[发明专利]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

权利要求书

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。