[发明专利]基于高分辨率遥感影像提取新增建设用地信息的方法

说明书

本发明公开了一种基于高分辨率遥感影像提取新增建设用地信息的方法，包括以下步骤：构建样本集：基于高分辨率遥感影像收集大量新增建设用地正负样本构建样本集，并将样本集划分为训练集与验证集；改进U‑net网络模型：在U‑net网络中引入Swish激活函数、空洞卷积算法和退化学习率；训练网络模型：采用焦点损失函数对训练集中负样本的权重进行弱化，并对改进后的U‑net网络模型进行训练；提取新增建设用地信息：采用改进后的U‑net网络模型从高分辨率遥感影像中提取新增建设用地信息。本发明在样本比例严重失衡的情况下进行新增建设用地的信息提取，减少了网络模型对训练样本数量的过分依赖，使得网络模型的适用性更强。

技术领域

本发明涉及遥感影像处理技术领域，具体涉及一种基于高分辨率遥感影像提取新增建设用地信息的方法。

背景技术

改革开放以来，我国的城市化、工业化持续推进。土地利用情况也发生着快速的变化，特别是建设用地的扩张，对区域内的优质耕地、水文及生态环境都有着巨大的影响。遥感技术具有真实客观、现势性强、成本低等优势，在新增建设用地信息提取的中都有着巨大的潜力。现阶段监测城市新增建设用地主要靠人工目视解译的方法，但该方法人工成本过高，耗费人力、物力及财力，无法做到实时掌握全国的土地利用情况。因此，利用自动算法快速、准确的提取新增建设用地对实时监测建筑物的建造、拆除，违改、违扩，及时准确掌握全国的新增建设用地信息，对于科学开展城市规划和建设，促进城市可持续发展有着极为重要的作用。

现有的新增建设用地提取方法主要分为传统的基于像元或面向对象的提取方法和基于深度学习的新增建设用地提取方法两类。其中，传统的方法包括分水岭方法、能量最小化方法、均质区域识别方法、聚类提取城市变化算法、形态学房屋指数等，而这类算法需要人工耗费大量精力设计特征，且适用范围小，提取精度较低，难以满足新增建设用地提取需求。基于基于深度学习的新增建设用地提取方法则通过样本学习来自动提取大量机器特征，适用性更强，精度更高，同时对样本数量有着很强的依赖性，然而在新增建设用地信息提取中，存在着正样本(包含新增建设用地的样本)的数量远远小于负样本(不包含新增建设用地的样本)的数量的问题，而现有的深度学习新增建设用地提取方法还无法有效解决样本失衡这一难题。

针对现有深度学习方法在新增建设用地提取中存在的对样本过分依赖，无法有效解决样本失衡问题的缺点，本发明提供一种基于高分辨率遥感影像提取新增建设用地信息的方法，能够有效解决样本失衡的问题。

发明内容

为了解决上述问题，本发明的目的是提供一种基于高分辨率遥感影像提取新增建设用地信息的方法，能够有效解决样本失衡的问题，同时减少对样本的依赖，提升了提取精度。

为实现上述目的，本发明采用以下技术方案：

本发明提供的一种基于高分辨率遥感影像提取新增建设用地信息的方法，包括以下步骤：

构建样本集：基于基于高分辨率遥感影像收集大量新增建设用地正负样本构建样本集，并将样本集划分为训练集与验证集；

改进U-net网络模型：在U-net网络中引入Swish激活函数、空洞卷积算法和退化学习率；

训练网络模型：采用焦点损失函数对训练集中负样本的权重进行弱化，并对改进后的U-net网络模型进行训练；

提取新增建设用地信息：采用改进后的U-net网络模型从高分辨率遥感影像中提取新增建设用地信息。

作为本实施例一种可能的实现方式，所述构建样本集的过程包括以下步骤：

步骤11：收集大量同一位置不同时相的高分辨率遥感正射影像，人工提取新增建设用地信息矢量图斑，作为样本集的构建素材；