一种遥感影像建筑物提取及分割结果规则化方法和系统技术方案

本发明专利技术提出一种遥感影像建筑物提取及分割结果规则化方法，包括：获取遥感影像，所述遥感影像的全色空间分辨率大于1m；将影像图片裁剪至512*512作为输入数据；采用改进的基于DeepLabV3+的FCN提取影像图片中建筑物概率图；利用训练好的生成对抗网络将概率图规则化，所述训练好的生成对抗网络，所述生成对抗网络包括生成器和判别器，所述生成器包括编码器和解码器；本发明专利技术采用生成对抗方法训练全卷积神经网络，用于遥感影像中建筑物的语义分割结果后处理，使语义分割结果规则化，相对于传统的使用形态学方法减少了语义分割中错误对后续规则化结果的影响，从而产生规则的建筑轮廓。廓。廓。

【技术实现步骤摘要】
一种遥感影像建筑物提取及分割结果规则化方法和系统


[0001]本专利技术涉及遥感影像领域，特别是指一种遥感影像建筑物提取及分割结果规则化方法和系统。

技术介绍

[0002]目前的全卷积神经网络(FCN)在语义分割上能取得较高的精度。然而，当用于提取遥感影像中建筑物时会因影像中的噪声造成分割结果边缘不规则，难以应用于制图任务中。
[0003]遥感影像建筑提取过程可以分为两个步骤：建筑分割，多边形预测
[0004]建筑分割：
[0005]以往的建筑分割方法使用交叉熵、DICE、Focal损失进行训练，在IoU、召回和精度方面取得了高分，但会生成不规则的建筑轮廓，这些轮廓既不美观，也不适用于大多数制图应用。语义分割网络和实例分割网络的一个典型问题是:在存在地面噪声的情况下(如建筑物角落被遮挡)，无法勾勒出笔直的建筑物墙壁和尖角。
[0006]多边形化：
[0007]语义分割和实例分割网络可以生成准确的分割结果，但遥感中的制图应用需要矢量格式的分割数据，而不是栅格的分割结果，因此需要对分割结果进行规则化。目前的方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感影像建筑物提取及分割结果规则化方法，其特征在于，包括：获取遥感影像，所述遥感影像的全色空间分辨率大于1m；将影像图片裁剪至512*512作为输入数据；采用改进的基于DeepLabV3+的FCN提取影像图片中建筑物概率图；利用训练好的生成对抗网络将概率图规则化，所述训练好的生成对抗网络，所述生成对抗网络包括生成器和判别器，所述生成器包括编码器和解码器。2.根据权利要求1所述的一种遥感影像建筑物提取及分割结果规则化方法，其特征在于，所述改进的基于DeepLabV3+的FCN，为DeepLabV3+编码器部分替换为RegNetY040网络。3.根据权利要求1所述的一种遥感影像建筑物提取及分割结果规则化方法，其特征在于，所述生成器采用FCN来执行规则化G:{X,Z}
→
Y；其中X不规则的分割结果，Y为规则的分割结果，Z为影像图片；生成器包括编码器E
G
与解码器F，编码器E
G
从{X,Z}中提取特征信息，利用解码器F生成规则化的分割结果，因此整个过程看作编码器与解码器的结合：G(x,z)＝F(E
G
(x,y))，x
i
∈X，y
i
∈Y，z
i
∈Z，i＝1,2,3...N，N为影像图片总量。4.根据权利要求1所述的一种遥感影像建筑物提取及分割结果规则化方法，其特征在于，所述判别器接收生成器产生的规则化后的分割影像或真实分割标签经过编码器E
G
与解码器F后的输出，并判断该影像是否为生成器产生。5.根据权利要求1所述的一种遥感影像建筑物提取及分割结果规则化方法，其特征在于，损失函数包括：对抗损失，重建损失，Potts与normalized cut损失。对抗损失：对抗损失公式如下：L
GAN
(G,D)＝E
x,z
[log(1
‑
D(G(x,z))]判别器用于区分分割结果是否为生成器产生，其损失函数如下：L
D
(G,R,D)＝E
y
[log...

【专利技术属性】
技术研发人员：王洪华，姚术林，高名扬，洪伟政，
申请(专利权)人：厦门精图信息技术有限公司，
类型：发明
国别省市：