基于遥感图像的人工标注系统的设计与实现

邱程 葛迪 侯群

摘要：该人工标注系统是基于遥感卫星的遥感图像，实现遥感图像的在线人工标注，并对标注后的图像进行评选，收集标注合格的遥感图像，存储到数据库中。结合当前最新的前端HTML5、CSS3和JavaScript技术，后台服务器采用非常精巧稳定的Node.js、Express和MySQL技术，很好实现了浏览器Web端遥感图像的列表展示、标注任务的选择、遥感图像的在线标注以及标注图像的在线评分等功能[1-2]。经过系统的运行测试表明，该系统可以有效收集到遥感图像的标注图像，为未来的实现遥感图像的基于深度学习的自动标注系统提供学习训练图像样本[3-4]。

关键词：遥感图像；在线标注；Web2.0；Canvas

中图分类号：TP391.41 文献标识码：A 文章编号：1009-3044（2018）23-0219-03

Abstract： The manual marking system is based on remote sensing images of remote sensing satellites， realizes online manual annotation of remote sensing images， and selects the labeled images， collects the qualified remote sensing images and stores them in the database. Combined with the latest front-end HTML5， CSS3 and JavaScript technologies， the back-end server adopts very compact and stable Node.js， Express and MySQL technologies， which can realize the list display of remote sensing images on the browser web， the selection of annotation tasks， and remote sensing images Online annotation and online rating of the annotated image. The system running test shows that the system can effectively collect the annotation images of remote sensing images， and provide learning training image samples for the future deep learning-based automatic annotation system for remote sensing images.

Key words： Remote Sensing Image； Online Annotation； Web2.0； Canvas

1 背景

随着航天科技技术和遥感卫星技术的日益成熟发展，以及北斗卫星系统的逐渐完善，超高清的遥感图像数量也迎来了持续增长，有效的处理和利用遥感图像的知识成了迫切的要求[5]。遥感图像的图像分析与理解，遥感图像的可视化展示以及基于存在的遥感图像数据上，进行二次开发和利用也存在很大的意义[6]。图像的处理、分析和理解是获取图像知识的基本任务和功能[7]。

遥感图像通常是记录各种地物电磁波代销的胶片或照片，主要分为航空图像和卫星图像，由计算机进行处理的遥感图像必须是数字遥感图像[8-9]。该系统基于在线标注系统的功能需求下，采用MVC设计模式[10]，即模型-视图-控制器的设计方式，并结合Node.js + Express创建的Web应用程序系统。采用B/S结构[11]，用户通过浏览器实现登录、浏览、标注和评分等操作。

2 系统总体设计方案

2.1 数据流逻辑设计

如图1所示，人工标注系统的主要数据流程：

1）系统管理员用户管理和分配所有注册用户的权限，系统会自动根据用户拥有的权限分配不同的操作功能。

2）图像标注用户登录系统后，图像标注模块会自动发送请求，查询原始数据库模块，并返回相应的图像数据集到图像任务列表界面，供标注用户进行标注任务的选择，用户选择后遥感图像会自动进入到用户任务列表中，等待下一步的标注操作。

3）针对标注用户的任务列表，标注用户进行标注功能的操作，给图像的不同区域添加适当的语义描述，并提高任务到标注图像数据库进行存储，等待标注图像的评分结果。

4）专家评分用户进行系统后，图像评分模块会自动发送请求，查询当前标注图像数据库中等待标注的图像集并返回到任务评分列表界面，专家用户根据系统评分标注，进行评分，并提交到标注图像数据库，评分结果也会返回到标注用户的账户中。

2.2 系统架构设计

如图1所示，系统架构设计主要分为系统前端交互模块和系统后台模块。

系统前端交互模块主要由系统用户入口模块，图像标注模块以及标记结果评分模块等。

系统后台模块主要由原始图像数据集数据库存储模块、标注图像数据存储模块以及更新标注图像数据库模块。

3 系统功能的设计与实现

遥感图像的人工标注系统的设计主要分为用戶功能、用户权限控制功能、任务发布功能、任务标注功能和任务评分功能六大功能，如图2所示。

3.1 用户功能

遥感图像的人工标注系统采取用户需要注册登录的方式来进入系统操作。该系统功能主要由两模块组成：注册模块、登录模块。

3.1.1 注册功能

用户注册需要同时输入用户名、密码和邮箱，系统会自动根据用户注册时候提交的信息验证信息是否符合规范，注册成功后，注册用户的默认权限为guest。

3.1.2 登录功能

用户登录的时候，需要输入正确的用户名、密码以及随机的验证码来进行登录，系统会自动验证用户登录信息是否与数据库存在的信息匹配来反馈用户是否登录成功。

3.2 用户权限控制功能

系统通过控制不同类型的用户来访权限，赋予用户不同的访问权限和功能权限，如表1所示。系统管理用户有管理其他注册用户的访问权限，对注册用户进行权限分配和管理，如图3所示。

3.3 任务选择功能

该系统功能主要由两模块组成：所有任务、个人任务。

3.3.1 所有任务

系统展示当前数据库中的所有图像标注任务，包括已经领取的和待领取的。点击相应的任务主体，可以预览图像的基本信息，包括图像的名称，经纬度，时间，数据类型等。

3.3.2 个人任务

普通图像标注任务领取相应的待领取的任务后，便可在此模块进行查看和相应的标注操作。具体的业务操作流程如图4所示。

3.4 任务标注功能

该系统功能主要由四个模块组成：视图模块、标注模块、工具模块。

3.4.1 视图模块

在标注过程中，对标注的遥感图像进行放大、缩小以及增加或减少亮度的操作，方便标注用户根据需求进行响应操作。

3.4.2 标注模块

在标注的过程中，对标注的遥感图像进行矩形标注、多边形标注、以及撤销上一步标注操作。

矩形标注/多边形标注：对待标注的遥感图像进行相应区域的标注，主要定义标注区域的名称、标注区域的属性、以及为标注区域添加子集等操作，图5所示。确认后的标注信息会保存到数据库中，专家评分用户进行标注评分的时候就可以看到每个标注区域的标注信息。

3.4.3 工具模块

提供详细的用户操作手册和说明，方便用户在操作过程中查看。

3.5 专家评分功能

该系统功能主要提供给专家用户，针对系统中已经标注的遥感图像集进行人工评分，对标注信息进行再次确认，致力于提高标注的准确性。系统提供统一的评分准则：

3.5.1 一分

1）评分结果：标注结果错误太多，与遥感图像描述严重不符，非常不满意

2）处理结果：放弃此标注结果，并清除数据库中相应的标注信息，返回到待标注图像集，待下一次重新标注。

3.5.2 二分

1）评分结果：标注结果部分有错误，与图像描述部分符合，基本满意。

2）处理结果：将此遥感图片返回到相应标注用户的个人任务中，并提示用户进行响应错误修改。

3.5.3 三分

1）评分结果：标注结果与图像描述大部分匹配，很满意

2）处理结果：将此标注后的遥感图像，标注信息，评分结果存储到相应的数据库并进行持久化保存。

4 结束语

该系统经过各个平台的测试，整体系统运行平稳。对系统的服务器做了压力测试，测试发现，系统的并发数达到500左右，体现了系统的健壮性，系统架构设计、数据库设计和代码优化做得很合理。能满足正常业务需要，保障系统的正常平稳的运行，为收集遥感图像的标注图像提供了稳定的平台，也为未来的基于深度学习的遥感图像的自动标注系统的研发和设计打下了基础，很好的提供了训练样本的图像数据集。

参考文献：

[1] 王金龙， 宋斌， 丁锐. Node.js：一种新的Web应用构建技术[J]. 现代电子技术， 2015， 38（6）： 70-73.

[2] 程桂花， 沈炜， 何松林， 等. Node.js中Express框架路由机制的研究[J]. 工业控制计算机， 2016， 29（8）： 101-102.

[3] 杨阳， 张文生. 基于深度学习的图像自动标注算法[J]. 数据采集与处理， 2015， 30（1）： 88-98.

[4] 何炳金， 宋海玉， 孙东洋， 等. 基于深度学习的自動图像标注研究与实现[J]. 中国高新技术企业， 2017（3）： 7-9.

[5] 段胜强. 基于遥感影像的运动目标追踪标注的研究及应用[D]. 郑州： 河南大学， 2015.

[6] 许琼琼. 遥感图像的语义自动标注方法研究[D]. 上海： 上海海洋大学， 2017.

[7] 赵婕. 图像语义理解的关键技术研究[D]. 太原： 太原理工大学， 2016.

[8] 陈汗青， 万艳玲， 王国刚. 数字图像处理技术研究进展[J]. 工业控制计算机， 2013， 26（1）： 72-74.

[9] 陈炳权， 刘宏立， 孟凡斌. 数字图像处理技术的现状及其发展方向[J]. 吉首大学学报： 自然科学版， 2009， 30（1）： 63-70.

[10] 任中方， 张华， 闫明松， 等. MVC模式研究的综述[J]. 计算机应用研究， 2004（10）： 1-4， 8.

[11] 李云云. 浅析B/S和C/S体系结构[J]. 科学之友， 2011（1）： 6-8.

【通联编辑：谢媛媛】