[发明专利]空间形态信息引导的高分遥感影像建筑物规则化提取方法

权利要求书

1.空间形态信息引导的高分遥感影像建筑物规则化提取方法，其特征在于，包括以下步骤：

步骤一，利用Mask-RCNN基础骨架网络获取建筑物实例对象的深度图像语义特征图和预测初始轮廓，同时保留预测对象与真值对象间的对应关系与轮廓边界点信息；

步骤二，构建图卷积神经网络GCNN，所述图卷积神经网络GCNN包括两个分支，分别为用于获取建筑物空间分布深度结构特征的基于对象全局信息的分割分支，和用于获取建筑物空间边缘深度形态特征的基于对象局部信息的边缘规则化分支；

其中，基于对象全局信息的分割分支包括若干个图卷积层，其输入是以建筑物实例对象中心点为节点构图，根据对象层级的位置、尺寸、方向、形状指标表征影像中建筑物对象的空间分布特征；

基于对象局部信息的边缘规则化分支同样包括若干个图卷积层，其输入是以建筑物实例轮廓的边界点为节点构图，根据边界节点层级的多层邻域三角形形态指标表征对象边界的形态特征；

步骤三，采取金字塔池模块聚集图像深度语义特征、建筑物空间分布深度结构特征和建筑物空间边缘深度形态特征，得到多个不同尺寸的特征图，最后通过卷积、上采样、以及通道拼接处理得到建筑物对象的规则化提取预测图；

步骤四，训练由步骤一至步骤三构成的建筑物规则化提取网络模型，引入正则化损失函数补充交叉熵函数进一步约束矢量边界，利用训练好的建筑物规则化提取网络模型实现高分遥感影像建筑物规则化提取。

2.根据权利要求1所述的空间形态信息引导的高分遥感影像建筑物规则化提取方法，其特征在于：步骤二中基于对象全局信息的分割分支的具体实施步骤如下：

(a1)以步骤一中获取的实例对象中心点为顶点构建狄洛尼三角网，将中心点作为图的节点，将狄洛尼三角网的边作为图的连接边，因此每张训练样本图像中多个建筑物实例对象构成的三角网分别形成一张图；

(a2)基于群组中建筑物多边形对象的位置分布、尺寸分布、方向分布、形状分布四类特征获得图节点的12项指标特征，其中位置分布特征即为建筑物实例对象的中心点，尺寸分布特征中包括建筑物实例的面积、周长、均半径3项指标，方向分布特征中包括建筑物实例最小外接矩形方向的主方向和建筑物墙方向的主方向这2项指标，形状分布特征中包括紧凑度、分形维度、延展度、凹度、重叠度、傅里叶形状描述子这6项指标；

(a3)基于对象全局信息的分割分支由5个图卷积层Grpah Conv组成，GraphConv1的输出通道为16，GraphConv2的输出通道为64，GraphConv3的输出通道为128，GraphConv4的输出通道为256，GraphConv5的输出通道为256，每个卷积层均采用修正线性单元激活；每个图节点包含了来自图形和图像的特征，其中图形的特征通过步骤(a2)计算得的，图像的特征即为深度图像语义特征图。

3.根据权利要求2所述的空间形态信息引导的高分遥感影像建筑物规则化提取方法，其特征在于：建筑物实例的均半径由其轮廓上的所有边界点到其中心点的平均距离计算而得：

其中d_j表示边界点j到中心点的距离；M为边界点的数量。

4.根据权利要求2所述的空间形态信息引导的高分遥感影像建筑物规则化提取方法，其特征在于：建筑物实例的紧凑度由其面积与周长间的二次关系计算而得：

分形维度(Fractality)、延展度(Elongation)、凹度(Concavity)、重叠度(Overlap_index)的计算分别为：

式中，L_sbr、W_sbr分别是建筑物实例最小外接矩形的长和宽；

式中，A_ch是建筑物实例凸壳(Convex Hull,CH)的面积；

式中，A_b∩eac、A_b∪eac分别是建筑物实例与其等面积圆(Equal Area Circle,EAC)的交集和并集的面积。