建筑物作为人类生产生活的重要场所,其轮廓线的精确提取能为城市空间规划、建筑物三维模型建立以及地图制图等应用提供可靠的数据支撑。传统提取轮廓方法采用目视解译或通过计算辅助半自动化提取,提取过程中具有较多约束条件,耗时耗力,较难获取图像高层次的特征信息。此外,现阶段已有研究主要顾及建筑物外部轮廓线,对建筑物内部轮廓线考虑较少。近年来,深度学习取得快速发展,因其具有强大的特征学习能力,在图像分割、目标识别等领域取得了诸多突破性的成果。当前,深度学习的建筑物轮廓提取技术路径是先对建筑物的角点、边缘分开检测或者通过分割再对边缘细化来实现建筑物轮廓提取,而端到端的建筑物轮廓提取网络尚未见文献报道。为此,对室内线框解析网络LCNN进行深入研究,并在此基础上改进残差模块以增强网络的特征学习能力,引入Hough变换模块以进一步提高建筑物轮廓检测精度,本文提出一种端到端的遥感影像建筑物轮廓提取方法。主要研究内容如下:(1)基于堆叠沙漏网络对残差模块及网络结构的上采样进行改进。首先,采用多残差堆叠沙漏网络提取建筑物角点和边缘特征,然后利用角点检测匹配相应角点位置获取候选角点坐标,再通过线段采样生成候选轮廓线,最后线验证模块利用候选线段与主干网络提取的特征图联合训练,验证每个线段是否为建筑物轮廓线,提取过程是端到端的。通过实验并进行指标评价,结果表明,本文方法提高了建筑物角点和边缘的精度。(2)融入Hough变换获得建筑物轮廓先验知识。首先,将特征图变换到霍夫空间上并进行二值图标记,再经过卷积操作后返回到图像空间得到边缘信息,同时与多残差堆叠沙漏网络结构获得的局部特征相结合进行训练。在建筑物数据集上进行验证,实验结果表明加入Hough变换能够减少对数据量的依赖,提高数据效率,同时这种全局与局部特征结合的训练能够提高精度。(3)分析网络模型中各个模块对建筑物轮廓提取性能的影响,从以下几个方面展开实验分析:改进残差模块和Hough变换对建筑物轮廓提取精度的影响;Lo I Pooling模块中线段采样点个数对建筑物轮廓提取精度的影响;线段采样方式对建筑物轮廓提取的影响;在网络模型加入Hough变换的情况下,不同训练数据量对建筑物轮廓提取精度的影响。
暂无评论