于明洋,張文焯,陳肖嫻,劉耀輝,2

(1.山東建筑大學 測繪地理信息學院,濟南 250101; 2.河北省地震動力學重點實驗室, 河北 三河 065201)

基于高分辨率遙感影像的建筑物自動提取對災害預警與處理、城市發(fā)展與規(guī)劃、智慧城市建設(shè)等意義重大[1]。近年來，隨著遙感影像分辨率的提高，使得建筑物的光譜特征更加明顯，為提取的信息建筑物提供更加豐富的語義、紋理特征，同時也會導致干擾和冗余信息的增加，建筑物高精度自動提取是一項具有挑戰(zhàn)性的研究。早期的建筑物提取方法大多利用手工提取的特征作為判斷依據(jù)，包括基于邊緣檢測的方法[2]和基于影像特征的方法[3]。李巍岳等[4]利用數(shù)學形態(tài)學對Sobel算子檢測的輪廓進行修正，提高建筑物提取的準確率。王丹[5]將Canny算子與區(qū)域分割、區(qū)域生長相結(jié)合，有效提取建筑物的邊緣信息。林雨準等[6]基于影像的光譜、形狀等特征，引入多尺度分割、形態(tài)學建筑物指數(shù)的思想進行建筑物的分級提取。Huang等[7]通過構(gòu)建多尺度城市復雜指數(shù)整合不同窗口的多尺度信息，進行不同場景下的建筑物幾何特征的提取。此外，諸如支持向量機SVM[8]、boosting[9]、隨機森林[10]和條件隨機場(CRF)[11]等優(yōu)秀的機器學習分類器也被用于建筑物的提取。以上方法很大程度上依賴于特征選取和參數(shù)選擇，在實際應用中有一定的局限性。

隨著計算機算力的快速發(fā)展及可用數(shù)據(jù)源的增加，深度學習技術(shù)，特別是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)已經(jīng)成為自然語言處理、語義分割等領(lǐng)域的強大工具。CNN可以從輸入的圖片信息中自動學習語義信息，并通過順序連接的卷積層得到輸出結(jié)果。相比于傳統(tǒng)的機器學習方法，深度學習這種自我特征學習能力可以解決更為復雜的問題。諸多學者利用VGGNet[12]、GoogleNet[13]、ResNet[14]等CNN模型進行相關(guān)研究，效果優(yōu)于傳統(tǒng)的機器學習方法。然而，CNN網(wǎng)絡(luò)的全連接層會將特征圖處理為固定長度的輸出向量，并以數(shù)值描述的形式進行結(jié)果輸出[15]，所以適合于圖像級的分析和回歸任務(wù)，但并不適合于建筑物提取的這類語義分割任務(wù)。

2015年，Long提出全卷積網(wǎng)絡(luò)(Fully Convolutional Network, FCN)進行語義級別的分類。FCN在卷積層后連接上采樣層對特征圖進行處理，可以在最大程度上保留原始影像的空間信息[16]，隨后涌現(xiàn)了一批以FCN為基礎(chǔ)架構(gòu)的語義分割網(wǎng)絡(luò)。Ronneberger等[17]提出具有對稱編碼結(jié)構(gòu)的UNet方法，UNet方法通過跳躍連接的方法來融合圖像的多尺度信息，提高圖像分割精度。Badrinarayanan等[18]提出的SegNet方法設(shè)計卷積配合池化的編碼器和反卷積加上采樣的解碼器，從而提升邊緣刻畫度并且減少訓練的參數(shù)。DeconvNet[19]在每一個卷積和反卷積層后都連接批歸一化層(Batch Normalization, BN)，同時在上采樣前采用全連接層(Fully Connected Layers，F(xiàn)C)作為中介，增強了對類別的區(qū)分。Chen等[20-22]提出的DeepLab模型用概率圖模型優(yōu)化分割結(jié)果，同時在卷積操作中設(shè)置擴張率擴大感受野[23-24]。DeepLabv3+作為該系列模型的最新改進，使用更深的網(wǎng)絡(luò)。DeepLabv3+設(shè)計融合層特征和高層特征的編碼-解碼結(jié)構(gòu)(Encoder-Decoder)，獲取更加豐富的影像特征圖。同時，在空洞空間金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)中加入了BN層，更高效從多個尺度聚合影像語義信息。此外，DeepLabv3+在ASPP和Decoder中都應用深度可分離卷積簡化模型參數(shù)并提高計算效率[22]。作為Google公司標志性的分割模型之一，在Cityscapes等數(shù)據(jù)集上有著良好的分割效果和精度優(yōu)勢，但是較少在影像建筑物分割場景中使用。

文中提出一種遙感圖像建筑物自動提取架構(gòu)，以DeepLabv3+為網(wǎng)絡(luò)，利用公開建筑物數(shù)據(jù)集(WHU Building Dataset)[25]進行建筑物提取研究，并與其他算法包括機器學習方法(SVM、K-Means、KNN、CART)和深度學習模型(U-Net、SegNet、PSPNet)進行精度對比，為高分辨率遙感影像建筑物高精度的自動提取提供借鑒。

1 研究方法

1.1 建筑物自動提取架構(gòu)設(shè)計

文中研究的建筑物自動提取架構(gòu)，主要包括數(shù)據(jù)處理、模型訓練和建筑物自動提取3部分，流程圖如圖1所示。

圖1 建筑物自動提取架構(gòu)流程

1.2 DeepLabv3+網(wǎng)絡(luò)架構(gòu)

DeepLabv3+利用DCNN+ASPP進行影像特征提取，得到經(jīng)過DCNN的低層特征圖和經(jīng)過ASPP的高層特征圖，搭配連接高-低特征圖的Decoder部分通過concat函數(shù)融合高、低層特征信息，得到特征高級且語義豐富的特征圖，經(jīng)過上采樣恢復特征圖大小得到建筑物分類結(jié)果。ASPP與Decoder的結(jié)合可以在捕獲多尺度信息的基礎(chǔ)上有效融合低層與高層信息，提高圖像分割精度[26]。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 DeepLabv3+模型結(jié)構(gòu)

Encoder中為了獲得空間分辨率更高的特征圖，選用帶空洞卷積(Atrous Convolution)的DCNN作為特征提取網(wǎng)絡(luò)，空洞卷積原理如圖3所示。通過設(shè)置空洞卷積中不同的比率(rate)得到低層特征圖和高層特征圖。其中空洞卷積是在原始卷積模塊基礎(chǔ)上進行一定的擴展，可以在相同的計算成本和參數(shù)量的前提下獲得更大的視覺感受野。經(jīng)DCNN得到的低層特征圖直接進入Decoder，而高層特征圖通過ASPP進行處理。ASPP由4個具有不同比率的空洞卷積以及一個全局池化(Image Pooling)組成，通過融合多尺度信息提高分割精度。

圖3 空洞卷積原理

在Decoder中，高層特征首先經(jīng)過4倍雙線性內(nèi)插上采樣(Upsample by 4)并與經(jīng)過1×1卷積運算后的低層特征進行融合，然后經(jīng)過一個3×3的卷積和雙線性插值得到預測結(jié)果。DeepLabv3+中的編碼-解碼結(jié)構(gòu)示意圖如圖4所示。

圖4 編碼-解碼結(jié)構(gòu)示意圖

2 實驗數(shù)據(jù)集及評價指標

2.1 數(shù)據(jù)集

本研究采用的數(shù)據(jù)集是WHU Building Dataset[25]，數(shù)據(jù)采集于新西蘭克賴斯特徹奇。WHU數(shù)據(jù)集空間分辨率為0.3 m，包括8 189幅512像素×512像素的遙感影像，分為訓練集、驗證集和測試集。WHU數(shù)據(jù)集的原始影像及其對應標簽如圖5所示。

圖5 原始影像及其對應標簽

2.2 數(shù)據(jù)處理

數(shù)據(jù)增強方法通過樣本擴充增加訓練樣本避免模型出現(xiàn)過擬合現(xiàn)象。本研究對樣本進行垂直、水平鏡像翻轉(zhuǎn)以及不同角度的旋轉(zhuǎn)，如圖6所示。

圖6 旋轉(zhuǎn)及翻轉(zhuǎn)后圖像

2.3 硬件配置及參數(shù)設(shè)置

本實驗基于PyTorch開發(fā)框架進行，硬件配置為NVIDIA GeForce RTX 3070。為了更好地利用圖形處理器(GPU)的能力，提高計算效率，將數(shù)據(jù)集中的圖像隨機裁剪為256像素×256像素。在實驗過程中，通過多次對比試驗，確定最優(yōu)模型參數(shù)：采用Adam優(yōu)化器；基礎(chǔ)學習率設(shè)為1E-4；設(shè)置150個epoch；為了克服GPU內(nèi)存的限制，mini-batch size設(shè)為8。DeepLabv3+模型的精度和損失值隨訓練次數(shù)的變化如圖7所示。

圖7 精度和損失值隨訓練次數(shù)的變化

為了探究文中提出的架構(gòu)在建筑物自動提取方面的精度優(yōu)勢，選用SVM、K-Means、KNN、CART 4種傳統(tǒng)的機器學習方法以及U-Net、SegNet、PSPNet 3種典型的語義分割網(wǎng)絡(luò)與DeepLabv3+網(wǎng)絡(luò)進行對比試驗。在實驗過程中，通過對比分類結(jié)果，確定了最佳的模型參數(shù)。SVM方法、K-Means方法使用ENVI完成，SVM參數(shù)設(shè)置如下：Gamma值為0.333，懲罰系數(shù)為100，內(nèi)核類型為Radial Basis Function；K-Means參數(shù)設(shè)置包括：分類類別為10，改變閾值為5%，最大迭代為1。KNN方法、CART方法使用eCognition完成，KNN參數(shù)設(shè)置包括：圖像分割方法為Multiresolution Segmentation，分割閾值為20，深度為0，最小樣本數(shù)為0，交叉驗證層數(shù)為3；CART參數(shù)設(shè)置與KNN方法保持一致。U-Net、SegNet、PSPNet的訓練參數(shù)設(shè)置與DeepLabv3+參數(shù)保持一致。

2.4 評價指標

1)總體精度(Overall Accuracy, OA)，影像中預測正確的建筑物和背景像元占所有像元的比例：

(1)

式中：TP代表提取為建筑物，實際為建筑物的個數(shù)；FP代表提取為建筑物，實際為背景的個數(shù)；TN代表提取為背景，實際為背景的個數(shù)；FN代表提取為背景，實際為建筑物的個數(shù)。

2)召回率(Recall)，影像中預測正確的建筑物像元占建筑物區(qū)域真值像元的比例：

(2)

3)精確度(Precision)，影像中預測正確的建筑物像元占所有預測為建筑物像元的比例：

(3)

4)F1得分(F1-score)，代表OA和Precision的加權(quán)平均值：

(4)

5)交并比(IoU)，代表真實值和預測值兩個集合的交集與并集的比值：

(5)

3 結(jié)果與討論

3.1 基于像素分類方法結(jié)果對比

SVM，K-Means和DeepLabv3+各分類方法的結(jié)果如圖8所示。圖8中的白色、黑色分別為建筑物、背景的預測?；谙袼氐姆诸惙椒?SVM、K-Means)提取結(jié)果中有明顯的椒鹽現(xiàn)象，也有許多其他要素被誤分為建筑物。語義分割網(wǎng)絡(luò)DeepLabv3+建筑物提取效果較好，大部分建筑物的邊緣部分相對清晰，只是在細節(jié)上有著零星斑點。

圖8 基于像素分類方法結(jié)果對比

SVM，K-Means和DeepLabv3+的精度指標如表1所示。SVM方法的各項平均精度指標(OA=69.6%；Precision=62.1%；Recall=66.4%；F1 score=63.7%；IoU=45.3%)均高于K-Means方法(OA=57.3%；Precision=34.7%；Recall=48.2%；F1 score=40.2%；IoU=21.6%)。DeepLabv3+精度評價的各項指標遠超于基于像素分類方法的指標，各評價指標均超過89.1%。

表1 基于像素分類方法精度對比

3.2 面向?qū)ο蠓诸惙椒ńY(jié)果對比

KNN，CART和DeepLabv3+各方法的分類結(jié)果如圖9所示。圖9中的白色、黑色分別為建筑物、背景的預測。面向?qū)ο蟮姆诸惙椒?KNN、CART)提取建筑物椒鹽問題有所改善，但是建筑物輪廓仍不夠清晰，出現(xiàn)了分類結(jié)果連片的情況，同時有大量的誤分、漏分情況。

圖9 面向?qū)ο蠓诸惙椒ńY(jié)果對比

KNN，CART和DeepLabv3+的精度指標如表2所示。KNN方法的各項平均精度指標均高于K-Means方法，KNN方法的OA、Precision、Recall、F1 score、IoU分別比K-Means方法提高6.0%，10.2%，22.4%，10.1%，19.0%。DeepLabv3+相對于KNN和CART方法，各評價指標平均提高25.1%，表明該方法比面向?qū)ο蠓椒ǜm合于建筑物提取任務(wù)。

表2 面向?qū)ο蠓诸惙椒ň葘Ρ?/p>

續(xù)表2

3.3 語義分割網(wǎng)絡(luò)結(jié)果對比

為了更好地比較UNet、SegNet、PSPNet和DeepLabv3+這4種網(wǎng)絡(luò)模型提取建筑物的效果，將提取的建筑物結(jié)果進行更加詳細的展示，4種網(wǎng)絡(luò)的建筑物提取結(jié)果如圖10所示。圖中綠色代表正確提取的建筑物，藍色代表漏檢的建筑物，紅色代表誤檢的建筑物，黑色代表背景。

圖10 語義分割網(wǎng)絡(luò)結(jié)果對比

從整體而言，PSPNet的提取結(jié)果中正確提取(綠色)的建筑物最少，漏檢(藍色)的建筑物最多。UNet和SegNet的提取結(jié)果中，正確提取(綠色)的建筑物和漏檢(藍色)的建筑物大致相同，但是UNet有更多誤檢(紅色)的建筑物。相比之下，DeepLabv3+的分割結(jié)果中漏檢(藍色)和誤檢(紅色)的建筑物明顯少于其他網(wǎng)絡(luò)模型，但是由于DeepLabv3+仍選用兩次雙線性插值上采樣來增加特征分辨率以及數(shù)據(jù)集本身的限制，DeepLabv3+對于少部分建筑物的邊緣易誤分。

從單個建筑物來看，如切片1中的紅框內(nèi)提取結(jié)果所示，UNet、SegNet和PSPNet只提取了小部分，有比較明顯的漏檢情況，而DeepLabv3+提取的相對完整，有清晰的建筑物邊界，基本不存在漏檢的建筑物；如切片2中的紅框內(nèi)提取結(jié)果所示，SegNet完全沒有提取到該建筑物，而PSPNet比UNet提取效果好，但只提取了部分輪廓，DeepLabv3+提取效果最好，提取了完整的建筑物輪廓；如切片3中的紅框內(nèi)提取結(jié)果所示，UNet只提取到了該建筑物的很小一部分輪廓，SegNet提取到了該建筑物的上半部分輪廓，PSPNet提取到了建筑物的中部輪廓，而DeepLabv3+提取比較完整，提取到了完整的建筑物輪廓信息；如切片4中的紅框內(nèi)提取結(jié)果所示，UNet、SegNet和PSPNet提取效果相當，能夠提取大部分建筑物輪廓，而DeepLabv3+效果更好，沒有漏檢和誤檢的情況。

研究不同模型建筑物提取精度定量評定結(jié)果如表3所示。DeepLabv3+的總體精度、召回率、F1得分、交并比值均最高，UNet的準確度值最高。其中DeepLabv3+的F1得分達到了93.3%，相對UNet提高3.4%，相對SegNet提高6.9%，相對PSPNet提高11.2%；且交并比相對UNet提高5.7%，相對SegNet提高11.3%，相對PSPNet提高17.8%。

表3 語義分割網(wǎng)絡(luò)精度對比

定性分析和定量評價結(jié)果表明，文中選用的DeepLabv3+模型采用空洞卷積和空間金字塔池化的Encoder-Decoder結(jié)構(gòu)，建筑物分割效果較好，提取精度有所提升，具備區(qū)分建筑物和其它地物的能力。

4 結(jié) 論

文中提出一種高分辨率遙感影像建筑物自動提取架構(gòu)，基于DeepLabv3+網(wǎng)絡(luò)，利用WHU數(shù)據(jù)集進行提取實驗，并與基于像素的分類方法、面向?qū)ο蟮姆诸惙椒ㄒ约捌渌Z義分割模型進行結(jié)果與精度的對比分析，結(jié)論如下：

1)基于像素的分類方法(SVM、K-Means)和面向?qū)ο蟮姆诸惙椒?KNN、CART)可以實現(xiàn)建筑物的提取，但與本架構(gòu)的提取效果相比，建筑物提取結(jié)果中椒鹽效應明顯，難以得到清晰的建筑物輪廓。與深度學習方法相比，需要大量參數(shù)設(shè)置，效率較低。

2)利用DeepLabv3+進行高分辨率遙感影像建筑物提取，總體精度為96.3%、召回率為92.5%、F1得分為93.3%、交并比為87.5%，在幾種網(wǎng)絡(luò)中表現(xiàn)最優(yōu)，表明DeepLabv3+在高分辨率遙感影像中的建筑物提取中效果較好，具有較高精度。

今后研究將考慮在模型的解碼器部分增加更多的低層特征來源，并進一步與其他算法相結(jié)合，提高建筑物的提取精度，同時選用更多的數(shù)據(jù)集進行實驗分析。