建筑物是城市環(huán)境中的主要地物類型,從高分影像等數據中自動提取建筑物對于提升土地利用變化檢測、城市規(guī)劃與土地執(zhí)法等業(yè)務的質量與效率具有重要意義。本文針對現有建筑物提取方法存在的邊界提取不精確的問題以及采用手工特征表達圖像信息的局限性,融合LiDAR數據與高分影像兩種數據源的特征信息,提出一種基于SegNet語義模型的建筑物提取新方法。首先,對LiDAR數據預處理得到數字表面模型（DSM）、數字地形模型（DTM）、歸一化數字表面模型（nDSM）,利用高分影像NDVI值去除n DSM中部分樹木點,得到結果影像nDSM_en;其次,分別獲取LiDAR數據回波強度、表面曲率以及高分影像NDVI值3個特征構建特征圖像訓練SegNet語義模型,利用訓練得到的模型完成建筑物初始提取;最后,采用閾值法分割nDSM_en得到影像對象,利用影像對象約束建筑物初始提取結果,完成建筑物精提取。在以ISPRS官方提供的標準數據集（數據采集的地理區(qū)域為德國Vaihingen,采集時間2008年7—8月）為樣本的實驗中,本文方法在像素層次的平均查全率、平均查準率和提取質量分別為... 

【文章來源】：地球信息科學學報. 2020,22(08)北大核心

【文章頁數】：12 頁

【部分圖文】：

建筑物提取流程

本文在選取訓練樣本時，選取建筑物分布較多、建筑物類型較多的區(qū)域，從而使樣本集具有代表性，避免因數據集選取的問題而出現的過擬合現象，提高分類模型的泛化能力。有很多研究表明，訓練數據集正負樣本的相對數量對基于深度學習的二分類模型有較大影響，平衡的數據集對語義分割模型的分類精度有較大提升[25-26]。實際情況下，平衡的正負樣本數據很難直接獲取，因此本文采用將少數類樣本進行擴充的策略來增加數據量，從而解決正負樣本不平衡的問題�；谇懊娴玫降幕夭◤姸�、表面曲率與NDVI3個特征構建特征圖像，作為SegNet語義模型訓練的輸入數據。由于計算機軟硬件的限制，不能直接將構建的特征圖像輸入模型訓練，需要先對其切割得到子圖像，然后再輸入模型。同時由于人工標記的訓練樣本集數據量較少，需采用鏡像、旋轉、添加噪聲等操作對數據集進行擴充。實驗表明，在模型訓練過程中，當輸入模型的圖像切割尺寸過小時，會破壞建筑物的空間結構特征，降低建筑物提取精度；當切割尺寸過大時，雖然能保存建筑物的空間結構特征，但需要消耗大量的存儲空間以及訓練時間。綜合考慮以上2個因素，過小或過大的切割特征圖像都不利于模型訓練。本文通過實驗確定的最優(yōu)切割尺寸為256像素×256像素。訓練數據處理完成后，進行SegNet語義模型訓練，利用訓練得到的模型完成建筑物初始提取。

為了定量地評價本文所提方法，并與其他方法進行對比，本文采用ISPRS官方提供的查全率（Completeness）、查準率（Correctness）、質量（Quality)3個指標進行評價。該評價方法包括3個層次：基于像素（per-area）、基于對象（per-object）與基于對象（per-object>50 m2）。分類結果混淆矩陣如表1所示。圖4 ISPRS Vaihingen訓練數據集

【參考文獻】：
期刊論文
[1]基于全卷積神經網絡的建筑物屋頂自動提取[J]. 劉文濤,李世華,覃馭楚.  地球信息科學學報. 2018(11)
[2]融合LiDAR點云與正射影像的建筑物圖割優(yōu)化提取方法[J]. 杜守基,鄒崢嶸,張云生,何雪,王競雪.  測繪學報. 2018(04)
[3]一種改進頂帽變換與LBP高程紋理的城區(qū)建筑物提取算法[J]. 何曼蕓,程英蕾,邱浪波,趙中陽.  測繪學報. 2017(09)
[4]地震后機載LiDAR點云的地物區(qū)分方法研究[J]. 王金霞,竇愛霞,王曉青,黃樹松,張雪華.  震災防御技術. 2017(03)
[5]利用機載LiDAR數據和高分辨率圖像提取復雜城區(qū)建筑物[J]. 王雪,李培軍,姜莎莎,劉婧,宋本欽.  國土資源遙感. 2016(02)
[6]基于圖分割的高分辨率遙感影像建筑物變化檢測研究[J]. 施文灶,毛政元.  地球信息科學學報. 2016(03)
[7]LiDAR輔助下利用超高分辨率影像提取建筑物輪廓方法[J]. 程亮,龔健雅.  測繪學報. 2008(03)
[8]基于邊緣檢測算法的LiDAR數據建筑物提取[J]. 崔建軍,隋立春,徐花芝,趙旦.  測繪科學技術學報. 2008(02)



本文編號：3054333