[发明专利]基于选择注意力网络的SAR图像复杂建筑物提取方法及系统

说明书

本发明公开了一种选择注意力金字塔网络的SAR图像复杂建筑物提取方法及系统，包括：获取待提取建筑物的高分辨率合成孔径雷达图像；将所述待提取的高分辨率合成孔径雷达图像带入预先训练好的建筑物提取模型进行处理，从所述高分辨率合成孔径雷达图像中得到包含建筑物轮廓的二值图像；所述建筑物提取模型由选择带孔空间金字塔卷积模块的新型解码器和K5卷积块构建而成。本发明提供的技术方案能够尽可能地保留图像的空间细节信息，并实现了SAR图像建筑物多尺度特征融合和复杂建筑物的精细化提取。

技术领域

本发明涉及图像分割技术领域，具体涉及一种基于选择注意力网络的SAR图像复杂建筑物提取方法及系统。

背景技术

地理遥感图像中的建筑物分割是地理信息系统应用中重要的一个模块，也是一个具有挑战性的视觉问题。建筑物是城市中的重要的地形物体类，也是地理信息系统中的重要的数据层。航空遥感图像中的建筑物自动化提取对军事侦察，地物测绘，非法建筑物检测，城市生态规划和区域开发有很大的促进作用。目前大多数基于光学遥感图像所做的建筑物提取工作受制于很多因素影响，如不同时间和天气造成的光影变化与遮挡等。合成孔径雷达(SAR)图像在阴影和遮挡问题上优于光学遥感图像，具有全天时，全天候的优点。因此，基于高分辨率SAR图像的建筑物提取工作便成为一个重要而具有挑战性的研究课题。针对SAR图像的建筑提取方法分为以下两类：

第一类是传统的基于人工设计特征的方法，可以分为基于特征的方法和基于模型的方法。第一种从SAR图像中提取亮度，纹理，边缘及混合特征，常用的分析方法有傅立叶功率谱法，基于模型的Gabor滤波分析法，Markov随机场模型纹理描述，灰度共生矩阵纹理测度。这些特征通常再与非监督聚类分析等方法结合进行分割。此类提取特征的方法很容易受到噪声的干扰且精度不令人满意。第二种是建立SAR图像的统计分布模型，将空间背景信息结合到分割中，包括马尔科夫随机场方法，Fisher分布，对数正态分布和广义高斯分布等模型。部分模型只考虑特征空间表达，没有考虑空间交互。这些方法容易在建筑区域中出现很多语义不一致的现象。

第二类是基于深度学习的方法。代表性方法为端到端训练的方法，比如FCN、U-Net、DeepLabv3等，这些方法可以接受任意大小的输入图像，在大多数情况下提取效果较好，但是这些方法没有有效利用空间特征相关性的选择和约束，不能捕获更加丰富的上下文信息，对不同大小的建筑物的提取结果不够精细，分割的多尺度问题比较明显。

目前的SAR建筑物提取应用中对于建筑物尤其是复杂建筑物的提取不够精细，而且对于多尺度问题解决不充分。

发明内容

为了解决现有技术中所存在的高分辨率合成孔径雷达图像建筑物提取不够精细的问题，本发明提供一种基于选择注意力网络的SAR图像复杂建筑物提取方法及系统。该方法分类精度高，虚警低，对于多尺度问题解决良好，能够适应SAR图像建筑物精细化提取的要求。

本发明提供的技术方案是：

一种基于选择注意力网络的SAR图像复杂建筑物提取方法，包括：

获取待提取建筑物的高分辨率合成孔径雷达图像；

将所述待提取的高分辨率合成孔径雷达图像带入预先训练好的建筑物提取模型进行处理，从所述高分辨率合成孔径雷达图像中得到包含建筑物轮廓的二值图像；

所述建筑物提取模型由选择带孔空间金字塔卷积模块的新型解码器和K5卷积块构建而成。

优选的，所述建筑物提取模型的训练包括：

获取区域高分辨率合成孔径雷达图像，对所述合成孔径雷达图像按照建筑物轮廓内外部像素值进行标记，获得建筑物标注图；

将所述合成孔径雷达图像和所述建筑物标注图进行裁切，并将裁切后的所述合成孔径雷达图像和所述建筑物标注图作为训练样本集；

将所述训练样本集按设定比例划分为训练集、验证集和测试集；