基于深度學習的地籍邊界自動提取研究

摘要：為了應對全球70％的未注冊土地權的挑戰，對廉價快速的地籍測繪方法的需求不斷增長。由于傳統的現場實地測量既耗時又耗費人力，因此，土地管理部門一直提倡基于遙感的地籍測繪，但基于遙感影像的自動劃界的準確性仍然是一項重大挑戰。在這項研究中，使用無人機獲得的圖像來探索深度全卷積網絡（FullyConvolutionalNetworks，FCN）在城市和城郊地區進行地籍邊界提取的能力。在甘肅天水的兩個地點使用其他最先進的技術來測試FCN、多分辨率分割（Multi-ResolutionSegmentation，MRS）和全局化邊界概率（GlobalizedProbabilityofBoundary，gPb）算法的性能。實驗結果表明，FCN在兩個研究領域的表現均優于MRS和gPb，精度平均為0.79，召回率為0.37，F評分為0.50。總之，FCN能夠有效地提取地籍邊界，尤其是在大量地籍邊界可見的情況下。這種自動化方法可以最大限度地減少手動數字化并減少實地工作，從而促進當前的地籍測繪和更新做法。

關鍵詞：無人機地籍邊界深度學習全局化邊界概率

ResearchonAutomaticExtractionofCadastralBoundariesBasedonDeepLearning

WANGXiaojun

GansuIndustryPolytechnicCollege，Tianshui，GansuProvince，741025China

Abstract：Thereisagrowingdemandforcheapandfastcadastralmappingmethodstoaddressthechallenge of70%globalunregisteredlandrights.Astraditionalon-sitefieldsurveyingistime-consumingandlaborintensive.Therefore，landmanagementauthoritieshavebeenpromotingcadastralmappingbasedonremotesensing，buttheaccuracyofautomaticboundarydelineationremainsamajorchallenge.Inthisresearch，weuseimageriesacquiredbyUnmannedAerialVehicles（UAV）toexplorethepotentialofdeepFullyConvolutionalNetworks（FCNs）forcadastralboundarydetectioninurbanandsemi-urbanareas.WetesttheperformanceofFCNsagainstotherstate-of-the-arttechniques，includingMulti-ResolutionSegmentation（MRS）andGlobalizedProbabilityofBoundary（gPb）intwocasestudysitesinTianshui，GansuProvince.ExperimentalresultsshowthatFCNsoutperformedMRSandgPbinbothstudyareasandachievedanaverageaccuracyof0.79inprecision，0.37inrecalland0.50inF-score.Inconclusion，FCNsareabletoeffectivelyextractcadastralboundaries，especiallywhenalargeproportionofcadastralboundariesarevisible.Thisautomatedmethodcouldminimizemanualdigitizationandreducefieldwork，thusfacilitatingthecurrentcadastralmappingandupdatingpractices.

KeyWords：UnmannedAerialVehicles;Cadastralboundaries;Deeplearning;GPb

自從高分辨率衛星和航空圖像問世以來，遙感一直被用于繪制地籍邊界圖，實際上，地籍邊界通常由物理實體標記，如道路、建筑物墻壁、圍欄、排水管、溝渠、河流等[1]。這樣的邊界在遙感圖像中是可見的，并且有可能通過圖像分析算法自動提取，從而避免了繁重的實地考察任務。

從遙感圖像中探測地籍邊界是一項艱巨的任務。最先進的方法主要基于圖像分割和邊緣檢測。分割是指將圖像劃分為不相交的區域，在該區域內，像素在光譜特性方面彼此相似。多分辨率分割（Multi-ResolutionSegmentation，MRS）是最受歡迎的分割算法之一。經典邊緣檢測旨在通過局部測量來檢測圖像亮度的急劇變化，包括基于導數的一階檢測（如Prewitt或Sobel）和二階檢測（如拉普拉斯或高斯）。基于導數的邊緣檢測很簡單，但對噪聲敏感。最近，基于學習的邊緣檢測取得了顯著進展，它將多個低級圖像線索整合到統計學習算法中，用于邊緣響應預測[2]。全局化邊界概率（GlobalizedProbabilityofBoundary，gPb）被認為是最先進的方法之一。它使用光譜聚類將亮度、顏色和紋理線索納入全局化框架。全卷積網絡（FullyConvolutionalNetworks，FCN）是一種較新的深度學習方法。FCN能夠進行逐像素預測并接受任意大小的輸入，從而在很大程度上減少了計算成本和處理時間。FCN在特征學習和計算效率方面的優勢使它們有望探測可見的地籍邊界，這為這項研究提供了主要動力。

1研究數據

這項研究中使用的無人機圖像是2022年在甘肅天水采集的，包含兩個研究地點，一個位于市區（命名為TS1），另一個位于城郊（命名為TS2）。數據收集的無人機是配備ZenmuseX5S傳感器的DJIInspire2。

在這項研究中，考慮精度和計算時間之間的平衡，將無人機圖像的空間分辨率從0.02m重新采樣到0.1m。從兩個研究地點各選擇了4塊2000像素×2000像素的圖斑進行實驗分析。其中，3個圖斑用于訓練，1個用于測試算法。

2邊界檢測

2.1全卷積網絡

邊界檢測可被視為一種監督式逐像素分類問題，以區分邊界和非邊界像素。本研究中使用的網絡是從帶有擴張內核（FCN-DK）的FCN修改而成。主要做了3處修改：（1）丟棄最大池化層；（2）使用較小尺寸的過濾器；（3）構建更深的網絡。

網絡的核心組件是卷積層。它們可以在對應于不同抽象級別的不同層次上分層提取空間特征。卷積層中使用的3×3內核從1逐漸擴展到12，以捕獲更大的上下文信息[3]。結果，在最后一層實現了高達157像素×157像素的接收場。在每個卷積圖層中，使用零填充來保持輸出要素地圖與輸入相同的空間維度。因此，所提出的FCN可用于直接對任意大小的圖像進行分類并獲得相應大小的輸出。為了訓練FCN，從每個訓練圖斑中隨機提取了500個用于訓練的小圖斑和500個用于驗證的小圖斑。所有小圖斑都貼有完整標簽，大小為145像素×145像素。

2.2全局化邊界概率（gPb）

與圖像分割的其他方法（如平均移位、多尺度歸一化切割和區域合并）和邊緣檢測相比，gPb輪廓檢測提供了準確的結果并且通常被稱為作為最先進的輪廓檢測方法[4]。該方法的主要優點是通過結合邊緣檢測和分層圖像分割，同時在局部和全局范圍內整合紋理，顏色和亮度的圖像信息來實現分割。

圖像分割包括：（1）從輪廓形成初始區域的定向分水嶺變換（OrientedWatershedTransform，OWT）；（2）構建超尺度等高線圖（UltrametricContourMap，UCM），定義分層分割。OWT是分水嶺算法的變體，并且由輪廓檢測器提供的定向輪廓信號構造一組初始區域。UCM表示通過對每個邊界及其凝聚聚類進行加權而獲得的這些區域的層次結構。

由OWT和UCM兩個步驟組成的圖像分割可以應用于任何輪廓檢測器的輸出，尤其適用于gPb輪廓檢測器的輸出。總體結果是：（1）等高線圖，其中每個像素被分配作為邊界像素的概率；（2）二進制邊界圖，可以從中導出閉合的片段。邊界圖中從等高線圖轉移到閉合段的輪廓數由閾值定義，gPb-OWT-UCM處理流程在本文中稱為gPb輪廓檢測。

gPb輪廓檢測一般適用于紋理、線條和亮暗等特征對比明顯的圖像，通過給予不同概率劃分邊界輪廓，在面積較大的特征范圍檢測相對準確。

2.3多分辨率分割（MRS）

本研究在eCognition軟件中進行MRS。MRS是一種區域合并技術，從每個像素開始形成一個圖像對象或區域。合并標準是局部同質性，它描述了相鄰圖像對象之間的相似性[5]。當所有可能的合并都超過同質性標準時，合并過程將停止。

3精度評估

精度評估采用了精度召回措施，這是一種標準評估技術，特別適用于計算機視覺領域的邊界檢測。精度（P），用于測量正確檢測到的邊界像素與檢測到的邊界像素總數的比率。召回率（R），也稱為完整性，表示正確檢測到的邊界占實地調查真實總邊界的百分比。F值（F）表示精度與召回率之間的諧波平均值。由于F結合了精度和召回率，因此可以將其視為整體質量衡量標準。這三個度量的范圍介于0和1之間。值越大表示精度越高。

4結果

所提出的方法均在市區和城郊這兩個研究地點實施，使用精確召回框架，評估結果時會考慮測試方塊上的分類準確性。表1和圖1顯示了測試圖塊的視覺和數值結果。

表1分別顯示了可見邊界和不可見邊界的精度，以及每種算法在TS1和TS2上所有地籍邊界的總體精度。以TS1中FCN對可見地籍邊界的分類精度為例，FCN的精度達到0.75，這意味著真正探測到的可見邊界與探測到的總邊界之比為75％。召回值為0.65，表示在實際所有可見邊界中檢測到了65%的可見地籍邊界。FCN的最終F分數為0.70，這可以看作是質量績效的總體衡量標準。表3中的其他結果可以用同樣的方式解釋。有趣的是，根據精度的數學含義，可見邊界和不可見邊界上的P值之和應等于所有地籍邊界上的P值。可以通過表1中的六組數據輕松驗證這一點，容差小于±0.03。將FCN與gPb—OWT—UCM和MRS進行比較，最顯著的發現是，在相同的情況下，TS1中可見邊界或TS2中所有邊界的探測精度，FCN的P值始終大于gPb—OWT—UCM和MRS的P值，而FCN的R值總是較小。FCN始終獲得最高的F值。這些結果表明，gPb—OWT—UCM和MRS可以檢測到很大比例的地籍655353975ad86187ae1b08205109f3e1df740741e61e7efebac9a89aeeefe9c8邊界，但也可以檢測許多虛假邊界。FCN具有非常高的精度率，可實現最佳的整體性能。

圖1顯示了可見（白色）和不可見（灰色）的實地調查邊界以及所研究算法的檢測結果。根據圖1，FCN分類輸出中缺失的邊界片段主要是不可見的邊界。此外，與gPb—OWT—UCM和MRS相比，FCN的輸出更規律、更清晰。盡管建筑物和樹木的輪廓對應于堅固的邊緣，但FCN不會將它們與地籍邊界混淆。

6結語

本研究提出的深度FCN能夠從原始無人機圖像中提取可見的地籍邊界。在兩個研究地點進行的實驗得出的F分數約為0.5。所提出的方法提取了非常干凈和清晰的邊界，避免了混亂的建筑物輪廓的影響。可以減少當前地籍測繪和數據更新做法的處理時間和勞動力。

參考文獻

[1]田雨.基于LADM的三維地籍數據庫概念模型構建[D].武漢：中國地質大學，2023.

[2]張廷玉，贠銀娟.深圳市地籍調查技術方法及問題探討[J].測繪與空間地理信息，2024，47（1）：167-169，172.

[3]丁德生，黃遠程，熊良生，等.面向復雜城鄉區地籍調查的控制測量方法探討[J].地理空間信息，2023，21（6）：96-98.

[4]侯剛棟.懷來縣村鎮地籍管理信息系統建設的應用研究[D].西安：西安科技大學，2022.

[5]郭中卿.基于地籍測量的技術方法與應用研究[J].華北自然資源，2023（1）：108-110.

[6]許其寧，王云凌.三維激光掃描技術在地籍測量中的應用[J].經緯天地，2023（1）：8-10，14.