[发明专利]基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备

权利要求书

1.一种基于U-Net网络的遥感影像建筑物提取方法，其特征在于，包括以下步骤：

S1、采集包括若干张遥感影像的数据集；对每张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为栅格数据，得到栅格化的建筑物样本；

S2、选择U-Net网络作为基础的建筑物提取模型，将所述建筑物样本作为输入数据进行建筑物提取模型的训练；其中：

所述U-Net网络解码层的第M级包括一个含有N个并行分支的多尺度模块，M、N均大于等于1；所述多尺度模块包括的每一个分支均包括一个空洞卷积，但，每个空洞卷积的扩张率不同；

所述U-Net网络编码层下的每一级卷积层的卷积模式均设为填充；

训练的过程中，采用输出目标数据的准确度进行网络衡量；

S3、将待进行建筑物提取的遥感影像输入到步骤S2训练好的网络，进行遥感影像建筑物提取。

2.根据权利要求1所述的遥感影像建筑物提取方法，其特征在于，步骤S1中，采集到的图像类别包括建筑物、汽车和植物，共有红、绿、蓝、近红四个通道；

在将采集到的图像数据输入到U-Net网络进行建筑物提取模型训练前，还需对输入的数据集进行预处理实现标签的简化，其中，对输入的数据集进行预处理包括：

首先，选择红、绿、蓝三通道，舍弃近红通道；

其次，将标签中除开建筑物以外的类别删除；

最后，将标签转换为二值图，其中，建筑物颜色为纯黑的背景像素值设置为0，建筑物颜色为纯白的背景像素值设置为255。

3.根据权利要求2所述的遥感影像建筑物提取方法，其特征在于，步骤S2中，在U-Net网络解码层的第二级引入所述多尺度模块；在U-Net网络解码层的第二级包括一个含有4个并行分支的多尺度模块，其中，每个分支下的空洞卷积的扩张率依次设置为1，2，4，8。

4.根据权利要求3所述的遥感影像建筑物提取方法，其特征在于，步骤S2中，在进行建筑物提取模型的训练的过程中，学习率设置为0.0001，损失函数设置为交叉熵损失函数。

5.根据权利要求4所述的遥感影像建筑物提取方法，其特征在于，步骤S2中，使用tensorflow框架进行网络训练，当损失函数收敛之后，采用准确度指标F1和IOU对训练好的模型进行评估，其中，F1指标和IOU指标的定义如下：

其中，FN代表被判定为负样本，但事实上是正样本；FP代表被判定为正样本，但事实上是负样本；TN-True Negative代表被判定为负样本，事实上也是负样本；TP代表被判定为正样本，事实上也是正样本；groundtruth指的背景像素值，其中，图像中有建筑物的区域对应的groundtruth即背景像素值设置为255，图像中没有建筑物的区域对应纯黑，即背景像素值设置为0。

6.根据权利要求1或5所述的遥感影像建筑物提取方法，其特征在于，步骤S3中，在进行建筑物图像提取时依次使用开、闭操作，对图像的边缘做平滑处理，并去除掉图像中的破碎点，提高图像的提取精度；其中，开、闭操作的数学形式定义如下述公式(1)和公式(2)所示：

参数A是原始二值图像，参数B是结构元素；公式(1)中表示开操作；表示参数B膨胀参数A；“AΘB”表示参数B腐蚀参数A；公式(2)中“·”表示闭操作。