[發明專利]基于深度學習的遙感影像建筑物年代自動判定方法

在審

• 申請號: 202310030612.4
• 申請日: 2023-01-10
• 公開（公告）號: CN115965871A
• 公開（公告）日: 2023-04-14
• 發明（設計）人: 王曉華;楊玉忠;季順平;王少一;李慶君;田宇;張泉;王予凡
• 申請（專利權）人: 天津市測繪院有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/82;G06N3/08;G06N3/0455
• 代理公司: 六安創新傲風知識產權代理事務所(普通合伙) 34258
• 代理人: 王皓

本發明涉及算法技術領域，且公開了基于深度學習的遙感影像建筑物年代自動判定方法，包括以下工作步驟：S1：根據已有的建筑物樣本庫進行影像和標簽的預處理；根據特定區域的建筑物樣本進行少量的標注用于模型微調；S2：基于現有的建筑物提取模型結合樣本庫中的樣本進行模型的預訓練并加以微調，使之更加適合提取該地區的建筑物，對于經過上述過程得到的多時相建筑物的提取結果進行邊界的進一步優化。本發明提出了一種通用的基于遙感影像的建筑物年代的判定方法，充分利用已有數據庫樣本，對任意多時相無標簽遙感影像上的建筑物年代都能進行判定，大大降低了人工判定分析的時間成本和工作量。

技術領域

本發明涉及算法技術領域，尤其涉及基于深度學習的遙感影像建筑物年代自動判定方法。

背景技術

現有技術僅通過基于深度學習的多卷積神經網絡模型實現了建筑物的自動提取，但是無法通過歷年遙感影像判定出建筑物建設年代和拆遷年代，僅能通過人工對遙感影像的建筑物提取結果進行目視判讀，不能快速解決城鄉規劃、住房建設、農業農村等部門的用戶對建筑物年代調查需求。

為此，我們提出基于深度學習的遙感影像建筑物年代自動判定方法。

發明內容

本發明主要是解決上述現有技術所存在的技術問題，提供基于深度學習的遙感影像建筑物年代自動判定方法。

為了實現上述目的，本發明采用了如下技術方案，基于深度學習的遙感影像建筑物年代自動判定方法，包括以下工作步驟：

S1：根據已有的建筑物樣本庫進行影像和標簽的預處理；根據特定區域的建筑物樣本進行少量的標注用于模型微調；

S2：基于現有的建筑物提取模型結合樣本庫中的樣本進行模型的預訓練并加以微調，使之更加適合提取該地區的建筑物，對于經過上述過程得到的多時相建筑物的提取結果進行邊界的進一步優化，減少噪聲；

S3：進行方法的第二階段：根據經過邊界優化的多時相建筑物的提取結果，實現建筑物的年代判定；

S4：由于影像偏移、提取不完善等原因會造成各種線狀、點狀和面狀的噪聲信息，對于檢測結果非常不利，因此對于經過S3得到的結果需進一步的后處理，使用發明的評價指標，在有標簽的數據集上對各種后處理過程進行閾值的設定，并根據設定的閾值對未標記的建筑物的年代判定結果進行各種后處理操作，最終將其轉換成矢量格式用于存儲。

作為優選，所述S1還包括具體的以下步驟：

S101、影像預處理：若待處理影像為分幅影像，則對多幅遙感影像進行拼接得到完整的影像，并將完整影像按地表覆蓋范圍進行裁剪，然后以某一影像分辨率為基準，對其他影像進行重采樣；

S102、將同一地區的多時相遙感影像進行配準，盡量減小配準誤差；

S103、樣本裁剪：綜合考慮計算機性能、地物大小，將遙感影像與其對應的標簽數據裁剪為大小是512*512的樣本塊，對于測試集影像需要按照一定的命名規則保存。

作為優選，所述S2還包括具體的以下步驟：

S201、粗提取：使用處理好的大型數據集對選擇的建筑物提取模型進行訓練，然后利用該地區的數據集在預訓練模型上進行進一步的訓練，使得該模型更加符合本地區的建筑物風格；

S202、精提取：將上述同樣的數據集用于對邊界優化算法進行預訓練，作為邊界優化模型進行后續的邊界優化處理操作；

S203、對于提取的像素級的精度進行統計。

作為優選，所述S3還包括具體的以下步驟：

S301、使用經過S1、S2后提取的相鄰兩年的建筑物進行像素級別的比較，獲取前后兩年沒有變化的建筑物；