一种基于高分辨率遥感影像的建筑物矢量提取方法及系统

本发明涉及遥感影像分析技术领域，尤其涉及一种基于高分辨率遥感影像的建筑物矢量提取方法及系统。

背景技术：

随着城市化进程快速发展以及遥感技术不断进步，从高分辨率遥感影像中提取出建筑物信息对城市动态监测、规划管理等应用具有重要意义。面对传统人工标注方式所带来的效率问题和准确率问题，加上建筑物的实际大小形状、分布疏密情况等影响因素，使得实现从高分辨率遥感影像中进行自动化建筑物提取的功能成为一个极有挑战的任务。目前针对这一任务，相关技术人员已提出一种基于深度学习的语义分割方法，虽然可提升对建筑物的提取精度，但是最终得到的语义分割结果在执行矢量化处理后往往产生不规则多边形，其与真实地物斑块的边界存在很大的区别，很难直接应用于地理空间分析应用中，即采用此方法的实用效果不佳。

技术实现要素：

本发明的目的在于克服现有技术的不足，本发明提供了一种基于高分辨率遥感影像的建筑物矢量提取方法及系统，可在保证大幅度提升建筑物提取精度的同时，克服现有技术所存在的建筑物边界提取误差。

为了解决上述问题，本发明提出了一种基于高分辨率遥感影像的建筑物矢量提取方法，所述方法包括：

获取目标区域的三波段遥感影像；

将所述三波段遥感影像分别导入训练好的u-net网络模型和训练好的cascadecnn网络模型，对应输出建筑物语义分割图和建筑物角点热力图；

对所述建筑物语义分割图和所述建筑物角点热力图进行要素提取，构成建筑物矢量顶点集；

将所述三波段遥感影像导入训练好的cascader-cnn网络模型，输出建筑物预测边界框，并利用所述建筑物预测边界框对所述建筑物矢量顶点集进行更新；

基于更新后的建筑物矢量顶点集生成建筑物基本骨架，结合所述建筑物语义分割图从所述建筑物基本骨架中筛选出所有相关骨架数据；

对所述所有相关骨架数据进行矢量融合，得到建筑物矢量结果。

可选的，所述对所述建筑物语义分割图和所述建筑物角点热力图进行要素提取，构成建筑物矢量顶点集包括：

从所述建筑物语义分割图中提取出建筑物斑块与所述三波段遥感影像边缘之间的所有相交点信息，构成虚拟顶点集；

利用非极大抑制算法从所述建筑物角点热力图中提取出建筑物的所有角点信息，构成真实顶点集；

对所述虚拟顶点集和所述真实顶点集进行数据合并，构成建筑物矢量顶点集。

可选的，所述利用所述建筑物预测边界框对所述建筑物矢量顶点集进行更新包括：

获取所述建筑物预测边界框上的最小边界点和最大边界点；

根据所述最小边界点和所述最大边界点建立阈值范围，从所述建筑物矢量顶点集中删除未落在所述阈值范围内的所有矢量顶点数据。

可选的，所述基于更新后的建筑物矢量顶点集生成建筑物基本骨架包括：

基于更新后的建筑物矢量顶点集包含有m个矢量顶点，构建允许涵盖所述m个矢量顶点的初始建筑物三角网；

将所述m个矢量顶点中的每一个矢量顶点插入所述初始建筑物三角网，基于每一个矢量顶点所在的三角形进行空外接圆检测，得到每一个矢量顶点所对应的单个三角网格；

基于所述m个矢量顶点所对应的m个三角网格已更新在所述初始建筑物三角网中，对构成当前初始建筑物三角网边框的所有关联三角形进行删除处理，得到建筑物基本骨架。

可选的，所述基于每一个矢量顶点所在的三角形进行空外接圆检测，得到每一个矢量顶点所对应的单个三角网格包括：

以第i(1≤i≤m)个矢量顶点所在的三角形为中心点，搜索与第i个矢量顶点所在的三角形相邻近的p个三角形，同时获取所述p个三角形中的每一个三角形所对应的一个外接圆；

从所述p个三角形所对应的p个外接圆中筛选出包含有第i个矢量顶点的r个外接圆，并对所述r个外接圆所对应的r个三角形进行删除处理；

将第i个矢量顶点分别与剩下的(p-r)个三角形所包含的全部顶点进行连接，得到第i个矢量顶点所对应的单个三角网格。

可选的，所述结合所述建筑物语义分割图从所述建筑物基本骨架中筛选出所有相关骨架数据包括：

获取所述建筑物基本骨架中所包含的k个骨架数据，并统计出所述k个骨架数据中的每一个骨架数据中所占的建筑物像素个数；

根据第j(1≤j≤k)个骨架数据所构成的三角边框位置，从所述建筑物语义分割图中提取出与第j个骨架数据所构成的三角边框位置相匹配的重合三角形，并统计出所述重合三角形中所占的建筑物像素个数；

基于第j个骨架数据中所占的建筑物像素个数以及与第j个骨架数据匹配的重合三角形中所占的建筑物像素个数，计算第j个骨架数据的关联比例；

通过k次循环操作得到所述k个骨架数据所对应的k个关联比例，从所述k个关联比例中筛选出大于预设值的t个关联比例，并从所述建筑物基本骨架中筛选出所述t个关联比例所对应的t个骨架数据。

可选的，所述对所述所有相关骨架数据进行矢量融合，得到建筑物矢量结果包括：

基于并集处理方式对所述t个骨架数据中的相邻每两个骨架数据进行合并，得到建筑物矢量结果。

另外，本发明实施例还提供了一种基于高分辨率遥感影像的建筑物矢量提取系统，所述系统包括：

图像获取模块，用于获取目标区域的三波段遥感影像；

图像解析模块，用于将所述三波段遥感影像分别导入训练好的u-net网络模型和训练好的cascadecnn网络模型，对应输出建筑物语义分割图和建筑物角点热力图；

数据提取模块，用于对所述建筑物语义分割图和所述建筑物角点热力图进行要素提取，构成建筑物矢量顶点集；

数据筛选模块，用于将所述三波段遥感影像导入训练好的cascader-cnn网络模型，输出建筑物预测边界框，并利用所述建筑物预测边界框对所述建筑物矢量顶点集进行更新；

骨架建立模块，用于基于更新后的建筑物矢量顶点集生成建筑物基本骨架，结合所述建筑物语义分割图从所述建筑物基本骨架中筛选出所有相关骨架数据；

矢量输出模块，用于对所述所有相关骨架数据进行矢量融合，得到建筑物矢量结果。

另外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述中任意一项所述的基于高分辨率遥感影像的建筑物矢量提取方法。

在本发明实施例中，通过结合三种具备不同功能的深度学习网络模型对三波段遥感影像中的相关形态控制点进行提取与筛选，可大幅度提升建筑物提取精度，减少冗余矢量标注；通过三角剖分框架对筛选后的相关形态控制点进行面状要素的构建，使得最终得到的建筑物斑块呈现出规则形状，以克服现有技术所存在的建筑物边界提取误差；本发明实施例可为城市动态监测、规划管理等应用实施提供便利条件。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的基于高分辨率遥感影像的建筑物矢量提取方法的流程示意图；

图2是本发明实施例中的基于高分辨率遥感影像的建筑物矢量提取系统的组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例

请参阅图1，图1示出了本发明实施例中的基于高分辨率遥感影像的建筑物矢量提取方法的流程示意图。

如图1所示，一种基于高分辨率遥感影像的建筑物矢量提取方法，所述方法包括：

s101、获取目标区域的三波段遥感影像；

在具体实施过程中，通过搭建高光谱传感器来采集到目标区域的三波段遥感影像，且在所述三波段遥感影像上建立一个平面坐标系，以满足后续对所述三波段遥感影像的分析应用中可统一延用该平面坐标系来表示出各个数据点信息为pi＝(xi，yi)。

s102、将所述三波段遥感影像分别导入训练好的u-net网络模型和训练好的cascadecnn网络模型，对应输出建筑物语义分割图和建筑物角点热力图；

其中，所述训练好的u-net网络模型内部设置有运算精度最高的基于resnet34(resnet：residualnetwork，残差网络)的u-net语义分割网络，所述训练好的cascadecnn(cnn：convolutionalneuralnetwork，卷积神经网络)网络模型内部设置有运算精度最高的基于vgg19(vgg：visualgeometrygroup，视觉几何组)的cascadecnn角点提取网络。

s103、对所述建筑物语义分割图和所述建筑物角点热力图进行要素提取，构成建筑物矢量顶点集；

具体实施过程包括：首先从所述建筑物语义分割图中提取出建筑物斑块与所述三波段遥感影像边缘之间的所有相交点信息，构成虚拟顶点集为pv＝{pv1，pv2，…，pvn}；其次利用非极大抑制算法从所述建筑物角点热力图中提取出建筑物的所有角点信息，构成真实顶点集为pr＝{pr1，pr2，…，prn′}；最后对所述虚拟顶点集pv和所述真实顶点集pr进行数据合并，构成包含有(n+n′)个顶点的建筑物矢量顶点集为p＝pv∪pr。

s104、将所述三波段遥感影像导入训练好的cascader-cnn网络模型，输出建筑物预测边界框，并利用所述建筑物预测边界框对所述建筑物矢量顶点集进行更新；

具体实施过程包括：首先获取所述建筑物预测边界框上的最小边界点ptopleft＝(xmin，ymin)和最大边界点pbottomright＝(xmax，ymax)；其次根据所述最小边界点和所述最大边界点建立阈值范围为[ptopleft，pbottomright]，从所述建筑物矢量顶点集p中删除未落在所述阈值范围内的所有矢量顶点数据，此时更新后的建筑物矢量顶点集p′内的任意一个矢量顶点pa均需要满足：{pa＝(xa，ya)|xmin≤xa≤xmax且ymin≤ya≤ymax，pa∈p′}。其中，所述训练好的cascader-cnn(r-cnn：region-basedconvolutionalneuralnetwork，区域卷积神经网络)网络模型内部设置有运算精度最高的基于resnet101的cascader-cnn目标检测网络。

s105、基于更新后的建筑物矢量顶点集生成建筑物基本骨架，结合所述建筑物语义分割图从所述建筑物基本骨架中筛选出所有相关骨架数据；

具体实施过程包括：

(1)基于更新后的建筑物矢量顶点集p′包含有m个矢量顶点，构建允许涵盖所述m个矢量顶点的初始建筑物三角网，进一步表现为：首先设定一个包含所述m个矢量顶点的初始矩形，再连接所述初始矩形的任意一条对角线，构成初始建筑物三角网；

(2)将所述m个矢量顶点中的每一个矢量顶点插入所述初始建筑物三角网，基于每一个矢量顶点所在的三角形进行空外接圆检测，得到每一个矢量顶点所对应的单个三角网格；

进一步的，首先以第i(1≤i≤m)个矢量顶点所在的三角形为中心点，搜索与第i个矢量顶点所在的三角形相邻近的p个三角形，同时获取所述p个三角形中的每一个三角形所对应的一个外接圆；其次，从所述p个三角形所对应的p个外接圆中筛选出包含有第i个矢量顶点的r个外接圆，并对所述r个外接圆所对应的r个三角形进行删除处理；最后，将第i个矢量顶点分别与剩下的(p-r)个三角形所包含的全部顶点进行连接，得到第i个矢量顶点所对应的单个三角网格。

(3)基于所述m个矢量顶点所对应的m个三角网格已更新在所述初始建筑物三角网中，对构成当前初始建筑物三角网边框的所有关联三角形进行删除处理，得到建筑物基本骨架；

其中，对构成当前初始建筑物三角网边框的所有关联三角形进行删除处理实际表现为：将与上述步骤(1)所生成的所述初始矩形的边框相关联的所有三角形进行删除。此外，本发明实施例主要通过依赖python软件的scipy库与bowyer-watson算法的相结合来完成建筑物基本骨架的构建。

(4)获取所述建筑物基本骨架中所包含的k个骨架数据，并统计出所述k个骨架数据中的每一个骨架数据中所占的建筑物像素个数为其中1≤j≤k；

(5)根据第j个骨架数据所构成的三角边框位置，从所述建筑物语义分割图中提取出与第j个骨架数据所构成的三角边框位置相匹配的重合三角形，并统计出所述重合三角形中所占的建筑物像素个数为

(6)基于第j个骨架数据中所占的建筑物像素个数以及与第j个骨架数据匹配的重合三角形中所占的建筑物像素个数，计算第j个骨架数据的关联比例为

(7)通过k次循环操作得到所述k个骨架数据所对应的k个关联比例，从所述k个关联比例中筛选出大于预设值的t个关联比例，并从所述建筑物基本骨架中筛选出所述t个关联比例所对应的t个骨架数据。

其中，本发明实施例选定所述预设值为50％，此时可从所述k个关联比例中筛选出大于50％的t个关联比例，即所述t个关联比例所对应的t个骨架数据被判定属于建筑物三角形；相反的，剩下的(k-t)个小于等于50％的关联比例所对应的(k-t)个骨架数据即被判定属于非建筑物三角形。

s106、对所述所有相关骨架数据进行矢量融合，得到建筑物矢量结果。

具体的，基于并集处理方式对通过步骤s105所得到的所述t个骨架数据中的相邻每两个骨架数据进行合并，得到建筑物矢量结果，进一步表现为：基于python软件的geopandas库，通过调用库中的dissolve函数对所述t个骨架数据进行矢量融合处理，以形成单个矢量多边形输出。

在本发明实施例中，通过结合三种具备不同功能的深度学习网络模型对三波段遥感影像中的相关形态控制点进行提取与筛选，可大幅度提升建筑物提取精度，减少冗余矢量标注；通过三角剖分框架对筛选后的相关形态控制点进行面状要素的构建，使得最终得到的建筑物斑块呈现出规则形状，以克服现有技术所存在的建筑物边界提取误差；本发明实施例可为城市动态监测、规划管理等应用实施提供便利条件。

实施例

请参阅图2，图2示出了本发明实施例中的基于高分辨率遥感影像的建筑物矢量提取系统的组成示意图。

如图2所示，一种基于高分辨率遥感影像的建筑物矢量提取系统，所述系统包括：

图像获取模块201，用于获取目标区域的三波段遥感影像；

在具体实施过程中，通过搭建高光谱传感器来采集到目标区域的三波段遥感影像，且在所述三波段遥感影像上建立一个平面坐标系，以满足后续对所述三波段遥感影像的分析应用中可统一延用该平面坐标系来表示出各个数据点信息为pi＝(xi，yi)。

图像解析模块202，用于将所述三波段遥感影像分别导入训练好的u-net网络模型和训练好的cascadecnn网络模型，对应输出建筑物语义分割图和建筑物角点热力图；

其中，所述训练好的u-net网络模型内部设置有运算精度最高的基于resnet34(resnet：residualnetwork，残差网络)的u-net语义分割网络，所述训练好的cascadecnn(cnn：convolutionalneuralnetwork，卷积神经网络)网络模型内部设置有运算精度最高的基于vgg19(vgg：visualgeometrygroup，视觉几何组)的cascadecnn角点提取网络。

数据提取模块203，用于对所述建筑物语义分割图和所述建筑物角点热力图进行要素提取，构成建筑物矢量顶点集；

具体实施过程包括：首先从所述建筑物语义分割图中提取出建筑物斑块与所述三波段遥感影像边缘之间的所有相交点信息，构成虚拟顶点集为pv＝{pv1，pv2，…，pvn}；其次利用非极大抑制算法从所述建筑物角点热力图中提取出建筑物的所有角点信息，构成真实顶点集为pr＝{pr1，pr2，…，prn′}；最后对所述虚拟顶点集pv和所述真实顶点集pr进行数据合并，构成包含有(n+n′)个顶点的建筑物矢量顶点集为p＝pv∪pr。

数据筛选模块204，用于将所述三波段遥感影像导入训练好的cascader-cnn网络模型，输出建筑物预测边界框，并利用所述建筑物预测边界框对所述建筑物矢量顶点集进行更新；

具体实施过程包括：首先获取所述建筑物预测边界框上的最小边界点ptopleft＝(xmin，ymin)和最大边界点pbottomright＝(xmax，ymax)；其次根据所述最小边界点和所述最大边界点建立阈值范围为[ptopleft，pbottomright]，从所述建筑物矢量顶点集p中删除未落在所述阈值范围内的所有矢量顶点数据，此时更新后的建筑物矢量顶点集p′内的任意一个矢量顶点pa均需要满足：{pa＝(xa，ya)|xmin≤xa≤xmax且ymin≤ya≤ymax，pa∈p′}。其中，所述训练好的cascader-cnn(r-cnn：region-basedconvolutionalneuralnetwork，区域卷积神经网络)网络模型内部设置有运算精度最高的基于resnet101的cascader-cnn目标检测网络。

骨架建立模块205，用于基于更新后的建筑物矢量顶点集生成建筑物基本骨架，结合所述建筑物语义分割图从所述建筑物基本骨架中筛选出所有相关骨架数据；

具体实施过程包括：

(1)基于更新后的建筑物矢量顶点集p^′包含有m个矢量顶点，构建允许涵盖所述m个矢量顶点的初始建筑物三角网，进一步表现为：首先设定一个包含所述m个矢量顶点的初始矩形，再连接所述初始矩形的任意一条对角线，构成初始建筑物三角网；

(2)将所述m个矢量顶点中的每一个矢量顶点插入所述初始建筑物三角网，基于每一个矢量顶点所在的三角形进行空外接圆检测，得到每一个矢量顶点所对应的单个三角网格；

进一步的，首先以第i(1≤i≤m)个矢量顶点所在的三角形为中心点，搜索与第i个矢量顶点所在的三角形相邻近的p个三角形，同时获取所述p个三角形中的每一个三角形所对应的一个外接圆；其次，从所述p个三角形所对应的p个外接圆中筛选出包含有第i个矢量顶点的r个外接圆，并对所述r个外接圆所对应的r个三角形进行删除处理；最后，将第i个矢量顶点分别与剩下的(p-r)个三角形所包含的全部顶点进行连接，得到第i个矢量顶点所对应的单个三角网格。

(3)基于所述m个矢量顶点所对应的m个三角网格已更新在所述初始建筑物三角网中，对构成当前初始建筑物三角网边框的所有关联三角形进行删除处理，得到建筑物基本骨架；

其中，对构成当前初始建筑物三角网边框的所有关联三角形进行删除处理实际表现为：将与上述步骤(1)所生成的所述初始矩形的边框相关联的所有三角形进行删除。此外，本发明实施例主要通过依赖python软件的scipy库与bowyer-watson算法的相结合来完成建筑物基本骨架的构建。

(4)获取所述建筑物基本骨架中所包含的k个骨架数据，并统计出所述k个骨架数据中的每一个骨架数据中所占的建筑物像素个数为其中1≤j≤k；

(5)根据第j个骨架数据所构成的三角边框位置，从所述建筑物语义分割图中提取出与第j个骨架数据所构成的三角边框位置相匹配的重合三角形，并统计出所述重合三角形中所占的建筑物像素个数为

(6)基于第j个骨架数据中所占的建筑物像素个数以及与第j个骨架数据匹配的重合三角形中所占的建筑物像素个数，计算第j个骨架数据的关联比例为

(7)通过k次循环操作得到所述k个骨架数据所对应的k个关联比例，从所述k个关联比例中筛选出大于预设值的t个关联比例，并从所述建筑物基本骨架中筛选出所述t个关联比例所对应的t个骨架数据。

其中，本发明实施例选定所述预设值为50％，此时可从所述k个关联比例中筛选出大于50％的t个关联比例，即所述t个关联比例所对应的t个骨架数据被判定属于建筑物三角形；相反的，剩下的(k-t)个小于等于50％的关联比例所对应的(k-t)个骨架数据即被判定属于非建筑物三角形。

矢量输出模块206，用于对所述所有相关骨架数据进行矢量融合，得到建筑物矢量结果。

具体的，基于并集处理方式对通过所述骨架建立模块205所得到的所述t个骨架数据中的相邻每两个骨架数据进行合并，得到建筑物矢量结果，进一步表现为：基于python软件的geopandas库，通过调用库中的dissolve函数对所述t个骨架数据进行矢量融合处理，以形成单个矢量多边形输出。

在本发明实施例中，通过结合三种具备不同功能的深度学习网络模型对三波段遥感影像中的相关形态控制点进行提取与筛选，可大幅度提升建筑物提取精度，减少冗余矢量标注；通过三角剖分框架对筛选后的相关形态控制点进行面状要素的构建，使得最终得到的建筑物斑块呈现出规则形状，以克服现有技术所存在的建筑物边界提取误差；本发明实施例可为城市动态监测、规划管理等应用实施提供便利条件。

本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有可执行的计算机程序，该计算机程序被处理器执行时实现上述实施例所提出的基于高分辨率遥感影像的建筑物矢量提取方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、cd-rom、和磁光盘)、rom(read-onlymemory，只读存储器)、ram(randomaccessmemory，随即存储器)、eprom(erasableprogrammableread-onlymemory，可擦写可编程只读存储器)、eeprom(electricallyerasableprogrammableread-onlymemory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是说，存储设备包括由设备(如计算机、手机等)以可读的形式存储或传输信息的任何介质，可以是只读存储器、磁盘或光盘等。

以上对本发明实施例所提供的一种基于高分辨率遥感影像的建筑物矢量提取方法及系统进行了详细介绍，本文中采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。