利用边界校正网络提取建筑物轮廓

发布时间：2021-06-14 08:06

　　基于影像自动提取建筑物轮廓是遥感领域在现代化城市建设中长期存在的问题。为了充分利用高分辨率遥感影像中建筑物的全局和局部信息以更精确地对建筑物进行分割和提取,提出了基于全卷积神经网络的针对边界约束的校正神经网络模型。该模型由共享后端和多任务预测模型组成,利用修改的U-net和多任务框架,根据共享后端的一致特征生成分割图预测和轮廓构建。模型通过对边界信息的限制和规定,提高性能。在建筑物数据库上的实验表明,边界校正网络模型在建筑物分割和轮廓提取的结果精度均在89%以上,优于传统的U-net模型结果。 

【文章来源】：遥感信息. 2020,35(05)北大核心CSCD

【文章页数】：8 页

【部分图文】：

技术路线

本文使用的数据来自WHU数据库，该数据库分成航空建筑物数据库和卫星建筑物数据库。航空影像数据来自新西兰克赖斯特彻奇市（Christchurch），涵盖22万栋形式各异的建筑，地面分辨率0.075m，后期将数据下采样到0.3m。卫星影像数据包含来自不同卫星传感器（ZY-3、Ikonos、WorldView系列等）、不同分辨率（0.3～2.3m），包括亚洲、欧洲、北美洲、南美洲和非洲5大洲的不同城市，共含3.4万栋建筑物。图2和图3分别展示了航空影像数据集和卫星影像数据集的部分样例，其中原图和标签数据均采用WHU数据集。同时，根据数据集中的标签集，采用Python编程进行Sobel滤波，得到所有建筑物顶的外部轮廓即边界数据，以充分利用建筑物顶多边形的全局信息，即点间的方位关系与线间的角度关系。图3 卫星影像数据集示例

图2 航拍影像数据集示例所有数据的大小均调整为512像素×512像素。本文主要将数据分成航空影像数据集、卫星影像数据集，进行网络模型训练。各类数据集中均采用70%数据作为训练集，20%的数据作为验证集，10%的数据作为测试集。表1为WHU数据库与其他国际开源数据库的对比。

【参考文献】：
期刊论文
[1]基于多任务学习的高分辨率遥感影像建筑实例分割[J]. 惠健,秦其明,许伟,隋娟.  北京大学学报(自然科学版). 2019(06)
[2]遥感影像建筑物提取的卷积神经元网络与开源数据集方法[J]. 季顺平,魏世清.  测绘学报. 2019(04)
[3]基于CNN的高分遥感影像深度语义特征提取研究综述[J]. 董蕴雅,张倩.  遥感技术与应用. 2019(01)
[4]场景解译框架下的高铁沿线建筑物自动识别[J]. 慎利,方灿明,王继成,戴延帅.  遥感信息. 2018(03)
[5]基于卷积神经网络的建筑物精细化提取[J]. 黄小赛,李艳,马佩坤,高扬,吴剑亮.  地理空间信息. 2018(03)
[6]基于全卷积网络的高分辨遥感影像目标检测[J]. 徐逸之,姚晓婧,李祥,周楠,胡媛.  测绘通报. 2018(01)
[7]基于植被指数限制分水岭算法的机载激光点云建筑物提取[J]. 赵宗泽,张永军.  光学学报. 2016(10)
[8]基于颜色聚类分割及改进的FMM算法的壁画修复[J]. 任小康,邓琳凯.  计算机工程与科学. 2014(02)
[9]基于灰度空间特征的模糊C均值聚类图像分割[J]. 李云松,李明.  计算机工程与设计. 2007(06)



本文编号：3229410