[发明专利]一种无人机正射影像建筑物自动提取方法

权利要求书

1.一种无人机正射影像建筑物自动提取方法，其特征在于，包括无人机正射影像数据、深度学习模型训练、数据增强、新的损失函数、测试时增强方法(TTA)、集成学习，其具体步骤如下：

步骤S1：对原始的无人机正射影像训练数据进行数据增强得到数量扩大后的无人机正射影像训练数据，将分辨率高的影像数据及其二值标注影像切割成512*512像素的图片，得到训练集与验证集，包括正射影像及其对应的建筑物目标的二值标注；

步骤S2：在keras中搭建U-net语义分割模型，采用下采样、上采样的方法建立输入图像至输出预测之间的映射关系，并将原本的交叉熵损失函数改进为新的损失函数，Loss＝a₁loss_focal+a₂loss_dice，a₁、a₂为两项误差的权重，并利用keras中的fit_generator函数批量获取步骤S1所得到的数据输入模型进行训练，当验证集上的损失函数连续5个回合不再下降后，认为模型收敛，得到训练好的U-net建筑物提取模型；

步骤S3：在keras中搭建Seg-net语义分割模型，采用下采样、上采样的方法建立输入图像至输出预测之间的映射关系，相对于U-net，该模型深度更深，将原本的交叉熵损失函数改进为新的损失函数，Loss＝a₁loss_focal+a₂loss_dice，a₁、a₂为两项误差的权重，然后利用keras中的fit_generator函数批量获取步骤S1所得到的数据输入模型进行训练，当验证集上的损失函数连续5个回合不再下降后，认为模型收敛，得到训练好的Seg-net建筑物提取模型；

步骤S4：在keras中搭建deeplab模型，利用空洞卷积的概念扩大网络的感受野的同时，不降低特征图的尺度，因而减小了目标提取的位置误差，并设计新的损失函数为focal_loss与dice_loss的加权和，Loss＝a₁loss_focal+a₂loss_dice，a₁、a₂为两项误差的权重，然后利用keras中的fit_generator函数批量获取训练数据输入模型进行训练，当验证集上的损失函数连续5个回合不再下降后，认为模型收敛，得到训练好的deeplab建筑物提取模型；

步骤S5：对测试图片做测试增强，即对测试图片I₁水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I₂，I₃，I₄，用训练好的U-net建筑物提取模型对图片I₁，I₂，I₃，I₄，分别进行预测得到不同的预测结果P_1-1，P_2-1，P_3-1，P_4-1，转换到原图位置后求平均值得到U-net建筑物提取模型的最终预测结果Pu；

步骤S6：对测试图片做测试增强，即对测试图片I₁水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I₂，I₃，I₄，用训练好的Seg-net建筑物提取模型对图片I₁，I₂，I₃，I₄，分别进行预测得到不同的预测结果P_1-2，P_2-2，P_3-2，P_4-2，转换到原图位置后求平均值得到Seg-net建筑物提取模型的最终预测结果Ps；

步骤S7：对测试图片做测试增强，即对测试图片I₁水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I₂，I₃，I₄，用训练好的deeplab建筑物提取模型对图片I₁，I₂，I₃，I₄，分别进行预测得到不同的预测结果P_1-3，P_2-3，P_3-3，P_4-3，转换到原图位置后求平均值得到deeplab建筑物提取模型的最终预测结果Pd；

步骤S8：对三个模型得到的预测结果Pu，Ps，Pd进行投票，投票规则为三个模型中有超过两个模型预测为建筑物目标像素，那该像素属于建筑物目标像素，得到最终的预测结果。