[发明专利]应用于数字征迁的遥感影像单体建筑快速精准提取方法

说明书

本发明涉及一种应用于数字征迁的遥感影像单体建筑快速精准提取方法，其特征在于：S1、获取工程范围内的遥感影像；S2、获取训练样本集；S3、得到训练好的建筑物模型；S4、将工程范围内的遥感影像作为输入，采用训练好的建筑物模型进行预测，得到遥感影像中栅格化的建筑物数据，建筑物数据中的每个栅格的取值范围为第一阈值范围，其中最大值代表最高概率属于建筑，最小值代表最高概率属于非建筑；S5、当建筑物数据中存在漏提误提时，获取针对漏提误提区域增加的建筑物样本文件，更新所述训练样本集，重复步骤S2至S4，直至预测得到的建筑物数据满足要求；S6、将栅格化的建筑物数据通过栅格转矢量的方式转换为建筑物的矢量图斑结果。

技术领域

本发明涉及一种应用于数字征迁的遥感影像单体建筑快速精准提取方法。适用于高分辨率遥感影像信息提取领域。

背景技术

征迁是政府根据国民经济和社会发展规划、土地利用总体规划、城乡规划和专项规划等的需要，从而对土地进行征收的过程，其中涉及到征收土地的房屋拆迁问题，因此，需要获取征迁范围内的建筑物的现状，然后将征迁住户的信息与建筑图斑进行关联，为后续具体的征迁过程提供指导。

建筑是土地利用和地表覆盖变化的重要监测目标要素，遥感影像中可清晰辨别建筑屋顶信息，进而准确地反映建筑数量、面积、分布等现势情况，以往在数字征迁中，对于建筑物的获取，通常采用人工解译的方法或者建筑物，此方法虽然能获取精度较高的建筑物，但是需要耗费大量的人工成本，并且耗时很长，效率较低。

近年来，从高分辨率遥感影像中提取建筑物的方法由于能够更快速的获取建筑物图斑而得到广泛的应用，其次，遥感影像建筑物提取的方法也在不断更新，已经从基于像素的多尺度分割技术、基于面向对象的分类技术，发展为目前较为有效的基于深度卷积网络的语义分割技术，目前较为流行的网络有FCN、 U-Net、PSPNet、Mask-RCNN、D-LinkNet等。

然而，在数字征迁的应用方面，不仅仅是提取建筑物，往往还涉及到建筑物提取前期征迁范围的选定裁切、以及建筑物提取后的建筑图斑后处理和建筑物的征迁用户信息等属性的标定。

发明内容

本发明要解决的技术问题是：针对上述存在的问题，提供一种应用于数字征迁的遥感影像单体建筑快速精准提取方法。

本发明所采用的技术方案是：一种应用于数字征迁的遥感影像单体建筑快速精准提取方法，其特征在于：

S1、获取工程范围内的遥感影像；

S2、获取训练样本集，该训练样本集包括若干栅格化的建筑物样本文件，建筑物样本文件由从所述遥感影像上裁剪出的包含建筑物影像的影像样本经转栅格操作后形成，影像样本上绘制有建筑物轮廓并标注有建筑物和背景标签；

S3、根据训练样本集采用卷积神经网络模型进行训练，得到训练好的建筑物模型；

S4、将工程范围内的遥感影像作为输入，采用训练好的建筑物模型进行预测，得到遥感影像中栅格化的建筑物数据，建筑物数据中的每个栅格的取值范围为第一阈值范围，其中最大值代表最高概率属于建筑，最小值代表最高概率属于非建筑；

S5、当建筑物数据中存在漏提误提时，获取针对漏提误提区域增加的建筑物样本文件，更新所述训练样本集，重复步骤S2至S4，直至预测得到的建筑物数据满足要求；

S6、将栅格化的建筑物数据通过栅格转矢量的方式转换为建筑物的矢量图斑结果。

所述步骤S1包括：

获取最新时相的遥感影像和根据遥感影像绘制得到的工程范围面矢量文件，采用该面矢量文件对遥感影像进行裁切，得到工程范围内的遥感影像。

所述影像样本的长为600～1000像素，宽为600～1000像素。