基于影像自動提取建筑物輪廓是遙感領(lǐng)域在現(xiàn)代化城市建設(shè)中長期存在的問題。為了充分利用高分辨率遙感影像中建筑物的全局和局部信息以更精確地對建筑物進(jìn)行分割和提取,提出了基于全卷積神經(jīng)網(wǎng)絡(luò)的針對邊界約束的校正神經(jīng)網(wǎng)絡(luò)模型。該模型由共享后端和多任務(wù)預(yù)測模型組成,利用修改的U-net和多任務(wù)框架,根據(jù)共享后端的一致特征生成分割圖預(yù)測和輪廓構(gòu)建。模型通過對邊界信息的限制和規(guī)定,提高性能。在建筑物數(shù)據(jù)庫上的實驗表明,邊界校正網(wǎng)絡(luò)模型在建筑物分割和輪廓提取的結(jié)果精度均在89%以上,優(yōu)于傳統(tǒng)的U-net模型結(jié)果。 

【文章來源】：遙感信息. 2020,35(05)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

技術(shù)路線

本文使用的數(shù)據(jù)來自WHU數(shù)據(jù)庫，該數(shù)據(jù)庫分成航空建筑物數(shù)據(jù)庫和衛(wèi)星建筑物數(shù)據(jù)庫。航空影像數(shù)據(jù)來自新西蘭克賴斯特徹奇市（Christchurch），涵蓋22萬棟形式各異的建筑，地面分辨率0.075m，后期將數(shù)據(jù)下采樣到0.3m。衛(wèi)星影像數(shù)據(jù)包含來自不同衛(wèi)星傳感器（ZY-3、Ikonos、WorldView系列等）、不同分辨率（0.3～2.3m），包括亞洲、歐洲、北美洲、南美洲和非洲5大洲的不同城市，共含3.4萬棟建筑物。圖2和圖3分別展示了航空影像數(shù)據(jù)集和衛(wèi)星影像數(shù)據(jù)集的部分樣例，其中原圖和標(biāo)簽數(shù)據(jù)均采用WHU數(shù)據(jù)集。同時，根據(jù)數(shù)據(jù)集中的標(biāo)簽集，采用Python編程進(jìn)行Sobel濾波，得到所有建筑物頂?shù)耐獠枯喞催吔鐢?shù)據(jù)，以充分利用建筑物頂多邊形的全局信息，即點(diǎn)間的方位關(guān)系與線間的角度關(guān)系。圖3 衛(wèi)星影像數(shù)據(jù)集示例

圖2 航拍影像數(shù)據(jù)集示例所有數(shù)據(jù)的大小均調(diào)整為512像素×512像素。本文主要將數(shù)據(jù)分成航空影像數(shù)據(jù)集、衛(wèi)星影像數(shù)據(jù)集，進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練。各類數(shù)據(jù)集中均采用70%數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為驗證集，10%的數(shù)據(jù)作為測試集。表1為WHU數(shù)據(jù)庫與其他國際開源數(shù)據(jù)庫的對比。

【參考文獻(xiàn)】：
期刊論文
[1]基于多任務(wù)學(xué)習(xí)的高分辨率遙感影像建筑實例分割[J]. 惠健,秦其明,許偉,隋娟.  北京大學(xué)學(xué)報(自然科學(xué)版). 2019(06)
[2]遙感影像建筑物提取的卷積神經(jīng)元網(wǎng)絡(luò)與開源數(shù)據(jù)集方法[J]. 季順平,魏世清.  測繪學(xué)報. 2019(04)
[3]基于CNN的高分遙感影像深度語義特征提取研究綜述[J]. 董蘊(yùn)雅,張倩.  遙感技術(shù)與應(yīng)用. 2019(01)
[4]場景解譯框架下的高鐵沿線建筑物自動識別[J]. 慎利,方燦明,王繼成,戴延帥.  遙感信息. 2018(03)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的建筑物精細(xì)化提取[J]. 黃小賽,李艷,馬佩坤,高揚(yáng),吳劍亮.  地理空間信息. 2018(03)
[6]基于全卷積網(wǎng)絡(luò)的高分辨遙感影像目標(biāo)檢測[J]. 徐逸之,姚曉婧,李祥,周楠,胡媛.  測繪通報. 2018(01)
[7]基于植被指數(shù)限制分水嶺算法的機(jī)載激光點(diǎn)云建筑物提取[J]. 趙宗澤,張永軍.  光學(xué)學(xué)報. 2016(10)
[8]基于顏色聚類分割及改進(jìn)的FMM算法的壁畫修復(fù)[J]. 任小康,鄧琳凱.  計算機(jī)工程與科學(xué). 2014(02)
[9]基于灰度空間特征的模糊C均值聚類圖像分割[J]. 李云松,李明.  計算機(jī)工程與設(shè)計. 2007(06)



本文編號：3229410