本发明涉及智能控制技术领域，具体为一种基于全卷积神经网络的建筑面多级优化提取方法。
背景技术：
建筑物是城市环境中的主要地物类型，从影像地图数据中自动提取建筑物aoi，能够有效的提升gis数据的覆盖度和准确度，对于提升城市规划与商业营销具有重要意义；
建筑物轮廓提取是从影像地图数据中识别建筑物并获取其位置、及轮廓信息的过程，建筑物作为城市环境中最为突出的地物类型，如何提高其信息获取的质量与效率一个难题。
技术实现要素：
本发明提供一种基于全卷积神经网络的建筑面多级优化提取方法，可以有效解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于全卷积神经网络的建筑面多级优化提取方法，包括如下步骤：
s1、利用基于全卷积神经网络进行建筑物轮廓初步提取，然后在此基础上，提取建筑物初始轮廓进行多边形初拟合处理；
s2、对拟合后的轮廓利用最佳拟合外接矩形结hausdorff距离算法进行轮廓的初步规整；
s3、最后对复杂轮廓中无法优化的局部轮廓利用shi-tomasi算法进行深度优化，最终输出最佳优化规整的建筑物轮廓结果。
根据上述技术方案，所述s1中具体步骤为将fcns网络的所有的fc层被移除；
将level2中不同尺寸的特征图使用不同的上采样倍率变为原图像大小，然后再通过全卷积层得到预测结果。
根据上述技术方案，所述s1中建筑物轮廓提取，利用douglas-peucker算法将轮廓进行多边形拟合，douglas-peucker算法的多边形拟合，由于分类原理提取的初始建筑物轮廓边缘存在锯齿，轮廓点数量较多，不利于后续轮廓点的计算，为了减少计算量，通过多边形拟合方法保留轮廓的主要形状特征。
根据上述技术方案，所述s2中最佳拟合外接矩形，利用提取与建筑物轴线倾斜程度相一致的外接矩形作为最佳拟合外接矩形，可以有效的提升准确率。
根据上述技术方案，所述s2中利用hausdorff距离算法，以准确地衡量建筑物的拟合轮廓与最佳拟合外接矩形存在的距离差异，作为评判拟合轮廓是否合适的标准。
根据上述技术方案，所述s3中基于shi-tomasi算法对复杂建筑物轮廓进行优化，针对直角建筑物的直角拐角特性，利用角点检测并进行角点取舍，可以在保留轮廓直角细节的同时去除尖锐的小角度，从而得到符合建筑物轮廓的垂直边角。
与现有技术相比，本发明的有益效果：本发明结构科学合理，使用安全方便，利用建筑物的光谱信息、形状纹理等特征来提取建筑物，通过全卷积神经网络，多边形拟合，最佳拟合外接矩形，hausdorff距离算法，shi-tomasi算法对复杂建筑物轮廓进行多级优化，可以有效提升提取准确率，从而能够充分利用不同尺度下的空间上下文信息的网络结构，优化建筑物尺寸的动态范围，通过优化全卷积神经网络算法，减少网络参数，提升图像处理效率，通过分级优化最终提升建筑物轮廓提取的准确度。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的流程步骤结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：如图1所示，本发明提供技术方案，一种基于全卷积神经网络的建筑面多级优化提取方法，包括如下步骤：
s1、利用基于全卷积神经网络进行建筑物轮廓初步提取，然后在此基础上，提取建筑物初始轮廓进行多边形初拟合处理；
s2、对拟合后的轮廓利用最佳拟合外接矩形结hausdorff距离算法进行轮廓的初步规整；
s3、最后对复杂轮廓中无法优化的局部轮廓利用shi-tomasi算法进行深度优化，最终输出最佳优化规整的建筑物轮廓结果。
根据上述技术方案，基于全卷积神经网络进行建筑物轮廓初步提取，能够充分利用不同尺度下的空间上下文信息的网络结构，优化建筑物尺寸的动态范围，通过优化全卷积神经网络算法，减少网络参数，提升图像处理效率；
全卷积神经网络对图像进行像素级的分类，从而解决了语义级别的图像分割问题，与经典的cnn在卷积层使用全连接层得到固定长度的特征向量进行分类不同，fcn可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷基层的特征图(featuremap)进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每一个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后奇偶在上采样的特征图进行像素的分类。
根据上述技术方案，s1中具体步骤为将具体为首先将fcns网络的所有的fc层被移除；
一方面可以大幅度减少冗余的参数；
另一方面，fc层的输出图像只有原图的1/32，丢失了太多的位置信息，对建筑物的提取几乎没有帮助；
我们将level2中不同尺寸的特征图使用不同的上采样倍率变为原图像大小，然后再通过全卷积层得到预测结果。这样明显改善了梯度反向传播不均衡的问题；
其次，深度神经网络的浅层特征图具有很精确地位置信息但是很低的语义性，而深层恰恰相反；
对于图像分割问题而言，我们不仅需要很强的语义信息，而且需要精确地位置信息，因此我们将高层、中层、低层的特征图全部融合起来获得更好地效果。
根据上述技术方案，s1中建筑物轮廓提取，利用douglas-peucker算法将轮廓进行多边形拟合，douglas-peucker算法的多边形拟合，由于分类原理提取的初始建筑物轮廓边缘存在锯齿，轮廓点数量较多，不利于后续轮廓点的计算，为了减少计算量，通过多边形拟合方法保留轮廓的主要形状特征。
根据上述技术方案，douglas-peucker算法，是将曲线近似表示为一系列点，并减少点的数量的一种算法。描述如下：
(1)在曲线首尾两点a，b之间连接一条直线ab，该直线为曲线的弦；
(2)得到曲线上离该直线段距离最大的点c，计算其与ab的距离d；
(3)比较该距离与预先给定的阈值threshold的大小，如果小于threshold，则该直线段作为曲线的近似，该段曲线处理完毕；
(4)如果距离大于阈值，则用c将曲线分为两段ac和bc，并分别对两段取信进行1-3的处理；
(5)当所有曲线都处理完毕时，依次连接各个分割点形成的折线，即可以作为曲线的近似。
根据上述技术方案，s2中最佳拟合外接矩形，利用提取与建筑物轴线倾斜程度相一致的外接矩形作为最佳拟合外接矩形，可以有效的提升准确率；
利用轴向评价的方法选择最佳拟合外接矩形，首先获取每个建筑物的最小面积外接矩形，通过判断建筑物轴线及其最小面积外接矩形相对于屏幕坐标系的倾斜程度，选择与倾斜程度相一致的为其对应的最佳拟合外接矩形，其中倾斜程度的计算，主要通过统计多边形上所有相邻两点的横纵坐标差值，当差值小于2-5个像素值的概率较大时，实为多边形近似平行于屏幕坐标轴，则视为倾斜程度为正，反之为负，依此思想判断建筑物多边形与最小面积外接矩形的倾斜程度是否一致，如果两者一致，选用最小面积外接矩形；反之，选用最小外包矩形作为最佳拟合外接矩形。
根据上述技术方案，s2中利用hausdorff距离算法，以准确地衡量建筑物的拟合轮廓与最佳拟合外接矩形存在的距离差异，作为评判拟合轮廓是否合适的标准；
作为评判拟合轮廓是否合适的标准，hausdorff距离算法基本原理是通过计算两组样本点之间的距离来度量样本间相似度，通过对建筑物轮廓多边形和最佳拟合外接矩形线段等分，计算建筑物轮廓上的每一个线段与最佳拟合外接矩形的单向hausdorff距离，以逐步选取每个等分段的最佳拟合轮廓，最终形成初步的建筑物轮廓提取结果。
根据上述技术方案，s3中基于shi-tomasi算法对复杂建筑物轮廓进行优化，针对直角建筑物的直角拐角特性，利用角点检测并进行角点取舍，可以在保留轮廓直角细节的同时去除尖锐的小角度，从而得到符合建筑物轮廓的垂直边角。
根据上述技术方案，shi-tomasi算法是由shi和tomasi提出的角点检测算法，工作原理是寻找图像边缘曲线中曲率极大值的点，使用shi-tomasi算法提取局部轮廓角点后进行匹配排序，然后依次计算分析三点两线夹角大小剔除无用角点，最后将保留的角点依次连接全面规整建筑物，具体步骤如下：
(1)基于shi-tomasi的局部轮廓角点提取，初步优化的结果基础上，提取无法规整的局部线段，使用shi-tomasi算法计算局部小窗口w(x,y)在各个方向移动后的灰度变化来检测角点，对各个方向窗口内的灰度发生了较大的变化位置，视作角点，依此提取出局部线段上的所有角点；
(2)角点匹配排序，利用有序的建筑物轮廓点坐标与角点坐标进行欧氏距离计算，作为角点匹配的相似性度量，将欧式距离最小的建筑物轮廓上的点的序号作为其匹配角点的序号；
(3)角点特征分析与剔除，因为角点检测得到的点集会出现精度很高的细小线段和冗余角点，另外建筑物提取时因小阴影遮挡或者提取错误不符合形态学规则的角点也需剔除，根据角点序号，依次迭代计算相邻三个角点形成的两线夹角θ，设定夹角集合t＝{α|-80°<α<80°}，当夹角θ∈t，则近似认为p1为非转角点，p0、p1、p2三点可能位于同一条线段上，则删除p1；当夹角
根据上述技术方案，分级优化，首先利用基于全卷积神经网络进行建筑物轮廓初步提取，然后在此基础上，提取建筑物初始轮廓进行多边形初拟合处理；其次对拟合后的轮廓利用最佳拟合外接矩形结hausdorff距离算法进行轮廓的初步规整；最后对复杂轮廓中无法优化的局部轮廓利用shi-tomasi算法进行深度优化。最终输出最佳优化规整的建筑物轮廓结果。
与现有技术相比，本发明的有益效果：本发明结构科学合理，使用安全方便，利用建筑物的光谱信息、形状纹理等特征来提取建筑物，通过全卷积神经网络，多边形拟合，最佳拟合外接矩形，hausdorff距离算法，shi-tomasi算法对复杂建筑物轮廓进行多级优化，可以有效提升提取准确率，从而能够充分利用不同尺度下的空间上下文信息的网络结构，优化建筑物尺寸的动态范围，通过优化全卷积神经网络算法，减少网络参数，提升图像处理效率，通过分级优化最终提升建筑物轮廓提取的准确度。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于全卷积神经网络的建筑面多级优化提取方法，其特征在于：包括如下步骤：
s1、利用基于全卷积神经网络进行建筑物轮廓初步提取，然后在此基础上，提取建筑物初始轮廓进行多边形初拟合处理；
s2、对拟合后的轮廓利用最佳拟合外接矩形结hausdorff距离算法进行轮廓的初步规整；
s3、最后对复杂轮廓中无法优化的局部轮廓利用shi-tomasi算法进行深度优化，最终输出最佳优化规整的建筑物轮廓结果。
2.根据权利要求1所述的一种基于全卷积神经网络的建筑面多级优化提取方法，其特征在于，所述s1中具体步骤为将fcns网络的所有的fc层被移除；
将level2中不同尺寸的特征图使用不同的上采样倍率变为原图像大小，然后再通过全卷积层得到预测结果。
3.根据权利要求1所述的一种基于全卷积神经网络的建筑面多级优化提取方法，其特征在于，所述s1中建筑物轮廓提取，利用douglas-peucker算法将轮廓进行多边形拟合，douglas-peucker算法的多边形拟合，由于分类原理提取的初始建筑物轮廓边缘存在锯齿，轮廓点数量较多，不利于后续轮廓点的计算，为了减少计算量，通过多边形拟合方法保留轮廓的主要形状特征。
4.根据权利要求1所述的一种基于全卷积神经网络的建筑面多级优化提取方法，其特征在于，所述s2中最佳拟合外接矩形，利用提取与建筑物轴线倾斜程度相一致的外接矩形作为最佳拟合外接矩形，可以有效的提升准确率。
5.根据权利要求1所述的一种基于全卷积神经网络的建筑面多级优化提取方法，其特征在于，所述s2中利用hausdorff距离算法，以准确地衡量建筑物的拟合轮廓与最佳拟合外接矩形存在的距离差异，作为评判拟合轮廓是否合适的标准。
6.根据权利要求1所述的一种基于全卷积神经网络的建筑面多级优化提取方法，其特征在于，所述s3中基于shi-tomasi算法对复杂建筑物轮廓进行优化，针对直角建筑物的直角拐角特性，利用角点检测并进行角点取舍，可以在保留轮廓直角细节的同时去除尖锐的小角度，从而得到符合建筑物轮廓的垂直边角。
技术总结