基于改進SegNet網絡的遙感影像建筑物信息提取

摘 要：建筑物是人類生活的重要場所，利用遙感影像準確快速地提取建筑物信息是在更精細的尺度上分析人類活動的重要途徑。用傳統的監督分類等方法提取復雜的建筑物結構信息，在精度和準確度上效果較差。因此，本文對SegNet網絡進行改進，在SegNet網絡中引用跳層連接結構補充解碼器層的目標細節信息，同時，引用ASPP模塊增強網絡對多尺度目標的捕捉能力。用改進后的SegNet網絡在WHU遙感影像建筑物中進行試驗，并與U-Net網絡、SegNet網絡和SVM方法進行對比。試驗結果表明：改進后的SegNet網絡總體精度和準確度分別為95.14％和98.35％，精度明顯高于對比試驗方法。

關鍵詞：全卷積神經網絡；建筑物提取；SegNet網絡；ASPP模塊

中圖分類號：TP 79" " " " " 文獻標志碼：A

建筑物是十分重要的地物信息，是人類生活的重要場所。快速準確地獲取建筑物信息十分重要。當利用傳統的監督分類等方法對建筑物信息進行提取時，會有精度不高的情況。因此，研發一種提取效率高，樣本需求量小，準確度高的建筑物提取方法具有重要的意義。全卷積神經網絡逐漸被廣大學者采用，其中U-Net[1]網絡和SegNet[2]網絡分類效果不錯。徐知宇等[3]通過改進的U-Net網絡對城市綠地進行分類，試驗結果表明，此方法能準確地對綠地進行分類。王寧等[4]采用U-Net網絡提取高分一號高分辨率遙感影像水體信息，結果表明U-Net網絡更適用于提取水體高精度。楊建宇等[5]利用SegNet網絡提取遙感影像農村建設用地，驗證了SegNet網絡能夠有效利用高光譜影像的農村建筑物的光譜信息，精度得到明顯提高。張春森等[6]在SegNet網絡的基礎上進行改進，改進后能有效地識別和提取高分辨率數據集中的建筑物。宋德娟等[7]利用SegNet網絡和最大后驗概率網絡構建冬小麥遙感提取網絡，獲取精細的冬小麥空間分布數據。SegNet網絡結構清晰且分類精度較高。因此，本文在SegNet網絡的基礎上進行改進，進而提取遙感影像的建筑物。

1 技術路線

本文采用一種改進的SegNet網絡方法對遙感影像建筑物進行提取。技術路線包括選取數據集、圖像增強、網絡訓練以及分類結果的對比分析，如圖1所示。

2 建筑物提取網絡結構設計

本文在原始的SegNet網絡上對2個方面進行改進：結合U-Net網絡的優點，引用在U-Net網絡中使用的的跳層連接結構，以此達到補充SegNet網絡在編碼器層丟失的目標細節的目的；引用空洞空間池化金字塔（Atrous Spatial Pyramid Pooling，ASPP）模塊，提高其對不同尺度建筑物信息提取的能力，改進后的SegNet網絡既結合了ASPP模塊的優點，又利用了U-Net網絡跳層連接的優勢，進而在遙感影像提取建筑物結構信息中獲得更好的效果。ASPP模塊因其高效的提取效率，廣泛應用于各大主流網絡中，如圖2所示。在ASPP模塊中，從上到下依次為1×1卷積，空洞率分別為6、12和18的空洞卷積層，最下面是一個平均池化層。輸入特征輸入后經過ASPP處理，再對處理后的特征信息進行聯合，得到特征信息圖。

改進的SegNet網絡與原始的SegNet網絡相似，結構均為編碼器—解碼器，整體結構對稱，如圖3所示。可將編碼器層部分劃分為5組，每組都包括卷積層、最大池化層和激活函數。5組包括13個卷積層和5個最大池化層。每個模塊的卷積層深度從外到內依次為64、128、256、512和512，卷積核大小與原始SegNet網絡均為3×3。在編碼器層部分，輸入的遙感影像經過卷積和最大池化等操作獲得深層的建筑物特征信息，一起輸入解碼層。解碼器與編碼器對稱，因此同樣分為5組。編碼層引用的為最大池化操作，與編碼層不同，解碼層用上池化層替換最大池化層，以此將編碼層得到的深層特征建筑物信息恢復到與輸入大小一致。本文引用的ASPP模塊在編碼器和解碼器層的中間，此模塊進一步對在編碼器中得到的建筑物特征信息進行提取與選擇。改進SegNet在對應的部分引入了跳層連接結構，這樣能有效地恢復編碼器階段最大池化操作導致丟失的細節特征。利用SegNet網絡的分類器對得到的建筑物信息特征進行計算，得出每個像素是否屬于建筑物的概率，確定此像素是否為建筑物，以此達到提取建筑物的目的。

3 試驗結果和分析

3.1 數據集構建

本文使用的建筑物數據集為WHU Building數據集，包括17388張遙感影像和對應標簽。遙感影像像素為512px×512px，空間分辨率為0.45m。考慮硬件設備的實際情況，選取其中的一部分作為本文的試驗數據。將選取的遙感數據影像分為3個部分：訓練數據集200張，驗證數據集200張和測試數據集60張，并對圖像進行相應增強處理，標簽是二值影像，為使各模型能準確地學習其特征和內部規律，將其背景值設置為0，設置建筑物部分的值為1。由于原遙感影像為標簽圖像文件格式（TIFF），文件過大，影響程序的運行速度，因此將其轉化為無損壓縮的位圖圖像格式（PNG），不僅能保留影像的細節，還能提高圖像提取的效率。圖4顯示的是在WHU數據集中，選取的訓練數據中一張影像及其樣本標簽。

3.2 試驗結果和分析

本文以SVM方法、U-Net網絡和SegNet網絡為對比試驗，與改進的SegNet網絡提取結果進行對比。對其中具有代表性的測試影像進行分析，如圖5所示，其中，圖5（a）為測試影像；圖5（b）為標簽；圖5（c）為SVM提取結果；圖5（d）為U-Net提取結果；圖5（e）為SegNet提取結果；圖5（f）為改進的SegNet提取結果。

從圖5（c）中可以看出，監督分類中的SVM方法，在建筑物的提取過程中存在許多錯誤提取的情況且碎片化嚴重，包括將河流、裸土和道路等用地錯分為建筑物，導致分類精度很低。從圖5（d）中可以看出，U-Net網絡提取的建筑物與SVM方法相比更好，錯提現象明顯改善，但U-Net網絡在提取過程中存在漏提小型建筑物的情況，在提取大型建筑的過程中，存在邊緣細節處理粗糙和提取存在空洞的現象。從圖5（e）中可以看出，SegNet網絡的建筑物提取結果，比SVM方法和U-Net網絡提取得更準確些，基本不存在錯誤識別其他地物的情況。但提取結果仍然有邊緣細節不準確的問題，并存在孔洞現象。從圖5（f）中可以看出，使用改進的SegNet網絡處理遙感影像建筑物的邊緣細節效果明顯改善很多，識別建筑物的準確度明顯提升，基本不存在錯提和漏提的情況。在小型建筑物提取的過程中，也都能進行準確識別，通常不存在漏提的情況，總體精度很高。與其他方法相比，改進的SegNet網絡無論是處理邊緣細節，還是提取建筑物的準確度都明顯優于其他方法的提取效果，這得益于跳層連接結構補充了卷積操作時丟失的細節問題，使邊緣細節完整準確。改進的SegNet網絡提取結果基本上不存在孔洞現象，說明引用ASPP模塊能提取多尺度特征，完美解決了孔洞現象問題。由此說明，本文方法具有一定的應用價值。精度對比見表1。

從表1中可以看出，使用SVM方法的各精度都不高，總體精度為87.78％，精確度＜85％。U-Net網絡的總體精度為89.83％，準確度為91.55％，雖然比SVM更高，但是要明顯低于SegNet網絡，SegNet網絡Kappa為0.8862，精度不錯，而U-Net的Kappa只有0.8163。改進的SegNet網絡總體精度最高，比SVM方法高7.36％。在準確度方面，比U-Net網絡高2.61％。在召回率方面，改進的SegNet網絡比U-Net網絡高3％。在Kappa系數上，改進的SegNet網絡為0.9256，遠高于其他3種方法。從以上數據可知，改進的SegNet網絡各方面都更突出，明顯比其他2種方法精度更高。其較高的精度得益于跳層連接結構，對編碼器階段遙感影像提取特征時丟失的細節信息進行了補充。用ASPP模塊使改進的網絡能很好地識別各尺度的建筑物。綜合以上數據說明，本文改進的SegNet網絡具有一定的準確性。

4 結論

在高分辨率遙感影像中，影像擁有豐富的地物細節信息和復雜的建筑物結構信息，因此對建筑物信息進行準確快速地提取具有十分重要的意義。在傳統的監督分類算法中，提取高分辨率的遙感影像錯提率較高且不能準確識別建筑物信息。而在原始的U-Net和SegNet網絡中提取建筑物信息具有一定的缺陷，例如提取結果邊緣信息粗糙，提取的建筑物信息有孔洞現象等。針對以上問題，當提取建筑物時，在原始的SegNet網絡的基礎上對2個方面進行改進：通過引用ASPP模塊來增強網絡對多尺度建筑物的提取能力。引用跳層連接結構補充解碼器層的目標細節。利用改進后SegNet網絡、SVM、U-Net網絡和原始的SegNet網絡提取建筑物并進行對比，試驗結果表明：改進后的SegNet網絡在精度和準確度分別為95％和98％；改進后的SegNet網絡能有效地解決漏提小型建筑物和提取大型建筑物時有孔洞的問題，使提取精度符合目前的提取要求。本文對SegNet網絡進行改進，使其在提取精度方面效果較優，但在訓練過程中耗時較長，因此在后續研究中要結合輕量級的網絡提取建筑物。

參考文獻

[1]寧霄，趙鵬.基于U-Net卷積神經網絡的年輪圖像分割算法[J].生態學雜志，2019，38（5）：1580-1588.

[2]唐廷元，付波霖，李穎，等.SegNet在從低空無人機影像中提取會仙巖溶濕地地物信息中的應用[J].濕地科學，2020，18（4）：413-423.

[3]徐知宇，周藝，王世新，等.面向GF-2遙感影像的U-Net城市綠地分類[J].中國圖象圖形學報，2021，26（3）：700-713.

[4]王寧，程家驊，張寒野，等.U-Net模型在高分辨率遙感影像水體提取中的應用[J].國土資源遙感，2020，32（1）：35-42.

[5]楊建宇，周振旭，杜貞容，等.基于SegNet語義網絡的高分辨率遙感影像農村建設用地提取[J].農業工程學報，2019，35（5）：251-258.

[6]張春森，葛英偉，蔣蕭.基于稀疏約束SegNet的高分辨率遙感影像建筑物提取[J].西安科技大學學報，2020，40（3）：441-448.

[7]宋德娟，張承明，楊曉霞，等.高分二號遙感影像提取冬小麥空間分布[J].遙感學報，2020（5）：596-608.