[发明专利]一种基于深度学习的遥感图像非建筑区域过滤方法

说明书

本发明公开了一种基于深度学习的遥感图像非建筑区域过滤方法，具体包括如下步骤标注数据：标注建筑物屋顶类型数据，即是对图片中不同的建筑物屋顶标注出类型和位置信息；标注是否包含建筑物区域的数据，即是对图片中有无建筑物打上1/0标签；训练模型：利用Unet卷积神经网络训练建筑物屋顶分割模型；利用resnet卷积神经网络训练建筑物分类模型；识别大比例尺的遥感图片，当识别为有建筑物区域时，则利用建筑物屋顶分割模型识别该区域下所有的，小比例尺的遥感图像；否则就不识别该区域；输出建筑物屋顶类型信息。本发明可以快速过滤掉大批非建筑的区域，从而提升对城市建筑物屋顶的分割识别的效率，效率提升可以达到50％以上，节省一定的资源成本。

技术领域

本发明涉及图片智能处理技术领域，特别是一种基于深度学习的遥感图像非建筑区域过滤方法，来快速过滤掉遥感图像中的非建筑区域。

背景技术

目前，在通过某个城市的遥感图像对建筑物屋顶类型进行分割识别时，通常是选定一个较小的地图比例尺，如3000:1,因为要保证图像的空间分辨率足够高能进行准确的分割识别，再对该城市所有该比例尺下的遥感图像进行识别，这样存在的问题就是一个城市除了建筑物区域还有大量的水域及植被域等对其识别毫无意义且浪费时间的无关区域，若建筑物面积为所占城市面积的一半，那么模型识别的一半时间是无效且可以使用其他技术手段避免的。针对遥感图像中大面积的与建筑无关的区域，为了提升建筑物屋顶分割模型识别的效率，本发明的关键点在于通过卷积神经网络方法对大比例尺的图像进行分类识别，以此来判断该区域是否包含建筑物，从而避免浪费大量的时间去分割识别不存在建筑物的区域。

发明内容

本发明上述问题，提供一种基于深度学习的遥感图像非建筑区域过滤方法。本发明的技术方案为：

一种基于深度学习的遥感图像非建筑区域过滤方法，包括如下步骤：

100、标注数据：对获取的遥感图片进行标注；

101、训练模型：利用上述步骤中标注后的遥感图片对图片识别处理模型进行训练，以使所述图片识别处理模型获得后续独立识别处理遥感图片的能力；

102、输入待处理的大比例遥感图片，经训练后的图片识别处理模型进行识别和处理；

103、所述图片识别处理模型判断所述大比例遥感图片是否存在建筑物，如果不存在建筑物返回步骤102，如果存在建筑物执行步骤104；

104、所述图片识别处理模型对所述大比例遥感图片包含的每一地图瓦片进行建筑物的分类识别和标注；

105、输出遥感图片分类识别和标注后的地图信息。

作为本发明进一步地说明，所述图片识别处理模型包括建筑物屋顶分割模型和建筑物分类模型，所述建筑物分类模型用于大比例遥感图片的分析处理；所述建筑物屋顶分割模型用于地图瓦片建筑物的分类识别和标注。

更进一步地，所述步骤100中标注数据包括遥感图片是否包含建筑物区域的标注，以及图片中不同的建筑物屋顶类型和位置信息的标注。

更进一步地，所述步骤101中利用Unet卷积神经网络训练建筑物屋顶分割模型；利用resnet卷积神经网络训练建筑物分类模型。

更进一步地，所述建筑物屋顶分割模型对地图瓦片中不同类型的建筑物屋顶采用不同的标注。

更进一步地，所述标注的类型为3种或者三种以上。

更进一步地，所述大比例遥感图片的比例尺为非固定值，由用户按需设定。

本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被计算机或处理器执行以实现上述基于深度学习的遥感图像非建筑区域过滤方法。

本发明的有益效果：