[发明专利]基于TransUnet的遥感影像建筑物自动提取处理方法

说明书

基于TransUnet的遥感影像建筑物自动提取处理方法，涉及到遥感影像中建筑物自动提取处理方法领域。解决现有深度学习技术从卫星影像上自动提取建筑物可靠性差，通过构建遥感影像建筑物提取算法网络，经模型训练获取训练样本数据后，用于遥感影像建筑物自动提取；构建遥感影像建筑物提取算法网络的步骤包括有；生成网络设计、域自适应网络设计、弱监督网络设计和损失函数设计；采用卷积和Transformer结合的TransUnet来提升生成网络的性能。提升了建筑物提取网络的表达能力；采用融合transformer结构、域自适应和弱监督等策略来提升卫星影像建筑物提取的能力。

技术领域

本发明涉及到计算机图像处理中图像特征提取方法技术领域，具体涉及到遥感影像中建筑物自动提取处理方法领域。

背景技术

建筑物提取对城市规划、城市动态监测、城市增长检测、违章建筑物识别以及地理信息更新等领域具有重要的应用价值和商业价值。然而，传统的基于调查和普查的人工方法耗时长、成本高。随着深度学习技术的实现和卫星影像数据的普及，从卫星影像上自动提取建筑物已成为了现实。但同一物体和场景在不同卫星图像中的变化通常较为剧烈，对于建筑物等人造结构这些变化更为突出。此外，由于不同的天气条件、不同的地形以及传感器间的差异性，即使同一区域的卫星图像通常也存在较大差异，面向地面场景的计算机视觉领域网络结构也难以直接应用至卫星遥感影像中进行建筑物提取。

发明内容

综上所述，本发明的目的在于解决现有深度学习技术从卫星影像上自动提取建筑物可靠性差，和面向地面场景的神经网络难以直接应用至遥感影像中建筑物提取的问题，而提出基于TransUnet的遥感影像建筑物自动提取处理方法。

为解决本发明所提出的技术不足，采用的技术方案为：

基于TransUnet的遥感影像建筑物自动提取处理方法，所述方法通过构建遥感影像建筑物提取算法网络，经模型训练获取训练样本数据后，用于遥感影像建筑物自动提取；其特征在于：构建遥感影像建筑物提取算法网络的步骤包括有；生成网络设计、域自适应网络设计、弱监督网络设计和损失函数设计；采用卷积和Transformer结合的TransUnet来提升生成网络的性能；在域自适应方面采用基于GAN的生成对抗网络技术，将源域和目标域之间的分布差距最小化；在弱监督方面依靠图像级标签对生成网络进一步约束，采用开源建筑物提取数据集对提出的算法进行验证。

作为对本发明作进一步限定的技术方案包括有：

所述生成网络设计是将输入的图像向量的特征进行编码，然后再利用解码器将图像向量的特征进行解码操作，通过跳跃连接连接不同的层获取更多有用的特征；在结构上生成网络主要由编码器(encoder)、注意力网络(transformer)和解码器(decoder)三部分组成。

所述编码器(encoder)包含一层最大池化(max pooling)和三层由卷积(convoluton)、修正线性单元(Rectified Linear Unit,ReLU)、组归一化(GroupNormalization)所组成的堆叠结构；其中，堆叠的三层结构是完全相同的，都是由3组连续的卷积+组归一化+修正线性单元组成，每层的输出结果除传递到下一层外还用于后续的跳跃连接，在最后一组的卷积+组归一化过后，将得到的特征与起始特征进行拼接，再经过修正线性单元；在这一部分中，最大池化的卷积核为3×3，步长为2，不进行填充(padding)；三层堆叠结构部分的卷积核为7×7，步长为2，填充为3；原始特征首先经过一次卷积和最大池化，输出特征图(feature map)的高度与宽度均变为该层输入的1/2；之后再经过三个堆叠结构，每经过一层堆叠结构，输出特征图的高度与宽度也变为该层输入的1/2；最终输出的特征图的高和宽均变为原始影像的1/16。