[發明專利]基于卷積神經網絡概率決策融合的高分影像建筑提取方法

有效

• 申請號: 202011230903.0
• 申請日: 2020-11-06
• 公開（公告）號: CN112347927B
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 張濤;王珍;丁樂樂;邢煒光;朱大勇;魏麟;潘宇明;王震;孟凡效;劉艷飛
• 申請（專利權）人: 天津市勘察設計院集團有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/26;G06V10/764;G06N3/04;G06N3/08
• 代理公司: 天津企興智財知識產權代理有限公司 12226
• 代理人: 劉影

本發明提供了一種基于卷積神經網絡概率決策融合的高分影像建筑提取方法，將不同神經網絡模型的類別分割概率在決策層進行融合作為最終建筑提取的依據，以實現不同模型之間的優勢互補，最后采用形態學后處理方法進一步優化建筑提取結果。本發明優于單一卷積神經網絡模型的結果，提升了建筑提取的精度。

技術領域

本發明屬于攝影測量與遙感領域，特別是涉及一種基于卷積神經網絡概率決策融合的高分影像建筑提取方法。

背景技術

建筑是城市最主要的地物類型之一，建筑信息的準確提取對城市規劃管理、人口密度估計和自然災害評估等方面具有重要意義。高分辨率影像具有豐富的地物細節信息，能夠區分建筑、道路等城市基本地物，為大范圍的建筑物提取提供了可能性。

當前，高分辨率影像建筑提取的方法主要包括自動提取方法，傳統的監督分類方法和深度學習方法。建筑的自動提取主要采用基于知識和規則的方法，根據建筑物的光譜、紋理、形狀、空間關系等基本特征，構建建筑提取的規則。監督分類方法依賴于一定人力的樣本標記和搜集，由于可以從訓練樣本中獲得先驗知識，監督分類方法能夠更好地應對復雜場景下的建筑提取。傳統的監督分類方法多采用多特征融合的機器學習方法，其關鍵也是在于設計有效的特征來描述建筑的屬性。除了光譜特征之外，空間特征常常被用來彌補高分辨率影像上光譜特征對建筑屬性描述的不足。常用的空間特征包括形態學差分譜(differential morphological profiles，DMP)，灰度共生矩陣(gray-level co-occurance matrix,GLCM)等。然而，以上方法主要采用人工設計特征，依賴于專家知識。而且，由于建筑自身和環境的復雜性，人為設計的底層特征在描述建筑屬性時，依然存在巨大挑戰。

近些年來，基于卷積神經網絡(convolutional neural network,CNN)的深度學習方法已經越來越多地應用于計算機視覺和圖像處理領域。眾多典型的CNN模型，如FCN(fully convolutional network)，Segnet，U-net，Deeplab系列等模型，已經成功應用于影像的語義分割任務。在遙感領域，基于深度學習的高分辨率影像建筑提取研究，也取得了一定進展。然而，CNN模型眾多，不同模型的構建方式也不盡相同，對于同一個任務場景，可能會表現出不同的效果。針對高分辨率影像上建筑提取這個特定任務，我們需要探究如何有效地融合不同的CNN模型，實現模型之間的優勢互補，進一步提升建筑提取精度。

發明內容

有鑒于此，本發明旨在克服上述現有技術中存在的缺陷，提供一種基于卷積神經網絡概率決策融合的高分影像建筑提取方法，通過融合不同卷積神經網絡模型在建筑提取任務中的優勢，優化建筑提取結果，該方法在決策層融合不同卷積神經網絡模型的類別概率來實現不同模型的優勢互補，提升建筑提取精度。最后根據建筑物的幾何信息，采用必要的后處理操作對建筑提取結果進一步優化，得到比較純凈的建筑信息。

為達到上述目的，本發明的技術方案是這樣實現的：

步驟一：獲取實驗區域的高分辨率影像與相應的標記數據，影像空間分辨率最好優于1米，至少包含可見光三個波段，能夠支撐單個建筑物的提取。

步驟二：數據預處理，將影像裁剪成多個小影像塊(如500×500大小)、并將數據集劃分成訓練集、驗證集和測試集。

步驟三：分別采用Segnet和Deeplab v3+兩種卷積神經網絡模型對影像進行獨立的語義分割。兩種模型在訓練集上訓練，訓練過程中采用驗證集進行精度驗證，最后在測試集上進行模型預測，得到對應的建筑分類概率圖。

步驟四：概率決策融合，將步驟三中得到的兩種分類概率進行決策層的融合，得到融合后的建筑分類概率。概率融合公式表示如下：