[发明专利]一种基于CNN的建筑物掩膜轮廓矢量化的方法

说明书

本发明公开了一种基于CNN的建筑物掩膜轮廓矢量化的方法。该发明可以利用卷积神经网络提取建筑物掩膜轮廓，消除高大树木，道路等因素对建筑物轮廓的影响，提高对轮廓提取的精度，并最后通过矢量化的操作，对建筑物轮廓的周长，面积进行计算。本发明首先设计了一个层数为5的多尺度卷积神经网络，并在前两个最低尺度层引入Atrous卷积，分别学习划分出的多个样本的特征，之后利用高斯混合建模，获取不同样本混合的条件概率密度函数，再应用多尺度聚合建模策略，将特征图进行上采样得到包含建筑物的输出图像，最后将输入图像作为输入，在ArcGIS中进行栅格掩膜获得栅格数据，最后再进一步转化为矢量数据，并可以进行相应的运算。

技术领域

本发明属于计算机图像处理领域，是基于深度学习的方法实现建筑物掩膜轮廓矢量化。

背景技术

高分辨率遥感影像中建筑物轮廓的提取一直是一个难题，尤其是当大片的林地对建筑物发生了遮挡，或者是道路的轮廓形状与建筑物相似，不利于我们人为辨别区分，这就对建筑物的提取和识别造成了一定程度上的困难，此外，由于城区屋顶材料和建筑物朝向的多样性，也给提取建筑物轮廓造成了较大的困难。然而，随着社会城市化的不断发展，获取详细的城镇建筑物轮廓图对于城镇规划，土地管理，发展制定等方方面面都有重要的意义。随着遥感技术地不断发展，我们能够便捷地获取各种高分辨率的遥感影像，这些高分辨率的遥感影像能为我们提供很多清晰的地物特征，例如，颜色，纹理，形状，位置等，为我们进一步研究建筑物轮廓的提取提供了数据源，然而，大范围的区域使用传统方法来提取建筑物的轮廓显然是不现实的，不仅浪费人力物力，且精度也难以达到我们的要求，随着深度学习在图像处理领域的迅速发展，将深度学习应用到建筑物轮廓的提取已成为了必然趋势。但是如何设计一个卷积神经网络，使其层次结构和参数设置达到最优依然是困扰许多学者的问题。本发明设计了一个层数为5层的多尺度的卷积神经网络，首先通过这5层卷积网络，获得建筑物、绿化带、道路三个样本的特征矢量集，再引入Atrous卷积加强对三个样本的学习，之后，采用混合高斯建模，求出噪声即绿化带和道路与建筑物之间的条件概率密度函数，最后结合特征图，采用多尺度聚合策略，逐步下采样还原出含有建筑物标签的特征图，将输出的特征图作为ArcGIS的输入，进行栅格掩膜获得建筑物掩膜轮廓图，最后再将栅格图像转化为矢量图像，并可以在矢量化的基础上进行面积，周长等的运算。

发明内容

本发明公开了一种基于CNN的建筑物掩膜轮廓矢量化的方法。该发明可以利用卷积神经网络提取建筑物掩膜轮廓，消除高大树木，道路等因素对建筑物轮廓的影响，提高对轮廓提取的精度，并最后通过矢量化的操作，对建筑物轮廓的周长，面积进行计算。本发明首先设计了一个层数为5的多尺度卷积神经网络，分别学习划分出来的建筑物、绿化带、道路三个样本的特征；第二步是在前两个最低尺度层引入Atrous卷积，Atrous卷积层由四个3×3的Atrous卷积和一个1 ×1卷积组成，我们将Atrous卷积的学习速率分别设置为1、5、10、15，这是经过实验对比出来可以同时兼顾效率和精度的结果，这一步的目的是为了加强对上述三个样本的特征的学习；第三步利用高斯混合建模，获取不同样本混合的条件概率密度函数，通过这个条件概率密度可以计算出建筑物和噪声(绿化带和道路) 在特征图中的比例；第四步应用多尺度聚合建模策略，将获得的不同尺度的特征图进行聚合，将噪声与建筑物进行划分。将特征图逐步进行上采样恢复至原始尺寸，得到的特征图中包含建筑物的轮廓。最后将输入图像作为输入，在ArcGIS 中进行栅格掩膜获得栅格数据，最后再进一步转化为矢量数据，这样就完成了建筑物掩膜轮廓矢量化，并可以在矢量化的基础上进行面积、周长等的计算。

本发明采用的技术方案是基于CNN的建筑物掩膜轮廓矢量化的方法，该方法包括：

步骤1：利用一个层数为5的卷积神经网络将城市高分辨率遥感图像划分为四类，分别为建筑物、绿化带、道路、其他杂类，将这四类物体将作为样本建立四个独立的样本库，分别为：样本A：建筑物，这是训练的正样本；样本B：绿化带；样本C：道路；样本D:其他杂类；样本B、样本C和样本D将作为噪声参与训练；