【技术实现步骤摘要】
本专利技术涉及建筑物矢量提取领域，尤其涉及一种建筑物矢量提取方法、设备及存储介质。
技术介绍
1、从遥感图像中提取建筑物多边形的矢量表示在城市建模和重建、地图生成众多应用中变得日益重要。近年来，借助深度学习的方法，从遥感图像中自动提取建筑物矢量轮廓取得了显著的进展。然而，由于建筑物本身结构的多样性以及建筑物周围环境的复杂性，自动提取出精细的建筑物矢量轮廓仍然具有挑战性。传统的建筑物矢量提取通常依赖于如纹理、线条、阴影等特征，采用人工方式进行矢量轮廓标注。
2、然而，这些基于经验的技术在不同成像条件、多样的建筑物形状和复杂图像背景下难以通用。随着计算机视觉与人工智能技术的快速发展，基于深度学习的遥感图像建筑物矢量提取取得了长足的发展。这其中，主流的方法通常首先采用语义分割方法将建筑物提取任务转换成像素分类任务，然后通过正则化方法将所提取到的栅格掩码转化为建筑物多边形的矢量表示。然而，这类方法需要复杂的后处理步骤，无法很好地应用于实际任务之中。
3、近年来，基于实例分割的建筑物轮廓矢量提取方法取得了长足的发展，这一方法将建筑物轮廓提取问题转化为轮廓回归问题。相较于基于语义分割的方法，基于实例分割的方法具有直接回归多边形坐标的能力，从而省略了繁琐的后处理步骤，提高了矢量轮廓提取的效率。然而，现有方法主要基于全监督范式，需要大量的掩码标签参与模型训练，而掩码标签的获取复杂且昂贵，因此，探索基于更易获取的弱标签的建筑物矢量提取方法具有重要的理论意义与实用价值。
技术实现思路>
1、为了解决现有全监督方法在建筑物矢量提取中存在的成本昂贵的问题，本专利技术提出了一种建筑物矢量提取方法、设备及存储介质。
2、具体的，方法包括以下步骤：
3、s1、构建建筑物实例检测模型；
4、s2：将遥感图像及边界框标签传入模型中，并对图像进行预处理；
5、s3：生成建筑物实例目标检测框；
6、s4：从建筑物实例目标检测框中生成建筑物初始轮廓顶点；
7、s5：将建筑物轮廓顶点细化；
8、s6：根据细化后的轮廓顶点生成矢量轮廓。
9、一种存储介质，所述存储介质存储指令及数据用于实现一种建筑物矢量提取方法。
10、一种建筑物矢量提取设备，包括：处理器及所述存储介质；所述处理器加载并执行所述存储介质中的指令及数据用于实现一种建筑物矢量提取方法。
11、本专利技术提供的有益效果是：通过基于轮廓的方法提取建筑物矢量轮廓简化了以往方法从二进制掩码再进行后处理得到矢量轮廓的繁琐步骤，使其更好的应用于实际问题中。通过使用边界框标签进行建筑物矢量提取解决了获取掩码标签的费时费力的复杂过程。同时，本专利技术可以绘制出规则且精确的建筑物矢量轮廓，这在gis生产、城市规划、人口密度估计、能源供应和灾害管理中发挥着重要作用。
本文档来自技高网...【技术保护点】
1.一种建筑物矢量提取方法，其特征在于：方法包括以下步骤：
2.如权利要求1所述的一种建筑物矢量提取方法，其特征在于：所述建筑物实例检测模型包括主干网络、BoxHead网络。
3.如权利要求1所述的一种建筑物矢量提取方法，其特征在于：步骤S2中，所述预处理具体如下：
4.如权利要求2所述的一种建筑物矢量提取方法，其特征在于：步骤S3中，获得建筑物实例目标检测框的过程如下：采用ResNet作为提取图像特征的骨干网络，将所述遥感图像输入到训练好的骨干网络并提取图像特征；将所述提取到的特征图输入到特征金字塔网络FPN模块中进行特征融合，得到融合后的多尺度特征图；多尺度特征统一输入到BoxHead网络进行分类和回归，获得建筑物实例目标检测框，其中BoxHead网络包括RPN模块、RoIAlign模块、Head模块。
5.如权利要求1所述的一种建筑物矢量提取方法，其特征在于：步骤S4通过将所述建筑物实例目标检测框输入到ContourHead网络中生成初始轮廓顶点。
6.如权利要求5所述的一种建筑物矢量提取方法，其特征在于：步骤S4
7.如权利要求1所述的一种建筑物矢量提取方法，其特征在于：步骤S5通过将所述初始轮廓顶点Vi(0)输入到基于自注意力机制的C2FT网络模型进行迭代优化。
8.如权利要求7所述的一种建筑物矢量提取方法，其特征在于：步骤S5具体如下：
9.一种存储介质，其特征在于：所述存储介质存储指令及数据用于实现权利要求1～8任一项所述的一种建筑物矢量提取方法。
10.一种建筑物矢量提取设备，其特征在于：包括：处理器及存储介质；所述处理器加载并执行存储介质中的指令及数据用于实现权利要求1～8任一项所述的一种建筑物矢量提取方法。
...【技术特征摘要】
1.一种建筑物矢量提取方法，其特征在于：方法包括以下步骤：
2.如权利要求1所述的一种建筑物矢量提取方法，其特征在于：所述建筑物实例检测模型包括主干网络、boxhead网络。
3.如权利要求1所述的一种建筑物矢量提取方法，其特征在于：步骤s2中，所述预处理具体如下：
4.如权利要求2所述的一种建筑物矢量提取方法，其特征在于：步骤s3中，获得建筑物实例目标检测框的过程如下：采用resnet作为提取图像特征的骨干网络，将所述遥感图像输入到训练好的骨干网络并提取图像特征；将所述提取到的特征图输入到特征金字塔网络fpn模块中进行特征融合，得到融合后的多尺度特征图；多尺度特征统一输入到boxhead网络进行分类和回归，获得建筑物实例目标检测框，其中boxhead网络包括rpn模块、roialign模块、head模块。
5.如权利要求1所...
【专利技术属性】
技术研发人员：刘洋，方芳，李圣文，田盼盼，康家宁，
申请(专利权)人：中国地质大学武汉，
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。