[发明专利]多任务CNN模型下的遥感影像与建筑物矢量配准方法及系统

说明书

本发明公开了一种基于多任务CNN模型的遥感影像与建筑物矢量配准方法及系统，首先包括借助配准建筑物矢量作为参考样本，来训练全卷积网络模型，通过该模型，进一步从高分遥感影像中生成适应于建筑物识别的特征图层；其次设计多任务CNN模型，将特征图层和栅格化后的建筑物矢量进行叠加，输入到模型中，经由若干次卷积、池化和全连接操作，输出当前建筑物矢量的误报概率和几何校正参数；最后基于校正前后的建筑物矢量，计算多任务CNN模型输出结果的参考值，完成模型训练；通过训练所得的多任务CNN模型，实现建筑物矢量与遥感影像的自适应配准。本发明在进行建筑物矢量的自动筛选和校正时，在保留建筑物矢量有效信息的基础上，提升了原始数据有效的精度。

技术领域

本发明涉及测绘科学与技术领域，更具体地说，涉及一种利用多任务CNN模型，进行遥感影像与建筑物矢量自适应配准的方法及系统。

背景技术

从高分辨率遥感影像中获取精确建筑物矢量轮廓信息，可为城市规划、土地调查、违章建筑检测以及军事侦察等诸多应用领域提供重要依据。由于历史资料中的建筑物矢量数据通常经历过人工检核，具有可靠的矢量结构和边缘细节信息，因此相比直接进行遥感影像建筑物提取，将既有的建筑物矢量数据与遥感影像配准，是一种更为经济且可靠性较高的信息获取方式。但由于建筑物的拆迁、损毁，以及不同期的测图数据分辨率、成像角度或定位精度不一致等原因，要实现遥感影像与异源建筑物矢量数据的精确配准不仅需删除误报矢量，还需解决矢量相对于影像程度不均的偏移和形变。高精度的遥感影像与建筑物矢量自动配准技术对于提升历史矢量数据的精度、质量和应用价值具有重要意义。

现有的遥感影像与建筑物矢量配准技术主要可分为基于规则的精化处理方法和基于主动轮廓模型的矢量优化方法。前者一般首先提取影像线特征，并设计相关规则对线特征进行筛选、编组，进而对原始矢量进行自动编辑和替换，但影像中难以识别的弱特征、伪特征以及过于严格的假设前提都限制了这种技术的实用范围；后者则通过优化包含多种约束的能量函数参数，驱使原始矢量在保持连续平滑的同时向建筑物边缘收敛，但这类方法并未顾及既有建筑物矢量数据的结构和形变特性，直接应用此类技术可能造成对原始建筑物矢量的过度修正。此外，该两类技术本质上均建立在应用人工设计的低级图像特征的基础上，难以适应不同地区复杂多样的建筑物结构、纹理，以及不同数据中光照、分辨率和成像质量的变化，因此其应用场景和泛化能力均较大程度受限。

发明内容

本发明要解决的技术问题在于，针对现有技术的应用场景和泛化能力均较大程度受限缺陷，提供一种多任务CNN模型下的遥感影像与建筑物矢量配准方法及系统。

本发明解决其技术问题所采用的技术方案是：构造一种多任务CNN模型下的遥感影像与建筑物矢量配准方法，具体包括以下步骤：

S1、进行数据准备，构建训练数据集；所述训练数据集中包括若干张高分遥感影像；其中，针对每张高分遥感影像，所述训练数据集还包括未与高分遥感影像配准的原始建筑物矢量，以及将原始建筑物矢量与高分遥感影像进行配准校正后的配准建筑物矢量；

S2、利用从训练数据集中获取到每项配准建筑物矢量，训练用于遥感影像建筑物检测的全卷积网络模型；

S3、对训练数据集中的每项原始建筑物矢量进行遍历，且在遍历的过程中，采用后向传播和随机梯度下降算法，且以利用全卷积网络生成的特征图层作为辅助信息，对所述多任务CNN模型进行训练；

S4、输入遥感影像数据到步骤S3训练的多任务CNN模型中，该模型内经由若干次卷积、池化和全连接操作后，进行遥感影像与建筑物矢量的自动配准。

进一步的，所述多任务CNN模型的输入项包括：将原始建筑物矢量栅格化后形成的二值图像，以及将与所述二值图像具有相同图像范围的高分遥感影像，输入到步骤S2训练所得的全卷积网络模型后，得到的与高分遥感影像具有相同地理范围的特征图层，分别作为多任务CNN模型的输入项；

所述多任务CNN模型的输出项包括：建筑物矢量的误报概率和几何校正参数两个分支；