一种基于深度学习方法的新增建设用地自动提取方法

摘要

本发明公开了一种基于深度学习方法的新增建设用地自动提取方法，该方法包括以下步骤：勾画新增建设用地标签；将遥感影像的位深拉伸至8位；对前后时期遥感影像数据和新增建设用地标签数据进行裁切处理；合成训练瓦片样本集合和测试瓦片样本集；构建网络模型；生成新增建设用地训练模型，并对其进行封装；得到栅格概率图；对新增建设用地区域进行伪图斑的去除；得到新增建设用地图斑。通过该方法，避免了针对不同新增建设用地场景选择不同的特征组合和设计不同的监测方法；实现了常规遥感信息提取与监测的技术手段与深度学习技术手段的融合，提升了正检率；方便了后续成果的分析与规范化整理。

说明书

技术领域

本发明涉及遥感技术领域，具体来说，涉及一种基于深度学习方法的新增建设用地自动提取方法。

背景技术

目前，我国城市化进程的快速推进，人均土地资源占有量少，人口的增长，工业化和城市化的扩张导致城对土地资源的需求依赖日益增加，与其供给不足的矛盾不断加剧，造成针对土地资源开发利用的监督与整治越来越困难。因此，快速发现建设用地、重点关注专题用地等类型的变化，支撑各级自然资源管理部门尽早发现违法用地情况并尽早整改，减少土地违法利用情况的发生，对维护社会的和谐与稳定具有重要意义。

传统的利用高分辨率遥感影像进行新增建设用地提取，主要依靠工作人员对前后两期高分辨率卫星遥感影像进行比对，确定地表覆盖变化发生的空间位置，通过主观经验知识判断其变化类别，勾绘成变化图斑，解译精度取决于解译人员的目视判读经验，且工作量庞大。为了缓解目视解译的压力，国内外研究人员研究形成了多种自动变化检测的相关技术方法，根据监测流程主要可分为两大类：利用波段组合和主成分变换等方法的分类前检测法和对两期影像进行专题分类然后获取变化信息的分类后比较法。卫星传感器技术的迅猛发展，可获得的影像空间分辨率，光谱分辨率和时间分辨渐渐提高，为提高自动化的检测程度，又陆续出现了包括面向对象、专家系统、机器学习等技术方法。但高空间分辨率数据中建设用地的光谱信息相对不充足，且建设用地往往与其他地物存在相互混杂的情况，例如被数据遮挡，内部存在绿化或人工道路等，导致建设用地本身的形状、色调等信息的损失，很难用对齐进行规范化描述，新增建设用地监测业务中前期遥感影像的地物类别更加丰富，给新增建设用地提取带来更大难度。传统的方法很大程度上依赖于工作人员的经验知识，随着卫星载荷与数据量的逐步增加，难以支撑爆发式增长的任务和需求，同时难以实现更大空间、更大尺度及连续动态监测的推广使用。

随着人工智能的不断发展，深度学习已经在语音识别、图像识别、和信息检索及信息提取等领域取得了成功，这一类模拟大脑学习过程的方法相比传统人工提取的方法具有更好的特征抽象性和鲁棒性，逐渐应用于高分辨率遥感影像上要素的快速、精确提取。目前常用于动态监测的是一种基于深度学习语义分割的遥感影像信息提取方法，将应用于语义分割任务的深度学习模型——全卷积深度学习网络，进行遥感影像的信息提取，实现了分割与分类过程的一体化，通过对比多时相影像分类结果实现新增建设用地检测，该方法依赖于单期要素的提取精度，容易存在误差累积传递的情况。另外一种方法是直接将两期影像及变化标签数据加入网络模型进行变化训练。该方法直接针对变化目标提取，效果更加可控，但是面临两期影像来源不同、辐射差异、分辨率差异等挑战，导致精度受限。

发明内容

针对相关技术中的上述技术问题，本发明提出一种基于深度学习方法的新增建设用地自动提取方法，能够克服现有技术的上述不足。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种基于深度学习方法的新增建设用地自动提取方法，该方法包括以下步骤：

S1：采用多源影像数据组合前后时期遥感影像数据，勾画新增建设用地标签，其中，新增建设用地为前时期遥感影像上的非建筑区和后时期遥感影像上的建筑区的区域；

S2：对前后时期遥感影像进行拉伸处理，将遥感影像的位深拉伸至8位，其中，位深调整的过程为：首先统计影像各波段的直方图，获取0.5%和99.5%的直方图处的影像值，影像值分别为分界最小值和最大值，设置影像小于最小值的像素值为1，大于最大值的像素值为255，界于最大最小值的像素值线性拉伸到1-255的范围；

S3：对前后时期遥感影像数据和新增建设用地标签数据进行裁切处理，裁切成配对的瓦片样本数据，其中，每组数据包含：前期影像瓦片、后期影像瓦片、标签影像瓦片；

S4：将所有瓦片样本数据用自动按比例的形式或交互式的分为训练瓦片样本集合和测试瓦片样本集，其中，测试瓦片样本集为准确和具备代表性的样本集，训练瓦片样本集为包含样本类型全面的样本集；

S5：构建网络模型，选择TensorFlow+Keras训练框架，基于DeeplabV3+网络模型结构，以EfficientNet网络结构为骨干网络进行改造和设计，采用多尺度预测，增强小尺度，形成新的网络模型；

S6：将从所述步骤S4选出的训练瓦片集合进行图像增强处理，测试瓦片集合输入到所述步骤S5设计的网络模型中，采用二分交叉熵损失函数，设置训练参数进行迭代训练，当训练达到迭代停止条件后，生成新增建设用地训练模型，对其进行封装，其中，图像增强处理的内容包括辐射、分辨率增强处理；辐射增强处理包括亮度、色调、饱和度、对比度、噪声扰动、图像模糊，分辨率增强处理包括随机缩放、随机水平翻转、随机垂直翻转；设置的训练参数的内容包括学习率、学习率衰减、批大小；

S7：利用所述步骤S6封装后的新增建设用地模型对具备相同地理参考并有重叠区域的前后期遥感影像进行新增建设用地提取，得到新增建设用地的栅格概率图；

S8：结合前后期遥感影像特点及新增建设用地的概率图，对新增建设用地区域进行伪图斑的去除；

S9：基于所述步骤S8去伪之后的栅格结果进行成果矢量化，进行二值化、最大最小分析、去小面和矢量抽稀平滑处理，得到最终的新增建设用地图斑，其中，所述矢量抽稀平滑处理的步骤包括：

S91：对二值栅格结果进行矢量化；

S92：按抽稀粒度抽稀删除矢量节点。

进一步的，所述步骤S2中，若遥感影像为4波段数据，将遥感影像进行波段重组，其中，3、2、1波段分别为红、绿、蓝的真彩色影像数据。

进一步的，所述步骤S3中，裁切方式为滑窗裁剪，瓦片大小为512*512。

进一步的，所述步骤S6中，生成的新增建设用地训练模型为一个。

进一步的，所述二值化操作按照截断阈值将概率图结果转为0、1二值结果图，其中，小于该阈值为0，大于该阈值为1。

进一步的，所述去小面操作按照小面阈值对提取结果的小图斑进行去除，去除方法基于图形学四邻域分析。

本发明的有益效果：通过该方法，达到了以下效果：

（1）本发明采用基于利用深度学习的方法进行新增建设用地的监测相比传统基于两期影像进行新增建设用地监测方法，避免了针对不同新增建设用地场景选择不同的特征组合和设计不同的监测方法，同一方法很难对不同场景、不同数据源的数据达到良好的普适性，本发明中在训练阶段需要积累的海量丰富的新增建设用地样本，以训练出普适性良好的模型，更好地支撑自动化、批量化的工程应用；

（2）本发明中的伪图斑去除时结合深度学习训练模型的提取效果增加的辅助能力，其充分考虑新增建设用地的遥感场景，将遥感机理、地物特征及传统分类方法相结合，实现了常规遥感信息提取与监测的技术手段与深度学习技术手段的融合，大大提升了正检率；

（3）成果矢量化充分考虑深度学习概率图结果与成果图斑之间的差异进行功能设计，栅格图二值化将概率图转化为新增建设用地二值图，最大最小分析将二值栅格成果进行图形处理，减少地物边缘的锯齿感和地物内部的小洞和缝隙问题，很好的保证了提取变化图斑的完整性；小面去除可以将概率图中的“椒盐现象”小面积图斑进行去除；矢量化过程中的抽稀平滑处理，使最终得到的新增建设用地图斑结果边缘自然、规整，满足工程实用化需求；矢量化结果增加前后时期影像名称、图斑面积、图斑经纬度等信息，方便后续成果的分析与规范化整理。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例所述的一种基于深度学习方法的新增建设用地自动提取方法的流程框图；

图2是根据本发明实施例所述的新时期遥感影像和新增建设用地图斑一；

图3是根据本发明实施例所述的旧时期遥感影像一；

图4是根据本发明实施例所述的新时期遥感影像和新增建设用地图斑二；

图5是根据本发明实施例所述的旧时期遥感影像二。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

如图1-5所示，根据本发明实施例所述的一种基于深度学习方法的新增建设用地自动提取方法，包括以下步骤：

一种基于深度学习方法的新增建设用地自动提取方法，该方法包括以下步骤：

S1：采用多源影像数据组合前后时期遥感影像数据，勾画新增建设用地标签，其中，新增建设用地为前时期遥感影像上的非建筑区和后时期遥感影像上的建筑区的区域；

S2：对前后时期遥感影像进行拉伸处理，将遥感影像的位深拉伸至8位，其中，位深调整的过程为：首先统计影像各波段的直方图，获取0.5%和99.5%的直方图处的影像值，影像值分别为分界最小值和最大值，设置影像小于最小值的像素值为1，大于最大值的像素值为255，界于最大最小值的像素值线性拉伸到1-255的范围；

S3：对前后时期遥感影像数据和新增建设用地标签数据进行裁切处理，裁切成配对的瓦片样本数据，其中，每组数据包含：前期影像瓦片、后期影像瓦片、标签影像瓦片；

S4：将所有瓦片样本数据用自动按比例的形式或交互式的分为训练瓦片样本集合和测试瓦片样本集，其中，测试瓦片样本集为准确和具备代表性的样本集，训练瓦片样本集为包含样本类型全面的样本集；

S5：构建网络模型，选择TensorFlow+Keras训练框架，基于DeeplabV3+网络模型结构，以EfficientNet网络结构为骨干网络进行改造和设计，采用多尺度预测，增强小尺度，形成新的网络模型；

S6：将从所述步骤S4选出的训练瓦片集合进行图像增强处理，测试瓦片集合输入到所述步骤S5设计的网络模型中，采用二分交叉熵损失函数，设置训练参数进行迭代训练，当训练达到迭代停止条件后，生成新增建设用地训练模型，对其进行封装，其中，图像增强处理的内容包括辐射、分辨率增强处理；辐射增强处理包括亮度、色调、饱和度、对比度、噪声扰动、图像模糊，分辨率增强处理包括随机缩放、随机水平翻转、随机垂直翻转；设置的训练参数的内容包括学习率、学习率衰减、批大小；

S7：利用所述步骤S6封装后的新增建设用地模型对具备相同地理参考并有重叠区域的前后期遥感影像进行新增建设用地提取，得到新增建设用地的栅格概率图；

S8：结合前后期遥感影像特点及新增建设用地的概率图，对新增建设用地区域进行伪图斑的去除；

S9：基于所述步骤S8去伪之后的栅格结果进行成果矢量化，进行二值化、最大最小分析、去小面和矢量抽稀平滑处理，得到最终的新增建设用地图斑，其中，矢量抽稀平滑处理的步骤包括：

S91：对二值栅格结果进行矢量化；

S92：按抽稀粒度抽稀删除矢量节点。

在本发明的一个具体实施例中，所述步骤S2中，若遥感影像为4波段数据，将遥感影像进行波段重组，其中，3、2、1波段分别为红、绿、蓝的真彩色影像数据。

在本发明的一个具体实施例中，所述步骤S3中，裁切方式为滑窗裁剪，瓦片大小为512*512。

在本发明的一个具体实施例中，所述步骤S6中，生成的新增建设用地训练模型为一个。

在本发明的一个具体实施例中，所述二值化操作按照截断阈值将概率图结果转为0、1二值结果图，其中，小于该阈值为0，大于该阈值为1。

在本发明的一个具体实施例中，所述去小面操作按照小面阈值对提取结果的小图斑进行去除，去除方法基于图形学四邻域分析。

为了方便理解本发明的上述技术方案，以下对本发明的上述技术方案进行详细说明。

本发明公布了一种基于深度学习方法的高分辨率光学遥感影像新增建设用地自动提取方法，解决了新增建设用地自动提取中数据异构、辐射差异、分辨率差异等问题，提升了自动提取精度。步骤包括：利用配准的前后期遥感影像数据进行新增建设用地样本标注；将前后时期影像进行拉伸及波段重组处理，得到3波段8位RGB真彩色数据；进行样本的裁切处理，得到配对的前、后时期影像瓦片和标签瓦片；将样本数据分为训练数据和验证数据用于训练；结合训练要素特点设计网络模型，输入样本数据进行迭代训练，得到新增建设用地模型；用新增建设用地模型对待预测的前后时期高分辨率遥感影像进行预测，得到初步的变化概率图；针对概率图结果进行伪图斑去除，最后对提取结果进行矢量化，得到最终的新增建设用地图斑；本方法较传统方法使用简单、提取精度高、普适性更强。

本发明中基于深度学习方法的新增建设用地自动提取方法流程，主要用于但不限于高分辨率卫星遥感影像数据，包括GF1、GF2、ZY3等卫星影像；

S1采用不同影像数据组合成前后时期遥感影像数据对，勾画新增建设用地标签，标注形式为采集多边形矢量，标注对象为前时相遥感影像上为非建设用地，后时相遥感影像上为建设用地的区域；

S2 对前后时期遥感影像进行拉伸处理，将其位深拉伸至8位，同时若影像为4波段数据，将其进行波段重组，3、2、1波段为为红、绿、蓝的真彩色影像数据；

其中位深调整的过程为，首先统计影像各波段的直方图，获取0.5%和99.5%的直方图处的影像值分别为分界最小值和最大值，设置影像小于最小值的像素值为1，大于最大值的像素值为255，界于最大最小值的像素值线性拉伸到1-255的范围。

S3 对前后时期遥感影像数据和新增建设用地标签数据进行裁切处理，形成配对的瓦片样本数据，裁剪方式为滑窗裁剪，瓦片大小为512*512，一组数据包含：前期影像瓦片、后期影像瓦片、标签影像瓦片。

裁切的过程为在获取前后期影像的共同范围，在影像范围内将矢量标签数据栅格化为二值图，按512固定大小滑窗读取影像窗口，判定该窗口内存在标签为1的情况时裁剪该512*512的前后期影像块及标签二值图生成一组样本。

S4将所有瓦片样本数据划分为训练样本集和测试样本集，测试集比例一般占总体样本的30%，其中测试瓦片样本集要足够准确，训练集和测试集均能覆盖主要的新增建设用地类型，且两者样本分布类似。训练集与测试集的划分可以按比例随机划分或通过交互方式选择。

S5 构建网络模型，结合新增建设用地的特点，选择TensorFlow+Keras训练框架，基于DeeplabV3+网络模型结构以EfficientNet骨干网络进行改造和设计，采用多尺度预测，增强小尺度特征，形成新的网络模型（图2）；

5.1 EfficientNet网络的特征为构架9层的基础网络单元，在宽度、深度和分辨率上联合进行放缩；

5.2 对模型的改进在于对多尺度特征网络层进行拼接，通过1*1卷积获取多尺度特征。

S6 将S4选出的训练瓦片集合进行辐射、分辨率等图像增强处理，和测试瓦片集合输入到S5设计的网络模型中，采用二分交叉熵损失函数，设置训练参数进行迭代训练，当训练达到迭代停止条件后会生成一个新增建设用地训练模型，对其进行封装即可应用于后续的新增建设用地自动提取；

6.1 辐射增强处理包括亮度、色调、饱和度、对比度、噪声扰动、图像模糊等，分辨率增强处理为随机缩放，此外还进行随机水平翻转、垂直翻转等；

6.2 训练参数需要设置学习率、学习率衰减、批大小等；

6.2 模型评价指标选择正确率、召回率和平均交并比，迭代终止条件为最优平均交并比；

S7 利用S6封装后的新增建设用地模型对具备相同地理参考并有重叠区域的前后期遥感影像进行新增建设用地提取得到新增建设用地的栅格概率图，通常会有一个针对该模型的二值化经验阈值，用于后续的新增建设用地二值化处理；

S8 结合前后期遥感影像特点及新增建设用地的概率图，对新增建设用地区域进行伪图斑的去除。该伪图斑去除主要利用新增建设用地的遥感图像表现特性，例如新时期影像的植被指数、亮度，前后时期影像的纹理相似性等，结合遥感机理和图像分析方法进行。

8.1 植被指数计算方法为：(近红外波段-红光波段)/( 近红外波段+红光波段)，根据地物特征设定阈值，按需去除大于阈值或小于阈值的目标；

8.2 亮度计算方法为：红光波段、绿光波 段和蓝光波段的均值，根据地物特征设定阈值，按需去除大于阈值或小于阈值的目标；

8.3 纹理相似性的计算方法为计算前后期图斑范围像素值的相关系数，对计算的相似度进行排序，去除相似度较大的目标。

S9 基于S8去伪之后的栅格结果进行成果矢量化，考虑到新增建设用地最终成果的完整性矢量形态，需要进行二值化、去小面和矢量的抽稀平滑等处理，得到最终的新增建设用地图斑。

9.1 二值化操作按照截断阈值将概率图结果转为0、1二值结果图，小于该阈值为0，大于该阈值为1；

9.2 去小面操作按照小面阈值对提取结果的小图斑进行去除，去除方法基于图形学四邻域分析实现；

9.3 矢量抽稀平滑首先对二值栅格结果进行矢量化，然后按抽稀粒度抽稀删除矢量节点实现平滑。

综上所述，借助于本发明的上述技术方案，通过该方法，达到了以下效果：本发明采用基于利用深度学习的方法进行新增建设用地的监测相比传统基于两期影像进行新增建设用地监测方法，避免了针对不同新增建设用地场景选择不同的特征组合和设计不同的监测方法，同一方法很难对不同场景、不同数据源的数据达到良好的普适性，本发明中在训练阶段需要积累的海量丰富的新增建设用地样本，以训练出普适性良好的模型，更好地支撑自动化、批量化的工程应用；本发明中的伪图斑去除时结合深度学习训练模型的提取效果增加的辅助能力，其充分考虑新增建设用地的遥感场景，将遥感机理、地物特征及传统分类方法相结合，实现了常规遥感信息提取与监测的技术手段与深度学习技术手段的融合，大大提升了正检率；成果矢量化充分考虑深度学习概率图结果与成果图斑之间的差异进行功能设计，栅格图二值化将概率图转化为新增建设用地二值图，最大最小分析将二值栅格成果进行图形处理，减少地物边缘的锯齿感和地物内部的小洞和缝隙问题，很好的保证了提取变化图斑的完整性；小面去除可以将概率图中的“椒盐现象”小面积图斑进行去除；矢量化过程中的抽稀平滑处理，使最终得到的新增建设用地图斑结果边缘自然、规整，满足工程实用化需求；矢量化结果增加前后时期影像名称、图斑面积、图斑经纬度等信息，方便后续成果的分析与规范化整理。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。