[发明专利]基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备

说明书

本发明提出基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备，所述方法包括：步骤1：制作基于高分辨率光学遥感影像的建筑物高度预测数据集；步骤2：对RetinaNet模型进行改进，在FPN层加入下采样层并在预测部分使用OHEM损失函数和Fast‑NMS优化模型；步骤3：使用建筑物高度预测数据集对改进RetinaNet模型进行训练；步骤4：使用训练后的RetinaNet模型对包含建筑物的遥感影像进行建筑物高度预测。本发明实现了基于单视觉高空间分变率遥感影像直接高精度预测建筑物高度的功能。

技术领域

本发明属于光学遥感图像处理技术领域，特别是涉及基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备。

背景技术

目标检测是计算机视觉领域的核心问题之一，其任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置。基于深度学习的目标检测技术在城市研究中具有广泛的应用价值。目标检测算法能够基于目标的几何和统计特征将目标的定位和识别合二为一。建筑物高度信息是城市规划和城市信息研究的一个重要参数，对城市规划和发展具有重要意义。随着遥感技术的发展，遥感影像呈现出空间分辨率高、幅宽大、重访周期短的发展趋势，目前遥感已成为建筑物变更调查的主要手段之一。现阶段在建筑物高度预测研究领域，大部分方法采用激光点云数据、影像立体像对进行建筑物高度的反演，这些方法虽然能够精准的测算出建筑物高度，但其数据源的获取及对建筑物高度预测过程需要较高成本，因此基于单视觉高分辨率遥感影像进行建筑物高度预测具有较高的工程应用价值和科学研究价值。

基于深度学习算法，采用端到端的模式，从高分辨率遥感影像中提取建筑物高度的研究目前已有部分研究成果。

Chao Ji等人提出了一种端到端预的测遥感影像中建筑物高度的方法，该方法以建筑物轮廓作为检测目标，以建筑物对应的楼层高度作为检测类别，基于Mask-RCNN网络模型进行训练。经过实验表明训练得到的模型能够端到端识别建筑物高度，并且对于1-7层高的建筑物预测误差为1.329，8—20层高的建筑物预测误差为3.546，高于20层的预测误差为8.317。

Xiang Li等人利用卷积神经网络和空间池化金字塔实现了端到端的建筑物预测。该方法以航空影像作为训练数据，以DSM数据作为标签构成训练集。结果表明采用空间池化金字塔的CNN模型预测建筑物高度的均方根误差为1.698。

Lichao Mou等人提出了一个完整的卷积-反卷积网络架构实现了用端到端的方式预测建筑物的高度。该网络模型中引入了跳跃连接模式，保留了图像中的低层图像特征。该方法采用0.7m的航空影像作为训练数据，采用DSM数据作为样本标签构建训练集。实验结果表明该方法同样具有较高精度。

这些研究成果表明基于卷积神经网络端到端实现建筑物高度预测具有一定的可行性，同时具有很大的提升空间。本发明提出一种基于改进RetinaNet网络端到端预测建筑物高度的深度学习模型，能够提高预测精度。

发明内容

本发明目的是为了解决现有技术中的问题，提出了基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备。该发明对城市规划和发展具有重要意义，能够为优化城市规划、评估城市经济以及提升国土资源利用率以及相关政策的制定提供技术和数据支撑。

本发明根据以下方案实现，本发明提出基于单视觉遥感影像端到端建筑物高度预测方法，所述方法包括：

步骤1：制作基于高分辨率光学遥感影像的建筑物高度预测数据集；

步骤2：对RetinaNet模型进行改进，在FPN层加入下采样层并在预测部分使用OHEM损失函数和Fast-NMS优化模型；

步骤3：使用建筑物高度预测数据集对改进RetinaNet模型进行训练；

步骤4：使用训练后的RetinaNet模型对包含建筑物的遥感影像进行建筑物高度预测。