【技术实现步骤摘要】
一种基于多尺度残差网络模型的高分影像建筑物提取方法
本专利技术涉及遥感应用
,尤其是涉及一种基于多尺度残差网络模型的高分影像建筑物提取方法。
技术介绍
建筑物作为构成城市结构的基本要素之一,其智能提取方法对于城市规划、监测以及管理来说是一项至关重要的任务,对于城市发展分析也有着重要的应用价值。相较于中低分辨率遥感影像,利用高分辨遥感影像进行建筑物变化检测的优势在于:图像包含更丰富的地物信息,如人工建筑在中低分辨率遥感影像中表现为点目标,而在高分辨率影像中会变成明显的面目标,这些目标占据了更多的像素;同一类地物的空间结构、纹理等表征信息更加丰富,这些信息能够更好的反映同一类地物的局部特征以及内部细节差异。但高分辨率遥感影像在带来了丰富的细节信息的同时放大了在中低分辨率遥感影像中较细微、可以忽略的干扰信息,形成影响建筑物检测新的干扰因素。虽然影像空间分辨率的提高缓解了低分辨率传感器的混合像元问题,但同一建筑对应的区域内部由于建筑物材料的不同在光谱响应上差异较大。复杂背景下的建筑物目标结构多变,高低错落,往往又易与周边的树木、道路等地物相混淆,“同谱异物,同物异谱”现象显著,加大了建筑物提取难度。建筑物复杂的结构体现出来的高程不连续、影像中相对遮蔽更加严重以及阴影的影响都是对建筑物检测而言更加严峻的挑战。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目标检测识别、图像语义分割逐渐超过了传统算法的最好效果,端到端的深度网络训练方法大幅提高了遥感图像中建筑物目标提取的准确率。其中,基于深度 ...
【技术保护点】
1.一种基于多尺度残差网络模型的高分影像建筑物提取方法,其特征在于,包括以下步骤:/n步骤一,根据高分辨率遥感影像中典型的建筑物区域,分析不同类型与风格的建筑物影像特征,基于数据增广策略扩充样本,并确定训练集和验证集的超参数配比;/n步骤二,基于卷积神经网络基本对称结构、密集捷径结构、残差跳跃连接方式与特征金字塔输入结构,设计多尺度残差连接深度网络整体模型结构,包括以下子步骤;/n步骤2.1,多尺度残差连接深度网络整体包括编码器部分和解码器部分;/n步骤2.2,编码器部分采取特征金字塔网络输入结构,获得m个不同尺度上的影像,然后将影像经过卷积层的处理,确保下一层的输入与上一层的输出特征图尺寸保持一致,并对上一层尺度下输出的卷积特征图与该层尺度下经过卷积层处理后的影像特征图做合并,作为下一层的输入,然后经过残差映射单元和最大池化层;/n所述残差映射单元包括两个分支,主分支包括多个卷积层单元,支路分支包括一个卷积层单元,所述卷积层单元包括卷积层、修正线性单元和批标准化层;设输入为x,主分支表示为
【技术特征摘要】
1.一种基于多尺度残差网络模型的高分影像建筑物提取方法,其特征在于,包括以下步骤:
步骤一,根据高分辨率遥感影像中典型的建筑物区域,分析不同类型与风格的建筑物影像特征,基于数据增广策略扩充样本,并确定训练集和验证集的超参数配比;
步骤二,基于卷积神经网络基本对称结构、密集捷径结构、残差跳跃连接方式与特征金字塔输入结构,设计多尺度残差连接深度网络整体模型结构,包括以下子步骤;
步骤2.1,多尺度残差连接深度网络整体包括编码器部分和解码器部分;
步骤2.2,编码器部分采取特征金字塔网络输入结构,获得m个不同尺度上的影像,然后将影像经过卷积层的处理,确保下一层的输入与上一层的输出特征图尺寸保持一致,并对上一层尺度下输出的卷积特征图与该层尺度下经过卷积层处理后的影像特征图做合并,作为下一层的输入,然后经过残差映射单元和最大池化层;
所述残差映射单元包括两个分支,主分支包括多个卷积层单元,支路分支包括一个卷积层单元,所述卷积层单元包括卷积层、修正线性单元和批标准化层;设输入为x,主分支表示为支路分支表示为则残差映射单元的输出,如公式(2)所示:
步骤2.3,解码器部分包括与编码器部分对应的上采样层和残差映射单元;
步骤2.4,编码器部分各尺度输出的深度特征图通过残差跳跃连接方式与解码器部分对应尺度下经过上采样层得到的特征图完成合并;
步骤2.5,最后将编码器部分的输出经过卷积层的处理,然后通过Sigmoid激活层将二维的特征图转换为分类图;
步骤三,利用步骤1中的训练样本集训练多尺度残差连接深度网络,通过验证样本集获得最佳的多尺度残差连接深度网络模型,最终利用最佳模型对测试集进行高分影像建筑物提取。
2.根据权利要求1所述的一种基于多尺度残差网络模型的高分影像建筑物提取方法,其特征在于:所述步骤一的具体实施步骤如下:
(1)分析高分辨率遥感影像中典型...
【专利技术属性】
技术研发人员:眭海刚,杜卓童,李强,段志强,肖昶,王海涛,王挺,程旗,冯文卿,
申请(专利权)人:武汉大学,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。