[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像建筑區(qū)提取方法、裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202011488322.7
• 申請(qǐng)日: 2020-12-16
• 公開（公告）號(hào): CN112232328A
• 公開（公告）日: 2021-01-15
• 發(fā)明（設(shè)計(jì)）人: 陳一祥;元玉梅;成行
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像建筑區(qū)提取方法、裝置，包括：獲取遙感影像樣本數(shù)據(jù)作為訓(xùn)練集和驗(yàn)證集，樣本數(shù)據(jù)包括網(wǎng)格劃分的建筑區(qū)標(biāo)簽和非建筑區(qū)標(biāo)簽；使用訓(xùn)練集和驗(yàn)證集對(duì)遙感影像建筑區(qū)識(shí)別模型進(jìn)行訓(xùn)練；遙感影像建筑區(qū)識(shí)別模型基于密集連接和注意力機(jī)制構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)；采用遙感影像建筑區(qū)識(shí)別模型，對(duì)網(wǎng)格劃分后的測(cè)試影像進(jìn)行分類得到建筑區(qū)二值圖；對(duì)測(cè)試影像中的網(wǎng)格進(jìn)行再劃分或/和網(wǎng)格平移后重新分類，將得到的建筑區(qū)二值圖進(jìn)行融合，得到精細(xì)化建筑區(qū)結(jié)果圖。采用上述方案，采用二分類方式對(duì)建筑區(qū)進(jìn)行提取，通過減少模型參數(shù)量來降低模型訓(xùn)練的復(fù)雜度，實(shí)現(xiàn)高分辨率遙感影像建筑區(qū)的高精度和高效率的提取。

技術(shù)領(lǐng)域

本發(fā)明涉及遙感影像分類領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像建筑區(qū)提取方法、裝置。

背景技術(shù)

建筑區(qū)是重要的人工地物目標(biāo)，是人類從事生產(chǎn)和生活主要場(chǎng)所。及時(shí)準(zhǔn)確地獲取建筑區(qū)信息對(duì)于城市地理數(shù)據(jù)庫(kù)的實(shí)時(shí)更新、城市動(dòng)態(tài)監(jiān)測(cè)、城市規(guī)劃等應(yīng)用具有重要的作用。

現(xiàn)有技術(shù)中的建筑區(qū)提取方法是先利用人工設(shè)計(jì)特征，比如建筑區(qū)的紋理特征和空間結(jié)構(gòu)特征來實(shí)現(xiàn)建筑區(qū)的表示，然后利用監(jiān)督或非監(jiān)督分類方法實(shí)現(xiàn)建筑區(qū)的提取。然而，對(duì)于高分辨率遙感影像，建筑區(qū)的光譜、紋理和空間結(jié)構(gòu)都異常復(fù)雜，人為設(shè)計(jì)有效的特征提取方法不僅困難，也很難適應(yīng)復(fù)雜的影像場(chǎng)景。因此，采用基于底層特征提取的傳統(tǒng)建筑區(qū)提取方法在準(zhǔn)確率和召回率方面都難以獲得令人滿意的結(jié)果。

近年來，深度學(xué)習(xí)的出現(xiàn)為高分辨率遙感影像建筑區(qū)的自動(dòng)提取提供新的思路。利用深度學(xué)習(xí)能夠從復(fù)雜的原始數(shù)據(jù)中獲得目標(biāo)特征的多層次表示，并將特征學(xué)習(xí)融入到建立模型的過程中，從而減少了人為設(shè)計(jì)特征造成的不完備性

盡管目前深度學(xué)習(xí)已被用于高分辨遙感影像建筑區(qū)的檢測(cè)，但是已有的方法使用的主要是經(jīng)典的深度學(xué)習(xí)框架，框架模型主要是針對(duì)具有多個(gè)類（比如1000個(gè)）的自然場(chǎng)景的圖像識(shí)別而設(shè)計(jì)，模型參數(shù)量巨大，必須需要大規(guī)模的訓(xùn)練樣本才能對(duì)模型進(jìn)行充分訓(xùn)練，同時(shí)模型復(fù)雜度較高，訓(xùn)練周期長(zhǎng)且效率低，最終的檢測(cè)結(jié)果也不盡如人意。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明旨在提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像建筑區(qū)提取方法、裝置，采用二分類方式對(duì)建筑區(qū)進(jìn)行提取，通過減少模型參數(shù)量來降低模型訓(xùn)練的復(fù)雜度，最終實(shí)現(xiàn)高分辨率遙感影像建筑區(qū)的高精度和高效率的提取。

技術(shù)方案：本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像建筑區(qū)提取方法，包括：

獲取遙感影像樣本數(shù)據(jù)作為訓(xùn)練集和驗(yàn)證集，樣本數(shù)據(jù)包括網(wǎng)格劃分的建筑區(qū)標(biāo)簽和非建筑區(qū)標(biāo)簽；

使用訓(xùn)練集和驗(yàn)證集對(duì)遙感影像建筑區(qū)識(shí)別模型進(jìn)行訓(xùn)練；所述遙感影像建筑區(qū)識(shí)別模型基于密集連接和注意力機(jī)制構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)；

采用所述遙感影像建筑區(qū)識(shí)別模型，對(duì)網(wǎng)格劃分后的測(cè)試影像進(jìn)行分類得到建筑區(qū)二值圖；

對(duì)所述測(cè)試影像中的網(wǎng)格進(jìn)行再劃分或/和網(wǎng)格平移后重新分類，將得到的建筑區(qū)二值圖進(jìn)行融合，得到精細(xì)化建筑區(qū)結(jié)果圖。

具體的，若建筑區(qū)超過所在網(wǎng)格面積的一半，則所在網(wǎng)格標(biāo)上建筑區(qū)標(biāo)簽；若建筑區(qū)沒有超過所在網(wǎng)格面積的一半，則所在網(wǎng)格標(biāo)上非建筑區(qū)標(biāo)簽。

具體的，所述遙感影像建筑區(qū)識(shí)別模型包括：

用于遙感影像預(yù)處理的基本卷積操作層包括卷積層、批歸一化層和池化層；

用于提取遙感影像圖像特征的特征提取模塊包括密集連接塊、注意力機(jī)制塊和特征降維塊，所述密集連接塊包括四個(gè)組合函數(shù)，每個(gè)組合函數(shù)依次包括BN、ReLU、1x1 Conv、BN、ReLU和3x3 Conv，每個(gè)組合函數(shù)中特征圖像的增長(zhǎng)率為16，所述注意力機(jī)制塊包括上分支的通道注意力和下分支的空間注意力；特征提取模塊設(shè)置有三個(gè)；