[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

说明书

本发明公开了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，包括如下步骤：根据已有的影像及建筑物覆盖矢量文件构建样本库；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；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；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；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。本发明中多尺度融合全卷积神经网络尺度鲁棒性强，规则化算法可以适应多种情况下的矢量边缘，极大程度的减少人工绘制建筑物边缘的工作量。

技术领域

本发明涉及一种用于遥感影像建筑物提取的深度学习方法及建筑物多边形轮廓的规则化算法，可用于遥感影像建筑物提取、建筑物矢量边缘生成、建筑物变化检测等。

背景技术

遥感影像建筑物自动化提取在城市规划、人口估计、地图制作与更新等应用中具有极为重要的意义。传统上，从航空/航天影像中提取建筑物的主要工作集中在：经验地设计一个恰当的特征以表达“什么是建筑物”，并创建相应的特征用于建筑物的自动识别和提取。常用的指标包括像素、光谱、长度、边缘、形状、纹理、阴影、高度、语义等等。而这些指标却会随着季节、光照、大气条件、传感器质量、尺度、建筑物风格和环境发生较明显的变化。因此，这种凭经验设计特征的方法常常只能处理特定的数据，而无法真正做到自动化。深度学习中的卷积神经网络在图像检索、图像分类、目标检测中展现出强大的性能。卷积神经网络可以自动学习一个多层的特征表达，将原始的输入图像映射为一元或多元的标签。这种自我学习特征的能力超越并逐渐代替了传统的人工经验设计特征的方法。建筑物提取不仅是个分类和语义分割问题，还是一个目标检测、实例分割问题。建筑物提取的目标并非关注某个像素是否为建筑物，更关注建筑物的数量、位置、形状。世界各地的绘图员的主要的、繁重的工作之一就是在航空/航天影像上手工勾勒建筑物矢量图，籍此生产各类地形图和专题图。因此，针对建筑物的矢量数据提取研究至关重要。

发明内容

本发明针对现有技术的不足，提供了一种尺度鲁棒性强的神经网络，能够适应不同尺度的遥感影像建筑物提取，并对语义分割得到的建筑物边缘加入先验性知识进行规则化处理，得到高质量的规则建筑物多边形。

实现本发明目的采用的技术方案是，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，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。

进一步的，步骤2中所述多尺度融合全卷积神经网络包括编码(encoding stage)、解码(decoding stage)以及输出(output)3个部分；其中编码部分由5个卷积层(Convolution Layer)、4个最大池化层(Max Pooling Layer)组成；解码部分由4个卷积层，4个反卷积层(Deconvolution Layer)组成；输出部分由4个子输出和1个主输出组成。