一种基于遥感影像的地图自动更新方法、存储介质及系统

本发明涉及遥感科学技术领域，特别涉及一种基于遥感影像的地图自动更新方法、存储介质及系统。

背景技术：

随着城市化建设的快速发展，城市中的建筑物、道路、植被等地物变化越来越快，为了评估城市化建设的进程，需要对建筑物、道路、植被等地物的变化进行检测，进而需要对城市中新建、拆除和局部结构改变的地物进行检测，再据此及时更新城市地图，以避免城市地物变化过快而导致地图与实际不符。

目前通常是采用机载传感器探测城市当前时相的遥感影像，再将探测到的遥感影像与城市上一个时相的整个地图进行对比，若探测到的遥感影像中的地物与上一个时相的整个地图存在不同，则用探测到的整个遥感影像取代上一个时相的整个地图作为新的地图。但是，由于城市地图数据量大，直接用整个遥感影像取代上一个时相的整个地图则需耗费大量的时间和运算资源，使得地图更新成本高。

技术实现要素：

本发明要解决的技术问题是如何降低地图更新成本。

为解决上述技术问题，本发明提供一种基于遥感影像的地图自动更新方法，包括如下步骤：

a.构建深度学习分割网络unet；

b.利用残差网络resnet对所述深度学习分割网络unet进行改进，得到改进后的深度学习分割网络res-unet；

c.获取多个遥感影像和及其上的地物标注数据，其中所述地物标注数据包括制作地图需要的所有地物类型；

d.对所述多个遥感影像和对应的地物标注数据进行一一对应的随机裁剪，得到多个训练样本；

e.将所述多个训练样本输入到改进后的深度学习分割网络res-unet中进行地物识别训练，直至改进后的深度学习分割网络res-unet对遥感影像中的所有地物的识别精度达到预设验证精度；

f.利用训练好的深度学习分割网络res-unet对目标地图当前时相的遥感影像进行地物提取，将地物提取结果与上一个时相的目标地图进行对比，得到目标地图的地物变化内容；

g.根据所述地物变化内容对目标地图中产生变化的地物进行更新。

优选地，所述步骤e中，在进行训练之前，按照预设比例将所述多个训练样本分为训练集和验证集。

优选地，所述预设比例为训练集:验证集＝3:1。

优选地，所述步骤e中，利用所述多个训练样本对改进后的深度学习分割网络res-unet进行多个epoch的训练，其中每个epoch都利用训练集中的所有训练样本完成一次训练，当训练达到预设训练精度后，每训练一个epoch则利用验证集对改进后的深度学习分割网络res-unet进行验证精度计算，以判断改进后的深度学习分割网络res-unet对遥感影像中的所有地物的识别精度是否达到预设验证精度。

优选地，所述预设训练精度是95％。

优选地，所述预设验证精度是95％。

优选地，所述深度学习分割网络包括编码网络和解码网络，在所述步骤b中，利用残差网络resnet对所述深度学习分割网络unet进行改进，使其编码网络实现跳跃连接，并在解码网络中实现编码和解码的特征融合。

优选地，所述地物类型包括建筑物、道路和植被。

本发明还提供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如上所述的地图自动更新方法。

本发明还提供一种基于遥感影像的地图自动更新系统，包括相互连接的计算机可读存储介质和处理器，计算机可读存储介质如上所述。

本发明具有以下有益效果：根据地物变化内容对目标地图中产生变化的地物进行更新，即只需对目标地图中产生变化的局部进行更新，而无需用整个遥感影像取代整个目标地图，故无需耗费大量的时间和运算资源，从而降低地图更新成本。

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，显而易见地，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是的基于遥感影像的地图自动更新方法的流程图；

图2是深度学习分割网络unet的示意图；

图3是经残差网络resnet改进后的深度学习分割网络res-unet的示意图。

具体实施方式

下面将结合实施例及附图，对本发明创造的技术方案进行详细描述，显然，所描述的实施例仅仅是本发明创造的一部分实施例，而不是全部的实施例。基于本发明创造中的实施例，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他实施例，都属于本发明创造保护的范围。

本实施例提供一种基于遥感影像的地图自动更新系统，该系统包括相互连接的计算机可读存储介质和处理器，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如图1所示的基于遥感影像的地图自动更新方法，该方法具体包括如下步骤a、b、c、d、e、f、g。

a.构建深度学习分割网络unet。

深度学习分割网络unet是由olafronneberger、philippfischer和thomasbrox在2015年isbi竞赛中提出的网络结构，如图2所示，该网络结构包括编码网络(收缩子网络)和解码(扩张子网络)两部分组成，编码网络和解码网络构成了一个u型结构，因此深度学习分割网络unet又名为unet网络。深度学习分割网络unet首先通过卷积和池化来下采样提取特征信息，然后通过转置卷积来上采样并裁剪之前的低层特征图进行融合用来精准定位，重复这个过程，直到获得输出的特征图，最后经过激活函数获得分割图。

b.利用残差网络resnet对深度学习分割网络unet进行改进，得到改进后的深度学习分割网络res-unet。

深度学习分割网络unet具有参数少、网络结构简单的优点，但相对于残差网络resnet、深度卷积神经网络vgg等网络显得深度不足。因此本实施例中利用残差网络resnet对传统的深度学习分割网络unet进行改进，即是将残差网络resnet与深度学习分割网络unet进行结合，使得深度学习分割网络unet的编码网络引入了跳跃连接，使上一个残差块的信息能没有阻碍地流入下一个残差块，提高了信息流通速率，并在解码网络中实现编码和解码的特征融合，得到如图3所示的改进后的深度学习分割网络res-unet。

改进后的深度学习分割网络res-unet与传统的深度学习分割网络unet相比有以下几点好处：(1)加深了网络层数，提高了网络的分割精度；(2)网络中间可以实现更多的跳跃连接，这样就能更好地结合图像的背景语义信息，进行多尺度的分割；(3)具有快速收敛，减小模型数据量的优势；(4)更容易训练。

c.获取多个遥感影像及其上的地物标注数据，其中地物标注数据包括制作地图需要的所有地物类型。

本实施例中，利用机载传感器获取多个遥感影像，机载传感器是安装在飞机或无人机上的遥感对地探测传感器，高分辨率光学传感器是常规的机载传感器，利用高分辨率光学传感器可以采集到高分辨率遥感影像。其中高分辨率遥感影像指的是垂直分辨率大于等于720的遥感影像。遥感影像上会显示出对应的地物，例如建筑物、道路、植被等制作地图需要的所有地物类型，系统在获取到遥感影像之后可对其上的地物进行标注，从而得到对应的地物标注数据，地物标注数据包括制作地图需要的所有地物类型。

d.对多个遥感影像及其上的地物标注数据进行一一对应的随机裁剪，得到多个训练样本。

在获取到多个遥感影像及其上的地物标注数据之后，对多个遥感影像及其上的地物标注数据进行一一对应的随机裁剪，即在对某个遥感影像进行随机裁剪的过程中，其上的地物标注数据会得到相应的裁剪，从而得到多个训练样本。对遥感影像进行随机裁剪有助于增强训练样本的特征多样性，避免训练时出现过拟合现象。

e.将多个训练样本输入到改进后的深度学习分割网络res-unet中进行地物识别训练，直至改进后的深度学习分割网络res-unet对遥感影像中的所有地物的识别精度达到预设验证精度。

在得到多个训练样本之后，按照预设比例将多个训练样本分为训练集和验证集，具体地训练集:验证集＝3:1，然后将多个训练样本输入到改进后的深度学习分割网络res-unet中进行地物识别训练，该训练具体地：利用多个训练样本对改进后的深度学习分割网络res-unet进行多个epoch的训练，其中每个epoch都利用训练集中的所有训练样本完成一次训练，随着epoch的不断增加，改进后的深度学习分割网络res-unet对遥感影像中的所有地物的识别精度会不断增加；当训练达到预设训练精度，例如95％后，每训练一个epoch则利用验证集对改进后的深度学习分割网络res-unet进行验证精度计算，以判断改进后的深度学习分割网络res-unet对遥感影像中的所有地物的识别精度是否达到预设验证精度95％，若达到了则停止训练，若没有到达则继续训练直至改进后的深度学习分割网络res-unet对遥感影像中的所有地物的识别精度达到预设验证精度95％，如此则改进后的深度学习分割网络res-unet就已训练好。

f.利用训练好的深度学习分割网络res-unet对目标地图当前时相的遥感影像进行提取，并将提取结果与上一个时相的目标地图进行对比，得到目标地图的地物变化内容。

在训练好改进后的深度学习分割网络res-unet之后，利用训练好的深度学习分割网络res-unet对目标地图当前时相的遥感影像进行提取，并从地图库中获取上一个时相的目标地图，然后将提取到的提取结果(即目标地图当前时相的遥感影像)与上一个时相的目标地图进行对比，得到目标地图的地物变化内容，例如目标地图中的某个建筑物已被拆除，则目标地图的地物变化内容是该建筑物已被拆除。

g.根据地物变化内容对目标地图中产生变化的地物进行更新。

在得到目标地图的地物变化内容之后，根据地物变化内容对目标地图中产生变化的地物进行更新，具体是在目标地图上删去已被拆除的建筑物，而目标地图上的其它地物保持不变，这样就得到最新时相的目标地图，实现对目标地图的自动更新，即只需对目标地图中的产生变化的局部进行更新，而无需用整个遥感影像取代整个目标地图，故无需耗费大量的时间和运算资源，从而降低地图更新成本。

本领域普通技术人员可理解上述实施例的各种方法中全部或部分步骤是可以通过计算机程序来指令相关的硬件完成的，该计算机程序可以存储于任一计算机可读存储介质中，计算机可读存储介质包括：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。

另外，以上对本实施例所提供的面向多源遥感数据城市土地覆盖分类的全卷积神经网络进行了详细说明，并对本发明的技术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创造的方法及其核心思想；同时，对于本领域的普通技术人员，依据本发明创造的思想，在具体实施方式及应用范围上均会有改变之处。综上，以上实施例内容不应理解为对本发明的限制。