(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210387685.4 (22)申请日 2022.04.14 (65)同一申请的已公布的文献号 申请公布号 CN 114842333 A (43)申请公布日 2022.08.02 (73)专利权人 湖南盛鼎科技发展 有限责任公司 地址 410000 湖南省长 沙市芙蓉区万家丽 北路三段439号浏阳河畔家园5栋1306 房 (72)发明人 王怀採　李修庆　何青　孔令威　 蔡晓程　赵丽芝　 (74)专利代理 机构 长沙致为远航知识产权代理 事务所(普通 合伙) 43280 专利代理师 罗霞 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/13(2022.01) G06V 10/44(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113436210 A,2021.09.24 CN 102289678 A,201 1.12.21 CN 112183360 A,2021.01.0 5 WO 20210 31066 A1,2021.02.25 Chen R N,et al. .Spatial at tention network for road extracti on. 《IGARS S IEEE internati onal geoscience and remote sensing symposium》 .2020, 刘航 等.自适应感受野机制遥感图像分割 模型. 《中国图象图形 学报》 .2020, 审查员 冷凝 (54)发明名称 一种遥感影像 建筑物提取方法、 计算机设备 及存储介质 (57)摘要 本发明公开了一种遥感影像建筑物提取方 法、 计算机设备及存储介质， 该方法包括： 构建样 本数据集， 对样本数据集中的影像进行数据增强 处理； 构建改进的DeepLab  V3+模型， 该模型包 括 Xception模块、 SKASPP模块、 第一特征提取与采 样模块、 特征融合模块、 第二特征提取与采样模 块； 利用数据增强处理后的样 本数据集对改进的 DeepLab  V3+模型进行训练； 采用训练后的 DeepLab V3+模型进行建筑物提取， 输出建筑物 提取结果。 本发明提高了模型多尺度表达能力， 能够自动权衡浅层特征和深层特征， 提高了特征 提取准确度， 提高了边 缘特征检测性能。 权利要求书3页 说明书8页 附图3页 CN 114842333 B 2022.10.28 CN 114842333 B 1.一种遥感影 像建筑物提取 方法， 其特 征在于， 包括以下步骤： 获取建筑物的原始遥感影像， 对每张所述原始遥感影像进行标记得到该原始遥感影像 的标签图， 由所述原 始遥感影 像及其标签图构成样本数据集； 对所述样本数据集中每张原始遥感影像及其标签图进行数据增强处理， 得到新影像及 其新标签图； 构建DeepLab  V3+模型， 所述DeepLab  V3+模型包括Xception模块、 SKASPP模块、 第一特 征提取与采样模块、 特 征融合模块、 第二特 征提取与采样模块； 其中： 所述Xception模块用于对输入的每张影像进行特征提取， 得到尺寸为32 ×32×2048的 第一特征图以及尺寸 为128×128×128的第二特 征图； 所述SKASPP模块用于对所述第一特征图进行降维、 特征融合、 升维以及赋权重处理， 得 到尺寸为32×32×256的有效特 征图； 所述第一特征提取与采样模块用于对所述SKASPP模块输出的尺寸为32 ×32×256的有 效特征图进行特征提取， 得到尺寸为32 ×32×256的特征图， 对该32 ×32×256的特征图进 行上采样处 理， 得到尺寸 为128×128×256的有效特 征图； 所述特征融合模块用于对所述第一特征提取与采样模块输出的尺寸为128 ×128×256 的有效特征图与所述Xception模块输出的第二特征图进行特征融合， 得到尺 寸为128×128 ×256的有效特 征图； 所述第二特征提取与采样模块用于对所述特征融合模块输出的尺寸为128 ×128×256 的有效特征图进 行特征提取、 上采样处理以及输出维度变换 处理， 得到尺 寸为512×512×2 的建筑物预测概率图， 其中建筑物预测概率图的2个维度分别表示为建筑物的概率、 为 非建 筑物的概 率； 基于数据增强处理后的样本数据集， 采用损失函数对构建的DeepLab  V3+模型进行训 练， 得到训练好的De epLab V3+模型； 获取建筑物的遥感影像， 利用训练好的DeepLab  V3+模型对所述遥感影像进行建筑物 提取， 输出建筑物提取 结果； 利用所述SKAS PP模块进行降维、 特 征融合、 升维以及赋权 重处理的具体实现过程 为： 步骤3.21： 利用3 ×3卷积对进行所述第一特征图降维处理， 得到尺寸为32 ×32×256的 特征图； 步骤3.22： 对所述步骤3.21得到的尺寸为32 ×32×256的特征图分别进行1 ×1空洞卷 积且空洞率为1、 3 ×3空洞卷积且空洞率为6、 3 ×3空洞卷积且空洞率为 12、 3×3空洞卷积且 空洞率为18、 以及全局平均池化与上采样处 理， 得到5张尺寸均为32 ×32×256的特征图； 步骤3.23： 对所述步骤3.22得到的5张尺寸均为32 ×32×256的特征图采用add操作进 行特征融合， 得到一张尺寸 为32×32×256的特征图； 步骤3.24： 对所述步骤3.23得到 的一张尺寸为32 ×32×256的特征图进行全局平均池 化处理， 得到尺寸 为1×1×256的特征图； 步骤3.25： 对所述步骤3.24得到 的尺寸为1 ×1×256的特征图采用1×1卷积进行降维 处理， 得到尺寸 为1×1×32的特征图； 步骤3.26： 对所述步骤3.25得到 的尺寸为1 ×1×32的特征图采用5种 1×1卷积进行升 维处理， 得到5张尺寸均为1 ×1×256的特征图；权　利　要　求　书 1/3 页 2 CN 114842333 B 2步骤3.27： 利用激活函数为所述步骤3.26得到 的每张尺寸为1 ×1×256的特征图赋予 不同的权重， 将所述权重与对应的尺 寸为1×1×256的特征图相乘， 得到尺 寸均为32 ×32× 256的5张不同感受野的特 征图； 步骤3.28： 对所述步骤3.27得到的尺寸均为32 ×32×256的5张不同感受野的特征图采 用add操作进行 特征融合， 得到一张尺寸 为32×32×256的有效特 征图。 2.如权利要求1所述的遥感影像建筑物提取方法， 其特征在于， 所述数据增强处理的具 体实现过程 为： 步骤2.1： 对每张原始遥感影像进行色域变换， 色域变换先将RGB格式的原始遥感影像 转换成HSV格式， 然后对HSV格式遥感影像的色相值、 饱和度值和明度值进 行随机变换， 得到 HSV数据格式的遥感影像， 最后将HSV数据格式转换为RGB数据格式， 得到RGB数据格式的影 像； 步骤2.2： 对所述步骤2.1中RGB 数据格式的影像及其标签图进行镜像处理， 并对镜像处 理后的影 像进行缩放， 得到 512×512大小的影 像； 步骤2.3： 每次从所述步骤2.2得到 的512×512大小的影像中随机抽 取4张影像， 对该4 张影像中的每张影像随机裁剪出256 ×256区域， 由4个256 ×256区域拼接成一张512 ×512 大小的新影 像； 步骤2.4： 对每张新影像对应的原始遥感影像及其标签图进行所述步骤2.3的裁剪和拼 接处理， 得到新的原 始遥感影 像和新标签图， 确保新影 像与新标签图一 一对应。 3.如权利要求1所述的遥感影像建筑物提取方法， 其特征在于， 利用所述特征融合模块 进行特征融合的具体实现过程 为： 步骤3.31： 将所述第一特征提取与采样模块输出的尺寸为128 ×128×256的有效特征 图与所述第二特 征图通过co ncat融合方式进行融合， 得到融合后的深度特 征； 步骤3.32： 对所述步骤3.31融合后的深度特征采用1 ×1卷积进行降维处理， 得到尺寸 为128×128×1的特征图； 步骤3.33： 将所述步骤3.32得到的尺寸为128 ×128×1的特征图与所述步骤3.31融合 后的深度特 征相乘， 得到尺寸 为128×128×256的特征图； 步骤3.34： 对所述步骤3.31融合后的深度特征进行全局平均池化处理， 得到尺寸为1 × 1×256的特征图， 再利用1 ×1卷积对该尺寸为1×1×256的特征图进行升维和降维处理， 得 到1×1×256的特征图； 步骤3.35： 将所述步骤3.34得到的1 ×1×256的特征图与所述步骤3.31融合后的深度 特征相乘， 得到尺寸 为128×128×256的特征图； 步骤3.36： 对所述步骤3.33得到的尺寸为128 ×128×256的特征图与所述步骤3.35得 到的尺寸为128 ×128×256的特征图采用add操作进行特征融合， 得到尺寸为128 ×128× 25