一种基于深度学习的遥感影像居民区自动提取方法[发明专利]

(19)中华人民共和国国家知识产权局

(12)发明专利申请

(10)申请公布号 (43)申请公布日 (21)申请号 201910639615.1

(22)申请日 2019.07.15

(71)申请人 北京洛斯达数字遥感技术有限公司

地址 100088 北京市海淀区马甸东路19号

19层2225

(72)发明人 乔新辉　严研　马旭　范光甫　

崔章顺　侯小波　解景新　陈思远　

常金生　王军　董鉥涛　王涛　

徐华秒　吴斌　杨曦　刘兴　王倩　

李扬　赵晶辉　郭双叶　段宇格　

(74)专利代理机构 郑州万创知识产权代理有限

公司 41135

代理人 薛雁超

(51)Int.Cl.

G06K 9/00(2006.01)

G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)

(54)发明名称

一种基于深度学习的遥感影像居民区自动

提取方法

(57)摘要

本发明公开了一种基于深度学习的遥感影

像居民区自动提取方法，包括以下步骤：a.制作

居民区训练样本；b.对步骤a生成的样本数据做

数据整理和归类，建立训练模型的数据集，包括

训练集、验证集和检测集；c.基于迁移学习算法

训练样本；d.对训练结束后得到的模型进行验证

和评价；该发明采用基于光谱信息辅助的改进型

全卷积网络遥感影像居民区提取方法；使用条件

随机场对分类结果进行优化，使提取的居民区边

界更加平滑合理；深度学习与GIS辅助制图相结

合，

完成大面积海量数据的全自动智能提取。权利要求书2页 说明书8页 附图5页CN 110399819 A 2019.11.01

C N 110399819

A

1.一种基于深度学习的遥感影像居民区自动提取方法，其特征在于，包括以下步骤：

a.制作居民区训练样本；

b.对步骤a生成的样本数据做数据整理和归类，建立训练模型的数据集，包括训练集、验证集和检测集；

c.基于迁移学习算法训练样本；

d.对训练结束后得到的模型进行验证和评价；

f.利用经精度验证和精度评价后的训练结果模型，进行原始遥感影像上的居民区自动提取；

g.改造原始模型的网路结构，使用稀疏卷积核来扩大单个卷积模板的感受野，增强像素之间的联系；在全连接卷积网络结尾增加基于全连接的条件随机场，实现居民区边界的优化；

h.开始自动提取运算，输出结果为与原始影像大小相同的索引图，将索引图转换为矢量图，删除背景，保留居民区。

2.根据权利要求1所述的方法，其特征在于，所述步骤a的具体步骤是：从待识别的遥感影像上截取具有代表性的居民区样本图像，对样本图像里的居民区进行矢量化，并进行样本扩充，生成包含原始数据和矢量化后的数据的样本数据。

3.根据权利要求2所述的方法，其特征在于，所述步骤c的具体步骤是：c1.选择迁移学习的原始模型，设置模型的学习率、迭代次数、块大小和使用的GPU类型；c2.调用GPU进行模型训练；c3.使用FCN网络分别提取光谱特征和空间特征。

4.根据权利要求3所述的方法，其特征在于，所述步骤c3的具体步骤是：其中空间特征的提取步骤为：c31.构建全卷积网络数据层，每一层数据在卷积网络中是一个三维数组，其大小是h×w×d，其中h,w是空间维度，d是通道尺度，利用卷积、池化和激活函数，建立在感受野区域之内的相关运算，实现空间特征的提取；其中光谱特征提取的步骤是：c32.首先把原始多光谱图像生成一个一维的特征图，并将它分解成η个基础光谱特征向量，定义为：

b i＝v(s),1≤i≤η,τ(i-1)+1≤s≤τ(i-1)+ω (1)

其中，b i是第i个基础光谱特征向量，其长度是ω，v是原始特征向量，τ是偏移量。

5.根据权利要求4所述的方法，其特征在于，所述步骤d的具体步骤为：d1.对训练过程中生成的精度曲线图进行分析，判断其是否达到精度阈值,如若不能达到精度阈值，则继续迭代训练；d2.对检测集的分类结果进行精度评价，判断其是否满足精度评价阈值，如若不能达到精度评价阈值，则调整参数，继续训练。

6.根据权利要求5所述的方法，其特征在于，所述步骤f具体步骤为：f1.选择待提取的居民区遥感影像；f2.设置并行处理块大小、窗口移动尺寸参数；f3.基于语义的逻辑回归进行分类预测，具体步骤是：输入层图像经过前向传播函数的多级全卷积网络变换，提取各像素的语义信息，生成分类热力图，再经由后向传播函数对分类结果进行参数微调和纠正，反复迭代，直到满足条件阈值，完成逻辑回归分类预测。

7.根据权利要求6所述的方法，其特征在于，还包括以下步骤：

i.对自动提取的居民区矢量数据进行编辑，剔除面积小于面积阈值的居民区，合并面积小于空洞面积阈值的空洞到最邻近居民区；

j.对提取的居民区精度进行评价。

8.根据权利要求7所述的方法，其特征在于，

所述步骤j的具体步骤是：j1.选择具有代表性的居民区作为精度评价区域；j2.在样本的提取结果矢量数据基础上进行编辑，标注漏分区域、错分区域；j3.统计正确分类、错分、漏分的像素数量；j4.计算总体分类精度、混淆矩阵和Kappa系数。

一种基于深度学习的遥感影像居民区自动提取方法

技术领域

[0001]本发明属于图像处理技术领域，尤其是涉及一种基于深度学习的遥感影像居民区自动提取方法。

背景技术

[0002]居民地的识别和提取是遥感技术在社会生产众多领域中的一项重要应用，测绘、规划、国土、电力、地学分析等众多领域都需要从遥感影像上快速精确地提取居民地信息，以作为自己部分业务的基础支撑数据。目前遥感影像的居民区提取所采用的方法，一般是基于某个数学模型，再结合居民区自身的纹理特征、结构特征等，采用基于像素的或者面向对象的识别方法。

[0003]目前，国内外许多研究学者提出了不少关于居民区提取的方法，如专利“一种基于边缘特征的高分辨率遥感影像居民区提取方法”，专利申请号(CN201210544618.5)，公开了一种基于边缘特征的高分辨率遥感影像居民区提取方法。岳梦雪，秦昆，张恩兵等“基于数据场和密度聚类的高分辨率影像居民区提取”提出了一种基于数据场和密度聚类的高分辨率居民区有效提取的方法。分析现有居民区提取方法，发现存在以下4方面的局限性：[0004]1、精度不高：现有方法一种是基于纹理特征的居民区提取方法，这种方法对于成片的居民区具有较好的效果，但对于居民区零散分布的、中间夹杂树木、草地、耕地等特征的居民区来说，提取精度有限，并且提取的结果不是呈连续面状分布，中间夹杂着大量其他地类。另外一种基于面向对象的居民区提取方法效果较前者优越，但对居民区边界的划分不够清晰，居民区内部的道路、小花园、空地等不能有效识别。

[0005]2、效率不高：在实际应用中，提取居民地的遥感影像一般以县、市、省等为单位，面积一般在数千平方公里到数万平方公里，现有的居民地提取方法面对如此庞大的数据，计算效率低下，1000平方公里影像要花费数十天时间。

[0006]3、适用性不强：目前常用的遥感影像种类繁多，不同的卫星传感器具有不同的空间分辨率、光谱分辨率、辐射分辨率等技术参数，现有方法针对某一种类型的卫星影像可能具有较好的居民区识别效果，但面向不同的数据源时，已有参数不再适用，即一种数据一套计算方法。

[0007]4、实用性差：现有技术主要停留在学术研究的层面，对特有的实验数据能够得到较好的提取结果，但对于实际生产中需要满足面向市域或省域的大面积遥感影像，现有技术一般无法较好地满足要求。

[0008]针对以上缺点，本发明采用人工智能图像处理的思想，使用深度学习技术手段，实现居民区的提取。

发明内容

[0009]以高分辨率光学遥感影像为对象，以深度学习方法为基础，使用全卷积网络(Fully Convolutional Networks，FCN)，通过使用有限样本迁移学习的方法实现遥感影像