朱 恰,王 建,刘星雨,周再文,马紫雯,高贤君
(长江大学地球科学学院,湖北 武汉 430100)
随着遥感技术的不断发展,遥感影像分辨率在不断提高,影像的光谱、纹理和结构等细节信息呈现得更为精细,更有利于建筑物的自动提取[1]。而建筑物的自动提取和变化检测能完善城市基础地理数据库的建设以及提高数据库的更新效率[2],为城市建设、土地利用等提供了重要支持。因此如何快速、准确有效地自动提取遥感影像中的建筑物,是目前的热点研究问题[3],具有重要的研究意义与价值。
由于建筑物具有复杂多变的结构、纹理和空间信息的特点,加大了基于遥感影像建筑物提取的难度[4]。近些年来许多学者提出了诸多建筑物自动化或半自动化的提取方法,主要分为3类:基于深度学习的方法、基于边缘检测的方法、结合辅助信息的方法。
1)基于深度卷积神经网络的方法利用建筑物的训练样本对训练集进行训练,并采用反向传播算法将训练的输出结果与真实的标签值的差值逐层反馈传递给上层,进而调整各层的参数,以实现优化输出、精确提取建筑物。刘文涛等[5]提出了一种基于级联式全卷积网络的遥感影像建筑物提取方法,将图像的全局信息与局部信息结合起来,提高了建筑物提取的精度。范荣双等[6]在神经网络训练中采取了自适应池化模型,并获取了影像的纹理特征,使纹理特征与神经网络提取的多层次特征融合以更精确地提取建筑物。……