全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法技术

本发明专利技术公开了全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，涉及遥感影像处理技术领域，所述全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法包括下述操作步骤：

【技术实现步骤摘要】
全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法


[0001]本专利技术涉及遥感影像处理
，具体为全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法
。

技术介绍

[0002]深度学习的发展极大地推动了建筑物提取的进展，条件随机场通过同时利用标记影像和观测影像的空间邻域信息，从而建模影像上下文信息，
Shrestha
和
Vanneschi(2018)
通过引入指数线性单元
ELU(ExponentialLinearUnit)
来改进
FCN
的性能，同时将其与
CRF
结合起来，以充分利用影像空间邻域信息增强建筑物边界
。Sun
等
(2019)
设计了一个多任务网络，使
FCN
能够同时生成遮罩和边缘信息，并使用条件随机场模型来细化
FCN
的结果，有效提高了时间和空间效率
。
[0003]当前，条件随机场模型由于其较强的上下文信息建模能力，被广泛应用于建筑物提取任务中，然而面对高分辨率遥感影像丰富的地物信息，基于条件随机场的提取方法存在建筑物边界模糊的问题
。
[0004]于是，有鉴于此，针对现有的结构及缺失予以研究改良，提出全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法
。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，解决了上述
技术介绍
中提出的问题
。
[0006]为实现以上目的，本专利技术通过以下技术方案予以实现：全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，所述全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法包括下述操作步骤：
[0007]S1、
条件随机场的一元输入：
[0008]使用全局局部一体化
D
‑
LinkNet
建模条件随机场的一元势能，全局局部一体化
D
‑
LinkNet
输出的分类图作为条件随机场的一元输入；
[0009]S2、
取得类别标记：
[0010]基于分类图利用连通区域标记算法获取分割先验，在利用影像空间上下文信息的同时，引入局部类别标记代价项，当影像标记不确定性强时，参考该像元邻域的标记信息取得类别标记；
[0011]S3、
最终建筑物标记：
[0012]采用基于图割法的
α
‑
expansion
推理算法进行模型推理，获得最终建筑物标记，其中由于不同建筑物尺度存在差异，难以从单一感受野中提取出足够的特征，针对该问题，全局局部一体化
D
‑
LinkNet
构建了全局局部多平行膨胀卷积模块，该模块采用先增大膨胀率，再减小膨胀率的方式提取建筑物特征
。
[0013]进一步的，所述步骤
S1
中，全局局部一体化
D
‑
LinkNet
分为3个部分，分别命名为编码器
、
中心模块和解码器
。
[0014]进一步的，所述全局局部一体化
D
‑
LinkNet
编码器为在数据集上预训练的深度残差网络
。
[0015]进一步的，所述全局局部一体化
D
‑
LinkNet
的解码器与
D
‑
LinkNet
保持一致，使用全卷积结构
。
[0016]进一步的，所述全局局部一体化
D
‑
LinkNet
中，每个编码器都与解码器对应相连，使得每层解码器都可以获得编码器的学习结果，从而有效保留下采样过程中建筑物的细节特征
。
[0017]进一步的，所述步骤
S2
中，引入局部类别标记代价项使得二元势能建模像元邻域平滑项与局部类别标记代价项的线性组合，由此在分类迭代过程中能够充分考虑每一个像元的标记，保持建筑物的细节信息
。
[0018]进一步的，所述步骤
S2
中，分割先验即先验知识，包括颜色
、
轮廓
。
[0019]进一步的，所述步骤
S3
中，
α
‑
expansion
算法设置了局部搜索策略，该策略可以解决当移动空间小时算法易陷入局部最小解的问题，
α
‑
expansion
算法依据局部搜索策略在循环内部不断地通过
Graph
‑
Cuts
算法进行迭代，每次迭代均计算二类标记问题的全局最小值
。
[0020]进一步的，所述全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法应用于遥感影像处理

。
[0021]本专利技术提供了全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，具备以下有益效果：
[0022]1.
该全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，全局局部细节感知条件随机场框架提出全局局部一体化
D
‑
LinkNet
，在有效利用多尺度建筑物信息的同时保留局部结构信息，解决了传统条件随机场一元势能丢失边界信息的问题，同时，该框架融合分割先验以缓解建筑物类内光谱差异较大的影响，利用更大尺度的上下文信息来精确提取建筑物，并引入局部类别标记代价从而保持细节信息以获取清晰的建筑物边界
。
[0023]2.
该全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，使用全局局部一体化
D
‑
LinkNet
建模条件随机场模型的一元势能，能够实现不同尺度建筑物特征的有效结合，使得获取的建筑物体的结构更加完整；通过在二元势能构建中加入分割先验，能够有效处理影像中的噪声和光谱差异性的问题，得到背景干净的建筑物分类图；局部类别标记代价项的引入满足了建筑物提取任务对于建筑物细节信息提取的高要求，能够捕捉到网络难以识别的细节信息；该框架能够同时适应航空和卫星数据集
。
附图说明
[0024]图1为本专利技术全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法的全局局部细节保持感知条件随机场框架结构图；
[0025]图2为本专利技术全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法的全局局部一体化
D
‑
LinkNet
体系结构图；
[0026]图3为本专利技术全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法的航空影像1建筑物提取结果示意图；
[0027]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，其特征在于：所述全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法包括下述操作步骤：
S1、
条件随机场的一元输入：使用全局局部一体化
D
‑
LinkNet
建模条件随机场的一元势能，全局局部一体化
D
‑
LinkNet
输出的分类图作为条件随机场的一元输入；
S2、
取得类别标记：基于分类图利用连通区域标记算法获取分割先验，在利用影像空间上下文信息的同时，引入局部类别标记代价项，当影像标记不确定性强时，参考该像元邻域的标记信息取得类别标记；
S3、
最终建筑物标记：采用基于图割法的
α
‑
expansion
推理算法进行模型推理，获得最终建筑物标记，其中由于不同建筑物尺度存在差异，难以从单一感受野中提取出足够的特征，针对该问题，全局局部一体化
D
‑
LinkNet
构建了全局局部多平行膨胀卷积模块，该模块采用先增大膨胀率，再减小膨胀率的方式提取建筑物特征
。2.
根据权利要求1所述的全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，其特征在于：所述步骤
S1
中，全局局部一体化
D
‑
LinkNet
分为3个部分，分别命名为编码器
、
中心模块和解码器
。3.
根据权利要求2所述的全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，其特征在于：所述全局局部一体化
D
‑
LinkNet
编码器为在数据集上预训练的深度残差网络
。4.
根据权利要求2所述的全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法，其特征在于：所述全局局部一体化
D
...

【专利技术属性】
技术研发人员：张华，王志盼，江卓一，杨紫娟，郭骏，罗青青，
申请(专利权)人：湖南星图空间信息技术有限公司，
类型：发明
国别省市：