(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 202210286213.X (22)申请日 2022.03.23 (65)同一申请的已公布的文献号 申请公布号 CN 114387523 A (43)申请公布日 2022.04.22 (73)专利权人 成都理工大 学 地址 610051 四川省成 都市二仙桥 东三路1 号 (72)发明人 杨斯涵　 (74)专利代理 机构 北京市领专知识产权代理有 限公司 1 1590 专利代理师 潘镜如 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) 审查员 高婕 (54)发明名称 基于DCNN边界引导的遥感图像建筑物提取 方法 (57)摘要 本发明涉及基于DCNN边界引导的遥感图像 建筑物提取方法， 包括步骤： 获取遥感图像， 使用 编码器对遥感图像进行特征提取， 从而得到多张 特征图， 编码器为主干子网络； 使用解码器从多 张特征图中检测建筑物边界特征和估计建筑物 掩膜特征， 所述解码器包括边界子网络、 掩膜子 网络； 使用解码器将建筑物边界特征和建筑物掩 膜特征进行融合， 最终获取建筑物提取结果， 编 码器还包括细化子网络。 本发明从边界子网络中 检测建筑物 边界特征， 同时从掩膜子网络中估计 建筑物掩膜特征； 为了利用建筑物 边界特征和建 筑物掩膜特征之间的语义相关性， 进一步通过细 化子网络利用它们之间的互补信息， 生成在建筑 物边界处具有强烈响应的最终建 筑物提取 结果。 权利要求书3页 说明书14页 附图10页 CN 114387523 B 2022.06.03 CN 114387523 B 1.基于DCN N边界引导的遥感图像建筑物提取 方法， 其特 征在于： 包括以下步骤： 步骤S1， 获取遥感图像， 使用编码器对遥感图像进行特征提取， 从而得到多张特征图， 所述编码器为主干 子网络； 所述获取遥感图像， 使用编码器对遥感图像进行特征提取， 从而得到多张特征图的步 骤， 包括： 使用主干子网络对输入遥感图像进行特征提取， 从而 获得五张特征图， 分别为F1、 F2、 F3、 F4、 F5， 且尺度分别为遥感图像的1/2、 1/4、 1/8、 1/16、 1/16， 其中特征图F2、 F3为低级特 征图， F4、 F5为高级特 征图， 特征图F1不直接用于后续编码器中； 步骤S2， 使用解码器从多张特征图中检测建筑物边界特征和估计建筑物掩膜特征， 所 述解码器包括 边界子网络、 掩膜子网络； 使用解码器从多张特 征图中检测建筑物边界特 征的步骤， 包括： 将特征图F2、 F3分别输入边界子网络的第一卷积层、 第二卷积层， 分别生成特征图F`2、 F `3； 对特征图F`3进行两倍上采样， 使得能够匹配特 征图F`2的分辨率； 将匹配后的特征图F`2、 F`3堆叠在一起， 输入边界子网络的第三卷积层， 从而获得变换 后的边界特 征图FB； 将边界特征图FB输入边界子网络的第四卷积层， 生成建筑物边界的得分图， 用于监督建 筑物边界特 征的学习过程； 使用基于二进制交叉熵的损 失函数训练边界子网络， 从而获得建筑物边界特征， 损 失 函数定义 为： 其中， 为输入样本， 即遥感图像， i表示输入样本的编号， i=1,2,...,N， 其中N为输入 样本总个数； 为样本标签， 当 时表示输出为建筑物边界像素， 当 时表示输出为非建筑物边界像素； 为样本预测值， 即建筑物边界预测 图， W、 b为在训练过程中学习的参数； 表示建筑物边界样本标签B中的边界像素集合， 表示建筑物边界样本标签B中的非边界像素集合； 为类平衡参数， 用于处理边界像素数和 非边界像素 数的不平衡现象， ， ； 使用解码器从多张特 征图中提取建筑物掩膜特 征的步骤， 包括： 将特征图F4输入掩膜子网络的第一并行空洞卷积和全局平均池化模块， 得到特征图 F4*， 再将特征图F4*输入掩膜子网络的第一卷积层， 得到特 征图F`4； 将特征图F5输入掩膜子网络的第二并行空洞卷积和全局平均池化模块， 得到特征图 F5*， 再将特征图F5*输入掩膜子网络的第二卷积层， 得到特 征图F`5； 所述第一并行空洞卷积和全局平均池化模块、 第 二并行空洞卷积和全局平均池化模块权　利　要　求　书 1/3 页 2 CN 114387523 B 2均由全局平均池化层和4个不同空洞率的空洞卷积层组成， 4个空洞卷积层的空洞率分别为 1、 3、 5、 7； 使用特征图F`4、 F`5计算掩膜子网络输出的损失， 从而得到建筑物掩膜特征， 损失函数 的计算公式为： 其中， 为输入样本， 即遥感图像； 为样本标签， 当 时表示输出为 建筑物像素， 当 时表示输出为背景像素； 为样本预测值， 即建筑物掩 膜预测图， 、 为在训练过程 中学习的参数； 表示建筑物样本标签M中的建筑物像 素集合， 表示建筑物样本标签M中的背景像 素集合； 为类平衡参数， 用于处理建筑物像 素数和背景像素 数的不平衡现象， ， ； 步骤S3， 使用解码器将建筑物边界特征和建筑物掩膜特征进行融合， 最终获取建筑物 提取结果， 所述编码器还 包括细化子网络； 所述使用解码器将建筑物边界特 征和建筑物掩膜特 征进行融合的步骤， 包括： 对特征图F`5进行四倍上采样， 使得能够匹配边界特征图FB； 将匹配后的特征图FB、 F`5堆 叠在一起后， 输入细化子网络的第一并行空洞 卷积和全局平均池化模块， 得到特征图F5**； 将特征图F5**输入细化子网络的第一卷积层， 得到特 征图F``5； 对特征图F`4进行四倍上采样， 使得能够匹配边界特征图FB； 将匹配后的特征图FB、 F`4堆 叠在一起后， 输入细化子网络的第二并行空洞 卷积和全局平均池化模块， 得到特征图F4**； 将特征图F4**输入细化子网络的第二卷积层， 得到特 征图F``4； 在特征图F``4， F``5的训练过程中采用了深度监 督， 损失函数的计算公式如下： 其中， 为输入样本， 即遥感图像； 为样本标签， 当 时表示输出为 建筑物像素， 当 时表示输出为背景像素； 为样本预测值， 即建筑物掩 膜预测图， 、 为在训练过程中学习的参数；权　利　要　求　书 2/3 页 3 CN 114387523 B 3