全卷积神经网络_基于全卷积神经网络的高分辨率航空影像建筑物提取方法研究...

作 者 信 息

朱岩彬1，徐启恒2，杨俊涛3，莫海林4

( 1. 东莞市地理信息与规划编制研究中心，广东　东莞　523000；2. 东莞水乡特色发展经济区规划和土地测绘中心，广东　东莞　523000；3. 中国地质大学(北京)，北京　100083；4. 东莞市天目测绘工程有限公司，广东　东莞　523000 )

“

【摘要】随着高分辨率航空影像空间分辨率的提高，地物纹理信息变得更加丰富和复杂，使得从高分辨影像中提取建筑物信息面临巨大挑战。因此采用一种基于全卷积神经网络的高分辨率航空影像中建筑物提取方法，实现端到端的建筑物位置等信息提取。整个模型框架以SegNet模型为基础，在上采样阶段结合SegNet模型中的存储最大池化索引和U-Net模型中的跳跃连接，有效地将低层次和高层次的特征图融合，进行更好的建筑物边界定位。在原有框架的基础上，采用迁移学习思想利用构建的训练样本库对权重进行微调，使网络能够输出稳健的适用于建筑物区域识别的高层次视觉特征。实验采用国际摄影测量与遥感学会公开数据集验证采用方法的有效性和稳健性。实验结果表明，此方法能够有效地提取场景中的建筑物区域。而且，与其他方法相比，该方法在召回率上平均优于2.33%，在精确率上平均优于5.33%，在准确率上优于7.22%。

【关键词】高分辨率影像；全卷积神经网络；城市规划；深度学习；建筑物提取；迁移学习

【中图分类号】P237 【文献标识码】A 【文章编号】1672-1586(2020)02-0101-06

”

引文格式：朱岩彬，徐启恒，杨俊涛，等. 基于全卷积神经网络的高分辨率航空影像建筑物提取方法研究[J].地理信息世界,2020,27(2):101-106.

正文

0　引　言

高分辨率遥感的发展极大便利了城区土地利用覆盖制图的研究，为城镇发展规划、应急响应和灾害评估等领域的应用提供了重要的参考数据支持。城市场景中建筑物的位置和空间格局等信息对于智慧城市的建立意义重大。然而，随着遥感影像空间分辨率的提高，伴随着更加丰富的光谱和纹理信息，类内的光谱差异增大，类间的光谱差异减少，同物异谱以及同谱异物的现象也变得更加严重，也给从高分辨率影像中提取建筑物带来一定的挑战。因此，从高分辨率遥感影像中识别和提取建筑物区域是当前的一项研究热点。

近些年，一系列从高分辨率遥感影像中提取建筑物的方法被提取。由于提升的空间分辨率导致在遥感影像中显露出更详细的地物细节信息和复杂的光谱纹理信息，使得原有的基于光谱统计的方法，如极大似然估计最小距离，识别效率低下。除此之外，利用机器学习的监督方法也被用于高分辨率影像建筑物的识别和提取，并展现了明显的优势。陈苏婷等从多尺度的分割对象中提取纹理、颜色和形状特征以实现高分辨率影像的分类。张超等将CART决策树和面向对象的分类方法相结合进行土地利用分类。Li等提出利用贝叶斯网络模型融合多源数据分类高分辨率影像并进行土地利用分析。张俊等采用面向对象遥感影像分类方法对高分辨率遥感影像进行了信息提取实验，并将其与基于像元方法的信息提取结果进行了对比分析。李朝奎等则通过发现和挖掘高分辨率影像丰富的光谱和空间特征知识，建立影像对象多层次网络分割分类结构，实现对遥感影像准确快速的地物分类和精度评价。通常情况下，这些利用传统机器学习的监督方法(如支持向量机、决策树和随机森林等)通过人工设计浅层次的视觉特征，来表达和识别地物的类别。然而，这些视觉特征的计算涉及的计算单元有限，很难高效准确地表达复杂的视觉特征与地物类别之间的隐含函数关系。而且，随着训练数据中样本数量的增加以及样本多样性的增强，这些利用浅层次的视觉特征模型也会因难以适应复杂多变的数据，导致识别和提取性能下降。

深度学习框架采用类似金字塔的结构从低层到高层逐渐地