一种融合ASPP和深度残差的遥感图像建筑物提取方法技术

一种融合ASPP和深度残差的遥感图像建筑物提取方法，包括：（1）获取公开的遥感图像数据集；（2）对高分辨率遥感图像进行数据增强；（3）将高分辨率遥感图像按统一规格裁剪为小尺寸图像；（4）对已有的最终数据集，按照8：1：1比例划分训练集、验证集和测试集；（5）构建网络模型，通过融合改进的ASPP和改进的Deep ResUNet网络模型构建出最终的网络模型ADRUNet；（6）利用网络模型对数据集进行训练；（7）使用训练的权重对测试集的图像进行建筑物提取。本发明专利技术以改进的Deep ResUNet为骨干网络，融合改进后的ASPP模块作为连接编码器和解码器的桥梁，实现对遥感图像建筑物提取中孔洞的抑制，减少细节丢失，降低网络总体参数量。降低网络总体参数量。降低网络总体参数量。

【技术实现步骤摘要】
一种融合ASPP和深度残差的遥感图像建筑物提取方法


[0001]本专利技术属于计算机视觉中的遥感图像智能解译领域，具体涉及一种融合带孔空间金字塔池化和深度残差的遥感图像建筑物提取方法。

技术介绍

[0002]建筑物提取是遥感影像解译的一项重要课题，提取效果直接影响城市规划、人口估计、地形图制作和更新等应用的质量。但由于建筑物及其环境的复杂性，从遥感影像中准确、完整地自动提取建筑物仍是领域内的热点。基于深度学习的方法通常不受先验知识的限制，因而受到广大研究人员的青睐。
[0003]目前，应用在建筑物提取具有代表意义的语义分割神经网络模型主要有以下四种：基于全卷积网络的FCN系列，在全卷积网络的基础上引入编码器
‑
解码器结构的SegNet系列和UNet系列，以及基于扩张卷积的Deeplab系列。上述网络模型在建筑物的提取上取得了较好的效果，但是依然存在一些可以优化的地方：(1)学习细微特征的能力较弱，容易出现细微之处错漏以及边界部分或全部丢失等问题；(2)模型对上下文信息的保留能力较弱，最终模型的预测结果容易出现孔洞问题；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合ASPP和深度残差的遥感图像建筑物提取方法，其特征在于：融合了带孔空间金字塔池化和深度残差，通过融合改进的ASPP模块与改进的Deep ResUNet实现对遥感图像建筑物更为精确的分割，所设计的网络模型包含五个部分，分别是编码器、跳跃连接、沟通编码器和解码器的桥梁、解码器以及输出层，包括如下步骤：步骤1：获取公开的遥感图像数据集或者经过预处理的自采数据集作为输入；步骤2：对高分辨率遥感图像进行数据增强，实现对数据集的扩充；具体增强算法为：同时使用旋转、翻转、伽马变换、模糊、加噪的数据增强操作；步骤3：将高分辨率遥感图像按统一规格裁剪为小尺寸图像，形成最终的数据集；步骤4：对已有的最终数据集，按照8：1：1比例划分训练集、验证集和测试集；步骤5：构建网络模型，通过融合改进的ASPP和改进的Deep ResUNet网络模型构建出最终的网络模型ADRUNet；步骤6：利用步骤5得到的神经网络模型ADRUNet对步骤4得到的数据集进行训练；步骤7：使用步骤6训练得到的权重对测试集的图像进行建筑物提取，得到最终的提取结果，并进行定性定量评估。2.如权利要求1所述的一种融合ASPP和深度残差的遥感图像建筑物提取方法，其特征在于：所述步骤2中旋转操作包含90
°
、180
°
、270
°
的顺时针旋转；翻转操作为左右翻转和上下翻转；旋转、翻转、伽马变换的概率都设为25%，其它方式的模糊、加噪的概率设为25...

【专利技术属性】
技术研发人员：徐洋，陈兰欣，王珩，张思聪，谢晓尧，
申请(专利权)人：贵州师范大学，
类型：发明
国别省市：