[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

说明书

本发明提供遥感影像建筑物样本区域提取方法，包括如下步骤：样本制作、建筑物预测、优化数据、卷积计算、精度评定、结果矢量化；本发明还涉及基于深度学习的遥感影像有效样本区域的提取系统、存储介质、电子设备。本发明通过基于深度学习的卷积计算快速计算得到有效且具有代表性的样本区域，增强了典型样本区域选择的自动化程度和有效性，从而减少了任务所需样本的数量同时也减少了人工标注的工作量。

技术领域

本发明涉及高空间分辨率遥感影像信息提取领域，尤其涉及遥感影像建筑物样本区域提取方法。

背景技术

从高空间分辨率影像中提取建筑屋顶的方法，已从基于像素的多尺度分割技术、基于面向对象的分类技术，发展为目前较为有效的基于深度卷积网络的语义分割技术，较为流行的网络有FCN、PSPNet、Mask-RCNN、D-LinkNet等。然而，与无监督的多尺度分割技术相比，虽然其分割效果具有明显优势，但需要标注大量的样本来用于训练深度卷积网络的参数，这是由于不同类型遥感影像间存在空间分辨率、影像波段数、波段通道存储位数的差异，且同一类地物表现出的特征差异较大。面对一个区域(如县域)的制作任务选择样本区域时，目前的方法是对目标区域进行人工目视判别，随机或凭经验选取若干样本区域，进行裁切、标注，在训练、提取后，再对效果不好区域重复人工判别等步骤，直到提取效果符合最终精度。这样会有极大的不确定性，所选的样本也容易存在特征表征的重复，造成重复标注相同类型样本的浪费，降低了制作效率。

发明内容

为了克服现有技术的不足，本发明提供遥感影像建筑物样本区域提取方法。本发明通过基于深度学习的卷积计算快速计算得到有效且具有代表性的样本区域，减少了人工标注的工作量。

本发明提供遥感影像建筑物样本区域提取方法，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，并标注所述面矢量文件中的带建筑物标签，将标签为带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；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；

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所述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的结果最小的[n/2]个区域和所述卷积相乘的结果最大的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。

优选地，在步骤S2与步骤S4中还包括步骤：