【技术实现步骤摘要】
本专利技术属于数据识别领域，具体涉及一种从遥感图像中提取建筑物信息的方法。
技术介绍
1、从遥感图像中提取目标的相关基础理论研究始于20世纪80年代，至今已有多种方法相继提出。根据自动化程度的不同，这些方法可以分为自动提取、半自动提取和人工（目标判读）提取。由于遥感图像中背景的复杂性，人工提取目标区域十分耗时，因此需要自动的方法来高效地提取众多目标组成的区域。
2、传统的目标提取方法，按提取原理可以分为三种类型：基于对象分割的方法、基于目标特征提取的方法和结合辅助信息的方法。这些方法存在一定的局限性：对图像中背景信息敏感，受数据质量的影响较大；目标形态、尺度的多样性也会影响到目标提取的结果。
3、近年来，随着深度学习网络的兴起，在遥感领域出现了许多基于语义分割的新型目标提取方法，为突破传统方法的技术困境提供了新的解决思路。尽管语义分割网络已经发展得非常成熟，但是对于目标提取任务还存在一些难题，例如：目标特征信息利用不充分、边界信息提取较弱和背景复杂影响提取精度等。因此，本领域技术人员在语义分割为基准网络的基础上，针对目标提取任务，进一步对现有的语义分割网络进行了调整。目前，按结构设计理念可大致分为：空洞卷积策略、融合多尺度特征策略、扩宽网络深度策略、添加注意力机制策略。
4、上述各种策略都有自己的优点：一些方法添加了新的模块对预测的图像进行处理，提高目标提取的准确性；另一些方法专注于使用不同的模块处理特征图中的信息，来减少计算量的同时保持目标提取的精度；还有一些方法针对于目标边缘加入了边缘优化
5、但是，现有的基于语义分割深度学习网络的目标提取方法依然存在如下问题：1、可见光卫星遥感图像背景复杂，给目标提取造成了很大的干扰；2、现有的提取方法对目标信息的利用不够充分，没有关注目标的细节纹理和空间结构特征；3、现有方法采用的训练数据和测试数据都是独立和同分布的（即同时空尺度域），针对具有复杂背景和跨时空尺度域的遥感图像目标提取精度较低。
技术实现思路
1、本专利技术提出了一种面向跨时空尺度域的遥感图像建筑物信息提取方法，其目的是：1、减少复杂背景对目标提取造成的干扰；2、解决对目标信息利用不充分的问题；3、解决跨时空尺度域提取精度低的问题。
2、本专利技术技术方案如下：
3、一种面向跨时空尺度域的遥感图像建筑物信息提取方法，步骤包括：
4、步骤1、构建目标提取网络，所述目标提取网络包括依次连接的特征提取模块、aspp模块和解码器；
5、所述特征提取模块用于提取输入的遥感图像中的特征信息；特征提取模块中包括若干层依次连接的融合模块；融合模块中将输入的特征分别输入至两个并行的分支，其中一个分支包含基于标准卷积的残差单元，另一个分支包含基于空洞卷积的残差单元，然后将两个分支的输出进行逐像素相加，作为该融合模块的输出；所述残差单元中的归一化层中包含实例归一化；
6、所述aspp模块基于特征提取模块输出的特征信息进一步提取多尺度特征；
7、所述解码器基于aspp模块输出的多尺度特征转换生成预测图，预测图中每个像素的标签代表该像素是否属于目标；
8、步骤2、对上述目标提取网络进行训练，训练时，使用dice+loss损失函数计算损失值，然后根据损失值更新目标提取网络的参数值；
9、步骤3、使用训练好的目标提取网络对输入的遥感图像进行处理，得到预测图，然后根据预测图提取遥感图像中的目标建筑物。
10、作为所述面向跨时空尺度域的遥感图像建筑物信息提取方法的进一步改进：所述特征提取模块中包括6层依次连接的融合模块。
11、作为所述面向跨时空尺度域的遥感图像建筑物信息提取方法的进一步改进：6层依次连接的融合模块中，第1层和第2层融合模块中的每个分支只包含一个残差单元，而第3层、第4层、第5层及第6层融合模块中的每个分支包含两个依次连接的残差单元。
12、作为所述面向跨时空尺度域的遥感图像建筑物信息提取方法的进一步改进：所述特征提取模块还包括依次连接在第6层融合模块之后的两个基于标准卷积的残差单元。
13、作为所述面向跨时空尺度域的遥感图像建筑物信息提取方法的进一步改进：残差单元的第一个归一化层中包含并列的批归一化和实例归一化，残差单元的第一个卷积层的输出分别输入到批归一化和实例归一化中，再将二者的输出进行拼接操作，将拼接结果作为后续层的输入。
14、作为所述面向跨时空尺度域的遥感图像建筑物信息提取方法的进一步改进：所述dice+loss损失函数的计算公式为：
15、；
16、其中，pred∩true表示预测图中的目标区域与真实的目标区域的交集所包含的像素数，pred∪true表示预测图中的目标区域和真实的目标区域的并集所包含的像素数； β为超参数。
17、作为所述面向跨时空尺度域的遥感图像建筑物信息提取方法的进一步改进：超参数 β的取值范围为0.05至0.15。
18、作为所述面向跨时空尺度域的遥感图像建筑物信息提取方法的进一步改进，步骤2的具体过程为：
19、步骤2.1、将可见光卫星遥感图像进行分块，得到分块遥感图像；
20、步骤2.2、在分块遥感图像中进行标注，将带有标注的分块遥感图像分为训练集和验证集；
21、步骤2.3、将训练集和验证集输入到所述目标提取网络中进行训练：将训练集中的遥感图像输入到目标提取网络中得到预测图，然后根据标注和预测图使用dice+loss损失函数计算损失值，然后根据损失值更新目标提取网络的参数值；并且，使用验证集判断训练中的目标提取网络是否过拟合，最终得到训练后的目标提取网络。
22、相对于现有技术，本专利技术具有以下积极效果：
23、1、本专利技术在计算损失值时加入超参数，增强了模型对目标提取中真阳性部分的关注，可以避免复杂背景的干扰。
24、2、本专利技术使用了标准卷积和空洞卷积融合的特征提取模块，特征提取模块包括六层由基于标准卷积的残差单元与基于空洞卷积的残差单元组成的融合模块，每一层将相同的信息分别输入两个不同的残差单元，然后将二者的输出进行逐像素相加操作，实现细节纹理特征和空间结构特征的融合，从而更好的关注目标的细节纹理和空间结构特征，使得目标信息得到充分利用。进一步的，特征提取模块的后两层为单独的基于空洞卷积的残差单元，可以抑制经过反复下采样所产生的不良影响。在这种策略下，特征提取模块不仅关注目标纹理特征，还注重了目标结构特征，并且补偿了因下采样而产生的感受野减小，同时还能解决使用空洞卷积提取特征时因信息缺失造成的网格效应问题。
25、3、本专利技术利用实例归一化改进残差单元。实例归一化能够过滤掉不同风格图片的风格信息，仅保留图片本文档来自技高网...
【技术保护点】
1.一种面向跨时空尺度域的遥感图像建筑物信息提取方法，其特征在于步骤包括：
2.如权利要求1所述的面向跨时空尺度域的遥感图像建筑物信息提取方法，其特征在于：所述特征提取模块中包括6层依次连接的融合模块。
3.如权利要求2所述的面向跨时空尺度域的遥感图像建筑物信息提取方法，其特征在于：6层依次连接的融合模块中，第1层和第2层融合模块中的每个分支只包含一个残差单元，而第3层、第4层、第5层及第6层融合模块中的每个分支包含两个依次连接的残差单元。
4.如权利要求2所述的面向跨时空尺度域的遥感图像建筑物信息提取方法，其特征在于：所述特征提取模块还包括依次连接在第6层融合模块之后的两个基于标准卷积的残差单元。
5.如权利要求1所述的面向跨时空尺度域的遥感图像建筑物信息提取方法，其特征在于：残差单元的第一个归一化层中包含并列的批归一化和实例归一化，残差单元的第一个卷积层的输出分别输入到批归一化和实例归一化中，再将二者的输出进行拼接操作，将拼接结果作为后续层的输入。
6.如权利要求1所述的面向跨时空尺度域的遥感图像建筑物信息提取方法，
7.如权利要求6所述的面向跨时空尺度域的遥感图像建筑物信息提取方法，其特征在于：超参数β的取值范围为0.05至0.15。
8.如权利要求1至7任一所述的面向跨时空尺度域的遥感图像建筑物信息提取方法，其特征在于，步骤2的具体过程为：
...【技术特征摘要】
1.一种面向跨时空尺度域的遥感图像建筑物信息提取方法，其特征在于步骤包括：
2.如权利要求1所述的面向跨时空尺度域的遥感图像建筑物信息提取方法，其特征在于：所述特征提取模块中包括6层依次连接的融合模块。
3.如权利要求2所述的面向跨时空尺度域的遥感图像建筑物信息提取方法，其特征在于：6层依次连接的融合模块中，第1层和第2层融合模块中的每个分支只包含一个残差单元，而第3层、第4层、第5层及第6层融合模块中的每个分支包含两个依次连接的残差单元。
4.如权利要求2所述的面向跨时空尺度域的遥感图像建筑物信息提取方法，其特征在于：所述特征提取模块还包括依次连接在第6层融合模块之后的两个基于标准卷积的残差单元。
【专利技术属性】
技术研发人员：徐从安，吴俊峰，高龙，郑涵，闫奕名，林云，孙显，蔡卓燃，
申请(专利权)人：中国人民解放军海军航空大学，
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。