技术特征：
1.一种基于可学习角点特征的高分辨率遥感影像建筑物提取方法，其特征在于，包括：s1、利用带有边界标签和方向标签的数据集训练方向偏移图模型，使其能够基于输入的遥感影像输出对应的方向偏移图；所述方向偏移图模型由骨干网络、角点提取模块、边界分支和方向分支组成，遥感影像首先输入特征提取网络中，输出深层特征图；然后将深层特征图分别输入至角点提取模块和边界分支，分别输出角点特征图和边界特征图；再将角点特征图输入至方向分支中，输出方向偏移图；最后，将方向偏移图与所述边界特征图进行掩码操作，输出更新后的方向偏移图；方向偏移图模型训练过程中在边界标签和方向标签的引导下进行监督学习，采用的总损失为方向偏移图的损失和边界特征图的损失之和；s2、将待提取建筑物的目标遥感影像分别输入经过训练的语义分割网络和经过训练的方向偏移图模型中，通过语义分割网络得到遥感影像中的建筑物粗糙分割图，同时通过方向偏移图模型得到更新后的方向偏移图，最后由优化分支利用更新后的方向偏移图对建筑物粗糙分割图进行优化，输出建筑物精细分割图。2.如权利要求1所述的基于可学习角点特征的高分辨率遥感影像建筑物提取方法，其特征在于，数据集中的方向标签和边界标签生成方法为：先对数据集基于harris角点特征提取方法生成角点标签，然后再角点标签基础上生成距离图，在距离图上使用sobel算子得到方向标签，另外对距离图设置阈值得到边界标签。3.如权利要求1所述的基于可学习角点特征的高分辨率遥感影像建筑物提取方法，其特征在于，所述特征提取网络以resnet-101模型为主干网络。4.如权利要求1所述的基于可学习角点特征的高分辨率遥感影像建筑物提取方法，其特征在于，所述角点提取模块中采用一个可学习权重的角点特征提取算法，具体算法流程如下：通过对深层特征图中每个通道特征分别进行不同方向的平移，然后将不同方向平移后的通道特征分别与对应通道的原始通道特征作差并对差值进行平方操作，获取深层特征图对应的多通道多方向的差分图；再对多通道多方向的差分图使用3
×
3深度可分离卷积从而给每个差分图赋权重且使权重可学习，对按权重加权后的差分图进行sigmoid操作，得到角点特征的权重图；最后，将权重图与深层特征图相乘后再与深层特征图残差连接，得到角点特征图。5.如权利要求1所述的基于可学习角点特征的高分辨率遥感影像建筑物提取方法，其特征在于，所述边界分支中，先对所述深层特征图进行最大池化操作和上采样操作得到新特征图，再对该新特征图与原深层特征图进行减操作，并对减操作所得结果进行3
×
3卷积操作，最终在所述边界标签的指导下输出边界特征图。6.如权利要求1所述的基于可学习角点特征的高分辨率遥感影像建筑物提取方法，其特征在于，所述方向分支中，先对所述角点特征图进行1
×
1卷积操作和relu激活函数操作，再对激活函数输出的特征进行1
×
1卷积操作和上采样操作，最终在所述方向标签的监督下输出方向偏移图。7.如权利要求1所述的基于可学习角点特征的高分辨率遥感影像建筑物提取方法，其特征在于，用于输出建筑物粗糙分割图的语义分割网络采用全卷积网络(fully convolutional network，fcn)。
8.如权利要求1所述的基于可学习角点特征的高分辨率遥感影像建筑物提取方法，其特征在于，所述边界特征图中的每个像素值为0或1，所述方向偏移图中每个像素的值代表了该像素点的偏移方向。9.如权利要求1所述的基于可学习角点特征的高分辨率遥感影像建筑物提取方法，其特征在于，所述掩码操作为使用边界特征图与方向偏移图进行元素级别的相乘操作。10.如权利要求1所述的基于可学习角点特征的高分辨率遥感影像建筑物提取方法，其特征在于，所述优化分支中，遍历所述建筑物粗糙分割图中的像素点，对于所述建筑物粗糙分割图中的每个当前遍历像素点，从所述更新后的方向偏移图中寻找与当前遍历像素点位置对应的像素点所记录的偏移方向，然后在所述建筑物粗糙分割图中用该偏移方向所指向的最临近像素点的值替换当前遍历像素点的值，从而对所述建筑物粗糙分割图进行逐像素优化，遍历完成后输出建筑物精细分割图。
技术总结
本发明公开了一种基于可学习角点特征的高分辨率遥感影像建筑物提取方法。本发明是一种后处理方法，对在简单分割模型输出的建筑物粗略分割图进行调整，最终得到建筑物细致分割图。与现有高分遥感影像建筑物提取方法相比，本发明首次将角点特征与深度学习结合，缓解了现有方法在边缘棱角特征提取方面表现不佳的问题。具体而言，本发明设计了一种可学习的角点特征提取方法，使其结果更加准确。使其结果更加准确。使其结果更加准确。
技术研发人员：冯天 张微 宋致远 马梦婷
受保护的技术使用者：浙江大学
技术研发日：2022.09.20
技术公布日：2023/3/21