1、测 绘 通 报 年 第 期引文格式:施仲添,沈正伟,杨四海,等 基于前景感知的遥感影像建筑物提取方法 测绘通报,():基于前景感知的遥感影像建筑物提取方法施仲添,沈正伟,杨四海(杭州市规划和自然资源调查监测中心,浙江 杭州;浙江大学德清先进技术与产业研究院,浙江 湖州)摘要:建筑物是城市建设的主要地物特征,是构成城市的基本要素之一,是城市化建设不断发展的重要体现,是人类生产和生活的主要场所,对其进行有效管理和监督是至关重要的。当前遥感影像获取能力提升且应用常态化,如何快速准确地提取建筑物为后续的应用提供基础是当前急需解决的问题。本文通过分析并结合当前深度学习等先进技术,提出了基于前景感知的遥感
2、影像建筑物提取方法。首先通过改进 网络提取基本影像特征;然后使用双向 网络获取金字塔特征图,并利用前景和地理空间场景建模,形成相关上下文关联;最后增强输入特征图,放大前景特征与背景特征的差距,以提高前景特征区分度,并最终实现高效、精准的遥感影像建筑物的自动化提取。关键词:前景感知;遥感影像;建筑物提取;卷积神经网络;网络结构中图分类号:文献标识码:文章编号:(),(,;,):,;,:;地表建筑物是一种重要的自然资源,是构成城市的基本要素之一,与人类生活息息相关。遥感技术是开展大范围建筑物动态监测的有效途径,具有覆盖面广、时效性强、信息丰富、限制条件少等优势,在城市规划、重大项目监测、农房占耕排
3、查、大棚房清理等应用中发挥了重要作用。随着计算机算力的提升和人工智能的发展,深度学习被广泛应用于计算机视觉、自然语言处理,以及遥感影像处理等领域,其中以卷积神经网络为基础的深度学习在遥感影像建筑物提取中取得了一定效果。从高分遥感影像中通过深度学习提取建筑物信息,是一种特殊的语义分割任务,目标是将影像像素分为前景对象和背景区域两个子集。与普通图像相比,高分遥感影像的分割更具有挑战性。首先,高分遥感影像中目标物尺度变化较大,造成多尺度的问题,使得物体难以被定位和识别;然后,收稿日期:基金项目:浙江省重点研发计划择优委托项目()作者简介:施仲添(),男,硕士,高级工程师,主要从事数据处理、应用、遥感
4、应用、信息化建设等方面的工作。:年 第 期施仲添,等:基于前景感知的遥感影像建筑物提取方法高分遥感影像的背景更为复杂,类内差异较大,容易造成识别错误;最后,高分遥感影像前景的比例远小于普通图像,易造成前景与背景不平衡的问题。本文通过分析并结合当前深度学习等先进技术,提出基于前景感知的遥感影像建筑物提取方法。通过改进 网络提取基本影像特征,使用双向 网络获取金字塔特征图,利用前景和地理空间场景建模,形成相关上下文关联,进而增强输入特征图,放大前景特征与背景特征的差距,提高前景特征区分度,进而增强建筑物识别的有效性,最终实现遥感影像建筑物高效、精准的自动化提取,提高识别效率。相关技术.卷积神经网络
5、卷积神经网络(,)作为深度学习技术的一种经典模型,是受到生物视觉认知机制启发而专门设计的一种针对二维结构图像的多层感知器。近年来,在信号处理、模式识别、生物医学等领域都有着非常广泛且成功的应用。卷积神经网络的结构主要是卷积层、非线性映射层、池化层(下采样层)和全连接层。一个卷积神经网络模型中通常包括多组卷积层和池化层,这两种层结构通常都是交替组合的,池化层后通常会有全连接层和输出层。在进行特征提取时,首先输入图像和多个卷积核进行卷积操作;然后输出多个特征图,其中不同的卷积核提取到的特征不一样,卷积核的尺寸一般设置为正方形,若输入图像为 图像,则第 层卷积核的深度也为;最后对特征图上的元素进行加
6、偏置和通过激活函数等一系列处理。.网络结构在卷积神经网络的训练过程中,由于梯度反向传播,网络深度的增加会导致网络梯度消失的问题。为解决该问题,文献提出了(即深度残差网络),在 图像竞赛的分类、检测、定位任务中均取得了第 名。对卷积神经网络结构的优化效果明显。在标准卷积网络基础上,每隔几层进行直接绕道,每绕过一段就会产生一个瓶颈块结构()。通过使用 卷积核巧妙改变特征映射维度的结构,网络能够有效地保护训练过程中信息的完整性,即使网络层逐渐加深,仍可保持较好的性能。方法研究为了更好地提升建筑物识别的精准度,本文结合深度学习等先进技术,提出一种基于前景感知的遥感影像建筑物提取方法,通过学习前景与背景
7、之间的关联,增强前景的特征识别能力,实现对高分遥感影像建筑物高效、准确的自动提取。首先,将输入影像通过一个改进的 网络进行基本影像特征提取,并使用双向 网络得到金字塔特征图;然后对前景和地理空间场景进行建模,将前景和相关上下文关联起来;最后利用该关联关系对输入特征图进行增强,增加前景特征与背景特征的差距,提高对前景特征的区分度,实现高效、精准的遥感影像中建筑物的自动化提取。该方法的结构如图 所示。图 前景感知遥感影像建筑物识别提取方法结构测 绘 通 报 年 第 期.识别提取流程基于上述研究思路,建筑物识别提取流程包括:利用改进的 主干网络进行基本影像特征提取;使用双向 结构形成金字塔状特征图;
8、生成地理空间场景特征;利用前景与相关上下文的关联关系增强特征图,增加前景与背景间的特征差距;对增强金字塔特征图进行上采样生成识别概率图。识别提取流程如图 所示。图 识别提取流程.基本影像特征图提取采用改进的 主干网络进行基本的影像特征提取,改进的 主干网络主要由 个残差单元和 个残差连接组成。第 个残差单元由 个 的卷积层串联,每个卷积层后加入(批量归一化)和(激活函数),外接一个残差连接完成构建;第 个残差单元使用空洞率为 的深度可分离卷积和空洞卷积串联,同样在每个卷积层后加入 和,外接一个残差连接而完成构建;在两个残差单元再外接一个残差连接,进而构成改进的 主干网络,如图 所示。输入影像在
9、经过 层改进的 网络后,提取到 个不同尺度的基本影像特征图、(如图 所示)。图 改进 网络模型结构.形成金字塔特征图为了进一步将不同尺寸的特征融合,形成金字塔特征图,采用一个双向 网络进行处理。该网络包括一个自上而下的 网络和一个自下而上的,使得每种尺寸的特征图能够产生多尺度的特征表示,且具有较强的语义信息(如图 所示),具体处理步骤如下。()采用 网络先对 进行卷积得到特征图,通过上采样与 融合得到特征图,按照同样的方法得到特征图、。()采用 网络先对 进行卷积得到特征图,通过上采样与 融合得到特征图,按照同样的方法得到特征图、。.生成地理空间场景为了将前景与地理空间场景建模,需要将前景特征
10、和全局场景特征对齐,让全局场景特征图变到 维场景向量,每个金字塔特征图都共享,具体处理步骤如下。()在 使用全局平均池化作为聚合函数生成地理空间场景特征图,用于表示全局场景特征。()将 通过一个可学习的 卷积层,转换成地理空间场景投影的一维场景嵌入向量。.前景与上下文关联增强特征图对前景和地理空间场景进行建模,将前景和相关上下文进行关联,利用该关联关系对输入特征图进行增强,增加前景特征与背景特征的差距,提高对前景特征的区分度,处理流程如下。()对每个金字塔特征图 通过一个 卷积层,依次加入 和,得到一个通道数为 的特征图?。()对 与每个?通过逐点内积得到对应的关系图。()对 通过下式计算得到
11、关系增强前景特征图,其中 表示一个具有参数 的编码器,由一个 卷积层加入 和 实现。().增强后特征图上采样对获取的增强前景特征图,分别通过一个解码器恢复空间分辨率,特征融合后再进行一次上采样,以获得与输入影像一致的空间分辨率,具体处理步骤如下。()对每个增强前景特征图,通过一个 卷积层,依次加入 和,然后通过 个倍双线性上采样通道,其中 分别为、,得到特征图、。()对特征图、融合并使用 倍双线性上采样生成与输入影像一致的识别概率图。.试验情况利用该方法构建的训练模型进行深度学习训 年 第 期施仲添,等:基于前景感知的遥感影像建筑物提取方法练,采用高分二号影像为试验数据源。高分二号卫星搭载 台
12、高分辨率 全色、多光谱相机,具有米级空间分辨率。首先对高分二号影像的全色波段和多光谱数据进行预处理,包括正射校正、数据融合、裁剪等操作;然后以校正后的高分二号遥感影像作为输入源,制作样本标签并进行深度学习训练,进而得到相应的建筑物成果(如图 所示);最后将输出成果与输入源、样本标签进行对比,结果准确率为.,召回率为.,表明该模型能够准确提取遥感影像中的建筑物。图 通过模型提取建筑物的结果 成果应用利用该方法构建的网络模型进行深度学习训练和优化,将待识别的遥感影像进行推理,提升了建筑物识别效率与精确度,并自动获取待识别遥感影像中建筑物图斑,为后续基于建筑物的分析、应用提供了数据基础。将研究成果在
13、规划和自然资源领域与业务充分结合,在农房占耕排查、低效利用工业用地摸排等方面作了初步的有益探索,成果应用成效显著。.农房占耕排查利用研究成果,通过样本标签制作,建立建筑物样本标签;通过不断训练,利用现有遥感影像成果,智能识别建筑物数据,并叠加国土调查的耕地数据;利用空间分析等技术手段,提取农房占耕疑似图斑,为现场排查提供较好的依据,大大提高了工作效率。应用成果如图 所示。.低效利用工业用地摸排低效利用工业用地是指利用粗放、布局散乱、设施落后、闲置废弃及不符合安全生产和环保要求的存量工业用地。低效利用工业再开发在存量建设用地内涵挖潜、提高土地资源节约利用水平及促进经济转型方面具有重要意义。因此,
14、低效利用工业用地摸排是再利用的前提条件,如何快速判断低效利用工业用地是工作高效推进的关键技术。根据低效利用工业用地认定标准,判定指标主要涉及两方面:一是地块开发强度(反映指标主要为容积率、建筑密度),二是亩均税收。图 农房占耕疑似图斑成果利用研究成果,运用空间分析等技术手段,利用遥感影像提取的建筑物,基于建筑密度指标可以初步获得低效利用工业用地;然后通过 获取建筑物高度,进而获得容积率指标,结合税收数据,则可较精准、快速地获得低效利用工业用地摸排结果,从而快速、高效支撑低效利用工业用地再开发工作。应用成果如图 所示。图 低效利用工业用地图斑成果 结论与展望遥感影像建筑物识别和提取一直是研究的热
15、点和难点,对规划和自然资源的管理与应用具有重要作用。本文通过分析并结合当前深度学习的先进技术,提出基于前景感知的建筑物提取方法。通过改进 网络提取基本影像特征,使用双向测 绘 通 报 年 第 期 网络获取金字塔特征图,解决了高分遥感影像多尺度问题,利用前景和地理空间场景建模,形成相关上下文关联,进而增强输入特征图,放大前景特征与背景特征的差距,提高前景特征区分度,减少模型对建筑物的误识别率,实现高效、精准的遥感影像建筑物的自动化提取。本文通过实际应用验证了基于前景感知的遥感影像建筑物识别与提取方法的可行性和高效性。由于深度学习训练依赖大量样本,且样本数量会影响识别准确度,因此后续仍需进一步加大
16、研究,通过样本标签迁移技术,实现遥感影像样本标签在不同网络模型训练中的重复利用,解决深度学习模型训练过程中标签量少、人工标注代价成本过高的问题,实现在遥感影像样本标签有限的情况下,对标签数据的最大化利用,有效提升深度学习网络模型对建筑物识别的泛化能力。参考文献:乔文凡,慎利,戴延帅,等 联合膨胀卷积残差网络和金字塔池化表达的高分影像建筑物自动识别 地理与地理信息科学,():林雨准,张保明,徐俊峰,等 多特征多尺度相结合的高分辨率遥感影像建筑物提取 测绘通报,():宋廷强,李继旭,张信耶 基于深度学习的高分辨率遥感图像建筑物识别 计算机工程与应用,():侯博文,闫冬梅,郝伟,等 改进卷积网络的高分遥感图像城镇建成区提取 中国图象图形学报,():韦玉潭 基于图卷积网络的遥感影像小样本舰船目标识别 杭州:杭州电子科技大学,姚建华,吴加敏,杨勇,等 全卷积神经网络下的多光谱遥感影像分割 中国图象图形学报,():施国武,邢宽平,张俊贤,等 基于深度学习的无人机影像建筑物自动提取 地矿测绘,():刘钊,赵桐,廖斐凡,等 基于语义分割网络的高分遥感影像城市建成区提取方法研究与对比分析 国土资源遥感,