[发明专利]基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备

说明书

本发明提供基于对抗网络的遥感影像建筑物提取方法，包括如下步骤：数据融合，样本制作，模型训练，精度判定，建筑物提取，矢量后处理。本发明还涉及基于对抗网络的遥感影像建筑物提取系统、存储介质、电子设备。本发明提供一种基于对抗网络的遥感影像建筑物提取方法，实现了具有一定增强学习能力的生成对抗网络，通过生成器网络和判别器网络之间的不断磨合训练出具有一定泛化能力的模型，同时保证了建筑物提取的精度，另外增加了矢量后处理对建筑物进行了规则化处理，保证了建筑提取结果的美观性。

技术领域

本发明涉及遥感图像处理领域，尤其涉及基于对抗网络的遥感影像建筑物提取方法。

背景技术

建筑是地图绘制、市政规划和土地调查的重要基础地理数据。随着中国城市化进程的加快，住房建筑不断增多，建筑物总量日新月异。建筑物信息作为城市变迁和人类活动的重要指示因子，在城市规划、房地产管理、灾害管理、地理信息系统(GIS)等诸多领域发挥着重要作用。基于人工现场调查的传统数据收集方法耗时且费力，且难以满足大规模工业应用需要。遥感技术能够获取全覆盖、大范围、高实时性的地表观测数据，其为大范围的建筑物信息采集提供了一种高效率手段。从遥感影像上提取建筑物是遥感信息提取的重要应用方向之一。

目前基于全卷积神经网络的建筑物提取方法已经初具成效，但提取结果比较粗糙，更重要的是由于遥感影像地物的光谱特征比较复杂，具有比较丰富的波普信息不同于自然图像，并且影像质量受到传感器的影像比较大，导致模型泛化能力相较自然图像比较弱，最终使得遥感数据在实际应用的过程中区域化特征非常明显，模型无法重用，需要根据不同区域的特点专门标注数据甚至设计网络，这造成了大量的人力成本投入。

另外，由于语义分割预测的结果图，实际上是一种对像素进行分类的方法，必然会遇到噪点以及造成建筑对象整体上的不规则现象。

发明内容

为了克服现有技术的不足，本发明提供基于对抗网络的遥感影像建筑物提取方法。本发明通过采用了栅格与矢量结合的方式，实现了建筑对象的规则化。

本发明提供基于对抗网络的遥感影像建筑物提取方法，包括如下步骤：

样本制作，获取遥感图像数据，对所述遥感图像数据按固定尺寸进行切片处理得到样本数据，并绘制所述样本数据中的建筑物标签，获得遥感图像样本；

模型训练，利用对抗网络模型对所述遥感图像样本进行训练，得到生成器网络模型；其中，所述对抗网络模型包括生成器网络与判别器网络，所述生成器网络采用能够充分融合特征的全卷积网络，所述判别器网络采用强制分割网络，所述判别器网络用于将所述生成器网络生成的图像与真实的所述遥感图像样本进行判别；

精度判定，将待测试的遥感影像数据输入所述对抗网络模型进行数据预测，优化网络参数直至所述生成器网络与判别器网络达到纳什平衡，得到此时的生成器网络作为训练好的生成器网络；

建筑物提取，利用步骤精度判定中训练好的生成器网络对遥感影像目标区域进行建筑物提取，得到遥感影像建筑物数据；

矢量后处理，将得到的所述遥感影像建筑物数据进行矢量化，得到建筑物矢量图，利用道格拉斯-普克简化算法对所述建筑物矢量图进行规则化处理，得到规则的建筑物矢量图。

优选地，在步骤样本制作之前还包括步骤：

数据融合，将相同分辨率的遥感影像数据与电子地图数据融合，得到遥感图像数据；对所述遥感图像数据进行图像预处理，所述图像预处理包括对遥感影像进行大气校正、几何校正、镶嵌；

在步骤样本制作中还包括获取开源数据，将所述开源数据进行数据处理后加入所述样本数据中，得到所述遥感图像样本；

在步骤建筑物提取中还包括对提取的所述遥感影像建筑物数据进行图像处理，所述图像处理包括对建筑物轮廓边界进行平滑与细化处理，并且对建筑物的孔洞进行填充与建筑物的缺口进行修补。