[发明专利]多光谱遥感图像城中村多类别建筑物语义分割方法及系统

说明书

本发明公开了一种多光谱遥感图像城中村多类别建筑物语义分割方法及系统，所述方法包括：获取城中村区域的多光谱遥感图像；对多光谱遥感图像进行大气校正并锐化；对多光谱遥感图像中的城中村建筑物类别进行标注；将多光谱遥感图像的各波段信息转换成npy格式数据；将npy格式数据和标注图像进行随机分割，构成数据集；搭建语义分割分类器，得到建筑语义分割网络模型；对建筑语义分割网络模型设置超参数，利用数据集进行训练与参数优化，得到训练好的建筑语义分割网络模型；利用训练好的建筑语义分割网络模型对目标多光谱遥感图像进行建筑物语义分割，得到建筑语义分割图像。本发明能够有效提高遥感图像的城中村建筑物分类的精确度。

技术领域

本发明涉及一种多光谱遥感图像城中村多类别建筑物语义分割方法及系统，通过遥感技术进行城中村建筑物的语义分割可以成为城市更新和城市规划等实践的辅助手段，属于遥感图像分类的研究领域。

背景技术

城市的发展往往需要对非规划住区进行改造，如贫民窟、村庄和棚户区等^[1]。快城市化和满足城市居民住房需求的能力不足导致了非正规住区的出现^[2,3]。这些建筑区通常都是高密度的小型建筑，通常被描述为一个城市的负面形象，隐藏着潜在的公众安全问题。对非规划住区改造是城市规划的一项重要的任务，城市规划者和决策者有必要绘制非规划住区点的地图，以评估城市重建问题。然而，这些非规划住区的地理信息资料往往不完整或不可用^[1,2]。虽然城市土地利用制图的分类方法很多，但是传统的遥感方法(基于像素或基于对象)的精度通常不能满足实际应用场景的要求。在复杂的城市建成区，由于光谱、纹理、形状等特征的显著差异，传统的遥感方法很难对其进行描述。在高密度建成区，基于对象的分割也面临着尺度选择和规则定义复杂等困难。因此，开发一种可靠、准确的建筑物分割方法仍然是城市非规划住区改造的一个具有挑战性的课题。

目前使用深度学习对遥感图像进行分类是主流研究方法^[4-6]，Qiu等提出一种基于FCN的人类住区程度绘制框架，解决超大规模的场景绘制问题^[7]。Zhang等提出了一种新的基于对象的卷积神经网络(OCNN)对VFSR图像进行城市土地利用分类。为解决VFSR图像中复杂的城市土地利用分类问题提供了第一个基于对象的CNN框架^[8]。Fang等提出了一个金字塔结构的网络来聚合点云中的多尺度上下文信息，提高了复杂场景的区分能力，产生更准确的语义分割预测结果^[9]。Gong等使用PSPNet提取街道特征，估算和绘制复杂的城市居住环境中街道峡谷的SVF，TVF和BVF^[10]。Schuegraf和Bittner将Unet架构应用于高分辨率(VHR)遥感影像，实现建筑物足迹的提取^[11]。季顺平等利用改进的U-Net进行遥感影像中建筑物的识别，提高了建筑物识别的精度^[12]。Pan等将U-Net应用于高分辨率的遥感图像，对密集的城中村建筑物进行精确划分^[13]。

随着深度学习的不断发展，深度学习开始引入迁移学习的方法，使得算法的性能普遍得到了提高。很多学者通过构建具有很多隐层的网络来提高模型迁移学习的能力，达到提升神经网络在目标领域中表现的目的^[14]。Bengio^[15]研究分析了无监督预训练特征的有效性问题，并将其应用到了迁移学习的场景下。Glorot等^[16]将不同领域的数据放入叠加降噪自动编码器中，学习到的特征更加健壮，并提出了一种新的表示源领域和目标领域数据的表示方法。Zhuang等^[17]通过研究深度自动编码器来进行知识迁移，最小化源领域和目标领域隐藏层的KL距离(Kullback-Leibler Divergence)获得了领域不变的特征表示。Long等^[18]提出了联合自适应网络来解决目标领域中标注数据较少的问题。Sun等^[19]和Rozantsev等^[24]提出了深度领域自适应的方法。