[發明專利]一種基于深度學習方法的新增建設用地自動提取方法

在審

• 申請號: 202011068935.5
• 申請日: 2020-09-30
• 公開（公告）號: CN112183416A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 竇寶成;李詠潔;何友;黎珂;張建凱
• 申請（專利權）人: 北京吉威數源信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08;G06T5/00;G06T7/11
• 代理公司: 北京紐樂康知識產權代理事務所(普通合伙) 11210
• 代理人: 張朝元

1.一種基于深度學習方法的新增建設用地自動提取方法，其特征在于，包括以下步驟：

S1：采用多源影像數據組合前后時期遙感影像數據，勾畫新增建設用地標簽，其中，新增建設用地為前時期遙感影像上的非建筑區和后時期遙感影像上的建筑區的區域；

S2：對前后時期遙感影像進行拉伸處理，將遙感影像的位深拉伸至8位，其中，位深調整的過程為：首先統計影像各波段的直方圖，獲取0.5%和99.5%的直方圖處的影像值，影像值分別為分界最小值和最大值，設置影像小于最小值的像素值為1，大于最大值的像素值為255，界于最大最小值的像素值線性拉伸到1-255的范圍；

S3：對前后時期遙感影像數據和新增建設用地標簽數據進行裁切處理，裁切成配對的瓦片樣本數據，其中，每組數據包含：前期影像瓦片、后期影像瓦片、標簽影像瓦片；

S4：將所有瓦片樣本數據用自動按比例的形式或交互式的分為訓練瓦片樣本集合和測試瓦片樣本集，其中，測試瓦片樣本集為準確和具備代表性的樣本集，訓練瓦片樣本集為包含樣本類型全面的樣本集；

S5：構建網絡模型，選擇TensorFlow+Keras訓練框架，基于DeeplabV3+網絡模型結構，以EfficientNet網絡結構為骨干網絡進行改造和設計，采用多尺度預測，增強小尺度，形成新的網絡模型；

S6：將從所述步驟S4選出的訓練瓦片集合進行圖像增強處理，測試瓦片集合輸入到所述步驟S5設計的網絡模型中，采用二分交叉熵損失函數，設置訓練參數進行迭代訓練，當訓練達到迭代停止條件后，生成新增建設用地訓練模型，對其進行封裝，其中，圖像增強處理的內容包括輻射、分辨率增強處理；輻射增強處理包括亮度、色調、飽和度、對比度、噪聲擾動、圖像模糊，分辨率增強處理包括隨機縮放、隨機水平翻轉、隨機垂直翻轉；設置的訓練參數的內容包括學習率、學習率衰減、批大小；

S7：利用所述步驟S6封裝后的新增建設用地模型對具備相同地理參考并有重疊區域的前后期遙感影像進行新增建設用地提取，得到新增建設用地的柵格概率圖；

S8：結合前后期遙感影像特點及新增建設用地的概率圖，對新增建設用地區域進行偽圖斑的去除；

S9：基于所述步驟S8去偽之后的柵格結果進行成果矢量化，進行二值化、最大最小分析、去小面和矢量抽稀平滑處理，得到最終的新增建設用地圖斑，其中，所述矢量抽稀平滑處理的步驟包括：

S91：對二值柵格結果進行矢量化；

S92：按抽稀粒度抽稀刪除矢量節點。

2.根據權利要求1所述的一種基于深度學習方法的新增建設用地自動提取方法，其特征在于，所述步驟S2中，若遙感影像為4波段數據，將遙感影像進行波段重組，其中，3、2、1波段分別為紅、綠、藍的真彩色影像數據。

3.根據權利要求1所述的一種基于深度學習方法的新增建設用地自動提取方法，其特征在于，所述步驟S3中，裁切方式為滑窗裁剪，瓦片大小為512*512。

4.根據權利要求1所述的一種基于深度學習方法的新增建設用地自動提取方法，其特征在于，所述步驟S6中，生成的新增建設用地訓練模型為一個。

5.根據權利要求1所述的一種基于深度學習方法的新增建設用地自動提取方法，其特征在于，所述二值化操作按照截斷閾值將概率圖結果轉為0、1二值結果圖，其中，小于該閾值為0，大于該閾值為1。

6.根據權利要求1所述的一種基于深度學習方法的新增建設用地自動提取方法，其特征在于，所述去小面操作按照小面閾值對提取結果的小圖斑進行去除，去除方法基于圖形學四鄰域分析。