摘要: 在城市灾难突发之际，城市地图快速重建显得尤为重要。全球定位系统和卫星定位技术快速发展为城市建筑物快速重建提供了这个可能性，城市高分辨率建筑物图像可从纳米卫星遥感卫星、无人机和常规的高空卫星等途径获取且便捷，这些图像具有高分辨率、识... 展开 在城市灾难突发之际，城市地图快速重建显得尤为重要。全球定位系统和卫星定位技术快速发展为城市建筑物快速重建提供了这个可能性，城市高分辨率建筑物图像可从纳米卫星遥感卫星、无人机和常规的高空卫星等途径获取且便捷，这些图像具有高分辨率、识别物体精细、时效性强等各种优点。目前传统基于阈值、区域、边缘分割等方法分割条件要求苛刻且存在一定的局限性，近年来基于深度学习等用于语义和实例分割的方法，大多数是针对于中低分辨率逐像素分割的方法，无法充分利用遥感图像具有高分辨丰富底层语义信息的特点，难以取得较为精确的边界分割结果。针对以上问题，本文对高分辨率遥感图像下建筑物的分割问题进行研究，以能够精确地将建筑物Mask分割和轮廓多边形顶点信息提取出来。 首先，通过剖析金字塔特征融合网络和路径融合网络在语义分割领域上的优缺点，在此基础上提出基于ResNet上多尺度逐层注意力机制特征融合网络遥感图像建筑物语义分割的方法。利用ResNet产生的多个不同尺度特征逐层送入逐层递增的GFNet模块进行融合，最后使用具有多样性与输入数据尺寸大小相同的特征图以投票的方式进行选择遥感图像的建筑物和非建筑物。最后在第三方数据集InriaAerialImageryforLabelingDataset上对GFNet进行遥感图像建筑物分割评估，GFNet在数据集分辨率5000*5000的尺寸数据上，相比路径融合网络PANet和UNet分割网络性能约提升1.2%。在验证集性能精确度指标上GFNet仅次于榜首IctNet0.2％的性能，同比其他榜单90多种网络有0.3％-12％的提升，位居第二。 其次，针对基于深度学习图像分割的方法是逐像素的栅格图，而地理信息系统数据城市建筑物三维重建矢量化需求顶点、边、多边形等数据的问题，本文提出了一种基于DenseNet的特征金字塔建筑物轮廓多边形顶点检测的遥感图像半自动化建筑物分割方法。该方法将建筑物的重心进行编码，在重心位置发射若干个射线将多边形顶点位置以回归方式进行预测，回归建筑物多边形顶点位置。本文实验射线数量在36、72进行试验比对。在对比相同网络下，Dice和Recall训练可视化图上结果表明，射线数量的增加在一定程度上提高对多边形顶点检测分割精度。 综上所述，本文通过对卷积神经网络路径融合网络和特征金字塔网络在图像语义分割领域上的研究，在一定程度上解决了遥感图像建筑物分割任务中存在边界精度分割不够精确、速度慢、不能直接生成城市三维重建矢量化数据多边形顶点信息的问题。本文提出了两种遥感图像建筑物语义分割的方法，这两种方法拥有明显的各自特点，可以根据对建筑物分割的需求不同进行选择不同的分割方法。基于ResNet上的逐层融合方法可以直接将建筑物以掩码Mask的方式进行分割，并且拥有较高的分割精度，适用于快速地、直接地获取建筑物直接分割的场景。基于DenseNet特征金字塔遥感图像建筑物轮廓多边形顶点分割方法，可以直接生成城市建筑物三维重建的多边形顶点信息，也可直接获取建筑物多边形顶点信息进行三维重建、标注某一些建筑物关键点位置。 收起