CN114549566B 一种基于深度学习的建筑物规则轮廓的提取方法及系统 （广东国地规划科技股份有限公司）

一种基于深度学习的建筑物规则轮廓的提本发明公开了一种基于深度学习的建筑物2分别计算所述初始建筑物轮廓的第一面积和所述最小外接所述根据各所述第三面积，确定是否在所述最小外接矩形的基础上剔计算所述第一面积和所述第二面积的差值，以获得各若当前所述第二比值大于等于第二预设值，则获取当前所述待若当前所述第二比值小于第二预设值，则在当前所述最小外接矩在完成对所有所述待测区域的处理并获得更新后的所述最小外述最小外接矩形作为最终的建筑物规则轮廓提将第一遥感影像输入至分割模型，提取所述第一遥感影像的特征对所述第一二值图像依次进行腐蚀和膨胀的滤波预处理，得到对应的第二二值图像；获取多个第二遥感影像，并根据各所述第二遥感影像，分按照预设的样本图像参数，分别对各所述第二遥感影像和各所述二值图像进行3构建深度神经网络模型，并利用所述训练数据集对所述深度神经网络模型进行训练，计算模块，用于分别计算所述初始建筑物轮廓的第一面积和第一轮廓提取模块，用于当所述第一比值大于等于第一预设第二轮廓提取模块，用于当所述第一比值小于所述第一数据处理单元，用于计算所述第一面积和所述第二面积的差值第一轮廓提取单元，用于若当前所述第二比值大于等于第二轮廓提取单元，用于若当前所述第二比值小于第二结果获取单元，用于在完成对所有所述待测区域的处理特征提取单元，用于将所述第一遥感影像输入至分割模特征融合单元，用于对所述第一特征图进行多语义多尺度融预处理单元，用于对所述第一二值图像依次进行腐蚀和膨胀的滤波第三轮廓提取单元，用于根据所述初始建筑物轮廓，获4按照预设的样本图像参数，分别对各所述第二遥感影像和各所述二值图像进行随机裁剪，得到若干个所述第二遥感影像对应的样本图像，以及若干个所述二值图像对应的图像标5行建筑物识别和提取成为近年来遥感科学工作三面积，确定是否在所述最小外接矩形的基础上剔除各所述待测区域对应的最大内接矩67[0028]实施本申请实施例，可以对各所述第二遥感影像和各所述二值图像进行随机裁8[0050]图1：为本发明一实施例提供的一种基于深度学习的建筑物规则轮廓的提取方法[0053]图4：为本发明一实施例提供的一种基于最小外接矩形和最大外接矩形的建筑物[0054]图5：为本发明一实施例提供的一种基于深度学习的建筑物规则轮廓的提取系统[0055]图6：为本发明一实施例提供的一种基于深度学习的建筑物规则轮廓的提取系统[0056]图7：为本发明一实施例提供的一种基于深度学习的建筑物规则轮廓的提取系统9[0059]请参照图1，为本发明实施例提供的一种基于深度学习的建筑物规则轮廓的提取[0084]作为一种举例，设置样本图像的高度Image＿height＝512，样本图像的宽度[0091]步骤S2：分别计算初始建筑物轮廓的第一面积area＿a和最小外接矩形的第二面积area＿b，将area＿a除以area＿b并乘以100以获得第一面积area＿a和第二面积比值ratio＿1小于第一预设值时，执行步骤S4。其中，作为一个举例，ratio＿1＝80%,廓提取结果与初始建筑物轮廓的第一面积area＿a相差较小，以保证建筑物轮廓规则化提[0099]步骤S42：计算第一面积area＿a和第二面积area＿b的差值area＿delta，并将area＿c除以area＿delta并乘以100以获得各第三面积area＿c和差值area＿delta之廓提取结果与初始建筑物轮廓的第一面积area＿a相差较小，进一步保证建筑物轮廓规则始建筑物轮廓中的aeb曲线(即在当前最小外接矩形的基础上剔除最大内接矩形ofeg)，获长为1，然后不断增加oa方向和ob方向的边长来计算矩形的面积，直至找到面积最大的矩[0107]作为一种举例，在完成对所有待测区域的处理并获得更新后的最小外接矩形之[0110]计算模块2，用于分别计算初始建筑物轮廓的第一面积和最小外接矩形的第二面