[发明专利]一种基于改进型U-net的遥感影像建筑物提取方法

说明书

本发明提供一种基于改进型U‑net的遥感影像建筑物提取方法，包括利用训练样本影像集和标签集，进行改进型U‑net网络训练，获得训练好的改进型U‑net网络；所述改进型U‑net网络，是在U‑net深度神经网络基础上，引入残差模块、中间过渡桥接模块以及Inception式最大池化模块；利用训练好的改进型U‑net网络对经处理后多光谱遥感影像进行建筑物提取，获得建筑物提取概率结果图；根据预设的阈值，在得到建筑物提取结果概率图后，设置灰度阈值T，进行建筑物提取结果二值化，获取建筑物提取结果。本发明利用遥感影像中建筑物的空间特性及光谱特性，提供用于建筑物提取的改进型U‑net网络结构，该网络具有较好的建筑物提取能力，在遥感影像中进行建筑物提取精度高，效果好。

技术领域

本发明属于遥感技术与计算机视觉技术交叉领域，涉及一种基于改进型U-net的遥感影像建筑物提取方法。

背景技术

建筑物是人们工作居住的主要环境，占据了大量城市用地，建筑物监测对城市发展和人们生活有着重要意义。建筑物提取是建筑物监测的关键技术，随着遥感技术的不断发展，利用遥感影像进行建筑物提取，已成为一种重要的、高效的技术手段，然而，由于遥感影像的不确定性与建筑物的复杂性，建筑物提取难度较大、精度不高。遥感影像建筑物提取，对于城市规划、生态环境保护、资源开发等方面具有重大意义。

发明内容

为了解决遥感技术领域中建筑物提取难度较大、精度不高的问题，本发明提出了一种基于改进型U-net的遥感影像建筑物提取方法。

本发明的技术方案为一种基于改进型U-net的遥感影像建筑物提取方法，包括以下步骤：

步骤1，利用训练样本影像集和标签集，进行改进型U-net网络训练，获得训练好的改进型U-net网络；

所述改进型U-net网络，是在U-net深度神经网络基础上，引入残差模块、中间过渡桥接模块以及Inception式最大池化模块；

步骤2，利用步骤1训练好的改进型U-net网络对经处理后多光谱遥感影像进行建筑物提取，获得建筑物提取概率结果图；

步骤3，根据预设的阈值T，进行建筑物提取结果二值化，获得建筑物提取结果，实现方式如下，

在得到经步骤2处理后得到的建筑物提取结果概率图后，灰度大于T被识别为建筑物用1表示，小于T则为非建筑物用0表示，进行建筑物提取结果二值化，获取建筑物提取结果。

而且，步骤1中，进行训练影像及标签的预处理，设将训练影像和标签，统一缩放到M×M像素大小，获得适配网络架构的训练样本；

输入训练样本进行改进型U-net网络训练，获得训练好的改进型U-net网络。

而且，所述步骤1中训练影像及标签预处理采用的影像缩放插值方式为双线性插值，M的取值为128。

而且，所述改进型U-net网络输入特征维度为128×128×3，分别对应训练影像的RGB三波段，输出特征维度为128×128×1。

而且，所述改进型U-net网络采取三层网络架构，包括进行3次下采样及3次上采样过程。

而且，所述改进型U-net网络在下采样中采用Inception式最大池化模块，包括分别以pool size＝2,3,5,7进行最大池化操作，并将获取的4个特征图进行Concat拼接操作，再通过1×1卷积，采用Relu激活函数将合并后的特征图恢复到原尺寸。

而且，所述改进型U-net网络在编码过程中采用3次卷积残差模块，包括设输入特征为input，首先将输入特征input进行2次卷积核大小为3×3的卷积操作、批标准化及Relu函数激活操作得到特征x，再将输入特征input与x进行相加操作，最后对相加后的特征进行卷积核大小为3×3的卷积操作、批标准化及Relu函数激活操作。