【技术实现步骤摘要】
本专利技术涉及模型，特别涉及一种基于改进型deeplabv3+的遥感影像建筑物提取方法及装置。
技术介绍
1、在现有技术中，虽然基于高分辨率遥感影像与深度神经网络融合的建筑物提取结果表现良好，但利用改进深度神经网络结构来提高建筑物提取精度的研究尚有很大的发展空间。其中，deeplabv3+语义分割网络由deeplabv1-3版本发展而来，因而也存在deeplab系列版本中训练速度慢、边缘目标分割精度低、类别不平衡和上下文信息利用不充分、分割目标存在着边缘缺失现象等问题。
技术实现思路
1、为了解决现有技术的上述问题，本专利技术提供一种基于改进型deeplabv3+的遥感影像建筑物提取方法及装置，能够提高训练速度和建筑物提取精度。
2、为了达到上述目的，本专利技术采用的技术方案为：
3、第一方面，本专利技术提供一种基于改进型deeplabv3+的遥感影像建筑物提取方法，包括：
4、步骤s1、将包含建筑物的遥感图像训练集输入到改进型deeplabv3+模型中进行训练，并使用遥感图像验证集进行所述改进型deeplabv3+模型的调参优化；
5、所述改进型deeplabv3+模型包括输入层、特征处理层和输出层，所述特征处理层包括深度卷积神经网络、并行的双注意力机制模块和vortex pooling模块以及译码器，所述深度卷积神经网络对所述输入层输入的遥感图像提取高层特征信息和低层特征信息，所述双注意力机制模块和所述vortex pooling
6、所述改进型deeplabv3+模型是基于多任务学习的语义分割模型，其中包括对遥感图像进行建筑物二分类提取的语义分割任务以及遥感影像中建筑物内部点距离的高维空间分割任务；
7、所述双注意力机制模块处理所述高层特征信息包括：所述双注意力机制模块中通道注意力模块对所述高层特征信息中的二分类特征信息进行特征强化处理，所述双注意力机制模块中空间注意力模块对所述高层特征信息中的高维空间特征信息进行特征强化处理，所述双注意力机制模块将强化处理后的二分类特征信息和高维空间特征信息进行融合之后输出；
8、所述改进型deeplabv3+模型的总损失函数ltotal为：
9、ltotal=ω1ldiscrimative+ω2lsegmentation；
10、其中，ldiscrimative为判别损失函数，ω1为判别损失函数的权重， lsegmentation为语义分割损失函数，ω2为语义分割损失函数的权重，所述判别损失函数用于训练所述深度卷积神经网络，所述总损失函数ltotal用于训练所述改进型deeplabv3+模型；
11、步骤s2、将训练完成的改进型deeplabv3+模型通过遥感图像测试集进行测试，若测试符合要求则输出作为建筑物提取模型；
12、步骤s3、将待预测遥感图像输入到所述建筑物提取模型，以得到提取有建筑物轮廓的预测效果图；
13、所述改进型deeplabv3+模型和所述建筑物提取模型中的特征处理层的图像为二值化数据，所述输出层的图像为浮点型数据。
14、本专利技术的有益效果在于：本专利技术对deeplabv3+算法的缺陷进行完善，使用vortexpooling取代aspp模块提取上下文信息，设计并实现了将damm结构与vortex pooling模块并联的连接方式的网络模型，能够改善训练中拟合缓慢现象，缓解了因同类目标间存在差异和目标尺度过大，在建筑物提取中容易造成大尺度目标类内分割不一致和建筑物边缘缺失的问题。同时，二值与浮点数混用训练和验证的方法不仅降低遥感影像建筑物分割任务中更深的语义分割网络计算资源的消耗，同时可以有效分割建筑物，且能保证检测精度。同时，利用多任务学习方法的共享特征、训练相近任务，两个任务各自的损失函数之和构成模型的总损失函数，训练中采用adam算法迭代更新其模型权重，直到损失函数值收敛，能够减少遥感影像中建筑物边界的粘连，提升了深度卷积神经网络提取遥感影像建筑物的精度，提高目标提取的效果。因此，本专利技术能够降低计算资源消耗、提高训练速度和提高建筑物提取精度。
15、可选地，所述步骤s1之前还包括：
16、步骤s0、获取遥感影像数据源的原始遥感图像，分别进行数据增强与样本平衡、影像裁剪并剔除没有建筑物的图像、图像二值化并进行建筑物人工标注后构建遥感图像数据集，按照预设数量随机划分为遥感图像训练集、遥感图像验证集和遥感图像测试集。
17、可选地，所述图像为二值化数据的实现函数为：
18、xb=sign(x)=；
19、其中，xb为图像变量二值化后的数据；sign(x)为符号函数；x表示输入，范围为(﹣∞,﹢∞)。
20、可选地，所述深度卷积神经网络为xception网络。
21、可选地，所述译码器对所述低层特征信息和融合后的高层特征信息进行融合处理后，通过所述输出层输出预测效果图包括：
22、所述译码器对融合后的高层特征信息进行4倍线性上采样之后，与所述低层特征信息进行融合处理后再进行4倍线性上采样，之后通过所述输出层输出预测效果图。
23、可选地，所述构建遥感图像数据集包括：
24、步骤s01、在得到人工标注建筑物之后的所有第一遥感图像之后，得到原始的遥感图像数据集，对每一个建筑物在所述第一遥感图像中的倾斜角度进行统计汇总，得到原始的遥感图像数据集中不同倾斜角度区间下的建筑物数量；
25、步骤s02、将建筑物数量低于模型训练的最低预设数量a的倾斜角度区间进行汇总，得到待补充角度集，统计所述待补充角度集中每一个倾斜角度区间的缺失数量s，其表达式如下：
26、si=a×(1+b)-pi；
27、其中，si为所述待补充角度集中第i个倾斜角度区间的缺失数量，b为预设波动范围内的随机系数，pi表示所述待补充角度集中第i个倾斜角度区间的实际数量，i为正整数，其范围为1至所述待补充角度集中倾斜角度区间的总数；
28、步骤s03、从原始遥感图像中重新裁剪出第二遥感图像，以补充对应缺失数量的倾斜角度区间，并按照所补充的第二遥感图像的数量从建筑物数量高于标准数量的倾斜角度区间所在的第一遥感图像中剔除掉同等数量，以得的最终的遥感图像数据集。
29、根据上述描述可知，通过对不同倾斜角度的建筑物所占数量进行监测并补充使其满足最低预设数量，以进一步提高建筑物提取精度。
30、可选地，所述步骤s03中从原始遥感图像中重新裁剪出第二遥感图像，以补充对应缺失数量的倾斜角度区间包括：
31、对于第一倾斜角度区间的第一缺失数量，从所述第一倾斜角度区间所在的原始遥感图像通过错位的方式重新裁剪出符合所述第一缺失数量的第二遥感图本文档来自技高网...
【技术保护点】
1.一种基于改进型DeepLabV3+的遥感影像建筑物提取方法，其特征在于，包括：
2.根据权利要求1所述的一种基于改进型DeepLabV3+的遥感影像建筑物提取方法，其特征在于，所述步骤S1之前还包括：
3.根据权利要求1所述的一种基于改进型DeepLabV3+的遥感影像建筑物提取方法，其特征在于，所述图像为二值化数据的实现函数为：
4.根据权利要求1所述的一种基于改进型DeepLabV3+的遥感影像建筑物提取方法，其特征在于，所述深度卷积神经网络为Xception网络。
5.根据权利要求4所述的一种基于改进型DeepLabV3+的遥感影像建筑物提取方法，其特征在于，所述译码器对所述低层特征信息和融合后的高层特征信息进行融合处理后，通过所述输出层输出预测效果图包括：
6.根据权利要求2所述的一种基于改进型DeepLabV3+的遥感影像建筑物提取方法，其特征在于，所述构建遥感图像数据集包括：
7.根据权利要求6所述的一种基于改进型DeepLabV3+的遥感影像建筑物提取方法，其特征在于，所述步骤S03中从原始
8.一种基于改进型DeepLabV3+的遥感影像建筑物提取装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的一种基于改进型DeepLabV3+的遥感影像建筑物提取方法。
...【技术特征摘要】
1.一种基于改进型deeplabv3+的遥感影像建筑物提取方法，其特征在于，包括：
2.根据权利要求1所述的一种基于改进型deeplabv3+的遥感影像建筑物提取方法，其特征在于，所述步骤s1之前还包括：
3.根据权利要求1所述的一种基于改进型deeplabv3+的遥感影像建筑物提取方法，其特征在于，所述图像为二值化数据的实现函数为：
4.根据权利要求1所述的一种基于改进型deeplabv3+的遥感影像建筑物提取方法，其特征在于，所述深度卷积神经网络为xception网络。
5.根据权利要求4所述的一种基于改进型deeplabv3+的遥感影像建筑物提取方法，其特征在于，所述译码器对所述低层特征信息和融合后的高层特征信...
【专利技术属性】
技术研发人员：曾钰琦，施文灶，张诺祺，庄镇榕，
申请(专利权)人：福建师范大学，
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。