建筑物是城市環(huán)境中的主要地物類型,從高分影像等數(shù)據(jù)中自動(dòng)提取建筑物對(duì)于提升土地利用變化檢測(cè)、城市規(guī)劃與土地執(zhí)法等業(yè)務(wù)的質(zhì)量與效率具有重要意義。本文針對(duì)現(xiàn)有建筑物提取方法存在的邊界提取不精確的問(wèn)題以及采用手工特征表達(dá)圖像信息的局限性,融合LiDAR數(shù)據(jù)與高分影像兩種數(shù)據(jù)源的特征信息,提出一種基于SegNet語(yǔ)義模型的建筑物提取新方法。首先,對(duì)LiDAR數(shù)據(jù)預(yù)處理得到數(shù)字表面模型（DSM）、數(shù)字地形模型（DTM）、歸一化數(shù)字表面模型（nDSM）,利用高分影像NDVI值去除n DSM中部分樹(shù)木點(diǎn),得到結(jié)果影像nDSM_en;其次,分別獲取LiDAR數(shù)據(jù)回波強(qiáng)度、表面曲率以及高分影像NDVI值3個(gè)特征構(gòu)建特征圖像訓(xùn)練SegNet語(yǔ)義模型,利用訓(xùn)練得到的模型完成建筑物初始提取;最后,采用閾值法分割nDSM_en得到影像對(duì)象,利用影像對(duì)象約束建筑物初始提取結(jié)果,完成建筑物精提取。在以ISPRS官方提供的標(biāo)準(zhǔn)數(shù)據(jù)集（數(shù)據(jù)采集的地理區(qū)域?yàn)榈聡?guó)Vaihingen,采集時(shí)間2008年7—8月）為樣本的實(shí)驗(yàn)中,本文方法在像素層次的平均查全率、平均查準(zhǔn)率和提取質(zhì)量分別為... 

【文章來(lái)源】：地球信息科學(xué)學(xué)報(bào). 2020,22(08)北大核心

【文章頁(yè)數(shù)】：12 頁(yè)

【部分圖文】：

建筑物提取流程

本文在選取訓(xùn)練樣本時(shí)，選取建筑物分布較多、建筑物類型較多的區(qū)域，從而使樣本集具有代表性，避免因數(shù)據(jù)集選取的問(wèn)題而出現(xiàn)的過(guò)擬合現(xiàn)象，提高分類模型的泛化能力。有很多研究表明，訓(xùn)練數(shù)據(jù)集正負(fù)樣本的相對(duì)數(shù)量對(duì)基于深度學(xué)習(xí)的二分類模型有較大影響，平衡的數(shù)據(jù)集對(duì)語(yǔ)義分割模型的分類精度有較大提升[25-26]。實(shí)際情況下，平衡的正負(fù)樣本數(shù)據(jù)很難直接獲取，因此本文采用將少數(shù)類樣本進(jìn)行擴(kuò)充的策略來(lái)增加數(shù)據(jù)量，從而解決正負(fù)樣本不平衡的問(wèn)題。基于前面得到的回波強(qiáng)度、表面曲率與NDVI3個(gè)特征構(gòu)建特征圖像，作為SegNet語(yǔ)義模型訓(xùn)練的輸入數(shù)據(jù)。由于計(jì)算機(jī)軟硬件的限制，不能直接將構(gòu)建的特征圖像輸入模型訓(xùn)練，需要先對(duì)其切割得到子圖像，然后再輸入模型。同時(shí)由于人工標(biāo)記的訓(xùn)練樣本集數(shù)據(jù)量較少，需采用鏡像、旋轉(zhuǎn)、添加噪聲等操作對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充。實(shí)驗(yàn)表明，在模型訓(xùn)練過(guò)程中，當(dāng)輸入模型的圖像切割尺寸過(guò)小時(shí)，會(huì)破壞建筑物的空間結(jié)構(gòu)特征，降低建筑物提取精度；當(dāng)切割尺寸過(guò)大時(shí)，雖然能保存建筑物的空間結(jié)構(gòu)特征，但需要消耗大量的存儲(chǔ)空間以及訓(xùn)練時(shí)間。綜合考慮以上2個(gè)因素，過(guò)小或過(guò)大的切割特征圖像都不利于模型訓(xùn)練。本文通過(guò)實(shí)驗(yàn)確定的最優(yōu)切割尺寸為256像素×256像素。訓(xùn)練數(shù)據(jù)處理完成后，進(jìn)行SegNet語(yǔ)義模型訓(xùn)練，利用訓(xùn)練得到的模型完成建筑物初始提取。

為了定量地評(píng)價(jià)本文所提方法，并與其他方法進(jìn)行對(duì)比，本文采用ISPRS官方提供的查全率（Completeness）、查準(zhǔn)率（Correctness）、質(zhì)量（Quality)3個(gè)指標(biāo)進(jìn)行評(píng)價(jià)。該評(píng)價(jià)方法包括3個(gè)層次：基于像素（per-area）、基于對(duì)象（per-object）與基于對(duì)象（per-object>50 m2）。分類結(jié)果混淆矩陣如表1所示。圖4 ISPRS Vaihingen訓(xùn)練數(shù)據(jù)集

【參考文獻(xiàn)】：
期刊論文
[1]基于全卷積神經(jīng)網(wǎng)絡(luò)的建筑物屋頂自動(dòng)提取[J]. 劉文濤,李世華,覃馭楚.  地球信息科學(xué)學(xué)報(bào). 2018(11)
[2]融合LiDAR點(diǎn)云與正射影像的建筑物圖割優(yōu)化提取方法[J]. 杜守基,鄒崢嶸,張?jiān)粕?何雪,王競(jìng)雪.  測(cè)繪學(xué)報(bào). 2018(04)
[3]一種改進(jìn)頂帽變換與LBP高程紋理的城區(qū)建筑物提取算法[J]. 何曼蕓,程英蕾,邱浪波,趙中陽(yáng).  測(cè)繪學(xué)報(bào). 2017(09)
[4]地震后機(jī)載LiDAR點(diǎn)云的地物區(qū)分方法研究[J]. 王金霞,竇愛(ài)霞,王曉青,黃樹(shù)松,張雪華.  震災(zāi)防御技術(shù). 2017(03)
[5]利用機(jī)載LiDAR數(shù)據(jù)和高分辨率圖像提取復(fù)雜城區(qū)建筑物[J]. 王雪,李培軍,姜莎莎,劉婧,宋本欽.  國(guó)土資源遙感. 2016(02)
[6]基于圖分割的高分辨率遙感影像建筑物變化檢測(cè)研究[J]. 施文灶,毛政元.  地球信息科學(xué)學(xué)報(bào). 2016(03)
[7]LiDAR輔助下利用超高分辨率影像提取建筑物輪廓方法[J]. 程亮,龔健雅.  測(cè)繪學(xué)報(bào). 2008(03)
[8]基于邊緣檢測(cè)算法的LiDAR數(shù)據(jù)建筑物提取[J]. 崔建軍,隋立春,徐花芝,趙旦.  測(cè)繪科學(xué)技術(shù)學(xué)報(bào). 2008(02)



本文編號(hào)：3054333