本发明专利技术涉及建筑物精细识别技术领域，且公开了一种基于深度学习的建筑物精细识别方法，包括以下步骤：a、图像获取：通过无人机航空影像获取的包含建筑物的遥感影像；该种基于深度学习的建筑物精细识别方法，采用遥感影像，利用深度学习的方法对遥感影像进行建筑物的智能解译提取，实现全智能无人工干预的精准识别解译，达到省时省力的目的；采用明确的判定准则可使深度学习提取算法结果精度更加准确；通过引入DCL分支来自动学习判别区域，首先破坏输入图像以强调有判别性的局部细节，然后对局部区域之间的语义相关性建模以重建图像，DCL自动定位判别区域，因此在训练时不需要额外的标注。标注。标注。
【技术实现步骤摘要】
一种基于深度学习的建筑物精细识别方法
[0001]本专利技术涉及建筑物精细识别
，具体为一种基于深度学习的建筑物精细识别方法。
技术介绍
[0002]建筑物作为重要的地物类型之一，从遥感影像准确识别建筑物可以为土地管理、城市规划等政府部门开展土地利用现状调查和宏观规划等工作提供重要决策支持，其在智慧城市建设、农村违法建房占用耕地的检测、以及军事侦察等多个领域都有着重要的应用。
[0003]现有的一类精细识别方法是首先定位有判别性的目标局部区域，然后根据这些判别区域进行分类，这种两步法需要在目标或目标局部上添加额外的边界框标注，这些标注的成本往往都很高。
技术实现思路
[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种基于深度学习的建筑物精细识别方法，解决了
技术介绍
提出的问题。
[0006](二)技术方案
[0007]为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的建筑物精细识别方法，包括以下步骤：
[0008]a、图像获取：通过无人机航空影像获取的包含建筑物的遥感影像。
[0009]b、重建图像：基于DCL图像破坏算法，破坏原始图像，以强调有判别性的局部区域的细节，对局部区域之间的语义相关性建模以重建图像，使网络基于判别性的局部细节对重建图像进行分类。
[0010]c、数据提纯：
[0011](1)、获取影像数据集，并对影像数据集中的影像进行批量裁切处理，删除像素全为背景的样本，获得初始样本集；
[0012](2)、采用增强型形态学建筑物指数EMBI与大津阈值法，对初始样本集进行精化提纯与迭代筛选，获得所需训练样本集根据先前做好的分类。
[0013]d、深度学习：
[0014](1)、建立深度学习模型；
[0015](2)、用训练样本对模型进行训练；
[0016](3)、检测样品识别。
[0017]e、提取结果进行精度验证。
[0018]优选地，在步骤b中，包括以下步骤：
[0019](1)、给定原始图像I，首先将图像均匀地划分为N
×
N个子区域，每个子区域由Ri，j表示，其中i，j分别是水平和垂直索引，1≤i， j≤N；
[0020](2)，将子区域Ri，j的局部区域混合在它们的2D邻域中，对于第j行的子区域，会生成长度为N的随机向量数列qj，其中，第i 个元素qj，i＝i+r，是服从均匀分布的随机变量，k是定义邻域范围的可调参数(1≤k＜N)；
[0021](3)，通过对随机向量数列qj重新排序得到第j行区域的新排列这样就把原始图像中的区域坐标由(i，j)转换到了σ(i，j)，以重建图像。
[0022]优选地，在步骤c的(1)中，初始样本集的获取步骤为：获取建筑物地表真值，并对比影像和建筑物地表真值，利用滑动窗口批量切割样本，且删除像素全为背景的样本，得到初始样本集。
[0023]优选地，在步骤c的(2)中，初始样本集进行样本精化提纯与迭代筛选的具体步骤如下：对初始样本集中每个样本，计算样本影像每个波段的增强型形态学建筑物指数EMBI；采用大津阈值法对计算获得的EMBI灰度图进行分割，得到建筑物二值栅格图；将建筑物二值栅格图和选取样本对应的建筑物地表真值进行对比，计算建筑物的交并比；筛选出交并比大于预设阈值的样本，获得训练样本集。
[0024]优选地，在步骤d的(3)中，包括以下步骤：
[0025](1)、获取至少一遥感影像作为待提取河网区域的遥感影像，检测样本由待提建筑物区域的遥感影像通过网格分割法分割得到；所述网格分割法采用多种分割方式，将影像分割为多个大小为m行m列的子矩阵，得到多个m
×
m
×
2张量；将每个m
×
m
×
2张量作为一个检测样本；
[0026](2)、通过训练好的模型进行分类识别；将每一个检测样本数据放入训练好的模型进行分类识别，得到识别结果，由此识别得到建筑物或非建筑物，表示为1或0。
[0027](三)有益效果
[0028]与现有技术对比，本专利技术具备以下有益效果：
[0029]1、该种基于深度学习的建筑物精细识别方法，通过引入DCL分支来自动学习判别区域，首先破坏输入图像以强调有判别性的局部细节，然后对局部区域之间的语义相关性建模以重建图像，DCL自动定位判别区域，因此在训练时不需要额外的标注。
[0030]2、该种基于深度学习的建筑物精细识别方法，采用遥感影像，利用深度学习的方法对遥感影像进行建筑物的智能解译提取，实现全智能无人工干预的精准识别解译，达到省时省力的目的。
[0031]3、该种基于深度学习的建筑物精细识别方法，采用明确的判定准则可使深度学习提取算法结果精度更加准确。
附图说明
[0032]图1为本专利技术整体俯视结构示意图。
具体实施方式
[0033]为使对本专利技术的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。
[0034]一种基于深度学习的建筑物精细识别方法，包括以下步骤：
[0035]a、图像获取：通过无人机航空影像获取的包含建筑物的遥感影像。
[0036]b、重建图像：基于DCL图像破坏算法，破坏原始图像，以强调有判别性的局部区域的细节，对局部区域之间的语义相关性建模以重建图像，使网络基于判别性的局部细节对重建图像进行分类。
[0037]c、数据提纯：
[0038](1)、获取影像数据集，并对影像数据集中的影像进行批量裁切处理，删除像素全为背景的样本，获得初始样本集；
[0039](2)、采用增强型形态学建筑物指数EMBI与大津阈值法，对初始样本集进行精化提纯与迭代筛选，获得所需训练样本集根据先前做好的分类。
[0040]d、深度学习：
[0041](1)、建立深度学习模型；
[0042](2)、用训练样本对模型进行训练；
[0043](3)、检测样品识别。
[0044]e、提取结果进行精度验证。
[0045]在步骤b中，包括以下步骤：
[0046](1)、给定原始图像I，首先将图像均匀地划分为N
×
N个子区域，每个子区域由Ri，j表示，其中i，j分别是水平和垂直索引，1≤i， j≤N；
[0047](2)，将子区域Ri，j的局部区域混合在它们的2D邻域中，对于第j行的子区域，会生成长度为N的随机向量数列qj，其中，第i 个元素qj，i＝i+r，是服从均匀分布的随机变量，k是定义邻域范围的可调参数(1≤k＜N)；
[0048](3)，通过对随机向量数列qj重新排序得到第j行区域的新排列这样就把原始图像中的区域坐标由(i，j)转换到了σ(i，j)，以重建图像。
[0049]在步骤c的(1)中，初始样本集的获取步骤为：获取建筑物地表真值，并对比本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的建筑物精细识别方法，其特征在于，包括以下步骤：a、图像获取：通过无人机航空影像获取的包含建筑物的遥感影像。b、重建图像：基于DCL图像破坏算法，破坏原始图像，以强调有判别性的局部区域的细节，对局部区域之间的语义相关性建模以重建图像，使网络基于判别性的局部细节对重建图像进行分类。c、数据提纯：(1)、获取影像数据集，并对影像数据集中的影像进行批量裁切处理，删除像素全为背景的样本，获得初始样本集；(2)、采用增强型形态学建筑物指数EMBI与大津阈值法，对初始样本集进行精化提纯与迭代筛选，获得所需训练样本集根据先前做好的分类。d、深度学习：(1)、建立深度学习模型；(2)、用训练样本对模型进行训练；(3)、检测样品识别。e、提取结果进行精度验证。2.根据权利要求1所述的一种基于深度学习的建筑物精细识别方法，其特征在于，在步骤b中，包括以下步骤：(1)、给定原始图像I，首先将图像均匀地划分为N
×
N个子区域，每个子区域由Ri，j表示，其中i，j分别是水平和垂直索引，1≤i，j≤N；(2)，将子区域Ri，j的局部区域混合在它们的2D邻域中，对于第j行的子区域，会生成长度为N的随机向量数列qj，其中，第i个元素qj，i＝i+r，是服从均匀分布的随机变量，k是定义邻域范围的可调参数(1≤k＜N)；(3)，通过对随机向量数列qj重新排序得到第j行区域的新排列这样就把原始图像中的区域坐标由(i，j)转换到了σ(i，j)，以重建图像。3.根据...
【专利技术属性】
技术研发人员：常乐，梁凯燕，成屹恒，成璇凝，吴登峰，
申请(专利权)人：电子科技大学，
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。