[發明專利]一種基于卷積神經元網絡和多邊形規則化的建筑物輪廓自動提取算法

有效

• 申請號: 201910136835.2
• 申請日: 2019-02-25
• 公開（公告）號: CN109903304B
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 季順平;魏世清
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06T7/11;G06T7/187;G06T7/136
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

本發明公開了一種基于卷積神經元網絡和多邊形規則化的建筑物輪廓自動提取算法，包括如下步驟：根據已有的影像及建筑物覆蓋矢量文件構建樣本庫；構建多尺度融合全卷積神經網絡，并通過樣本庫對其進行訓練，利用訓練好的網絡模型對遙感影像進行預測，得到遙感影像地表建筑物覆蓋的分割結果；基于建筑物語義分割結果，進行建筑物邊緣初始化，并獲得初始矢量多邊形；利用粗調整算法剔除錯誤的多邊形和多邊形錯誤的邊、結點；利用規則化算法對矢量多邊形進行規則化，得到規則的建筑物矢量邊緣。本發明中多尺度融合全卷積神經網絡尺度魯棒性強，規則化算法可以適應多種情況下的矢量邊緣，極大程度的減少人工繪制建筑物邊緣的工作量。

技術領域

本發明涉及一種用于遙感影像建筑物提取的深度學習方法及建筑物多邊形輪廓的規則化算法，可用于遙感影像建筑物提取、建筑物矢量邊緣生成、建筑物變化檢測等。

背景技術

遙感影像建筑物自動化提取在城市規劃、人口估計、地圖制作與更新等應用中具有極為重要的意義。傳統上，從航空/航天影像中提取建筑物的主要工作集中在：經驗地設計一個恰當的特征以表達“什么是建筑物”，并創建相應的特征用于建筑物的自動識別和提取。常用的指標包括像素、光譜、長度、邊緣、形狀、紋理、陰影、高度、語義等等。而這些指標卻會隨著季節、光照、大氣條件、傳感器質量、尺度、建筑物風格和環境發生較明顯的變化。因此，這種憑經驗設計特征的方法常常只能處理特定的數據，而無法真正做到自動化。深度學習中的卷積神經網絡在圖像檢索、圖像分類、目標檢測中展現出強大的性能。卷積神經網絡可以自動學習一個多層的特征表達，將原始的輸入圖像映射為一元或多元的標簽。這種自我學習特征的能力超越并逐漸代替了傳統的人工經驗設計特征的方法。建筑物提取不僅是個分類和語義分割問題，還是一個目標檢測、實例分割問題。建筑物提取的目標并非關注某個像素是否為建筑物，更關注建筑物的數量、位置、形狀。世界各地的繪圖員的主要的、繁重的工作之一就是在航空/航天影像上手工勾勒建筑物矢量圖，籍此生產各類地形圖和專題圖。因此，針對建筑物的矢量數據提取研究至關重要。

發明內容

本發明針對現有技術的不足，提供了一種尺度魯棒性強的神經網絡，能夠適應不同尺度的遙感影像建筑物提取，并對語義分割得到的建筑物邊緣加入先驗性知識進行規則化處理，得到高質量的規則建筑物多邊形。

實現本發明目的采用的技術方案是，一種基于卷積神經元網絡和多邊形規則化的建筑物輪廓自動提取算法，包括如下步驟：

步驟1，根據已有的影像及建筑物覆蓋矢量文件構建樣本庫；

步驟2，構建多尺度融合全卷積神經網絡，并通過樣本庫對其進行訓練，利用訓練好的網絡模型對遙感影像進行預測，得到遙感影像地表建筑物覆蓋的分割結果；

步驟3，基于建筑物語義分割結果，進行建筑物邊緣初始化，并獲得初始矢量多邊形；

步驟4，利用粗調整算法剔除錯誤的多邊形和多邊形錯誤的邊、結點；

步驟5，利用規則化算法對矢量多邊形進行規則化，得到規則的建筑物矢量邊緣。

進一步的，步驟2中所述多尺度融合全卷積神經網絡包括編碼(encoding stage)、解碼(decoding stage)以及輸出(output)3個部分；其中編碼部分由5個卷積層(Convolution Layer)、4個最大池化層(Max Pooling Layer)組成；解碼部分由4個卷積層，4個反卷積層(Deconvolution Layer)組成；輸出部分由4個子輸出和1個主輸出組成。