遥感卫星影像-建筑物提取方案

1.1建筑物提取意义

高分辨率遥感影像中的建筑物提取对违建监测、城区自动提取、地图更新、城市变化监测、城市规划、三维建模、数字化城市建立等应用具有重要意义。高分辨率遥感影像在提高地物光谱特征，突出地物结构、纹理和细节等信息的同时，也因为卫星观测角度问题造成地物遮挡，尺度的增大带来了严重的异物同谱问题，同时增加了影像的噪声，因而限制了建筑物提取的精度，使得目视解译方法仍然是最普遍使用的判读方法，它费时费力、精度难以保证的缺点严重制约了高分辨率遥感影像的大规模应用，造成影像数据的极大浪费。深度学习是人工智能中机器学习发展的新阶段，有效的解决了对复杂对象特征的刻画和复杂场景的关联分析等问题。面向高分辨率遥感影像建筑物提取的深度学习方法，可以自动提取建筑物的特征信息，实现高精度高效率的建筑物提取。

1.2建筑物提取数据需求

为保证建筑物提取的精度，遥感影像的空间分辨率要求做0.5米以上，至少包括R、G、B三个波段，包括但不限于WorldView-2遥感卫星数据、中国高景一号遥感卫星数据。

1.3建筑物提取方骤

1.      标记样本需求分析

标记数据的数量和质量是决定最终提取的建筑物产品精度的关键因素。深度学习算法是一种以数据为驱动的算法，在遥感大数据的环境下，利用深度学习算法实现建筑物高精度提取，首先要保证标记样本数据的数量、质量以及在空间上分布的合理性和对目标地物的代表性。此外，深度学习算法能够根据训练样本自主学习目标地物的光谱和结构特征，无需对影像进行定量化处理，有效地保留了影像细节信息。与传统样本库不同，深度学习算法要求样本库中样本的每个像素均具有一个独立的标号，且样本库的精度直接影响深度学习算法的精度。因此，需设计准确、完善的标记数据样本库。样本库的设计主要考虑标记样本的空间分布、时间分布、数据源、样本数量等影响因素。

2.      基于目视解译的样本标记规范与流程设计

深度学习模型的本质上是通过对先验知识的学习来实现对未知信息进行判定的算法。标记数据的生成是利用专业人员的经验知识，对遥感数据进行解译，将先验知识进行格式化。

与传统计算机视觉领域处理的数据不同的是，遥感数据具有典型的空间特征、时间特征和多谱段（也称为多通道）的特性，需要设计标记流程和数据格式以在样本数据中存储记录这些特性。

本课题将分析遥感数据的特点，结合深度学习模型的数据输入要求，研究利用遥感数据标记建筑物样本的规范，并设计标准化的操作流程，开发可视化标定工具，制定标记样本数据格式与深度学习模型输入数据格式的转换模型，为建筑物提取网络的研发与训练奠定基础。

建筑物样本示意图

3.      面向遥感影像建筑物提取的卷积神经网络设计与训练

分析建筑物样本数据的特征，以卷积神经网络作为基础网络提取影像特征，构建面向建筑物提取的语义分割深度神经网络，并通过样本集的训练与验证，优化网络参数设置。

面向遥感影像建筑物提取的深度神经网络示意图

网络训练阶段：首先将样本数据分为训练数据、验证数据和测试数据三个数据集。其中，训练数据用于求解最小化损失函数的网络参数；验证数据用于最小化过拟合；测试数据用于在网络训练结束后测试网络的分类能力。为了提升网络的训练速度，同时兼顾计算机的内存限制，采用批次训练、梯度下降的方法训练网络模型。此外，在训练过程中，为了提高标记样本的利用率，分别采用旋转（多个角度）、翻转、随机裁剪以及随机增加噪声等方式提升采样数据的利用率，提高深度神经网络的分类精度。将测试数据输入到训练好的深度神经网络结构中，计算输出结果与其真实分类结果的差异，估计网络的分类精度。

根据模型验证情况，优化调整或适当增加标记样本。当标记样本库被优化调整时，可微调深度神经网络参数，优化网络结构，进一步提高网络分类精度。

4.      目标区域建筑物检测

对目标区域的遥感影像进行预处理，输入上步中训练好的网络模型，对目标区域的遥感影像中的建筑物进行检测，最终生成建筑物提取专题图。广西善图科技有限公司

建筑物检测结果示意图