[發(fā)明專利]基于深度學(xué)習(xí)算法識(shí)別建筑物的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110061615.5
• 申請(qǐng)日: 2021-01-18
• 公開（公告）號(hào): CN112800895A
• 公開（公告）日: 2021-05-14
• 發(fā)明（設(shè)計(jì)）人: 韓吉軍;王壘;趙一琪;趙恒
• 申請(qǐng)（專利權(quán)）人: 內(nèi)蒙古電力(集團(tuán))有限責(zé)任公司烏蘭察布電業(yè)局
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京天奇智新知識(shí)產(chǎn)權(quán)代理有限公司 11340
• 代理人: 葉明博

本發(fā)明公開了一種基于深度學(xué)習(xí)算法識(shí)別建筑物的方法，包括獲取包含建筑物的遙感影像，并進(jìn)行影像預(yù)處理工作，得到處理過后的帶坐標(biāo)系統(tǒng)的衛(wèi)星影像圖；針對(duì)需要進(jìn)行智能識(shí)別的地物，根據(jù)其具體特征進(jìn)行具體歸類，并做好表格記錄；根據(jù)先前做好的分類，進(jìn)行各樣本的樣本標(biāo)簽數(shù)據(jù)勾選，建立各類的樣本數(shù)據(jù)庫(kù)；利用深度學(xué)習(xí)算法進(jìn)行建筑物的提取；利用混淆矩陣對(duì)建筑物提取結(jié)果進(jìn)行精度驗(yàn)證。本發(fā)明利用深度學(xué)習(xí)的方法對(duì)遙感影像進(jìn)行建筑物的智能解譯提取，實(shí)現(xiàn)全智能無人工干預(yù)的精準(zhǔn)識(shí)別解譯，達(dá)到省時(shí)省力的目的；且獲取的建筑物遙感影像，各建筑物的樣本均滿足統(tǒng)一的光譜特征、紋理特征、空間特征關(guān)系；可使深度學(xué)習(xí)提取算法結(jié)果精度更加準(zhǔn)確。

技術(shù)領(lǐng)域

本發(fā)明屬于遙感影像智能解譯技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)算法識(shí)別建筑物的方法。

背景技術(shù)

近年來，隨著城市規(guī)模的不斷擴(kuò)充，城市土地利用、空間規(guī)劃、基礎(chǔ)設(shè)施建設(shè)，以及城市環(huán)境污染監(jiān)控評(píng)估、城市人口數(shù)據(jù)空間化等方面都為城市管理者提出了各種難題。作為城市最主要的組成部分，各種建筑物是我們最需要進(jìn)行精確探測(cè)和管理的目標(biāo)。然而，隨著城市化進(jìn)程的加快，城市中的建筑物數(shù)量和密度越來越大，及時(shí)準(zhǔn)確的實(shí)現(xiàn)二維或三維城市空間建筑物信息的生成或更新是“智慧城市”構(gòu)建的必然需求。面對(duì)這樣的需求，顯然，傳統(tǒng)的土地測(cè)量、車載信息采集等方式面對(duì)城市規(guī)模的爆發(fā)式增長(zhǎng)在人力成本和經(jīng)濟(jì)成本方面越來越高，這與“智慧城市”的理念越來越遠(yuǎn)。為此，世界各地的衛(wèi)星、航空和無人機(jī)等地球監(jiān)測(cè)平臺(tái)得到了前所未有的大發(fā)展，他們能夠及時(shí)獲取大量的高分辨率光學(xué)圖像，這些亞米級(jí)、分米級(jí)的高分辨率圖像，尤其是可見光圖像，包含著大量關(guān)于建筑物目標(biāo)的顏色、形狀、對(duì)比度等信息，充分的、及時(shí)的利用這些高分辨率可見光遙感圖像進(jìn)行城市區(qū)域內(nèi)街區(qū)、社區(qū)尺度內(nèi)建筑物的自動(dòng)、精確、可靠的提取具有非常廣泛的現(xiàn)實(shí)意義。

傳統(tǒng)的建筑物提取方法，比如構(gòu)建遙感專題指數(shù)模型法、邏輯判別法、面向?qū)ο蠓ǖ龋@些方法雖然也取得了較好的效果，但并不太適合大范圍的實(shí)時(shí)更新的數(shù)據(jù)處理。近些年來，隨著深度學(xué)習(xí)技術(shù)不斷發(fā)展，以高分辨率的遙感影像為基礎(chǔ)，使用深度學(xué)習(xí)技術(shù)來對(duì)影像數(shù)據(jù)進(jìn)行建筑物提取，那么這些需要耗費(fèi)大量人力、物力的工作，將變得極為輕松。這樣，不但海量的遙感數(shù)據(jù)會(huì)得到充分利用，而且建筑物提取的效率也會(huì)大大提高，遙感影像的使用價(jià)值也會(huì)得到顯著提升。

遙感是指通過各種傳感器，在不接觸目標(biāo)條件下探測(cè)目標(biāo)地物，獲取其反射、輻射和散射的電磁波信息的技術(shù)手段。遙感影像的獲取來源有星載傳感器、機(jī)載傳感器和地基傳感器，具有多空間，多時(shí)間，多光譜分辨率等特征。利用遙感影像對(duì)其空間特征、紋理特征以及光譜特征進(jìn)行解譯分析能夠獲得地表地物的相關(guān)信息以達(dá)到影像解譯的目的。隨著對(duì)地觀測(cè)技術(shù)的快速發(fā)展，亞米級(jí)甚至厘米級(jí)空間分辨率的遙感影像被不斷獲取，為基礎(chǔ)測(cè)繪、地理國(guó)情監(jiān)測(cè)、城市規(guī)劃等部門進(jìn)行精細(xì)化制圖提供了數(shù)據(jù)基礎(chǔ)。

以深度學(xué)習(xí)為代表的人工智能技術(shù)是近年來快速發(fā)展起來的一門新技術(shù)，目前已經(jīng)在圖像分類、目標(biāo)檢測(cè)、語義分割、人臉識(shí)別、語音識(shí)別、視頻分類和自然語言處理等多個(gè)領(lǐng)域成功運(yùn)用。其在圖像處理方面的研究大多集中于卷積神經(jīng)網(wǎng)絡(luò)，并發(fā)展了一系列卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型。采用深度學(xué)習(xí)進(jìn)行遙感影像解譯主要有以下幾個(gè)優(yōu)點(diǎn)：

(1)具有增量學(xué)習(xí)能力。目前，主流的深度學(xué)習(xí)優(yōu)化方法往往利用基于小批量樣本的隨機(jī)梯度下降法，無須一次將所有樣本供給模型進(jìn)行訓(xùn)練，通過迭代的方式令模型進(jìn)行學(xué)習(xí)，因此可以利用大量的歷史數(shù)據(jù)進(jìn)行訓(xùn)練。

(2)模型遷移能力強(qiáng)。深度學(xué)習(xí)在進(jìn)行具備小數(shù)據(jù)量的領(lǐng)域或任務(wù)時(shí)，可以基于相近領(lǐng)域或任務(wù)的大數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，采用小數(shù)據(jù)量的領(lǐng)域數(shù)據(jù)對(duì)于深度神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)，從而實(shí)現(xiàn)不同領(lǐng)域或任務(wù)的遷移學(xué)習(xí)。

(3)無須人工設(shè)計(jì)特征。深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的最大不同就在于無須人工設(shè)計(jì)特征，由深度學(xué)習(xí)模型自動(dòng)提取并進(jìn)行訓(xùn)練，因此可以避免大量的特征工程工作以及認(rèn)為設(shè)計(jì)對(duì)訓(xùn)練精度的影響。