[发明专利]基于多特征LSTM网络的多时相高分辨率遥感影像的建筑物提取方法

说明书

本发明公开了一种基于多特征LSTM网络的多时相高分辨率遥感影像建筑物提取方法，属于卫星遥感图像处理与应用的技术领域。目的是解决现有方法建筑物提取结果准确率低、错分率高、边界模糊等问题。本发明采用多幅多时相高分二号遥感图像作为数据源，使用基于HSI彩色变换的方法提取建筑物光谱特征、基于图分割与条件随机场后处理相结合的方法提取建筑物的形状特征、基于Gabor小波变换的方法提取建筑物的纹理信息特征和基于DSBI指数的方法提取建筑物的指数特征，将提取的多时相建筑物的光谱、形状、纹理及指数特征组成了一个拥有60个特征波段的建筑物特征集，并将制作的建筑物样本与标签送入LSTM网络中获得建筑物粗提取结果，经过形态学处理后得到最终结果。

技术领域

本发明属于卫星遥感图像处理与应用的技术领域。

背景技术

建筑物是城市中分布最广的一种地物类别，因此建筑物是评测城市经济发展的重要指标之一。如今城市不断发展，建筑物不断增多，建筑物的制造材质与外观形状也在发生着日新月异地变化，导致使用传统方法获取的建筑物提取结果的准确性较差。长期以来，为了提取城市中的建筑物，主要采用测绘人员人工测量并绘制城市建筑物地形图的方法进行建筑物提取，这种方法虽然具有一定的真实性，但是该方法的时间成本与人工成本巨大，且建筑物提取结果会因不同测绘人员具有不同的地物认知能力产生差异。随着遥感技术与深度学习技术的快速发展，遥感图像的空间分辨率与时间分辨率不断提升，深度学习网络模型不断被优化，将人工测绘方法、高分辨率遥感数据与深度学习技术相结合，可以更高效率地获得高准确率的建筑物提取结果。目前，遥感影像的建筑物提取方法主要有基于光谱及形态学指数的建筑物提取方法和基于深度学习的建筑物提取方法两大类，代表研究如下：

在使用基于光谱及形态学指数的建筑物提取研究中，Jin和Davis提出将图像光谱信息和形态细节信息相互结合，通过利用建筑物高亮的光谱特征提取建筑物。(参见Automated Building Extraction from High-resolution Satellite Imagery in UrbanAreas Using Structural)；而后黄等人提出了一种使用形态学建筑物指数(MBI)提取高分辨率影像中的建筑物屋顶，MBI指数方法集成了光谱信息、几何信息和上下文信息，基于此方法黄等人得到了较为令人满意的建筑物屋顶提取结果。(参见A New BuildingExtraction Postprocessing Framework for High-Spatial-Resolution Remote-Sensing Imagery)；林祥国，张继贤以建筑物对象为单位，采用面向对象的方法，将形态学指数与面向对象方法相互结合提取高分辨率影像中建筑物，最终获得了较为出色的提取结果。(参见面向对象的形态学建筑物指数及其高分辨率遥感影像建筑物提取应用)

在使用基于深度学习的建筑物提取研究中，Kaiqiang Chen等人根据建筑物外观多样且复杂的特点，设计了一种27层的拥有卷积和反卷积的深度卷积神经网络以像素作为最小单位逐像素地提取建筑物。(参见Semantic Segmentation of Aerial Images WithShuffling Convolutional Neural Networks)；伍广明、陈奇等人在U-Net模型的基础上改进并设计了一种新型全卷积神经网络，改善在航空遥感影像中的建筑物提取结果。(参见基于U型卷积神经网络的航空影像建筑物检测)；Yongyang Xu将ResNet与引导滤波器结合较好的完成了建筑物提取任务，验证了ResNet在建筑物提取任务中的有效性。(参见Buildingextraction in very high resolution remote sensing imagery using deep learningand guided filters)