的目标域单类地物图像；基于所述至少一个源域单类地物图像和所选取的目标域单类地物图像对初始风格迁移模型进行训练，得到所述地物风格迁移模型。9.根据权利要求3所述的图像处理方法，其特征在于，所述基于所述至少一个源域单类地物图像和所述至少一个目标域单类地物图像对初始风格迁移模型进行训练，得到所述地物风格迁移模型，包括：将所述至少一个源域单类地物图像和所述至少一个目标域单类地物图像均调整至预设尺寸；基于调整至所述预设尺寸后的所述源域单类地物图像和所述目标域单类地物图像训练所述初始风格迁移模型，得到所述地物风格迁移模型。10.一种图像处理装置，其特征在于，所述装置包括：获取模块，用于获取多个目标域地物图像；所述目标域地物图像为待识别的目标领域的地物图像；迁移模块，用于将所述目标域地物图像向源领域进行风格迁移，得到迁移地物图像；其中，所述源域样本地物图像为所述源领域的标注有标准地类标记的地物图像；分类模块，用于基于地物分类模型对所述迁移地物图像进行分类，得到所述目标域地物图像的地物分类结果；其中，所述地物分类模型是基于所述源域样本地物图像进行训练得到的。11.一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1至9任一项所述的图像处理方法。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9任一项所述的图像处理方法。13.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9任一项所述的图像处理方法。

技术总结
本申请提供一种图像处理方法、装置、计算机设备、存储介质及程序产品，涉及遥感图像处理领域。图像处理方法包括：获取多个目标域地物图像；目标域地物图像为待识别的目标领域的地物图像；将目标域地物图像向源领域进行风格迁移，得到迁移地物图像；源域样本地物图像为源领域的标注有标准地类标记的地物图像；基于地物分类模型对迁移地物图像进行分类，得到目标域地物图像的地物分类结果；其中，地物分类模型是基于源域样本地物图像进行训练得到的。可以有效提高针对目标域的地物分类的准确性。可以有效提高针对目标域的地物分类的准确性。可以有效提高针对目标域的地物分类的准确性。


技术研发人员：高豪 史中强 钱晨
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2022.03.07
技术公布日：2023/9/20