[發明專利]多任務CNN模型下的遙感影像與建筑物矢量配準方法及系統

有效

• 申請號: 201910371472.0
• 申請日: 2019-05-06
• 公開（公告）號: CN110415280B
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 陳奇;王磊
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06T7/33
• 分類號: G06T7/33
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 易濱

1.一種多任務CNN模型下的遙感影像與建筑物矢量配準方法，具體包括以下步驟：

S1、進行數據準備，構建訓練數據集；所述訓練數據集中包括若干張高分辨率遙感影像；其中，針對每張高分辨率遙感影像，所述訓練數據集還包括未與高分辨率遙感影像配準的原始建筑物矢量，以及將原始建筑物矢量與高分辨率遙感影像進行配準校正后的配準建筑物矢量；

S2、利用從訓練數據集中獲取到每項配準建筑物矢量，訓練用于遙感影像建筑物檢測的全卷積網絡模型；

S3、對訓練數據集中的每項原始建筑物矢量進行遍歷，且在遍歷的過程中，采用后向傳播和隨機梯度下降算法，且以利用全卷積網絡生成的特征圖層作為輔助信息，對所述多任務CNN模型進行訓練；

S4、輸入遙感影像數據到步驟S3訓練的多任務CNN模型中，該模型內經由若干次卷積、池化和全連接操作后，進行遙感影像與建筑物矢量的自動配準；

所述多任務CNN模型的輸入項包括：將原始建筑物矢量柵格化后形成的二值圖像，以及將與所述二值圖像具有相同圖像范圍的高分辨率遙感影像，輸入到步驟S2訓練所得的全卷積網絡模型后，得到的與高分辨率遙感影像具有相同地理范圍的特征圖層；

所述多任務CNN模型的輸出項包括建筑物矢量的誤報概率和幾何校正參數兩個分支；

利用損失函數計算所述多任務CNN模型的損失值Loss，具體的數學公式為：

其中，i表示樣本序號，N表示訓練批次中樣本總數，p_i表示當前樣本誤報概率的預測值，表示當前樣本誤報概率的的參考值；m_i表示針對原始建筑物矢量的幾何校正參數預測值；表示非誤報情形下原始建筑物矢量到配準建筑物矢量的幾何校正參考值，具體為，步驟S3中，在遍歷訓練數據集中的原始建筑物矢量時，將原始建筑物矢量和對應的配準建筑物矢量進行對照所得；表示當前樣本誤報概率的交叉熵損失，表示幾何校正參數的損失值，采用均方誤差損失函數計算。

2.根據權利要求1所述的遙感影像與建筑物矢量配準方法，其特征在于，對損失函數應用梯度下降算法，當損失值Loss趨近于X時，所述多任務CNN模型訓練完畢，并將其應用于后續的執行步驟中；其中，X≥0。

3.根據權利要求1所述的遙感影像與建筑物矢量配準方法，其特征在于，通過所述多任務CNN模型對遙感影像與原始建筑物矢量，進行自動配準的過程，即為對輸入到多任務CNN模型中的每項待配準的建筑物矢量進行校正的過程，當多任務CNN模型輸出的誤報概率大于預設的第一閾值時，則將當前輸入的建筑物矢量刪除，否則根據多任務CNN模型輸出的幾何校正參數，對輸入的建筑物矢量進行校正，使其能與對應的高分辨率遙感影像進行配準。

4.根據權利要求3所述的遙感影像與建筑物矢量配準方法，其特征在于，對于在進行多任務CNN模型訓練時，對于輸入到多任務CNN模型中，且在校正過程中被刪除的建筑物矢量，其對應的模型輸出項的參考值設為：誤報概率為1，幾何校正參數為空；對于輸入到多任務CNN模型中，且在校正過程中被保留的建筑物矢量，其對應的模型輸出項的參考值設為：誤報概率為0，幾何校正參數通過取校正前后建筑物矢量的同名點坐標，進行最小二乘估計求得。

5.根據權利要求4所述的遙感影像與建筑物矢量配準方法，其特征在于，為避免對建筑物矢量過度校正，導致破壞了建筑物矢量的原始信息，在校正過程中，計算校正前后的建筑物矢量之間的交并比指標，若所述交并比指標小于預定的第二閾值時，則不采納校正結果。