[发明专利]基于分形几何特征和边缘监督的遥感影像建筑物提取方法

说明书

本发明公开了一种基于分形几何特征和边缘监督的遥感影像建筑物提取方法，包括以下步骤：获取大量遥感图像数据构建影像数据集，获取每幅遥感影像对应的建筑物二值图标签即为真实标签；得到大量样本数据，并将所有样本按比例划分为训练集、验证集和测试集；利用训练集样本中的图像作为FB‑Unet网络的输入，训练集样本中的标签作为FB‑Unet网络的真值标签，对FB‑Unet网络进行训练，训练完成后得到建筑物提取网络FB‑Unet模型；将待进行建筑物提取的遥感影像输入到训练好的建筑物提取网络FB‑Unet模型中，提取遥感影像中建筑物的语义特征，得到遥感影像对应的逐像素预测结果。本发明解决了建筑物边缘保留不完整，对不规则建筑物的提取效果差的问题。

技术领域

本发明属于遥感影像领域，具体涉及一种基于分形几何特征和边缘监督的遥感影像建筑物提取方法。

背景技术

建筑物作为城乡区域占主体地位的地物目标，精确的建筑物分布信息对于监测城市地区的变化、城市规划和人日估计等科学研究具有重要意义。然而与遥感图像中水体和森林等自然景物相比，建筑物常受到光照、季节、角度和边界不清晰以及背景信息复杂等强干扰的影响，这些干扰给遥感图像建筑物的准确分割带来了很大挑战。

传统的遥感图像建筑物分割方法主要以人工或机器学习方法获取的浅层特征作为图像分割的依据。虽然传统方法取得了一定的分割效果，但由于其只能提取到图像的浅层特征，没有考虑图像的深层语义特征，难以对蕴含大量语义信息的遥感图像建筑物进行有效分割，因而阻碍了传统方法在遥感建筑物分割领域的大规模应用。

深度学习能够有效提取图像中的深层特征充分利用遥感图像中的语义信息。这类算法通过神经网络自主学习图像特征，建立图像与分割目标之间复杂的映射模型，可以实现端对端、像素对像素的语义分割。目前基于深度学习的建筑物提取方法大致分为两类，一类是以R-CNN系列为代表的基于候选区域的分类标注算法，另一类是以FCN和Unet为代表的端到端学习的语义特征提取算法。

深度学习的方法在建筑物提取任务上优势明显，能够学习影像中建筑物的低层次颜色、特征点特征，也能够学习更高级的语义特征。但分析数万张遥感影像数据集的建筑物提取结果，仍有对小尺度建筑物提取效果不佳、建筑物的边缘保留不完整、对不规则建筑物的提取效果差的问题，无法保证建筑物边缘的完整性和整体的结构相似性。

发明内容

为解决上述问题，本发明公开了一种基于分形几何特征和边缘监督的遥感影像建筑物提取方法，解决了建筑物边缘保留不完整，对不规则建筑物的提取效果差的问题。

具体方案如下：

基于分形几何特征和边缘监督的遥感影像建筑物提取方法，其特征在于，包括以下步骤：

S1.获取大量遥感图像数据构建影像数据集，获取遥感影像数据集中每幅遥感影像对应的建筑物二值图标签即为真实标签；

S2.对图像进行预处理以及数据增强处理得到大量样本数据，每个样本数据包括处理后的图像及其对应的标签，并将所有样本按比例划分为训练集、验证集和测试集；

S3.利用训练集样本中的图像作为FB-Unet网络的输入，训练集样本中的标签作为FB-Unet网络的真值标签，对FB-Unet网络进行训练，训练完成后得到建筑物提取网络FB-Unet模型；

S4.将待进行建筑物提取的遥感影像输入到训练好的建筑物提取网络FB-Unet模型中，提取遥感影像中建筑物的语义特征，得到遥感影像对应的逐像素预测结果。

作为本发明的进一步改进，所述步骤S1中基于已有地理信息系统中的卫星遥感影像数据、航空摄影装置以及无人机正射影像数据获取大量的遥感影像数据。

作为本发明的进一步改进，所述步骤S1中通过已有的建筑物矢量数据、地理普查数据或者人工标注的方法获取遥感数据集中每幅遥感影像对应的建筑物二值图标签，遥感图像中的建筑物像素在二值图标签中对应为1，否则为0。