CN110298348B - 遥感影像建筑物样本区域提取方法及系统、存储介质、设备 - Google Patents

遥感影像建筑物样本区域提取方法及系统、存储介质、设备 Download PDF

Info

Publication number
CN110298348B
CN110298348B CN201910506618.8A CN201910506618A CN110298348B CN 110298348 B CN110298348 B CN 110298348B CN 201910506618 A CN201910506618 A CN 201910506618A CN 110298348 B CN110298348 B CN 110298348B
Authority
CN
China
Prior art keywords
building
sample
remote sensing
data
sensing image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910506618.8A
Other languages
English (en)
Other versions
CN110298348A (zh
Inventor
胡晓东
骆剑承
夏列钢
周楠
孙营伟
吴敏
张竹林
郜丽静
吴送良
刘浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Zhongketianqi Remote Sensing Technology Co ltd
Aerospace Information Research Institute of CAS
Original Assignee
Suzhou Zhongketianqi Remote Sensing Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Zhongketianqi Remote Sensing Technology Co ltd filed Critical Suzhou Zhongketianqi Remote Sensing Technology Co ltd
Priority to CN201910506618.8A priority Critical patent/CN110298348B/zh
Publication of CN110298348A publication Critical patent/CN110298348A/zh
Application granted granted Critical
Publication of CN110298348B publication Critical patent/CN110298348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供遥感影像建筑物样本区域提取方法，包括如下步骤：样本制作、建筑物预测、优化数据、卷积计算、精度评定、结果矢量化；本发明还涉及基于深度学习的遥感影像有效样本区域的提取系统、存储介质、电子设备。本发明通过基于深度学习的卷积计算快速计算得到有效且具有代表性的样本区域，增强了典型样本区域选择的自动化程度和有效性，从而减少了任务所需样本的数量同时也减少了人工标注的工作量。

Description

遥感影像建筑物样本区域提取方法及系统、存储介质、设备
技术领域
本发明涉及高空间分辨率遥感影像信息提取领域，尤其涉及遥感影像建筑物样本区域提取方法。
背景技术
从高空间分辨率影像中提取建筑屋顶的方法，已从基于像素的多尺度分割技术、基于面向对象的分类技术，发展为目前较为有效的基于深度卷积网络的语义分割技术，较为流行的网络有FCN、PSPNet、Mask-RCNN、D-LinkNet等。然而，与无监督的多尺度分割技术相比，虽然其分割效果具有明显优势，但需要标注大量的样本来用于训练深度卷积网络的参数，这是由于不同类型遥感影像间存在空间分辨率、影像波段数、波段通道存储位数的差异，且同一类地物表现出的特征差异较大。面对一个区域(如县域)的制作任务选择样本区域时，目前的方法是对目标区域进行人工目视判别，随机或凭经验选取若干样本区域，进行裁切、标注，在训练、提取后，再对效果不好区域重复人工判别等步骤，直到提取效果符合最终精度。这样会有极大的不确定性，所选的样本也容易存在特征表征的重复，造成重复标注相同类型样本的浪费，降低了制作效率。
发明内容
为了克服现有技术的不足，本发明提供遥感影像建筑物样本区域提取方法。本发明通过基于深度学习的卷积计算快速计算得到有效且具有代表性的样本区域，减少了人工标注的工作量。
本发明提供遥感影像建筑物样本区域提取方法，包括如下步骤：
S1、样本制作，采集遥感影像，对目标区域的所述遥感影像进行分割裁剪得到包括分类对象的面矢量框文件，并标注所述面矢量文件中的带建筑物标签，将标签为带建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本；若干个带有建筑物标签的样本构成样本集，并将所述面矢量框文件加入所述样本集；其中所述建筑物样本的尺寸包括长为X像素，宽为Y像素；
S2、建筑物预测，将待测试的遥感影像数据输入利用当前所述样本集训练好的建筑物模型并对所述目标区域的遥感影像进行预测，得到遥感影像中栅格化的建筑物数据；所述建筑物数据中的每个栅格的取值范围为第一阈值范围，其中最大值代表最高概率属于建筑，最小值代表最高概率属于非建筑；
S4、卷积计算，利用与所述建筑物样本尺寸相同的矩阵窗口对所述建筑物数据进行全卷积相乘，当矩阵窗口与其对应的所述建筑强度影像区域的卷积相乘结果大于阈值E时，将当前所述矩阵窗口所对应的所述面矢量框文件进行标记并放入样本待选区域列表；所述矩阵窗口的每个栅格的取值均为P；
所述阈值E的计算公式如下：
E＝10·X·Y·max[1,(10-t-1)]/P，
其中，t为所述矩阵窗口在所述建筑物数据上移动的次数；
S5、精度评定，从所述样本待选区域列表中选择n个所述面矢量框文件进行样本标注；
当n大于0时，从所述样本待选区域列表中选择所述卷积相乘的结果最小的[n/2]个区域和所述卷积相乘的结果最大的n-[n/2]个区域返回步骤S1修改样本重新迭代训练；其中“[]”为取整符号；当n等于0时，进入下个步骤；
S6、结果矢量化，将当前的所述建筑物数据进行二值化并进行矢量化得到标记样本区域的遥感影像建筑物数据。
优选地，在步骤S2与步骤S4中还包括步骤：
S3、优化数据，将所述建筑物数据的每个栅格的取值范围位于第二阈值范围内的进行保留，同时将所述建筑物数据的其他取值的栅格全部标记为0，所述第二阈值范围位于所述第一阈值范围之间，得到优化的建筑物数据。
优选地，在步骤S1中还包括：所述目标区域所需标注的样本数量的最大值为M，M的计算公式为：
M＝S/50
其中，S为所述目标区域的总面积(单位为平方公里)；
所述目标区域当前的样本数量记为m；
在步骤S5中，n的计算公式如下：
n＝max[N,(M-m)/2]
其中，N为步骤S4中的所述样本待选区域列表的样本数量。
优选地，在步骤S2中，所述第一阈值范围包括0-255,255代表最高概率属于建筑，0代表最高概率属于非建筑；在步骤S3中第二阈值范围包括50-150。
优选地，在步骤S6中，进行二值化后的所述建筑物数据的阈值范围为30-70。
优选地，所述建筑物模型包括初始模型，所述初始模型的训练方法包括：
对目标区域的所述遥感影像进行分割裁剪得到若干个长为X像素，宽为Y像素的带建筑物标签的样本，利用D-LinkNet网络进行训练学习得到所述初始模型；所述初始模型还包括选取与所述建筑物样本分辨率相同的并训练学习好的网络参数文件。
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行遥感影像建筑物样本区域提取方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行遥感影像建筑物样本区域提取方法。
遥感影像建筑物样本区域提取系统，包括：样本制作模块、建筑物预测模块、卷积计算模块、精度评定模块和结果矢量化模块；其中，
所述样本制作模块用于采集遥感影像，对目标区域的所述遥感影像进行分割裁剪得到包括分类对象的面矢量框文件，并标注所述面矢量文件中的带建筑物标签，将标签为带建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本；若干个带有建筑物标签的样本构成样本集，并将所述面矢量框文件加入所述样本集；其中所述建筑物样本的尺寸包括长为X像素，宽为Y像素；
所述建筑物预测模块用于将待测试的遥感影像数据输入利用当前所述样本集训练好的建筑物模型并对所述目标区域的遥感影像进行预测，得到遥感影像中栅格化的建筑物数据；所述建筑物数据中的每个栅格的取值范围为第一阈值范围，其中最大值代表最高概率属于建筑，最小值代表最高概率属于非建筑；
所述卷积计算模块用于利用与所述建筑物样本尺寸相同的矩阵窗口对所述建筑物数据进行全卷积相乘，当矩阵窗口与其对应的所述建筑强度影像区域的卷积相乘结果大于阈值E时，将当前所述矩阵窗口所对应的所述面矢量框文件进行标记并放入样本待选区域列表；所述矩阵窗口的每个栅格的取值均为P；
所述阈值E的计算公式如下：
E＝10·X·Y·max[1,(10-t-1)]/P，
其中，t为所述矩阵窗口在所述建筑物数据上移动的次数；
所述精度评定模块用于从所述样本待选区域列表中选择n个所述面矢量框文件进行样本标注；
当n大于0时，从所述样本待选区域列表中选择所述卷积相乘的结果最小的[n/2]个区域和所述卷积相乘的结果最大的n-[n/2]个区域返回步骤S1修改样本重新迭代训练；其中“[]”为取整符号；当n等于0时，进入下个步骤；
所述结果矢量化模块用于将当前的所述建筑物数据进行二值化并进行矢量化得到标记样本区域的遥感影像建筑物数据。
优选地，还包括优化数据模块，所述优化数据模块用于将所述建筑物数据的每个栅格的取值范围位于第二阈值范围内的进行保留，同时将所述建筑物数据的其他取值的栅格全部标记为0，所述第二阈值范围位于所述第一阈值范围之间，得到优化的建筑物数据；
所述卷积计算模块包括计算单元，所述计算单元用于计算所述目标区域所需标注的样本数量的最大值为M，M的计算公式为：
M＝S/50
其中，S为所述目标区域的总面积(单位为平方公里)；
所述目标区域当前的样本数量记为m；
在步骤S5中，n的计算公式如下：
n＝max[N,(M-m)/2]
其中，N为步骤S4中的所述样本待选区域列表的样本数量。
相比现有技术，本发明的有益效果在于：
本发明通过基于深度学习的卷积计算快速计算得到有效且具有代表性的样本区域，增强了典型样本区域选择的自动化程度和有效性，从而减少了任务所需样本的数量同时也减少了人工标注的工作量。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的遥感影像建筑物样本区域提取方法的整体流程示意图；
图2为本发明的遥感影像建筑物样本区域提取方法的整体逻辑示意图；
图3为本发明的遥感影像建筑物样本区域提取方法的矩阵窗口对建筑物数据进行第二次卷积后得出的建筑物数据图；
图4a为本发明的遥感影像建筑物样本区域提取方法的样本的原始图；
图4b为在图4a的原始图的基础上进行标记后的样本；
图5为应用本发明的遥感影像建筑物样本区域提取方法的得到的效果图；
图6为本发明的遥感影像建筑物样本区域提取系统的示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
遥感影像建筑物样本区域提取方法，如图1、2所示，包括如下步骤：
S1、样本制作，采集遥感影像，对目标区域的所述遥感影像进行分割裁剪得到包括分类对象的面矢量框文件，并标注所述面矢量文件中的带建筑物标签，将标签为带建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本；若干个带有建筑物标签的样本构成样本集，并将所述面矢量框文件加入所述样本集；其中所述建筑物样本的尺寸包括长为X像素，宽为Y像素；在一个实施例中，以一个县域为目标区域作业区的高空间分辨率遥感影像为输入，该影像的空间分辨率高于1米；在目标区域的遥感影像中随机裁切3个长X为1000像素、宽Y为1000像素的带建筑的影像标注样本。一般地，X、Y的优选取值范围为600-1000像素。
利用D-LinkNet网络对样本集进行训练学习得到建筑物模型，D-LinkNet网络为一种深度卷积网络用于语义分割，其网络参数文件格式为PyTorch0.2.0描述格式。在另一个实施例中，建筑物模型可以从网络上选取，与步骤S1中具有相同分辨率的影像样本训练学习好的网络参数文件作为建筑物模型。在标注样本时，新建一个与样本裁切影像尺寸一致的8位栅格图层和一个样本区域的空间范围矢量框即面矢量框文件，每一个像素初始值设置为0，对建筑屋顶所对应的像素值为1，将标注好的3个样本放入本次需要训练的样本集中，将样本区域所在的空间范围矢量框加入本次训练样本集的矢量数据层中。所述目标区域所需标注的样本数量的最大值为M，M的计算公式为：
M＝S/50
其中，S为所述目标区域的总面积(单位为平方公里)；
所述目标区域当前的样本数量记为m。
S2、建筑物预测，将待测试的遥感影像数据输入利用当前所述样本集训练好的建筑物模型并对所述目标区域的遥感影像进行预测，得到遥感影像中栅格化的建筑物数据；所述建筑物数据中的每个栅格的取值范围为第一阈值范围，其中最大值代表最高概率属于建筑，最小值代表最高概率属于非建筑；在一个实施例中，利用D-LinkNet网络对所述样本集进行模型训练，得到建筑物模型；将遥感影像数据输入所述建筑物模型，利用所述建筑物模型对目标区域遥感影像进行预测，得到遥感影像中栅格化的建筑物数据即建筑的强度图，如图3所示，该强度图是与目标区域影像尺寸相同的栅格图，每个栅格取值范围为[0-255],255最高概率是属于建筑，0代表最高概率属于非建筑。
进一步地，S3、优化数据，将所述建筑物数据的每个栅格的取值范围位于第二阈值范围内的进行保留，同时将所述建筑物数据的其他取值的栅格全部标记为0，所述第二阈值包含于所述第一阈值，得到优化的建筑物数据。在一个实施例中，对步骤S2中的得到的建筑物数据进行筛选，对强度图保留强度值范围为[50-150]的栅格值，其余栅格值的设置为0，构成新的优化的建筑物数据。一般地，强度值在150-255范围内的栅格值与已经标注的样本的建筑极为相近，而0-50范围内的栅格值为非建筑，故强度图的强度值保留50-150的栅格值是与已经标注的建筑样本有相似但是又不同的建筑样本。并且将与已经标注的建筑样本极为相近的建筑样本即强度值在150-255范围内的栅格值不作为新增的建筑样本，如此减少了任务所需样本的数量且增强了样板的典型性与有效性。
S4、卷积计算，利用与所述建筑物样本尺寸相同的矩阵窗口对所述建筑物数据进行全卷积相乘，当矩阵窗口与其对应的所述建筑强度影像区域的卷积相乘结果大于阈值E值时，将当前所述矩阵窗口所对应的所述面矢量框文件进行标记并放入样本待选区域列表；所述矩阵窗口的每个栅格的取值均为P；
所述阈值E的计算公式如下：
E＝10·X·Y·max[1,(10-t-1)]/P，
其中，t为所述矩阵窗口在所述建筑物数据上移动的次数；
在一个实施例中，以尺寸为1000x1000像素，取值全为1即P的取值为1的矩阵窗口对优化的建筑物数据进行全卷积相乘，移动的矩阵窗口每移动一次t增加1，比如矩阵窗口与建筑物数据进行第一次全卷积相乘时,t记为1；第一次全卷积相乘完成，矩阵窗口移动进行第二次全卷积相乘，t记为2，以此类推。如图3所示，是建筑物数据进行第二次迭代后的强度影像图。
S5、精度评定，从所述样本待选区域列表中选择n个所述面矢量框文件进行样本标注；
当n大于0时，从所述样本待选区域列表中选择所述卷积相乘的结果最小的[n/2]个区域和所述卷积相乘的结果最大的n-[n/2]个区域返回步骤S1修改样本重新迭代训练；其中“[]”为取整符号；当n等于0时，进入下个步骤；在一个实施例中，n的计算公式如下：
n＝max[N,(M-m)/2]
其中，N为步骤S4中的所述样本待选区域列表的样本数量，m为所述目标区域当前的样本数量；M为所述目标区域所需标注的样本数量的最大值。当n大于0时，选择样本待选区域列表中卷积相乘的结果最小的[n/2]个区域和卷积相乘的结果最大的n-[n/2]个区域同时进行样本标注；当n等于0时，则进入步骤6；其中“[]”为取整符号。
S6、结果矢量化，将当前的所述建筑物数据进行二值化并进行矢量化得到标记样本区域的遥感影像建筑物数据。在一个实施例中，当n＝0时，样本的数量确定并得到最后一次建筑物数据图即强度图，将强度图进行二值化并取其阈值范围为30-70，获得建筑物屋顶预测结果，并进行矢量化，输出提取结果。
在一个具体的实施例中，在一个1150平方公里县域的建筑屋顶提取任务中，在有周边三个县域(分别用的样本数为111个、62个、111个)的已训练好的网络参数模型基础上，应用本发明的提取方法，在提取效果等同的前提下，可将样本数减少至28个。不仅减少了任务所需样本的数量同时增强了典型样本区域选择的自动化程度和有效性，且节省了人工标注的工作量。
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行遥感影像建筑物样本区域提取方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行遥感影像建筑物样本区域提取方法。
遥感影像建筑物样本区域提取系统，如图6所示，包括：样本制作模块、建筑物预测模块、卷积计算模块、精度评定模块和结果矢量化模块；其中，
所述样本制作模块用于采集遥感影像，对目标区域的所述遥感影像进行分割裁剪得到包括分类对象的面矢量框文件，并标注所述面矢量文件中的带建筑物标签，将标签为带建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本；若干个带有建筑物标签的样本构成样本集，并将所述面矢量框文件加入所述样本集；其中所述建筑物样本的尺寸包括长为X像素，宽为Y像素；
所述建筑物预测模块用于将待测试的遥感影像数据输入利用当前所述样本集训练好的建筑物模型并对所述目标区域的遥感影像进行预测，得到遥感影像中栅格化的建筑物数据；所述建筑物数据中的每个栅格的取值范围为第一阈值范围，其中最大值代表最高概率属于建筑，最小值代表最高概率属于非建筑；
所述卷积计算模块用于利用与所述建筑物样本尺寸相同的矩阵窗口对所述建筑物数据进行全卷积相乘，当矩阵窗口与其对应的所述建筑强度影像区域的卷积相乘结果大于阈值E时，将当前所述矩阵窗口所对应的所述面矢量框文件进行标记并放入样本待选区域列表；所述矩阵窗口的每个栅格的取值均为P；
所述阈值E的计算公式如下：
E＝10·X·Y·max[1,(10-t-1)]/P，
其中，t为所述矩阵窗口在所述建筑物数据上移动的次数；
所述精度评定模块用于从所述样本待选区域列表中选择n个所述面矢量框文件进行样本标注；
当n大于0时，从所述样本待选区域列表中选择所述卷积相乘的结果最小的[n/2]个区域和所述卷积相乘的结果最大的n-[n/2]个区域返回步骤S1修改样本重新迭代训练；其中“[]”为取整符号；当n等于0时，进入下个步骤；
所述结果矢量化模块用于将当前的所述建筑物数据进行二值化并进行矢量化得到标记样本区域的遥感影像建筑物数据。
进一步地，还包括优化数据模块，所述优化数据模块用于将所述建筑物数据的每个栅格的取值范围位于第二阈值范围内的进行保留，同时将所述建筑物数据的其他取值的栅格全部标记为0，所述第二阈值范围位于所述第一阈值范围之间，得到优化的建筑物数据；
所述卷积计算模块包括计算单元，所述计算单元用于计算所述目标区域所需标注的样本数量的最大值为M，M的计算公式为：
M＝S/50
其中，S为所述目标区域的总面积(单位为平方公里)；
所述目标区域当前的样本数量记为m；
在步骤S5中，n的计算公式如下：
n＝max[N,(M-m)/2]
其中，N为步骤S4中的所述样本待选区域列表的样本数量。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (8)

1.遥感影像建筑物样本区域提取方法，其特征在于，包括如下步骤：
S1、样本制作，采集遥感影像，对目标区域的所述遥感影像进行分割裁剪得到包括分类对象的面矢量框文件，并标注所述面矢量框文件中的带建筑物标签，将标签为带建筑物的所述面矢量框文件的矢量数据转换成栅格数据，得到栅格化的建筑物样本；若干个带有建筑物标签的样本构成样本集，并将所述面矢量框文件加入所述样本集；其中所述建筑物样本的尺寸包括长为X像素，宽为Y像素；
S2、建筑物预测，将待测试的遥感影像数据输入利用当前所述样本集训练好的建筑物模型并对所述目标区域的遥感影像进行预测，得到遥感影像中栅格化的建筑物数据；所述建筑物数据中的每个栅格的取值范围为第一阈值范围，其中最大值代表最高概率属于建筑，最小值代表最高概率属于非建筑；
S3、优化数据，将所述建筑物数据的每个栅格的取值范围位于第二阈值范围内的进行保留，同时将所述建筑物数据的其他取值的栅格全部标记为0，所述第二阈值范围位于所述第一阈值范围之间，得到优化的建筑物数据；
S4、卷积计算，利用与所述建筑物样本尺寸相同的矩阵窗口对所述建筑物数据进行全卷积相乘，当矩阵窗口与其对应的建筑强度影像区域的卷积相乘结果大于阈值E时，将当前所述矩阵窗口所对应的所述面矢量框文件进行标记并放入样本待选区域列表，所述矩阵窗口的每个栅格的取值均为P；
所述阈值E的计算公式如下：
E=10·X·Y·max[1,(10-t-1)]/P，
其中，t为所述矩阵窗口在所述建筑物数据上移动的次数；
S5、精度评定，从所述样本待选区域列表中选择n个所述面矢量框文件进行样本标注；
当n大于0时，从所述样本待选区域列表中选择所述卷积相乘结果最小的[n/2]个区域和所述卷积相乘结果最大的n-[n/2]个区域返回步骤S1修改样本重新迭代训练；其中“[]”为取整符号；当n等于0时，进入下个步骤；
S6、结果矢量化，将当前的所述建筑物数据进行二值化并进行矢量化得到标记样本区域的遥感影像建筑物数据。
2.如权利要求1所述的遥感影像建筑物样本区域提取方法，其特征在于，在步骤S1中还包括：所述目标区域所需标注的样本数量的最大值为M，M的计算公式为：
M=S/50
其中，S为所述目标区域的总面积，单位为平方公里；
所述目标区域当前的样本数量记为m；
在步骤S5中，n的计算公式如下：
n=max[N,(M-m)/2]
其中，N为步骤S4中的所述样本待选区域列表的样本数量。
3.如权利要求1所述的遥感影像建筑物样本区域提取方法，其特征在于，在步骤S2中，所述第一阈值范围为0-255,255代表最高概率属于建筑，0代表最高概率属于非建筑；在步骤S3中第二阈值范围为50-150。
4.如权利要求1所述的遥感影像建筑物样本区域提取方法，其特征在于，在步骤S6中，进行二值化后的所述建筑物数据的阈值范围为30-70。
5.如权利要求1所述的遥感影像建筑物样本区域提取方法，其特征在于，所述建筑物模型包括初始模型，所述初始模型的训练方法包括：
对目标区域的所述遥感影像进行分割裁剪得到若干个长为X像素，宽为Y像素的带建筑物标签的样本，利用D-LinkNet网络进行训练学习得到所述初始模型；
所述初始模型还包括选取与所述建筑物样本分辨率相同的并训练学习好的网络参数文件。
6.一种电子设备，其特征在于包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1所述的遥感影像建筑物样本区域提取方法。
7.一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如权利要求1所述的遥感影像建筑物样本区域提取方法。
8.遥感影像建筑物样本区域提取系统，其特征在于，包括：样本制作模块、建筑物预测模块、卷积计算模块、精度评定模块和结果矢量化模块；其中，
所述样本制作模块用于采集遥感影像，对目标区域的所述遥感影像进行分割裁剪得到包括分类对象的面矢量框文件，并标注所述面矢量框文件中的带建筑物标签，将标签为带建筑物的所述面矢量框文件的矢量数据转换成栅格数据，得到栅格化的建筑物样本；若干个带有建筑物标签的样本构成样本集，并将所述面矢量框文件加入所述样本集；其中所述建筑物样本的尺寸包括长为X像素，宽为Y像素；
所述建筑物预测模块用于将待测试的遥感影像数据输入利用当前所述样本集训练好的建筑物模型并对所述目标区域的遥感影像进行预测，得到遥感影像中栅格化的建筑物数据；所述建筑物数据中的每个栅格的取值范围为第一阈值范围，其中最大值代表最高概率属于建筑，最小值代表最高概率属于非建筑；
所述卷积计算模块用于利用与所述建筑物样本尺寸相同的矩阵窗口对所述建筑物数据进行全卷积相乘，当矩阵窗口与其对应的建筑强度影像区域的卷积相乘结果大于阈值E时，将当前所述矩阵窗口所对应的所述面矢量框文件进行标记并放入样本待选区域列表；所述矩阵窗口的每个栅格的取值均为P；
所述阈值E的计算公式如下：
E=10·X·Y·max[1,(10-t-1)]/P，
其中，t为所述矩阵窗口在所述建筑物数据上移动的次数；
所述精度评定模块用于从所述样本待选区域列表中选择n个所述面矢量框文件进行样本标注；
当n大于0时，从所述样本待选区域列表中选择所述卷积相乘结果最小的[n/2]个区域和所述卷积相乘结果最大的n-[n/2]个区域返回步骤S1修改样本重新迭代训练；其中“[]”为取整符号；当n等于0时，进入下个步骤；
所述结果矢量化模块用于将当前的所述建筑物数据进行二值化并进行矢量化得到标记样本区域的遥感影像建筑物数据；
还包括优化数据模块，所述优化数据模块用于将所述建筑物数据的每个栅格的取值范围位于第二阈值范围内的进行保留，同时将所述建筑物数据的其他取值的栅格全部标记为0，所述第二阈值范围位于所述第一阈值范围之间，得到优化的建筑物数据；
所述卷积计算模块包括计算单元，所述计算单元用于计算所述目标区域所需标注的样本数量的最大值为M，M的计算公式为：
M=S/50
其中，S为所述目标区域的总面积，单位为平方公里；
所述目标区域当前的样本数量记为m；
在步骤S5中，n的计算公式如下：
n=max[N,(M-m)/2]
其中，N为步骤S4中的所述样本待选区域列表的样本数量。
CN201910506618.8A 2019-06-12 2019-06-12 遥感影像建筑物样本区域提取方法及系统、存储介质、设备 Active CN110298348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910506618.8A CN110298348B (zh) 2019-06-12 2019-06-12 遥感影像建筑物样本区域提取方法及系统、存储介质、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910506618.8A CN110298348B (zh) 2019-06-12 2019-06-12 遥感影像建筑物样本区域提取方法及系统、存储介质、设备

Publications (2)

Publication Number Publication Date
CN110298348A CN110298348A (zh) 2019-10-01
CN110298348B true CN110298348B (zh) 2020-04-28

Family

ID=68027895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910506618.8A Active CN110298348B (zh) 2019-06-12 2019-06-12 遥感影像建筑物样本区域提取方法及系统、存储介质、设备

Country Status (1)

Country Link
CN (1) CN110298348B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144487B (zh) * 2019-12-27 2023-09-26 二十一世纪空间技术应用股份有限公司 一种遥感影像样本库的建立与更新方法
CN111783860A (zh) * 2020-06-22 2020-10-16 上海飞未信息技术有限公司 一种农村房屋自动影像识别方法和系统
CN112990001A (zh) * 2021-03-11 2021-06-18 中国电建集团华东勘测设计研究院有限公司 应用于数字征迁的遥感影像单体建筑快速精准提取方法
CN113807301B (zh) * 2021-09-26 2024-06-07 武汉汉达瑞科技有限公司 一种新增建设用地自动提取方法及自动提取系统
CN115984559B (zh) * 2022-12-27 2024-01-12 二十一世纪空间技术应用股份有限公司 智能样本精选方法及相关装置
CN116434009B (zh) * 2023-04-19 2023-10-24 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) 一种损毁建筑物深度学习样本集的构建方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447062A (zh) * 2018-02-01 2018-08-24 浙江大学 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法
CN108491826A (zh) * 2018-04-08 2018-09-04 福建师范大学 一种遥感影像建筑物的自动提取方法
CN109165623A (zh) * 2018-09-07 2019-01-08 北京麦飞科技有限公司 基于深度学习的水稻病斑检测方法及系统
CN109446992A (zh) * 2018-10-30 2019-03-08 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
CN109583586A (zh) * 2018-12-05 2019-04-05 东软睿驰汽车技术（沈阳）有限公司 一种卷积核处理方法及装置
CN109871798A (zh) * 2019-02-01 2019-06-11 浙江大学 一种基于卷积神经网络的遥感影像建筑物提取方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358204B (zh) * 2017-07-13 2020-11-03 西安电子科技大学 基于再编码和深度融合卷积网络的多光谱图像分类方法
CN107527352B (zh) * 2017-08-09 2020-07-07 中国电子科技集团公司第五十四研究所 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法
CN108154145B (zh) * 2018-01-24 2020-05-19 北京地平线机器人技术研发有限公司 检测自然场景图像中的文本的位置的方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447062A (zh) * 2018-02-01 2018-08-24 浙江大学 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法
CN108491826A (zh) * 2018-04-08 2018-09-04 福建师范大学 一种遥感影像建筑物的自动提取方法
CN109165623A (zh) * 2018-09-07 2019-01-08 北京麦飞科技有限公司 基于深度学习的水稻病斑检测方法及系统
CN109446992A (zh) * 2018-10-30 2019-03-08 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
CN109583586A (zh) * 2018-12-05 2019-04-05 东软睿驰汽车技术（沈阳）有限公司 一种卷积核处理方法及装置
CN109871798A (zh) * 2019-02-01 2019-06-11 浙江大学 一种基于卷积神经网络的遥感影像建筑物提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
D-LinkNet: LinkNet with Pretrained Encoder and Dilated Convolution for High Resolution Satellite Imagery Road Extraction;Lichen Zhou，et.al;《2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops》;20181231;全文 *

Also Published As

Publication number Publication date
CN110298348A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN110298348B (zh) 遥感影像建筑物样本区域提取方法及系统、存储介质、设备
CN113609889B (zh) 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法
CN109740639B (zh) 一种风云卫星遥感影像云检测方法、系统及电子设备
CN108647568B (zh) 基于全卷积神经网络的草地退化自动提取方法
CN115249332B (zh) 基于空谱双分支卷积网络的高光谱图像分类方法及设备
CN113807301B (zh) 一种新增建设用地自动提取方法及自动提取系统
CN113887472B (zh) 基于级联颜色及纹理特征注意力的遥感图像云检测方法
CN110838095B (zh) 一种基于循环密集神经网络的单幅图像去雨方法和系统
CN113537070A (zh) 一种检测方法、装置、电子设备及存储介质
CN114782355B (zh) 基于改进vgg16网络的胃癌数字病理切片检测方法
CN115953612A (zh) 一种基于ConvNeXt的遥感影像植被分类方法和装置
CN116524189A (zh) 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法
CN116071299A (zh) 一种绝缘子rtv喷涂缺陷检测方法及系统
CN111860465A (zh) 基于超像素的遥感图像提取方法、装置、设备及存储介质
CN116597270A (zh) 基于注意力机制集成学习网络的道路损毁目标检测方法
CN116612280A (zh) 车辆分割方法、装置、计算机设备和计算机可读存储介质
CN113673534B (zh) 一种基于Faster RCNN的RGB-D图像果实检测方法
CN115019163A (zh) 基于多源大数据的城市要素识别方法
CN112990001A (zh) 应用于数字征迁的遥感影像单体建筑快速精准提取方法
CN117746130A (zh) 一种基于遥感影像点状语义标签的弱监督深度学习分类方法
CN115035406B (zh) 遥感场景数据集的标注方法、系统、存储介质及电子设备
CN110796716A (zh) 一种基于多重残差网络和正则化迁移学习的图像着色方法
CN115861997A (zh) 一种关键前景特征引导知识蒸馏的车牌检测识别方法
CN113470012B (zh) 标线识别方法、装置、存储介质及电子装置
CN115147702A (zh) 一种基于yolact++的车辆损伤识别方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20200521

Address after: Kolding road high tech Zone of Suzhou City, Jiangsu Province, No. 78 215000

Co-patentee after: Aerospace Information Research Institute,Chinese Academy of Sciences

Patentee after: SUZHOU ZHONGKETIANQI REMOTE SENSING TECHNOLOGY CO.,LTD.

Address before: No. 18 Daoyuan Road, Science and Technology City, Suzhou High-tech Zone, Jiangsu Province

Patentee before: SUZHOU ZHONGKETIANQI REMOTE SENSING TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right