[发明专利]遥感影像建筑物样本区域提取方法及系统、存储介质、设备

权利要求书

1.遥感影像建筑物样本区域提取方法，其特征在于，包括如下步骤：

S1、样本制作，采集遥感影像，对目标区域的所述遥感影像进行分割裁剪得到包括分类对象的面矢量框文件，并标注所述面矢量框文件中的带建筑物标签，将标签为带建筑物的所述面矢量框文件的矢量数据转换成栅格数据，得到栅格化的建筑物样本；若干个带有建筑物标签的样本构成样本集，并将所述面矢量框文件加入所述样本集；其中所述建筑物样本的尺寸包括长为X像素，宽为Y像素；

S2、建筑物预测，将待测试的遥感影像数据输入利用当前所述样本集训练好的建筑物模型并对所述目标区域的遥感影像进行预测，得到遥感影像中栅格化的建筑物数据；所述建筑物数据中的每个栅格的取值范围为第一阈值范围，其中最大值代表最高概率属于建筑，最小值代表最高概率属于非建筑；

S3、优化数据，将所述建筑物数据的每个栅格的取值范围位于第二阈值范围内的进行保留，同时将所述建筑物数据的其他取值的栅格全部标记为0，所述第二阈值范围位于所述第一阈值范围之间，得到优化的建筑物数据；

S4、卷积计算，利用与所述建筑物样本尺寸相同的矩阵窗口对所述建筑物数据进行全卷积相乘，当矩阵窗口与其对应的建筑强度影像区域的卷积相乘结果大于阈值E时，将当前所述矩阵窗口所对应的所述面矢量框文件进行标记并放入样本待选区域列表，所述矩阵窗口的每个栅格的取值均为P；

所述阈值E的计算公式如下：

E=10·X·Y·max[1,(10-t-1)]/P，

其中，t为所述矩阵窗口在所述建筑物数据上移动的次数；

S5、精度评定，从所述样本待选区域列表中选择n个所述面矢量框文件进行样本标注；

当n大于0时，从所述样本待选区域列表中选择所述卷积相乘结果最小的[n/2]个区域和所述卷积相乘结果最大的n-[n/2]个区域返回步骤S1修改样本重新迭代训练；其中“[]”为取整符号；当n等于0时，进入下个步骤；

S6、结果矢量化，将当前的所述建筑物数据进行二值化并进行矢量化得到标记样本区域的遥感影像建筑物数据。

2.如权利要求1所述的遥感影像建筑物样本区域提取方法，其特征在于，在步骤S1中还包括：所述目标区域所需标注的样本数量的最大值为M，M的计算公式为：

M=S/50

其中，S为所述目标区域的总面积，单位为平方公里；

所述目标区域当前的样本数量记为m；

在步骤S5中，n的计算公式如下：

n=max[N,(M-m)/2]

其中，N为步骤S4中的所述样本待选区域列表的样本数量。

3.如权利要求1所述的遥感影像建筑物样本区域提取方法，其特征在于，在步骤S2中，所述第一阈值范围为0-255,255代表最高概率属于建筑，0代表最高概率属于非建筑；在步骤S3中第二阈值范围为50-150。

4.如权利要求1所述的遥感影像建筑物样本区域提取方法，其特征在于，在步骤S6中，进行二值化后的所述建筑物数据的阈值范围为30-70。

5.如权利要求1所述的遥感影像建筑物样本区域提取方法，其特征在于，所述建筑物模型包括初始模型，所述初始模型的训练方法包括：

对目标区域的所述遥感影像进行分割裁剪得到若干个长为X像素，宽为Y像素的带建筑物标签的样本，利用D-LinkNet网络进行训练学习得到所述初始模型；

所述初始模型还包括选取与所述建筑物样本分辨率相同的并训练学习好的网络参数文件。

6.一种电子设备，其特征在于包括：处理器；

存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1所述的遥感影像建筑物样本区域提取方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1所述的遥感影像建筑物样本区域提取方法。

8.遥感影像建筑物样本区域提取系统，其特征在于，包括：样本制作模块、建筑物预测模块、卷积计算模块、精度评定模块和结果矢量化模块；其中，

所述样本制作模块用于采集遥感影像，对目标区域的所述遥感影像进行分割裁剪得到包括分类对象的面矢量框文件，并标注所述面矢量框文件中的带建筑物标签，将标签为带建筑物的所述面矢量框文件的矢量数据转换成栅格数据，得到栅格化的建筑物样本；若干个带有建筑物标签的样本构成样本集，并将所述面矢量框文件加入所述样本集；其中所述建筑物样本的尺寸包括长为X像素，宽为Y像素；

所述建筑物预测模块用于将待测试的遥感影像数据输入利用当前所述样本集训练好的建筑物模型并对所述目标区域的遥感影像进行预测，得到遥感影像中栅格化的建筑物数据；所述建筑物数据中的每个栅格的取值范围为第一阈值范围，其中最大值代表最高概率属于建筑，最小值代表最高概率属于非建筑；

所述卷积计算模块用于利用与所述建筑物样本尺寸相同的矩阵窗口对所述建筑物数据进行全卷积相乘，当矩阵窗口与其对应的建筑强度影像区域的卷积相乘结果大于阈值E时，将当前所述矩阵窗口所对应的所述面矢量框文件进行标记并放入样本待选区域列表；所述矩阵窗口的每个栅格的取值均为P；

所述阈值E的计算公式如下：

E=10·X·Y·max[1,(10-t-1)]/P，

其中，t为所述矩阵窗口在所述建筑物数据上移动的次数；

所述精度评定模块用于从所述样本待选区域列表中选择n个所述面矢量框文件进行样本标注；

当n大于0时，从所述样本待选区域列表中选择所述卷积相乘结果最小的[n/2]个区域和所述卷积相乘结果最大的n-[n/2]个区域返回步骤S1修改样本重新迭代训练；其中“[]”为取整符号；当n等于0时，进入下个步骤；

所述结果矢量化模块用于将当前的所述建筑物数据进行二值化并进行矢量化得到标记样本区域的遥感影像建筑物数据；

还包括优化数据模块，所述优化数据模块用于将所述建筑物数据的每个栅格的取值范围位于第二阈值范围内的进行保留，同时将所述建筑物数据的其他取值的栅格全部标记为0，所述第二阈值范围位于所述第一阈值范围之间，得到优化的建筑物数据；

所述卷积计算模块包括计算单元，所述计算单元用于计算所述目标区域所需标注的样本数量的最大值为M，M的计算公式为：

M=S/50

其中，S为所述目标区域的总面积，单位为平方公里；

所述目标区域当前的样本数量记为m；

在步骤S5中，n的计算公式如下：

n=max[N,(M-m)/2]

其中，N为步骤S4中的所述样本待选区域列表的样本数量。