[发明专利]一种基于机器学习的航空影像建筑物轮廓提取方法

说明书

本发明公开了一种基于机器学习的航空影像建筑物轮廓提取方法，包括：步骤一：制作航空影像建筑物轮廓数据集；步骤二：将数据集输入到Self‑net模型中进行训练，Self‑net模型包括四组下采样块和四组上采样块；步骤三：将获取结果进行验证，计算模型的损失值，最终与真实值进行对比计算，将误差传播回模型，不断更新模型，进行往复学习；步骤四：最终模型对数据进行卷积分类，将数据输出。本发明实现了数据集可自定义分辨率输出，轮廓更加规则整齐，相对于其他手段可以全自动的进行数据集制作；改进后的模型在本数据集中整体效果优于原始模型，在本数据集及本次初始化参数情况下，初始精度较高，在较少周期内可达到较高的训练精度。

技术领域

本发明涉及计算机视觉三维图像重建技术领域，具体地说是一种基于机器学习的航 空影像建筑物轮廓提取方法。

背景技术

随着数字城市、智慧城市的深入建设发展，人们对于地理信息数据的需求越来越精 细，更新速度日益加快。不论是从表达形式还是数据制作速度，传统的地理信息数据制作流程已经满足不了当前社会需要。基于新型测绘的硬件装备和技术方法正在不断的更新，对于数据的制作在时间和精度上提出了更高的要求。当前，基于图形学研发的倾斜 摄影测量软件只能满足视觉观看，却无法满足数据应用的需求。而智慧城市所应用的单 体化数据制作中很多软件依赖于建筑物轮廓线，根据轮廓线的建筑物提取分离，在智慧 城市的构建过程中会涉及到，对于智慧城市精细化有很大的提升。有助于智慧城市从 Mesh到单体化的全自动建模，有助于智慧城市更好的表达各个部件和结构，使城市的 智慧决策有载体可依。

如何获取更加精准的建筑物轮廓以及获取建筑物更多的信息，并结合人工智能的新 技术，成为测绘行业普遍的话题。人工智能在测绘行业的应用潜力巨大，如何实现更宽领域的覆盖，更高效能的应用，成为人工智能未来发展的关键。

在国家基础地理信息的发展中，城市建筑物信息化的实现至关重要，城市建筑物信 息化水平的高低会影响数字城市建设、土地利用调查等工作的效率。传统意义上的测绘方法在城市建筑物的提取方面具有精度高的优势，但是传统测绘大多借助于人工测量， 所以存在工作效率低，工作成本高等缺点，已经无法满足目前城市建筑信息化的工作要 求。随着新技术的不断发展，加速传统人工作业向机器学习的转变，进一步优化作业流 程，提高工作效率，使测绘行业更好的适应社会的发展。作为一个新兴技术，机器学习 正在以蓬勃的生机应用于各行各业，尤其是测绘行业的发展，更需要新技术手段的支持。 虽然基于高分辨率遥感影像与深度神经网络融合的建筑物提取结果表现良好，但是利用 改进深度神经网络结构来提高建筑物提取精度的研究尚有很大的发展空间。

国内外的研究方向主要利用图像特征和深度学习这两种方法对遥感影像中建筑物 的轮廓进行提取。图像特征主要是根据图形的梯度、建筑物轮廓的特征、基于分水岭原理、基于形态学变换和利用角点检测提取建筑物轮廓等方法的研究，而深度学习主要是 利用卷积神经网络及其延伸的模型在不同的框架中进行实验，通过对模型的修改和调 优，从而获取到理想的数据结果。所使用到的方法包括基于纯影像的提取和多源数据融 合提取，多源数据包含有影像，点云和DSM等不同种类，根据数据的特征利用不同的方 法，获取到不同的数据结果，不论是机器学习还是全自动图像分割，都可以实现对数据 中建筑的轮廓提取。

发明内容

本发明之目的是弥补上述之不足，向社会公开一种基于机器学习的航空影像建筑物 轮廓提取方法，实现了一种高效准确制作数据集的方法，同时优化了一种提取建筑物轮廓的机器学习方法，从而将现有测绘的成果和新技术很好的结合起来并高效准确制作数据样本。

本发明的技术方案是这样实现的：

一种基于机器学习的航空影像建筑物轮廓提取方法，包括以下步骤：

步骤一：制作自定义分辨率航空影像建筑物轮廓数据集；

步骤二：将数据集输入到Self-net模型中进行训练，Self-net模型包括四组下采样块 和四组上采样块，训练过程包括：