本发明专利技术提供一种基于边缘学习的建筑物规则矢量轮廓提取方法及系统，包括：获取建筑物遥感矢量数据；构建建筑物规则矢量轮廓提取网络，将建筑物遥感矢量数据输入至建筑物规则矢量轮廓提取网络，采用多级结构边缘处理模块和不同损失函数对建筑物规则矢量轮廓提取网络进行迭代训练，得到建筑物规则矢量轮廓提取模型；将待处理建筑物遥感影像数据输入至建筑物规则矢量轮廓提取模型，得到建筑物轮廓提取结果。本发明专利技术通过已知建筑物遥感影像数据，利用样本库和多层级的深度学习平台构建训练得到建筑物规则矢量轮廓提取模型，实现了自主学习，无需人工算法干预，能适应各种场景下的建筑物矢量边缘提取，极大程度减少人工绘制建筑物边缘的工作量。物边缘的工作量。物边缘的工作量。
【技术实现步骤摘要】
一种基于边缘学习的建筑物规则矢量轮廓提取方法及系统
[0001]本专利技术涉及图像处理
，尤其涉及一种基于边缘学习的建筑物规则矢量轮廓提取方法及系统。
技术介绍
[0002]在建筑测量中，通常需要提取建筑的轮廓信息，而目前普遍采用人工作业，不仅效率低，而且准确度也不高。
[0003]目前，存在一些依赖于计算机处理的利用纹理、线条、阴影以及其他经验设计的特征提取方法，但往往精度不高。后来，在建筑物轮廓提取中又引入了深度学习，能一定程度提高了遥感图像建筑物提取的准确性水平，从早期卷积神经网络到完全卷积网络，大多数基于深度学习的方法将建筑物提取制定为语义分割任务，将图像划分为不同类别的区域(例如，建筑物或背景)，但是这种方法无法区分单个建筑物。此外，对于建筑物这种规则的目标，为了获取规则矢量边缘，需要额外设计基于人工经验的规则化算法对边缘进行后处理，过程繁琐，难以全自动化。
[0004]因此，需要综合考虑上述各种缺陷，提出一种新的建筑物轮廓提取方法。
技术实现思路
[0005]本专利技术提供一种基于边缘学习的建筑物规则矢量轮廓提取方法及系统，用以解决现有技术中针对建筑物轮廓提取普遍存在效率低和精度不高的缺陷。
[0006]第一方面，本专利技术提供一种基于边缘学习的建筑物规则矢量轮廓提取方法，包括：
[0007]获取建筑物遥感矢量数据；
[0008]构建建筑物规则矢量轮廓提取网络，将所述建筑物遥感矢量数据输入至所述建筑物规则矢量轮廓提取网络，采用多级结构边缘处理模块和不同损失函数对所述建筑物规则矢量轮廓提取网络进行迭代训练，得到建筑物规则矢量轮廓提取模型；
[0009]将待处理建筑物遥感影像数据输入至所述建筑物规则矢量轮廓提取模型，得到建筑物轮廓提取结果。
[0010]根据本专利技术提供的一种基于边缘学习的建筑物规则矢量轮廓提取方法，所述构建建筑物规则矢量轮廓提取网络，包括：
[0011]所述建筑物规则矢量轮廓提取网络依次包括特征编码模块、边缘初始化模块和边缘调整模块；
[0012]所述特征编码模块提取建筑物遥感矢量数据特征图，所述边缘初始化模块对所述建筑物遥感矢量数据特征图进行轮廓初始信息处理得到边缘初始化结果，所述边缘调整模块对所述边缘初始化结果进行调整修正得到边缘精确结果。
[0013]根据本专利技术提供的一种基于边缘学习的建筑物规则矢量轮廓提取方法，所述边缘初始化模块包括建筑物中心点热力图预测子模块和建筑物初始边缘预测子模块；
[0014]所述建筑物中心点热力图预测子模块包括串联的第一卷积层和第二卷积层，所述
第一卷积层包括卷积核大小为3
×
3的2维卷积和1个修正线性单元，所述第一卷积层包括卷积核大小为1
×
1的2维卷积；
[0015]所述建筑物中心点热力图预测子模块将大小为H
×
W
×
C的所述建筑物遥感矢量数据特征图映射为大小为H
×
W
×
1的建筑物中心点热力图，其中H为所述建筑物遥感矢量数据特征图的高，W为所述建筑物遥感矢量数据特征图的宽，C为所述建筑物遥感矢量数据特征图的通道数；
[0016]所述建筑物初始边缘预测子模块包括串联的第三卷积层和第四卷积层，所述建筑物初始边缘预测子模块将大小为H
×
W
×
C的所述建筑物遥感矢量数据特征图映射为大小为H
×
W
×
(N
×
2)的建筑物初始边缘，其中N为预测边缘结点数目；
[0017]取所述建筑物中心点热力图中的前K个峰值点作为建筑物中心点位置坐标，基于所述建筑物中心点位置坐标得到建筑物边缘预测结果，将所述建筑物中心点位置坐标与所述建筑物边缘预测结果相加，得到所述边缘初始化结果。
[0018]根据本专利技术提供的一种基于边缘学习的建筑物规则矢量轮廓提取方法，所述边缘调整模块包括边缘坐标调整子模块和冗余点剔除子模块；
[0019]所述边缘坐标调整子模块根据初始边缘结点坐标，获取每个结点在所述建筑物遥感矢量数据特征图中的对应结点特征，基于所述对应结点特征获取结点坐标偏移量，将所述结点坐标偏移量与所述初始边缘结点坐标进行相加并重复迭代预设次数，得到调整后结点坐标；
[0020]所述冗余点剔除子模块基于预设组合优化算法，根据真实边缘结点与所述调整后结点坐标进行匹配，得到有效结点和无效结点。
[0021]根据本专利技术提供的一种基于边缘学习的建筑物规则矢量轮廓提取方法，所述边缘调整模块还包括结点特征编码、偏移预测头和结点分类头；
[0022]所述结点特征编码包括3个卷积核大小为1的1维卷积，1个卷积核大小为3的1维卷积和1个卷积核为9、空洞为7的1维卷积，其中每个卷积均包括1个修正线性单元和1个批量归一化处理操作；
[0023]所述偏移预测头包括2个卷积核大小为1的1维卷积；
[0024]所述结点分类头包括2个卷积核大小为1的1维卷积和1个sigmoid激活层。
[0025]根据本专利技术提供的一种基于边缘学习的建筑物规则矢量轮廓提取方法，所述边缘调整模块通过第一次迭代输出所述偏移预测头的预测结果，通过第二次迭代分别输出所述偏移预测头的预测结果和所述结点分类头的预测结果。
[0026]根据本专利技术提供的一种基于边缘学习的建筑物规则矢量轮廓提取方法，所述边缘初始化模块中的建筑物中心点热力图预测子模块和所述边缘调整模块中的冗余点剔除子模块采用focal loss损失函数进行监督；
[0027]所述边缘初始化模块中的建筑物初始边缘预测子模块采用smooth
‑
L1损失函数进行监督；
[0028]所述边缘调整模块中的边缘坐标调整子模块采用动态匹配损失函数进行监督。
[0029]第二方面，本专利技术还提供一种基于边缘学习的建筑物规则矢量轮廓提取系统，包括：
[0030]获取单元，用于获取建筑物遥感矢量数据；
[0031]训练单元，构建建筑物规则矢量轮廓提取网络，将所述建筑物遥感矢量数据输入至所述建筑物规则矢量轮廓提取网络，采用多级结构边缘处理模块和不同损失函数对所述建筑物规则矢量轮廓提取网络进行迭代训练，得到建筑物规则矢量轮廓提取模型；
[0032]提取单元，用于将待处理建筑物遥感影像数据输入至所述建筑物规则矢量轮廓提取模型，得到建筑物轮廓提取结果。
[0033]第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于边缘学习的建筑物规则矢量轮廓提取方法。
[0034]第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于边缘学习的建筑物规则矢量轮廓提取方法。
[0035]本专利技术提供的建筑物规则矢量轮廓提取本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于边缘学习的建筑物规则矢量轮廓提取方法，其特征在于，包括：获取建筑物遥感矢量数据；构建建筑物规则矢量轮廓提取网络，将所述建筑物遥感矢量数据输入至所述建筑物规则矢量轮廓提取网络，采用多级结构边缘处理模块和不同损失函数对所述建筑物规则矢量轮廓提取网络进行迭代训练，得到建筑物规则矢量轮廓提取模型；将待处理建筑物遥感影像数据输入至所述建筑物规则矢量轮廓提取模型，得到建筑物轮廓提取结果。2.根据权利要求1所述的基于边缘学习的建筑物规则矢量轮廓提取方法，其特征在于，所述构建建筑物规则矢量轮廓提取网络，包括：所述建筑物规则矢量轮廓提取网络依次包括特征编码模块、边缘初始化模块和边缘调整模块；所述特征编码模块提取建筑物遥感矢量数据特征图，所述边缘初始化模块对所述建筑物遥感矢量数据特征图进行轮廓初始信息处理得到边缘初始化结果，所述边缘调整模块对所述边缘初始化结果进行调整修正得到边缘精确结果。3.根据权利要求2所述的基于边缘学习的建筑物规则矢量轮廓提取方法，其特征在于，所述边缘初始化模块包括建筑物中心点热力图预测子模块和建筑物初始边缘预测子模块；所述建筑物中心点热力图预测子模块包括串联的第一卷积层和第二卷积层，所述第一卷积层包括卷积核大小为3
×
3的2维卷积和1个修正线性单元，所述第一卷积层包括卷积核大小为1
×
1的2维卷积；所述建筑物中心点热力图预测子模块将大小为H
×
W
×
C的所述建筑物遥感矢量数据特征图映射为大小为H
×
W
×
1的建筑物中心点热力图，其中H为所述建筑物遥感矢量数据特征图的高，W为所述建筑物遥感矢量数据特征图的宽，C为所述建筑物遥感矢量数据特征图的通道数；所述建筑物初始边缘预测子模块包括串联的第三卷积层和第四卷积层，所述建筑物初始边缘预测子模块将大小为H
×
W
×
C的所述建筑物遥感矢量数据特征图映射为大小为H
×
W
×
(N
×
2)的建筑物初始边缘，其中N为预测边缘结点数目；取所述建筑物中心点热力图中的前K个峰值点作为建筑物中心点位置坐标，基于所述建筑物中心点位置坐标得到建筑物边缘预测结果，将所述建筑物中心点位置坐标与所述建筑物边缘预测结果相加，得到所述边缘初始化结果。4.根据权利要求2所述的基于边缘学习的建筑物规则矢量轮廓提取方法，其特征在于，所述边缘调整模块包括边缘坐标调整子模块和冗余点剔...
【专利技术属性】
技术研发人员：季顺平，魏世清，张韬，
申请(专利权)人：武汉大学，
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。