基于超像素与图卷积的高分辨率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基于超像素与图卷积的高分辨率遥感图像建筑物提取方法，方法以下步骤：获取高分辨率遥感图像以及相应的标签图像，进行预处理，得到预处理结果；将预处理结果输入至训练好的超像素分割网络，最终得到超像素特征；通过超像素特征构建图的节点特征，根据图的节点特征和节点的边构造得到图；将构造得到的图送入到待训练的拓扑图卷积神经网络中进行训练，获得训练好的拓扑图卷积神经网络；将待处理的图结构输入到所述训练好的图卷积神经网络中，获得节点的特征向量，将节点特征映射回像素特征空间，得到高分辨率遥感图像的像素分类结果。本发明专利技术有益的效果是：提高了建筑物提取精度。建筑物提取精度。建筑物提取精度。

【技术实现步骤摘要】
基于超像素与图卷积的高分辨率遥感图像建筑物提取方法


[0001]本专利技术涉及图像目标提取领域，尤其涉及一种基于超像素与图卷积的高分辨率遥感图像建筑物提取方法。

技术介绍

[0002]从高分辨率遥感图像中提取建筑物是指高分辨率遥感图像中建筑物和非建筑物像素的自动识别过程。建筑提取在许多应用中发挥着重要作用，例如城市规划、人口估计、经济活动分布、灾害报告、非法建筑建设等。现有的高分辨率遥感图像建筑物提取方法主要分为传统方法和深度学习方法。传统的方法大都基于光学遥感图像的建筑物提取方法，主要考虑颜色、纹理、形状等底层语义特征来提取建筑物。这类方法包括边缘检测、区域分割、阈值分割、聚类等。然而这些方法受到照明条件、传感器类型和建筑结构的影响。即使高分辨率遥感影像细节丰富，但建筑物的特征类型复杂、像素混合、阴影等问题严重，使得“同物异谱”或“异物同谱”现象更加常见。近年来，基于数据驱动的深度学习方法在高分辨遥感图像建筑物提取方面取得了显著的优势。在深度学习领域中，高分辨率遥感图像的建筑物提取任务作为一种图像语义分割任务，通过为图像中每个像素分配类别标签本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超像素与图卷积的高分辨率遥感图像建筑物提取方法，其特征在于：包括以下步骤：S1：获取高分辨率遥感图像以及相应的标签图像，利用图像预处理，得到处理后的高分辨率遥感影像和对应的标签图像；所述高分辨率遥感影像指其分辨率超过一定预设值的影像；S2：将处理后的高分辨率遥感图像输入到训练好的超像素分割网络，得到像素
‑
超像素映射矩阵，通过该映射矩阵将原像素特征映射到超像素特征空间中得到超像素特征；S3：通过所述得到的超像素特征构建图的节点特征，并根据邻接关系获得节点之间的边，根据图的节点特征和节点的边构造得到图：S4、将构造得到的图送入到待训练的拓扑图卷积神经网络中进行训练，获得训练好的拓扑图卷积神经网络；S5、将待处理的图结构输入到所述训练好的图卷积神经网络中，获得节点的特征向量，将节点特征向量经过处理后得到的超像素块分类结果与像素
‑
超像素映射矩阵相乘将节点特征映射回像素特征空间，从而得到高分辨率遥感图像的像素分类结果。2.如权利要求1所述的一种基于超像素与图卷积的高分辨率遥感图像建筑物提取方法，其特征在于：步骤S1中所述图像预处理具体指：采用随机裁剪或缩放或镜像翻转，或上述三种方式的随机组合，使预处理后的图像符合实际需求尺寸。3.如权利要求1所述的一种基于超像素与图卷积的高分辨率遥感图像建筑物提取方法，其特征在于：步骤S2具体为：S21：将处理后的高分辨率遥感图像和对应的标签图像输入到待训练的超像素分割网络进行训练，得到训练好的超像素分割网络；S22、将处理后的高分辨率遥感影像输入至训练好的超像素分割网络，所述训练好的超像素分割网络为每张处理后的高分辨率遥感影像输出一个像素
‑
超像素矩阵Q；S23、将像素
‑
超像素矩阵Q与原像素特征矩阵相乘得到超像素特征。4.如权利要求3所述的一种基于超像素与图卷积的高分辨率遥感图像建筑物提取方法，其特征在于：所述超像素分割网络的结构为依次连接的五层下采样层以及四层上采样层和一个SoftMax输出层，除最后的SoftMax层外每个采样层之后都添加一个LeakyReLU激活层。5.如权利要求3所述的一种基于超像素与图卷积的高分辨率遥感图像建筑物提取方法，其特征在于：所述超像素分割网络的损失函数为：其中，表示重建后的位置像素特征，I
xy
表示原位置像素特征，表示交叉熵。6.如权利要求3所述的一种基于超像素与图卷积的高分辨率遥感图像建筑物提取方法，其特征在于：步骤S23中超像素特征的计算公式如下：其中，Q表示像素
‑

【专利技术属性】
技术研发人员：郑康，方芳，徐瑞，郝清仪，李圣文，万波，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：