[发明专利]基于深度学习算法识别建筑物的方法

说明书

本发明公开了一种基于深度学习算法识别建筑物的方法，包括获取包含建筑物的遥感影像，并进行影像预处理工作，得到处理过后的带坐标系统的卫星影像图；针对需要进行智能识别的地物，根据其具体特征进行具体归类，并做好表格记录；根据先前做好的分类，进行各样本的样本标签数据勾选，建立各类的样本数据库；利用深度学习算法进行建筑物的提取；利用混淆矩阵对建筑物提取结果进行精度验证。本发明利用深度学习的方法对遥感影像进行建筑物的智能解译提取，实现全智能无人工干预的精准识别解译，达到省时省力的目的；且获取的建筑物遥感影像，各建筑物的样本均满足统一的光谱特征、纹理特征、空间特征关系；可使深度学习提取算法结果精度更加准确。

技术领域

本发明属于遥感影像智能解译技术领域，具体涉及一种基于深度学习算法识别建筑物的方法。

背景技术

近年来，随着城市规模的不断扩充，城市土地利用、空间规划、基础设施建设，以及城市环境污染监控评估、城市人口数据空间化等方面都为城市管理者提出了各种难题。作为城市最主要的组成部分，各种建筑物是我们最需要进行精确探测和管理的目标。然而，随着城市化进程的加快，城市中的建筑物数量和密度越来越大，及时准确的实现二维或三维城市空间建筑物信息的生成或更新是“智慧城市”构建的必然需求。面对这样的需求，显然，传统的土地测量、车载信息采集等方式面对城市规模的爆发式增长在人力成本和经济成本方面越来越高，这与“智慧城市”的理念越来越远。为此，世界各地的卫星、航空和无人机等地球监测平台得到了前所未有的大发展，他们能够及时获取大量的高分辨率光学图像，这些亚米级、分米级的高分辨率图像，尤其是可见光图像，包含着大量关于建筑物目标的颜色、形状、对比度等信息，充分的、及时的利用这些高分辨率可见光遥感图像进行城市区域内街区、社区尺度内建筑物的自动、精确、可靠的提取具有非常广泛的现实意义。

传统的建筑物提取方法，比如构建遥感专题指数模型法、逻辑判别法、面向对象法等，这些方法虽然也取得了较好的效果，但并不太适合大范围的实时更新的数据处理。近些年来，随着深度学习技术不断发展，以高分辨率的遥感影像为基础，使用深度学习技术来对影像数据进行建筑物提取，那么这些需要耗费大量人力、物力的工作，将变得极为轻松。这样，不但海量的遥感数据会得到充分利用，而且建筑物提取的效率也会大大提高，遥感影像的使用价值也会得到显著提升。

遥感是指通过各种传感器，在不接触目标条件下探测目标地物，获取其反射、辐射和散射的电磁波信息的技术手段。遥感影像的获取来源有星载传感器、机载传感器和地基传感器，具有多空间，多时间，多光谱分辨率等特征。利用遥感影像对其空间特征、纹理特征以及光谱特征进行解译分析能够获得地表地物的相关信息以达到影像解译的目的。随着对地观测技术的快速发展，亚米级甚至厘米级空间分辨率的遥感影像被不断获取，为基础测绘、地理国情监测、城市规划等部门进行精细化制图提供了数据基础。

以深度学习为代表的人工智能技术是近年来快速发展起来的一门新技术，目前已经在图像分类、目标检测、语义分割、人脸识别、语音识别、视频分类和自然语言处理等多个领域成功运用。其在图像处理方面的研究大多集中于卷积神经网络，并发展了一系列卷积神经网络基础模型。采用深度学习进行遥感影像解译主要有以下几个优点：

(1)具有增量学习能力。目前，主流的深度学习优化方法往往利用基于小批量样本的随机梯度下降法，无须一次将所有样本供给模型进行训练，通过迭代的方式令模型进行学习，因此可以利用大量的历史数据进行训练。

(2)模型迁移能力强。深度学习在进行具备小数据量的领域或任务时，可以基于相近领域或任务的大数据进行预训练，采用小数据量的领域数据对于深度神经网络进行微调，从而实现不同领域或任务的迁移学习。

(3)无须人工设计特征。深度学习与传统机器学习的最大不同就在于无须人工设计特征，由深度学习模型自动提取并进行训练，因此可以避免大量的特征工程工作以及认为设计对训练精度的影响。