[发明专利]基于门控深度残差优化网络的建筑物提取方法

权利要求书

1.一种基于门控深度残差优化网络的建筑物提取方法，其特征在于，包括如下步骤：

获得高分辨率航空影像和机载LiDAR点云数据的图像特征组合；

通过随机裁剪、旋转、翻转、明暗度调整的方式增强图像样本的多样性；

利用改进的深度残差卷积神经网络自动学习图像的多层次特征，得到粗略的建筑物提取结果；

采用门控特征标记单元进行有效特征的筛选与融合，通过逐次上采样获得高质量的建筑物提取结果；

所述基于门控深度残差优化网络具有编码器-解码器的结构，其中：

编码器由改进的深度残差卷积神经网络构成，用于自动学习输入图像的低-中-高层次特征，通过多次卷积运算或最大池化运算得到尺寸大小为原始图像1/32的粗略建筑物分类图像；

解码器由多个门控特征标记单元和具有双线性二次插值功能的上采样层组成，上采样层逐次对门控特征标记单元产生的粗略建筑物分类图像进行2倍上采样操作，最后得到跟原始图像相同大小的建筑物分类结果；

所述利用改进的深度残差卷积神经网络自动学习图像的多层次特征，得到粗略的建筑物提取结果包括：

1)在深度残差卷积神经网络的第一个卷积模块之前嵌入一个新的卷积模块，所述嵌入一个新的卷积模块能够接收多波段的图像输入，输出特征数量为64且大小跟原图一致；2)原来的第一个卷积模块修改特征输入数为64；3)去除分类模块，增加一个卷积层，其输出为两个波段，表示粗略的建筑物提取结果；

所述采用门控特征标记单元进行有效特征的筛选与融合，通过逐次上采样获得高质量的建筑物提取结果，包括：

门控特征标记单元在编码器中共使用五次，在特征筛选阶段，将具有类别确信度更高的特征与边缘信息更丰富的特征进行合并，按照单元所在的特征层级筛选出不同数量的特征，依次为4、8、12、16、20个特征；

在解码器每次上采样过程中，门控特征标记单元将筛选后的结果与上采样后的粗略建筑物分类结果合并，得到尺寸为原来2倍的粗分类结果；同时，门控特征标记单元还把筛选后的结果传递给下一个门控特征标记单元，作为下一个单元的高层次特征输入；依此反复使用五次门控特征标记单元，获得跟原图尺寸相同的高质量建筑物提取结果。

2.如权利要求1所述的基于门控深度残差优化网络的建筑物提取方法，其特征在于，所述高分辨率航空影像和机载LiDAR点云数据中的LiDAR点云数据为归一化数字表面模型，所述高分辨率航空影像包括红、绿、近红外三个波段。

3.如权利要求2所述的基于门控深度残差优化网络的建筑物提取方法，其特征在于，所述获得高分辨率航空影像和机载LiDAR点云数据的图像特征组合包括：

消除机载LiDAR点云中的异常点；将点云的地面点和非地面点分离；通过自然邻域插值法提取数字高程模型和数字表面模型，得到两者之间的差值，所述两者之间的差值为归一化数字表面模型；

将相同空间分辨率的归一化数字表面模型和高分辨率航空影像的红、绿、近红外波段进行叠置组合。

4.如权利要求3所述的基于门控深度残差优化网络的建筑物提取方法，其特征在于，所述通过随机裁剪、旋转、翻转、明暗度调整的方式增强图像样本的多样性包括：

采用自动或半自动的地图矢量化方法对数据集覆盖范围内的建筑物进行矢量标记，将标记好的矢量图斑栅格化成二值标签图像，其中0表示非建筑物像元，1表示建筑物像元；

将标签图像以及原始特征组合图像分别裁剪成480×480尺寸大小的图像对，按照60％、20％、20％的比例划分成训练集、验证集和测试集，提供给卷积神经网络进行训练和验证；

训练过程中，对输入网络的图像对进行随机裁剪、旋转、翻转、明暗度调整的处理，使得每次输入神经网络的图像对都有不同的组合。