[发明专利]融合自学习语义特征与设计特征的遥感影像目标提取方法

说明书

本发明公开了一种融合自学习语义特征与设计特征的遥感影像目标提取方法，包括如下步骤：使用人工设计的边缘算子对遥感影像提取内部边缘点，依据边缘点完成图像初始分割并标记分割对象；通过改进的Mask R‑CNN模型学习并提取建筑物语义特征，根据自学习语义特征提取建筑物掩膜图像；融合基于边缘算子的遥感影像分割图与掩膜图像获得最终建筑物提取图。本发明从建筑物的自学习语义特征与人工设计特征两个角度出发，完成建筑物提取。模型既可以通过自学习语义特征弥补传统人工特征设计困难导致的目标误提取、漏提取问题，又可通过人工特征的设计完善自学习语义特征导致的建筑物提取结果边缘拟合较差、局部缺失问题。

技术领域

本发明涉及高分辨率遥感影像目标提取技术，尤其是一种融合自学习语义特征与人工设计特征的遥感影像目标提取方法。

背景技术

随着遥感卫星领域技术的进步以及城市化发展产生的需求，遥感影像中建筑物目标自动化精确提取已经成为数字测图领域重要的研究方向。目前，遥感图像进行目标建筑物提取的方法可以归结为基于人工设计特征的提取方式和新兴的深度学习技术。

当前，遥感图像进行目标建筑物提取的主流方法可以归结为基于人工设计特征的提取方式。在此基础上，根据建筑物提取原理不同分为以下三类：(1)基于遥感影像底层特征提取建筑物。(2)结合高程信息的建筑物提取。此类方法使用高程信息分离出非地面点，然后结合建筑物常用的边缘特征、光谱特征等人工特征检测建筑物。(3)面向对象的建筑物提取方法。该类方法首先利用遥感影像的光谱、纹理、边缘等信息对影像进行初始分割，使同质像素组成大小不同的对象，然后利用建筑物独有的光谱信息、形状纹理等特征进行提取。由于人工设计特征不完善，使得人工设计特征提取建筑物的方法提取结果中出现了大量误提取、漏提取现象。近年来，以深度卷积神经网络为代表的深度学习技术在计算机视觉领域中取得了极佳的成果。深度学习技术相对于传统人工设计特征的方法在目标识别领域具有一定优越性，但同时也表现出其在图像分割领域出现了提取结果局部缺失、边缘拟合较差的缺点。因此，结合两者的优势提出更精准的建筑物提取方法是一种发展趋势。

发明内容

发明目的：针对深度学习和特征提取各自优劣，为了准确有效地提取建筑物，本发明提供一种融合自学习语义特征与人工设计特征的遥感影像目标提取方法，它克服了传统设计特征方法中特征设计不完善造成的目标误提取、漏提取问题，同时通过结合建筑物的人工设计特征减少了自学习语义特征提取结果中出现的边缘拟合较差、局部漏提取等问题。

技术方案：为实现上述发明目的，本发明所述的融合自学习语义特征与设计特征的遥感影像目标提取方法，包括如下步骤：

(1)使用人工设计的边缘算子确定遥感影像中的边缘点，查找遥感影像内部边缘线，依据边缘线完成影像分割并标记，不同分割对象采用不同奇数/偶数初始化其像素值，每个对象中所有像素初始化为同一奇数/偶数值；

(2)使用Mask R-CNN模型自动学习并提取建筑物语义特征，并根据自学习语义特征提取出建筑物掩模图像，将掩模图像的像素值初始化为1；

(3)建立区域融合模型，将步骤(1)得到的对象分割图与步骤(2)得到的建筑物掩模图像对应像素相加，基于奇偶标记法获取掩模图像占据每个分割对象比例，根据设定的阈值判断分割对象是否属于建筑物，对建筑物掩模图像进行优化，提取出建筑物目标。

进一步地，所述步骤(1)包括：

(11)以遥感影像作为数据源，使用高斯模板对遥感影像消除图像噪声；

(12)使用人工设计的边缘点提取算子获得遥感影像梯度图，根据边缘算子矩阵求出图像一阶梯度图，确定每个像素点的边缘梯度强度M和边缘方向θ：

θ＝arctan(t_y/t_x)