[發明專利]一種高分辨率遙感影像弱監督建筑物提取方法

在審

• 申請號: 202110651041.7
• 申請日: 2021-06-10
• 公開（公告）號: CN113436204A
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 鄭道遠;方芳;劉袁緣;李圣文;曾林蕓;張嘉輝
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/194;G06K9/00;G06K9/34;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種高分辨率遙感影像弱監督建筑物提取方法，包括：基于迭代對抗上升策略的類激活圖迭代優化，類激活圖像素間關系挖掘，類邊界檢測，建筑物偽標簽生成、語義分割網絡訓練和建筑物區域提取。本發明使用迭代對抗上升策略，相比于現有的圖像級別的弱監督語義分割方法能夠生成更優的建筑物類激活圖，并在不引入額外監督信息的情況下實現對類激活圖信息的充分挖掘，獲得像素間類等價關系。此外，本發明使用門控卷積層進一步提升網絡對邊界處理的分割性能，使得物體區域能夠在邊界內進行有效擴充和覆蓋，生成高質量的建筑物偽標簽，從而讓語義分割模型產生準確率高，分割邊界完整的建筑物區域。

技術領域

本發明涉及遙感領域，尤其涉及一種高分辨率遙感影像弱監督建筑物提取方法。

背景技術

隨著衛星遙感以及航空攝影技術的發展，人們可以更快、更廉價地獲得各種高分辨率影像。從航空和衛星平臺收集的遙感影像可被廣泛應用于各種應用，如土地利用制圖、城市資源管理和災害監測。基于地理對象的圖像分析(GEOBIA)是從高分遙感圖像中提取建筑物的主要方法，但確定最優的影像分割尺度具有一定的困難，并且在提取特征時往往需要很強的領域專家知識。高分辨率遙感影像的語義分割旨在通過端到端的機制為每個像素分配一個地理標簽，在深度卷積神經網絡的顯著促進作用下，已被廣泛用于許多地理應用，例如云檢測、建筑物自動提取、土地覆蓋制圖和城市目標定位等。

在豐富的像素級標簽數據集的監督下，深度卷積網絡能夠利用圖像中的空間上下文信息，提取不同感受野視角下的多級特征，極大地推動了遙感圖像語義分割的性能。然而，獲取大量像素級標簽耗時費力且成本昂貴。弱監督的語義分割方法為克服遙感影像的標注困難提供了新的思路。

常用的弱標注信息包括圖像級標簽、點標簽、涂鴉以及邊界框等，其中圖像級標簽因其標注成本低而被廣泛應用。目前，以圖像級標簽作為弱標簽信息的分割模型的訓練主要采用兩階段的訓練策略。其中，第一階段分類網絡首先利用圖像級標簽生成偽掩碼，偽掩碼的產生一般借助類激活圖(Class Activation Maps,CAMs)。CAMs能夠注意到圖像中最具有區分性的對象，從而粗略定位物體區域，但是CAMs不能顯示具有精確邊界的整個對象區域，生成的偽掩碼質量不高導致最終的分割結果往往也不理想。因此，充分挖掘CAMs中像素間關系對后續階段有著至關重要的作用。在第二階段分割網絡中則使用第一階段生成的偽掩碼訓練模型，進一步提升分割性能。在現有的研究工作當中，部分工作使用條件隨機場或超像素方法對分割結果進行后處理，但邊界優化效果時好時壞，并且推理過程較為復雜。此外，目前基于深度卷積神經網絡的圖像分割方法通常將遙感影像的顏色、形狀和紋理等信息一并處理，然而不同類型的信息也會導致建筑物分割邊界模糊等問題。

發明內容

為了解決傳統建筑物提取方法標簽獲取困難，類激活圖覆蓋不全以及分割邊界不完整的技術問題，本發明提出了一種高分辨率遙感影像弱監督建筑物提取方法，該方法聚焦于挖掘像素間的類等價關系和邊界優化。

為了實現上述目的，本發明提出一種高分辨率遙感影像弱監督建筑物提取方法，具體包括以下步驟：

S1、將高分辨率遙感影像及對應標簽圖輸入分類網絡進行訓練，得到訓練后的分類網絡，基于所述訓練后的分類網絡對所述高分辨率遙感影像進行迭代對抗上升處理，獲得處理后的遙感影像；

S2、將所述處理后的遙感影像輸入所述訓練后的分類網絡，得到迭代后的類激活圖，將所述迭代后的類激活圖進行歸一化，生成優化后的類激活圖；

S3、獲取所述優化后的類激活圖中的像素間類等價關系，并根據所述像素間類等價關系將所述優化后的類激活圖中的所有像素劃分為正集P⁺和負集P^-；

S4、基于門控卷積層搭建類邊界網絡，通過所述類邊界網絡輸出第一類邊界圖；