[发明专利]一种基于残差网络的遥感影像建筑物自动提取方法和系统

权利要求书

1.一种基于残差网络的遥感影像建筑物自动提取方法，其特征在于，包括：

构建训练样本数据集；包括：获取通过遥感卫星相机采集到的多光谱与全色影像；将多光谱与全色影像进行融合，得到融合影像；对融合影像进行分割处理，得到分割影像；确定与分割影像对应匹配的标签；根据得到的携带有标签的各分割影像，得到训练样本数据集；其中，标签，用于指示建筑物的位置；

对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集；

构建用于遥感影像建筑物自动提取的待训练残差网络模型；包括：在Caffe框架下逐层搭建残差神经网络，得到用于遥感影像建筑物自动提取的待训练残差网络模型；其中，所述残差神经网络采用卷积层进行残差学习；待训练残差网络模型的网络架构，包括：卷积层Conv1、卷积层Conv2、卷积层Conv3、卷积层Conv4、卷积层Conv5和池化层pool；卷积层Conv1为：采用64个7×7的卷积核进行卷积操作，缩放倍数为2；卷积层Conv2为：首先采用3×3的核对特征影像进行最大池化，缩放倍数为2；然后进行三组卷积操作，每组分别由64个1×1的卷积核、64个3×3的卷积核及256个1×1的卷积核组成；卷积层Conv3为：进行三组卷积操作，每组分别由128个1×1的卷积核、128个3×3的卷积核及512个1×1的卷积核组成；卷积层Conv4为：进行三组卷积操作，每组分别由256个1×1的卷积核、256个3×3的卷积核及1024个1×1的卷积核组成；卷积层Conv5为：进行三组卷积操作，每组分别由512个1×1的卷积核、512个3×3的卷积核及2048个1×1的卷积核组成；池化层pool为：对特征影像先进行平均池化操作，然后连接softmax层进行损失函数计算；

根据扩充后的训练样本数据集中的训练样本，对待训练残差网络模型进行训练，得到网络参数；包括：对待训练残差网络模型进行初始化；将扩充后的训练样本数据集中的训练样本输入到初始化后的待训练残差网络模型中进行训练，得到预测结果和扩充后的训练样本数据集中的标签的误差；根据得到的预测结果和扩充后的训练样本数据集中的标签的误差，对待训练残差网络模型中的权重和偏置进行调整；当待训练残差网络模型迭代更新至预设次数时，记录此时的网络参数；

根据得到的网络参数，对待训练残差网络模型进行参数更新，得到训练残差网络模型；

根据训练残差网络模型，对测试数据进行建筑物检测。

2.根据权利要求1所述的基于残差网络的遥感影像建筑物自动提取方法，其特征在于，对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集，包括：

将训练样本数据集中的样本进行旋转和变换，完成对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集；其中，旋转角度：0°、90°、180°和270°四种旋转角度；变换，包括：伽马变换、对比度变换、饱和度变换、锐化处理和散焦模糊处理。

3.根据权利要求1所述的基于残差网络的遥感影像建筑物自动提取方法，其特征在于，根据训练残差网络模型，对测试数据进行建筑物检测，包括：

获取待测试遥感影像，并将待测试遥感影像进行分割处理，得到待测试的分割影像；

加载训练残差网络模型，将待测试的分割影像输入到训练残差网络模型中，得到各区域的建筑物提取结果；

对各区域的建筑物提取结果进行拼接处理，得到最终的建筑物提取结果。

4.根据权利要求1所述的基于残差网络的遥感影像建筑物自动提取方法，其特征在于，在对融合影像进行分割处理时，分割尺寸大小为500x500。

5.根据权利要求1所述的基于残差网络的遥感影像建筑物自动提取方法，其特征在于，预设次数为：30000次。