[发明专利]一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法

权利要求书

1.一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法，其特征在于，包括如下步骤：

步骤1，根据已有的影像及建筑物覆盖矢量文件构建样本库；

步骤2，构建多尺度融合全卷积神经网络，并通过样本库对其进行训练，利用训练好的网络模型对遥感影像进行预测，得到遥感影像地表建筑物覆盖的分割结果；

步骤3，基于建筑物语义分割结果，进行建筑物边缘初始化，并获得初始矢量多边形；

步骤4，利用粗调整算法剔除错误的多边形和多边形错误的边、结点；

步骤5，利用规则化算法对矢量多边形进行规则化，得到规则的建筑物矢量边缘；具体实现方式如下，

51)确定建筑物的主方向：根据建筑物的面积设置不同的边长阈值W，长度大于W的边为长边，其余为短边，对于面积较小无法找到至少一条长边的建筑物依次将W减少w，直到找到至少一条长边；首先，将最长的一条边作为初始主方向，加入主方向列表中，将其余所有长边与主方向列表比较，如果该长边与所有主方向的夹角大于δ_min且小于δ_max，则将该长边的方向加入到主方向列表；

52)根据主方向调整多边形的边缘：首先将长边进行调整，将长边与主方向、主方向的垂直方向比较，得到最小的夹角，如果该夹角小于δ_min，则将该长边以中点为旋转中心，旋转到最小夹角对应主方向的平行或垂直方向；然后进行短边调整，将短边与主方向、主方向的垂直方向比较，得到最小的夹角，如果该夹角小于T_s，则将该短边以中点为旋转中心，旋转到最小夹角对应主方向的平行或垂直方向；

53)冗余平行线剔除和加入垂直线：调整完后的边缘可能存在连续两条边为平行线，依据建筑物面积设置不同的距离阈值d，如果连续平行线间的距离大于d，则在两平行线间加入一条垂线，否则，剔除长度较小的边；

54)依次计算连续两条边之间的交点，作为矢量多边形的结点，将所有结点依次连接，得到调整后的矢量多边形。

2.如权利要求1所述的一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法，其特征在于：步骤2中所述多尺度融合全卷积神经网络包括编码、解码以及输出3个部分；其中编码部分由5个卷积层、4个最大池化层组成；解码部分由4个卷积层，4个反卷积层组成；输出部分由4个子输出和1个主输出组成。

3.如权利要求2所述的一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法，其特征在于：所述编码部分的前两层卷积层由两组连续堆叠的卷积，修正线性单元以及一个批量归一化层组成；后三层卷积层由三组连续堆叠的卷积，修正线性单元以及两个批量归一化层组成；所述解码部分的前三个卷积层和最后一个卷积层分别由4组和3组连续堆叠的卷积，修正线性单元组成；每个解码部分最后得到一个子输出，主输出通过串联解码部分每个尺度上最后的1通道的特征图，得到一个4通道的特征图，通过Sigmoid函数激活得到最后的预测结果。

4.如权利要求1所述的一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法，其特征在于：步骤3中利用Douglas-Peucker算法进行边缘初始化，根据每个连通域的像素个数设置不同的限差阈值D，得到初始矢量多边形。

5.如权利要求1所述的一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法，其特征在于：步骤4的具体实现方式如下，

41)建筑物的边应具有一定的长度：剔除多边形小于T_d的边；

42)建筑物拐角不能过于尖锐或过于平缓：剔除小于α和大于β的角；

43)建筑物应该有一定的面积：删除面积小于S的多边形；

44)建筑物结点不应过多：剔除面积与结点个数的比值小于T_a和周长与结点的个数比值小于T_p的多边形。

6.如权利要求1所述的一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法，其特征在于：步骤1的具体实现方式如下，

首先将影像对应的建筑物覆盖矢量文件转换成二值栅格图像，栅格图像像素值为图像像素的标签，其中0代表背景1为建筑物，将原始影像和对应的栅格标签裁剪成瓦片构建样本库。