一种遥感影像建筑物精确分割方法技术

本发明专利技术公开了一种遥感影像建筑物精确分割方法，包括步骤：构建包括特征提取模块、空洞卷积模块、注意力模块、上采样模块与卷积预测模块的建筑物提取网络；基于训练样本集，采用Dice Loss与BCE Loss相结合的多尺度复合损失函数，对构建的建筑物提取网络进行训练；将待提取的遥感影像输入训练好的建筑物提取网络，得到建筑物提取结果。其显著效果是：特征学习，泛化能力强；网络复杂度低，易于训练；建筑物提取精度高。

【技术实现步骤摘要】
一种遥感影像建筑物精确分割方法
本专利技术涉及到遥感影像信息自动提取
，具体涉及一种遥感影像建筑物精确分割方法。
技术介绍
建筑物提取是遥感影像信息自动提取领域中的一个经典问题，它的主要目的是识别并提取遥感影像中的建筑物区域。建筑物提取的结果在许多领域中都有着广泛的应用，比如军事侦察、环境保护、地图制图和地理分析等等。因此，建筑物提取有着重要的研究价值。大多数的传统方法采用基于建筑物边缘线性特征的识别算法，这类方法具有简单高效的优点，但存在识别率较低、错误较多等缺陷。这类方法对建筑物阴影经常造成误判，而且对于大建筑表现欠缺。近年来的一些研究表明，基于卷积神经网络的深度学习技术可以被应用在遥感影像建筑物提取任务中。早期的一些方法主要是基于全卷积神经网络进行改进的，利用手工标注的遥感影像和端到端的训练，来替代手工设计特征的方法。然而，这种方法通常是从原图的1/8甚至1/16、1/32分辨率上采样到原图大小得到建筑物提取的二值分割图。由于分辨率的限制，这种方法通常很难捕捉影像的细节信息，导致对建筑物边缘区域识别不准确。<本文档来自技高网...

【技术保护点】
1.一种遥感影像建筑物精确分割方法，其特征在于包括如下步骤：/n步骤1：构建包括特征提取模块、空洞卷积模块、注意力模块、上采样模块与卷积预测模块的建筑物提取网络，其中：/n所述特征提取模块用于对输入遥感影像进行多尺度特征提取，获得多尺度特征图；/n所述空洞卷积模块用于采用空洞空间卷积池化金字塔结构，对多尺度特征图中的最底层特征图进行空洞卷积处理后输入注意力模块与上采样模块；/n所述注意力模块用于采用门控机制对多尺度特征图中其余每个尺度的特征图以及上采样模块输出的相对应尺度的特征图进行处理；/n所述上采样模块用于对空洞卷积模块与注意力模块输出的不同尺度的特征图进行上采样处理；/n所述卷积预测模块...

【技术特征摘要】
1.一种遥感影像建筑物精确分割方法，其特征在于包括如下步骤：
步骤1：构建包括特征提取模块、空洞卷积模块、注意力模块、上采样模块与卷积预测模块的建筑物提取网络，其中：
所述特征提取模块用于对输入遥感影像进行多尺度特征提取，获得多尺度特征图；
所述空洞卷积模块用于采用空洞空间卷积池化金字塔结构，对多尺度特征图中的最底层特征图进行空洞卷积处理后输入注意力模块与上采样模块；
所述注意力模块用于采用门控机制对多尺度特征图中其余每个尺度的特征图以及上采样模块输出的相对应尺度的特征图进行处理；
所述上采样模块用于对空洞卷积模块与注意力模块输出的不同尺度的特征图进行上采样处理；
所述卷积预测模块用于对所述空洞卷积模块与注意力模块输出的不同尺度的特征图进行卷积和预测，获得基于不同尺度的建筑物预测概率图；
步骤2：基于训练样本集，采用DiceLoss与BCELoss相结合的多尺度复合损失函数，对构建的建筑物提取网络进行训练；
步骤3：将待提取的遥感影像输入训练好的建筑物提取网络，得到建筑物提取结果。


2.根据权利要求1所述的遥感影像建筑物精确分割方法，其特征在于：步骤1中所述特征提取模块对输入遥感影像进行多尺度特征提取的具体过程如下：
将建筑物提取网络中去掉全连接层的预训练残差网络作为特征提取模块，通过卷积和逐步下采样操作，获得若干分辨率不同的多尺度特征图。


3.根据权利要求2所述的遥感影像建筑物精确分割方法，其特征在于：步骤1中获得的所述多尺度特征图的分辨率分别为和其中W和H分别代表原输入遥感影像图像的宽度和高度。


4.根据权利要求1所述的遥感影像建筑物精确分割方法，其特征在于：所述上采样模块包括一个二倍上采样操作和一个卷积操作。


5.根据权利要求1所述的遥感影像建筑物精...

【专利技术属性】
技术研发人员：丁忆，张泽烈，李朋龙，马泽忠，吴目宇，胡翔云，胡艳，肖禾，张觅，李晓龙，王亚林，林熙，焦欢，黄潇莹，彭婧，
申请(专利权)人：重庆市地理信息和遥感应用中心，武汉大学，
类型：发明
国别省市：重庆;50