[发明专利]高分辨率遥感影像小样本高精度建筑分割提取方法及装置

说明书

本发明提供了一种高分辨率遥感影像小样本高精度建筑分割提取方法及装置。获取样本集，包括标记样本和未标记样本；划分训练集和验证集；基于带约束的正样本学习算法构建UNet++改进模型并初始化c值；训练模型，得到正样本概率，通过c值将正样本概率转换成标记样本概率，计算损失函数，根据损失函数优化模型参数，同时通过验证集进行验证，当损失函数或迭代次数满足预设条件时，训练完成，训练好的模型为双分支建筑物分割模型；将待测试影像输入训练好的建筑物分割模型进行建筑物分割提取。结合UNet++和带约束的正样本学习算法，可以自动通过人工标记样本的特征调整得到正样本的特征，同时通过双分支模型提高了对粘连建筑边缘检测的局部准确性。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种高分辨率遥感影像小样本高精度建筑分割提取方法及装置。

背景技术

为了确保粮食安全，中国开始监测建筑物侵占耕地的情况，使用GF-2卫星遥感数据，覆盖全国，每季度一次，精确到栋，200平方米以上的房屋需要上图，主要以人工方式进行，工作量巨大。目前影像建筑物提取技术研究主要基于超高分辨率(＜0.5米)，这类影像对比度和颜色饱和度高，房屋边缘锐利，使用传统方法和深度学习依据房屋边角特征提取都能取得很好的效果，完全可以满足建筑占耕的空间技术指标，但是这类影像成本高，采集周期较长，不能满足监测的时间分辨率要求。近来一些学者采用深度神经网络研究基于GF-2号1米分辨率影像的建筑物提取，然而，深度神经网络的下采样带来的空间精度损失造成房屋边界模糊，不能有效的区分楼栋边界。

传统建筑提取的方法大致分为三种：第一种为基于像元的建筑提取，如最大似然法、最小距离法、K-均值、迭代自组织数据分析等。由于只考虑光谱信息，忽略了图像自身的空间特征及地物对象的拓扑关系，造成了图像处理的困难，而且同谱异物和同物异谱的现象导致泛化精度不高；鉴于基于像元方法的局限性，发展出第二种方法：利用面向对象技术提取建筑。它不仅利用地物的光谱信息，更融合了几何信息、结构信息以及纹理特征等，是一种综合的处理方法，然而，目前无法自适应获取分割参数，越充分的特征表达就越需要人工的参与，如此一来就增加了分类的复杂程度；第三种是利用激光雷达数据、合成孔径雷达数据、数字高程模型数据或数字表面模型等数据去辅助提取建筑，但是需要获取大量同期同时空的多源数据，生产成本较高。

随着近几年深度学习算法的迅速发展，将其应用于提取遥感影像中的建筑信息、自动进行监测建筑侵占耕地情况等成为当前热门的研究方向。语义分割方法是遥感影像特征自动提取中最常用的方法之一，但在提取过程中发现存在三个问题：首先，常规的深度学习模型通常要求训练样本中的所有目标类别都要进行标记，对样本的质量要求高，但人工标记的样本有错标漏标等现象，导致训练时错误类别特征混入目标类别特征中，造成特征混淆，目标地类的特征没有被准确提取；其次由于建筑与周围地形(如道路、平地)等环境特征相似、收集影像的传感器类型以及网络模型下采样等方面的影响，导致无法提取边界准确结果；三是可采用的数据源与现有技术不匹配。目前使用传统方法和深度学习依据超高分辨率影像(0.5米)的房屋边角特征提取能取得很好的效果，但是这类影像成本高，采集周期较长，不能满足监测的时间分辨率要求。

发明内容

为了解决上述技术问题中的至少一个，本发明引入一类分类的带约束的正样本学习算法对多类分类的U-Net++模型进行改进，得到一类分类深度学习模型，并提出一种利用卷积神经网络融合边缘识别结果和区域识别结果的双流模型方法，实现利用低质量样本完成高精度的建筑提取。

根据本发明的一个方面，一种高分辨率遥感影像小样本高精度建筑分割提取方法，包括以下步骤：

S1：获取样本集，所述样本集包括标记样本和未标记样本；

S2：将所述样本集划分为训练集和验证集；

S3：基于带约束的正样本学习算法构建UNet++改进模型并初始化c值(c的物理含义为标记样本占正样本的比例，在本发明应用中即为标记的建筑物占真实建筑物的比例)，所述UNet++改进模型为一类分类深度学习模型；