[发明专利]图像级别标注自动提取高分遥感影像建筑物的弱监督方法

说明书

本发明提供了一种图像级别标注自动提取高分遥感影像建筑物的弱监督方法，主要包括建筑物目标的弱监督标记信息获取和建筑物自动提取两个步骤。建筑物目标的弱监督标记信息获取包括自动获取建筑物图像级别标注、利用图像级标注训练分类模型、模型反向定位建筑物目标区域和生成建筑物目标弱监督标记等内容；建筑物提取包括对模型的训练、测试和对数据集外的高分遥感影像中的建筑物进行提取。本发明实现了仅有图像级标签下的建筑物目标的像素级提取，节省了大量的标注成本；改进了分类模型获取建筑物目标定位的网络结构，获取建筑物弱监督标记的方法可扩充高分影像建筑物提取数据集；处理方法简单易行，灵活性高。

技术领域

本发明涉及智能图像处理和图像视觉智能语义理解技术领域，特别地，涉及一种图像级别标注自动提取高分遥感影像建筑物的弱监督方法。

背景技术

建筑物提取在研究城市发展规划、城市基础设施规划、土地利用变化监测、城市热岛效应、三维城市重建、数字化城市、城市土地利用与管理、城市轨道与交通地图实时更新等多个领域中都有着重要的作用。利用海量高分遥感数据，实现高效率、高精度、自动化提取建筑物一直是遥感影像处理方面的研究难点和重点。

近年来，深度卷积神经网络由于其端到端的自主学习方式和强大的特征提取优势，被广泛应用到建筑物提取中，并取得了一些卓越的效果。深度卷积神经网络在建筑物提取任务上取得优秀表现建立在大量的像素级别的标签数据上。然而，收集大量精确的像素级标签来训练以一个语义分割网络是一项劳动密集型工作，往往需要投入大量的人力和财力。如何在像素级标签数据缺乏的情况下也能对建筑物进行快速准确的提取，是当前研究的一个亟待解决的问题。

图像级别的标注信息相较于像素级别的标注信息而言更容易获取，被称为弱监督信息。这些弱监督标签虽然没有对目标物进行像素级别的分割，但实际上蕴含着目标物的高级语义信息和粗略的位置信息，而这些有效信息在实际应用中往往被忽略。近年来，在计算机视觉领域有研究者们尝试利用弱监督信息实现像素级别精度的语义分割，并取得了一些进展。已有的方法通常借助一些无需像素级标注信息的显著性检测提取图像底层特征的方法，生成简单图像的显著性映射进行监督；或者借助分类网络寻找出对分类目标最具鉴别性的区域，生成图像的初始定位，并利用分类网络对分割网络进行监督。这些弱监督学习方法充分挖掘了图像级别标注中所包含的语义信息，在一定程度上有效解决了像素级标注信息稀缺的问题。

但使用显著性检测提取图像低层特征的方法仅适用于背景单一前景突出的图像中，不适用于背景复杂多样的高分遥感图像领域。而现有的利用分类网络定位目标区域的模型，生成的目标定位不够密集连续，难以达到高质量分割的要求。

在高分辨率遥感影像建筑物提取研究领域中，仍然存在着大量未被有效利用的图像级别弱标签信息。此外，遥感数据中的高程信息和归一化植被指数信息作为一种辅助信息，可有效区分建筑物和其他地物，提高建筑物提取的精度。

因此，急需构建一种方法，充分挖掘图像级别标签中的隐含信息，并且借助遥感数据中的辅助信息，生成更精准的建筑物目标定位。

发明内容

本发明目的在于提供一种图像级别标注自动提取高分遥感影像建筑物的弱监督方法，以解决图像级别弱标签信息未有效利用等技术问题。

为实现上述目的，本发明提供了一种图像级别标注自动提取高分遥感影像建筑物的弱监督方法，主要包括：

步骤A：建筑物目标的弱监督标记信息获取；

步骤B：建筑物自动提取。

作为优选的技术方案之一，建筑物目标的弱监督标记信息获取的具体方法如下：

(A-1)获取高分辨率遥感影像；

(A-2)对步骤(A-1)获取的高分辨率遥感影像进行分块剪裁，生成遥感影像数据块；