[发明专利]一种基于改进U-Net模型的遥感建筑物影像提取方法

说明书

本发明提出了一种基于改进U‑Net模型的遥感建筑物影像提取方法。使用U‑Net模型作为骨干网络，在模型的跳跃连接阶段，加入协调注意力门控模块，以更好定位建筑物主体信息并有效整合不同级别语义信息。在模型的桥梁连接部分，引入了高效连续金字塔模块，使用分组的小尺度空洞卷积进行特征提取，并在组内进行特征分层叠加，强化了模型对于捕获建筑物主体间可能存在的空间上下文关系的能力。在模型的解码器部分，引入双向联级深度监督模块，按照从深到浅和从浅到深两个方向依次融合相邻解码器阶段所得的预测图，以实现对不同网络层特定监督，有效提升了模型的多尺度建筑物主体提取能力。

技术领域

本发明属于图像处理技术领域，涉及遥感影像中的建筑物提取，具体涉及一种基于改进U-Net模型的遥感建筑物影像提取方法。

背景技术

建筑物为城市居民的居住、工作、休闲以及其他社会经济活动提供了基本的功能活动空间，对建筑物进行合理管控是实现可持续协调发展城市建设道路的必然之举。随着遥感技术的飞速发展，遥感图像分辨率也在不断提升，高分辨率遥感建筑物影像包含更精确的几何结构、更丰富的纹理特征以及地物特征，快速提取高分辨率遥感影像数据中的建筑物信息，对城市规划、地表动态监测、地图制图和土地利用管理等具有重要意义。近年来，深度学习技术给图像分割领域带来了革命性的影响。过去十年中，基于卷积神经网络的方法在遥感建筑物影像提取中得到了快速地发展。总体而言，现有技术通过基于深度学习的遥感影像建筑物提取模型已经能够实现自动化提取建筑，且各方面效果均优于传统提取方法。

最新的遥感影像建筑物提取模型中，BRRNet首次引入空洞卷积应用于模型桥接阶段，通过级联不同膨胀率的空洞卷积以提取更多的建筑物全局特征信息，但空洞卷积膨胀率的不合理选取容易导致特征提取时失去建筑物部分的局部细节。BMFRNet在深度监督阶段加入多尺度输出融合约束结构，一定程度上提升了模型聚合多尺度语义信息的能力，但其并不能有效凸显出不同解码层提取特征的特性，导致模型多尺度建筑物提取能力差。BOMSCNet在模型桥接阶段引入多尺度上下文感知模块，有效得捕获了建筑物主体的全局上下文特征信息，但遥感影像中建筑物尺度差异大，其模型的多尺度提取能力依旧有待进一步提高。

由于不同的建筑物主体存在形状复杂、边缘信息丰富、尺度大小不一的特点，目前鲜有方法综合考虑诸多特性，同时建筑物本身所具有颜色、纹理等低级特征也未能有效整合利用，因此遥感影像建筑物的自动化精准提取算法仍待进一步研究思考。

发明内容

针对现有技术的不足，本发明提出了一种基于改进U-Net模型的遥感建筑物影像提取方法，采用U-Net作为骨干网络，在跳跃连接阶段增加协调注意力门控模块，在桥接阶段添加高效连续空间金字塔模块，并使用双向联级监督结构，解决遥感影像建筑物提取中建筑物主体难定位、多尺度主体难以充分提取、建筑物形状以及空间上下文信息未能有效利用等问题，提高建筑物提取的准确率，节约人力物力。

一种基于改进U-Net模型的遥感建筑物影像提取方法，具体包括以下步骤：

步骤1、对原始的遥感建筑物图像进行预处理，使用滑动窗口将其裁剪为多张大小相同的子图像，再进行灰度归一化，将图像的灰度值统一在0到1之间。

步骤2、构建一个U-Net模型，然后对其跳跃连接部分、桥接部分以及解码结构进行改进，得到BDS-UNet网络模型，具体操作如下：

步骤2-1、在U-Net模型的跳跃连接部分加入协调注意力门控模块，对每一层卷积编码结果进行门控激活。所述协调注意力门控模块将通道注意力分解为两个一维特征编码过程，分别沿两个空间方向聚合编码器的输入特征，生成的协调注意力热图包含了两个不同空间方向上建筑物主体的空间信息，可以将其互补地应用于输入特征图，以增强关注对象的表示。