基于特征压缩激活Unet网络的建筑物提取

自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度 4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。     

基于全卷积神经网络的建筑物屋顶自动提取

高分辨率遥感影像在地面自动目标提取中得到了广泛应用,然而利用传统算法,很难高精度地进行实时的建筑物屋顶绘图。本文使用深度学习方法探讨建筑物屋顶分割,由于卷积运算对形变、旋转、光照条件的不敏感,设计了一种用于建筑物屋顶提取的深度卷积神经网络,提出的网络为级联式全卷积神经网络,在深度卷积神经网络的设计中使用了特征复用和特征增强,实现建筑物的自动精确提取。以美国马萨诸塞州建筑物数据集为基础的实验结果表明,本文提出的网络结构取得了92.3%的总体预测精度,和其他方法相比,本文提出的方法具有更高的精度     

顾及多特征约束的建筑物组合化简方法

建筑物是大比例尺地图中的重要要素,其自动化简是制图综合领域的重要研究内容。针对当前化简方法仅侧重于某一方面的问题,本文提出一种顾及多特征约束的建筑物组合化简方法。首先,对建筑物进行冗余点删除、尖角去除等预处理操作;然后根据化简阈值筛选出需要化简的短边,并对其局部结构进行自动分类识别;然后,充分考虑建筑物的位置、面积、方向和形状等特征约束的影响,针对不同的结构类型采用不同的化简操作,在化简的过程中采用阈值逐渐增大的渐进式确定方法,直到满足化简要求为止;最后,从多个特征角度对化简结果进行评估,对不合理的化简实体进行调整修改。以OpenStreetMap数据为例进行实验,并与其它化简方法进行对比,实验结果表明,本文所提的方法可以有效保持建筑物的面积、形状、直角等基本特征,可以实现建筑物的自动连续化简,具备一定的通用性。     

基于深度学习AlexNet的遥感影像地表覆盖分类评价研究

地表覆盖分类信息是反映自然、人工地表覆盖要素的综合体,包含植被、土壤、冰川、河流、湖泊、沼泽湿地及各类人工构筑物等元素,侧重描述地球表面的自然属性,具有明确的时间及空间特性。地表覆盖分类信息数据量大、现势性强、人工评价费时,其自动化评价长期以来存在许多技术难点。本文基于面向对象的图斑分类体系,引入深度卷积神经网络对现有地理国情普查-地表覆盖分类数据进行分类评价,并通过试验利用AlexNet模型实现地表覆盖分类评价验证。试验结果表明,该方法可有效判读耕地、房屋2类图斑,正确分类隶属度优于99%,而由于数据较少、训练不充分,林地、水体图斑正确分类隶属度不高,分别为62.73%和43.59%。使用本文方法,经过大量数据充分微调的深度学习AlexNet可有效地计算图斑的地类隶属度,并实现自动地表覆盖分类图斑量化评价。     

融合网格注意力阀门和特征金字塔结构的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中提取建筑物轮廓是地区基础建设信息统计的一项重要任务。适应性较强的深度学习方法已在建筑物提取研究中取得较大进展,受网络模型对影像特征表达的局限性,存在局部建筑轮廓边缘模糊的问题。本研究提出一种基于注意力的U型特征金字塔网络（AFP-Net）可以聚焦高分遥感影像中不同形态的建筑物结构,实现建筑物轮廓的高效提取。AFP-Net模型通过基于网格的注意力阀门Attention Gates模块抑制输入影像中的无关区域,凸出影像中建筑物的显性特征;通过特征金字塔注意力Feature Pyramid Attention模块增加高维特征图的感受野,减少采样中的细节损失。基于WHU建筑物数据集训练优化AFP-Net模型,测试结果表明AFP-Net模型能够较清晰地识别出建筑物轮廓,在预测性能上有更好的目视效果,在测试结果的总体精度和交并比上较U-Net模型分别提高0.67%和1.34%。结果表明,AFP-Net模型实现了高分遥感影像中建筑物提取的结果精度及预测性能的有效提升。     

POI辅助下的高分辨率遥感影像城市建筑物功能分类研究

城市建筑物是城市的重要组成部分,对城市建筑物进行功能分类可以为城市功能区划分提供有利依据,辅助政府部门对城市规划、土地利用、资源、人口等方面的分布与分配进行管理与决策,有助于推进城镇化建设的可持续发展。仅利用目前的遥感分类技术难以对高分辨率遥感影像的城市建筑物信息进行功能分类,然而将遥感、互联网兴趣点（Point of Interest, POI）数据以及GIS技术有效地结合在一起,可以更为细致地分析城市信息,不仅实现了建筑物功能分类,而且提高了分类的准确率与可信度。本文首先选取卷积神经网络（Convolutional Neural Networks, CNN）方法对高分辨率遥感影像数据进行建筑物提取;然后,对POI数据的城市商服、公建和住宅用地进行核密度分析;最后分别统计每个建筑物3种用地的核密度平均值,并将该值设置为此建筑物的属性值,并结合POI数据的实际情况选择具有最佳功能分类精度的属性值作为阈值提取3种用地信息,从而完成不同功能的城市建筑物分类。精度评价结果表明,该方法对3种用地的提取效果良好,分类精度达到86%以上。     

基于机载LiDAR点云的约束BSP模型重建方法

针对现有基于机载激光点云的建筑物重建方法自动化程度较低且建筑物外轮廓精度无法保证的问题,提出一种融合已有的高精度建筑物外轮廓测绘数据成果与机载雷达数据的建筑物重建方法。以及方法从建筑物点云数据获取、屋顶面分割、结构线检测、几何拓扑重建和模型生成的建筑物三维重建过程中的关键步骤。最后,通过实验验证各个步骤的有效性与可用性。     

面向地质灾害的快速制图系统关键技术研究

针对地质灾害发生时对于应急专题地图的迫切需求问题,本文设计了一套完整的快速制图工艺流程。首先以地理数据库的数据模型为基础,通过对地图符号信息的总结归纳,扩展设计了面向地图制图的数据模型,实现了图库一体化的制图数据库设计。根据制图要素自身的地理特征及其周边的环境,在经典地图综合理论方法的指导下,基于制图要素输出时的状态表达,构建了多比例尺制图数据生成与表达模型,设计了矢量数据动态选取及加工处理的算法,实现了地质灾害应急制图中制图要素的自动化快速选取。     

基于OSM的地表覆盖变化数据提取

2014年,中国研制出了2000年和2010年两期30 m分辨率的全球地表覆盖数据产品,为了保持该数据集的现势性,持续更新成为该领域关键问题。变化数据的快速收集是全球地表覆盖数据更新的核心,志愿者地理信息(volunteered geographic information,VGI)的兴起为解决此问题提供了一条新的途径。在目前VGI项目中,OpenStreetMap(OSM)具有数据丰富、现势性强等优点,可以作为全球地表覆盖数据更新的参考信息来源,然而OSM数据不能直接对应地表覆盖增量数据,因此,本文提出了一种基于OSM的地表覆盖增量数据提取方法。该方法首先以OSM定义的几何类型和属性数据作为分类依据,建立OSM数据到地表覆盖数据的转换规则;然后针对类型转换后数据存在的目标零散等问题,采用四叉树聚类方法对转换数据进行综合;继而对整合后的数据栅格化并与GlobeLand30数据进行叠加运算得到地表覆盖增量数据。最后以爱沙尼亚区域的OSM数据验证了本文方法的可行性。     

基于卷积神经网络的古建筑脊兽自动识别方法

针对古建筑脊兽识别准确率和自动化程度不高的问题,本文提出一种基于卷积神经网络的脊兽自动识别方法.该方法主要分为4个步聚:①爬取众源数据建立脊兽数据集;②构建脊兽特征金字塔网络(Ridge Beast-Feature Pyramid Network,RB-FPN)提取图像深度语义,检测脊兽的潜在区域;③利用ImageNet预训练权重精调ResNet50模型参数,实现脊兽种类精细分类;④识别测试集样本综合评价性能指标.试验结果表明,本文所提出的脊兽自动识别方法准确率可达92.17％,召回率为82.02％,F1值为0.87,能有效地识别数字图像中的脊兽装饰件种类,结果可满足屋顶精细三维重建、维护管理与断代等应用需求.     

面向自然连续面群边线的协同化简方法

自然连续面群边线化简是地形图中自然面状要素和地理国情普查数据中自然图斑自动制图综合的重要实施步骤。现有面要素边线化简算法大多以线化简算法为基础,未有效化简弯曲特征、保持面积平衡和满足图面视觉清晰性要求,且化简结果存在共享边界不一致、边线自相交和边线之间相交的拓扑问题。为此,结合自然连续面群表达特点和化简要求,本文提出一种面向自然连续面群边线的协同化简方法。首先将自然连续面群转换为拓扑数据结构组织,以待化简弧段及其相邻弧段为基础构建约束Delaunay三角网,标识化简区域;其次利用弧段双侧层次多叉树模型渐进式退化条带状弯曲、化简细小弯曲;最后自适应夸大狭窄“瓶颈”,实现边线的协同化简。以河南省某区域1:5万地形图中的植被与土质面要素进行化简实验,相较于对比方法,该方法能够有效保持自然连续面群边线化简前后的拓扑一致性、要素之间的面积平衡,充分化简目标尺度下的局部不清晰细节,化简结果精度高。     

基于等高线簇分析的复杂建筑物模型重建方法

近年来,基于LIDAR点云数据的建筑物重建模型一直是研究的热点。目前,出现的许多算法对简单建筑物,如平顶房屋、人字行屋顶及其他规则房屋的重建取得了不错的效果,但是,对于结构复杂的建筑物重建问题仍然有待解决。针对这一问题,本文提出了一种利用等高线簇分析从LIDAR数据中自动重建复杂建筑物模型的新算法。该算法是一种自底向上的数据驱动方法,以等高线所反映出的建筑物轮廓特征为基础,充分利用等高线封闭性和明确的拓扑关系,采用等高线形状分析的方法来实现建筑物的检测和模型识别与重建。算法实现分为4个步骤,首先,通过对LIDAR点云数据的DELAUNAY三角化跟踪提取等高线,然后利用等高线的长度,面积等形状参数来提取建筑物等高线,再通过拓扑分析,以及形状匹配的方法对等高线进行分簇,得到同一建筑物不同组成部分的等高线簇,最后,对各簇等高线进行模型参数优化并按拓扑关系进行重组得到完整的建筑物模型。通过对多层次、多曲面等复杂建筑物的重建实验证明了此方法的可行性。     

基于房屋轮廓与纹理的三维建筑模型分层次聚类研究

目前三维建筑模型已广泛应用于城市规划,导航和虚拟地理环境等领域.不同细节的模型是LOD( Level of detail )技术的基础,由于三维模型的生产成本高昂,模型自动化简逐渐引起了学者的关注.三维模型化简包括单模型化简和多模型综合2方面,目前单个模型的化简研究比较多,而模型群组综合的研究仍然处于起步阶段.本文主要研究模型群组的聚类综合,提出一种基于房屋轮廓与纹理的分层次聚类算法:首先,基于房屋的底面轮廓构建约束Delaunay三角网,以道路为基准对三角网进行划分,通过可视分析构建初始的邻接图,使建筑群组分类符合城市形态学;其次,将房屋纹理引入三维模型群聚类的过程,使用SOM( Self-organizing Map )智能分类算法对纹理进行分析,然后分割邻接图;最后,以最邻近距离对邻接图构造最小生成树,并进行线性检测,将离散的建筑合并到已聚类的群组中,最终完成模型的合并.本文利用纹理辅助轮廓特征,实现三维建筑模型的聚类,符合人类的视觉习惯,实验结果证明了本文方法的有效性.     

移动环境地图自动综合系统设计与实现

地图自动综合的研究随着地图与地理信息系统科学的发展不断深入,从早期的地图目标几何量测与图形简化至制图综合知识的运用、制图综合方法评价与集成、乃至在线综合与综合服务的出现.本文针对当前移动地理信息服务对地图随时、随地为所有人和所有事提供实时服务的要求,主要探讨了移动环境中地图自动综合的概念、特征与系统架构等相关理论与技术...     

基于POI数据的城市建筑功能分类方法研究

对建筑物进行建模与分析是智慧城市建设的重要任务之一。将城市中数量庞大的建筑物按功能分类,辅助认知城市内部空间结构,对政府部门开展人口估计,土地管理,城市规划等工作具有重要意义。本文以蕴含丰富语义信息的兴趣点（POI, Point of Interest ）作为主要信息源,针对POI分布稀疏导致大量建筑物无法识别出功能的问题,改进了传统的城市功能区定量识别方法。该方法为建筑物内部及周边一定区域范围内的POI赋予反距离权重,通过计算不同类型POI的加权频数密度比例来识别建筑物功能类型。文中以北京市西四环中路附近5000多栋建筑物为例进行实验验证,实现了将目标区域内的建筑物按功能类型划分为居住、商业、公服和3种混合类型,识别率达93.04%,与人工判别的结果对比得出总体分类精度达91.18%。该方法采用易于获取的互联网POI数据,可以实现大范围建筑物功能类型的快速自动化识别,丰富了城市建筑模型语义属性,扩展了POI数据的应用范围。     

基于PRCUnet的高分遥感影像建筑物提取

基于高分辨率遥感影像的建筑物提取具有重要的理论与实际应用价值,深度学习因其优异的深层特征提取能力,已经成为高分影像提取建筑物的主流方法之一。本文在改进深度学习网络结构的基础上,结合最小外接矩形与Hausdorff距离概念,对建筑物提取方法进行改进。本文主要改进内容为：① 基于Unet网络结构,利用金字塔池化模块 (Pyramid Pooling Module, PPM )的多尺度场景解析特点,残差模块(Residual Block, RB)的特征提取能力以及卷积块注意力模块(Convolutional Block Attention Module, CBAM)对空间信息和通道信息的平衡能力。将金字塔池化、残差结构以及卷积块注意力模块引入到Unet模型中,建立PRCUnet模型。PRCUnet模型更关注语义信息和细节信息,弥补Unet对小目标检测的欠缺;② 基于最小外接矩形与Hausdorff距离,改进建筑物轮廓优化算法,提高模型的泛化能力。实验表明,本文的建筑物提取方法在测试集上准确率、IoU、召回率均达到0.85以上,精度显著优于Unet模型,提取出的建筑物精度更高,对小尺度及不规则的建筑物有较好的提取效果,优化后的建筑物轮廓更接近真实的建筑物边界。     

克隆选择算法的线状要素图形简化模型

 线状要素作为占据地图图形80%以上的地图目标,其自动概括是制图综合的一个重要内容。线状要素图形简化是其制图综合的一个主要手段。本研究以克隆选择算法的基本原理,分析对线状要素数据进行压缩时图形简化的约束条件,顾及线状要素的几何精度和形状特征,设计相应的编码机制、变异机制和亲和度函数,提出一种新的线状要素图形自动简化模型。同时,结合不可行解修复机制,提高图形简化的精度。最后,将该模型与道格拉斯算法、遗传算法的简化结果作对比,实验表明,在相同的几何精度内,文中提出的线状要素图形简化模型,在保持线状要素图形形状方面表现更佳。