[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

说明书

本发明公开了一种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，首先利用Mask‑RCNN基础骨架网络模型获取建筑物实例对象的深度图像语义特征图和初始轮廓预测，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；其次，联合CNN的深度语义特征与建筑物形态、结构认知参量特征利用GCNN对建筑物对象进行提取与边界规则化，其中GCNN包含两个分支：基于对象全局信息的分割分支和基于对象局部信息的边缘规则化分支；最后，通过金字塔池模块聚集来自CNN解码器的图像语义特征和来自GCNN双分支的空间分布结构特征和边缘空间形态特征，引入正则化优化函数补充交叉熵函数对建筑物对象几何描述的一致性，提供高精度的城市建筑物规则化矢量提取结果。

技术领域

本发明涉及遥感应用技术领域，尤其是涉及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。

背景技术

建筑物作为构成城市空间的主要物质要素，其多边形地理对象的规则矢量化表示是城市规划与管理、数字制图、城市建模等大量遥感和地理信息下游应用任务中的数据分析依据。近年来，在深度学习网络和算力的支持下，基于高分辨率俯角遥感影像的单栋建筑物屋顶语义分割取得了长足的进步，并以U-Net为基础骨架网络构建了大量基于编码器-解码器结构的卷积神经网络(Convolutional Neural Network,CNN)模型，大幅提高了遥感影像中建筑物目标提取的准确率。城市中的人工建筑物形式大多包含鲜明的直线和直角，形成的建筑物群组也呈现出典型的排列、分布模式。这些空间形态和分布特征在以往基于边缘检测、角点检测的建筑物提取研究中表现为基于统计学的形态学描述指标及其复杂组合，使其算法精度、普适性和效率都被CNN迅速超越。

单要素二值分割模型通过对逐像素进行分类判断提供像素级分割结果，不会考虑对象级几何结构特征，并且经深度网络中卷积、池化运算损失的空间位置细节信息即便经解码器恢复，其还原程度仍然有限，生成模糊、不平整的不规则建筑物边界，与真实人工建筑物外观构造和制图所需建筑物数据需求相差较大，在应用衔接中出现断层。一些面向分割结果的边界约束后处理算法也因此陆续被提出，但非端到端的处理流程致使其很大程度上取决于分割结果的数据质量，没有迭代、学习的优化能力也会导致精度的降低，处理海量数据时效率也受到较大限制。因此，如何以端到端的方式直接预测规则化的城市建筑物对象多边形矢量轮廓是联结数据生产与应用分析的关键纽带。

此外，CNN应用于图形的空间深度特征提取时效果不佳，这是因为CNN的优越性在于二维欧氏空间图像数据的纹理、光谱、抽象语义特征提取，但无法挖掘不规则图形数据结构的几何信息，基于拓扑结构的图卷积神经网络(Graph Convolutional Neural Network,GCNN)则是对抽象图形节点(nodes)、边(edge)及图(graph)的嵌入表示进行特征提取的利器；单栋建筑物的边界轮廓及建筑物群的结构模式恰恰天然形成了图结构，轮廓边界顶点或是建筑物分割对象可抽象为节点，图网络中节点描述特征及相邻节点间的信息传递可为边界的精确定位提供了可学习的局部与全局空间深度特征。

因此，如何科学且全面建立建筑物的空间形态、分布特征定量化表示输入GCNN，以有效地描述节点特征的相似性与差异性、描述节点间的空间关系复杂度，在获取准确位置的同时实现边界的规则与平滑，是高分遥感影像建筑物规则化提取的关键问题。利用图卷积神经网络进行建筑物规则化提取的目的是将呈锯齿状、破碎化的斑点状建筑物对象优化为精确、简洁的规则、完整的建筑物对象，提升遥感影像对象提取包含的空间形态信息量，衔接上游建筑物要素数据生产与下游制图综合等应用任务。

发明内容

为了解决上述技术问题，本发明采取GCNN联合CNN的策略，利用Mask-RCNN模型获取建筑物实例对象的深度图像语义特征图和初始轮廓预测，基于建筑物的空间分布、形态定量描述指标作为“对象分割-边缘规则化”双分支GCNN模型的向量输入，最后通过金字塔池模块聚集来自CNN解码器的图像语义特征和来自GCNN双分支的空间分布结构特征和边缘空间形态特征，引入正则化优化函数补充交叉熵函数对建筑物对象几何描述的一致性，输出高精度的城市建筑物规则化矢量结果。