一种基于改进DeepLabV3+网络的复杂场景下建筑物提取的方法技术

本发明专利技术公开了一种基于改进DeepLabV3+的复杂场景下建筑物提取方法，首先获取GF

【技术实现步骤摘要】
一种基于改进DeepLabV3+网络的复杂场景下建筑物提取的方法


[0001]本专利技术涉及时空遥感、语义分割技术，具体涉及一种基于改进DeepLabV3+网络的复杂场景下建筑物提取的方法。

技术介绍

[0002]城市建筑物面积是指城市范围内建筑物的总面积，该指标可用于评估城市的建筑密度、建筑类型、土地利用和城市扩张等方面的特征。城市建筑物面积的变化反映了城市发展的速度和规模。随着城市人口和经济的增长，建筑物面积也在不断扩大，从而引发了城市土地利用和规划的挑战。同时，城市建筑物面积的变化还反映了建筑设计和技术的发展趋势。例如，在绿色建筑设计方面的创新和能源效率的提高可以在建筑物面积和类型的变化中得到体现。
[0003]为此，本专利提出一种基于改进DeepLabV3+网络的复杂场景下建筑物提取的方法。该方法基于DeepLabV3+网络进行改进，对复杂场景下GF
‑
2遥感影像数据进行建筑物特征识别，对连续两年的不同行政划分区域进行建筑物分割，计算相对应的建筑物面积，实现区域建筑物动态监测。该专利技术能够有效掌握城市建筑物的变化情况，辅助城市管理等部门及时发现新建建筑物，助力城市规划。

技术实现思路

[0004]本专利技术的技术解决问题是：提出一种基于改进DeepLabV3+网络的建筑物提取的方法，对复杂场景下同一区域不同时间的遥感影像进行建筑物提取，实现对城市建筑物变化动态监测，全面掌握城市建筑物的变化情况，辅助城市管理等部门及时发现新建建筑物，助力城市规划。
[0005]本专利技术的技术解决方案为：一种基于改进DeepLabV3+网络的建筑物提取的方法，首先获取GF
‑
2遥感数据，对数据进行存储和预处理。然后基于改进后的DeepLabV3+网络对建筑物遥感数据集进行语义分割，构建建筑物分割模型；基于建筑物分割模型对全部区域遥感影像数据集进行分割，存储全部区域分割预测结果；最后根据卫星单分辨率计算出两年内全部区域建筑物面积，实现区域建筑物动态监测。其具体步骤如下：
[0006](1)获取GF
‑
2遥感数据，对数据进行存储和预处理。
[0007]步骤(1)中，对于获取的GF
‑
2遥感数据，采用标准数据结构进行数据规约。
[0008]进一步，对GF
‑
2遥感数据进行高效存储。既可以采用关系型数据库，通过结构化方式，也可以采用NoSQL数据库，通过非结构化方式，进行数据的逻辑存储与管理；既可以采用集中式高性能存储设备，也可以采用分布式集群方式进行建筑物遥感影像数据的物理存储与优化。
[0009]更进一步，对GF
‑
2遥感影像数据进行预处理，具体步骤包括：
[0010](a)图像配准。获取昌平区屋顶矢量数据，使用ArcGis软件将遥感影像tif数据和
矢量数据进行地理校准。
[0011](b)图像切割。将原始高分辨率遥感影像切割为500*500像素的图像。
[0012](c)图像清洗。将(b)中切割后的数据过滤掉无建筑物、建筑物大量被遮挡的影像，自此原始建筑物样本数据库构建完成。
[0013](d)人工标注建筑物区域。利用PhotoShop软件打开样本图像和屋顶矢量图结合矢量图半自动化标注建筑物。使用白色(255，255，255)标注建筑物区域，黑色(0，0，0)标注非建筑物区域，并将标注结果保存为PNG格式，作为样本标签数据。将标签数据图像与原始数据图像一一对应，命名相同，样本标签数据和原始数据初步构成建筑物样本数据库。
[0014](e)数据增强。将(d)中样本标签数据和原始数据使用python进行五种数据增强，分别为水平翻转、亮度减弱、亮度增强、叠加高斯噪点和随机缩放，再和(d)中样本数据库拼接后得到数据增强后建筑物样本数据库。
[0015](f)数据集拼接。将(e)中数据增强后建筑物样本数据库和公开的中国典型城市建筑实例数据集进行数据集拼接，得到进一步的建筑物样本数据集。
[0016](g)图片分类。将步骤(f)获取的建筑物样本数据库中样本和样本标签一一对应按8:2的比例分为训练集train和验证集val。
[0017](2)对步骤(1)中获取的建筑物样本数据库进行建筑物语义分割，构建建筑物分割模型，具体步骤包括：
[0018](a)构建建筑物分割模型。模型主要基于开源的DeepLabV3+神经网络进行改进，为了提升准确率和效率对该神经网络模型的网络结构做出优化。模型主干采用MobileNetV2对图像特征进行提取，对比原始Xception主干网络，该网络在保证特征提取效果的同时能极大地减少参数量和计算量。
[0019](b)损失函数优化。本模型使用Focal loss+Lovasz
‑
softmax loss结合作为损失函数。Focal loss的定义如下：
[0020][0021]其中：p表示真实标签类别，p'表示预测为该类别的概率值；Focal loss增加了α和γ参数，其中：α参数用来平衡正负样本的重要性，解决正负样本不均衡的问题；而γ参数用于调节难易样本的权重，解决难易样本问题。本模式设置α＝2，γ＝0.5，经测验能够取得最好的效果。IoU(intersection
‑
over
‑
union，也叫jaccard index)是图像分割中常用的一个衡量分割效果的评价指标，Lovasz
‑
softmax loss采用Lovasz extension数学工具将离散的Jaccard loss变得光滑化，从而可以直接求导，因此相当于直接对IoU进行优化，会有较好的效果。由于Lovasz loss存在着训练过程中的不稳定的特性，而且其优化的IoU指标效果好，并不一定能说明模型的性能较优，于是本模型提出使用Focal loss+Lovasz
‑
softmax loss结合作为损失函数来提高模型在复杂场景下的分割精度。
[0022](c)改进的随机权重平均。本模型在使用SGD优化算法训练150轮后再使用改进的随机权重平均优化算法额外训练20轮，增加网络模型在复杂场景下的泛化能力和鲁棒性，提升模型精度。在额外训练的20轮中，使用余弦退火模式周期性上升和下降学习率，让SGD算法不断探索高性能网络权重的集合。在额外训练结束后，对通过SGD优化算法的模型权重
求平均，得到最终的随机权重平均参数。
[0023](3)基于(2)所得建筑物分割模型对连续两年的全部区域遥感影像数据集进行分割，构建区域建筑物面积估算数据集，具体步骤包括：
[0024](a)将两年遥感影像数据集按行政边界进行分割，获得全部区域遥感影像数据集。
[0025](b)将全部区域遥感影像数据集放入模型测试集中，利用建筑物分割模型对测试集进行建筑物特征分割，并存储建筑物预测结果png图。
[0026](4)结合卫星单分辨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进DeepLabV3+的复杂场景下建筑物提取方法，其特征在于，步骤如下：(1)获取GF
‑
2遥感影像数据和某区域地理信息，将二者地理配置，对数据进行存储和预处理，并标注建筑物构建建筑物分割样本数据库；(2)基于改进后的DeepLabV3+网络对建筑物分割样本数据集进行语义分割，构建建筑物分割模型；(3)基于建筑物分割模型对全部区域遥感影像数据集进行分割，存储全部区域分割预测结果；(4)根据卫星单分辨率计算出两年内全部区域建筑物面积，实现区域建筑物动态监测。2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，对于GF
‑
2遥感影像的存储，采用关系型数据库或采用NoSQL数据库进行数据的逻辑存储与管理；采用集中式高性能存储设备，或者采用分布式集群方式进行数据的物理存储与优化；对于GF
‑
2遥感影像数据的处理，包括图像配准、图像切割、图像清洗、人工标注建筑物区域、数据增强、数据集拼接、图片分类。...

【专利技术属性】
技术研发人员：林绍福，王丛菁，姚昕，黄磊，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：