一种基于深度学习的建筑物规则轮廓的提取方法及系统技术方案

本发明专利技术公开了一种基于深度学习的建筑物规则轮廓的提取方法及系统，包括：按照预设的获取规则，根据第一遥感影像，获取对应的初始建筑物轮廓，并根据初始建筑物轮廓，获得对应的最小外接矩形；分别计算初始建筑物轮廓的第一面积和最小外接矩形的第二面积，以获得第一面积和第二面积之间的第一比值；当第一比值大于等于第一预设值时，确定最小外接矩形为最终的提取结果；当第一比值小于第一预设值时，根据初始建筑物轮廓和最小外接矩形的交点，划分多个待测区域，并确定是否在最小外接矩形的基础上剔除各待测区域对应的最大内接矩形。本发明专利技术基于最小外接矩形和最大内接矩形的算法，对初始建筑物轮廓进行优化，以提升建筑物轮廓规则化提取的精度。则化提取的精度。则化提取的精度。

【技术实现步骤摘要】
一种基于深度学习的建筑物规则轮廓的提取方法及系统


[0001]本专利技术涉及图像处理
，尤其涉及一种基于深度学习的建筑物规则轮廓的提取方法及系统。

技术介绍

[0002]随着图像传感器技术的快速进步，人们对于遥感影像的获取难度逐渐降低，而影像的分辨率在不断提高，卫星遥感影像已经能轻松达到亚米级的地面分辨率。近年来，随着我国经济的快速发展，遥感影像的应用范围也不断扩大，包括土地变化检测、城市数据更新、防灾应急、城市规划、人口估计、地形图制作和更新等多个方面。因此，利用遥感影像进行建筑物识别和提取成为近年来遥感科学工作中的热点。
[0003]传统的建筑物提取方法主要分为两大类：一类是基于多光谱遥感影像的建筑物提取算法，主要是利用不同地物的光谱反射特性存在的差异性，通过多光谱遥感影像的波段计算出不同地物；另一类是全色影像或者RGB影像进行地物提取，主要是利用图像的几何特征、纹理头文字进行图像分割实现地物提取。然而，传统的建筑物提取算法容易受到季节天气变化、传感器质量以及建筑物风格等各种因素的影响，导致提取精度不够高，难以应用到实际生活中。因此实际生活中，大部分的建筑物提取方式仍然采用人工手动进行标注，耗费较多人力、财力，并且时间成本高，工作效率低。

技术实现思路

[0004]本专利技术提供了一种基于深度学习的建筑物规则轮廓的提取方法及系统，降低时间成本，并优化遥感影像对应的建筑物的轮廓，以提升建筑物轮廓规则化提取的精度。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种基于深度学习的建筑物规则轮廓的提取方法，包括：
[0006]按照预设的获取规则，根据第一遥感影像，获取对应的初始建筑物轮廓，并根据所述初始建筑物轮廓，获得所述初始建筑物轮廓对应的最小外接矩形；
[0007]分别计算所述初始建筑物轮廓的第一面积和所述最小外接矩形的第二面积，以获得所述第一面积和所述第二面积之间的第一比值；
[0008]当所述第一比值大于等于第一预设值时，确定所述最小外接矩形为最终的建筑物规则轮廓提取结果；
[0009]当所述第一比值小于所述第一预设值时，根据所述初始建筑物轮廓和所述最小外接矩形的交点，划分多个待测区域，并计算各所述待测区域的第三面积，然后根据各所述第三面积，确定是否在所述最小外接矩形的基础上剔除各所述待测区域对应的最大内接矩形，以获取最终的建筑物规则轮廓提取结果。
[0010]实施本申请实施例，可以根据第一遥感影像，获取模糊的初始建筑物轮廓，并基于最小外接矩形和最大内接矩形的优化算法，对所述初始建筑物轮廓进行规则化处理，以获得更为精准的建筑物规则轮廓。
[0011]进一步地，所述根据各所述第三面积，确定是否在所述最小外接矩形的基础上剔除各所述待测区域对应的最大内接矩形，以获取最终的建筑物规则轮廓提取结果，具体为：
[0012]计算所述第一面积和所述第二面积的差值，以获得各所述第三面积和所述差值之间的第二比值，并根据各所述第二比值和第二预设值的大小关系，确定最终的建筑物规则轮廓提取结果；
[0013]若当前所述第二比值大于等于第二预设值，则获取当前所述待测区域对应的最大内接矩形，并在当前所述最小外接矩形的基础上剔除所述最大内接矩形，获得更新后的最小外接矩形；
[0014]若当前所述第二比值小于第二预设值，则在当前所述最小外接矩形的基础上保留当前所述待测区域，获得更新后的最小外接矩形；
[0015]在完成对所有所述待测区域的处理并获得更新后的所述最小外接矩形之后，将当前所述最小外接矩形作为最终的建筑物规则轮廓提取结果。
[0016]实施本申请实施例，可以通过所述第二比值和所述第二预设值的大小关系，判断当前的所述待测区域的面积是否低于预设的可接受范围，即当前的所述待测区域是否在一定范围内可以忽略不计，不影响最终的建筑物规则轮廓提取结果，进而提升建筑物轮廓规则化提取的精度。
[0017]进一步地，所述按照预设的获取规则，根据第一遥感影像，获取对应的初始建筑物轮廓，并根据所述初始建筑物轮廓，获得所述初始建筑物轮廓对应的最小外接矩形，具体为：
[0018]将第一遥感影像输入至分割模型，提取所述第一遥感影像的特征，获得所述第一遥感影像对应的第一特征图；
[0019]对所述第一特征图进行多语义多尺度融合，得到所述第一特征图对应的第二特征图；
[0020]按照预设的规则，对所述第二特征图进行预测，得到对应的第一二值图像；
[0021]对所述第一二值图像依次进行腐蚀和膨胀的滤波预处理，得到对应的第二二值图像；其中，所述第二二值图像包含所述初始建筑物轮廓；
[0022]根据所述初始建筑物轮廓，获得所述初始建筑物轮廓对应的最小外接矩形。
[0023]实施本申请实施例，可以通过分割模型提取所述第一遥感影像的特征，并对提取到的特征进行预测，以实现对所述第一遥感影像的分割处理，并得到对应的所述第一二值图像。在得到所述第一二值图像之后，还可以对所述第一二值图像依次进行腐蚀和膨胀的滤波预处理，消除所述第一二值图像中的干扰噪声并填充其空洞点，最终得到对应的所述第二二值图像。
[0024]进一步地，在所述将第一遥感影像输入至分割模型，提取所述第一遥感影像的特征，获得所述第一遥感影像对应的第一特征图之前，还包括：
[0025]获取多个第二遥感影像，并根据各所述第二遥感影像，分别获取各所述第二遥感影像对应的二值图像；其中，一个所述第二遥感影像对应一个所述二值图像；
[0026]按照预设的样本图像参数，分别对各所述第二遥感影像和各所述二值图像进行随机裁剪，得到若干个所述第二遥感影像对应的样本图像，以及若干个所述二值图像对应的图像标签，并对所有所述样本图像和所有所述图像标签进行数据增强处理，以获得训练数
据集；其中，一个所述样本图像对应一个所述图像标签；
[0027]构建深度神经网络模型，并利用所述训练数据集对所述深度神经网络模型进行训练，得到分割模型。
[0028]实施本申请实施例，可以对各所述第二遥感影像和各所述二值图像进行随机裁剪，得到若干个样本图像和对应的图像标签，并对构成训练数据集的若干个样本图像和对应的图像标签进行数据增强处理，丰富训练数据集的数据数量和数据类型，使得训练得到的分割模型能够适应多种类型的遥感影像，增强模型的泛化能力。
[0029]为了解决相同的技术问题，本专利技术还提供了一种基于深度学习的建筑物规则轮廓的提取系统，包括：
[0030]预处理模块，用于按照预设的获取规则，根据第一遥感影像，获取对应的初始建筑物轮廓，并根据所述初始建筑物轮廓，获得所述初始建筑物轮廓对应的最小外接矩形；
[0031]计算模块，用于分别计算所述初始建筑物轮廓的第一面积和所述最小外接矩形的第二面积，以获得所述第一面积和所述第二面积之间的第一比值；
[0032]第一轮廓提取模块，用于当所述第一比值大于等于第一预设值时，确定所述最小外接矩形为最终的建筑物规本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的建筑物规则轮廓的提取方法，其特征在于，包括：按照预设的获取规则，根据第一遥感影像，获取对应的初始建筑物轮廓，并根据所述初始建筑物轮廓，获得所述初始建筑物轮廓对应的最小外接矩形；分别计算所述初始建筑物轮廓的第一面积和所述最小外接矩形的第二面积，以获得所述第一面积和所述第二面积之间的第一比值；当所述第一比值大于等于第一预设值时，确定所述最小外接矩形为最终的建筑物规则轮廓提取结果；当所述第一比值小于所述第一预设值时，根据所述初始建筑物轮廓和所述最小外接矩形的交点，划分多个待测区域，并计算各所述待测区域的第三面积，然后根据各所述第三面积，确定是否在所述最小外接矩形的基础上剔除各所述待测区域对应的最大内接矩形，以获取最终的建筑物规则轮廓提取结果。2.如权利要求1所述的一种基于深度学习的建筑物规则轮廓的提取方法，其特征在于，所述根据各所述第三面积，确定是否在所述最小外接矩形的基础上剔除各所述待测区域对应的最大内接矩形，以获取最终的建筑物规则轮廓提取结果，具体为：计算所述第一面积和所述第二面积的差值，以获得各所述第三面积和所述差值之间的第二比值，并根据各所述第二比值和第二预设值的大小关系，确定最终的建筑物规则轮廓提取结果；若当前所述第二比值大于等于第二预设值，则获取当前所述待测区域对应的最大内接矩形，并在当前所述最小外接矩形的基础上剔除所述最大内接矩形，获得更新后的最小外接矩形；若当前所述第二比值小于第二预设值，则在当前所述最小外接矩形的基础上保留当前所述待测区域，获得更新后的最小外接矩形；在完成对所有所述待测区域的处理并获得更新后的所述最小外接矩形之后，将当前所述最小外接矩形作为最终的建筑物规则轮廓提取结果。3.如权利要求1所述的一种基于深度学习的建筑物规则轮廓的提取方法，其特征在于，所述按照预设的获取规则，根据第一遥感影像，获取对应的初始建筑物轮廓，并根据所述初始建筑物轮廓，获得所述初始建筑物轮廓对应的最小外接矩形，具体为：将第一遥感影像输入至分割模型，提取所述第一遥感影像的特征，获得所述第一遥感影像对应的第一特征图；对所述第一特征图进行多语义多尺度融合，得到所述第一特征图对应的第二特征图；按照预设的规则，对所述第二特征图进行预测，得到对应的第一二值图像；对所述第一二值图像依次进行腐蚀和膨胀的滤波预处理，得到对应的第二二值图像；其中，所述第二二值图像包含所述初始建筑物轮廓；根据所述初始建筑物轮廓，获得所述初始建筑物轮廓对应的最小外接矩形。4.如权利要求3所述的一种基于深度学习的建筑物规则轮廓的提取方法，其特征在于，在所述将第一遥感影像输入至分割模型，提取所述第一遥感影像的特征，获得所述第一遥感影像对应的第一特征图之前，还包括：获取多个第二遥感影像，并根据各所述第二遥感影像，分别获取各所述第二遥感影像对应的二值图像；其中，一个所述第二遥感影像对应一个所述二值图像；
按照预设的样本图像参数，分别对各所述第二遥感影像和各所述二值图像进行随机裁剪，得到若干个所述第二遥感影像对应的样本图像，以及若干个所述二值图像对应的图像标签，并对所有所述样本图像和所有所述图像标签进行数据增强处理，以获得训练数据集；其中，一个所述样本图像对应一个所述图像标签；构建深度神经网络模型...

【专利技术属性】
技术研发人员：吴正文，高金顶，董雷勇，张恒，刘耿，
申请(专利权)人：广东国地资源与环境研究院，
类型：发明
国别省市：