(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210213409.6 (22)申请日 2022.03.04 (71)申请人 深圳市规划 和自然资源数据管理中 心 地址 518000 广东省深圳市福田区香蜜湖 街道红荔西路8007号土地房产交易大 厦2楼 申请人 中国地质大 学 （武汉） (72)发明人 徐永洋　王海涛　胡安娜　陈思琼　 谢忠　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 魏波 (51)Int.Cl. G06V 20/13(2022.01)G06V 10/44(2022.01) G06V 10/26(2022.01) G06V 10/20(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/29(2019.01) (54)发明名称 一种顾及角点特征的边缘建筑物提取方法 及系统 (57)摘要 本发明提出了一种顾及角 点特征的边缘建 筑物提取方法及系统， 该方法融合了深度学习特 征学习方法和计算机图形学方法， 对复杂地物场 景下的遥感影像数据进行了端对端的边缘轮廓 细化建筑物提取； 通过引入边缘锐化模型， 改进 了深度学习特征学习方法中提取建筑物轮廓模 糊不清的情况， 以计算机图形学中渲染的思想， 使用细分策略高效的计算高分辨率分割图， 提高 了建筑物 边缘的图像分割效果， 使其在复杂地物 场景下的建筑物边缘提取中有更好的表现。 本发 明的有益效果为： 与现有边缘建筑物 提取研究方 法相比， 本发 明显著的提高了建筑物 边缘细节特 征的处理能力， 保证了建筑物 边缘数据提取的客 观性与真实性。 权利要求书3页 说明书8页 附图4页 CN 114708513 A 2022.07.05 CN 114708513 A 1.一种顾及角点特 征的边缘建筑物提取 方法， 其特 征在于， 包括以下步骤： S1、 对获取的原 始遥感图像数据进行 特征提取操作， 得到 遥感图像的特 征图P； S2、 对特征图P设置不同尺度与形状的多个锚框， 每 个锚框对应一个 检测实物； S3、 通过卷积神经网络对步骤S2处理得到的带有锚框的遥感图像特征图数据进行处 理， 然后经 过二分类 器进行选择， 得到 遥感图像特 征图中的有效锚框； S4、 采用卷积神经网络和线性 回归变换方法对步骤S2处理得到的带有锚框的遥感图像 特征图数据进行处 理， 获取到锚框的偏移量； S5、 将步骤S3处理得到的有效锚框数据以及步骤S4处理得到的锚框偏移量信息输入至 卷积神经网络和全连接层进行处 理， 得到地物对象的类别以及目标检测框预测数据； S6、 利用步骤S5处理得到的地物对象类别和目标检测框预测数据， 使用线性插值算法 对步骤S1处 理得到的遥感图像的特 征图P进行裁切处 理， 得到新的特 征图； S7、 采用卷积神经网络以及全连接层对步骤S6处理得到的新的特征图进行处理， 得到 新的地物对象的类别以及新的目标检测框预测数据； S8、 将步骤S6处 理得到的新的特 征图输入至边 缘锐化模型， 得到地物对象的边 缘数据。 2.根据权利要求书1所述的顾及角点特征的边缘建筑物提取方法， 其特征在于， 步骤S1 中首先将原始遥感 图像重塑为固定大小的遥感图像， 然后经过卷积神经网络， 最终提取出 遥感影像数据中的地物特 征， 得到所述的遥感图像的特 征图P。 3.根据权利要求书1所述的顾及角点特征的边缘建筑物提取方法， 其特征在于， 步骤S3 中通过卷积神经网络对带有锚框的遥感图像特征图数据进行处理的过程为： 首先， 对带有 锚框的遥感图像特征图数据进 行卷积核 大小为1的卷积操作； 其次， 对卷积操作得到的结果 进行形状重塑， 按照行优先的顺序转换成1 ×N的张量， 其中N与遥感图像特征图数据量大小 相同， 并通过步骤S3中所述二分类器获取每一个锚框的二分类结果， 该二分类结果包括为 该锚框内包含地物和该锚框内不包含地物， 其中， 所述二分类器由Softmax函数实现， 所述 有效锚框即二分类结果中包 含地物的锚框 。 4.根据权利要求书1所述的顾及角点特征的边缘建筑物提取方法， 其特征在于， 步骤S4 中首先对带有锚框的遥感 图像特征图数据进行卷积核大小为1的卷积操作， 然后通过线性 变换， 得到以遥感图像数据特 征图锚框坐标为基的锚框坐标偏移量信息 。 5.根据权利要求书1所述的顾及角点特征的边缘建筑物提取方法， 其特征在于， 步骤S5 中所述的卷积神经网络处 理以及全连接层的选择和回归的具体步骤为： S51、 将步骤S3中二分类器选择得到的有效锚框以及步骤S4中所得的锚框偏移量信息 作为数据输入， 经 过卷积神经网络以及全连接层训练得到目标检测框尺寸和位置参数； S52、 利用步骤S51中处理得到的地物目标检测框的尺寸和位置信息， 对步骤S1处理得 到的遥感图像特征图P使用双线性插值算法进行图像裁切与形状重塑， 处理得到固定大小 的地物特 征图； S53、 通过卷积神经网络以及全连接层回归方法对步骤S52中处理得到的地物特征图进 行处理， 得到目标检测框预测数据； S54、 将步骤S52中处理得到的地物特征图， 输入至卷积神经网络、 全连接层计算以及 Softmax分类处理， 得到每个地物目标检测框内地物所属类别， 其中地物所属类别包括建筑 物与非建筑物。权　利　要　求　书 1/3 页 2 CN 114708513 A 26.根据权利要求书1所述的顾及角点特征的边缘建筑物提取方法， 其特征在于， 步骤 S3‑S5通过卷积神经网络模 型训练， 全连接层以及利用Softmax函数实现的二分类器进行数 据处理， 得到地物对象 的类别以及目标检测框预测数据， 其中， 卷积神经网络模 型训练时使 用交叉熵损失函数对参数进行 更新， 该交叉熵损失函数公式为： 其中Ncls为批量大小； Nreg为目标检测框数量； pi为目标检测框的预测分类概率； 为目 标检测框的真实分类， 目标检测框为正样本时 目标检测框为负样本时 ti为 目标检测框预测偏移量 参数化坐标； 为目标检测框真实偏移量 参数化坐标， 且： 其中， x,y,w,h为目标检测框的中心点坐标， 宽度以及高度； “·”表示目标检测框的预 测值，“·a”表示目标检测框的初始值， “·*”表示目标检测框的真实值； 其中 为分类运 算的损失函数， 具体公式为： 为全连接层回归运算 的损失函数， 表示在目标检测框为正样本时 才会进行损失计算， 具体公式为： 7.根据权利要求书1所述的顾及角点特征的边缘建筑物提取方法， 其特征在于， 步骤S8 中， 将步骤S6处理得到的裁切结果输入至边缘锐化模型， 得到地物对象的边缘数据的步骤 为： S81、 将步骤S6处理得到的新的特征图输入至全卷积网络， 以像素到像素的方式对分割 掩膜进行 预测； S82、 利用步骤S81处理得到的分割掩码预测结果， 在图像平面中自适应选择预测分割 标签的点， 使用双线性插值算法对步骤S81中得到的分割掩膜预测结果进 行上采样； 在上采 样网格中选取一定数量最不确定的像素点， 使用随机抽样法从均匀分布的像素点中随机抽权　利　要　求　书 2/3 页 3 CN 114708513 A 3