(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 202210513757.5 (22)申请日 2022.05.11 (71)申请人 太原理工大 学 地址 030024 山西省太原市迎泽西大街79 号 (72)发明人 刘萍　岱超　申文明　史俊才　 许珍　 (74)专利代理 机构 太原高欣科创专利代理事务 所(普通合伙) 14109 专利代理师 孟肖阳　冷锦超 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/30(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/00(2006.01) (54)发明名称 一种基于ConvCRF的高分遥感影像建筑物提 取优化方法 (57)摘要 本发明提供了一种基于ConvCRF的高分遥感 影像建筑物 提取优化方法， 属于图像处理技术领 域； 所要解决的技术问题为： 提供一种基于 ConvCRF的高分遥感影像建筑物提取优化方法的 改进； 解决上述技术问题采用的技术方案为： 通 过residual ‑block残差卷积结构替换Unet网络 当中的普通卷积运算， 并在U net低感受野编码与 解码阶段引入了CBAM(Convolution  Block  Attention  Module)卷积注意力模块， 以提高模 型对于建筑物边缘的提取精度； 同时衔接 ConvCRF模块进行分离模型训练， 以减少分割结 果边缘锯齿的产生， 消除噪声， 拟合建筑物真实 轮廓； 本发明应用于高分遥感影 像建筑物提取。 权利要求书2页 说明书9页 附图9页 CN 114943894 A 2022.08.26 CN 114943894 A 1.一种基于ConvCRF的高分遥感影像建筑物提取优化方法， 其特征在于： 包括如下步 骤： S1： 构建全卷积神经网络基础分割模型， 在高分遥感影像数据上对基础模型进行多轮 次的训练， 得到拟合高分遥感影像数据特征分布的分割模型， 以Residual_Block替换基础 Unet中的普通卷积， 将基础Unet中的MaxPooling最大池化层替换为普通卷积层， 将CBAM模 块嵌入到前两层编码及后两层解码阶段的Residual_Block中， 得到改进后的Unet神经网络 模型； S2： 构建图像分割后处理模型： 引入ConvCRF端到端衔接式模型， 对基础分割模型的分 割结果进行二次校正优化， 采用基于FullCRF改进的ConvCRF做图像分割后处理模型， 在 FullCRF的基础上引入 条件限制， 通过设定给定的ker nel‑size使得像素间的计算范围仅限 于以其为中心的kernel ‑size范围内； S3： 对神经网络模型和图像分割后处 理模型进行训练； S4： 采用平均交并比MIOU和平均像素MPA来评价模型在数据集上的分割效果。 2.根据权利 要求1所述的一种基于ConvCRF的高分遥感影像建筑物提取优化方法， 其特 征在于： 在进 行模型训练之前， 先获取遥感图像数据集并进 行预处理， 将数据集按比例分为 训练集、 验证集、 测试集； 采用Inria_Aerial_Image_Labeling_Dataset遥感影像城市建筑 物检测数据集， 数据集中每张影像具有5000*5000像素大小的分辨率， 标签 分为建筑物与非 建筑物； 在神经网络训练过程当中， 将5000*5000像素分辨率的大图遥感影像进行裁剪， 在裁剪 过程中chunk图之间产生10％的覆盖率。 3.根据权利 要求1所述的一种基于ConvCRF的高分遥感影像建筑物提取优化方法， 其特 征在于： 所述 步骤S3中对神经网络模型和图像分割后处 理模型进行训练的具体包括： 采用pytorch中torchvision.transforms对输入数据进行数据归一化， 选用多分类交 叉熵损失函数作为模型训练的损失函数， 在基于自适应梯度下降算法Adam的情况下， 采用 StepLR间隔调整学习率衰减 策略对学习率进行调整， 在基础分割模 型基础上， 对ConvCRF算 法进行分离式迭代训练。 4.根据权利 要求1所述的一种基于ConvCRF的高分遥感影像建筑物提取优化方法， 其特 征在于： 采用StepLR间隔调整学习率衰减策略对学习率进行调整。 5.根据权利 要求1所述的一种基于ConvCRF的高分遥感影像建筑物提取优化方法， 其特 征在于： 采用平均交并比MIOU和平均像素MPA来评价模型在数据集上的分割效果； 假设共有n+1个类别， pij表示实际类别为i类但被预测为j类的像素数量， 则MIOU和MPA 的具体计算公式如下： 6.根据权利 要求2所述的一种基于ConvCRF的高分遥感影像建筑物提取优化方法， 其特权　利　要　求　书 1/2 页 2 CN 114943894 A 2征在于： 对训练集中的数据进行增强， 以1： 4的数据增强比例 对数据训练集进行数据增强， 增强方法包括： 图像翻转， 对原始图像以中线为轴进行左右对称翻转； 图像旋转， 对原始图 像进行顺时针及逆时针90 °旋转； 数据加噪， 按5 0％的像素比例， 对原 始图像进行随机加噪。 7.根据权利 要求1所述的一种基于ConvCRF的高分遥感影像建筑物提取优化方法， 其特 征在于： 通过pytorc h框架， 将Co nvCRF中的所有参数置 于gpu中进行 具有梯度的训练。权　利　要　求　书 2/2 页 3 CN 114943894 A 3