CN113505842A - 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 - Google Patents
一种适用于大尺度区域遥感影像城市建筑物自动提取方法 Download PDFInfo
- Publication number
- CN113505842A CN113505842A CN202110825070.0A CN202110825070A CN113505842A CN 113505842 A CN113505842 A CN 113505842A CN 202110825070 A CN202110825070 A CN 202110825070A CN 113505842 A CN113505842 A CN 113505842A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- buildings
- sensing image
- building
- urban
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012805 post-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 238000004645 scanning capacitance microscopy Methods 0.000 claims 2
- 238000012216 screening Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 10
- 238000005070 sampling Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Abstract
本发明公开了一种适用于大尺度区域遥感影像城市建筑物自动提取方法，提取方法包括：获取高分辨率遥感影像和城市路网图；利用遥感影像和路网图制作低矮密集建筑物数据集，利用遥感影像制作稀疏独栋建筑物数据集；对低矮密集建筑物数据集采用语义分割模型训练，对稀疏独栋建筑物数据集采用实例分割模型训练；将两个模型的结果拼接后进行后处理得到最终城市建筑物分布图；该发明有效解决了大尺度城市建筑物提取过程中建筑物在数学意义上的分布不统一问题和与其他地物易混淆现象，实现了较高精度的城市建筑物分布图，对于工程化应用具有重要意义。
Description
技术领域
本发明涉及图像处理领域，尤其是一种基于高分辨率遥感影像的用于城市尺度级别的建筑物自动提取方法，可广泛用于高分辨率建筑物分布制图、城市规划、路径规划、智慧城市实际应用中。
背景技术
通过航空或者航天方式获取得到的高分辨率遥感影像是获取空间数据的一种手段。高分辨率遥感影像在地物识别、时序分析、保险理赔、应急观测、灾害管理等方面发挥了重要作用，大大减少了传统方法所需的劳动力，并提供了一种新的数据。城市建筑物是城市组成的重要地物之一，是衡量城市规模的主要因素之一，在城市发展规划、城市景观设计、灾害应急管理、最优路径规划等都非常重要，因此城市建筑物的分布信息是基础地理信息的重要数据之一。建筑物提取的传统手段是人工标绘，虽然提取精度高，但是很大程度上依赖解译人员的经验，加之工作量大，耗费时间较长，花费成本高。高分辨率遥感影像上的城市建筑物目标清晰，数据获取容易，是获取城市建筑物分布及快速更新的可靠数据源。
高分辨率遥感卫星由于本身原理，空间分辨率的提高必然导致光谱分辨率的匮乏。在高分辨率遥感影像上，建筑物像素在图像上的表现与其他地物相似，容易与道路、空旷场地等地物混淆，因此在高分辨率遥感影像提取建筑物信息不能以像素的角度来看待，而是要从对象的角度来看待。目前深度学习方法是高分辨率遥感影像城市建筑物提取的研究热点，深度学习方法能够从上下文中学习到建筑物的深层高级语义信息，相比于传统基于像素的机器学习方法有着很大的提升。随着深度学习方法几年来的发展，建筑物提取算法的准确率和鲁棒性也得到很大的进步，但是从高分辨率遥感影像提取城市建筑物距离应用于实际中还需进一步研究。
目前针对城市建筑物提取的方法还停留于理论层面，检索相关论文与专利暂未发现其在应用层面的研究。造成城市建筑物提取难以在应用层面实现的主要原因有以下两点：(1)城市建筑物的分布紧密稀疏不一，城中村等区域的建筑物以稠密的低矮建筑物为主，新城等区域以独栋中高层建筑为主，这些不同区域的建筑物在数学意义上不服从同一分布，从而制约了在大尺度区域的城市建筑物提取效果，导致在实际应用中受限。(2)城市建筑物的形态、大小、色彩、纹理等方面有着丰富的多样性，在高分辨率遥感影像中表现复杂，模型得到的提取结果中建筑物易与其他地物混淆，导致精度较低，在实际中应用效果不好。针对以上两点的缺陷，本发明提出对应的解决方案，可以有效解决当前城市建筑物提取在实际应用中面临的困难，满足大尺度城市建筑物提取的需求，对于推向算法工程化有着重要的意义。
发明内容
针对上述技术存在的缺陷，本发明提出将城市中的建筑物按照在高分辨率遥感影像中的表现形式来划分成密集分布的低矮建筑物和稀疏分布的独栋建筑物，根据两类建筑物不同的特点分别用语义分割模型和实例分割模型来训练，并采用可变形卷积(DCN,Deformable ConvolutionNetwork)和空间坐标注意力模块(SCAM,SpatialCoordinateAttentionModule)提升城市建筑物的提取精度，最后进行后处理优化提取效果，实现城市建筑物的工程化应用。
城市中密集分布的低矮建筑物由于其个体小，在高分辨率遥感影像中无法清晰展示细节，通常以连片的形式呈现，因此采用嵌套U型网络(U2-Net)语义分割模型实现提取。独栋建筑物在高分辨率遥感影像中能够清晰辨别，通常以对象的形式呈现，因此采用改进的中心掩膜网络(CenterMask)实例分割模型实现提取。两种模型分别提取两种建筑物类别，再经过形态学和条件随机场(CRF,ConditionalRandomField)后处理之后融合形成最终的城市建筑物分布制图。
本发明的技术方案为：一种适用于大尺度区域遥感影像城市建筑物自动提取方法，包括如下步骤：
(1)构建高分辨率遥感影像城市建筑物数据集。
本发明中将城市中建筑物划分成两类来看待，一类是密集的低矮建筑物，从遥感影像中无法清晰展现其具体细节，主要分布在城中村、老旧居民区等区域；另一类是稀疏的独栋建筑物，主要分布在小区住宅、商业区等城市功能区。针对第一类样本，由于无法清晰判别建筑物个体信息，低矮建筑聚集成群，建筑物以街区形式制作样本，以tiff格式存储；第二类样本描绘单独建筑物顶底部轮廓的方式制作，取顶部和底部投影在水平地面上的最大的为描绘轮廓面，以json格式存储轮廓面顶点坐标。
(2)以高分辨率遥感影像与开放街道图路网数据(OSMRoad,OpenStreetMap Road)为输入，利用U2-Net模型提取密集低矮建筑物。密集低矮建筑物在高分辨率遥感影像中以成片形式呈现，且特征容易与道路等混淆，因此采用高分辨率遥感影像与OSMRoad数据作为输入源，采用焦点损失(focalloss)为U2-Net模型的损失函数：
focalloss＝-α(1-p)γlog(p)
上述公式中，α是权重因子，用于平衡正负样本的比例不均匀；γ是调制因子，用于平衡难易样本的重要性，γ越大易分类样本的损失越小，模型注意力就更偏向于难分类样本。p是预测为正例的概率。经多次实验，本发明中α＝0.25，γ＝2时效果最佳。
(3)以高分辨率遥感影像为输入，利用改进的CenterMask模型提取独栋中高层建筑物。独栋建筑物通常在高分辨率遥感影像中以独立对象形式呈现，特征明显，细节清晰，因此采用高分辨率遥感影像为数据源。由于许多稀疏独栋建筑并不是规则的形状，建筑坐落方向也不是正北朝向，因此将原CenterMask中所有的卷积层全部替换成DCN，以应对不规则形状与方位的建筑物，增强模型的空间几何变形能力：
上述公式中，x是输入特征图，y(p)是输入特征图x在卷积核中心p位置的输出，假设w是3×3大小的卷积核，则K＝9，Δpk和Δmk是点k处的可学习的偏移量和权重。
在改进的CenterMask的分割分支中，本发明采用SCAM获取方向感知和位置感知，从而更加精确地定位和识别感兴趣目标。在分割分支的结果中，得到稀疏独栋建筑物的分布图。
(4)将步骤(2)和(3)分别得到的密集低矮建筑物分布图和稀疏独栋建筑物分布图拼接融合，分别进行腐蚀处理、去除噪声、条件随机场、膨胀处理、去除小洞等形态学和随机场后处理操作。形态学后处理主要是去除城市建筑物分布图中的噪声、小洞等不足，条件随机场主要是优化U2-Net和改进的CenterMask模型的提取结果，从而得到更加精确的城市建筑物分布图。
有益效果：
(1)本发明的技术方案为解决不同区域的城市建筑物分布不一致问题，将城市建筑物分成两类，分别是密集低矮建筑物和稀疏独栋建筑物。对这两类城市建筑物分别采用U2-Net和改进的CenterMask模型提取，实验证明本发明采用的这种策略在大尺度的城市建筑物提取中有着较高的精度。
(2)为解决独栋建筑物易与其他地物混淆的问题，本发明要求在训练模型时选择大量样本，广泛覆盖各种建筑物类型。为克服独栋建筑物不规则形状、方位、尺度等因素的影响，本发明中将CenterMask模型中的传统卷积层全部替换为DCN，并在分割分支中添加SCAM获取方向感知和位置感知，以提高生成独栋建筑物掩膜过程中的准确率，减少与其他地物混淆的现象。
附图说明
图1是本发明所设计的大尺度区域遥感影像城市建筑物自动提取方法流程图；
图2是密集低矮建筑物的样本标注；
图3是稀疏独栋建筑物的样本标注json文件格式；
图4是用于密集低矮建筑物提取的U2-Net网络结构；
图5是用于U2-Net网络中的残差U模块；
图6是用于稀疏独栋建筑物提取的改进的CenterMask网络结构；
图7是用于改进的CenterMask网络中SCAM模块结构；
图8是本发明采用的技术方案在北京市的城市建筑物提取结果分布图效果。
具体实施方式
为更加清楚下面结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在本发明所揭露的技术范围内，通过可理解得到的变换或者替换，在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。对于本领域技术人员来说，附图中的某些公知内容说明可能省略是可以理解的。
根据本发明的实施例，提出一种适用于大尺度区域遥感影像城市建筑物自动提取方法，详细步骤如下：
S1.查询在需求时间范围内研究区域的高分辨率遥感影像，需要说明的是，本发明中的实施例可以是高分辨率遥感卫星影像(如高分二号GF-2、高分七号GF-7、高景一号SV-1、世界视角WorldView系列等)，也可以是无人机等飞行器拍摄的光学遥感影像。通过对高分辨率遥感影像的预处理，如辐射校正、几何校正、正射校正、融合、镶嵌与裁剪、位深调整等，生成研究区域的高分辨率遥感影像结果。在接下来的步骤里，以GF-2卫星数据作为本实施例的遥感辨率遥感影像。
S2.下载与GF-2卫星相同范围的OSM Road矢量数据，去除人行道、步行道、小径、无名道路、阶梯等在GF-2影像中不能清晰辨别的道路，然后建立缓冲区并转化为与遥感影像相同分辨率的栅格格式。
S3.如图1所示，利用OSM Road数据与GF-2数据制作密集低矮建筑数据集，利用GF-2影像制作稀疏独立建筑物数据集。数据集的制作实例如图2和图3所示。密集低矮建筑物数据集按照GF-2影像上密集低矮建筑物的分布范围描绘，以tiff格式的图片存储。稀疏独栋建筑物数据集按照GF-2影像上独栋建筑物描绘顶底部轮廓，取顶部和底部投影在水平地面上的最大的为描绘轮廓面，以json格式存储轮廓面顶点坐标。在制作数据集时，应充分包含各种类型的建筑物，如小区住宅、商业大厦、大型商场、体育馆、博物馆、音乐厅、火车站、飞机场等，以训练出泛化能力较强的模型。
S4.密集低矮建筑物数据集使用U2-Net模型训练，损失函数采用焦点损失；训练完成后利用所述U2-Net模型对实际输入的高分辨率遥感影像进行处理，得到密集低矮建筑物的提取结果。如图4所示，U2-Net模型由编码阶段和解码阶段两部分组成。编码阶段是由6个残差U模块组成的下采样过程，解码阶段是由5个残差U模块组成的上采样过程。每个残差U模块的具体结构如图5所示。在每个残差U模块中也分为下采样过程和上采样过程。下采样过程中，假设输入特征图x的有Cin个通道，先采用3×3×Cout大小的卷积核输出Cout个通道的特征图，再依次经过6个相同大小的3×3×M卷积核，再经过1个步长为2、大小为3×3×M的卷积核。在上采样过程中，依次与对应阶段的上采样过程中的特征相加输出M个通道的特征图，最后输出通道数为Cout的特征图。由于城市中密集低矮建筑物较少，像素占比在GF-2影像中比例较少，前背景像素比例严重不平衡，因此在U2-Net训练中损失函数采用焦点损失focalloss。在本实施例中，当α＝0.25，γ＝2时U2-Net达到最优效果，在测试集中总体精度达到93.4％。
S5.稀疏独栋建筑物数据集使用改进的CenterMask模型训练，将原CenterMask中的所有传统卷积层全部替换为DCN，将原CenterMask中的通道注意力模块替换为SCAM，训练完成后对实际输入的高分辨率遥感影像进行处理，得到稀疏独栋建筑物的提取结果。如图6所示，改进的CenterMask模型主要包括骨干网络、特征金字塔、候选区域生成模块(全卷积一阶段目标检测FCOS)、分割分支四部分。骨干网络可以采用具有较强学习能力的卷积神经网络，如残差网络ResNet系列、密集残差网络VoVNet系列。特征金字塔与骨干网络第三、四、五阶段连接得到对应的特征三、四、五，并在特征五基础上继续下采样得到特征六、特征七。将候选区域生成模块FCOS生成得到的候选区在特征金字塔生成的特征图上裁剪出对应范围进行分类后，对判别为稀疏独栋建筑物类别的候选区域输入到分割分支中获得稀疏独栋建筑物的掩膜。
由于独栋建筑物本身作为一种建筑艺术，反映城市形象与风格，独栋建筑的方位、形状、尺度等方面具有丰富的多样性。传统卷积层的感受野集中在矩形范围内，这就限制了稀疏独栋建筑物高级特征的学习效果。为更好地学习到稀疏独栋建筑物的高级特征，本发明中将原CenterMask中的所有传统卷积层全部替换为可变形卷积DCN。
独栋建筑物对象在高分辨率遥感影像中表现为聚集的像素群，因此特征图中类别为独栋建筑物的像素在坐标上也满足空间关系。因此，本发明中将原中心掩膜网络CenterMask中的通道注意力模块替换为空间坐标注意力模块，即SCAM模块。SCAM模块通过在垂直和水平两个方向上分别利用一维池化对输入特征图聚合为两个独立的方向感知特征图。这两个具有方向感知的特征图被编码为注意力图得到对应方向的长距离依赖，从而嵌入位置信息。后与输入特征图相乘以增强输入特征图的目标特征，提高分割分支在对特征图获取独栋建筑物掩膜过程中的准确率，如图7。
S6.在步骤S4和S5完成之后，分别得到密集低矮建筑物的提取结果和稀疏独栋建筑物的提取结果。将这两个结果拼接在同一张图上，得到城市建筑物的粗分布结果。在拼接时由于部分密集低矮建筑中也有稀疏独栋建筑，因此要将稀疏独栋建筑图层叠加在密集低矮建筑图层之上。为更好地用于实际中，本发明中将粗分布结果进行后处理。
S6.1.由于粗分布结果有些相邻图斑黏连在一起，还有部分较小的图斑——表现为少量像素的聚集，这些现象都影响最终的提取结果。因此首先采用形态学腐蚀操作，分离黏连在一起的相邻图斑。再通过去除噪声的方式剔除小面积图斑。
S6.2.不论是U2-Net还是改进的CenterMask模型，都无法避免地通过上采样操作将特征图恢复到原始分辨率，这样导致粗分布结果中部分细节存在模糊的现象。针对这种现象本发明采用CRF进行优化。CRF是图模型的一种，在给定观测场的条件下对标记场的后验概率进行直接建模。在CRF中，如果两个像素属于同一类，则能量函数值较小，反之则较大。计算像素之间的能量函数如下公式：
上述公式中，xi表示像素i的标签，θi(xi)是一元势能函数，通过粗分布结果计算得到。θij(xi,xj)是二元势能函数，通过计算GF-2影像中像素点(i,j)之间的颜色与相对距离做出判断。
S6.3.在CRF后处理之后，再通过形态学方法去除图斑中的小洞。
如图8所示，通过以上6个步骤的处理后，得到城市范围内的建筑物分布结果。经过选取分布在城市中的测试集样本计算，本发明采用的技术方案实现的城市建筑物提取结果总体精度OA达到91.5％，Kappa系数达到79.7％，满足大尺度城市建筑物提取的需求，推动城市建筑物提取转向工程化应用。
以上所述的具体实施方式，对本发明的目的、技术方案和有益结果进行了进一步详细说明。以上所述仅为本发明的一个具体实施方式，并非是对本发明实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进均应包含在本发明的保护范围之内。
Claims (7)
1.一种适用于大尺度区域遥感影像城市建筑物自动提取方法，其特征在于，包括以下步骤：
A.查询在需求时间范围内研究区域的高分辨率遥感影像并对所述高分辨率遥感影像进行预处理；
B.查询在需求时间范围内研究区域的公开街道图路网矢量数据，对路网矢量数据筛选后建立缓冲区并转化为栅格格式；
C.利用路网矢量数据与高分辨率遥感影像制作密集低矮建筑数据集，利用高分辨率遥感影像制作稀疏独立建筑物数据集；密集低矮建筑物数据集存储为tiff格式，稀疏独栋建筑物数据集存储为json格式；
D.密集低矮建筑物数据集使用U2-Net模型训练，损失函数采用焦点损失；训练完成后利用所述U2-Net模型对实际输入的高分辨率遥感影像进行处理，得到密集低矮建筑物提取结果；
E.稀疏独栋建筑物数据集使用改进的CenterMask模型训练，将原CenterMask中的所有传统卷积层全部替换为DCN，将原CenterMask中的通道注意力模块替换为SCAM，训练完成后对实际输入的高分辨率遥感影像进行处理得到稀疏独栋建筑物提取结果；
F.将得到密集低矮建筑物的提取结果和稀疏独栋建筑物的提取结果拼接在同一张图上，得到城市建筑物的粗分布结果，并进行形态学和条件随机场CRF后处理得到最终的城市建筑物分布结果。
2.根据权利要求1所述的一种适用于大尺度区域遥感影像城市建筑物自动提取方法，其特征在于，步骤A中所述的预处理包括辐射校正、几何校正、正射校正、融合、镶嵌与裁剪、位深调整，生成研究区域的高分辨率遥感影像产品。
3.根据权利要求1所述的一种适用于大尺度区域遥感影像城市建筑物自动提取方法，其特征在于，步骤B中的路网矢量数据需要去除步骤A中的遥感影像不能清晰辨别的道路，包括人行道、步行道、小径、无名道路、阶梯，然后再建立缓冲区，转换成与遥感影像相同分辨率的栅格。
4.根据权利要求1所述的一种适用于大尺度区域遥感影像城市建筑物自动提取方法，其特征在于，步骤C中的密集低矮建筑数据集包含各种类型的建筑物，所述建筑物包括小区住宅、商业大厦、大型商场、体育馆、博物馆、音乐厅、火车站、飞机场；制作样本时，密集低矮建筑物按照遥感影像上密集低矮建筑物的分布范围描绘，稀疏独栋建筑物按照遥感影像上独栋建筑物描绘顶底部轮廓，取顶部和底部投影在水平地面上的最大的为描绘轮廓面，以json格式存储轮廓面顶点坐标。
5.根据权利要求1所述的一种适用于大尺度区域遥感影像城市建筑物自动提取方法，其特征在于，步骤D中训练U2-Net模型根据密集低矮建筑物在遥感影像中的前背景像素比例严重失衡采用焦点损失函数。
6.根据权利要求1所述的一种适用于大尺度区域遥感影像城市建筑物自动提取方法，其特征在于，步骤E中改进的CenterMask充分考虑稀疏独栋建筑物在高分辨率遥感影像中的表现形式，针对形状、尺度、方位不统一问题采用DCN卷积来解决，针对稀疏独栋建筑物的像素在特征图中表现为聚集的像素群的特点，引入方向感知和位置感知，添加了SCAM模块。
7.根据权利要求1所述的一种适用于大尺度区域遥感影像城市建筑物自动提取方法，其特征在于，步骤F中还包括如下步骤：
(1)拼接时将稀疏独栋建筑图层叠加在密集低矮建筑图层之上；
(2)在粗分布结果上采用形态学腐蚀操作，分离黏连在一起的相邻图斑；再通过去除噪声的方式剔除小面积图斑；
(3)采用条件随机场CRF进行优化上采样过程中导致的细节模糊现象；
(4)在CRF后处理之后，再通过形态学方法去除图斑中的小洞，得到最终的城市建筑物分布结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110825070.0A CN113505842B (zh) | 2021-07-21 | 2021-07-21 | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110825070.0A CN113505842B (zh) | 2021-07-21 | 2021-07-21 | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113505842A true CN113505842A (zh) | 2021-10-15 |
| CN113505842B CN113505842B (zh) | 2024-01-05 |
Family
ID=78014139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110825070.0A Active CN113505842B (zh) | 2021-07-21 | 2021-07-21 | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505842B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187524A (zh) * | 2022-02-16 | 2022-03-15 | 中国科学院地理科学与资源研究所 | 家用空调识别方法、装置、设备、存储介质及产品 |
| CN114331921A (zh) * | 2022-03-09 | 2022-04-12 | 南昌睿度医疗科技有限公司 | 一种低剂量ct图像降噪方法及装置 |
| CN115223063A (zh) * | 2022-07-13 | 2022-10-21 | 河南省农业科学院农业经济与信息研究所 | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 |
| CN116030347A (zh) * | 2023-01-06 | 2023-04-28 | 山东建筑大学 | 一种基于注意力网络的高分辨率遥感影像建筑物提取方法 |
| CN117789042A (zh) * | 2024-02-28 | 2024-03-29 | 中国地质大学（武汉） | 一种道路信息解译方法、系统及存储介质 |
| CN117789042B (zh) * | 2024-02-28 | 2024-05-14 | 中国地质大学（武汉） | 一种道路信息解译方法、系统及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
| 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 |
| CN109919951A (zh) * | 2019-03-14 | 2019-06-21 | 武汉大学 | 语义关联的面向对象城市不透水面遥感提取方法及系统 |
| CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
| CN110334578A (zh) * | 2019-05-05 | 2019-10-15 | 中南大学 | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 |
| CN110889449A (zh) * | 2019-11-27 | 2020-03-17 | 中国人民解放军国防科技大学 | 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法 |
-
2021
- 2021-07-21 CN CN202110825070.0A patent/CN113505842B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
| 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 |
| CN109919951A (zh) * | 2019-03-14 | 2019-06-21 | 武汉大学 | 语义关联的面向对象城市不透水面遥感提取方法及系统 |
| CN110334578A (zh) * | 2019-05-05 | 2019-10-15 | 中南大学 | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 |
| CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
| CN110889449A (zh) * | 2019-11-27 | 2020-03-17 | 中国人民解放军国防科技大学 | 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187524A (zh) * | 2022-02-16 | 2022-03-15 | 中国科学院地理科学与资源研究所 | 家用空调识别方法、装置、设备、存储介质及产品 |
| CN114187524B (zh) * | 2022-02-16 | 2022-06-10 | 中国科学院地理科学与资源研究所 | 家用空调识别方法、装置、设备、存储介质及产品 |
| CN114331921A (zh) * | 2022-03-09 | 2022-04-12 | 南昌睿度医疗科技有限公司 | 一种低剂量ct图像降噪方法及装置 |
| CN115223063A (zh) * | 2022-07-13 | 2022-10-21 | 河南省农业科学院农业经济与信息研究所 | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 |
| CN115223063B (zh) * | 2022-07-13 | 2023-05-30 | 河南省农业科学院农业经济与信息研究所 | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 |
| CN116030347A (zh) * | 2023-01-06 | 2023-04-28 | 山东建筑大学 | 一种基于注意力网络的高分辨率遥感影像建筑物提取方法 |
| CN116030347B (zh) * | 2023-01-06 | 2024-01-26 | 山东建筑大学 | 一种基于注意力网络的高分辨率遥感影像建筑物提取方法 |
| CN117789042A (zh) * | 2024-02-28 | 2024-03-29 | 中国地质大学（武汉） | 一种道路信息解译方法、系统及存储介质 |
| CN117789042B (zh) * | 2024-02-28 | 2024-05-14 | 中国地质大学（武汉） | 一种道路信息解译方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113505842B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
| Guo et al. | Deep building footprint update network: A semi-supervised method for updating existing building footprint from bi-temporal remote sensing images | |
| CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
| CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
| CN111626947B (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
| CN111598101B (zh) | 基于遥感影像场景分割的城区智能提取方法、系统及设备 | |
| CN110866494B (zh) | 一种基于光学遥感影像的城镇群提取方法及系统 | |
| CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
| CN109858450A (zh) | 一种十米级空间分辨率遥感影像城镇提取方法及系统 | |
| CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN111599007B (zh) | 一种基于无人机航拍的智慧城市cim道路贴图方法 | |
| CN111259955A (zh) | 一种地理国情监测成果可靠性质检方法及系统 | |
| CN114596500A (zh) | 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法 | |
| Qin et al. | OpenGF: An ultra-large-scale ground filtering dataset built upon open ALS point clouds around the world | |
| CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
| Sun et al. | Building outline extraction from aerial imagery and digital surface model with a frame field learning framework | |
| CN114387446A (zh) | 一种高分率遥感影像水体自动提取方法 | |
| CN113936214A (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
| CN117078925A (zh) | 一种基于RDSA-DeepLabV3+网络的建筑垃圾年产量精算方法 | |
| CN107220615B (zh) | 一种融合兴趣点大数据的城市不透水面信息提取方法 | |
| Jiao et al. | A Novel Data Augmentation Method to Enhance the Training Dataset for Road Extraction from Historical Maps | |
| CN112733782B (zh) | 基于道路网的城市功能区识别方法、存储介质和电子设备 | |
| CN114898089A (zh) | 一种融合高分影像和poi数据的功能区提取与分类方法 | |
| CN113627331A (zh) | 一种基于扩展道路形状指数的高分辨率影像道路提取方法 | |
| CN112926482A (zh) | 一种基于多尺度残差卷积神经网络的道路提取方法 |
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 |