一种场景分类支持下的大幅遥感影像建筑物提取方法

1.本发明涉及图像识别技术领域，尤其涉及一种场景分类支持下的大幅遥感影像建筑物提取方法。


背景技术：

2.建筑物是人类赖以生存的重要载体，是构建智慧城市最主要的要素之一。随着卫星遥感技术的快速发展，基于高分辨率遥感影像数据进行建筑物提取已成为遥感影像解译中最重要的研究方向之一。建筑物提取方法也由基于手工特征的方法，向基于高层特征的卷积神经网络自动从高分辨率遥感影像中提取转变。对大幅遥感影像建筑物提取方法一般采用基于语义分割网络模型预测。但由于建筑物呈现集中分布状态，在大幅遥感影像中存在大量非建筑物区域，对非建筑物区域进行建筑物提取会降低影像处理效率。本发明基于上述问题提出了一种场景分类支持下的大幅遥感影像建筑物提取方法，该方法相较于传统全图语义分割建筑物提取能够提升建筑物提取效率。


技术实现要素：

3.为了解决上述问题，本发明提供了一种场景分类支持下的大幅遥感影像建筑物提取方法，主要包括以下步骤：
4.s1：获取大幅遥感影像；
5.s2：设置滑动窗口，读取整幅遥感影像，得到滑动窗口数据；
6.s3：采用场景分类网络模型对步骤s2获得的滑动窗口数据进行分类，分为建筑物场景和非建筑场景两类；
7.s4：根据场景分类网络模型分类结果，判断滑动窗口数据的场景分类预测结果是否为建筑物场景类别，若是，则将滑动窗口数据输入到建筑物提取网络模型中得到建筑物预测结果，若否，则该滑动窗口数据中不包含建筑物得到全为非建筑物的预测结果；
8.s5：判断是否遍历整幅遥感影像，若是，则输出大幅影像建筑物预测结果，若否，则回到步骤s2。
9.进一步地，滑动窗口是以固定大小的窗口和步长依次读取大幅影像，从输入的大幅遥感影像左上角开始进行窗口数据读取，按行滑动窗口，一行读取完后再读取下一行，直至遍历完整幅影像。
10.进一步地，所述场景分类网络模型f
scene-class
(
·
)为二分类，则
11.pre
category
＝f
scene-calss
(xi)
12.其中，pre
category
为建筑物或非建筑物。
13.进一步地，对于判断为建筑物场景类别的滑动窗口数据，采用基于语义分割的建筑物提取网络模型，对该滑动窗口数据进行建筑物提取。
14.进一步地，所述建筑物提取网络模型为f
building
(
·
)，则：
15.pre
building
＝f
building
(x
i-building
)
16.其中，pre
building
为窗口数据x
i-building
建筑物预测结果，pre
building
中像素值若预测为建筑物则赋值为1，若预测为非建筑物则赋值为0。
17.进一步地，通过步骤s4的判断，若场景分类预测结果为非建筑物，则x
i-nonbuilding
数据窗口建筑物预测结果为pre
nonbuilding
，pre
nonbuilding
中像素值全部赋值为0；若场景分类预测结果为建筑物，则x
i-building
数据窗口建筑物预测结果为pre
building
；将pre
nonbuilding
和pre
building
合并输出即为最终结果y，y即为大幅遥感影像建筑物预测结果。
18.本发明提供的技术方案带来的有益效果是：节省了大幅遥感影像建筑物提取时间，提高了大幅遥感影像建筑物提取效率。
附图说明
19.下面将结合附图及实施例对本发明作进一步说明，附图中：
20.图1是本发明实施例中一种场景分类支持下的大幅遥感影像建筑物提取方法的流程图。
具体实施方式
21.为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
22.本发明的实施例提供了一种场景分类支持下的大幅遥感影像建筑物提取方法。
23.请参考图1，图1是本发明实施例中一种场景分类支持下的大幅遥感影像建筑物提取方法的流程图，具体包括如下步骤：
24.(1)获取大幅遥感影像，并设置滑动窗口：滑动窗口是以固定大小窗口(例如：512
×
512)和步长依次读取大幅影像数据的过程。从输入的大幅遥感影像x左上角开始进行窗口数据读取，按行滑动窗口，一行读取完后再读取下一行，直至遍历完整幅影像。设读取的滑动窗口数据为xi。
25.(2)场景分类网络模型：场景分类是根据图像数据内容，赋予图像一个或多个有意义的具有高层次语义信息的场景类别标签。本发明中场景分类网络模型为二分类，即分为建筑物场景和非建筑场景类别。设场景分类网络模型为f
scene-class
(
·
)，则：
26.pre
category
＝f
scene-calss
(xi)
27.其中，pre
category
为建筑物或非建筑物。
28.(3)判断是否为建筑物：判断滑动窗口数据xi的场景分类预测结果pre
category
是否为建筑物，若为建筑物，则xi标记为x
i-building
并执行步骤(4)，若为非建筑物，则xi标记为x
i-nonbuilding
并跳过步骤(4)执行步骤(5)。由于场景分类网络模型相比于建筑物提取网络模型少解码层，因此同等条件下场景分类网络模型比建筑物提取网络模型节省处理时间。这样通过判断的方式避免了对xi进行建筑物提取操作，提升大幅遥感影像建筑物提取效率。
29.(4)建筑物提取网络模型：建筑物提取网络模型采用语义分割的方法，由编码器和解码器构成，对图像数据每一个像素值进行分类预测。设建筑物提取网络模型为f
building
(
·
)，则：
30.pre
building
＝f
building
(x
i-building
)
31.其中，pre
building
为窗口数据x
i-building
建筑物预测结果。pre
building
中像素值若预测
为建筑物则赋值为1，若为非建筑物则赋值为0。
32.(5)结果合成并输出结果：通过步骤(3)的判断，若为非建筑物，则x
i-nonbuilding
数据窗口建筑物预测结果为pre
nonbuilding
，pre
nonbuilding
中像素值全部赋值为0；若为建筑物，则x
i-building
数据窗口建筑物预测结果为pre
building
。将pre
nonbuilding
和pre
building
合并输出为最终结果y。y即为大幅遥感影像建筑物预测结果。
33.上述步骤中，场景分类网络模型和建筑物提取网络模型属于现有技术，在大幅遥感影像采用建筑物提取网络模型预测前，采用了场景分类网络模型来判断是否为建筑物场景类别，若为非建筑物场景类别则跳过建筑物提取网络模型，若为建筑物场景类别则放入建筑物提取网络模型预测，以此来避免非建筑物场景进行建筑物提取过程，增加大幅遥感影像建筑物提取效率。
34.与现有技术比较，本发明的有益效果是：通过滑动窗口方式，可以实现大幅遥感影像端到端的进行建筑物提取。通过场景分类判别是否为建筑物场景避免非建筑物场景区域建筑物提取过程，提升大幅遥感影像建筑物提取速度。
35.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。