CN109446992B - 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 - Google Patents
基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 Download PDFInfo
- Publication number
- CN109446992B CN109446992B CN201811279197.1A CN201811279197A CN109446992B CN 109446992 B CN109446992 B CN 109446992B CN 201811279197 A CN201811279197 A CN 201811279197A CN 109446992 B CN109446992 B CN 109446992B
- Authority
- CN
- China
- Prior art keywords
- building
- remote sensing
- image
- sensing image
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000002360 preparation method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 45
- 238000013145 classification model Methods 0.000 claims description 19
- 230000007797 corrosion Effects 0.000 claims description 14
- 238000005260 corrosion Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012805 post-processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 239000000178 monomer Substances 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 abstract description 5
- 238000013075 data extraction Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 230000002093 peripheral effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000012732 spatial analysis Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供基于深度学习的遥感影像建筑物提取方法，包括步骤样本制作、模型训练、精度评定、建筑物预测、合并及矢量化。本发明还涉及基于深度学习的遥感影像建筑物提取系统、存储介质、电子设备；本发明以改进的RCF边界约束模型为基础对城市单体建筑轮廓、农村孤立建筑轮廓以及农村建筑密集群外围边界进行提取，同时改进U‑Net语义分割模型网络结构，利用改进U‑Net对影像进行像素级分类，最后将两种模型进行融合，通过大量的建筑样本标签数据训练深度学习模型，以改进的U‑Net与RCF融合的网络模型对亚米级国产高分2号遥感影像上的建筑物进行提取，实现自动高效的建筑物矢量数据提取，极大缩减手工绘制的时间成本和人力成本。
Description
技术领域
本发明属于遥感图像处理技术领域，是一种基于深度学习边界约束算法的高空间分辨率遥感影像建筑物提取的方法，主要应用于亚米级遥感影像的建筑物自动提取。
背景技术
建筑物是地理数据库中最容易增加和发生变化，也是最需要更新的部分。由于建筑物对于城市建设、GIS系统更新、数字化城市以及军事侦察等方面的重要性，快速提取建筑物信息技术和进行建筑物变化检测在城市发展规划、电子信息化、国防等方面有着重要的应用。在遥感图像中人工建筑物信息的提取是个复杂的过程，不仅仅需要计算机的自动识别，也需要人的辅助完成，导致目前建筑物提取的效率较低。
近年来，随着计算机性能的极大提升以及深度学习的快速发展，卷积神经网络应用的领域不断扩大，利用卷积神经网络进行地物的自动化提取方法逐渐成熟，并在遥感领域取得了较大成效。由于传感器精度的提高，能够利用的遥感影像分辨率也越来越高，卷积神经网络提取的特征也越来越丰富。这样一来，利用卷积神经网络以建筑为单位提取高分辨遥感影像上的多种类型建筑物也有了理论基础。
目前基于遥感影像建筑提取的技术方法仅能提取较为规则且特征明显的建筑，通用性较差，当建筑物较为密集时，提取效果一般，因此如何快速准确地提取各类复杂建筑是遥感信息处理的关键步骤。
目前采用深度学习进行建筑提取方法得到的建筑矢量与影像所表现的实际建筑地块差距较大，难以应用到土地利用调查中。目前急需一种新型的遥感影像建筑物提取方法。
发明内容
为了克服现有技术的不足，本发明提出的一种基于深度学习的遥感影像建筑物提取方法，采用改进的U-Net与RCF融合的网络模型，不但能够在遥感影像上快速检测出各种类别的建筑物，还能够对提取的建筑边界进行有效约束，保证提取建筑边界与实际影像建筑边界的一致性。
本发明提供基于深度学习的遥感影像建筑物提取方法，包括以下步骤：
S1、样本制作，采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量文件，并绘制所述面矢量文件中的建筑物标签，将标签为建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本，其中，所述建筑物样本种类包括城市单体建筑、农村孤立建筑、农村宅基地密集建筑群；
S2、模型训练，调整RCF与U-Net结合后改进的算法模型参数，对所述建筑物样本进行基于RCF与U-Net结合后改进的算法模型训练，得到对应所述城市单体建筑、所述农村孤立建筑、所述农村宅基地密集建筑群的边界约束的三种分类模型；
S3、精度评定，将待测试的遥感影像数据输入所述分类模型预测测试数据，并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步，若MIoU值或MPA存在不达标情况则调整改进的U-Net与RCF融合的网络模型参数返回步骤S1并修改样本重新迭代训练；
S4、建筑物预测，利用经步骤S3中评定达标的三种分类模型对遥感影像目标区域进行建筑物预测，得到遥感影像中栅格化的三种建筑物数据；
S7、合并及矢量化，将最终的栅格化的三种建筑物数据进行叠加得到总体建筑物栅格数据，再将总体建筑物栅格数据进行矢量化，得到提取的遥感影像建筑物数据。
进一步地，所述步骤S4与所述步骤S7之间还包括步骤:
S5、影像后处理，利用图像处理模块对步骤S4中预测得到的栅格化的三种建筑物数据进行边界平滑，降低建筑物边界锯齿。
进一步地，所述步骤S4与所述步骤S7之间还包括步骤:
S6、建筑物图斑处理，根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑，并进行图斑腐蚀、开闭运算、填充处理来修补图斑；若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑，并进行图斑腐蚀、去噪处理来消除过滤图斑。
进一步地，所述建筑物标签包括线标签、面标签。
进一步地，在步骤S1中通过RCF算法提取遥感影像的边界，并根据边界进行建筑分类，并将通过RCF算法提取遥感影像的边界作为约束条件并输入所述建筑物样本。
进一步地，所述遥感影像为三波段或四波段融合影像。
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行基于深度学习的遥感影像建筑物提取方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行基于深度学习的遥感影像建筑物提取方法。
基于深度学习的遥感影像建筑物提取系统，包括样本制作模块、模型训练模块、精度评定模块、建筑物预测模块、图像处理模块；其中，
所述图像处理模块包括合并矢量化单元、栅格化单元，所述合并矢量化单元用于将遥感影像的栅格化数据先合并再进行矢量化，所述栅格化单元用于将遥感影像的矢量化数据栅格化；
所述样本制作模块用于采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量样本，并绘制面矢量样本的标签，将标签为建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本，其中，所述建筑物样本种类包括城市单体建筑、农村孤立建筑、农村宅基地密集建筑群；
所述模型训练模块用于调整RCF与U-Net结合后改进的算法模型参数，对建筑物样本进行基于RCF与U-Net结合后改进的算法模型训练，得到对应城市单体建筑、农村孤立建筑、农村宅基地密集建筑群的边界约束的三种分类模型；
所述精度评定模块用于将待测试的遥感影像数据输入分类模型预测测试数据，并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步，若MIoU值或MPA存在不达标情况则调整改进的U-Net与RCF融合的网络模型参数返回并修改样本重新迭代训练；
所述建筑物预测模块用于利用经所述精度评定模块中评定达标的分类模型对遥感影像目标区域进行建筑物预测，得到遥感影像中栅格化的三种建筑物数据；
所述合并矢量化单元将最终的栅格化的三种建筑物数据进行叠加得到总体建筑物栅格数据，再将总体建筑物栅格数据进行矢量化，得到提取的遥感影像建筑物数据。
进一步地，基于深度学习的遥感影像建筑物提取系统还包括建筑物图斑识别模块，所述建筑物图斑识别模块用于根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑；若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑；
所述图像处理模块还包括影像后处理单元、无效图斑处理单元、有效图斑处理单元；所述影像后处理单元用于对所述建筑物预测模块中预测得到的栅格化的三种建筑物数据进行边界平滑，降低建筑物边界锯齿；所述无效图斑处理单元用于对判定为无效图斑进行图斑腐蚀、去噪处理来消除过滤图斑；所述有效图斑处理单元用于对判定为有效图斑进行图斑腐蚀、开闭运算、填充处理来修补图斑。
相比现有技术，本发明的有益效果在于：
本发明提供基于深度学习的遥感影像建筑物提取方法，包括步骤样本制作、模型训练、精度评定、建筑物预测、合并及矢量化。本发明还涉及基于深度学习的遥感影像建筑物提取系统、存储介质、电子设备；本发明采用深度优化全卷积神经网络，通过改进模型的网络层、池化大小等参数优化网络，同时添加深度边缘模型来提高建筑轮廓提取效果。本发明以改进的RCF边界约束模型为基础对城市单体建筑轮廓、农村孤立建筑轮廓以及农村建筑密集群外围边界进行提取，同时改进U-Net语义分割模型网络结构，利用改进U-Net对影像进行像素级分类，最后将两种模型进行融合，通过大量的建筑样本标签数据训练深度学习模型，以RCF与U-Net结合后改进的算法模型对亚米级国产高分2号遥感影像上的建筑物进行提取，实现自动高效的建筑物矢量数据提取，极大缩减手工绘制的时间成本和人力成本。相比于传统的人工建筑地块提取方法，本发明可有效提高建筑地块提取的生产效率，同时保证建筑单体形态与遥感影像上显示的建筑物形态的一致性，便于遥感影像处理推广应用。
建筑物在遥感影像上的类别和形态比较复杂，不仅颜色形状各异，而且尺度差异很大，有比较小的农村宅基地单栋房屋，也有占地面积很大的工厂厂房。针对建筑物的复杂特征，利用U-Net与RCF融合网络模型，将网络中所有的卷积层信息全部加以利用，显式地使用多尺度融合来充分提取对象特征，其中包括建筑外部轮廓特征以及建筑内部纹理特征，本发明能够得到更加细致的建筑物结果，并保证提取建筑结果的可靠性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的基于深度学习的遥感影像建筑物提取方法流程示意图；
图2为本发明的基于深度学习的遥感影像建筑物提取方法逻辑示意图；
图3为深度学习算法U-Net模型示意图；
图4为RCF算法模型示意图；
图5为本发明的改进的U-Net与RCF融合模型示意图；
图6为图5运用本发明后的建筑物局部示意图；
图7为本发明的基于深度学习的遥感影像建筑物提取系统示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
基于深度学习的遥感影像建筑物提取方法，如图1、图2所示，包括以下步骤：
S1、样本制作，采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量文件，并绘制所述面矢量文件中的建筑物标签，将标签为建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本，其中，所述建筑物样本种类包括城市单体建筑、农村孤立建筑、农村宅基地密集建筑群。
在一实施例中，收集整理研究区的高分2号0.8米分辨率4波段融合影像，建立影像库，同时根据影像建立相应的建筑矢量标签样本库(包括城市单体建筑、农村孤立建筑以及农村宅基地密集建筑群)；根据建筑样本库进行样本标签的格式转换，根据标签矢量将建筑样本转换为轮廓线样本栅格数据以及建筑面样本栅格数据。例如，在高分二号遥感影像上通过选择的点矢量文件进行影像样本块的自动裁切，得到大小为1000*1000且包含分类对象的面矢量框样本，绘制样本标签，利用GDAL(Geospatial Data Abstraction Library)批量处理多波段样本数据为标准格式，其中样本种类包括城市单体建筑、农村孤立建筑以及农村宅基地密集建筑群，每种样本包括线和面两类标签；需要说明的是，在本实施例中优选四波段融合影像，因四波段融合影像中在包含RGB三波段影像的基础上还包括近红外影像，首先在数据样本的数据量上较普通的三波段影像而言数据量大，有利于样本训练，从而提高准确性；其次，因近红外影像能有效过滤掉绿色干扰，和RGB三波段结合后有效快速过滤绿化带的图像信息，提高建筑物提取效率。在本实施例中，建筑物的轮廓线通过RCF(RicherConvolutional Features)算法来提取遥感影像的边界，建筑面样本栅格数据通过改进U-Net对遥感影像进行像素级分类，并以边界作为约束输入至深度学习的网络模型中。
S2、模型训练，调整RCF与U-Net结合后改进的算法模型参数，对所述建筑物样本进行基于RCF与U-Net结合后改进的算法模型训练，得到对应所述城市单体建筑、所述农村孤立建筑、所述农村宅基地密集建筑群的边界约束的三种分类模型。
如图3所示，为深度学习算法U-Net模型原理，U-Net是在FCN网络的基础上增加上采样阶段得到的具有多尺度的网络模型，适合遥感大图语义分割的卷积神经网络，网络结构如图3所示主要分为两个部分，输入侧部分与FCN一样是提取图像特征的卷积网络，输出侧部分是上采样部分的反卷积操作，本阶段添加很多特征通道，允许更多的原图像纹理信息在高分辨率的层中进行传播。特别说明的是，U-Net没有全连接层，且整个过程使用valid来进行卷积，这样可以保证分割结果都是在基于没有缺失的上下文特征中得到的，因此输入输出的图像尺寸会不一致，对于很大图像的输入，可以采用overlap-strategy来进行无缝的图像输出。另外由于上采样部分会融合特征提取部分的输出，这实际上是一个多尺度融合，对象的特征即来自第一个卷积block的输出，也来自上采样的输出，这样的连接贯穿整个网络，对于具有多种尺度的建筑物具有较好的提取效果。
如图4所示，为RCF算法模型原理，RCF算法是在HED算法结构的基础上进行一定的改进，其中，HED算法采用级联结构同时利用VGG作为模型进行fine-tune，输出VGG中5个stage的输出进行融合，但HED只利用每个stage中最后一层的卷积特征输出，而RCF则利用每个stage中所有卷积层的特征，并且引入新的损失函数loss/sigmoid。
如图5所示，为基于深度学习的边界约束模型即RCF与U-Net结合后改进的算法模型原理；将RCF算法原理贯穿整个U-Net网络，在U-Net网络的每一个卷积层后面使用1*1的卷积核进行升维或降维以及通道间的信息整合，并对每个阶段的特征层进行融合，对每个融合后的层计算loss，并将所有边缘loss进行加权平均，最后再与分类的loss进行加权平均得到最终loss，而最终的输出结果为边缘模块的最后一层卷积输出与分类模块的最后一层卷积输出融合后的结果，充分利用边界特征进行约束。
在一实施例中，依据转换后的三种分类样本进行基于深度学习的边界约束的模型训练，对模型中的网络层数池化大小等进行调整，并进行特征融合。例如，将每种建筑的图像栅格数据和对应的两类标签同时输入如图5所示的U-Net与RCF的改进网络，充分考虑模型对边界的特征以及建筑内部特征，实现了在分类的同时进行边界约束，通过调整参数进行反复迭代训练分别得到与三种建筑对应的边界约束的分类模型。
S3、精度评定，将待测试的遥感影像数据输入所述分类模型预测测试数据，并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步，若MIoU值或MPA存在不达标情况则调整改进的U-Net与RCF融合的网络模型参数返回步骤S1并修改样本重新迭代训练；例如，设定MIoU值范围在0.80-1间，设定MPA值范围在0.85-1间认定为达标，当超出范围时，则调整改进的U-Net与RCF融合的网络模型参数返回S1中重新训练。
S4、建筑物预测，利用经步骤S3中评定达标的三种分类模型对遥感影像目标区域进行建筑物预测，得到遥感影像中栅格化的三种建筑物数据；例如，利用RCF与U-Net结合后改进的算法模型对遥感影像目标区域高分2号遥感影像进行建筑物提取，充分考虑模型对边界的特征以及建筑内部特征，实现了在分类的同时进行边界约束。
S7、合并及矢量化，将最终的栅格化的三种建筑物数据进行叠加得到总体建筑物栅格数据，再将总体建筑物栅格数据进行矢量化，得到提取的遥感影像建筑物数据，从而得到可应用的结果，最后再对矢量化的遥感影像建筑物数据进行拓扑检查、边缘检查等矢量化运算；例如，图6所示，为提取南京栖霞区城市部分建筑结果示意图，其中黑色轮廓均为建筑边界。通过实际人工建筑生产试验的验证，本发明的技术方法在效率上得到较大的提高：试验区样本面积约200平方千米，共有建筑物(群)16231个，单人提取耗时约48小时，应用本发明的技术方法提取用时1小时，人工精修1.5小时，生产效率提高约20倍。因此本发明可以在保证精度的前提下有效提高现有建筑提取方法的效率。
需要说明的是，矢量数据结构可具体分为点、线、面，可以构成现实世界中各种复杂的实体，当问题可描述成线或边界时，特别有效。矢量数据的结构紧凑，冗余度低，并具有空间实体的拓扑信息，容易定义和操作单个空间实体，便于网络分析。矢量数据的输出质量好、精度高。但矢量数据结构的复杂性，导致了操作和算法的复杂化，作为一种基于线和边界的编码方法，不能有效地支持影像代数运算，如不能有效地进行点集的集合运算(如叠加)，运算效率低而复杂。由于矢量数据结构的存贮比较复杂，导致空间实体的查询十分费时，需要逐点、逐线、逐面地查询。矢量数据和栅格表示的影像数据不能直接运算(如联合查询和空间分析)，交互时必须进行矢量和栅格转换。矢量数据与DEM(数字高程模型)的交互是通过等高线来实现的，不能与DEM直接进行联合空间分析。栅格数据结构是通过空间点的密集而规则的排列表示整体的空间现象的。其数据结构简单，定位存取性能好，可以与影像和DEM数据进行联合空间分析，数据共享容易实现，对栅格数据的操作比较容易。栅格数据的数据量与格网间距的平方成反比，较高的几何精度的代价是数据量的极大增加。因为只使用行和列来作为空间实体的位置标识，故难以获取空间实体的拓扑信息，难以进行网络分析等操作。栅格数据结构不是面向实体的，各种实体往往是叠加在一起反映出来的，因而难以识别和分离。对点实体的识别需要采用匹配技术，对线实体的识别需采用边缘检测技术，对面实体的识别则需采用影像分类技术，这些技术不仅费时，而且不能保证完全正确。通过以上的分析可以看出，矢量数据结构和栅格数据结构的优缺点是互补的，为了有效地实现GIS中的各项功能(如与遥感影像数据的结合，有效的空间分析等)需要同时使用两种数据结构，并在GIS中实现两种数据结构的高效转换。
在一实施例中，所述步骤S4与所述步骤S7之间还包括步骤:
S5、影像后处理，利用图像处理模块对步骤S4中预测得到的栅格化的三种建筑物数据进行边界平滑，降低建筑物边界锯齿。在本实施例中，首先对提取的建筑轮廓边界进行平滑以及细化处理。应当理解，图像处理包括但不限于现有的图形学算法如边缘平滑、细化处理，在本实施例中，采用opencv图像处理模块对预测结果进行后处理。
在一实施例中，因在建筑物提取过程中易出现偏差导致原本连贯的建筑物中断，所述步骤S4与所述步骤S7之间还包括步骤：
S6、建筑物图斑处理，根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑，并进行图斑腐蚀、开闭运算、填充处理来修补图斑；若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑，并进行图斑腐蚀、去噪处理来消除过滤图斑。在本实施例中，先判断提取的建筑图斑大小，对建筑单体以及建筑群进行区分，通过图形学算法实现建筑群的孔洞修补以及建筑单体的去噪；例如，图斑分为有效图斑和无效图斑，判定的标准是一个经验值，主要根据建筑物面积大小划分，由于三种建筑物的平均大小不同，所以不同类型建筑物的图斑判定阈值也不同，当判定为有效图斑时，将进行一系列图像学操作，包括但不限于图斑腐蚀、开闭运算、填充；当判定为无效图斑时，则通过腐蚀、去噪方法消除，过滤了一部分错提结果。
一种电子设备，包括：处理器；存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行基于深度学习的遥感影像建筑物提方法。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行基于深度学习的遥感影像建筑物提取方法。
基于深度学习的遥感影像建筑物提取系统，如图7所示，包括样本制作模块、模型训练模块、精度评定模块、建筑物预测模块、图像处理模块；其中，
所述图像处理模块包括合并矢量化单元、栅格化单元，所述合并矢量化单元用于将遥感影像的栅格化数据先合并再进行矢量化，所述栅格化单元用于将遥感影像的矢量化数据栅格化；
所述样本制作模块用于采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量样本，并绘制面矢量样本的标签，将标签为建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本，其中，所述建筑物样本种类包括城市单体建筑、农村孤立建筑、农村宅基地密集建筑群；
所述模型训练模块用于调整RCF与U-Net结合后改进的算法模型参数，对建筑物样本进行基于RCF与U-Net结合后改进的算法模型训练，得到对应城市单体建筑、农村孤立建筑、农村宅基地密集建筑群的边界约束的三种分类模型；
所述精度评定模块用于将待测试的遥感影像数据输入分类模型预测测试数据，并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步，若MIoU值或MPA存在不达标情况则调整改进的U-Net与RCF融合的网络模型参数返回并修改样本重新迭代训练；
所述建筑物预测模块用于利用经所述精度评定模块中评定达标的分类模型对遥感影像目标区域进行建筑物预测，得到遥感影像中栅格化的三种建筑物数据；
所述合并矢量化单元将最终的栅格化的三种建筑物数据进行叠加得到总体建筑物栅格数据，再将总体建筑物栅格数据进行矢量化，得到提取的遥感影像建筑物数据。
优选地，如图7所示，基于深度学习的遥感影像建筑物提取系统还包括建筑物图斑识别模块，所述建筑物图斑识别模块用于根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑；若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑；
所述图像处理模块还包括影像后处理单元、无效图斑处理单元、有效图斑处理单元；所述影像后处理单元用于对所述建筑物预测模块中预测得到的栅格化的三种建筑物数据进行边界平滑，降低建筑物边界锯齿；所述无效图斑处理单元用于对判定为无效图斑进行图斑腐蚀、去噪处理来消除过滤图斑；所述有效图斑处理单元用于对判定为有效图斑进行图斑腐蚀、开闭运算、填充处理来修补图斑。
本发明提供一种基于深度学习的遥感影像建筑物提取方法，采用深度优化全卷积神经网络，通过改进模型的网络层、池化大小等参数优化网络，同时添加深度边缘模型来提高建筑轮廓提取效果。本发明以改进的RCF边界约束模型为基础对城市单体建筑轮廓、农村孤立建筑轮廓以及农村建筑密集群外围边界进行提取，同时改进U-Net语义分割模型网络结构，利用改进U-Net对影像进行像素级分类，最后将两种模型进行融合，通过大量的建筑样本标签数据训练深度学习模型，以RCF与U-Net结合后改进的算法模型对亚米级国产高分2号遥感影像上的建筑物进行提取，实现自动高效的建筑物矢量数据提取，极大缩减手工绘制的时间成本和人力成本。相比于传统的人工建筑地块提取方法，本发明可有效提高建筑地块提取的生产效率，同时保证建筑单体形态与遥感影像上显示的建筑物形态的一致性。
建筑物在遥感影像上的类别和形态比较复杂，不仅颜色形状各异，而且尺度差异很大，有比较小的农村宅基地单栋房屋，也有占地面积很大的工厂厂房。针对建筑物的复杂特征，利用U-Net与RCF融合网络模型，将网络中所有的卷积层信息全部加以利用，显式地使用多尺度融合来充分提取对象特征，其中包括建筑外部轮廓特征以及建筑内部纹理特征，本发明能够得到更加细致的建筑物结果，并保证提取建筑结果的可靠性。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.基于深度学习的遥感影像建筑物提取方法，其特征在于，包括以下步骤：
S1、样本制作，采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量文件，并绘制所述面矢量文件中的建筑物标签，将标签为建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本，其中，所述建筑物样本种类包括城市单体建筑、农村孤立建筑、农村宅基地密集建筑群；
S2、模型训练，调整RCF与U-Net结合后改进的算法模型参数，对所述建筑物样本进行基于RCF与U-Net结合后改进的算法模型训练，得到对应所述城市单体建筑、所述农村孤立建筑、所述农村宅基地密集建筑群的边界约束的三种分类模型；其中，RCF与U-Net结合后改进的算法模型具体为：将RCF算法原理贯穿整个U-Net网络，在U-Net网络的每一个卷积层后面使用1*1的卷积核进行升维或降维以及通道间的信息整合，并对每个阶段的特征层进行融合，对每个融合后的层计算loss，并将所有边缘loss进行加权平均，最后再与分类的loss进行加权平均得到最终loss，而最终的输出结果为边缘模块的最后一层卷积输出与分类模块的最后一层卷积输出融合后的结果，充分利用边界特征进行约束；
S3、精度评定，将待测试的遥感影像数据输入所述分类模型预测测试数据，并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步，若MIoU值或MPA存在不达标情况则调整改进的U-Net与RCF融合的网络模型参数返回步骤S1并修改样本重新迭代训练；
S4、建筑物预测，利用经步骤S3中评定达标的三种分类模型对遥感影像目标区域进行建筑物预测，得到遥感影像中栅格化的三种建筑物数据；
S7、合并及矢量化，将最终的栅格化的三种建筑物数据进行叠加得到总体建筑物栅格数据，再将总体建筑物栅格数据进行矢量化，得到提取的遥感影像建筑物数据。
2.如权利要求1所述的基于深度学习的遥感影像建筑物提取方法，其特征在于，步骤S4与步骤S7之间还包括步骤:
S5、影像后处理，利用图像处理模块对步骤S4中预测得到的栅格化的三种建筑物数据进行边界平滑，降低建筑物边界锯齿。
3.如权利要求1或2所述的基于深度学习的遥感影像建筑物提取方法，其特征在于，步骤S4与步骤S7之间还包括步骤:
S6、建筑物图斑处理，根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑，并进行图斑腐蚀、开闭运算、填充处理来修补图斑；若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑，并进行图斑腐蚀、去噪处理来消除过滤图斑。
4.如权利要求3所述的基于深度学习的遥感影像建筑物提取方法，其特征在于：所述建筑物标签包括线标签、面标签。
5.如权利要求3所述的基于深度学习的遥感影像建筑物提取方法，其特征在于：在步骤S1中通过RCF算法提取遥感影像的边界，并根据边界进行建筑分类，并将通过RCF算法提取遥感影像的边界作为约束条件并输入所述建筑物样本。
6.如权利要求4或5所述的基于深度学习的遥感影像建筑物提取方法，其特征在于：所述遥感影像为三波段或四波段融合影像。
7.一种电子设备，其特征在于包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1所述的方法。
9.基于深度学习的遥感影像建筑物提取系统，其特征在于：包括样本制作模块、模型训练模块、精度评定模块、建筑物预测模块、图像处理模块；其中，
所述图像处理模块包括合并矢量化单元、栅格化单元，所述合并矢量化单元用于将遥感影像的栅格化数据先合并再进行矢量化，所述栅格化单元用于将遥感影像的矢量化数据栅格化；
所述样本制作模块用于采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量样本，并绘制面矢量样本的标签，将标签为建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本，其中，所述建筑物样本种类包括城市单体建筑、农村孤立建筑、农村宅基地密集建筑群；
所述模型训练模块用于调整RCF与U-Net结合后改进的算法模型参数，对建筑物样本进行基于RCF与U-Net结合后改进的算法模型训练，得到对应城市单体建筑、农村孤立建筑、农村宅基地密集建筑群的边界约束的三种分类模型；其中，改进的U-Net与RCF融合的网络结构具体为：将RCF算法原理贯穿整个U-Net网络，在U-Net网络的每一个卷积层后面使用1*1的卷积核进行升维或降维以及通道间的信息整合，并对每个阶段的特征层进行融合，对每个融合后的层计算loss，并将所有边缘loss进行加权平均，最后再与分类的loss进行加权平均得到最终loss，而最终的输出结果为边缘模块的最后一层卷积输出与分类模块的最后一层卷积输出融合后的结果，充分利用边界特征进行约束；
所述精度评定模块用于将待测试的遥感影像数据输入分类模型预测测试数据，并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步，若MIoU值或MPA存在不达标情况则调整改进的U-Net与RCF融合的网络模型参数返回并修改样本重新迭代训练；
所述建筑物预测模块用于利用经所述精度评定模块中评定达标的分类模型对遥感影像目标区域进行建筑物预测，得到遥感影像中栅格化的三种建筑物数据；
所述合并矢量化单元将最终的栅格化的三种建筑物数据进行叠加得到总体建筑物栅格数据，再将总体建筑物栅格数据进行矢量化，得到提取的遥感影像建筑物数据。
10.如权利要求9所述的基于深度学习的遥感影像建筑物提取系统，其特征在于：还包括建筑物图斑识别模块，所述建筑物图斑识别模块用于根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑；若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑；
所述图像处理模块还包括影像后处理单元、无效图斑处理单元、有效图斑处理单元；所述影像后处理单元用于对所述建筑物预测模块中预测得到的栅格化的三种建筑物数据进行边界平滑，降低建筑物边界锯齿；所述无效图斑处理单元用于对判定为无效图斑进行图斑腐蚀、去噪处理来消除过滤图斑；所述有效图斑处理单元用于对判定为有效图斑进行图斑腐蚀、开闭运算、填充处理来修补图斑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811279197.1A CN109446992B (zh) | 2018-10-30 | 2018-10-30 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811279197.1A CN109446992B (zh) | 2018-10-30 | 2018-10-30 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109446992A CN109446992A (zh) | 2019-03-08 |
| CN109446992B true CN109446992B (zh) | 2022-06-17 |
Family
ID=65549932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811279197.1A Active CN109446992B (zh) | 2018-10-30 | 2018-10-30 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109446992B (zh) |
Families Citing this family (55)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175548B (zh) * | 2019-05-20 | 2022-08-23 | 中国科学院光电技术研究所 | 基于注意力机制和通道信息的遥感图像建筑物提取方法 |
| CN110197147B (zh) * | 2019-05-23 | 2022-12-02 | 星际空间（天津）科技发展有限公司 | 遥感影像的建筑物实例提取方法、装置、存储介质及设备 |
| CN110298348B (zh) * | 2019-06-12 | 2020-04-28 | 苏州中科天启遥感科技有限公司 | 遥感影像建筑物样本区域提取方法及系统、存储介质、设备 |
| CN110580443B (zh) * | 2019-06-19 | 2022-03-08 | 深圳大学 | 一种低空近实时建筑震害评估方法 |
| CN112232102B (zh) * | 2019-07-15 | 2024-09-20 | 中国司法大数据研究院有限公司 | 一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统 |
| CN110516539A (zh) * | 2019-07-17 | 2019-11-29 | 苏州中科天启遥感科技有限公司 | 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备 |
| CN110532894B (zh) * | 2019-08-05 | 2021-09-03 | 西安电子科技大学 | 基于边界约束CenterNet的遥感目标检测方法 |
| CN110675408A (zh) * | 2019-09-19 | 2020-01-10 | 成都数之联科技有限公司 | 基于深度学习的高分辨率影像建筑物提取方法及系统 |
| CN110674735B (zh) * | 2019-09-23 | 2022-05-24 | 中国科学院地理科学与资源研究所 | 基于精细分类的农业设施遥感提取方法和装置 |
| CN110738133B (zh) * | 2019-09-23 | 2023-10-27 | 中科禾信遥感科技（苏州）有限公司 | 不同农业设施图像轮廓边界识别方法和装置 |
| CN110717420A (zh) * | 2019-09-25 | 2020-01-21 | 中国科学院深圳先进技术研究院 | 一种基于遥感图像的耕地提取方法、系统及电子设备 |
| CN110956196B (zh) * | 2019-10-11 | 2024-03-08 | 东南大学 | 一种城市建筑物窗墙比自动识别方法 |
| CN111191500A (zh) * | 2019-11-12 | 2020-05-22 | 广东融合通信股份有限公司 | 一种基于深度学习图像分割的光伏屋顶资源识别方法 |
| CN110992257B (zh) * | 2019-12-20 | 2024-06-14 | 北京航天泰坦科技股份有限公司 | 基于深度学习的遥感影像敏感信息自动屏蔽方法及装置 |
| CN111144335A (zh) * | 2019-12-30 | 2020-05-12 | 自然资源部国土卫星遥感应用中心 | 一种构建建筑物深度学习模型的方法及装置 |
| CN111242028A (zh) * | 2020-01-13 | 2020-06-05 | 北京工业大学 | 基于U-Net的遥感图像地物分割方法 |
| CN111339947A (zh) * | 2020-02-26 | 2020-06-26 | 苏州中科天启遥感科技有限公司 | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 |
| CN111368843B (zh) * | 2020-03-06 | 2022-06-10 | 电子科技大学 | 一种基于语义分割的冰上湖提取的方法 |
| CN111414878B (zh) * | 2020-03-26 | 2023-11-03 | 北京京东智能城市大数据研究院 | 一种关于地块的社会属性分析、图像处理方法及装置 |
| CN111462220A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 待侦测物体阴影面积提取方法、装置、设备及介质 |
| CN111489387B (zh) * | 2020-04-09 | 2023-10-20 | 湖南盛鼎科技发展有限责任公司 | 遥感图像建筑物面积计算方法 |
| CN111476308B (zh) * | 2020-04-10 | 2024-06-11 | 高崟 | 基于先验几何约束的遥感影像分类方法、装置和电子设备 |
| CN111553272B (zh) * | 2020-04-28 | 2022-05-06 | 上海市测绘院 | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 |
| CN111914611B (zh) * | 2020-05-09 | 2022-11-15 | 中国科学院空天信息创新研究院 | 城市绿地高分遥感监测方法与系统 |
| CN111652251B (zh) * | 2020-06-09 | 2023-06-27 | 星际空间（天津）科技发展有限公司 | 遥感影像建筑物特征提取模型构建方法、装置及存储介质 |
| CN111652250B (zh) * | 2020-06-09 | 2023-05-26 | 星际空间（天津）科技发展有限公司 | 基于多边形的遥感影像建筑物提取方法、装置及存储介质 |
| CN111709346B (zh) * | 2020-06-10 | 2024-07-12 | 嘉应学院 | 基于深度学习和高分影像的历史建筑识别与检测方法 |
| CN111832502A (zh) * | 2020-07-20 | 2020-10-27 | 中国人民解放军战略支援部队航天工程大学 | 面向卫星在轨应用的遥感影像视觉显著区域智能搜索方法 |
| CN111914328B (zh) * | 2020-07-31 | 2023-11-17 | 同济大学 | 一种基于人工智能的建筑平面辅助设计方法及系统 |
| CN112052783B (zh) * | 2020-09-02 | 2024-04-09 | 中南大学 | 一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法 |
| CN112182125B (zh) * | 2020-09-14 | 2022-07-05 | 中国科学院重庆绿色智能技术研究院 | 一种商务集聚区边界识别系统 |
| CN112149594B (zh) * | 2020-09-29 | 2022-08-09 | 同济大学 | 基于深度学习和高分辨率卫星影像的城市建设评估方法 |
| CN112288331B (zh) * | 2020-11-24 | 2022-04-12 | 哈尔滨工业大学 | 一种基于语义识别的建筑改建评估系统 |
| CN114638769A (zh) * | 2020-12-15 | 2022-06-17 | 武汉市探测者科技有限公司 | 一种基于图像处理算法的2.5维地图建筑物热区自动提取方法 |
| CN112580510B (zh) * | 2020-12-18 | 2024-05-21 | 广州市城市规划设计有限公司 | 可渗透地面面积率的估算方法、装置、设备及存储介质 |
| CN112668552B (zh) * | 2021-01-18 | 2024-08-30 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于深度学习的水土保持措施图斑自动提取方法及系统 |
| CN112990001A (zh) * | 2021-03-11 | 2021-06-18 | 中国电建集团华东勘测设计研究院有限公司 | 应用于数字征迁的遥感影像单体建筑快速精准提取方法 |
| CN113516135B (zh) * | 2021-06-23 | 2023-10-31 | 江苏师范大学 | 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法 |
| CN113505842B (zh) * | 2021-07-21 | 2024-01-05 | 中国科学院空天信息创新研究院 | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 |
| CN113486135B (zh) * | 2021-07-27 | 2024-04-12 | 中南大学 | 基于深度学习网络的建筑物综合方法 |
| CN113610013A (zh) * | 2021-08-10 | 2021-11-05 | 四川易方智慧科技有限公司 | 基于高清遥感影像的rgb波段提取建筑物轮廓的方法 |
| CN113807301B (zh) * | 2021-09-26 | 2024-06-07 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取系统 |
| CN113989660A (zh) * | 2021-10-14 | 2022-01-28 | 浙江数维科技有限公司 | 一种不同时相影像变化的检测方法 |
| CN114092813B (zh) * | 2021-11-25 | 2022-08-05 | 中国科学院空天信息创新研究院 | 一种工业园区图像提取方法、系统、电子设备和存储介质 |
| CN114707785A (zh) * | 2021-12-03 | 2022-07-05 | 浙江臻善科技股份有限公司 | 基于深度学习的农村居民点多尺度空间特征分析方法 |
| CN114331031B (zh) * | 2021-12-08 | 2022-12-09 | 北京华清安地建筑设计有限公司 | 一种建筑传统特征识别评价方法和系统 |
| CN114419191A (zh) * | 2022-01-06 | 2022-04-29 | 东南数字经济发展研究院 | 一种面向遥感专题信息的大影像矢量化方法 |
| CN114049569B (zh) * | 2022-01-13 | 2022-03-18 | 自然资源部第三地理信息制图院 | 一种深度学习模型性能评价方法及系统 |
| CN114677522B (zh) * | 2022-03-17 | 2022-12-02 | 北京科技大学 | 基于建筑图斑和深度学习的建筑结构类型预测方法及系统 |
| CN114677589B (zh) * | 2022-03-18 | 2022-12-06 | 广州市城市规划勘测设计研究院 | 基于遥感解译的城市功能区识别方法、装置、设备及介质 |
| CN115841625B (zh) * | 2023-02-23 | 2023-06-06 | 杭州电子科技大学 | 一种基于改进U-Net模型的遥感建筑物影像提取方法 |
| CN115994987B (zh) * | 2023-03-21 | 2023-06-06 | 天津市勘察设计院集团有限公司 | 基于倾斜三维模型的农村建筑物提取及矢量化方法 |
| CN116052019B (zh) * | 2023-03-31 | 2023-07-25 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 适合于大区域高分辨率卫星影像的建成区高质量检测方法 |
| CN117218485A (zh) * | 2023-09-05 | 2023-12-12 | 安徽省第二测绘院 | 基于深度学习模型的多源遥感影像解译样本库创建方法 |
| CN117853914B (zh) * | 2024-01-10 | 2024-07-09 | 江苏省城镇与乡村规划设计院有限公司 | 一种基于深度学习与空间对象的遥感影像建筑物识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102004922A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于骨架特征的高分辨率遥感影像飞机提取方法 |
| CN104504718A (zh) * | 2015-01-06 | 2015-04-08 | 南京大学 | 高分辨率航空遥感数据自动道路提取方法 |
| CN107092877A (zh) * | 2017-04-12 | 2017-08-25 | 武汉大学 | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 |
| CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
| CN107767382A (zh) * | 2017-09-26 | 2018-03-06 | 武汉市国土资源和规划信息中心 | 静态三维地图建筑物轮廓线的自动提取方法及系统 |
| CN107967454A (zh) * | 2017-11-24 | 2018-04-27 | 武汉理工大学 | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 |
| CN108198181A (zh) * | 2018-01-23 | 2018-06-22 | 电子科技大学 | 一种基于区域分割和图像融合的红外热图像处理方法 |
| CN108537192A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9760990B2 (en) * | 2014-12-14 | 2017-09-12 | International Business Machines Corporation | Cloud-based infrastructure for feedback-driven training and image recognition |
| WO2017040691A1 (en) * | 2015-08-31 | 2017-03-09 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
-
2018
- 2018-10-30 CN CN201811279197.1A patent/CN109446992B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102004922A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于骨架特征的高分辨率遥感影像飞机提取方法 |
| CN104504718A (zh) * | 2015-01-06 | 2015-04-08 | 南京大学 | 高分辨率航空遥感数据自动道路提取方法 |
| CN107092877A (zh) * | 2017-04-12 | 2017-08-25 | 武汉大学 | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 |
| CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
| CN107767382A (zh) * | 2017-09-26 | 2018-03-06 | 武汉市国土资源和规划信息中心 | 静态三维地图建筑物轮廓线的自动提取方法及系统 |
| CN107967454A (zh) * | 2017-11-24 | 2018-04-27 | 武汉理工大学 | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 |
| CN108198181A (zh) * | 2018-01-23 | 2018-06-22 | 电子科技大学 | 一种基于区域分割和图像融合的红外热图像处理方法 |
| CN108537192A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| A Boundary Regulated Network for Accurate Roof Segmentation and Outline Extraction;Guangming Wu等;《Remote Sening》;20180730;第10卷(第8期);第1-19页 * |
| Road Extraction From a High Spatial Resolution Remote Sensing Image Based on Richer Convolutional Features;ZHAOLI HONG等;《IEEE Access》;20180921;第6卷;第46988-47000页 * |
| 基于Ｕ型卷积神经网络的航空影像建筑物检测;伍光明等;《测绘学报》;20180630;第47卷(第6期);第864-872页 * |
| 基于深度学习U-net模型的高分辨率遥感影像分类方法研究;许慧敏;《中国优秀硕士学位论文全文数据库 基础科学辑》;20180915(第9期);第A008-39页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109446992A (zh) | 2019-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
| CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
| CN107527352B (zh) | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 | |
| CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
| CN109543630B (zh) | 基于深度学习的遥感影像林地提取方法及系统、存储介质、电子设备 | |
| CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
| CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| CN110516539A (zh) | 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备 | |
| CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
| CN112712033B (zh) | 一种城市排水管网汇水区自动划分方法 | |
| CN113901900A (zh) | 一种同源或异源遥感图像用无监督变化检测方法及系统 | |
| CN113657324A (zh) | 基于遥感影像地物分类的城市功能区识别方法 | |
| CN112949407A (zh) | 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法 | |
| Yu et al. | Intelligent Crack Detection and Quantification in the Concrete Bridge: A Deep Learning‐Assisted Image Processing Approach | |
| CN116704350B (zh) | 基于高分辨遥感影像水域变化监测方法、系统及电子设备 | |
| Zhu et al. | Change detection based on the combination of improved SegNet neural network and morphology | |
| CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
| Jiao et al. | Extracting wetlands from swiss historical maps with convolutional neural networks | |
| CN117727046A (zh) | 新型山洪前端仪器仪表读数自动识别方法及系统 | |
| CN111798530A (zh) | 一种遥感图像分类方法 | |
| CN113657196B (zh) | Sar图像目标检测方法、装置、电子设备和存储介质 | |
| CN116091911A (zh) | 一种地震勘探工区建筑物自动识别方法及系统 | |
| CN112033937B (zh) | 一种水体提取精度的评价方法 | |
| CN112613354A (zh) | 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |