[发明专利]一种城市轨道交通遥感图像数据的处理系统及方法

说明书

本发明涉及城市轨道交通遥感图像数据处理技术领域，特别涉及一种城市轨道交通遥感图像数据的处理系统及方法。其系统包括遥感影像特征提取模块、区域推荐模块、对象预测类语义分割模块，本发明融合卷积神经网络与语义分割算法实现建筑物对象化提取，解决现有基于深度学习在遥感图像提取建筑物精度低、速度慢等问题。

技术领域

本发明涉及城市轨道交通遥感图像数据处理技术领域，特别涉及一种城市轨道交通遥感图像数据的处理系统及方法。

背景技术

现有使用深度学习算法在遥感图像提取建筑物的方法主要是卷积神经网络(CNN)。卷积神经网络是全连接神经网络的改进型算法，它将神经网络的输入节点由图像像素改为由图像卷积、池化提取到的特征，减少了神经网络输入节点数，缩小了网络规模，适合处理二维图像数据。

现有使用卷积神经网络在遥感图像提取建筑物主要分两阶段，第一阶段训练模型，从遥感图像裁剪典型建筑物作为训练数据，设计卷积层、池化层和全连接层，利用训练数据训练神经网络参数，前向传播计算误差，后向传播回归收敛，使得模型学习到建筑物特征；第二步预测数据，输入一幅遥感影像，按照设计的窗口在遥感影像上滑动，将滑动窗口范围内的图像输入卷积神经网络，前向传播预测是否存在建筑物，存在建筑物就在原遥感影像标识记录，以此实现建筑物识别。

现有技术中，R-CNN算法(Region-CNN)与本方法最接近，该算法分为四个模块，首先是区域建议算法模块(selective search)，是一种根据图像自身信息产生推荐兴趣区的方法，通过该模块会在一幅图片推荐约1000-2000个潜在建筑物区域框；接着是特征提取模块，使用经典卷积神经网络AlexNet提取每个潜在建筑物区域图像的特征；然后将提取特征送入一个线性分类器，使用支持向量机(SVM)根据卷积神经网络提取的高维特征分类,根据每个潜在建筑物区域特征在支持向量机得分，通过阈值(0.5)过滤，将符合要求的建筑物区域送到边界框修正回归模块，通过对边界框四套参数的回归，精准定位到建筑物外边框矩形。R-CNN模型训练方法与其他卷积神经网络相同，构建建筑物训练数据集，根据前向传播误差调节网络参数。

但是R-CNN算法普遍存在以下不足：

1、R-CNN仅支持单尺度遥感图片的输入，由于遥感数据分辨率、图像质量都不一，因此现方法无法对比多源、多尺寸遥感影像对模型的影响；

2、R-CNN虽可以较高精度的提取遥感影像建筑物，但预选框由速度较慢的selective search算法完成以及重复卷积网络计算，导致模型训练速度很慢且内存占用大；

3、R-CNN四个模块相互独立串联而成，无法并行运算，难以完全利用计算资源；

4、使用分类器为支持向量机，使得要对多少种对象进行检测就需要训练多少分类器，训练过程复杂；

5、没有融合实例分割，使得R-CNN只能提取建筑物外边框，无法完成建筑物对象化实例分割。

发明内容

为了解决现有技术的问题，本发明提供了一种城市轨道交通遥感图像数据的处理系统及方法，其融合卷积神经网络与语义分割算法实现建筑物对象化提取，解决现有基于深度学习在遥感图像提取建筑物精度低、速度慢等问题。

本发明所采用的技术方案如下：

一种城市轨道交通遥感图像数据的处理系统，包括遥感影像特征提取模块、区域推荐模块、对象预测类语义分割模块，

所述的遥感影像特征提取模块用于对城市轨道交通遥感影像进行主干特征提取，并构建特征金字塔；

所述的区域推荐模块用于将所述的特征金字塔利用共享卷积进行特征提取，生成建议框；

所述的对象预测类语义分割模块用于将所述建议框提取出的局部特征，经过卷积后生成预测框，并从共享特征图和所述的预测框中截取预测框的局部特征，生成对象掩膜。