本發(fā)明涉及遙感影像處理，尤其涉及基于深度學(xué)習(xí)的遙感影像高層建筑物基底矢量提取方法。

背景技術(shù)：

1、遙感影像中建筑物的自動(dòng)提取一直是城市規(guī)劃、通信資源配置、國土空間檢測、基礎(chǔ)地理信息更新以及城市三維實(shí)景建設(shè)等領(lǐng)域的重要研究課題，這一領(lǐng)域具有廣泛的應(yīng)用前景，隨著城市中高層建筑的數(shù)量不斷增加，通過航空和航天平臺(tái)獲取的遙感影像常常出現(xiàn)投影偏差，特別是在高層建筑物的影像上表現(xiàn)尤為顯著，由于這種偏差依靠提取建筑物屋頂輪廓并將其作為矢量數(shù)據(jù)，會(huì)導(dǎo)致位置精度不高，相比之下，高層建筑物的基底輪廓能夠更準(zhǔn)確地表示建筑物的實(shí)際位置。

2、傳統(tǒng)的提取方法通常依賴于人工目視解譯影像，通過手動(dòng)勾繪屋頂?shù)氖噶枯喞?，再根?jù)經(jīng)驗(yàn)和測量修正投影偏差，確定建筑物的實(shí)際基底位置，這種方法不僅效率低下，而且由于依賴于人工操作，生產(chǎn)速度慢，且精度和現(xiàn)勢性難以滿足快速發(fā)展的社會(huì)需求和大規(guī)模數(shù)據(jù)處理的要求；傳統(tǒng)建筑物提取方法通常利用建筑物的像素、形狀和光譜特征作為判斷依據(jù)，在某些情況下這些方法可以奏效，但其受限于季節(jié)、光照、影像尺度、建筑物形狀等多種因素，表現(xiàn)出較差的特征表征能力，只能在特定環(huán)境下有效。

3、隨著深度學(xué)習(xí)技術(shù)的迅速發(fā)展，基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法在建筑物目標(biāo)檢測和圖像分類方面得到了廣泛應(yīng)用，現(xiàn)有基于深度學(xué)習(xí)的遙感影像解譯方法大多集中于建筑物屋頂輪廓的提取，由于遙感影像獲取方式的局限性、影像分辨率的變化、高層建筑物形狀的復(fù)雜性，以及建筑物陰影和遮擋等因素，自動(dòng)提取高層建筑物基底矢量仍然面臨巨大挑戰(zhàn)。

4、因此，如何提供基于深度學(xué)習(xí)的遙感影像高層建筑物基底矢量提取方法是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的一個(gè)目的在于提出基于深度學(xué)習(xí)的遙感影像高層建筑物基底矢量提取方法，本發(fā)明通過引入自適應(yīng)多尺度頻域增強(qiáng)算法、動(dòng)態(tài)上下文融合的雙路徑u-net模型以及基于曲率優(yōu)化的矢量化算法，詳細(xì)描述了從遙感影像中自動(dòng)提取和優(yōu)化建筑物基底的全過程，具備處理精度高、自動(dòng)化程度高以及適應(yīng)性強(qiáng)的優(yōu)點(diǎn)。

2、根據(jù)本發(fā)明實(shí)施例的基于深度學(xué)習(xí)的遙感影像高層建筑物基底矢量提取方法，包括如下步驟：

3、s1、獲取遙感影像數(shù)據(jù)，采用自適應(yīng)多尺度頻域增強(qiáng)算法，在頻域中對影像進(jìn)行多尺度處理，突出建筑物的邊緣和細(xì)節(jié)特征；

4、s2、基于預(yù)處理后的影像數(shù)據(jù)，進(jìn)行高層建筑物樣本集的自動(dòng)標(biāo)注，生成標(biāo)注后的訓(xùn)練數(shù)據(jù)，并對其進(jìn)行數(shù)據(jù)擴(kuò)充處理；

5、s3、以框架為基礎(chǔ)，采用特征提取骨干網(wǎng)，構(gòu)建具有動(dòng)態(tài)上下文融合的雙路徑模型；

6、s4、使用雙路徑模型對輸入影像進(jìn)行特征提取，通過全局路徑捕捉建筑物的大尺度特征，局部路徑捕捉建筑物的邊緣細(xì)節(jié)，基于提取的建筑物頂部輪廓，結(jié)合高度信息，通過幾何推導(dǎo)計(jì)算出建筑物基底的初步位置，并利用動(dòng)態(tài)上下文融合機(jī)制，將大尺度特征與邊緣細(xì)節(jié)信息相結(jié)合，生成建筑物基底特征圖；

7、s5、基于融合后的建筑物基底特征圖，進(jìn)行多階段的邊界精細(xì)化和分割，識(shí)別和細(xì)化建筑物的邊界，尤其是在被陰影覆蓋和形狀復(fù)雜的區(qū)域，通過調(diào)整邊界段的連接點(diǎn)，并迭代修正建筑物幾何形狀；

8、s6、對分割結(jié)果進(jìn)行處理，優(yōu)化建筑物基底的輪廓，去除不必要的細(xì)節(jié)，改善整體邊界的平滑度和一致性，形成建筑物基底的二值化圖像；

9、s7、通過基于曲率優(yōu)化的矢量化算法，將建筑物基底的二值化圖像轉(zhuǎn)換為矢量數(shù)據(jù)，并進(jìn)行多級(jí)別矢量優(yōu)化，并調(diào)整矢量數(shù)據(jù)的結(jié)構(gòu)，使其適用于不同尺度的分析與應(yīng)用，最終生成建筑物基底的矢量數(shù)據(jù)。

10、可選的，所述s1具體包括：

11、s11、獲取遙感影像數(shù)據(jù)，所述影像數(shù)據(jù)包含多光譜、全色波段的衛(wèi)星影像和航拍影像，并將其轉(zhuǎn)換到頻域，進(jìn)行多尺度分析；

12、s12、對轉(zhuǎn)換到頻域的影像數(shù)據(jù)進(jìn)行多尺度分解，采用多分辨率子帶分解算法，將影像數(shù)據(jù)分解為不同分辨率和頻率的子帶，每個(gè)子帶包含不同尺度下的頻域信息，其中低頻分量保留全局特征，高頻分量反映建筑物的邊緣和細(xì)節(jié)特征：

13、；

14、其中，是子帶系數(shù)，是對應(yīng)的子帶基函數(shù)；

15、s13、在不同尺度下，對高頻分量進(jìn)行自適應(yīng)增強(qiáng)處理，通過自適應(yīng)增強(qiáng)函數(shù)根據(jù)局部圖像特征自適應(yīng)地調(diào)整高頻分量的強(qiáng)度，突出建筑物的邊緣和細(xì)節(jié)：

16、；

17、其中，和是根據(jù)不同尺度自適應(yīng)調(diào)整的參數(shù)；

18、s14、在每個(gè)尺度上，將增強(qiáng)后的高頻分量與低頻分量重新組合，生成增強(qiáng)后的影像數(shù)據(jù)；

19、s15、將每個(gè)尺度的增強(qiáng)影像數(shù)據(jù)從頻域轉(zhuǎn)換回空間域，進(jìn)行多尺度融合，生成綜合后的多尺度增強(qiáng)遙感影像數(shù)據(jù)。

20、可選的，所述s2具體包括：

21、s21、獲取經(jīng)過多尺度頻域增強(qiáng)處理后的遙感影像數(shù)據(jù)，該影像數(shù)據(jù)包含建筑物的邊緣和細(xì)節(jié)特征；

22、s22、在影像數(shù)據(jù)上，對建筑物的樣本集數(shù)據(jù)進(jìn)行光譜特征分析，提取各個(gè)波段的光譜信息，并基于分析結(jié)果對建筑物樣本的屬性進(jìn)行標(biāo)注，生成建筑物的光譜特征標(biāo)注數(shù)據(jù)，包括建筑物頂部輪廓和其他相關(guān)屬性信息：

23、；

24、其中，是對應(yīng)波段的權(quán)重，表示在波段上的影像數(shù)據(jù)，表示波段的總數(shù)；

25、s23、基于光譜特征標(biāo)注數(shù)據(jù)，提取建筑物的頂部輪廓信息?，該頂部輪廓信息通過對光譜特征數(shù)據(jù)的分析和邊緣檢測獲得；

26、s24、將標(biāo)注得到的建筑物光譜特征數(shù)據(jù)與對應(yīng)的影像數(shù)據(jù)結(jié)合，形成初步標(biāo)注的訓(xùn)練數(shù)據(jù)集：

27、；

28、其中，表示數(shù)據(jù)樣本的索引，為初步標(biāo)注的樣本數(shù)量；

29、s25、對初步標(biāo)注的訓(xùn)練數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)充處理，采用基于生成對抗網(wǎng)絡(luò)的數(shù)據(jù)擴(kuò)充方法，生成多樣化的訓(xùn)練樣本，擴(kuò)充后的訓(xùn)練數(shù)據(jù)集表示為，并用于模型訓(xùn)練：

30、；

31、其中，為經(jīng)過擴(kuò)充操作后的坐標(biāo)，為擴(kuò)充后的樣本數(shù)量。

32、可選的，所述s4具體包括：

33、s41、將經(jīng)過數(shù)據(jù)擴(kuò)充處理的訓(xùn)練影像數(shù)據(jù)集輸入到雙路徑u-net模型中，其中每個(gè)影像數(shù)據(jù)樣本作為模型的輸入，全局路徑和局部路徑同時(shí)接收輸入影像數(shù)據(jù)；

34、s42、通過全局路徑對輸入影像數(shù)據(jù)進(jìn)行大尺度特征提取，全局路徑通過一系列卷積層和激活函數(shù)，捕捉建筑物的整體結(jié)構(gòu)特征，生成大尺度特征圖；

35、s43、通過局部路徑對輸入影像數(shù)據(jù)進(jìn)行邊緣細(xì)節(jié)特征提取，局部路徑通過感受野和卷積操作，提取建筑物的邊緣細(xì)節(jié)，生成邊緣細(xì)節(jié)特征圖；

36、s44、基于提取的建筑物頂部輪廓和光譜特征數(shù)據(jù)?，結(jié)合建筑物的高度信息，通過幾何推導(dǎo)和光譜特征相關(guān)性分析計(jì)算建筑物基底的初步位置：

37、；

38、其中，是高斯核函數(shù)，用于平滑高度信息與光譜特征之間的映射關(guān)系，和分別表示高度信息的偏導(dǎo)數(shù)，是光譜特征的模長；

39、利用動(dòng)態(tài)上下文融合機(jī)制，將全局路徑生成的大尺度特征圖和局部路徑生成的邊緣細(xì)節(jié)特征圖相結(jié)合，生成融合特征圖：

40、；

41、其中，和為動(dòng)態(tài)上下文融合機(jī)制的自適應(yīng)權(quán)重系數(shù)，為控制全局和局部特征之間空間相關(guān)性的尺度參數(shù)，為融合時(shí)考慮的空間位置坐標(biāo)；

42、s45、將生成的融合特征圖輸入到自適應(yīng)多尺度聚合網(wǎng)絡(luò)中，該網(wǎng)絡(luò)通過自適應(yīng)地聚合不同尺度的特征，對建筑物的多尺度特征進(jìn)行非線性組合，最終輸出建筑物基底特征圖。

43、可選的，所述s5具體包括：

44、s51、在融合特征圖上，通過計(jì)算梯度信息，識(shí)別建筑物的初步邊界，梯度計(jì)算的結(jié)果用于定位潛在的邊界點(diǎn)，生成初步邊界圖；

45、s52、對初步生成的建筑物邊界圖進(jìn)行細(xì)化，通過迭代修正邊界點(diǎn)的位置生成細(xì)化后的邊界圖，在每次迭代中，根據(jù)局部幾何特征調(diào)整邊界點(diǎn)的位置，描述實(shí)際建筑物的輪廓：

46、；

47、其中，為調(diào)整系數(shù)，表示邊界點(diǎn)的修正向量；

48、s53、識(shí)別細(xì)化后的邊界圖上的關(guān)鍵邊界段，調(diào)整關(guān)鍵邊界段的連接點(diǎn)：

49、；

50、其中，為調(diào)整后的邊界點(diǎn)坐標(biāo)，表示歐氏距離度量，為調(diào)整前的邊界點(diǎn)；

51、s54、對調(diào)整后的邊界段進(jìn)行幾何形狀的迭代修正，采用自適應(yīng)邊界優(yōu)化算法，根據(jù)邊界的局部幾何特征，自適應(yīng)調(diào)整邊界段的形狀，通過多次優(yōu)化，生成建筑物幾何形狀；

52、s55、經(jīng)過邊界識(shí)別、細(xì)化、調(diào)整和優(yōu)化后，生成最終的建筑物邊界圖。

53、可選的，所述s6具體包括：

54、s61、將經(jīng)過細(xì)化和調(diào)整后的建筑物邊界圖轉(zhuǎn)換為二值化圖像，其中像素值為表示建筑物邊界，像素值為表示背景；

55、s62、對二值化圖像進(jìn)行形態(tài)學(xué)處理，去除孤立的噪聲點(diǎn)和填補(bǔ)邊界中的小空隙，形態(tài)學(xué)處理包括腐蝕和膨脹操作，生成處理后的圖像；

56、s63、對形態(tài)學(xué)處理后的圖像進(jìn)行邊緣平滑處理，采用基于自適應(yīng)邊緣融合的平滑算法，該算法根據(jù)邊界區(qū)域的紋理特征和鄰域信息，自適應(yīng)調(diào)整平滑強(qiáng)度，使邊界既能保持必要的細(xì)節(jié)，又能在復(fù)雜區(qū)域?qū)崿F(xiàn)平滑過渡：

57、；

58、其中，表示平滑處理后的圖像，表示形態(tài)學(xué)處理后的圖像，是自適應(yīng)權(quán)重函數(shù)；

59、s64、對平滑處理后的圖像進(jìn)行邊界優(yōu)化，通過調(diào)整邊界點(diǎn)的位置，優(yōu)化邊界的整體平滑性和幾何形狀的合理性，生成優(yōu)化后的邊界圖；

60、s65、建筑物邊界圖經(jīng)過形態(tài)學(xué)處理、平滑和邊界優(yōu)化后，生成最終的建筑物基底二值化圖像。

61、可選的，所述s7具體包括：

62、s71、將建筑物基底的二值化圖像輸入到矢量化算法中，對二值化圖像進(jìn)行邊緣跟蹤，生成初步的矢量邊界線：

63、；

64、其中，表示二值化圖像中屬于邊界的像素點(diǎn)，為參數(shù)，表示邊界線上的位置；

65、s72、對初步生成的矢量邊界線進(jìn)行曲率分析，通過計(jì)算每個(gè)矢量段的曲率，識(shí)別曲率區(qū)域，并對這些區(qū)域進(jìn)行平滑處理，生成優(yōu)化后的矢量邊界線：

66、；

67、其中，和為邊界線在位置的導(dǎo)數(shù)，和為二階導(dǎo)數(shù)；

68、s73、對優(yōu)化后的矢量邊界線進(jìn)行多級(jí)別矢量優(yōu)化，通過簡化冗余節(jié)點(diǎn)和調(diào)整線段的連接方式，生成適用于不同尺度分析的多級(jí)別矢量數(shù)據(jù)；

69、s74、對多級(jí)別優(yōu)化后的矢量數(shù)據(jù)進(jìn)行結(jié)構(gòu)調(diào)整，使其適用于不同應(yīng)用場景中的分析需求，調(diào)整包括優(yōu)化矢量數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)、連接性和幾何形狀，生成最終的矢量數(shù)據(jù)；

70、s75、將結(jié)構(gòu)調(diào)整后的矢量數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換和導(dǎo)出。

71、本發(fā)明的有益效果是：

72、本發(fā)明引入了自適應(yīng)多尺度頻域增強(qiáng)算法，這在遙感影像處理中有顯著的創(chuàng)新性，傳統(tǒng)的影像增強(qiáng)方法往往無法同時(shí)兼顧建筑物的細(xì)節(jié)和整體輪廓，而本發(fā)明通過在頻域中對影像進(jìn)行多尺度處理，有效地保留了建筑物的全局結(jié)構(gòu)特征，同時(shí)顯著增強(qiáng)了細(xì)節(jié)信息，特別是建筑物的邊緣，這創(chuàng)新使得本發(fā)明在處理復(fù)雜城市環(huán)境中的建筑物提取時(shí)，能夠應(yīng)對形態(tài)多樣、光照變化等挑戰(zhàn)，極大地提高了建筑物邊界識(shí)別的精度和魯棒性。

73、本發(fā)明構(gòu)建了動(dòng)態(tài)上下文融合的雙路徑u-net模型，與傳統(tǒng)的單路徑特征提取模型不同，本發(fā)明的雙路徑結(jié)構(gòu)能夠分別提取建筑物的全局大尺度特征和局部細(xì)節(jié)特征，通過動(dòng)態(tài)上下文融合機(jī)制，自適應(yīng)地調(diào)整這兩類特征的權(quán)重分配，生成更加準(zhǔn)確的建筑物基底特征圖，顯著提高了在密集建筑物和復(fù)雜城市場景下的建筑物基底提取精度，克服了傳統(tǒng)模型在處理多尺度信息時(shí)的局限性。

74、在建筑物基底的矢量化階段，本發(fā)明采用了基于曲率優(yōu)化的矢量化算法，通過對建筑物邊界曲率的分析和優(yōu)化，不僅平滑了邊界線，還通過多級(jí)別矢量優(yōu)化技術(shù)，確保生成的矢量數(shù)據(jù)能夠在不同尺度下保持高精度，這種曲率優(yōu)化方法解決了傳統(tǒng)矢量化技術(shù)在處理復(fù)雜邊界時(shí)精度不足的問題，生成的矢量數(shù)據(jù)更加精確和簡潔，適用于不同應(yīng)用場景中的分析需求。