CN110516539A - 基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备 - Google Patents
基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备 Download PDFInfo
- Publication number
- CN110516539A CN110516539A CN201910644747.3A CN201910644747A CN110516539A CN 110516539 A CN110516539 A CN 110516539A CN 201910644747 A CN201910644747 A CN 201910644747A CN 110516539 A CN110516539 A CN 110516539A
- Authority
- CN
- China
- Prior art keywords
- building
- network
- remote sensing
- sensing image
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 238000012805 post-processing Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 13
- 238000013139 quantization Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003252 repetitive effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000002844 melting Methods 0.000 claims 1
- 230000008018 melting Effects 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000008485 antagonism Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 241000052079 Erioneuron Species 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于对抗网络的遥感影像建筑物提取方法，包括如下步骤：数据融合，样本制作，模型训练，精度判定，建筑物提取，矢量后处理。本发明还涉及基于对抗网络的遥感影像建筑物提取***、存储介质、电子设备。本发明提供一种基于对抗网络的遥感影像建筑物提取方法，实现了具有一定增强学习能力的生成对抗网络，通过生成器网络和判别器网络之间的不断磨合训练出具有一定泛化能力的模型，同时保证了建筑物提取的精度，另外增加了矢量后处理对建筑物进行了规则化处理，保证了建筑提取结果的美观性。
Description
技术领域
本发明涉及遥感图像处理领域，尤其涉及基于对抗网络的遥感影像建筑物提取方法。
背景技术
建筑是地图绘制、市政规划和土地调查的重要基础地理数据。随着中国城市化进程的加快，住房建筑不断增多，建筑物总量日新月异。建筑物信息作为城市变迁和人类活动的重要指示因子，在城市规划、房地产管理、灾害管理、地理信息***(GIS)等诸多领域发挥着重要作用。基于人工现场调查的传统数据收集方法耗时且费力，且难以满足大规模工业应用需要。遥感技术能够获取全覆盖、大范围、高实时性的地表观测数据，其为大范围的建筑物信息采集提供了一种高效率手段。从遥感影像上提取建筑物是遥感信息提取的重要应用方向之一。
目前基于全卷积神经网络的建筑物提取方法已经初具成效，但提取结果比较粗糙，更重要的是由于遥感影像地物的光谱特征比较复杂，具有比较丰富的波普信息不同于自然图像，并且影像质量受到传感器的影像比较大，导致模型泛化能力相较自然图像比较弱，最终使得遥感数据在实际应用的过程中区域化特征非常明显，模型无法重用，需要根据不同区域的特点专门标注数据甚至设计网络，这造成了大量的人力成本投入。
另外，由于语义分割预测的结果图，实际上是一种对像素进行分类的方法，必然会遇到噪点以及造成建筑对象整体上的不规则现象。
发明内容
为了克服现有技术的不足，本发明提供基于对抗网络的遥感影像建筑物提取方法。本发明通过采用了栅格与矢量结合的方式，实现了建筑对象的规则化。
本发明提供基于对抗网络的遥感影像建筑物提取方法，包括如下步骤：
样本制作，获取遥感图像数据，对所述遥感图像数据按固定尺寸进行切片处理得到样本数据，并绘制所述样本数据中的建筑物标签，获得遥感图像样本；
模型训练，利用对抗网络模型对所述遥感图像样本进行训练，得到生成器网络模型；其中，所述对抗网络模型包括生成器网络与判别器网络，所述生成器网络采用能够充分融合特征的全卷积网络，所述判别器网络采用强制分割网络，所述判别器网络用于将所述生成器网络生成的图像与真实的所述遥感图像样本进行判别；
精度判定，将待测试的遥感影像数据输入所述对抗网络模型进行数据预测，优化网络参数直至所述生成器网络与判别器网络达到纳什平衡，得到此时的生成器网络作为训练好的生成器网络；
建筑物提取，利用步骤精度判定中训练好的生成器网络对遥感影像目标区域进行建筑物提取，得到遥感影像建筑物数据；
矢量后处理，将得到的所述遥感影像建筑物数据进行矢量化，得到建筑物矢量图，利用道格拉斯-普克简化算法对所述建筑物矢量图进行规则化处理，得到规则的建筑物矢量图。
优选地，在步骤样本制作之前还包括步骤：
数据融合，将相同分辨率的遥感影像数据与电子地图数据融合，得到遥感图像数据；对所述遥感图像数据进行图像预处理，所述图像预处理包括对遥感影像进行大气校正、几何校正、镶嵌；
在步骤样本制作中还包括获取开源数据，将所述开源数据进行数据处理后加入所述样本数据中，得到所述遥感图像样本；
在步骤建筑物提取中还包括对提取的所述遥感影像建筑物数据进行图像处理，所述图像处理包括对建筑物轮廓边界进行平滑与细化处理，并且对建筑物的孔洞进行填充与建筑物的缺口进行修补。
优选地，在步骤矢量后处理中还包括进行规则化之前对所述建筑物矢量图进行碎斑初筛选，所述碎斑初筛选按照设定阈值进行筛选；
还包括当规则化后的建筑物面积大于等于规则化之前的建筑物面积的设定比值时，得到规则的建筑物矢量图；否则继续进行规则化处理。
优选地，在步骤样本制作中还包括掩膜处理，将所述建筑物标签与所述样本数据以像素方式相乘，得到掩膜图像即所述遥感图像样本。
优选地，所述生成器网络包括全卷积网络DenseNet模型，所述全卷积网络DenseNet模型包括激活函数PReLU。
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行基于对抗网络的遥感影像建筑物提取方法。
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基于对抗网络的遥感影像建筑物提取方法。
基于对抗网络的遥感影像建筑物提取***，包括样本制作模块、模型训练模块、精度判定模块、建筑物提取模块和矢量后处理模块；其中，
所述样本制作模块用于获取遥感图像数据，对所述遥感图像数据按固定尺寸进行切片处理得到样本数据，并绘制所述样本数据中的建筑物标签，获得遥感图像样本；
所述模型训练模块用于利用对抗网络模型对所述遥感图像样本进行训练，得到生成器网络模型；所述对抗网络模型包括生成器网络与判别器网络，所述生成器网络采用能够充分融合特征的全卷积网络，所述判别器网络采用强制分割网络；
所述精度判定模块用于将待测试的遥感影像数据输入所述对抗网络模型进行数据预测，优化网络参数直至所述生成器网络与判别器网络达到纳什平衡，得到此时的生成器网络作为训练好的生成器网络；否则返回步骤模型训练并重新迭代训练；
所述建筑物提取模块用于利用步骤精度判定中训练好的生成器网络对遥感影像目标区域进行建筑物提取，得到遥感影像建筑物数据；
所述矢量后处理模块用于将得到的所述遥感影像建筑物数据进行矢量化，得到建筑物矢量图，利用道格拉斯-普克简化算法对所述建筑物矢量图进行规则化处理，当规则化后的建筑物面积大于等于规则化之前的建筑物面积的设定比值时，得到规则的建筑物矢量图；否则继续进行规则化处理。
优选地，还包括数据融合模块，所述数据融合模块用于将相同分辨率的遥感影像数据与电子地图数据融合，得到遥感图像数据；对所述遥感图像数据进行数据处理，所述数据处理包括对遥感影像进行大气校正、几何校正、镶嵌；
所述样本制作模块包括掩膜处理单元，所述掩膜处理单元用于将所述建筑物标签与所述样本数据以像素方式相乘，得到掩膜图像即所述遥感图像样本；
所述建筑物提取模块包括图像处理单元，所述图像处理单元包括对建筑物轮廓边界进行平滑与细化处理，并且对建筑物的孔洞进行填充与建筑物的缺口进行修补；
所述矢量后处理模块包括筛选单元，所述筛选单元用于在规则化之前对所述建筑物矢量图进行碎斑初筛选，所述碎斑初筛选按照设定阈值进行筛选。
优选地，所述对抗网络模型通过功能模块使得生成器网络与判别器网络达到纳什平衡，所述功能模块包括第一功能模块与第二功能模块；利用所述第一功能模块使得生成器网络生成高精度预测标签图；利用所述第二功能模块使得判别器网络无法区分预测标签图与真实标签图。
相比现有技术，本发明的有益效果在于：
本发明提供一种基于对抗网络的遥感影像建筑物提取方法，实现了具有一定增强学习能力的生成对抗网络，通过生成器网络和判别器网络之间的不断磨合训练出具有一定泛化能力的模型，同时保证了建筑物提取的精度，另外增加了矢量后处理对建筑物进行了规则化处理，保证了建筑提取结果的美观性。具体来说，生成器网络使用全卷积DenseNet模型产生逐像素图像分类图，而判别器网络倾向于强制分割网络产生与真实标签图一致的高阶结构。生成器网络和判别器网络在对抗性学习过程中相互竞争，直到达到等当点以产生建筑物的最佳分割图。通过生成器网络和判别器网络之间的相互作用达到增强学习的作用，从某种程度上减少了样本缺乏的情况。另外生成器网络选择使用DenseNet网络主要是考虑到了遥感影像的复杂特征，该网络可以通过自己的特有结构即Dense Block来重用当前节点之前的所有节点特征，充分提取了遥感影像的特征。在建筑物完成提取之后增加的矢量后处理方法利用了道格拉斯-普克算法进行一定的优化，取得了比较显著的效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的基于对抗网络的遥感影像建筑物提取方法的整体结构示意图；
图2为本发明的基于对抗网络的遥感影像建筑物提取方法的整体逻辑示意图；
图3为本发明的基于对抗网络的遥感影像建筑物提取方法的矢量后处理逻辑示意图；
图4为本发明的基于对抗网络的遥感影像建筑物提取方法的DenseNet网络中的Dense Block模块的主要结构示意图；
图5为本发明的基于对抗网络的遥感影像建筑物提取方法的生成器网络的整体结构示意图；
图6为本发明的基于对抗网络的遥感影像建筑物提取方法的提取结果的示意图；
图7为本发明的基于对抗网络的遥感影像建筑物提取方法的提取结果图进行矢量后处理的结果图；
图8为运用本发明的测试区遥感影像原图；
图9为运用本发明的测试区的预测结果图；
图10为运用本发明的测试区的建筑物提取结果图；
图11为运用本发明的测试区的利用GAN网络建筑提取矢量后的结果图；
图12为运用本发明的测试区的图10与图11的叠加图；
图13为基于对抗网络的遥感影像建筑物提取***的整体结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
针对现有基于CNN的高分辨率遥感影像建筑物提取方法特征提取能力不足的问题，在本发明中，我们将采用两种有效表征特征的策略。首先，我们设计了一个由数众多卷积层组成的深层卷积网络用于高层次抽象的特征提取。其次，为了在这个非常深的网络中维持高频上下文特征，我们通过加权成本函数直接将标签图的边缘信息馈送到我们的分割网络中。通过在训练期间给予边缘像素更大的权重，我们旨在迫使网络更多地关注对象边界并学习将分割图对准这些边界。
针对提取建筑物空间连续性问题，在本发明中我们感兴趣的是实现更高阶的一致性，而不仅限于某种特定形势的高阶一致性。我们并不寻求在CRF模型中直接整合高阶关联，而是探索基于Goodfellow等人提出的生成对抗网络(GAN)方法启发的对抗性训练的方法。在Generative Adversarial Networks(GAN)取得巨大成功之后，Luc等提出训练对抗性网络，以鼓励分割网络生成无法与真实标签图区分开的标签图。以这种方式，可以整体地去评估每个像素位置处的所有标签变量的联合分布，进而可以在分割网络中加强某种行的高阶一致性(high-order consistency)，而这种高阶一致性是无法通过逐像素分类或成对关联来实现的。
在本发明中，我们拟研究一种新型的深对抗网络，它共同训练深度卷积神经网络即生成器网络和对抗性判别器网络，用于在遥感图像中实现对建筑屋顶的稳健分割。具体来说，生成器网络使用全卷积DenseNet模型产生逐像素图像分类图，而判别器倾向于强制分割网络产生与真实标签图一致的高阶结构。生成器和判别器在对抗性学习过程中相互竞争，直到达到等当点以产生建筑物的最佳分割图。同时，由于语义分割预测的结果图，实际上是一种对像素进行分类的方法，必然会遇到噪点以及造成建筑对象整体上的不规则现象，本发明采用了栅格与矢量结合的方式，实现了建筑对象的规则化。
基于对抗网络的遥感影像建筑物提取方法，如图1、图2所示，包括如下步骤：
S0、数据融合，将相同分辨率的遥感影像数据与电子地图数据融合，得到遥感图像数据；对所述遥感图像数据进行图像预处理，所述图像预处理包括对遥感影像进行大气校正、几何校正、镶嵌。在一个实施例中，电子地图优选谷歌地图，收集整理高分1、2号及电子地图0.8米分辨率4波段多源融合影像，对遥感数据进行大气校正、几何校正、镶嵌等预处理操作。
S1、样本制作，获取遥感图像数据，对所述遥感图像数据按固定尺寸进行切片处理得到样本数据，并绘制所述样本数据中的建筑物标签，获得遥感图像样本。在一个实施例中，对步骤S0中经过图像预处理的遥感图像数据裁切成固定大小的小图斑得到样本数据，并人工绘制部分样本数据的建筑物数据以便神经网络训练；其中样本数据通过结合OpenStreetMap等开源数据进行数据补充，充分利用多源数据增强网络的泛化能力。在本实施例中还包括将获得的遥感图像样本进行掩膜处理，将所述建筑物标签与所述样本数据以像素方式相乘，得到掩膜图像，即建筑物标签处的图像值为1而其他区域的图像值为0。
S2、模型训练，利用对抗网络模型对所述遥感图像样本进行训练，得到生成器网络模型；所述对抗网络模型包括生成器网络与判别器网络，所述生成器网络采用能够充分融合特征的全卷积网络，所述判别器网络采用强制分割网络。在一个实施例中，为了提高建筑物的提取精度，保证建筑单体的结构性，我们使用GAN(生成对抗网络)来对建筑物提取。该模型包括一个生成器网络和一个判别器网络，生成器网络用于生成高精度预测标签图，使得判别器网络无法区分预测出来的建筑物标签图与真实标签图；判别器网络用来判别分割网络产生的标签图与真实标签图，从而强制生成器网络生成的标签图与真实标签图的高阶特征一致。这两个网络在对抗学***衡点，以产生建筑物的最佳分割。
S3、精度判定，将待测试的遥感影像数据输入所述对抗网络模型进行数据预测，优化网络参数直至所述生成器网络与判别器网络达到纳什平衡，得到此时的生成器网络作为训练好的生成器网络；否则返回步骤模型训练并重新迭代训练。在一个实施例中，在最理想的状态下，生成器网络G可以生成足以“以假乱真”的图片G(z)，对于判别器网络D来说，它难以判定生成器网络G生成的图片究竟是不是真实的，因此D(G(z))＝0.5，即纳什平衡。当达到纳什平衡的时候，生成器网络G就是训练好的生成器网络G；否则返回步骤模型训练并重新迭代训练。
S4、建筑物提取，利用步骤S3中训练好的生成器网络对遥感影像目标区域进行建筑物提取，得到遥感影像建筑物数据。在一个实施例中，利用步骤S3中训练好的生成器网络对遥感影像目标区进行建筑物提取后，将得到的遥感影像建筑物数据进行图像处理，首先对其轮廓边界进行平滑以及细化处理，然后对建筑物提取结果的孔洞进行填充以及建筑物缺口进行修补。
S5、矢量后处理，将得到的所述遥感影像建筑物数据进行矢量化，得到建筑物矢量图，利用道格拉斯-普克简化算法对所述建筑物矢量图进行规则化处理，当规则化后的建筑物面积大于等于规则化之前的建筑物面积的设定比值时，得到规则的建筑物矢量图；否则继续进行规则化处理。在一个实施例中，如图3所示，在步骤S4中对提取结果进行初步的图像处理后，对预测结果栅格图二值化后原本规则的建筑出现尖角和缺失的情况，本实施例将栅格图矢量化后从矢量的角度对矢量图层中的建筑进行规则化处理，其中主要包括：按阈值对碎斑初筛选，防止碎斑过多出现非建筑细小图斑被规则化；规则化，由于建筑物基本都是规则矩形而预测结果形状近似矩形，利用匹配算法将建筑物找到并检查关键点直接将建筑物矢量简化及规则化达到外观规整的几何形状。
具体地，如图6-7所示，本实施例通过将道格拉斯-普克的线简化算法进行改进对建筑物提取的结果进行规则化。由于该算法需要设定阈值来检测建筑结构的关键点，所以比较依赖手动阈值的设定，但是建筑物的形状比较多样，需要弱化阈值对建筑形状的影像，本实施例主要利用矢量图层在投影后方面计算面积，并且通过设定一个比较小的起始阈值，然后以实际面积为迭代终点，当算法得到的建筑形状面积接近原始面积时停止简化，最终得到一个简化并且面积接近真实面积的建筑轮廓。具体流程如下：
将步骤S4中提取的栅格建筑物数据进行去噪并矢量化，得到建筑物矢量图，利用优化过的道格拉斯-普克简化算法对建筑物矢量图进行规则化，当规则化后的建筑物矢量图的面积大于等于原始的建筑物矢量图的90％时，得到规则化后的建筑物矢量图；否则迭代进行优化过的道格拉斯-普克简化算法对建筑物矢量图继续规则化。在一个优选的实施例中，当利用算法得到的建筑物矢量图的面积大于等于原始的建筑物矢量图面积的95％时，可得到最合理的建筑轮廓。例如，如图8-12所示，为南京栖霞区城市部分建筑结果示意图，其中，图8为测试区遥感影像原图，图9为测试区部分预测结果截图，图10为测试区部分截图建筑物提取结果图，图11为测试区利用GAN网络建筑提取矢量后的结果图，图12为图10与图11的叠加图；通过实际人工建筑生产试验的验证，本实施例的技术方法在效率上得到了较大的提高：试验区为南京栖霞区，总体面积约390平方千米，单人提取建筑面矢量耗时约60小时，本技术方法提取仅用时4小时，生产效率提高约15倍，并且提取结果经过规则化处理以后基本不需要人工修正，大大提高了生产效率。因此本发明可以在保证精度的前提下有效提高现有建筑提取方法的效率，可以批量生产。
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行基于对抗网络的遥感影像建筑物提取方法。
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基于对抗网络的遥感影像建筑物提取方法。
基于对抗网络的遥感影像建筑物提取***，如图13所示，包括样本制作模块、模型训练模块、精度判定模块、建筑物提取模块和矢量后处理模块；其中，
所述样本制作模块用于获取遥感图像数据，对所述遥感图像数据按固定尺寸进行切片处理得到样本数据，并绘制所述样本数据中的建筑物标签，获得遥感图像样本；
所述模型训练模块用于利用对抗网络模型对所述遥感图像样本进行训练，得到生成器网络模型；所述对抗网络模型包括生成器网络与判别器网络，所述生成器网络采用能够充分融合特征的全卷积网络，所述判别器网络采用强制分割网络；
所述精度判定模块用于将待测试的遥感影像数据输入所述对抗网络模型进行数据预测，优化网络参数直至所述生成器网络与判别器网络达到纳什平衡，得到此时的生成器网络作为训练好的生成器网络；否则返回步骤模型训练并重新迭代训练；
所述建筑物提取模块用于利用步骤S3中训练好的生成器网络对遥感影像目标区域进行建筑物提取，得到遥感影像建筑物数据；
所述矢量后处理模块用于将得到的所述遥感影像建筑物数据进行矢量化，得到建筑物矢量图，利用道格拉斯-普克简化算法对所述建筑物矢量图进行规则化处理，当规则化后的建筑物面积大于等于规则化之前的建筑物面积的设定比值时，得到规则的建筑物矢量图；否则继续进行规则化处理。
进一步地，还包括数据融合模块，所述数据融合模块用于将相同分辨率的遥感影像数据与电子地图数据融合，得到遥感图像数据；对所述遥感图像数据进行数据处理，所述数据处理包括对遥感影像进行大气校正、几何校正、镶嵌；
所述样本制作模块包括掩膜处理单元，所述掩膜处理单元用于将所述建筑物标签与所述样本数据以像素方式相乘，得到掩膜图像即所述遥感图像样本；
所述建筑物提取模块包括图像处理单元，所述图像处理单元包括对建筑物轮廓边界进行平滑与细化处理，并且对建筑物的孔洞进行填充与建筑物的缺口进行修补；
所述矢量后处理模块包括筛选单元，所述筛选单元用于在规则化之前对所述建筑物矢量图进行碎斑初筛选，所述碎斑初筛选按照设定阈值进行筛选。
具体地，所述对抗网络模型通过功能模块使得生成器网络与判别器网络达到纳什平衡，所述功能模块包括第一功能模块与第二功能模块；利用所述第一功能模块使得生成器网络生成高精度预测标签图；利用所述第二功能模块使得判别器网络无法区分预测标签图与真实标签图。在本实施例中，生成器网络与判别器网络训练的方法为通过单独交替迭代训练。具体地，对抗网络模型的功能模块即公式一如下：
minGmaxDV(D,G)＝Ex～Pdata(x)[log(D(x))]+Ez～Pz(Z)[log(1-D(G(z)))]；
所述生成器网络包括第一功能模块即公式二如下：
maxGV(D,G)＝Ez～Pz(Z)[log(1-D(G(z)))]；
所述判别器网络包括第二功能模块即公式三如下：
maxDV(D,G)＝Ex～Pdata(x)[log(D(x))]+Ez～Pz(Z)[log(1-D(G(z)))]；
G是生成器网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)；D是一个判别器网络，判别一张图片是不是“真实的”，它的输入参数是x，x代表一张图片，输出D(x)代表x为真实图片的概率，如果为1，就代表100％是真实的图片，而输出为0，就代表不可能是真实的图片。
在优化过程中，先优化D，在优化G：
优化D，即优化判别器网络时，生成器网络保持不动，G(z)这里就相当于已经得到的假样本集。优化D的公式三的第一项，使得真实样本x输入的时候，得到的结果越大越好，因为真实样本的预测结果越接近1越好；对于假样本，需要优化的是其结果越小越好，也就是D(G(z))越小越好，因为它的标签为0。但是第一项越大，第二项越小，就矛盾了，所以把第二项改为1-D(G(z))，这样就是越大越好。
在优化G的时候，与真实的样本集没有任何关系，所以公式二中只包括一项，这时候只有假样本，但是我们说这个时候是希望假样本的标签是1，所以是D(G(z))越大越好，但是为了统一成1-D(G(z))的形式，那么只能是最小化1-D(G(z))，本质上没有区别，只是为了形式的统一。之后这两个优化模型可以合并起来写，就变成最开始的最大最小目标函数了。
在本实施例中，如图4所示，生成器网络使用全卷积DenseNet模型产生逐像素图像分类图，而判别器网络倾向于强制分割网络产生与真实标签图一致的高阶结构。生成器网络与判别器网络在对抗性学习过程中相互竞争，直到达到等当点以产生建筑物的最佳分割图。DenseNet模型的特点就是特征重用，充分利用了每个卷积层计算后的特征，使模型具有多尺度的特性。由于DenseNet网络模型的神经元节点较多，本实施例对该结构进行改进，将激活函数ReLU改为PReLU,避免在反方向传播过程中一些神经元节点因梯度下降为0而失去作用。
具体地，如图5所示，本实施例构建了一个具有158层的深层卷积网络来来生成初步提取结构，该网络是典型的编码器-解码器架构，具有跳过连接，由下采样路径中的五个密集块和上采样路径中的五个密集块组成，并且一个瓶颈块连接下采样路径和上采样路径，这是也是一个密集块。这11个密集块分别包含[9,10,12,15,17,20,17,15,12,10,9]个卷积层。这里DB表示密集块，TD和TU分别表示向下转换和向上转换层，C表示通道级联，同时省略了下采样路径中的DB-3和DB-4，及上采样路径中的DB-8和DB-9以及其相应的过渡层。这里的基础分割网络即生成器网络也可以用其他的端到端语义分割网络，例如FCN或U-Net来替换，本发明不做限定。
在本发明中，将具有增强学习策略的生成对抗网络用于遥感影像地物提取，生成器网络采用能够充分融合特征的全卷积网络DenseNet产生逐像素图像分类图，判别器网络采用强制分割网络产生与真实标签图一致的高阶结构，进而实现建筑物的提取，在保证精度的情况下增强了模型的泛化能力。同时利用矢量规则化算法对提取结果进行美化，应用本发明的方法在建筑提取上具有更高的效率，在建筑物外形上更贴近真实建筑的轮廓，在节约成本的同时具有更加美观的结果。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.基于对抗网络的遥感影像建筑物提取方法，其特征在于，包括如下步骤：
样本制作，获取遥感图像数据，对所述遥感图像数据按固定尺寸进行切片处理得到样本数据，并绘制所述样本数据中的建筑物标签，获得遥感图像样本；
模型训练，利用对抗网络模型对所述遥感图像样本进行训练，得到生成器网络模型；其中，所述对抗网络模型包括生成器网络与判别器网络，所述生成器网络采用能够充分融合特征的全卷积网络，所述判别器网络采用强制分割网络，所述判别器网络用于将所述生成器网络生成的图像与真实的所述遥感图像样本进行判别；
精度判定，将待测试的遥感影像数据输入所述对抗网络模型进行数据预测，优化网络参数直至所述生成器网络与判别器网络达到纳什平衡，得到此时的生成器网络作为训练好的生成器网络；否则返回步骤模型训练并重新迭代训练；
建筑物提取，利用步骤精度判定中训练好的生成器网络模型对遥感影像目标区域进行建筑物提取，得到遥感影像建筑物数据；
矢量后处理，将得到的所述遥感影像建筑物数据进行矢量化，得到建筑物矢量图，利用道格拉斯-普克简化算法对所述建筑物矢量图进行规则化处理，得到规则的建筑物矢量图。
2.如权利要求1所述的基于对抗网络的遥感影像建筑物提取方法，其特征在于，在步骤样本制作之前还包括步骤：
数据融合，将相同分辨率的遥感影像数据与电子地图数据融合，得到遥感图像数据；对所述遥感图像数据进行图像预处理，所述图像预处理包括对遥感影像进行大气校正、几何校正、镶嵌；
在步骤样本制作中还包括获取开源数据，将所述开源数据进行数据处理后加入所述样本数据中，得到所述遥感图像样本；
在步骤建筑物提取中还包括对提取的所述遥感影像建筑物数据进行图像处理，所述图像处理包括对建筑物轮廓边界进行平滑与细化处理，并且对建筑物的孔洞进行填充与建筑物的缺口进行修补。
3.如权利要求1或2所述的基于对抗网络的遥感影像建筑物提取方法，其特征在于，在步骤矢量后处理中还包括进行规则化之前对所述建筑物矢量图进行碎斑初筛选，所述碎斑初筛选按照设定阈值进行筛选；
还包括当规则化后的建筑物面积大于等于规则化之前的建筑物面积的设定比值时，得到规则的建筑物矢量图；否则继续进行规则化处理。
4.如权利要求2所述的基于对抗网络的遥感影像建筑物提取方法，其特征在于，在步骤样本制作中还包括掩膜处理，将所述建筑物标签与所述样本数据以像素方式相乘，得到掩膜图像即所述遥感图像样本。
5.如权利要求1所述的基于对抗网络的遥感影像建筑物提取方法，其特征在于，所述生成器网络包括全卷积网络DenseNet模型，所述全卷积网络DenseNet模型包括激活函数PReLU。
6.一种电子设备，其特征在于，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1所述的方法。
8.基于对抗网络的遥感影像建筑物提取***，其特征在于，包括样本制作模块、模型训练模块、精度判定模块、建筑物提取模块和矢量后处理模块；其中，
所述样本制作模块用于获取遥感图像数据，对所述遥感图像数据按固定尺寸进行切片处理得到样本数据，并绘制所述样本数据中的建筑物标签，获得遥感图像样本；
所述模型训练模块用于利用对抗网络模型对所述遥感图像样本进行训练，得到生成器网络模型；所述对抗网络模型包括生成器网络与判别器网络，所述生成器网络采用能够充分融合特征的全卷积网络，所述判别器网络采用强制分割网络；
所述精度判定模块用于将待测试的遥感影像数据输入所述对抗网络模型进行数据预测，优化网络参数直至所述生成器网络与判别器网络达到纳什平衡，得到此时的生成器网络作为训练好的生成器网络；否则返回步骤模型训练并重新迭代训练；
所述建筑物提取模块用于利用步骤精度判定中训练好的生成器网络对遥感影像目标区域进行建筑物提取，得到遥感影像建筑物数据；
所述矢量后处理模块用于将得到的所述遥感影像建筑物数据进行矢量化，得到建筑物矢量图，利用道格拉斯-普克简化算法对所述建筑物矢量图进行规则化处理，当规则化后的建筑物面积大于等于规则化之前的建筑物面积的设定比值时，得到规则的建筑物矢量图；否则继续进行规则化处理。
9.如权利要求8所述的基于对抗网络的遥感影像建筑物提取***，其特征在于，还包括数据融合模块，所述数据融合模块用于将相同分辨率的遥感影像数据与电子地图数据融合，得到遥感图像数据；对所述遥感图像数据进行数据处理，所述数据处理包括对遥感影像进行大气校正、几何校正、镶嵌；
所述样本制作模块包括掩膜处理单元，所述掩膜处理单元用于将所述建筑物标签与所述样本数据以像素方式相乘，得到掩膜图像即所述遥感图像样本；
所述建筑物提取模块包括图像处理单元，所述图像处理单元包括对建筑物轮廓边界进行平滑与细化处理，并且对建筑物的孔洞进行填充与建筑物的缺口进行修补；
所述矢量后处理模块包括筛选单元，所述筛选单元用于在规则化之前对所述建筑物矢量图进行碎斑初筛选，所述碎斑初筛选按照设定阈值进行筛选。
10.如权利要求8所述的基于对抗网络的遥感影像建筑物提取***，其特征在于，所述对抗网络模型通过功能模块使得生成器网络与判别器网络达到纳什平衡，所述功能模块包括第一功能模块与第二功能模块；利用所述第一功能模块使得生成器网络生成高精度预测标签图；利用所述第二功能模块使得判别器网络无法区分预测标签图与真实标签图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910644747.3A CN110516539A (zh) | 2019-07-17 | 2019-07-17 | 基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910644747.3A CN110516539A (zh) | 2019-07-17 | 2019-07-17 | 基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110516539A true CN110516539A (zh) | 2019-11-29 |
Family
ID=68622833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910644747.3A Pending CN110516539A (zh) | 2019-07-17 | 2019-07-17 | 基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110516539A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160128A (zh) * | 2019-12-11 | 2020-05-15 | 中国资源卫星应用中心 | 一种基于对抗神经网络模型的遥感图像处理方法及*** |
| CN111242134A (zh) * | 2020-01-15 | 2020-06-05 | 武汉科技大学 | 一种基于特征自适应学习的遥感影像地物分割方法 |
| CN111582175A (zh) * | 2020-05-09 | 2020-08-25 | 中南大学 | 一种共享多尺度对抗特征的高分遥感影像语义分割方法 |
| CN111626947A (zh) * | 2020-04-27 | 2020-09-04 | 国家电网有限公司 | 基于生成对抗网络的地图矢量化样本增强方法及*** |
| CN111640117A (zh) * | 2020-06-03 | 2020-09-08 | 四川正大新材料科技有限公司 | 一种寻找建筑物渗漏源位置的方法 |
| CN111898543A (zh) * | 2020-07-31 | 2020-11-06 | 武汉大学 | 一种融合几何感知与图像理解的建筑物自动提取方法 |
| CN112104525A (zh) * | 2020-09-18 | 2020-12-18 | 西安科技大学 | 基于序列生成对抗网络的dnp3协议模糊测试方法 |
| CN112179294A (zh) * | 2020-09-21 | 2021-01-05 | 杭州星网测绘技术有限公司 | 一种土地校对方法、装置以及*** |
| CN112580510A (zh) * | 2020-12-18 | 2021-03-30 | 广州市城市规划设计所 | 可渗透地面面积率的估算方法、装置、设备及存储介质 |
| CN112700464A (zh) * | 2021-01-15 | 2021-04-23 | 腾讯科技（深圳）有限公司 | 地图信息的处理方法、装置、电子设备以及存储介质 |
| CN112949407A (zh) * | 2021-02-02 | 2021-06-11 | 武汉大学 | 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法 |
| CN112950780A (zh) * | 2021-03-12 | 2021-06-11 | 北京理工大学 | 一种基于遥感影像的网络地图智能生成方法及*** |
| CN112991301A (zh) * | 2021-03-20 | 2021-06-18 | 苏州喆鑫信息科技有限公司 | 遥感影像建筑物实例掩膜提取方法及***、介质、设备 |
| CN112990141A (zh) * | 2021-04-30 | 2021-06-18 | 图兮数字科技(北京)有限公司 | 图像识别方法、装置、设备及存储介质 |
| CN113052121A (zh) * | 2021-04-08 | 2021-06-29 | 北京理工大学 | 一种基于遥感影像的多层级网络地图智能生成方法 |
| CN113987637A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
| CN115272848A (zh) * | 2022-07-18 | 2022-11-01 | 西南交通大学 | 多云多雾耕地保护区内建筑物智能变化检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344778A (zh) * | 2018-10-10 | 2019-02-15 | 成都信息工程大学 | 基于生成对抗网络的无人机影像道路信息提取方法 |
| JP2019028657A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社パスコ | 建物領域抽出用の学習済みモデル |
| CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 |
| CN109493320A (zh) * | 2018-10-11 | 2019-03-19 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像道路提取方法及***、存储介质、电子设备 |
-
2019
- 2019-07-17 CN CN201910644747.3A patent/CN110516539A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019028657A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社パスコ | 建物領域抽出用の学習済みモデル |
| CN109344778A (zh) * | 2018-10-10 | 2019-02-15 | 成都信息工程大学 | 基于生成对抗网络的无人机影像道路信息提取方法 |
| CN109493320A (zh) * | 2018-10-11 | 2019-03-19 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像道路提取方法及***、存储介质、电子设备 |
| CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| 万剑华: "《地理信息***基础教程 第2版》", 中国石油大学出版社, pages: 107 * |
| 李达: "基于秘籍卷积网络的遥感图像分类研究", 《COMPUTER ERA》, pages 60 - 63 * |
| 王玉龙等: "基于生成对抗网络的地面新增建筑检测", 《计算机应用》, no. 05, 21 January 2019 (2019-01-21), pages 278 - 282 * |
| 赵晴: "石家庄地表水源保护区土地利用变化与水质相关性研究", 《水土保持研究》, pages 122 - 134 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160128A (zh) * | 2019-12-11 | 2020-05-15 | 中国资源卫星应用中心 | 一种基于对抗神经网络模型的遥感图像处理方法及*** |
| CN111242134A (zh) * | 2020-01-15 | 2020-06-05 | 武汉科技大学 | 一种基于特征自适应学习的遥感影像地物分割方法 |
| CN111626947A (zh) * | 2020-04-27 | 2020-09-04 | 国家电网有限公司 | 基于生成对抗网络的地图矢量化样本增强方法及*** |
| CN111582175B (zh) * | 2020-05-09 | 2023-07-21 | 中南大学 | 一种共享多尺度对抗特征的高分遥感影像语义分割方法 |
| CN111582175A (zh) * | 2020-05-09 | 2020-08-25 | 中南大学 | 一种共享多尺度对抗特征的高分遥感影像语义分割方法 |
| CN111640117B (zh) * | 2020-06-03 | 2024-03-05 | 四川正大新材料科技有限公司 | 一种寻找建筑物渗漏源位置的方法 |
| CN111640117A (zh) * | 2020-06-03 | 2020-09-08 | 四川正大新材料科技有限公司 | 一种寻找建筑物渗漏源位置的方法 |
| CN111898543A (zh) * | 2020-07-31 | 2020-11-06 | 武汉大学 | 一种融合几何感知与图像理解的建筑物自动提取方法 |
| CN112104525A (zh) * | 2020-09-18 | 2020-12-18 | 西安科技大学 | 基于序列生成对抗网络的dnp3协议模糊测试方法 |
| CN112104525B (zh) * | 2020-09-18 | 2021-07-30 | 西安科技大学 | 基于序列生成对抗网络的dnp3协议模糊测试方法 |
| CN112179294A (zh) * | 2020-09-21 | 2021-01-05 | 杭州星网测绘技术有限公司 | 一种土地校对方法、装置以及*** |
| CN112580510A (zh) * | 2020-12-18 | 2021-03-30 | 广州市城市规划设计所 | 可渗透地面面积率的估算方法、装置、设备及存储介质 |
| CN112580510B (zh) * | 2020-12-18 | 2024-05-21 | 广州市城市规划设计有限公司 | 可渗透地面面积率的估算方法、装置、设备及存储介质 |
| CN112700464A (zh) * | 2021-01-15 | 2021-04-23 | 腾讯科技（深圳）有限公司 | 地图信息的处理方法、装置、电子设备以及存储介质 |
| CN112949407A (zh) * | 2021-02-02 | 2021-06-11 | 武汉大学 | 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法 |
| CN112949407B (zh) * | 2021-02-02 | 2022-06-14 | 武汉大学 | 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法 |
| CN112950780B (zh) * | 2021-03-12 | 2022-09-06 | 北京理工大学 | 一种基于遥感影像的网络地图智能生成方法及*** |
| CN112950780A (zh) * | 2021-03-12 | 2021-06-11 | 北京理工大学 | 一种基于遥感影像的网络地图智能生成方法及*** |
| CN112991301A (zh) * | 2021-03-20 | 2021-06-18 | 苏州喆鑫信息科技有限公司 | 遥感影像建筑物实例掩膜提取方法及***、介质、设备 |
| CN112991301B (zh) * | 2021-03-20 | 2024-04-30 | 苏州喆鑫信息科技有限公司 | 遥感影像建筑物实例掩膜提取方法及***、介质、设备 |
| CN113052121B (zh) * | 2021-04-08 | 2022-09-06 | 北京理工大学 | 一种基于遥感影像的多层级网络地图智能生成方法 |
| CN113052121A (zh) * | 2021-04-08 | 2021-06-29 | 北京理工大学 | 一种基于遥感影像的多层级网络地图智能生成方法 |
| CN112990141B (zh) * | 2021-04-30 | 2021-08-03 | 图兮数字科技(北京)有限公司 | 图像识别方法、装置、设备及存储介质 |
| CN112990141A (zh) * | 2021-04-30 | 2021-06-18 | 图兮数字科技(北京)有限公司 | 图像识别方法、装置、设备及存储介质 |
| CN113987637A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
| CN113987637B (zh) * | 2021-10-25 | 2022-07-01 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
| CN115272848A (zh) * | 2022-07-18 | 2022-11-01 | 西南交通大学 | 多云多雾耕地保护区内建筑物智能变化检测方法 |
| CN115272848B (zh) * | 2022-07-18 | 2023-04-18 | 西南交通大学 | 多云多雾耕地保护区内建筑物智能变化检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516539A (zh) | 基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备 | |
| CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| CN106022237B (zh) | 一种端到端的卷积神经网络的行人检测方法 | |
| CN107818302A (zh) | 基于卷积神经网络的非刚性多尺度物体检测方法 | |
| CN109446992A (zh) | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 | |
| CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
| CN109241982A (zh) | 基于深浅层卷积神经网络的目标检测方法 | |
| CN109859190A (zh) | 一种基于深度学习的目标区域检测方法 | |
| CN110472627A (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
| CN107330444A (zh) | 一种基于生成对抗网络的图像自动文本标注方法 | |
| CN107506722A (zh) | 一种基于深度稀疏卷积神经网络人脸情感识别方法 | |
| CN107341506A (zh) | 一种基于多方面深度学习表达的图像情感分类方法 | |
| CN107766794A (zh) | 一种特征融合系数可学习的图像语义分割方法 | |
| CN108256482A (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
| CN107423814A (zh) | 一种采用深度卷积神经网络建立动态网络模型的方法 | |
| CN105139395A (zh) | 基于小波池化卷积神经网络的sar图像分割方法 | |
| CN114092832A (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| CN110212528A (zh) | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 | |
| CN110245602A (zh) | 一种基于深度卷积特征的水下静目标识别方法 | |
| Wu et al. | Image style recognition and intelligent design of oiled paper bamboo umbrella based on deep learning | |
| CN114283083B (zh) | 一种基于解耦表示的场景生成模型的美学增强方法 | |
| Nakhaee et al. | DeepRadiation: An intelligent augmented reality platform for predicting urban energy performance just through 360 panoramic streetscape images utilizing various deep learning models | |
| CN113887471A (zh) | 基于特征解耦和交叉对比的视频时序定位方法 | |
| Cheng et al. | Generating high-resolution climate prediction through generative adversarial network | |
| CN107729942A (zh) | 一种结构化视图缺失数据的分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |