CN113963177A - 一种基于cnn的建筑物掩膜轮廓矢量化的方法 - Google Patents
一种基于cnn的建筑物掩膜轮廓矢量化的方法 Download PDFInfo
- Publication number
- CN113963177A CN113963177A CN202111335800.5A CN202111335800A CN113963177A CN 113963177 A CN113963177 A CN 113963177A CN 202111335800 A CN202111335800 A CN 202111335800A CN 113963177 A CN113963177 A CN 113963177A
- Authority
- CN
- China
- Prior art keywords
- sample
- building
- convolution
- vector set
- layer
- 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 20
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 239000000203 mixture Substances 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims abstract description 8
- 230000002776 aggregation Effects 0.000 claims abstract description 7
- 238000004220 aggregation Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 239000000284 extract Substances 0.000 claims abstract description 3
- 238000005070 sampling Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000000873 masking effect Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于CNN的建筑物掩膜轮廓矢量化的方法。该发明可以利用卷积神经网络提取建筑物掩膜轮廓,消除高大树木,道路等因素对建筑物轮廓的影响,提高对轮廓提取的精度,并最后通过矢量化的操作,对建筑物轮廓的周长,面积进行计算。本发明首先设计了一个层数为5的多尺度卷积神经网络,并在前两个最低尺度层引入Atrous卷积,分别学习划分出的多个样本的特征,之后利用高斯混合建模,获取不同样本混合的条件概率密度函数,再应用多尺度聚合建模策略,将特征图进行上采样得到包含建筑物的输出图像,最后将输入图像作为输入,在ArcGIS中进行栅格掩膜获得栅格数据,最后再进一步转化为矢量数据,并可以进行相应的运算。
Description
技术领域
本发明属于计算机图像处理领域,是基于深度学习的方法实现建筑物掩膜轮廓矢量化。
背景技术
高分辨率遥感影像中建筑物轮廓的提取一直是一个难题,尤其是当大片的林地对建筑物发生了遮挡,或者是道路的轮廓形状与建筑物相似,不利于我们人为辨别区分,这就对建筑物的提取和识别造成了一定程度上的困难,此外,由于城区屋顶材料和建筑物朝向的多样性,也给提取建筑物轮廓造成了较大的困难。然而,随着社会城市化的不断发展,获取详细的城镇建筑物轮廓图对于城镇规划,土地管理,发展制定等方方面面都有重要的意义。随着遥感技术地不断发展,我们能够便捷地获取各种高分辨率的遥感影像,这些高分辨率的遥感影像能为我们提供很多清晰的地物特征,例如,颜色,纹理,形状,位置等,为我们进一步研究建筑物轮廓的提取提供了数据源,然而,大范围的区域使用传统方法来提取建筑物的轮廓显然是不现实的,不仅浪费人力物力,且精度也难以达到我们的要求,随着深度学习在图像处理领域的迅速发展,将深度学习应用到建筑物轮廓的提取已成为了必然趋势。但是如何设计一个卷积神经网络,使其层次结构和参数设置达到最优依然是困扰许多学者的问题。本发明设计了一个层数为5层的多尺度的卷积神经网络,首先通过这5层卷积网络,获得建筑物、绿化带、道路三个样本的特征矢量集,再引入Atrous卷积加强对三个样本的学习,之后,采用混合高斯建模,求出噪声即绿化带和道路与建筑物之间的条件概率密度函数,最后结合特征图,采用多尺度聚合策略,逐步下采样还原出含有建筑物标签的特征图,将输出的特征图作为ArcGIS的输入,进行栅格掩膜获得建筑物掩膜轮廓图,最后再将栅格图像转化为矢量图像,并可以在矢量化的基础上进行面积,周长等的运算。
发明内容
本发明公开了一种基于CNN的建筑物掩膜轮廓矢量化的方法。该发明可以利用卷积神经网络提取建筑物掩膜轮廓,消除高大树木,道路等因素对建筑物轮廓的影响,提高对轮廓提取的精度,并最后通过矢量化的操作,对建筑物轮廓的周长,面积进行计算。本发明首先设计了一个层数为5的多尺度卷积神经网络,分别学习划分出来的建筑物、绿化带、道路三个样本的特征;第二步是在前两个最低尺度层引入Atrous卷积,Atrous卷积层由四个3×3的Atrous卷积和一个1 ×1卷积组成,我们将Atrous卷积的学习速率分别设置为1、5、10、15,这是经过实验对比出来可以同时兼顾效率和精度的结果,这一步的目的是为了加强对上述三个样本的特征的学习;第三步利用高斯混合建模,获取不同样本混合的条件概率密度函数,通过这个条件概率密度可以计算出建筑物和噪声(绿化带和道路) 在特征图中的比例;第四步应用多尺度聚合建模策略,将获得的不同尺度的特征图进行聚合,将噪声与建筑物进行划分。将特征图逐步进行上采样恢复至原始尺寸,得到的特征图中包含建筑物的轮廓。最后将输入图像作为输入,在ArcGIS 中进行栅格掩膜获得栅格数据,最后再进一步转化为矢量数据,这样就完成了建筑物掩膜轮廓矢量化,并可以在矢量化的基础上进行面积、周长等的计算。
本发明采用的技术方案是基于CNN的建筑物掩膜轮廓矢量化的方法,该方法包括:
步骤1:利用一个层数为5的卷积神经网络将城市高分辨率遥感图像划分为四类,分别为建筑物、绿化带、道路、其他杂类,将这四类物体将作为样本建立四个独立的样本库,分别为:样本A:建筑物,这是训练的正样本;样本B:绿化带;样本C:道路;样本D:其他杂类;样本B、样本C和样本D将作为噪声参与训练;
步骤1.1:将城市地区的高分辨率遥感影像输入一个多尺度的5层卷积网络中,通过第一层卷积神经网络进行第一次下采样,获得样本B绿化带的特征矢量集,并进行标注;
步骤1.2:将步骤1.1获得的含有绿化带特征矢量集的网络输入第二层卷积网络中,卷积过后获得含有道路样本的特征矢量集,再将道路样本标注出来;
步骤1.3:将步骤1.2获得的特征图输入到第三卷积层中,获得样本D其他杂类特征矢量集,并用标签对其进行标注;
步骤1.4:标记出前三类样本后,顺势提取出建筑物的特征矢量集,并用标签对其进行标注。
步骤2:将步骤1获得的划分了四个样本的特征矢量集进行输入第五层和第六层卷积两个最低尺度的卷积层中,加强对四个样本特征的学习。
步骤2.1:将步骤1获得的特征矢量集输入第五层卷积,在第五层卷积的后面引入一个Atrous卷积,将该层的4个卷积的学习速率设置为1、5、10和15,以及再加一个1×1卷积进行升维。最后获得加强特征学习的特征矢量集。
步骤3:将步骤2获得的四个样本的特征矢量集进行高斯混合建模,获得绿化带、道路、建筑物和其他杂类混合的条件概率密度函数。最终得到这几个样本在特征图中的比例,并将建筑物与噪声(道路、绿化带、其他杂类)进行划分。
步骤4:应用多尺度聚合的策略,将步骤3获得的条件概率密度函数结合步骤2 获得的特征图,逐步采用上采样,将影像还原至原始比例,直到最后一个特征图中含有建筑标签;
步骤5:将进行处理后的遥感影像图输入ArcGIS中进行中栅格掩膜获得建筑物轮廓的栅格数据;
步骤6:使用ArcGIS Pro将栅格数据转化成建筑物轮廓线的矢量数据。
与现有技术相比,本发明的有益效果是:
(1)设计了5层卷积神经网络来提取建筑物、绿化带、道路四个样本的特征。
(2)在卷积网络后面又引入Atrous卷积,加强对四个样本特征的学习。
(3)使用高斯混合建模方法将噪声与建筑物进行区分。
(4)采用多尺度聚合策略,加强建筑物特征的输出。
(5)结合ArcGIS进行矢量化输出。
附图说明
图1为本发明的技术路线
图2为本发明的网络结构图。
Claims (7)
1.一种基于CNN的建筑物掩膜轮廓矢量化的方法,其特征在于,包括以下步骤:
步骤1:利用一个层数为5的卷积神经网络将城市高分辨率遥感图像划分为四类,分别为建筑物、绿化带、道路、其他杂类,将这四类物体将作为样本建立四个独立的样本库,分别为:样本A:建筑物,这是训练的正样本;样本B:绿化带;样本C:道路;样本D:其他杂类;样本B、样本C和样本D将作为噪声参与训练;
步骤1.1:将城市地区的高分辨率遥感影像输入一个多尺度的5层卷积网络中,通过第一层卷积神经网络进行第一次下采样,获得样本B绿化带的特征矢量集,并进行标注;
步骤1.2:将步骤1.1获得的含有绿化带特征矢量集的网络输入第二层卷积网络中,卷积过后获得含有道路样本的特征矢量集,再将道路样本标注出来;
步骤1.3:将步骤1.2获得的特征图输入到第三卷积层中,获得样本D其他杂类特征矢量集,并用标签对其进行标注;
步骤1.4:标记出前三类样本后,顺势提取出建筑物的特征矢量集,并用标签对其进行标注。
步骤2:将步骤1获得的划分了四个样本的特征矢量集进行输入第五层和第六层卷积两个最低尺度的卷积层中,加强对四个样本特征的学习。
步骤2.1:将步骤1获得的特征矢量集输入第五层卷积,在第五层卷积的后面引入一个Atrous卷积,将该层的4个卷积的学习速率设置为1、5、10和15,以及再加一个1×1卷积进行升维。最后获得加强特征学习的特征矢量集。
步骤3:将步骤2获得的四个样本的特征矢量集进行高斯混合建模,获得绿化带、道路、建筑物和其他杂类混合的条件概率密度函数。最终得到这几个样本在特征图中的比例,并将建筑物与噪声(道路、绿化带、其他杂类)进行划分。
步骤4:应用多尺度聚合的策略,将步骤3获得的条件概率密度函数结合步骤2获得的特征图,逐步采用上采样,将影像还原至原始比例,直到最后一个特征图中含有建筑标签;
步骤5:将进行处理后的遥感影像图输入ArcGIS中进行中栅格掩膜获得建筑物轮廓的栅格数据;
步骤6:使用ArcGIS Pro将栅格数据转化成建筑物轮廓线的矢量数据。
2.如权利要求1所述方法,其特征在于,步骤1中使用了5层的卷积神经网络提取出了道路、绿化带、建筑物和其他杂类4种样本的特征矢量集。
3.如权利要求1所述方法,其特征在于,步骤2在完整的卷积神经网络后面引入了Atrous层,加强了对4个样本特征的学习。
4.如权利要求1所述方法,其特征在于,步骤3使用了高斯混合建模的方法,计算出了噪声与建筑物的条件概率密度函数。使得噪声与感兴趣区域更好地区分。
5.如权利要求1所述方法,其特征在于,步骤4中采用了多尺度聚合策略,将含有建筑物的特征图通过上采样还原出来。
6.如权利要求1所述方法,其特征在于,步骤5中进行栅格掩膜获得建筑物轮廓的栅格数据。
7.如权利要求1所述方法,其特征在于,步骤6中将栅格数据转化为矢量数据,完成建筑物轮廓的矢量化操作,并可以进一步地进行面积,周长等的运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335800.5A CN113963177A (zh) | 2021-11-11 | 2021-11-11 | 一种基于cnn的建筑物掩膜轮廓矢量化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335800.5A CN113963177A (zh) | 2021-11-11 | 2021-11-11 | 一种基于cnn的建筑物掩膜轮廓矢量化的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113963177A true CN113963177A (zh) | 2022-01-21 |
Family
ID=79470195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111335800.5A Pending CN113963177A (zh) | 2021-11-11 | 2021-11-11 | 一种基于cnn的建筑物掩膜轮廓矢量化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963177A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454495A (zh) * | 2023-12-25 | 2024-01-26 | 北京飞渡科技股份有限公司 | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2018101336A4 (en) * | 2018-09-12 | 2018-10-11 | Hu, Yuan Miss | Building extraction application based on machine learning in Urban-Suburban-Integration Area |
CN108898092A (zh) * | 2018-06-26 | 2018-11-27 | 北京工业大学 | 基于全卷积神经网络的多光谱遥感影像路网提取方法 |
WO2018229490A1 (en) * | 2017-06-16 | 2018-12-20 | Ucl Business Plc | A system and computer-implemented method for segmenting an image |
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 |
CN110781773A (zh) * | 2019-10-10 | 2020-02-11 | 湖北工业大学 | 一种基于残差神经网络的道路提取方法 |
CN111460936A (zh) * | 2020-03-18 | 2020-07-28 | 中国地质大学(武汉) | 基于U-Net网络的遥感影像建筑物提取方法、***、电子设备 |
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 |
US20210089807A1 (en) * | 2019-09-25 | 2021-03-25 | Samsung Electronics Co., Ltd. | System and method for boundary aware semantic segmentation |
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 |
CN113052858A (zh) * | 2021-03-23 | 2021-06-29 | 电子科技大学 | 一种基于语义流的全景分割方法 |
WO2021142441A1 (en) * | 2020-01-10 | 2021-07-15 | Marquette University | Systems and methods for remote sensing of river velocity using video and an optical flow algorithm |
CN113312993A (zh) * | 2021-05-17 | 2021-08-27 | 北京大学 | 一种基于PSPNet的遥感数据土地覆盖分类方法 |
CN113392960A (zh) * | 2021-06-10 | 2021-09-14 | 电子科技大学 | 一种基于混合空洞卷积金字塔的目标检测网络及方法 |
CN113569788A (zh) * | 2021-08-05 | 2021-10-29 | 中国科学院地理科学与资源研究所 | 一种建筑物语义分割网络模型训练方法、***及应用方法 |
-
2021
- 2021-11-11 CN CN202111335800.5A patent/CN113963177A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018229490A1 (en) * | 2017-06-16 | 2018-12-20 | Ucl Business Plc | A system and computer-implemented method for segmenting an image |
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 |
CN108898092A (zh) * | 2018-06-26 | 2018-11-27 | 北京工业大学 | 基于全卷积神经网络的多光谱遥感影像路网提取方法 |
AU2018101336A4 (en) * | 2018-09-12 | 2018-10-11 | Hu, Yuan Miss | Building extraction application based on machine learning in Urban-Suburban-Integration Area |
US20210089807A1 (en) * | 2019-09-25 | 2021-03-25 | Samsung Electronics Co., Ltd. | System and method for boundary aware semantic segmentation |
CN110781773A (zh) * | 2019-10-10 | 2020-02-11 | 湖北工业大学 | 一种基于残差神经网络的道路提取方法 |
WO2021142441A1 (en) * | 2020-01-10 | 2021-07-15 | Marquette University | Systems and methods for remote sensing of river velocity using video and an optical flow algorithm |
CN111460936A (zh) * | 2020-03-18 | 2020-07-28 | 中国地质大学(武汉) | 基于U-Net网络的遥感影像建筑物提取方法、***、电子设备 |
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 |
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 |
CN113052858A (zh) * | 2021-03-23 | 2021-06-29 | 电子科技大学 | 一种基于语义流的全景分割方法 |
CN113312993A (zh) * | 2021-05-17 | 2021-08-27 | 北京大学 | 一种基于PSPNet的遥感数据土地覆盖分类方法 |
CN113392960A (zh) * | 2021-06-10 | 2021-09-14 | 电子科技大学 | 一种基于混合空洞卷积金字塔的目标检测网络及方法 |
CN113569788A (zh) * | 2021-08-05 | 2021-10-29 | 中国科学院地理科学与资源研究所 | 一种建筑物语义分割网络模型训练方法、***及应用方法 |
Non-Patent Citations (1)
Title |
---|
冯倩: "基于遥感和GIS的植被覆盖区矿产资源潜力评价方法及应用" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454495A (zh) * | 2023-12-25 | 2024-01-26 | 北京飞渡科技股份有限公司 | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 |
CN117454495B (zh) * | 2023-12-25 | 2024-03-15 | 北京飞渡科技股份有限公司 | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183258A (zh) | 一种基于上下文信息和注意力机制的遥感图像道路分割方法 | |
CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN110738207A (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN107798381A (zh) | 一种基于卷积神经网络的图像识别方法 | |
CN114187450A (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
CN111126127B (zh) | 一种多级空间上下文特征指导的高分辨率遥感影像分类方法 | |
CN107239751A (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
CN111553869B (zh) | 一种空基视角下的生成对抗网络图像补全方法 | |
CN114155481A (zh) | 一种基于语义分割的非结构化田间道路场景识别方法及装置 | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN111178312B (zh) | 基于多任务特征学习网络的人脸表情识别方法 | |
CN113239954A (zh) | 基于注意力机制的图像语义分割特征融合方法 | |
CN110807485B (zh) | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 | |
CN113516053B (zh) | 一种具有旋转不变性的舰船目标精细化检测方法 | |
CN109829924A (zh) | 一种基于主体特征分析的图像质量评价方法 | |
CN115131680A (zh) | 基于深度可分离卷积和跳跃连接的遥感影像水体提取方法 | |
CN100375124C (zh) | 一种骨架化物体重建方法 | |
CN106372597A (zh) | 基于自适应上下文信息的cnn交通检测方法 | |
CN116343053B (zh) | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 | |
CN110598564A (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
CN114882524A (zh) | 一种基于全卷积神经网络的单目三维手势估计方法 | |
CN112598684A (zh) | 一种基于语义分割技术的露天矿区地物分割方法 | |
CN112257496A (zh) | 一种基于深度学习的输电通道周围环境分类方法及*** | |
CN104036294A (zh) | 基于光谱标记的多光谱遥感图像自适应分类方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220121 |
|
WD01 | Invention patent application deemed withdrawn after publication |