一种基于高空间分辨率光学遥感图像的建筑物实例自动提取方法技术

本申请属于数据处理技术领域，特别是涉及一种基于高空间分辨率光学遥感图像的建筑物实例自动提取方法。目前基于Mask R‑CNN模型相关方法研究通常面临复杂城市环境中建筑物外观和尺度极端变化挑战。本申请提供了一种基于高空间分辨率光学遥感图像的建筑物实例自动提取方法，所述方法包括如下步骤：1)自动预处理二值标注图像得到COCO注释数据；2)输入光学遥感图像，构建语义特征金字塔；3)根据所述语义特征金字塔筛选有建筑物的区域，对所述区域进行筛选生成候选建筑物边界框；4)根据所述边界框补充全局空间信息，预测建筑物边界框准确位置，预测建筑物掩码覆盖区域。显著提升建筑物实例提取自动进程和泛化能力。

【技术实现步骤摘要】
一种基于高空间分辨率光学遥感图像的建筑物实例自动提取方法
本申请属于数据处理
，特别是涉及一种基于高空间分辨率光学遥感图像的建筑物实例自动提取方法。
技术介绍
从遥感图像中自动提取大范围、高精度、周期性建筑物屋顶信息是城市规划、人口估计、环境监测、灾害响应等应用研究的迫切需要。鉴于遥感成像原理差异，地物种类和细节丰富，场景结构和分布复杂，建筑外观和尺度多样，如何准确、高效地从高分辨率遥感图像中自动提取建筑物长期是遥感图像分析领域的前沿课题。传统方法需要专家根据经验设计恰当的建筑特征表示(如边缘和阴影、颜色和形状、光谱和上下文、语义和高度等)再结合相应算法识别和提取屋顶。鉴于许多复杂多变因素(如光照、大气条件、季节、传感器质量、建筑外观和规模、环境等)都可能影响人工设计特征表示，传统方法通常只能处理较小地域范围内的特定数据，其准确性和效率性难以满足不同任务和实际应用需求。近年深度学习方法凭借卷积神经网络(CNN)自动学习多层特征表示的能力逐渐超越人工设计特征的传统方法，发展成为一种更具自动化和稳健性的建筑物提取方案。本文档来自技高网...

【技术保护点】
1.一种基于高空间分辨率光学遥感图像的建筑物实例自动提取方法，其特征在于，所述方法包括如下步骤：/n1)自动预处理二值标注图像得到COCO注释数据；/n2)输入光学遥感图像，构建语义特征金字塔；/n3)根据所述语义特征金字塔筛选有建筑物的区域，对所述区域进行筛选生成候选建筑物边界框；/n4)根据所述边界框补充全局空间信息，预测建筑物边界框准确位置，预测建筑物掩码覆盖区域。/n

【技术特征摘要】
1.一种基于高空间分辨率光学遥感图像的建筑物实例自动提取方法，其特征在于，所述方法包括如下步骤：
1)自动预处理二值标注图像得到COCO注释数据；
2)输入光学遥感图像，构建语义特征金字塔；
3)根据所述语义特征金字塔筛选有建筑物的区域，对所述区域进行筛选生成候选建筑物边界框；
4)根据所述边界框补充全局空间信息，预测建筑物边界框准确位置，预测建筑物掩码覆盖区域。


2.如权利要求1所述的基于高空间分辨率光学遥感图像的建筑物实例自动提取方法，其特征在于，所述步骤1)预处理包括将标注图像转化为用来进行图像识别的轻量级JSON数据，清洗无建筑物的标注图像。


3.如权利要求1所述的基于高空间分辨率光学遥感图像的建筑物实例自动提取方法，其特征在于，所述步骤2)通过高分辨率网络提取高分辨率特征并构建语义特征金字塔；所述高分辨率网络包括1组高分辨率卷积网络和3组低分辨率卷积网络经4个阶段并行连接，低分辨率特征经双线性插值被上采样为高分辨率特征后，4种分辨率混合特征通过平均池化被下...

【专利技术属性】
技术研发人员：李军，刘小雪，陈一平，马凌飞，李海峰，
申请(专利权)人：中央财经大学，
类型：发明
国别省市：北京;11