[发明专利]一种基于边缘学习的建筑物规则矢量轮廓提取方法及系统

权利要求书

1.一种基于边缘学习的建筑物规则矢量轮廓提取方法，其特征在于，包括：

获取建筑物遥感矢量数据；

构建建筑物规则矢量轮廓提取网络，将所述建筑物遥感矢量数据输入至所述建筑物规则矢量轮廓提取网络，采用多级结构边缘处理模块和不同损失函数对所述建筑物规则矢量轮廓提取网络进行迭代训练，得到建筑物规则矢量轮廓提取模型；

将待处理建筑物遥感影像数据输入至所述建筑物规则矢量轮廓提取模型，得到建筑物轮廓提取结果。

2.根据权利要求1所述的基于边缘学习的建筑物规则矢量轮廓提取方法，其特征在于，所述构建建筑物规则矢量轮廓提取网络，包括：

所述建筑物规则矢量轮廓提取网络依次包括特征编码模块、边缘初始化模块和边缘调整模块；

所述特征编码模块提取建筑物遥感矢量数据特征图，所述边缘初始化模块对所述建筑物遥感矢量数据特征图进行轮廓初始信息处理得到边缘初始化结果，所述边缘调整模块对所述边缘初始化结果进行调整修正得到边缘精确结果。

3.根据权利要求2所述的基于边缘学习的建筑物规则矢量轮廓提取方法，其特征在于，所述边缘初始化模块包括建筑物中心点热力图预测子模块和建筑物初始边缘预测子模块；

所述建筑物中心点热力图预测子模块包括串联的第一卷积层和第二卷积层，所述第一卷积层包括卷积核大小为3×3的2维卷积和1个修正线性单元，所述第一卷积层包括卷积核大小为1×1的2维卷积；

所述建筑物中心点热力图预测子模块将大小为H×W×C的所述建筑物遥感矢量数据特征图映射为大小为H×W×1的建筑物中心点热力图，其中H为所述建筑物遥感矢量数据特征图的高，W为所述建筑物遥感矢量数据特征图的宽，C为所述建筑物遥感矢量数据特征图的通道数；

所述建筑物初始边缘预测子模块包括串联的第三卷积层和第四卷积层，所述建筑物初始边缘预测子模块将大小为H×W×C的所述建筑物遥感矢量数据特征图映射为大小为H×W×(N×2)的建筑物初始边缘，其中N为预测边缘结点数目；

取所述建筑物中心点热力图中的前K个峰值点作为建筑物中心点位置坐标，基于所述建筑物中心点位置坐标得到建筑物边缘预测结果，将所述建筑物中心点位置坐标与所述建筑物边缘预测结果相加，得到所述边缘初始化结果。

4.根据权利要求2所述的基于边缘学习的建筑物规则矢量轮廓提取方法，其特征在于，所述边缘调整模块包括边缘坐标调整子模块和冗余点剔除子模块；

所述边缘坐标调整子模块根据初始边缘结点坐标，获取每个结点在所述建筑物遥感矢量数据特征图中的对应结点特征，基于所述对应结点特征获取结点坐标偏移量，将所述结点坐标偏移量与所述初始边缘结点坐标进行相加并重复迭代预设次数，得到调整后结点坐标；

所述冗余点剔除子模块基于预设组合优化算法，根据真实边缘结点与所述调整后结点坐标进行匹配，得到有效结点和无效结点。

5.根据权利要求4所述的基于边缘学习的建筑物规则矢量轮廓提取方法，其特征在于，所述边缘调整模块还包括结点特征编码、偏移预测头和结点分类头；

所述结点特征编码包括3个卷积核大小为1的1维卷积，1个卷积核大小为3的1维卷积和1个卷积核为9、空洞为7的1维卷积，其中每个卷积均包括1个修正线性单元和1个批量归一化处理操作；

所述偏移预测头包括2个卷积核大小为1的1维卷积；

所述结点分类头包括2个卷积核大小为1的1维卷积和1个sigmoid激活层。

6.根据权利要求5所述的基于边缘学习的建筑物规则矢量轮廓提取方法，其特征在于，所述边缘调整模块通过第一次迭代输出所述偏移预测头的预测结果，通过第二次迭代分别输出所述偏移预测头的预测结果和所述结点分类头的预测结果。