一种基于机器学习的航空影像建筑物轮廓提取方法技术

本发明专利技术公开了一种基于机器学习的航空影像建筑物轮廓提取方法，包括：步骤一：制作航空影像建筑物轮廓数据集；步骤二：将数据集输入到Self

A method of building contour extraction from aerial images based on machine learning

【技术实现步骤摘要】
一种基于机器学习的航空影像建筑物轮廓提取方法


[0001]本专利技术涉及计算机视觉三维图像重建
，具体地说是一种基于机器学习的航 空影像建筑物轮廓提取方法。

技术介绍

[0002]随着数字城市、智慧城市的深入建设发展，人们对于地理信息数据的需求越来越精 细，更新速度日益加快。不论是从表达形式还是数据制作速度，传统的地理信息数据制 作流程已经满足不了当前社会需要。基于新型测绘的硬件装备和技术方法正在不断的更 新，对于数据的制作在时间和精度上提出了更高的要求。当前，基于图形学研发的倾斜 摄影测量软件只能满足视觉观看，却无法满足数据应用的需求。而智慧城市所应用的单 体化数据制作中很多软件依赖于建筑物轮廓线，根据轮廓线的建筑物提取分离，在智慧 城市的构建过程中会涉及到，对于智慧城市精细化有很大的提升。有助于智慧城市从 Mesh到单体化的全自动建模，有助于智慧城市更好的表达各个部件和结构，使城市的 智慧决策有载体可依。
[0003]如何获取更加精准的建筑物轮廓以及获取建筑物更多的信息，并结合人工智能的新 技术，成为测绘行业普遍的话题。人工智能在测绘行业的应用潜力巨大，如何实现更宽 领域的覆盖，更高效能的应用，成为人工智能未来发展的关键。
[0004]在国家基础地理信息的发展中，城市建筑物信息化的实现至关重要，城市建筑物信 息化水平的高低会影响数字城市建设、土地利用调查等工作的效率。传统意义上的测绘 方法在城市建筑物的提取方面具有精度高的优势，但是传统测绘大多借助于人工测量， 所以存在工作效率低，工作成本高等缺点，已经无法满足目前城市建筑信息化的工作要 求。随着新技术的不断发展，加速传统人工作业向机器学习的转变，进一步优化作业流 程，提高工作效率，使测绘行业更好的适应社会的发展。作为一个新兴技术，机器学习 正在以蓬勃的生机应用于各行各业，尤其是测绘行业的发展，更需要新技术手段的支持。 虽然基于高分辨率遥感影像与深度神经网络融合的建筑物提取结果表现良好，但是利用 改进深度神经网络结构来提高建筑物提取精度的研究尚有很大的发展空间。
[0005]国内外的研究方向主要利用图像特征和深度学习这两种方法对遥感影像中建筑物 的轮廓进行提取。图像特征主要是根据图形的梯度、建筑物轮廓的特征、基于分水岭原 理、基于形态学变换和利用角点检测提取建筑物轮廓等方法的研究，而深度学习主要是 利用卷积神经网络及其延伸的模型在不同的框架中进行实验，通过对模型的修改和调 优，从而获取到理想的数据结果。所使用到的方法包括基于纯影像的提取和多源数据融 合提取，多源数据包含有影像，点云和DSM等不同种类，根据数据的特征利用不同的方 法，获取到不同的数据结果，不论是机器学习还是全自动图像分割，都可以实现对数据 中建筑的轮廓提取。

技术实现思路

[0006]本专利技术之目的是弥补上述之不足，向社会公开一种基于机器学习的航空影像建筑物 轮廓提取方法，实现了一种高效准确制作数据集的方法，同时优化了一种提取建筑物轮 廓的机器学习方法，从而将现有测绘的成果和新技术很好的结合起来并高效准确制作数 据样本。
[0007]本专利技术的技术方案是这样实现的：
[0008]一种基于机器学习的航空影像建筑物轮廓提取方法，包括以下步骤：
[0009]步骤一：制作自定义分辨率航空影像建筑物轮廓数据集；
[0010]步骤二：将数据集输入到Self
‑
net模型中进行训练，Self
‑
net模型包括四组下采样块 和四组上采样块，训练过程包括：
[0011]将数据集输入到的上采样块中，实现数据的降采样，下采样块中每组通过池化层进 行连接，对数据进行特征提取，用池化所得到的数据作为下一个下采样块的输入，对数 据进行多次连续下采样；对下采样块最后输出数据进行上采样操作，上采样中每组通过 一次卷积进行相连，将每一个的输出作为下一个层的输入进行相关联，对模型从输入到 输出形成一个闭合环，对模型进行组合将模型形成一个端到端的处理流程；
[0012]步骤三：将步骤二获取结果进行验证，计算模型的损失值，最终与真实值进行对比 计算，将误差传播回模型，重复步骤二，从而不断的更新模型，进行往复的学习；
[0013]步骤四：最终模型对数据进行卷积分类，将数据输出展示。
[0014]所述步骤二中，所述下采样块主要是由卷积层、激活层、归一化处理层三个层构成， 将三个层进行两次组合，所述的两次组合是按照卷积层、激活层、归一化处理层、卷积 层、激活层、归一化处理层的顺序先后排列的，在不同代码块中对于模型的输入输出做 降维处理。
[0015]进一步优化本技术方案的措施是：
[0016]作为改进，所述的卷积层在卷积采样时，采用padding＝(1，1)和stride＝(1，1)的 结构，利用kernel_size＝(3，3)卷积核进行逐个像素级别的卷积。
[0017]作为改进，所述的步骤二中，池化过程采用池化函数，池化函数使用的是最大池化 函数，最大池化层则用来降低卷积层对位置的敏感性，使得对于特征相似的数据降低位 置的权重。
[0018]作为改进，所述步骤二中，所述的上采样块主要由上采样层、跳跃连接层和一个下 采样块构成，通过对数据进行反卷积应用使模型实现图像扩充，最终将图形从特征图块 变换成与原始输入数据大小一致的图形，然后将成果与下采样对应的成果进行跳跃连 接，再经过一次下采样块操作，获取对应的多级特征卷积结果，为下一步运算作为原始 数据。
[0019]作为改进，所述的步骤二中，在上采样的过程中，Self
‑
net模型所使用的连接层采 用了Relu函数作为激活层，将数据非线性表达的特征很好的保存，使得模型对于图像 特征能够很大程度上进行传递。
[0020]作为改进，所述的步骤三中，在输出环节采用了将上采样不同层数据进行连接的方 式，形成与输入数据大小一样的过渡数据，从而参与后续的损失计算。
[0021]作为改进，所述步骤四中，在输出环节采用了sigmoid交叉熵函数作为分类器。
[0022]作为改进，所述的步骤一包括以下操作：
的下采样的卷积、激活和归一化处理各减少一个，然后使用其跳跃连接层，来提升数据 特征的存在，同时将多层结构进行交叉计算，减少数据特征的丢失，从而尽可能的保证 数据特征的完整性，同时在计算损失时使用交叉熵计算，将多层级的结果输出作为特征 进行交叉验证，反向计算更新参数。
附图说明
[0052]图1为数据集制作流程图；
[0053]图2为Self
‑
net模型流程图；
[0054]图3为下采样块流程图；
[0055]图4为上采样块流程图；
[0056]图5为前后向传播流程图；
[0057]图6为不同迭代次数效果图；
[0058]图7为Self
‑
net模型精度图；
[0059]图8为Self
‑
ne本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的航空影像建筑物轮廓提取方法，其特征是：包括以下步骤：步骤一：制作自定义分辨率航空影像建筑物轮廓数据集；步骤二：将数据集输入到Self
‑
net模型中进行训练，Self
‑
net模型包括四组下采样块和四组上采样块，训练过程包括：将数据集输入到的上采样块中，实现数据的降采样，下采样块中每组通过池化层进行连接，对数据进行特征提取，用池化所得到的数据作为下一个下采样块的输入，对数据进行多次连续下采样；对下采样块最后输出数据进行上采样操作，上采样中每组通过一次卷积进行相连，将每一个的输出作为下一个层的输入进行相关联，对模型从输入到输出形成一个闭合环，对模型进行组合将模型形成一个端到端的处理流程；步骤三：将步骤二获取结果进行验证，计算模型的损失值，最终与真实值进行对比计算，将误差传播回模型，重复步骤二，从而不断的更新模型，进行往复的学习；步骤四：最终模型对数据进行卷积分类，将数据输出展示。2.根据权利要求1所述的一种基于机器学习的航空影像建筑物轮廓提取方法，其特征是：所述步骤二中，所述下采样块主要是由卷积层、激活层、归一化处理层三个层构成，将三个层进行两次组合，所述的两次组合是按照卷积层、激活层、归一化处理层、卷积层、激活层、归一化处理层的顺序先后排列的，在不同代码块中对于模型的输入输出做降维处理。3.根据权利要求2所述的一种基于机器学习的航空影像建筑物轮廓提取方法，其特征是：所述的卷积层在卷积采样时，采用padding＝(1，1)和stride＝(1，1)的结构，利用kernel_size＝(3，3)卷积核进行逐个像素级别的卷积。4.根据权利要求1所述的一种基于机器学习的航空影像建筑物轮廓提取方法，其特征是：所述的步骤二中，池化过程采用池化函数，池化函数使用的是最大池化函数。5.根据权利要求1所述的一种基于机器学习的航空影像建筑物轮廓提取方法，其特征是：所述步骤二中，所述的上采样块主要由上采样层、跳跃连接层和一个下采样块构成，通过对数据进行反卷积应用使模型实现图像扩充，最终将图形从特征图块变换成与原始输入数据大小一致的图形，然后将成果与下采样对应的成果进行跳跃连接，再经过一次下采样块操作，获取对应的多级特征卷积结果，为下一步运算作为原始数据...

【专利技术属性】
技术研发人员：沈立祥，王正虎，王亚章，秦江涛，孙佳龙，于浩，夏天钰，王秋雅，骆剑波，袁淑婷，
申请(专利权)人：宁波上航测绘有限公司，
类型：发明
国别省市：