[发明专利]基于阴影补偿和U-net的遥感影像城市建筑提取方法

说明书

本发明公开了一种基于阴影补偿和U‑net的遥感影像城市建筑提取方法，包括以下步骤：高分辨率遥感影像的获取和校正；提取多光谱影像的光谱特征和亮度特征，对多光谱影像进行阴影检测和阴影补偿，并进行归一化处理：使用归一化处理后的遥感影像制作训练图像和预测图像，并利用训练图像制作样本数据集；使用样本数据集训练U‑net网络模型，并利用训练好的U‑net网络模型对预测图像进行预测，得到提取建筑轮廓的初步预测图像；利用光谱特征进行水体和植被区域识别，对初步预测图像进行优化。本发明所公开的方法对遥感数据进行了阴影优化，能够有效降低阴影带来的影响，并对深度学习的预测结果使用辅助信息再判决，提高了建筑提取精度。

技术领域

本发明涉及图像处理技术邻域，特别涉及一种基于阴影补偿和U-net的遥感影像城市建筑提取方法。

背景技术

准确且及时地对城市建筑进行监测，对研究城市建设、管理城市土地资源等方面有重要意义。遥感技术是一种可以在远距离大范围获取地面信息的技术，利用高分辨率遥感影像对城市建筑进行监测具有覆盖范围广、数据可靠性强、人工成本低等优势，在城市规划、违建监测、土地确权等方面应用广泛。由于卫星遥感影像的分辨率相对较低，成像过程中受到的干扰因素多，且城市景观复杂，高精度的建筑提取一直以来是一个难点。传统的监督分类方法往往难以避免错分漏分的问题，许多要求高监测精度的实际应用只能采取人工目视解译的方式完成。近年来深度学习技术取得的新进展逐渐应用在遥感监测领域，基于深度学习的建筑提取已经是前沿课题。

基于深度学习的建筑提取常使用像素级的语义分割方法，而由于建筑提取需要精准地确定建筑边缘，需要更加重视图像的浅层特征。U-net是一种U型的卷积神经网络，它通过卷积将图像下采样得到深层的图像特征，然后又进行上采样使深层特征的分辨率提高，将深层和浅层的特征组合起来，从而提升目标检测的精度。U-net首先应用于医学影像，由于其在小样本下优越的性能和对小目标较好的分割效果，同样适合于遥感领域。由于卫星观测高度的问题，影像容易受云和山体阴影的影响，在高分辨率遥感影像中，建筑阴影也更加明显，建筑边缘会因为阴影干扰难以提取完整。因此，急需一种能够改善U-net提取建筑的边缘准确性的方法。

发明内容

为解决上述技术问题，本发明提供了一种基于阴影补偿和U-net的遥感影像城市建筑提取方法，利用影像的光谱特征和亮度特征进行阴影提取，参考邻域窗口内的亮像元反射率对阴影区域进行补偿，以降低影像中各类阴影对建筑边缘提取的影响。

为达到上述目的，本发明的技术方案如下：

一种基于阴影补偿和U-net的遥感影像城市建筑提取方法，包括以下步骤：

步骤一，高分辨率遥感影像的获取和校正，得到四波段的多光谱影像；

步骤二，提取多光谱影像的光谱特征和亮度特征，对多光谱影像进行阴影检测和阴影补偿，并进行归一化处理：

步骤三，使用归一化处理后的遥感影像制作训练图像和预测图像，并利用训练图像制作样本数据集；

步骤四，使用样本数据集训练U-net网络模型，并利用训练好的U-net网络模型对预测图像进行预测，得到提取建筑轮廓的初步预测图像；

步骤五，利用光谱特征进行水体和植被区域识别，对提取建筑轮廓的初步预测图像进行优化。

上述方案中，步骤一中，采用的高分辨率遥感影像为高分二号L1A级PMS影像，包括一个全色波段和四个多光谱波段。

进一步的技术方案中，步骤一中，以精校正过的哨兵二号影像作为基准使用RPC模型对PMS影像进行正射校正，使用中国资源卫星应用中心提供的绝对辐射定标参数对各波段图像进行辐射定标，然后采用最近邻扩散法将多光谱波段与全色波段进行融合，得到重采样为1米分辨率的四波段的多光谱影像。