文章目录

1 引言

2 研究方法

2.1 PRCUnet网络模型

    2.1.1 卷积块注意力模块

    2.1.2 残差模块

    2.1.3 多尺度语义特征解析

2.2 建筑物轮廓优化

    2.2.1 基于最小外接矩形的局部笛卡尔坐标系

    2.2.2 建筑物轮廓区域的划分

    2.2.3 基于Hausdorff距离的建筑物轮廓规整

    2.2.4 基于道格拉斯-普克法的建筑物轮廓简化

3 实验结果与分析

3.1 数据集及实验环境设置

3.2 提取性能指标

3.3 PRCUnet提取结果分析

3.4 建筑物轮廓优化结果分析

3.5 建筑物提取结果与优化效果评价

4 结论

文章摘要:基于高分辨率遥感影像的建筑物提取具有重要的理论与实际应用价值,深度学习因其优异的深层特征提取能力,已经成为高分影像提取建筑物的主流方法之一。本文在改进深度学习网络结构的基础上,结合最小外接矩形与Hausdorff距离概念,对建筑物提取方法进行改进。本文主要改进内容为:（1）基于Unet网络结构,利用金字塔池化模块（Pyramid Pooling Module, PPM）的多尺度场景解析特点,残差模块（Residual Block, RB）的特征提取能力以及卷积块注意力模块（Convolutional Block Attention Module, CBAM）对空间信息和通道信息的平衡能力。将金字塔池化、残差结构以及卷积块注意力模块引入到Unet模型中,建立PRCUnet模型。PRCUnet模型更关注语义信息和细节信息,弥补Unet对小目标检测的欠缺;（2）基于最小外接矩形与Hausdorff距离,改进建筑物轮廓优化算法,提高模型的泛化能力。实验表明,本文的建筑物提取方法在测试集上准确率、IoU、召回率均达到0.85以上,精度显著优于Unet模型,提取出的建筑物精度更高,对小尺度及不规则的建筑物有较好的提取效果,优化后的建筑物轮廓更接近真实的建筑物边界。

文章关键词:

项目基金: