融合LiDAR数据与高分影像特征信息的建筑物提取方法
发布时间：2021-02-27 13:57
建筑物是城市环境中的主要地物类型,从高分影像等数据中自动提取建筑物对于提升土地利用变化检测、城市规划与土地执法等业务的质量与效率具有重要意义。本文针对现有建筑物提取方法存在的边界提取不精确的问题以及采用手工特征表达图像信息的局限性,融合LiDAR数据与高分影像两种数据源的特征信息,提出一种基于SegNet语义模型的建筑物提取新方法。首先,对LiDAR数据预处理得到数字表面模型（DSM）、数字地形模型（DTM）、归一化数字表面模型（nDSM）,利用高分影像NDVI值去除n DSM中部分树木点,得到结果影像nDSMen;其次,分别获取LiDAR数据回波强度、表面曲率以及高分影像NDVI值3个特征构建特征图像训练SegNet语义模型,利用训练得到的模型完成建筑物初始提取;最后,采用阈值法分割nDSMen得到影像对象,利用影像对象约束建筑物初始提取结果,完成建筑物精提取。在以ISPRS官方提供的标准数据集（数据采集的地理区域为德国Vaihingen,采集时间2008年7—8月）为样本的实验中,本文方法在像素层次的平均查全率、平均查准率和提取质量分别为...
【文章来源】：地球信息科学学报. 2020,22(08)北大核心
【文章页数】：12 页
【部分图文】：
建筑物提取流程
本文在选取训练样本时，选取建筑物分布较多、建筑物类型较多的区域，从而使样本集具有代表性，避免因数据集选取的问题而出现的过拟合现象，提高分类模型的泛化能力。有很多研究表明，训练数据集正负样本的相对数量对基于深度学习的二分类模型有较大影响，平衡的数据集对语义分割模型的分类精度有较大提升[25-26]。实际情况下，平衡的正负样本数据很难直接获取，因此本文采用将少数类样本进行扩充的策略来增加数据量，从而解决正负样本不平衡的问题。基于前面得到的回波强度、表面曲率与NDVI3个特征构建特征图像，作为SegNet语义模型训练的输入数据。由于计算机软硬件的限制，不能直接将构建的特征图像输入模型训练，需要先对其切割得到子图像，然后再输入模型。同时由于人工标记的训练样本集数据量较少，需采用镜像、旋转、添加噪声等操作对数据集进行扩充。实验表明，在模型训练过程中，当输入模型的图像切割尺寸过小时，会破坏建筑物的空间结构特征，降低建筑物提取精度；当切割尺寸过大时，虽然能保存建筑物的空间结构特征，但需要消耗大量的存储空间以及训练时间。综合考虑以上2个因素，过小或过大的切割特征图像都不利于模型训练。本文通过实验确定的最优切割尺寸为256像素×256像素。训练数据处理完成后，进行SegNet语义模型训练，利用训练得到的模型完成建筑物初始提取。
为了定量地评价本文所提方法，并与其他方法进行对比，本文采用ISPRS官方提供的查全率（Completeness）、查准率（Correctness）、质量（Quality)3个指标进行评价。该评价方法包括3个层次：基于像素（per-area）、基于对象（per-object）与基于对象（per-object>50 m2）。分类结果混淆矩阵如表1所示。图4 ISPRS Vaihingen训练数据集
【参考文献】：
期刊论文
[1]基于全卷积神经网络的建筑物屋顶自动提取[J]. 刘文涛,李世华,覃驭楚. 地球信息科学学报. 2018(11)
[2]融合LiDAR点云与正射影像的建筑物图割优化提取方法[J]. 杜守基,邹峥嵘,张云生,何雪,王竞雪. 测绘学报. 2018(04)
[3]一种改进顶帽变换与LBP高程纹理的城区建筑物提取算法[J]. 何曼芸,程英蕾,邱浪波,赵中阳. 测绘学报. 2017(09)
[4]地震后机载LiDAR点云的地物区分方法研究[J]. 王金霞,窦爱霞,王晓青,黄树松,张雪华. 震灾防御技术. 2017(03)
[5]利用机载LiDAR数据和高分辨率图像提取复杂城区建筑物[J]. 王雪,李培军,姜莎莎,刘婧,宋本钦. 国土资源遥感. 2016(02)
[6]基于图分割的高分辨率遥感影像建筑物变化检测研究[J]. 施文灶,毛政元. 地球信息科学学报. 2016(03)
[7]LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法[J]. 程亮,龚健雅. 测绘学报. 2008(03)
[8]基于边缘检测算法的LiDAR数据建筑物提取[J]. 崔建军,隋立春,徐花芝,赵旦. 测绘科学技术学报. 2008(02)
本文编号：3054333
【文章来源】：地球信息科学学报. 2020,22(08)北大核心
【文章页数】：12 页
【部分图文】：
建筑物提取流程
本文在选取训练样本时，选取建筑物分布较多、建筑物类型较多的区域，从而使样本集具有代表性，避免因数据集选取的问题而出现的过拟合现象，提高分类模型的泛化能力。有很多研究表明，训练数据集正负样本的相对数量对基于深度学习的二分类模型有较大影响，平衡的数据集对语义分割模型的分类精度有较大提升[25-26]。实际情况下，平衡的正负样本数据很难直接获取，因此本文采用将少数类样本进行扩充的策略来增加数据量，从而解决正负样本不平衡的问题。基于前面得到的回波强度、表面曲率与NDVI3个特征构建特征图像，作为SegNet语义模型训练的输入数据。由于计算机软硬件的限制，不能直接将构建的特征图像输入模型训练，需要先对其切割得到子图像，然后再输入模型。同时由于人工标记的训练样本集数据量较少，需采用镜像、旋转、添加噪声等操作对数据集进行扩充。实验表明，在模型训练过程中，当输入模型的图像切割尺寸过小时，会破坏建筑物的空间结构特征，降低建筑物提取精度；当切割尺寸过大时，虽然能保存建筑物的空间结构特征，但需要消耗大量的存储空间以及训练时间。综合考虑以上2个因素，过小或过大的切割特征图像都不利于模型训练。本文通过实验确定的最优切割尺寸为256像素×256像素。训练数据处理完成后，进行SegNet语义模型训练，利用训练得到的模型完成建筑物初始提取。
为了定量地评价本文所提方法，并与其他方法进行对比，本文采用ISPRS官方提供的查全率（Completeness）、查准率（Correctness）、质量（Quality)3个指标进行评价。该评价方法包括3个层次：基于像素（per-area）、基于对象（per-object）与基于对象（per-object>50 m2）。分类结果混淆矩阵如表1所示。图4 ISPRS Vaihingen训练数据集
【参考文献】：
期刊论文
[1]基于全卷积神经网络的建筑物屋顶自动提取[J]. 刘文涛,李世华,覃驭楚. 地球信息科学学报. 2018(11)
[2]融合LiDAR点云与正射影像的建筑物图割优化提取方法[J]. 杜守基,邹峥嵘,张云生,何雪,王竞雪. 测绘学报. 2018(04)
[3]一种改进顶帽变换与LBP高程纹理的城区建筑物提取算法[J]. 何曼芸,程英蕾,邱浪波,赵中阳. 测绘学报. 2017(09)
[4]地震后机载LiDAR点云的地物区分方法研究[J]. 王金霞,窦爱霞,王晓青,黄树松,张雪华. 震灾防御技术. 2017(03)
[5]利用机载LiDAR数据和高分辨率图像提取复杂城区建筑物[J]. 王雪,李培军,姜莎莎,刘婧,宋本钦. 国土资源遥感. 2016(02)
[6]基于图分割的高分辨率遥感影像建筑物变化检测研究[J]. 施文灶,毛政元. 地球信息科学学报. 2016(03)
[7]LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法[J]. 程亮,龚健雅. 测绘学报. 2008(03)
[8]基于边缘检测算法的LiDAR数据建筑物提取[J]. 崔建军,隋立春,徐花芝,赵旦. 测绘科学技术学报. 2008(02)
本文编号：3054333
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3054333.html
