[发明专利]基于可学习角点特征的高分辨率遥感影像建筑物提取方法

说明书

本发明公开了一种基于可学习角点特征的高分辨率遥感影像建筑物提取方法。本发明是一种后处理方法，对在简单分割模型输出的建筑物粗略分割图进行调整，最终得到建筑物细致分割图。与现有高分遥感影像建筑物提取方法相比，本发明首次将角点特征与深度学习结合，缓解了现有方法在边缘棱角特征提取方面表现不佳的问题。具体而言，本发明设计了一种可学习的角点特征提取方法，使其结果更加准确。

技术领域

本发明涉及深度学习以及遥感影像处理领域，具体涉及一种基于可学习角点特征的高分辨率遥感影像建筑物提取方法。

背景技术

伴随着迅猛的城市化进程，建筑物在城市发展中扮演着越来越引人注目的角色。准确感知建筑物的分布和变化情况，在提高资源利用效率、优化城市空间格局、提升城市服务质量等方面具有重要作用。基于人工实地勘测的传统方法已难以满足大区域、复杂场景等条件下提取建筑物信息的需求。虽然航空摄影和遥感卫星的出现极大地改善了建筑物提取流程，但特征多样性、背景信息干扰等因素仍对快速、准确地完成相关任务提出严峻挑战。

建筑物提取的主流方法可分为传统方法和深度学习方法。传统方法基于几何、纹理、光谱等特征进行建筑物提取。例如陶等人在2004年提出一种基于直线分类方法的模型，提取到相对规则的建筑物特征；该方法作用于高分遥感影像数据时，易受噪声影响，导致输出分割图中建筑物的边缘粗糙。为了解决该问题，Jung等人在2004年提出一种窗口式Hough变换方法，提取到带有相对清晰边缘的建筑物区域。上述方法从像素角度对建筑物特征进行提取，但目前也有不少学者是基于对象的角度对建筑物特征进行建模的。例如Sun等人结合建筑物提取指数、植被提取指数以及水体提取指数，提出了基于对象的多指标提取方法，对遥感影像进行建筑物分割。朱等人为消除裸土等地物的干扰，构建了多项特征分量，从而准确的提取了城市建筑物。另外魏等人使用了分水岭方法在QuickBird影像上进行了建筑物提取，并且准确率达到了91％。虽然基于传统方法的建筑物提取模型取得了阶段性成功，但是其在很多方面都存在着问题，例如建筑物空间信息捕获不佳，易受阴影，植被等对象干扰。

近十年来，迅速崛起的深度学习技术，使基于深度语义分割模型的建筑物提取方法成为领域内的研究热点。Long等人在2016年提出全卷积网络(FCN),第一次实现端到端的像素级分类任务。其后，基于深度语义分割模型的建筑物提取方法常以FCN及其衍生网络为基本框架。例如，Emmanuel Maggiori等人首次将FCN引入遥感影像建筑物提取领域，验证深度神经网络在建筑物提取中的可行性。然而，该方法暴露FCN模型对目标特征提取粗糙等问题。为进一步提升建筑物提取的质量，Ji等人在FCN的基础上，加入两层空洞金字塔池化模块，利用多尺度卷积核扩大感受野，增强网络对多尺度建筑物的提取能力；Lu等人利用最外围约束提取算法，构建建筑物边缘数据，用其对深度分割网络进行辅助训练，得到边缘细腻的建筑物分割图；Wu等人提出多尺度交叉熵损失函数，用于优化分割模型的参数值，增强模型对建筑物特征的响应。上述方法虽然已取得一定成功，但在边缘棱角特征提取等方面仍待改善。在此背景下，本发明提出一种可学习的角点特征提取方法，并将其与深度分割网络结合，以提高模型对建筑物边缘角点特征提取的能力。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出一种高分遥感影像建筑物提取方法，其将深度分割模型与可学习的角点特征相结合，能够有效提取建筑物边缘特征，尤其在棱角部分表现更佳。

为了实现上述目的，本发明技术方案为：

一种基于可学习角点特征的高分辨率遥感影像建筑物提取方法，其包括：

S1、利用带有边界标签和方向标签的数据集训练方向偏移图模型，使其能够基于输入的遥感影像输出对应的方向偏移图；