[發明專利]一種基于深度學習的建筑物精細識別方法

在審

• 申請號: 202210889953.2
• 申請日: 2022-07-27
• 公開（公告）號: CN115719456A
• 公開（公告）日: 2023-02-28
• 發明（設計）人: 常樂;梁凱燕;成屹恒;成璇凝;吳登峰
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/82;G06V10/764;G06N3/08;G06N3/04
• 代理公司: 泰州市鑫宏專利代理事務所(普通合伙) 32391
• 代理人: 王笑柯

本發明涉及建筑物精細識別技術領域，且公開了一種基于深度學習的建筑物精細識別方法，包括以下步驟：a、圖像獲?。和ㄟ^無人機航空影像獲取的包含建筑物的遙感影像；該種基于深度學習的建筑物精細識別方法，采用遙感影像，利用深度學習的方法對遙感影像進行建筑物的智能解譯提取，實現全智能無人工干預的精準識別解譯，達到省時省力的目的；采用明確的判定準則可使深度學習提取算法結果精度更加準確；通過引入DCL分支來自動學習判別區域，首先破壞輸入圖像以強調有判別性的局部細節，然后對局部區域之間的語義相關性建模以重建圖像，DCL自動定位判別區域，因此在訓練時不需要額外的標注。

技術領域

本發明涉及建筑物精細識別技術領域，具體為一種基于深度學習的建筑物精細識別方法。

背景技術

建筑物作為重要的地物類型之一，從遙感影像準確識別建筑物可以為土地管理、城市規劃等政府部門開展土地利用現狀調查和宏觀規劃等工作提供重要決策支持，其在智慧城市建設、農村違法建房占用耕地的檢測、以及軍事偵察等多個領域都有著重要的應用。

現有的一類精細識別方法是首先定位有判別性的目標局部區域，然后根據這些判別區域進行分類，這種兩步法需要在目標或目標局部上添加額外的邊界框標注，這些標注的成本往往都很高。

發明內容

(一)解決的技術問題

針對現有技術的不足，本發明提供了一種基于深度學習的建筑物精細識別方法，解決了背景技術提出的問題。

(二)技術方案

為實現上述目的，本發明提供如下技術方案：一種基于深度學習的建筑物精細識別方法，包括以下步驟：

a、圖像獲?。和ㄟ^無人機航空影像獲取的包含建筑物的遙感影像。

b、重建圖像：基于DCL圖像破壞算法，破壞原始圖像，以強調有判別性的局部區域的細節，對局部區域之間的語義相關性建模以重建圖像，使網絡基于判別性的局部細節對重建圖像進行分類。

c、數據提純：

(1)、獲取影像數據集，并對影像數據集中的影像進行批量裁切處理，刪除像素全為背景的樣本，獲得初始樣本集；

(2)、采用增強型形態學建筑物指數EMBI與大津閾值法，對初始樣本集進行精化提純與迭代篩選，獲得所需訓練樣本集根據先前做好的分類。

d、深度學習：

(1)、建立深度學習模型；

(2)、用訓練樣本對模型進行訓練；

(3)、檢測樣品識別。

e、提取結果進行精度驗證。

優選地，在步驟b中，包括以下步驟：

(1)、給定原始圖像I，首先將圖像均勻地劃分為N×N個子區域，每個子區域由Ri，j表示，其中i，j分別是水平和垂直索引，1≤i， j≤N；

(2)，將子區域Ri，j的局部區域混合在它們的2D鄰域中，對于第j行的子區域，會生成長度為N的隨機向量數列qj，其中，第i 個元素qj，i＝i+r，是服從均勻分布的隨機變量，k是定義鄰域范圍的可調參數(1≤k＜N)；

(3)，通過對隨機向量數列qj重新排序得到第j行區域的新排列這樣就把原始圖像中的區域坐標由(i，j)轉換到了σ(i，j)，以重建圖像。

優選地，在步驟c的(1)中，初始樣本集的獲取步驟為：獲取建筑物地表真值，并對比影像和建筑物地表真值，利用滑動窗口批量切割樣本，且刪除像素全為背景的樣本，得到初始樣本集。