[發明專利]一種基于全卷積神經網絡的建筑面多級優化提取方法

在審

• 申請號: 202011424539.1
• 申請日: 2020-12-08
• 公開（公告）號: CN112487537A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 田鵬飛;孫偉;儲鑫淼;朱與墨
• 申請（專利權）人: 億景智聯（北京）科技有限公司
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F30/27
• 代理公司: 南京鼎傲知識產權代理事務所(普通合伙) 32327
• 代理人: 劉藹民

本發明公開了一種基于全卷積神經網絡的建筑面多級優化提取方法，包括如下步驟：S1、利用基于全卷積神經網絡進行建筑物輪廓初步提取，然后在此基礎上，提取建筑物初始輪廓進行多邊形初擬合處理；S2、對擬合后的輪廓利用最佳擬合外接矩形結Hausdorff距離算法進行輪廓的初步規整；S3、最后對復雜輪廓中無法優化的局部輪廓利用Shi?Tomasi算法進行深度優化，最終輸出最佳優化規整的建筑物輪廓結果，本發明結構科學合理，使用安全方便，通過全卷積神經網絡，多邊形擬合，最佳擬合外接矩形，Hausdorff距離算法，Shi?Tomasi算法對復雜建筑物輪廓進行多級優化，可以有效提升提取準確率，從而能夠充分利用不同尺度下的空間上下文信息的網絡結構，優化建筑物尺寸的動態范圍。

技術領域

本發明涉及智能控制技術領域，具體為一種基于全卷積神經網絡的建筑面多級優化提取方法。

背景技術

建筑物是城市環境中的主要地物類型，從影像地圖數據中自動提取建筑物AOI，能夠有效的提升GIS數據的覆蓋度和準確度，對于提升城市規劃與商業營銷具有重要意義；

建筑物輪廓提取是從影像地圖數據中識別建筑物并獲取其位置、及輪廓信息的過程，建筑物作為城市環境中最為突出的地物類型，如何提高其信息獲取的質量與效率一個難題。

發明內容

本發明提供一種基于全卷積神經網絡的建筑面多級優化提取方法，可以有效解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：一種基于全卷積神經網絡的建筑面多級優化提取方法，包括如下步驟：

S1、利用基于全卷積神經網絡進行建筑物輪廓初步提取，然后在此基礎上，提取建筑物初始輪廓進行多邊形初擬合處理；

S2、對擬合后的輪廓利用最佳擬合外接矩形結Hausdorff距離算法進行輪廓的初步規整；

S3、最后對復雜輪廓中無法優化的局部輪廓利用Shi-Tomasi算法進行深度優化，最終輸出最佳優化規整的建筑物輪廓結果。

根據上述技術方案，所述S1中具體步驟為將FCNs網絡的所有的FC層被移除；

將level2中不同尺寸的特征圖使用不同的上采樣倍率變為原圖像大小，然后再通過全卷積層得到預測結果。

根據上述技術方案，所述S1中建筑物輪廓提取，利用Douglas-Peucker算法將輪廓進行多邊形擬合，Douglas-Peucker算法的多邊形擬合，由于分類原理提取的初始建筑物輪廓邊緣存在鋸齒，輪廓點數量較多，不利于后續輪廓點的計算，為了減少計算量，通過多邊形擬合方法保留輪廓的主要形狀特征。

根據上述技術方案，所述S2中最佳擬合外接矩形，利用提取與建筑物軸線傾斜程度相一致的外接矩形作為最佳擬合外接矩形，可以有效的提升準確率。

根據上述技術方案，所述S2中利用Hausdorff距離算法，以準確地衡量建筑物的擬合輪廓與最佳擬合外接矩形存在的距離差異，作為評判擬合輪廓是否合適的標準。

根據上述技術方案，所述S3中基于Shi-Tomasi算法對復雜建筑物輪廓進行優化，針對直角建筑物的直角拐角特性，利用角點檢測并進行角點取舍，可以在保留輪廓直角細節的同時去除尖銳的小角度，從而得到符合建筑物輪廓的垂直邊角。

與現有技術相比，本發明的有益效果：本發明結構科學合理，使用安全方便，利用建筑物的光譜信息、形狀紋理等特征來提取建筑物，通過全卷積神經網絡，多邊形擬合，最佳擬合外接矩形，Hausdorff距離算法，Shi-Tomasi算法對復雜建筑物輪廓進行多級優化，可以有效提升提取準確率，從而能夠充分利用不同尺度下的空間上下文信息的網絡結構，優化建筑物尺寸的動態范圍，通過優化全卷積神經網絡算法，減少網絡參數，提升圖像處理效率，通過分級優化最終提升建筑物輪廓提取的準確度。

附圖說明