基于高分辨率遥感影像的建筑物提取

doi:10.13474/j.cnki.11-2246.2023.0191

测绘通报 ›› 2023, Vol. 0 ›› Issue (6): 180-183.doi: 10.13474/j.cnki.11-2246.2023.0191

• 测绘地理信息技术应用案例 • 上一篇

基于高分辨率遥感影像的建筑物提取

王丽梅^1,2, 王延正³

1. 河北省水文工程地质勘查院(河北省遥感中心), 河北石家庄 050021;
2. 河北省遥感中心, 河北石家庄 050021;
3. 北京图源科技有限公司, 北京 100192

收稿日期:2023-03-16 修回日期:2023-04-19 发布日期:2023-07-05
作者简介:王丽梅(1980-),女,高级工程师,主要从事空间地理信息与地图制图工作。E-mail:420545734@qq.com

Buildings extraction based on high-resolution remote sensing imagery

WANG Limei^1,2, WANG Yanzheng³

1. Hydrology Engineering Geological Exploration Institute of Hebei Province, Shijiazhuang 050021, China;
2. Hebei Provincial Remote Sensing Center, Shijiazhuang 050021, China;
3. Beijing MapCore Technology Co., Ltd., Beijing 100192, China

Received:2023-03-16 Revised:2023-04-19 Published:2023-07-05

摘要/Abstract

摘要： 高分辨率遥感影像不仅具有丰富的光谱、空间分布、形状和纹理特征,也包含清晰的场景语义信息。本文以安徽省枞阳县枞阳镇为研究区域,以高分辨率影像为基础数据源,利用eCognition软件中深度学习与面向对象相结合的方法进行建筑物自动提取。结果表明,该方法具有更好的建筑物提取效果,总体分类精度达96.8%,可用于通过高分辨率影像进行建筑物提取的生产。

关键词: 深度学习, eCognition, 多尺度分割, 面向对象影像分析, 卷积神经网络

Abstract: High-resolution remote sensing images not only have rich spectrum, spatial distribution, shape and texture features, but also contain clear scene semantic information. Taking Zongyang town, Zongyang county, Anhui province as the research area, and using high-resolution images as the basic data source, the deep learning and object-oriented method in eCognition software is used to automatically extract buildings in this paper. The results show that the method of combining deep learning with object-oriented has a better effect of building extraction, and the overall classification accuracy reaches 96.8%, which can be used for building extraction production based on high-resolution images.

Key words: deep learning, eCognition, multiresolution segmentation, object-based image analysis, convolutional neural networks

中图分类号:

P237

王丽梅, 王延正. 基于高分辨率遥感影像的建筑物提取[J]. 测绘通报, 2023, 0(6): 180-183.

WANG Limei, WANG Yanzheng. Buildings extraction based on high-resolution remote sensing imagery[J]. Bulletin of Surveying and Mapping, 2023, 0(6): 180-183.

参考文献

[1] 宫一鸣,曹辉. 基于视差影像的规则建筑物自动检测方法[J]. 测绘地理信息,2022,47(2):82-86.
[2] 郝乐川. 高分辨率可见光遥感图像建筑物提取方法研究[D]. 哈尔滨:哈尔滨工业大学,2020.
[3] 崔卫红,熊宝玉,张丽瑶. 多尺度全卷积神经网络建筑物提取[J]. 测绘学报,2019,48(5):597-608.
[4] LEXIE YANG H,YUAN Jiangye,LUNGA D,et al. Building extraction at scale using convolutional neural network:mapping of the United States[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2018,11(8):2600-2614.
[5] 伍广明,陈奇,SHIBASAKI R,等. 基于U型卷积神经网络的航空影像建筑物检测[J]. 测绘学报,2018,47(6):864-872.
[6] 任媛媛,张显峰,马永建,等.基于卷积神经网络的无人机遥感影像农村建筑物目标检测[J].南京师范大学学报(工程技术版),2019,19(3):29-36.
[7] 谢跃辉,李百寿,刘聪娜.结合多种影像特征与CNN的城市建筑物提取[J].遥感信息,2020,35(5):80-88.
[8] 胡舒,王树根,王越,等.基于MaskR-CNN的高分遥感影像建筑物目标检测研究[J/OL].测绘地理信息.[2023-05-09].https://doi.org/10.14188/j.2095-6045.2020416.
[9] 张涛,丁乐乐,史芙蓉.融合类别语义特征的卷积神经网络建筑物提取[J].遥感信息,2021,36(5):49-55.
[10] FU Tengyu,MA Lei,LI Manchun,et al. Using convolutional neural network to identify irregular segmentation objects from very high-resolution remote sensing imagery[J]. Journal of Applied Remote Sensing,2018,12(2):025010.
[11] 李亚飞,董红斌.基于卷积神经网络的遥感图像分类研究[J].智能系统学报,2018,13(4):550-556.
[12] 张斌,王强.一种改进型卷积神经网络的图像分类方法[J].成都信息工程大学学报,2019,34(1):39-43.
[13] 万亚玲,钟锡武,刘慧,等. 卷积神经网络在高光谱图像分类中的应用综述[J]. 计算机工程与应用,2021,57(4):1-10.
[14] 季长清,高志勇,秦静,等. 基于卷积神经网络的图像分类算法综述[J]. 计算机应用,2022,42(4):1044-1049.
[15] 陈蕊,张继超. 基于eCognition的遥感图像面向对象分类方法研究[J]. 测绘与空间地理信息,2020,43(2):91-95.

基于高分辨率遥感影像的建筑物提取

Buildings extraction based on high-resolution remote sensing imagery

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	沈鑫甦, 嵇灵. 面向遥感地类变化检测的U型深度学习神经网络改进方法[J]. 测绘通报, 2023, 0(6): 93-97,103.
[2]	陈桥驿, 闫宇飞, 黄永芳. 融合面向对象和深度置信网络的农村建筑物信息提取[J]. 测绘通报, 2023, 0(6): 134-137.
[3]	杜宇峰, 黄亮, 赵子龙, 李国柱. 基于DETR的高分辨率遥感影像滑坡体识别与检测[J]. 测绘通报, 2023, 0(5): 16-20.
[4]	李心媛, 贺智, 楼桉君, 肖曼. 双线性图卷积网络的环南海地区湿地遥感分类[J]. 测绘通报, 2023, 0(5): 44-50.
[5]	蔡军, 温日强, 江伟, 严娇, 卢丽娟. 传统村落航拍图像中民族建筑识别的DeepLabV3+改进算法[J]. 测绘通报, 2023, 0(4): 49-53.
[6]	齐建伟, 王伟峰, 张乐, 王光彦. 基于改进DeepLabV3+算法的遥感影像建筑物变化检测[J]. 测绘通报, 2023, 0(4): 145-149.
[7]	佘佐明, 申勇智, 宋剑虹, 向玉瑨. 利用经典CNN网络方法构建贵阳市道路要素遥感影像自动提取模型[J]. 测绘通报, 2023, 0(4): 177-182.
[8]	李子彧, 周维勋, 耿万轩. 联合类别筛选与重排序的交叉视角图像地理定位[J]. 测绘通报, 2023, 0(2): 40-45.
[9]	张永彬, 刘雅辉, 刘明月, 满卫东, 宋唐雷, 李春雨. 基于Relief F与卷积神经网络的湿地植物群落精细分类[J]. 测绘通报, 2023, 0(2): 58-64.
[10]	施仲添, 沈正伟, 杨四海. 基于前景感知的遥感影像建筑物提取方法[J]. 测绘通报, 2023, 0(2): 134-138.
[11]	王本礼, 王也, 唐先龙, 董胜光. 遥感影像变化图斑智能化提取平台研发与应用[J]. 测绘通报, 2023, 0(2): 150-154.
[12]	向煜, 黄志, 华媛媛, 邓剑峰. 深度学习支持下的宅基地复垦项目真实性智能审查技术研究与应用[J]. 测绘通报, 2023, 0(1): 163-167.
[13]	吴真真, 唐超, 杨晓飞. 基于深度学习的视频识别及动态监测技术应用[J]. 测绘通报, 2022, 0(9): 23-28.
[14]	田有良, 樊廷立, 唐超. 面向地铁隧道表面渗漏水的快速检测技术[J]. 测绘通报, 2022, 0(9): 29-33.
[15]	钱建国, 张宇琦, 汤圣君, 王伟玺, 李晓明. 最小割与深度学习联合优化的室内粘连点云分割方法[J]. 测绘通报, 2022, 0(9): 45-51.