[发明专利]基于异常检测的遥感影像建筑物迁移提取方法

说明书

本发明涉及遥感图像检测，公开了基于异常检测的遥感影像建筑物迁移提取方法，包括以下步骤:S1、利用开放数据集对深度语义分割网络模型进行训练，将遥感影像输入训练好的语义分割模型中，得到输出结果；S2、提取输出结果中的建筑预测结果和道路预测结果，并对建筑预测结果进行预处理，得到建筑层、非建筑层和待分层；S3、对建筑层进行异常检测并剔除异常后得到建筑样本，并将非建筑层作为非建筑样本；S4、将道路预测结果从待分层中擦除，结合建筑样本和非建筑样本对待分层进行重分类，得到重分类后的建筑物分类结果；S5、将建筑物分类结果与建筑样本叠加，得到建筑物迁移提取结果。本发明能够从遥感影像中提取建筑物，保证建筑物提取的总体精度。

技术领域

本发明涉及遥感图像检测，尤其是涉及基于异常检测的遥感影像建筑物迁移提取方法。

背景技术

建筑物是变化较为频繁的重要地物要素之一，因此自动、准确、高效地提取建筑物在城市规划、数据更新和灾害评估等方面都有重要意义。遥感技术的发展与计算机图像处理技术的逐渐成熟促进了地物要素智能提取，建筑物提取也成为学者们研究的热点。

从高空间分辨率影像中提取建筑物的相关研究已经大量开展，传统工作主要集中在利用具有高区分度的地物特征设计各种监督分类器和提取方法的集成使用上。Jin等综合了图像中的光谱信息、结构信息和上下文信息等，采用数学形态学方法提取建筑物。Wegner等提出结合区域分割和马尔科夫随机场的算法优势，进行图像场景建模和建筑物提取。

近年来鉴于卷积神经网络在计算机视觉目标分类、图像分割等方面表现出的卓越性能，不少学者将基于CNN的语义分割算法应用到遥感领域，并逐渐得到令人满意的实验结果。Long等在卷积神经网络内部使用下采样和上采样结合的方式，提出了全卷积神经网络(FCN)，成功实现了图像的语义分割。季顺平等基于UNet和FPN进行设计，提出的SUNet模型在一定程度上解决了从高空间分辨率影像中提取建筑物时的多尺度问题。吴目宇等在LinkNet框架上结合空洞卷积、注意力机制和多尺度预测，提出的ADLinkNet进一步细化了建筑物的提取结果。但是基于深度学习的地物要素方法需要大量样本训练模型。武花等在测试其提出的融合多特征改进型PSPNet模型时，人工标注建筑物后分割得到了3万张576×576像素的图像。罗李焱等利用ArcGIS手工描绘建筑物矢量图，整个区域被无重叠地分割出53220个256×256像素的瓦片，便于其深度学习网络的应用。郭文等训练模型时选取了200景高分卫星遥感影像制作建筑物样本数据，样本标签由地理国情监测成果中建筑物相关图斑综合得到，精度相比人工标注的数据集较低。然而，构建完成的深度学习模型在训练数据集之外的区域使用时仍然依赖高质量的人工标注数据进行微调甚至再次训练，否则其实际精度依然达不到要求。因此学者们也开始着眼于小样本学习、迁移学习等研究方向。Zhang等针对深卷积神经网络模型泛化能力有限的问题，以马萨诸塞州航空影像建筑数据集做训练，结合少量目标区域建筑影像数据样本对模型微调参数后提取建筑物。Xia等使用少量标记样本和大量未标记图像的半监督方法联合训练，基于标记样本训练专家级语义边缘分割模型，引导未标记图像自动生成伪标签，利用自动生成的标签集和手动标记的样本一起用于微调语义边缘模型。Li等从图像级标签生成伪掩模，应用全连通条件随机场提高伪掩模精度，然后由伪掩模训练分割网络，将弱监督语义分割应用到具有图像级标签的高分辨率遥感图像中。Na等结合了域自适应转移和对抗攻击的方法，将输入图像分布转移到目标图像分布，同时将图像转化为针对目标网络的对抗样例以克服域间隙导致的性能下降。虽然目前已有众多模型迁移方法，却依然存在着需要一定数量的高质量目标区域样本、计算难度过大、模型迁移性的可信度，即精度不高等问题。

发明内容

本发明所要解决的主要问题是提供了基于异常检测的遥感影像建筑物迁移提取方法，能够从高分辨率遥感影像中提取建筑物，且保证建筑物提取的总体精度。

为了解决上述技术问题，本发明提供了一种基于异常检测的遥感影像建筑物迁移提取方法，包括以下步骤: