[发明专利]基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备

摘要

本发明提供基于深度学习的遥感影像建筑物提取方法，包括步骤样本制作、模型训练、精度评定、建筑物预测、合并及矢量化。本发明还涉及基于深度学习的遥感影像建筑物提取系统、存储介质、电子设备；本发明以改进的RCF边界约束模型为基础对城市单体建筑轮廓、农村孤立建筑轮廓以及农村建筑密集群外围边界进行提取，同时改进U‑Net语义分割模型网络结构，利用改进U‑Net对影像进行像素级分类，最后将两种模型进行融合，通过大量的建筑样本标签数据训练深度学习模型，以改进的U‑Net与RCF融合的网络模型对亚米级国产高分2号遥感影像上的建筑物进行提取，实现自动高效的建筑物矢量数据提取，极大缩减手工绘制的时间成本和人力成本。

主权项

1.基于深度学习的遥感影像建筑物提取方法，其特征在于，包括以下步骤：S1、样本制作，采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量文件，并绘制所述面矢量文件中的建筑物标签，将标签为建筑物的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的建筑物样本，其中，所述建筑物样本种类包括城市单体建筑、农村孤立建筑、农村宅基地密集建筑群；S2、模型训练，调整改进的U‑Net与RCF融合的网络模型参数，对所述建筑物样本进行基于改进的U‑Net与RCF融合的模型训练，得到对应所述城市单体建筑、所述农村孤立建筑、所述农村宅基地密集建筑群的边界约束的三种分类模型；S3、精度评定，将待测试的遥感影像数据输入所述分类模型预测测试数据，并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步，若MIoU值或MPA存在不达标情况则调整改进的U‑Net与RCF融合的网络模型参数返回步骤S1并修改样本重新迭代训练；S4、建筑物预测，利用经步骤S3中评定达标的三种分类模型对遥感影像目标区域进行建筑物预测，得到遥感影像中栅格化的三种建筑物数据；S7、合并及矢量化，将最终的栅格化的三种建筑物数据进行叠加得到总体建筑物栅格数据，再将总体建筑物栅格数据进行矢量化，得到提取的遥感影像建筑物数据。