一种多层特征解耦的光学遥感图像建筑物提取方法技术

本发明专利技术公开了一种多层特征解耦的光学遥感图像建筑物提取方法。本发明专利技术首先利用多层特征解耦网络提取建筑物多尺度特征并进行分解，获得更稳定的语义主体特征和不确定的语义边界特征；然后基于语义主体特征和不确定的语义边界特征的不同，采用双流语义特征描述网络采用不同的方式进行逐步融合，加深强语义区域中深层特征中的语义表示，并保留弱语义区域中更多的细节信息；最后利用多任务监督方法，在保证建筑物主体部分完整性的同时提高建筑物边缘精确性，实现高分辨率光学遥感图像建筑物的高性能提取。本发明专利技术能够显著提高对高分辨率光学遥感图像建筑物的提取效果，可实现复杂环境中的不同尺度、不同空间分布的建筑物的精确提取。取。取。

【技术实现步骤摘要】
一种多层特征解耦的光学遥感图像建筑物提取方法


[0001]本专利技术涉及遥感图像处理、建筑物提取
，具体涉及一种多层特征解耦的光学遥感图像建筑物提取方法。

技术介绍

[0002]建筑物提取在城市规划、违规建筑监测、地理信息勘测等方面发挥着重要作用。随着高分辨率光学遥感图像的快速发展，有越来越多的数据可用作建筑物提取。但当面对海量的光学遥感数据时，人工提取建筑物是一项耗时耗力的工作，这就需要一种自动且高效的建筑物提取算法来解决这个问题。建筑物在不同的环境中呈现处不同的形态、空间分布，同时，受成像条件限制，建筑物可能与周围环境存在较低的对比度，这些都会给建筑物的精确提取带来挑战。面对愈发复杂的建筑物提取任务，依靠建筑物本身的光谱、形状、颜色、纹理以及阴影等特征的传统方法已经不能满足人们的实际需要。随着深度学习的不断发展，具备强大的特征提取和泛化学习能力的卷积神经网络已被越来越广泛的应用于建筑物提取的任务中，自动建筑物提取算法的性能得到了显著提升。
[0003]为更好地从复杂环境中精确提取建筑物，许多研究通过提高语义特征描述能力来提升建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多层特征解耦的光学遥感图像建筑物提取方法，其特征在于，包括：步骤一、对光学遥感图像进行多尺度特征提取，得到不同尺度的多层特征图；步骤二、对步骤一得到的特征图进行特征分解，具体为：以相邻的浅层特征图为参考，利用特征流场计算相邻的深层特征图中各特征的偏移量；基于所述偏移量矫正深层特征图，得到代表建筑物主体部分的强语义区域中更稳定的语义主体特征；然后利用减法操作，得到深层特征图中代表建筑物边缘部分的弱语义区域中不确定的语义边界特征；步骤三、分别逐层融合步骤二得到的多组更稳定的语义主体特征和不确定的语义边界特征，得到多个像素级预测图；其中，强语义区域由深至浅进行特征融合，弱语义区域由浅至深进行融合；步骤四，利用多任务监督方法，基于多任务联合损失函数对步骤三得到的多个像素级预测图分别进行监督学习，完成建筑物提取。2.如权利要求1所述的方法，其特征在于，所述步骤一中，采用AlexNet、VGGNet、ResNet、ResNeXt或DenseNet网络对光学遥感图像进行特征提取。3.如权利要求1所述的方法，其特征在于，所述步骤二，具体包括如下子步骤：S2.1，特征预处理：记F,F
′
为相邻两个特征层的相对浅层特征和相对深层特征；将深层特征变化为与浅层特征F相同的尺寸大小，记作F
″
；S2.2，生成特征流场：将S2.1得到的深层特征F
″
与浅层特征F级联起来并进行卷积，得到流场δ；S2.3，生成强语义区域中的更稳定的语义主体特征：根据流场δ，得到深层特征图F
″
中每个特征对应的偏移量；基于所述偏移量矫正深层特征图F
″
，得到构成强语义区域中的更稳定的语义主体特征F
′
MainBody
；S2.4，生成弱语义区域中的不确定的语义边界特征：利用减法操作，从深...

【专利技术属性】
技术研发人员：庄胤，李健昊，董珊，陈禾，陈亮，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：