[发明专利]一种基于深度学习方法的新增建设用地自动提取方法

权利要求书

1.一种基于深度学习方法的新增建设用地自动提取方法，其特征在于，包括以下步骤：

S1：采用多源影像数据组合前后时期遥感影像数据，勾画新增建设用地标签，其中，新增建设用地为前时期遥感影像上的非建筑区和后时期遥感影像上的建筑区的区域；

S2：对前后时期遥感影像进行拉伸处理，将遥感影像的位深拉伸至8位，其中，位深调整的过程为：首先统计影像各波段的直方图，获取0.5%和99.5%的直方图处的影像值，影像值分别为分界最小值和最大值，设置影像小于最小值的像素值为1，大于最大值的像素值为255，界于最大最小值的像素值线性拉伸到1-255的范围；

S3：对前后时期遥感影像数据和新增建设用地标签数据进行裁切处理，裁切成配对的瓦片样本数据，其中，每组数据包含：前期影像瓦片、后期影像瓦片、标签影像瓦片；

S4：将所有瓦片样本数据用自动按比例的形式或交互式的分为训练瓦片样本集合和测试瓦片样本集，其中，测试瓦片样本集为准确和具备代表性的样本集，训练瓦片样本集为包含样本类型全面的样本集；

S5：构建网络模型，选择TensorFlow+Keras训练框架，基于DeeplabV3+网络模型结构，以EfficientNet网络结构为骨干网络进行改造和设计，采用多尺度预测，增强小尺度，形成新的网络模型；

S6：将从所述步骤S4选出的训练瓦片集合进行图像增强处理，测试瓦片集合输入到所述步骤S5设计的网络模型中，采用二分交叉熵损失函数，设置训练参数进行迭代训练，当训练达到迭代停止条件后，生成新增建设用地训练模型，对其进行封装，其中，图像增强处理的内容包括辐射、分辨率增强处理；辐射增强处理包括亮度、色调、饱和度、对比度、噪声扰动、图像模糊，分辨率增强处理包括随机缩放、随机水平翻转、随机垂直翻转；设置的训练参数的内容包括学习率、学习率衰减、批大小；

S7：利用所述步骤S6封装后的新增建设用地模型对具备相同地理参考并有重叠区域的前后期遥感影像进行新增建设用地提取，得到新增建设用地的栅格概率图；

S8：结合前后期遥感影像特点及新增建设用地的概率图，对新增建设用地区域进行伪图斑的去除；

S9：基于所述步骤S8去伪之后的栅格结果进行成果矢量化，进行二值化、最大最小分析、去小面和矢量抽稀平滑处理，得到最终的新增建设用地图斑，其中，所述矢量抽稀平滑处理的步骤包括：

S91：对二值栅格结果进行矢量化；

S92：按抽稀粒度抽稀删除矢量节点。

2.根据权利要求1所述的一种基于深度学习方法的新增建设用地自动提取方法，其特征在于，所述步骤S2中，若遥感影像为4波段数据，将遥感影像进行波段重组，其中，3、2、1波段分别为红、绿、蓝的真彩色影像数据。

3.根据权利要求1所述的一种基于深度学习方法的新增建设用地自动提取方法，其特征在于，所述步骤S3中，裁切方式为滑窗裁剪，瓦片大小为512*512。

4.根据权利要求1所述的一种基于深度学习方法的新增建设用地自动提取方法，其特征在于，所述步骤S6中，生成的新增建设用地训练模型为一个。

5.根据权利要求1所述的一种基于深度学习方法的新增建设用地自动提取方法，其特征在于，所述二值化操作按照截断阈值将概率图结果转为0、1二值结果图，其中，小于该阈值为0，大于该阈值为1。

6.根据权利要求1所述的一种基于深度学习方法的新增建设用地自动提取方法，其特征在于，所述去小面操作按照小面阈值对提取结果的小图斑进行去除，去除方法基于图形学四邻域分析。