一种基于深度学习和轮廓规则化的遥感影像建筑提取方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984693A(43)申请公布日2023.04.18(21)申请号202211693340.8G06V10/26(2022.01)(22)申请日2022.12.28G06V20/70(2022.01)G06V10/764(2022.01)(71)申请人长光卫星技术股份有限公司G06N3/0464(2023.01)地址130000吉林省长春市北湖科技开发G06N3/048(2023.01)区明溪路1299号G06N3/047(2023.01)(72)发明人刘思言王春月秦磊赵宇恒G06N3/084(2023.01)付璐于海洋(74)专利代理机构长春众邦菁华知识产权代理有限公司22214专利代理师张伟(51)Int.Cl.G06V20/10(2022.01)G06V20/13(2022.01)G06V10/44(2022.01)G06V10/80(2022.01)权利要求书3页说明书7页附图6页(54)发明名称一种基于深度学习和轮廓规则化的遥感影像建筑提取方法(57)摘要本发明涉及一种基于深度学习和轮廓规则化的遥感影像建筑提取方法，属于光学遥感技术应用领域，包括步骤：人工构建建筑训练样本数据集；构建并训练建筑提取模型；将待提取区域遥感影像输入建筑提取模型，得到对应的初始建筑分布栅格结果；对所述初始建筑分布栅格结果进行形态学上的轮廓规则化处理，得到包括建筑轮廓矢量图斑的建筑分布矢量文件。本发明所提出的一种基于深度学习和轮廓规则化的遥感影像建筑提取方法，能够实现在不同影像尺度下，仍能获取轮廓规整、应用性强的建筑分布矢量，模型泛化性更强，提取的建筑轮廓更贴近建筑实际边缘，提取精度更高。CN115984693ACN115984693A权利要求书1/3页1.一种基于深度学习和轮廓规则化的遥感影像建筑提取方法，其特征在于，包括以下步骤：步骤1：人工构建建筑训练样本数据集；步骤2：构建并训练建筑提取模型，包括以下步骤：步骤21：构建多尺度并行连接的神经网络，所述多尺度并行连接的神经网络用于并行提取四个不同尺度的特征图并且进行特征交叉融合，得到网络初始融合特征；步骤22：根据网络初始融合特征分别计算类别概率图和类别特征；步骤23：利用注意力机制转换的方式计算区域上下文特征；步骤24：将网络初始融合特征与区域上下文特征进行融合，得到分割特征；步骤25：所述建筑训练样本数据集中的样本影像经过两个3×3的卷积以及两个BN层以及ReLU激活函数，初始特征输出为原影像尺寸大小的特征图，将得到的初始特征图输入所述多尺度并行连接的神经网络，使用交叉熵损失函数作为损失函数，并采用随机梯度下降算法进行优化训练，训练后得到建筑提取模型；步骤3：将待提取区域遥感影像输入建筑提取模型，得到对应的初始建筑分布栅格结果；步骤4：对所述初始建筑分布栅格结果进行形态学上的轮廓规则化处理，具体的轮廓规则化处理过程如下：步骤41：对所述初始建筑分布栅格结果进行开运算；步骤42：基于开运算后得到的各单体建筑形态，提取初始建筑轮廓信息，并以点集的形式进行记录；步骤43：采用道格拉斯‑普克算法对点集进行优化，得到初步简化后的各个建筑的轮廓L；步骤44：确定轮廓L对应的最小外接矩形R，并计算轮廓L的面积与最小外接矩形R的面积的比值，若比值大于阈值，则以最小外接矩形R的轮廓作为最终建筑轮廓，然后执行步骤46；若比值小于等于阈值，则执行步骤45；步骤45：对轮廓L进行凹陷填充以及直角边优化；步骤46：生成包括建筑轮廓矢量图斑的建筑分布矢量文件。2.根据权利要求1所述的一种基于深度学习和轮廓规则化的遥感影像建筑提取方法，其特征在于，所述多尺度并行连接的神经网络包括由四个尺度的并行特征提取网络组成的并行卷积流，在样本影像输入所述多尺度并行连接的神经网络后，首先经过两个3×3的卷积以及两个BN层以及ReLU激活函数，初始特征输出为原影像尺寸大小的特征图162×162×64，接下来经过四个卷积流分支，具体过程如下：在第一个卷积流分支中，初始特征图经过四个BottleneckBlock残差块，输出特征图为S1：162×162×256；特征图尺寸为原始影像图的在第二个卷积流分支中，对第一个卷积流分支得到的特征图S1进行尺度变换，降维通道特征并下采样从而扩展生成：162×162×48；81×81×96；对与进行不同分辨率2CN115984693A权利要求书2/3页的特征融和，输出原始影像图尺寸大小的的特征图；在第三个卷积流分支中，对第二个卷积流分支得到的特征图进行并行扩展，得到第三个尺度的特征图40×40×192；对进行不同分辨率的特征融和，输出原始影像图尺寸大小的的特征图；在第四个卷积流分支中，对第三个卷积流分支得到的特征图进行并行扩展，