(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210866217.5 (22)申请日 2022.07.22 (71)申请人 长光卫星技术股份有限公司 地址 130000 吉林省长 春市北湖科技 开发 区明溪路12 99号 (72)发明人 特日根　罗霄　仪锋　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 姜明君 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/13(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于高分辨率遥感影像的建筑物提取 网络的提取方法及偏置余弦网络 (57)摘要 本发明属于光学遥感图像处理技术领域， 具 体涉及一种基于高分辨率遥感影像的建筑物提 取网络的提取方法及偏置余弦网络。 步骤1： 采集 高分辨率光学遥感影像； 步骤2： 对步骤1采集的 遥感影像中的建筑物进行提取， 制作成数据集； 步骤3： 搭建偏置余弦网络； 步骤4： 利用步骤2 的 建筑物数据集对偏置余弦网络进行训练； 步骤5： 对步骤4训练后的网络进行验证； 步骤6： 使用步 骤5验证后的网络进行进行语义分割， 对建筑物 轮廓进行识别。 本发明用以解决现有的传统语义 分割方法对不同尺度间的变换特征利用， 以及对 不同大小的建 筑物提取方面的局限性的问题。 权利要求书2页 说明书6页 附图5页 CN 115359349 A 2022.11.18 CN 115359349 A 1.一种基于高分辨率遥感影像的建筑物提取网络的提取方法， 其特征在于， 所述建筑 物网络提取 方法包括以下步骤： 步骤1： 采集高分辨 率光学遥感影 像； 步骤2： 对步骤1采集的遥感影 像中的建筑物进行提取， 制作成数据集； 步骤3： 搭建偏置余弦网络； 步骤4： 利用步骤2的建筑物数据集对偏置余弦网络进行训练； 步骤5： 对步骤4训练后的网络进行验证； 步骤6： 使用步骤5验证后的网络进行进行语义分割， 对建筑物轮廓进行识别。 2.根据权利要求1所述建筑物网络提取方法， 其特征在于， 所述步骤1具体为， 所述光学 遥感影像采集自吉林一 号卫星星座中分辨 率优于一米的遥感数据。 3.根据权利要求1所述建筑物网络提取 方法， 其特 征在于， 所述 步骤2具体为， 步骤2.1： 选 定用于训练建筑物提取模型的遥感影 像； 步骤2.2： 基于步骤2.1遥感影像对用于制作数据集的原始遥感影像进行裁剪； 将裁剪 尺寸设定为512 ×512像素， 对于切割后大小不足512 ×512像素的尺寸的部分， 使用0值进行 填充； 步骤2.3： 对步骤2.2的数据集进行训练集、 验证集和测试集的划分； 按照训练集、 验证 集、 测试集7:2:1的比例进行划分。 4.根据权利要求1所述建筑物网络提取方法， 其特征在于， 所述步骤3搭建偏置余弦网 络具体为， 步骤3.1： 对输入图像进行三个尺度的降采卷积； 将每一个尺寸图像依次经过归一化层BN、 激活层ReLU和最大池化层MP； 进而构成完整 的降采过程； 步骤3.2： 针对不同尺度进行跨 步卷积和反卷积实现循环升降采。 所述降采均通过ConvD卷积操作实现， ConvD的卷积核大小为3 ×3， 卷积步幅为2， 卷积 核数为64； 所述升采均通过ConvU反卷积操作实现， ConvU的卷积核大小为3 ×3， 卷积步幅为2， 卷 积核数为64。 5.根据权利要求4所述建筑物网络提取方法， 其特征在于， 所述步骤3.2还包括在循环 升降采的每个卷积或反卷积后分别增加一个批量归一化层BN、 一个激活层ReLU和一个最大 池化层MP。 6.根据权利要求4所述建筑物网络提取方法， 其特征在于， 将三个尺度 下的循环升降采 网络按照循环深度和对应特 征尺度进行累加操作， 进 而合并不同阶段的特 征。 7.根据权利要求6所述建筑物网络提取方法， 其特征在于， 通过卷积核大小为3 ×3， 卷 积步幅为m， 卷积核数为64的反卷积 操作对不同尺度下循环升降采的末端 进行升采。 8.根据权利要求7所述建筑物网络提取方法， 其特征在于， 将不同尺度的特征进行累加 操作， 并增 加一个批量 二分类卷积 操作， 其卷积核大小为3 ×3， 卷积步幅为1， 卷积核数为2； 网络最后增加一个归一化层BN、 一个激活层ReLU和一个最大池化层MP， 一个预测结果 归一化层Softmax、 一个二分类输出层PixelClas sificati on。 9.根据权利要求1所述建筑物网络提取方法， 其特征在于， 使用偏置余弦网络对建筑物权　利　要　求　书 1/2 页 2 CN 115359349 A 2进行提取的过程包括以下步骤， 步骤6.1： 程序将在CPU为Intel(R)Xeon(R)[email protected]； GPU为 NVIDIAGeForceRTX3090 ×4， 内存为132GB， 操作系统为Ubuntu18.04的机器上运行， 使用 MCR2021b； 步骤6.2： 对数据集进行训练时超参数如下， 初始学习速率learning_rate＝0.001， 批 尺寸batc h_size＝32， 训练代数 epochs＝100， 分割类别n_clas ses＝2； 步骤6.3： 将裁 剪后的图像输入到训练好的网络模型中， 对影 像中建筑物进行提取。 10.一种基于 高分辨率遥感影像的偏置余弦网络， 其特征在于， 所述偏置余弦网络包括 第一组降采单元 Ⅰ、 第一组降采单元 Ⅲ、 第一组降采单元 Ⅳ、 第一组降采 单元Ⅴ、 第一组降采 单元Ⅵ； 第二组降采单元 Ⅰ、 第二组降采单元 Ⅱ、 第二组降采单元 Ⅲ、 第二组降采单元 Ⅳ； 第 三组降采单元 Ⅰ、 第三组降采 单元Ⅱ、 第三组降采 单元Ⅲ、 第三组降采 单元Ⅳ； 第四组降采单 元Ⅰ、 第四组降采单 元Ⅱ、 第四组降采单 元Ⅲ和第四组降采单 元Ⅳ； 输入图像分别输入卷积后图像到第 一组降采单元 Ⅰ、 第二组降采单元 Ⅰ和第三组降采单 元Ⅰ， 所述第一组降采单 元Ⅰ向第二组降采单 元Ⅱ传输卷积后的图像， 所述第二组降采单 元Ⅰ向第三组降采单 元Ⅱ传输卷积后的图像， 所述第三组降采单 元Ⅰ向第二组降采单 元Ⅱ传输反卷积后的图像， 所述第二组降采单 元Ⅱ向第一组降采单 元Ⅲ传输反卷积后的图像， 所述第二组降采单 元Ⅱ向第三组降采单 元Ⅲ传输卷积后的图像， 所述第三组降采单 元Ⅱ向第二组降采单 元Ⅲ传输反卷积后的图像， 所述第一组降采单 元Ⅲ向第二组降采单 元Ⅳ传输卷积后的图像， 所述第三组降采单 元Ⅲ向第二组降采单 元Ⅳ传输反卷积后的图像， 所述第二组降采单 元Ⅲ向第一组降采单 元Ⅳ传输反卷积后的图像， 所述第一组降采单 元Ⅳ向第二组降采单 元Ⅴ传输卷积后的图像， 所述第二组降采单 元Ⅳ向第一组降采单 元Ⅴ传输反卷积后的图像， 所述第二组降采单 元Ⅳ向第三组降采单 元Ⅴ传输卷积后的图像， 所述第一组降采单 元Ⅴ向第一组降采单 元Ⅵ传输卷积后的图像， 所述第二组降采单元 Ⅴ和第三组降采单元 Ⅴ均向第一组降采单元 Ⅵ传输反卷积后的 图像， 所述第一组降采单 元Ⅵ经过归一化后输出图像。权　利　要　求　书 2/2 页 3 CN 115359349 A 3