[发明专利]一种基于先验矢量引导的高分影像建筑物提取精处理方法

说明书

本发明提供一种基于先验矢量引导的高分影像建筑物提取精处理方法，包括基于栅矢一致性分析对先验矢量与高分辨率遥感影像数据进行数据预处理工作，得到几何配准及校正后的数据集；基于FNEA影像分割算法充分考虑地物的光谱和空间特征，通过设置尺度参数在先验矢量边界的约束内对高分辨率遥感影像进行影像细分割获取一系列不同大小的地物类别像斑，得到栅矢套合下地物类别分割像斑；采取多数投票法得到建筑物目标提取最终结果，在先验GIS土地利用矢量边界的约束内增强建筑物对象屋顶提取结果的同质性与完整性，得到先验GIS土地利用矢量约束下的深度网络模型建筑物提取精处理结果。本发明显著提高了基于深度学习模型的高分辨率遥感影像建筑物提取质量。

技术领域

本发明涉及遥感应用技术领域，尤其是涉及一种基于先验矢量引导的高分影像建筑物提取精处理方法。

背景技术

近年来，随着计算机计算能力和深度学习算法的发展，以卷积神经网络为基础的建筑物目标检测识别和语义分割逐渐超过了传统算法，大幅提高了海量遥感影像中建筑物目标提取的准确率。目前基于深度学习的语义分割方法分为两类，一类是以R-CNN(Region-based Convolutional Network)系列为代表的基于候选区域的学习方法，另一类是以FCN、U-Net为代表的可以端到端学习的分割算法。第一类基于R-CNN的一系列算法在目标分类、目标检测、语义分割多个任务取得了很好的效果，但是由于要产生候选区域，后续操作都是基于候选区域进行的，因此极大的决定了后续操作的准确率。并且产生候选区域和分类是两个阶段，导致效率降低。因此，学者们又提出了一类可以直接对图像像素分类并且可以端到端训练的语义分割算法。第二类端到端训练方法的基本思想是：直接训练分类器，进行像素级别的分类，利用样本像素级别的标注真值(ground truth)来进行监督训练。模型输入是原图像，利用真值作为监督信息训练分割网络，输出是原图像对应的语义分割图。

基于深度学习的模型在图像分割领域虽然取得了较好的效果，但是也仍然存在一些缺陷。目前基于端到端全卷积网络的建筑物提取方法，都是采用像素级的语义分割策略，由于网络中采用了池化层，造成了位置细节信息的丢失。针对这个问题，网络底层和高层特征的融合缓解了影像中建筑物边缘定位不准确的现象，但并不总是能够对大幅图像块边缘位置的建筑物进行准确提取。此外，深度网络模型中的填充(padding)操作添加了额外的噪声信息到网络的特征映射，这些因素可能导致建筑物边缘的错误分类。基于像素级别的建筑物预测策略是独立地对影像像素进行标记，并不包含影像块之间像素的相邻位置关系。简单进行拼接精处理并不能避免接边造成的“条带效应”，反而会导致影像边缘上下文信息的误用与处理结果的不准确。本发明采取了基于先验矢量引导的深度网络模型提取结果精处理策略，将遥感影像和土地利用矢量进行栅格矢量套合，在矢量边界约束内进行多尺度细分割获取对象，利用GIS矢量边界的约束对高分辨率遥感影像建筑物提取边界和建筑物提取屋顶完整性进行了大幅的增强。

发明内容

为了解决现有技术的缺陷，本发明的技术方案提供了一种基于先验矢量引导的高分影像建筑物提取精处理方法。

本发明提供一种基于先验矢量引导的高分影像建筑物提取精处理方法，包括以下步骤：

步骤一，基于栅矢一致性分析对先验矢量与高分辨率遥感影像数据进行数据预处理工作，得到几何配准及校正后的数据集；

步骤二，基于FNEA影像分割算法充分考虑地物的光谱和空间特征，通过设置尺度参数在先验矢量边界的约束内对高分辨率遥感影像进行影像细分割获取一系列不同大小的地物类别像斑，得到栅矢套合下地物类别分割像斑；

步骤三，采取多数投票法的策略得到建筑物目标提取最终结果，在先验GIS土地利用矢量边界的约束内增强建筑物对象屋顶提取结果的同质性与完整性，得到先验GIS土地利用矢量约束下的深度网络模型建筑物提取精处理结果。

而且，所述步骤一中，基于栅矢一致性分析对先验矢量与高分辨率遥感影像数据进行数据预处理工作，得到几何精细配准及校正后的数据集，实现方式如下，