一种基于CNN的建筑物掩膜轮廓矢量化的方法技术

本发明专利技术公开了一种基于CNN的建筑物掩膜轮廓矢量化的方法。该发明专利技术可以利用卷积神经网络提取建筑物掩膜轮廓，消除高大树木，道路等因素对建筑物轮廓的影响，提高对轮廓提取的精度，并最后通过矢量化的操作，对建筑物轮廓的周长，面积进行计算。本发明专利技术首先设计了一个层数为5的多尺度卷积神经网络，并在前两个最低尺度层引入Atrous卷积，分别学习划分出的多个样本的特征，之后利用高斯混合建模，获取不同样本混合的条件概率密度函数，再应用多尺度聚合建模策略，将特征图进行上采样得到包含建筑物的输出图像，最后将输入图像作为输入，在ArcGIS中进行栅格掩膜获得栅格数据，最后再进一步转化为矢量数据，并可以进行相应的运算。并可以进行相应的运算。并可以进行相应的运算。

【技术实现步骤摘要】
一种基于CNN的建筑物掩膜轮廓矢量化的方法


[0001]本专利技术属于计算机图像处理领域，是基于深度学习的方法实现建筑物掩膜轮廓矢量化。

技术介绍

[0002]高分辨率遥感影像中建筑物轮廓的提取一直是一个难题，尤其是当大片的林地对建筑物发生了遮挡，或者是道路的轮廓形状与建筑物相似，不利于我们人为辨别区分，这就对建筑物的提取和识别造成了一定程度上的困难，此外，由于城区屋顶材料和建筑物朝向的多样性，也给提取建筑物轮廓造成了较大的困难。然而，随着社会城市化的不断发展，获取详细的城镇建筑物轮廓图对于城镇规划，土地管理，发展制定等方方面面都有重要的意义。随着遥感技术地不断发展，我们能够便捷地获取各种高分辨率的遥感影像，这些高分辨率的遥感影像能为我们提供很多清晰的地物特征，例如，颜色，纹理，形状，位置等，为我们进一步研究建筑物轮廓的提取提供了数据源，然而，大范围的区域使用传统方法来提取建筑物的轮廓显然是不现实的，不仅浪费人力物力，且精度也难以达到我们的要求，随着深度学习在图像处理领域的迅速发展，将深度学习应用到建筑物轮廓的提取已成为了必然趋势。但是如何设计一个卷积神经网络，使其层次结构和参数设置达到最优依然是困扰许多学者的问题。本专利技术设计了一个层数为5层的多尺度的卷积神经网络，首先通过这5层卷积网络，获得建筑物、绿化带、道路三个样本的特征矢量集，再引入Atrous卷积加强对三个样本的学习，之后，采用混合高斯建模，求出噪声即绿化带和道路与建筑物之间的条件概率密度函数，最后结合特征图，采用多尺度聚合策略，逐步下采样还原出含有建筑物标签的特征图，将输出的特征图作为ArcGIS的输入，进行栅格掩膜获得建筑物掩膜轮廓图，最后再将栅格图像转化为矢量图像，并可以在矢量化的基础上进行面积，周长等的运算。

技术实现思路

[0003]本专利技术公开了一种基于CNN的建筑物掩膜轮廓矢量化的方法。该专利技术可以利用卷积神经网络提取建筑物掩膜轮廓，消除高大树木，道路等因素对建筑物轮廓的影响，提高对轮廓提取的精度，并最后通过矢量化的操作，对建筑物轮廓的周长，面积进行计算。本专利技术首先设计了一个层数为5的多尺度卷积神经网络，分别学习划分出来的建筑物、绿化带、道路三个样本的特征；第二步是在前两个最低尺度层引入Atrous卷积，Atrous卷积层由四个3
×
3的Atrous卷积和一个1
ꢀ×
1卷积组成，我们将Atrous卷积的学习速率分别设置为1、5、10、15，这是经过实验对比出来可以同时兼顾效率和精度的结果，这一步的目的是为了加强对上述三个样本的特征的学习；第三步利用高斯混合建模，获取不同样本混合的条件概率密度函数，通过这个条件概率密度可以计算出建筑物和噪声(绿化带和道路) 在特征图中的比例；第四步应用多尺度聚合建模策略，将获得的不同尺度的特征图进行聚合，将噪声与建筑物进行划分。将特征图逐步进行上采样恢复至原始尺寸，得到的特征图中包含建筑物的轮廓。最后将输入图像作为输入，在ArcGIS 中进行栅格掩膜获得栅格数据，最后再进一
步转化为矢量数据，这样就完成了建筑物掩膜轮廓矢量化，并可以在矢量化的基础上进行面积、周长等的计算。
[0004]本专利技术采用的技术方案是基于CNN的建筑物掩膜轮廓矢量化的方法，该方法包括：
[0005]步骤1：利用一个层数为5的卷积神经网络将城市高分辨率遥感图像划分为四类，分别为建筑物、绿化带、道路、其他杂类，将这四类物体将作为样本建立四个独立的样本库，分别为：样本A：建筑物，这是训练的正样本；样本B：绿化带；样本C：道路；样本D:其他杂类；样本B、样本C和样本D将作为噪声参与训练；
[0006]步骤1.1：将城市地区的高分辨率遥感影像输入一个多尺度的5层卷积网络中，通过第一层卷积神经网络进行第一次下采样，获得样本B绿化带的特征矢量集，并进行标注；
[0007]步骤1.2：将步骤1.1获得的含有绿化带特征矢量集的网络输入第二层卷积网络中，卷积过后获得含有道路样本的特征矢量集，再将道路样本标注出来；
[0008]步骤1.3：将步骤1.2获得的特征图输入到第三卷积层中，获得样本D其他杂类特征矢量集，并用标签对其进行标注；
[0009]步骤1.4：标记出前三类样本后，顺势提取出建筑物的特征矢量集，并用标签对其进行标注。
[0010]步骤2：将步骤1获得的划分了四个样本的特征矢量集进行输入第五层和第六层卷积两个最低尺度的卷积层中，加强对四个样本特征的学习。
[0011]步骤2.1：将步骤1获得的特征矢量集输入第五层卷积，在第五层卷积的后面引入一个Atrous卷积，将该层的4个卷积的学习速率设置为1、5、10和15，以及再加一个1
×
1卷积进行升维。最后获得加强特征学习的特征矢量集。
[0012]步骤3：将步骤2获得的四个样本的特征矢量集进行高斯混合建模，获得绿化带、道路、建筑物和其他杂类混合的条件概率密度函数。最终得到这几个样本在特征图中的比例，并将建筑物与噪声(道路、绿化带、其他杂类)进行划分。
[0013]步骤4：应用多尺度聚合的策略，将步骤3获得的条件概率密度函数结合步骤2 获得的特征图，逐步采用上采样，将影像还原至原始比例，直到最后一个特征图中含有建筑标签；
[0014]步骤5：将进行处理后的遥感影像图输入ArcGIS中进行中栅格掩膜获得建筑物轮廓的栅格数据；
[0015]步骤6：使用ArcGIS Pro将栅格数据转化成建筑物轮廓线的矢量数据。
[0016]与现有技术相比，本专利技术的有益效果是：
[0017](1)设计了5层卷积神经网络来提取建筑物、绿化带、道路四个样本的特征。
[0018](2)在卷积网络后面又引入Atrous卷积，加强对四个样本特征的学习。
[0019](3)使用高斯混合建模方法将噪声与建筑物进行区分。
[0020](4)采用多尺度聚合策略，加强建筑物特征的输出。
[0021](5)结合ArcGIS进行矢量化输出。
附图说明
[0022]图1为本专利技术的技术路线
[0023]图2为本专利技术的网络结构图。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN的建筑物掩膜轮廓矢量化的方法，其特征在于，包括以下步骤：步骤1：利用一个层数为5的卷积神经网络将城市高分辨率遥感图像划分为四类，分别为建筑物、绿化带、道路、其他杂类，将这四类物体将作为样本建立四个独立的样本库，分别为：样本A：建筑物，这是训练的正样本；样本B：绿化带；样本C：道路；样本D:其他杂类；样本B、样本C和样本D将作为噪声参与训练；步骤1.1：将城市地区的高分辨率遥感影像输入一个多尺度的5层卷积网络中，通过第一层卷积神经网络进行第一次下采样，获得样本B绿化带的特征矢量集，并进行标注；步骤1.2：将步骤1.1获得的含有绿化带特征矢量集的网络输入第二层卷积网络中，卷积过后获得含有道路样本的特征矢量集，再将道路样本标注出来；步骤1.3：将步骤1.2获得的特征图输入到第三卷积层中，获得样本D其他杂类特征矢量集，并用标签对其进行标注；步骤1.4：标记出前三类样本后，顺势提取出建筑物的特征矢量集，并用标签对其进行标注。步骤2：将步骤1获得的划分了四个样本的特征矢量集进行输入第五层和第六层卷积两个最低尺度的卷积层中，加强对四个样本特征的学习。步骤2.1：将步骤1获得的特征矢量集输入第五层卷积，在第五层卷积的后面引入一个Atrous卷积，将该层的4个卷积的学习速率设置为1、5、10和15，以及再加一个1
×
1卷积进行升维。最后获得加强特征学习的特征矢量集。步骤3：将步骤2获得的四...

【专利技术属性】
技术研发人员：罗欣，冯倩，林泽航，许文波，赫熙煦，郑进军，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：