[发明专利]结合语义分割与边缘检测的高分辨率遥感建筑物提取方法

说明书

结合语义分割与边缘检测的高分辨率遥感建筑物提取方法，属于遥感影像目标提取技术领域。首先，采用语义分割网络和深度边缘检测网络分别预测建筑物屋顶面和边缘图；然后，对建筑物边缘图进行去噪、骨架提取；在此基础上，结合建筑物屋顶面预测图，对建筑物边缘图进行去毛刺和断线修补处理；最后，对建筑物边缘图进行矢量化，由此获得建筑物屋顶轮廓提取结果。本发明能够克服深度卷积神经网络模型预测图中建筑物边缘不连续、不封闭等问题，提高了高分辨率遥感影像建筑物边缘的提取精度，且在不同类型建筑物屋顶形态的提取中均表现良好，适用性广泛。

技术领域

本发明属于遥感影像目标提取技术领域，具体涉及一种高分辨率遥感建筑物提取方法。

背景技术

基于遥感影像的建筑物提取为城乡规划、动态监测、灾害评估、土地利用分析、地图更新等提供了重要的数据支撑。随着遥感技术的不断发展，人们可以获取的遥感影像空间分辨率越来越高。建筑物在高空间分辨率遥感影像(以下简称高分辨率遥感影像)上呈现了更丰富的空间及几何特征，建筑物屋顶内部的细节也清晰可见，这给建筑物提取任务同时带来了机遇与挑战。

传统的建筑物提取方法通常需要人工构建提取特征。常用的方法有：(1)利用建筑物在高分辨率遥感影像上的形状、光谱、纹理等单个或多个特征提取建筑物；(2)采用Canny算子、Sobel算子、Laplace算子等定位高分辨率遥感影像上建筑物的边缘区域；(3)利用阴影、高程等辅助信息提取建筑物。这些依赖人工构建特征的建筑物提取方法通常适合解决小范围研究区的建筑物提取问题。然而，对于大区域范围的建筑物提取任务，这类方法往往无法获得满足实际应用的精度。

近十几年来，能够自动计算特征的深度卷积神经网络被引入了建筑物提取研究中。根据建筑物屋顶预测结果图的形式，可以将基于深度卷积神经网络的建筑物提取方法分为两类：建筑物屋顶面提取方法和建筑物屋顶边缘提取方法。建筑物屋顶面提取方法主要采用图像语义分割网络，如U-Net(Ronneberger O,Fischer P,Brox T.U-net:Convolutional networks for biomedical image segmentation[C]//InternationalConference on Medical image computing and computer-assistedintervention.Springer,Cham,2015:234-241.)等，这类网络大多为编码-解码结构，在很大程度上缓解了初代卷积神经网络(Convolutional neural network,CNN)因卷积造成的空间细节丢失等问题。然而，从提取结果分析，采用语义分割方法提取的建筑物普遍还存在提取边界与实际地物边缘贴合程度不高，提取面有残缺、空洞等问题。建筑物屋顶边缘提取方法主要采用深度边缘检测网络，目前基于深度卷积神经网络的边缘检测实现方法有BDCN(He J,Zhang S,Yang M,et al.Bi-directional cascade network for perceptual edgedetection[C]//Proceedings of the IEEE/CVF Conference on Computer Vision andPattern Recognition.IEEE,2019:3828-3837.)等。这些网络大多是基于CNN、VGG16等做出了一些改进，避免了在特征提取过程中有用边缘信息的丢失。边缘检测网络中损失函数的作用举足轻重，如果设定不当，易出现梯度消失和大量边缘信息丢失的情况，从而导致建筑物边缘提取结果不连续、不封闭等问题。

发明内容

本发明要克服现有建筑物提取技术中存在的边缘不连续、不封闭的问题，提出了一种结合语义分割与边缘检测的高分辨率遥感建筑物提取方法。

本发明采用深度卷积神经网络模型自动获取高分辨率遥感影像上的建筑物屋顶面和边缘，在此基础上，对建筑物边缘进行去噪、骨架提取，由此可获得单像素宽度的建筑物边缘；然后结合建筑物面对单像素宽度的建筑物边缘进行去毛刺和断线修补处理；最后对建筑物边缘图矢量化，获得建筑物的矢量结果。