[发明专利]一种基于深度学习的遥感影像建筑物矢量提取及优化方法

权利要求书

1.一种基于深度学习的遥感影像建筑物矢量提取方法，其特征在于，在基于遥感影像进行建筑物轮廓提取时，包括：建筑物分割步骤和建筑物矢量提取步骤，其中：

建筑物分割步骤包括：

将高分遥感影像输入到预训练好的图像分割模型，进行建筑物目标概率图提取，并经由二值化处理得到建筑物分割二值化图像；

建筑物矢量提取步骤包括：

对所得的建筑物分割二值化图像进行聚类和边缘轮廓跟踪处理，生成建筑物初始矢量轮廓。

2.根据权利要求1所述的遥感影像建筑物矢量提取方法，其特征在于，建筑物分割步骤中，所述图像分割模型包括PSPNet模型和特征金字塔模型；

所述图像分割模型的输出端采用全卷积方式，基于所得的特征图生成建筑物目标分割概率图；

基于目标分割概率图与真值标签图像之间的交叉熵损失进行图像分割模型的训练。

3.根据权利要求2所述的遥感影像建筑物矢量提取方法，其特征在于，建筑物分割步骤中，所述经由二值化处理得到建筑物分割二值化图像，具体为：

取0.5作为建筑物目标概率图的二值化阈值，在进行二值化处理后，得到建筑物分割二值化图像。

4.根据权利要求3所述的遥感影像建筑物矢量提取方法，其特征在于，建筑物矢量提取步骤中，所述对所得的建筑物分割二值化图像进行聚类和边缘轮廓跟踪处理，具体为：

聚类处理，即通过区域生长方法将建筑物分割二值化图像中具有相同性质的像素点合并到一起，得到聚类后的建筑物分割二值化图像，其中，针对所述聚类后的建筑物分割二值化图像的处理还包括应用数学形态学方法，进一步去除图像中的分类噪声和小型非建筑结构；

边缘轮廓跟踪处理，即针对所述聚类后的建筑物分割二值化图像，采用摩尔邻域边界追踪算法生成建筑物初始矢量轮廓。

5.一种基于深度学习的遥感影像建筑物矢量优化方法，采用如权利要求1-4所述的任一遥感影像建筑物矢量提取方法，进行遥感影像建筑物矢量优化处理，其特征在于，在对矢量轮廓进行形状优化处理时，包括以下步骤：

对跟踪得到的建筑物初始矢量轮廓进行均匀采样，得到建筑物轮廓的节点像素坐标；其中，使用Douglas-Peucker算法对所述建筑物初始矢量轮廓进行多边形简化处理，并判断简化后多边形每条边的长度是否大于指定阈值，针对长度超过指定阈值的边，通过补充采样轮廓节点的方式对所述超过指定阈值的边进行加密；

基于均匀采样后的建筑物轮廓的节点像素坐标，对图像分割模型中的特征图层进行池化处理，获取每个建筑物轮廓节点所对应的图像特征向量；

将建筑物轮廓各个节点的二维像素坐标及节点所对应的图像特征向量进行级联，将所得的各个轮廓节点的级联特征输入到PointNet模型中进行特征编码，其中，将PointNet模型输出的各个轮廓节点的坐标修正值与所述基于均匀采样后的建筑物轮廓的节点像素坐标相加，得到精化后的轮廓节点坐标；

采用Douglas-Peucker算法对所述精化后的轮廓节点坐标进行简化，得到最终的建筑物矢量优化结果。

6.根据权利要求5所述的遥感影像建筑物矢量优化方法，其特征在于，为保留最终生成建筑物矢量轮廓中的几何细节，在采用Douglas-Peucker算法对所述精化后的轮廓节点坐标进行简化时，Douglas-Peucker算法的距离阈值设置为1像素；在进行均匀采样判断简化后多边形每条边的长度是否大于指定阈值时，所述指定阈值设置为10像素。