[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

本發明公開了一種基于多任務CNN模型的遙感影像與建筑物矢量配準方法及系統，首先包括借助配準建筑物矢量作為參考樣本，來訓練全卷積網絡模型，通過該模型，進一步從高分遙感影像中生成適應于建筑物識別的特征圖層；其次設計多任務CNN模型，將特征圖層和柵格化后的建筑物矢量進行疊加，輸入到模型中，經由若干次卷積、池化和全連接操作，輸出當前建筑物矢量的誤報概率和幾何校正參數；最后基于校正前后的建筑物矢量，計算多任務CNN模型輸出結果的參考值，完成模型訓練；通過訓練所得的多任務CNN模型，實現建筑物矢量與遙感影像的自適應配準。本發明在進行建筑物矢量的自動篩選和校正時，在保留建筑物矢量有效信息的基礎上，提升了原始數據有效的精度。

技術領域

本發明涉及測繪科學與技術領域，更具體地說，涉及一種利用多任務CNN模型，進行遙感影像與建筑物矢量自適應配準的方法及系統。

背景技術

從高分辨率遙感影像中獲取精確建筑物矢量輪廓信息，可為城市規劃、土地調查、違章建筑檢測以及軍事偵察等諸多應用領域提供重要依據。由于歷史資料中的建筑物矢量數據通常經歷過人工檢核，具有可靠的矢量結構和邊緣細節信息，因此相比直接進行遙感影像建筑物提取，將既有的建筑物矢量數據與遙感影像配準，是一種更為經濟且可靠性較高的信息獲取方式。但由于建筑物的拆遷、損毀，以及不同期的測圖數據分辨率、成像角度或定位精度不一致等原因，要實現遙感影像與異源建筑物矢量數據的精確配準不僅需刪除誤報矢量，還需解決矢量相對于影像程度不均的偏移和形變。高精度的遙感影像與建筑物矢量自動配準技術對于提升歷史矢量數據的精度、質量和應用價值具有重要意義。

現有的遙感影像與建筑物矢量配準技術主要可分為基于規則的精化處理方法和基于主動輪廓模型的矢量優化方法。前者一般首先提取影像線特征，并設計相關規則對線特征進行篩選、編組，進而對原始矢量進行自動編輯和替換，但影像中難以識別的弱特征、偽特征以及過于嚴格的假設前提都限制了這種技術的實用范圍；后者則通過優化包含多種約束的能量函數參數，驅使原始矢量在保持連續平滑的同時向建筑物邊緣收斂，但這類方法并未顧及既有建筑物矢量數據的結構和形變特性，直接應用此類技術可能造成對原始建筑物矢量的過度修正。此外，該兩類技術本質上均建立在應用人工設計的低級圖像特征的基礎上，難以適應不同地區復雜多樣的建筑物結構、紋理，以及不同數據中光照、分辨率和成像質量的變化，因此其應用場景和泛化能力均較大程度受限。

發明內容

本發明要解決的技術問題在于，針對現有技術的應用場景和泛化能力均較大程度受限缺陷，提供一種多任務CNN模型下的遙感影像與建筑物矢量配準方法及系統。

本發明解決其技術問題所采用的技術方案是：構造一種多任務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遙感影像；其中，針對每張高分遙感影像，所述訓練數據集還包括未與高分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。

進一步的，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，得到的與高分遙感影像具有相同地理范圍的特征圖層，分別作為多任務CNN模型的輸入項；

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；