推荐星级：
- 1
- 2
- 3
- 4
- 5
基于深度学习的高分辨率遥感影像建筑物提取方法
资料介绍
针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。
部分文件列表
| 文件名 | 大小 |
| 基于深度学习的高分辨率遥感影像建筑物提取方法.pdf | 2M |
部分页面预览
（完整内容请下载后查看）48
1
Vol．48，No．1
January，2019
第
卷
第
期
测
绘
学
报
2019
1
Acta Geodaetica et Cartographica Sinica
年
月
: ， ， ， ．
引文格式 范荣双 陈洋 徐启恒 等 基于深度学习的高分辨率遥感影像建筑物提取方法
［J］．
，2019，48( 1) : 34-41． DOI: 10．
测绘学报
11947/j．AGCS．2019．20170638．
FAN Rongshang，CHEN Yang，XU Qiheng，et al． A high-resolution remote sensing image building extraction method based on deep
learning［J］． Acta Geodaetica et Cartographica Sinica，2019，48( 1) : 34-41． DOI: 10．11947 /j．AGCS．2019．20170638．
基于深度学习的高分辨率遥感影像建筑物提取方法
1，2
1，2
3
1
， ， ，
范荣双 陈 洋 徐启恒 王竞雪
1．
，
辽宁工程技术大学测绘与地理科学学院 辽宁 阜新
123000; 2．
，
中国测绘科学研究院 北京
100830;
3．
，
东莞市测绘院 广东 东莞
523129
A high-resolution remote sensing image building extraction method based on
deep learning
1，2
1，2
3
1
FAN Rongshuang ，CHEN Yang ，XU Qiheng ，WANG Jingxue
1． School of Geomatics，Liaoning Technical University，Fuxin 123000，China; 2． Chinese Academy of Surveying and Mapping，
Beijing 100830，China; 3． Dongguan Institute of Surveying and Mapping，Dongguan 523129，China
Abstract: Traditional building extraction from very high resolution remote sensing optical imagery is limited by low
precision and incomplete boundary． In this paper，a high-resolution remote sensing image building extraction
method based on deep learning is proposed． Firstly，Principal Component Analysis is used to pre-train network
structure in an unsupervised way and obtain the characteristics of remote sensing image． Secondly，an adaptive
pooling model is proposed to reduce the feature information loss in the pooling process． The texture features are
extracted by non-subsampled contour wave transformation and introduced to the network to improve the building
extraction． Finally，the obtained image features are inputted into the softmax classifier for classification and building
extraction results． A typical experiment areas selected． The comparison with typical building extraction method，the
experimental results shows that the proposed method can extract the buildings with higher accuracy，especially the
clearer and more complete boundary．
Key words: high resolution remote sensing image; deep Learning; building information extraction; adaptive
pooling model
Foundation support: The Nation Key Research and Development Program of China ( No． 2016YFC0803101) ; The
National Natural Science Foundation of China ( No． 41101452)
: ，
要 针对传统的建筑物提取方法精度较低和边界不完整等问题 本文提出基于深度学习的高分辨率
摘
。 ， ，
遥感影像建筑物提取方法 首先 采用主成分变换非监督预训练网络结构 获得待提取遥感影像特征
。
， ， ，
其次 为减少在池化过程中影像特征信息的丢失 提出自适应池化模型 通过非下采样轮廓波变换来获
， 。 ，
取影像纹理特征 并将纹理特征输入网络中参与建筑物提取 最后 将影像特征输入
softmax
分类器进
， 。 ，
行分类 获得建筑物提取结果 选取典型区域进行建筑物提取试验 并与典型建筑物提取方法进行对比
， ， ， 、
分析 结果表明 本文提取方法精度高 并且提取建筑物的边界清晰 完整
。
: ; ; ;
关键词 高分辨率遥感影像 深度学习 建筑物信息提取 自适应池化模型
: P237 : A : 1001-1595( 2019) 01-0034-08
文献标识码 文章编号
( 2016YFC0803101) ;
中图分类号
:
基金项目 国家重点研发计划
( 41101452)
国家自然科学基金
Quick Bird、ZY-3
， 。
节信息 几何结构和纹理特征等也更加明显 同
随着
等高分辨率遥感卫星
，
的出现 高分辨率遥感影像已成为重要的地理空
，
时类内混合像元及大量阴影的存在 使得传统基
［1］
。
间信息主要的来源之一
遥感影像空间分辨
于像素的遥感影像分类技术不能满足建筑物信息
［2-3］
，
率的显著提高 遥感影像表现出更丰富的地物细
。
提取需要
建筑物是城市基础地理信息的重
1
， :
范荣双 等 基于深度学习的高分辨率遥感影像建筑物提取方法
35
第
期
×
， ，
要组成部分 因此 研究高精度和高效建筑物提取
i
第 景中取出全部大小为
g
g ，
影像块 将其表示
2
1
=
。
X
{ x ，x ，…，x } ， X
将 去均
i，2
方法非常有必要
向量形式为
i
i，1
i，nm
建筑物提取是遥感信息处理与分析重要研究
珚
i
珋 珋
=
{ x ，x ，…，
，
值 得到影像
X
X
的影像块为
i
i，1
i，2
， ，
内容 近几年来 许多学者提出许多建筑物提取方
［10］
珋
x
i，nm
} 。
所以训练数据的影像块可以表示
［4］
。
［5］ ( support vector
如文献 将支持向量机
法
×
g g
M
nm
珋 珋
珋
X { x ，x ，…，x }
n
=
1 2
R
( 1)
∈
1
2
machine，SVM)
，
应用高分辨遥感影像建筑物信息
采用主成分变换方法最小化重构误差求解特
［6］
提 出 形 态 学 建 筑 物 指 数
( morphology
文献
［11］
征向量
building index，MBI) 。
，
上述建筑物提取方法 都是
2
Τ
－
X VV X
min
×
H
g
R
1
g
，
基于像素特征的建筑物提取方法 导致提取建筑
V
∈
2
1
( 2)
}
Τ
=
s．t． V V I
、
物边界模糊和不完整 提取精度较低等问题
。
深
H
单位矩阵
; V
Τ
，
度学习是模拟人脑的学习过程 通过对输入影像
×
H H
，I
H
; V
XX
式中
为
为协方差矩阵
。
数据低层特征中自动提取高层次特征 文献
［7］
H
的前 个特征向量
可以表示输入影像块的主
( convolutional
提出基于大型深层卷积神经网络
neural networks，CNNs)
。
要特征 主成分变换初始化卷积神经网络的滤波
，
的自然图像分类算法 在
W
器组
可以表示为
h
Image Net
。
针
数据集上取得了很高的分类精度
=
=
W
m
( V )
h 1，2，…，H
( 3)
V W ; V
表示将向量 映射到矩阵
h
g g
1
h
2
，
对上述建筑物提取精度问题 有些学者将卷积神
，m ( V )
g g h
式中
h
h
1
2
。
经网络算法应用于建筑物提取 文献
［8—9］
将
h
表示影像的第 主要特征
。
，
卷积神经网络算法应用于建筑物提取 精度有着
因为采用主成分变换不需要人工干预获取局
，
明显提高 但是需要大量样本和存在提取结果边
。 ，
部影像的主要特征 因此 可认为主成分变换训
。
界不完整等问题
。
练滤波器是一种简单的自动编码器
针对上述高分辨率遥感影像建筑物信息提取
1．2
影像纹理特征的提取
，
现存的问题 本文提出基于深度学习的高分辨率
，
因为高分辨影像地物复杂 仅仅单靠影像的
。
遥感影 像 建 筑 物 提 取 方 法 采 用 主 成 分 变 换
， ，
光谱特征进行建筑物提取 提取结果不理想 所以
( principal component analysis，PCA)
非监督预训练
需要利用高分辨影像潜在的特征来提高地物类别
，
初始化网络结构 通过非下采样轮廓波变换
( non-
。
之间的可分离性 在高分辨影像分类过程往往结
subsampled contour let transform，NSCT)
来获取影
，
像纹理特征 并将纹理特征输入网络中参与建筑
。
合纹理特征来获取理想分类结果 影像光谱特征
，
是通过像素点本身周围像素组成区域进行描述
。 ，
物提取 在主成分分析小化重构误差原则下 获
×
L L
大小窗
，
本文针对光谱特征提取方法 是取
，
取待分类影像的特征 从而学习得到含有训练样
×
L L
， ，
口 对每个像素 构建出
。
维光谱特征向量
; ，
本统计特性的滤波器 为防止陷入过于拟合 神经
［12］ NSCT
文献 将
，
用于影像纹理特征的提取 得
;
网络的激活函数采用线性修正函数 为减少在下
，
到的效果比传统纹理提取方法更好 说明
NSCT
，
采样过程中影像特征的缺失 提出自适应池化模
。
能较好地提取影像纹理特征 本文采用
NSCT
来
，
型 最后将建筑物特征输入
softmax
分类器进行
，
提取影像纹理特征 其中
NSCT
变换主要包括两
。
提取
，
( NSP)
，
分解 另一
个过程 一个是非下采样金字塔
个是非下采样方向滤波器组分解
NSCT
1
方法与原理
( ( NBDFB) 。
本文采用
变换后的各带通子影像系数
1．1
主成分变换非监督预训练原理
。
构成的特征向量来表示高分辨影像的纹理特征
，
卷积神经网络训练需要大量样本 实际建立
NSCT
N，
变换的原始影像 产生的带通子
设经过
影像分别为
k)
。
样本库需要大量的时间和人力 本文采用半监督
N ，N ，…，N ，
某一个子影像
k
N ( 1
≤
m
1
2
，
方式训练网络 首先采用主成分分析
( principal
m
d ， N
产生的方向子
m
≤
的方向分解数为
则
m
component analysis，PCA)
，
初始化多级网络结构
d
1
2
2
m
N ，N ，…，N
，
对于原始影像
影像可以表示为
( i，j)
处的纹理特征可以表示为
再通过建筑物标签数据对整个网络结构进行微
m
m
m
［13］
N
。
M ，
设输入卷积神经网络的影像有 景 其大小
在
调
d
2
1
［N ( i，j) ，N ( i，j) ，…，N ( i，j) ，…
1
2
=
×
m n，
卷积滤波器大小为
×
g ，
在训练影像的
F
g
为
ij
1
1
1
1
2
全部评论(0)