【技术实现步骤摘要】
一种基于深度学习的高分辨率遥感影像建筑物提取方法
[0001]本专利技术涉及一种基于深度学习的高分辨率遥感影像建筑物提取方法。
技术介绍
[0002]提取建筑物的传统方法有很多,在影像处理中,一般认为灰度发生急剧变化的点即为边缘,边缘检测的过程就是找出影像中灰度剧烈变化的位置。针对建筑物的提取,首先需要根据遥感影像中不同地物目标边界的灰度值变化,通过使用边缘检测的算法来获取建筑物的边缘信息,然后通过空间关系对线段进行分组,再结合人的先验知识去完成建筑物的轮廓以及空间结构,进而实现对建筑物的提取。目前,基于区域分割的提取方法主要分为三种:一是基于区域生长的思想,其基于单个像素逐个进行合并,最终形成目标对象;二是以四叉树为代表的由整幅影像逐次向下分裂为小对象的分裂算法;三是以分水岭算法为代表,将标记后的区域的纹理特征作为合并准则,以局部区域同质性为分割基础的分割算法。这三种方法中,最常用的就是基于分水岭算法的区域分割方法,一些学者对该算法进行了一定的研究。近年来,随着计算机运算能力的提升以及深度学习的不断发展,越来越多的研究学者将深度学习应用到遥感领域中来,其中,卷积神经网络在深度学习中崭露头角,在遥感应用中广受欢迎,基于深度学习的建筑物提取方法开启了遥感影像信息提取的新纪元。
[0003]目前,有一种基于图像块的学习网络来实现对遥感影像的自动分割方法,其利用马萨诸塞州的道路数据集以及马萨诸塞州的建筑物数据集进行了实验,分别对三种模型即基础的神经网络模型、加了条件随机场的网络模型以及加了后处理的神经网络模型进行了 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的高分辨率遥感影像建筑物提取方法,其特征在于:所述方法通过以下步骤实现:基于基础网络结构U
‑
Net网络模型加入特征增强结构,构成编码器
‑
特征增强
‑
解码器的网络结构模型;之后,对加入了特征增强结构的网络结构模型的激活函数进行改进:将激活函数ReLU替换为ELU;设计与混合空洞卷积相结合的U
‑
Net++网络模型,进行建筑物提取;即:U
‑
Net++网络和扩张卷积相结合,并引入残差网络,获取联系上下文的特征信息;进行遥感影像建筑物提取的过程,包括训练阶段与测试阶段;训练阶段:利用反向传播与随机梯度下降算法对改进后的模型进行训练,之后,对训练后的模型进行验证与精度评价,根据验证结果反向传播,调整模型参数;之后,重复训练与调整参数,直至模型趋于稳定;测试阶段:使用测试集遥感影像数据对训练完毕的模型行进行测试;将它们依次输入到模型中进行建筑物提取,得到预测结果,根据地面真值数据对提取结果进行精度评价。2.根据权利要求1所述的一种基于深度学习的高分辨率遥感影像建筑物提取方法,其特征在于:所述的基于基础网络结构U
‑
Net网络模型加入特征增强结构,构成编码器
‑
特征增强
‑
解码器的网络结构模型的步骤中,(1)所述的U
‑
Net网络由编码器、解码器和跳跃连接组成,编码器下采样经过两次卷积后再次下采样,解码器上采样中使用反卷积并与对应大小的下采样特征跳跃连接,然后经过两次卷积后再反卷积;(2)所述的基于基础网络结构U
‑
Net网络模型加入特征增强结构的步骤中,编码器
‑
特征增强
‑
解码器结构主要包括:编码器部分、特征增强部分、解码器部分;该网络是一个端到端的网络模型,使用的激活函数为ReLU,该网络模型在训练过程中,从输入端输入影像数据,在输出端输出预测结果,中间部分的所有操作都位于神经网络内部,不将其分成多个模块进行处理;其中,编码器
‑
特征增强
‑
解码器网络结构模型在基础网络模型编码器
‑
解码器结构的基础上加入了特征增强结构,所述的特征增强结构具体如下:在网络结构的中间部分添加了空洞卷积以代替池化操作;以空洞卷积为基础,在网络结构的中间部分添加了特征增强结构,特征增强结构是一个串联与并联共存的网络结构,它将经过空洞率不一样的空洞卷积运算所得到的特征图使用串联和并联的方式连接;强部分的特征图,其通道数和尺寸大小取决于编码器中的运算,该结构中一共有四种空洞卷积运算,空洞率的大小分别为1、2、4、8,在大小为3
×
3的标准卷积上进行扩张后可分别得到大小为3
×
3、5
×
5、9
×
9、17
×
17的空洞卷积,对应每个特征图的感受野将分别是3、7、15、31,特征增强中最后输出特征图在第一个中间特征图上感受野大小为31
×
31;由空洞卷积操作获得的特征图,不会降低分辨率,由于具有不同空洞率的空洞卷积,因此通过该结构获得多尺度的特征信息,通过跳跃连接的方式将多尺度特征进行相加合并,从而实现了特征信息的增强。3.根据权利要求1或2所述的一种基于深度学习的高分辨率遥感影像建筑物提取方法,其特征在于:所述的对加入了特征增强结构的网络结构模型的激活函数进行改进的步骤为,在编码器
‑
特征增强
‑
解码器网络结构的基础上,对网...
【专利技术属性】
技术研发人员:陆相竹,孟上九,王淼,孙义强,
申请(专利权)人:哈尔滨理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。