[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

说明书

本发明公开了一种基于U‑Net网络的遥感影像建筑物提取方法、系统、电子设备，在U‑Net网络的解码层加入一个多尺度模块，并引入空洞卷积网络，由于空洞卷积可以在不损失分辨率的情况下扩大感受野，因此可以在保留细节信息的同时提升网络挖掘语义信息的能力，同时多尺度模块增强了网络获取多尺度特征的能力；本发明中考虑将卷积层的卷积模式设置为填充，即卷积后，特征图大小完全不变，原来特征图实际会收缩2，这样每通过一个卷积层，特征图的大小就会减小2倍，采用这种卷积方式，经过4层编码层，最后一层编码层输出的特征图大小将会收缩为输入图片的1/16倍，再经过反卷积操作来恢复图像分辨率，这时候特征图的大小将开始扩大，有效的缩小训练时间。

技术领域

本发明属于图像提取领域，具体涉及一种基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备。

背景技术

建筑物是地理数据库中最容易增加和发生变化，也是最需要更新的部分。由于建筑物对于城市建设、GIS系统更新、数字化城市以及军事侦察等方面的重要性，快速提取建筑物信息技术和进行建筑物变化检测在城市发展规划、电子信息化、国防等方面有着重要的应用。在遥感图像中人工建筑物信息的提取是个复杂的过程，不仅仅需要计算机的自动识别，也需要人的辅助完成，导致目前建筑物提取的效率较低。

近年来，随着计算机性能的极大提升以及深度学习的快速发展，卷积神经网络应用的领域不断扩大，利用卷积神经网络进行地物的自动化提取方法逐渐成熟，并在遥感领域取得了较大的成效。由于传感器精度的提高，能够利用的遥感影像分辨率也越来越高，卷积神经网络提取的特征也越来越丰富。这样一来，利用卷积神经网络以建筑为单位提取高分辨遥感影像上的多类型建筑物也就有了理论基础。

目前基于遥感印象建筑提取的技术方法仅能够提取较为规则且特征明显的建筑，通用性较差，当建筑物较为密集时，提取效果一般，因此如何快速准确的提取各类复杂建筑是遥感信息处理的关键步骤。

发明内容

本发明要解决的技术问题在于，根据现有遥感印象建筑提取的技术方法仅能够提取较为规则且特征明显的建筑，提取效果一般的缺陷，提供一种基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备。

本发明解决其技术问题所采用的技术方案是：构造一种基于U-Net网络的遥感影像建筑物提取方法，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，每个空洞卷积的空洞率不同；

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。

本发明提供一种基于U-Net网络的遥感影像建筑物提取系统，包括以下模块：

数据采集模块，用于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；

网络训练模块，用于选择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：