【技术实现步骤摘要】
适合于大区域高分辨率卫星影像的建成区高质量检测方法
[0001]本专利技术属于遥感图像处理领域,具体涉及适合于大区域高分辨率卫星影像的建成区高质量检测方法。
技术介绍
[0002]卫星遥感由于其大尺度和周期观测性,已成为城市建成区位置、范围等地理空间信息快速获取和更新的重要支撑技术。高分辨率卫星数据的广泛可用性为实现建成区更精细尺度的制图提供了可能。但相比于中低分辨率影像,高分辨率卫星影像包含各种类型的细节特征和复杂的场景,这使得图像处理和目标检测更加困难。特别地,城市建成区是一个大范围的异质的地理对象,其内部不同位置包含多样化的地物特征,具有复杂的空间结构模式;与此同时,空间分辨率的提高,也意味着需要处理的影像的数据量大大增加,这必然给建成区的检测增加了计算代价,这些因素都给高分辨率卫星影像的建成区的提取和制图带来了极大的挑战性。此外,城市建成区不仅覆盖广阔的空间范围,而且具有确定的形状边界,如何准确定位其边界并保持目标形状的完整性也是需要解决的问题。
[0003]传统的建成区提取方法主要是利用人工设计的(handcrafted)特征提取算法,根据建成区的纹理、结构等来实现建成区的特征表示,然后利用监督或非监督分类方法实现建成区的提取。这种方法适合于小区域或简单场景的高分影像,对于大区域的高分影像由于特征的空间异质性以及数据量的增大,人为设计通用性的特征提取算法较为困难,这导致现有技术提取效果往往不理想。
[0004]近年来,深度学习的出现为高分辨率遥感影像建筑区的自动提取提供新的思路。深度学习可以 ...
【技术保护点】
【技术特征摘要】
1.适合于大区域高分辨率卫星影像的建成区高质量检测方法,其特征在于,包括如下步骤:S1、根据待检测的建筑物尺寸与影像分辨率的关系,确定样本图像的大小,制作块水平的覆盖多样化场景的高分辨率的建成区与非建成区样本集;S2、构建融合多层级特征的轻量级卷积神经网络,以步骤S1得到的两类样本集的影像块作为输入、其对应标签作为输出,对神经网络进行训练,获得影像块隶属度表示模型;S3、对待检测区影像进行多种结构模式划分,得到对应的各个结构模式的影像块数据集;S4、利用步骤S2得到的影像块隶属度表示模型,对待检测区多种结构模式的影像块进行特征计算,得到各个影像块隶属建成区的隶属度;S5、对待检测区影像的每个像素,遍历多种结构模式的影像块,并结合各个影像块隶属建成区的隶属度,确定该像素类别标签,获得最终的像素水平的高质量的建成区检测结果。2.根据权利要求1所述的适合于大区域高分辨率卫星影像的建成区高质量检测方法,其特征在于,步骤S1中根据可检测的建筑物尺寸与影像分辨率的关系,确定样本图像的大小,其确定方式为:预设样本图像的大小为s
×
s,地面建筑物的实际长度为L,影像的分辨率为R,按如下公式:s=L/R确定样本图像的大小;所述的制作块水平的覆盖多样化场景的高分辨率的建成区与非建成区样本集,表示为:,其中,为样本图像块,为其对应的标签,取值为1对应建成区类,取值为0对应非建成区类,N为样本数目。3.根据权利要求2所述的适合于大区域高分辨率卫星影像的建成区高质量检测方法,其特征在于,步骤S2中,所述融合多层级特征的轻量级卷积神经网络模型,包括一个3
×
3卷积层、一个2
×
2最大池化层、三个特征提取模块、两个特征融合模块、一个全局平均池化层和一个用于生成分类结果的全连接层。4.根据权利要求1所述的适合于大区域高分辨率卫星影像的建成区高质量检测方法,其特征在于,步骤S3中对待检测区影像进行多种模式划包括如下子步骤:S3.1、定义原格网:即覆盖待检测区影像的规则方形格网,并预设方形格网单元的尺寸;S3.2、将原格网围绕其中心顺时针或逆时针旋转45度,对应得到旋转格网;S3.3、利用原格网及其旋转格网分别对待检测区影像进行切割,分别对应得到原格网影像块和旋转格网影像块;S3.4、分别对原格网、旋转格网沿着待检测区影像的水平方向向右边进行t次等间隔的平移,平移间隔为s/t,每平移一次对其覆盖的待检测区影像进行一次规则的格网分块,对应得到平移格网划分产生的影像块分别作为原格网水平平移影像块、旋转格网水平平移影像块;
S3.5、分别将原格网和旋转格网分别沿着待检测区影像的垂直方向向下进行平移和影像分块,对应得到原格网垂直平移影像块和旋转格网垂直平移影像块。5.根据权利要求3所述的适合于大区域高分辨率卫星影像的建成区高质量检测方法,其特征在于,所述三个特征提取模块包含两条路径:第一条路径是一个1
×
1的卷积...
【专利技术属性】
技术研发人员:陈一祥,姚帅,陈学业,李胜,
申请(专利权)人:深圳市规划和自然资源数据管理中心深圳市空间地理信息中心,
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。