[发明专利]一种多尺度遥感图像密集房屋检测方法及装置

说明书

本发明公开了一种多尺度遥感图像密集房屋检测方法及装置，该方法包括：获取包含房屋的不同层级的遥感图像，基于卷积方式提取遥感图像特征，以得到遥感图像的特征图；在所述特征图中加入sobel算子，以得到具有增强房屋线条特征的遥感图像特征图；基于U‑Net网络中的直连结构将遥感图像特征图连接，得到最终遥感图像特征图；使用上采样操作使得最终遥感图像特征图与原图大小保持一致，并在上采样操作后使用卷积操作解码特征图中的房屋特征图像；采用卷积操作对房屋特征图像中的每个像素点进行二分类，并与预设的阈值进行比较，从而得到不同颜色的房屋输出结果。该实施方式处理的遥感图像的尺度大，检测遥感图像中房屋的精度高。

技术领域

本发明涉及计算机技术领域，具体涉及计算机图像处理技术领域，尤其涉及多尺度遥感图像中密集房屋检测方法及装置。

背景技术

在遥感图像中，房屋呈现一种窄带状的特征，房屋的颜色特征有着固定的模式，且与背景颜色差异明显。利用谷歌地球的遥感影像可获取高达20级的遥感影像，最高空间分辨率可高达0.27米，可以为深度模型提供清晰的训练样本。

深度学习快速发展，其在计算机视觉领域的图像分类、图像分割、目标识别以及目标追踪等领域都有着优异表现。在图像分割领域中，图灵奖获得者Hinton提出编码-解码结构的深度模型。U-Net为编码-解码的经典结构，该网络在分割医疗图像中有着优异表现。但由于遥感图像的背景复杂，房屋尺寸大小不同一增加了房屋目标提取任务的难度。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于U-Net网络的多尺度遥感图像密集房屋检测方法及装置，以解决现有遥感图像处理方法中的房屋检测的精准度差的问题。

根据本发明的一种实施方式，本发明提出了一种基于U-Net网络的多尺度遥感图像密集房屋检测方法，所述方法包括：

获取包含房屋的不同层级的遥感图像，基于卷积方式提取遥感图像特征，以得到遥感图像的特征图；

在所述特征图中加入sobel算子，以得到具有增强房屋线条特征的遥感图像特征图；

基于U-Net网络中的直连结构将遥感图像特征图连接，得到最终遥感图像特征图；

使用上采样操作使得最终遥感图像特征图与原图大小保持一致，并在上采样操作后使用卷积操作解码特征图中的房屋特征图像；以及

采用卷积操作对房屋特征图像中的每个像素点进行二分类，并与预设的阈值进行比较，从而得到不同颜色的房屋输出结果。

进一步地，所述获取包含不同层级房屋的遥感图像,基于卷积方式提取遥感图像特征，以得到遥感图像的特征图的步骤具体包括：

制作遥感图像的标注图，结果为房屋目标像素标记为白色，其余背景像素标记为黑色，之后对标注图像进行预处理操作来平滑标注结果，再将遥感图像与对应的标注图像送入网络进行训练；

通过卷积操作分别得到遥感图像特征图中单一通道的特定区域以及所有区域的的计算结果；其中，卷积公式为：

G＝∑_C∑_i∑_jA(i，j，c)*w(i，j，c)

其中，i,j,c分别为图像长、宽、通道方向的变量，A为原图，W为卷积核中的参数；

将所有卷积核重复上一步骤操作，最终得到遥感图像特征图的所有通道的计算结果，从而得到遥感图像的特征图。

进一步地，所述在所述特征图中加入sobel算子，以得到具有增强房屋线条特征的遥感图像特征图的步骤还包括，将每个像素的3*3区域与sobel算子进行卷积操作，达到增强遥感图像特征图中的线条特征；其中，所述sobel算子中参数在每次训练过程中均会根据损失函数的梯度值动态改变。