[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

说明书

本发明公开了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，包括采用全卷积形式的图像分割模型从遥感影像生成建筑物目标概率图，经由二值化、聚类和边缘轮廓跟踪处理生成建筑物初始矢量轮廓；还包括改变卷积核尺寸和应用递归填充方法对PointNet模型改进，进行建筑物轮廓几何形状优化；还包括提供一种新的损失函数进行PointNet模型训练，可对节点个数相差较大的两个多边形进行相似度估计。本发明利用卷积神经网络对遥感影像中建筑物矢量的形状先验知识进行特征学习，实现了数据驱动的建筑物矢量形状优化，提高了建筑物矢量的几何精度和简化效果，提升了遥感影像建筑物自动测图结果的质量和应用价值。

技术领域

本发明属于测量与地图学领域，具体涉及一种基于深度学习的遥感影像建筑物矢量提取方法、及优化方法。

背景技术

高时效、高精度的矢量地图不仅在城市规划、变化检测和灾害管理等应用中发挥重要作用，同时也是众多基于位置的商业服务的重要基础数据产品之一。高分辨率遥感影像是高精度矢量地图生产的主要数据源之一，而在矢量地图生产过程中，建筑物是地理数据库中最容易增加和发生变化的因素，也是最需要更新的部分。由于建筑物对于城市建设、GIS系统更新、数字化城市以及军事侦察等方面的重要性，快速提取的建筑物信息技术和进行建筑物变化的检测有着良好的应用前景。

然而，建筑物目标由于分布广泛且体量庞大，其识别和标注往往成为一项过程繁琐而又成本高昂的工作。目前以卷积神经网络和全卷积网络为代表的深度学习技术已经大幅度提高了遥感影像建筑物自动检测的精度，但是一方面由于现有建筑物检测方法在某些场景中的有限识别能力和有限的迁移应用能力，另一方面即使对于大部分成功识别的建筑物，其轮廓边缘处仍可能无法避免发生微小的漏检和错检，在这种情况下应用多边形简化算法对建筑物轮廓进行处理，很容易导致生成不精确和不规则的矢量结果。

另外，在将深度学习方法的应用于遥感影像建筑物分割时，虽然能够很好地受益于数据驱动的特征学习，但相比之下，建筑物轮廓优化技术，尤其是以生成高质量矢量结果为目标的相关技术，仍普遍依赖于手工设计特征和人工干预，其中以直线、角点等低级图像特征和一系列人为定义的规则集的应用为典型。由于这些依赖人工设计的建筑物矢量轮廓优化方法忽视了从大量训练样本中学习建筑物形状先验知识的机会，近几年，在建筑物轮廓提取或优化过程嵌入至一个深度学习框架成为一种新趋势。

目前现有的方法有的选择直接将影像中建筑物的边缘像素作为卷积神经网络的训练真值和预测目标；有的选择则通过显式地将轮廓边缘作为监督信息，将建筑物分割和轮廓提取编码为多任务学习框架以同时提升二者性能；然而这些方法仍停留在将轮廓生成问题置于像素分类框架中解决，而未能将其看作为一个形状优化问题进行处理，因此上述现有的方法往往难以得到规则的建筑物轮廓结果。

发明内容

本发明要解决的技术问题在于，针对现有技术难以得到规则的建筑物轮廓结果以及很容易导致生成不精确和不规则的矢量结果的缺陷，提供一种基于深度学习的遥感影像建筑物矢量提取方法，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。

本发明提供的一种基于深度学习的遥感影像建筑物矢量提取方法，其相对于现有技术的改进点，采用聚类和边缘轮廓跟踪方法对建筑物分割二值化图像进行处理，进一步保证了建筑物初始矢量轮廓的完整性。

本发明提供的一种基于深度学习的遥感影像建筑物矢量优化方法，采用上述的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，其中，在对矢量轮廓进行形状优化处理时，包括以下步骤：