欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202010474764X
申请人: 广西大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2023-12-11
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于Mask R-CNN的航拍图建筑物检测和分割方法,其特征在于,包括以下步骤:步骤1:采集城镇建筑物的清晰航拍图像并对图像中的建筑物轮廓进行标注,得到训练数据集和测试数据集,并且使用非随机掩盖的数据增强方式增强训练数据集;

步骤2:搭建基于Mask R-CNN的航拍图建筑物检测和分割方法的网络架构,所搭建的网络架构包括以下模块;

特征提取模块,该模块使用深层卷积神经网络提取输入图像的高级特征表示;

区域建议网络-RPN(Region Proposal Network),用于从特征提取模块输出的图像特征映射图中提取出需要进行分类的候选区域RoI(Region of Interest);

RoI区域分类器,用于对RoI中的对象进行分类和输出边界框的坐标;

RoI区域分割网络,用于执行图像语义分割,生成每个候选区域的建筑物掩码;

步骤3:将增强后的建筑物航拍图训练数据集作为网络的输入,通过迭代训练得到航拍图像分割模型,并且通过测试集数据对训练获得的分割模型进行测试和性能评估,得到最终的航拍图建筑物分割模型;

步骤4:将所获得的模型应用于用户需要进行处理的建筑物航拍图,得到最终的建筑物航拍图像分割图。

2.根据权利要求1中所述的基于Mask R-CNN的航拍图建筑物检测和分割方法,其特征在于,所述步骤1中非随机掩盖的数据增强方法为,对每一幅训练样本进行手工添加掩盖区域,在包括含有阴影部分干扰物的训练图片中,将掩盖区域选择位于阴影干扰物部分;在没有明显干扰的图片中,将掩盖区域选择位于建筑物对象边缘部分,掩盖区域的像素值设置为0,再对所有的图片使用标注工具进行轮廓标注。

3.根据权利要求1中所述的基于Mask R-CNN的航拍图建筑物检测和分割方法,其特征在于,所述步骤2搭建基于Mask R-CNN的航拍图建筑物检测和分割方法的网络架构中采用ResNet-101-FPN作为特征提取网络。

4.根据权利要求1中所述的基于Mask R-CNN的航拍图建筑物检测和分割方法,其特征在于,所述步骤3网络在建筑物航拍图数据集上训练之前,通过使用在ImageNet数据集上预训练的模型权重对用于特征提取的ResNet-101网络参数进行初始化,并且使用在COCO数据集上预训练的权重对RPN网络的参数进行初始化。

5.根据权利要求1中所述的基于Mask R-CNN的航拍图建筑物检测和分割方法,其特征在于,可以全自动的检测并分割出输入的航拍图中的所有建筑物。

6.基于Mask R-CNN的航拍图建筑物检测和分割装置,其特征在于,包括:图像输入模块,用于用户将待分割建筑物航拍图输入网络进行分割;

图像深层特征提取模块,用于对输入图像数据进行深层特征提取,得到多尺度的特征图;

候选区域获取模块,用于从输入航拍图像的特征图计算得到包含建筑物目标的候选区域;

候选区域分类和修正模块,用于对RPN得到的候选区域进行分类和修正包围框;

候选区域分割和输出模块,用于对修正后的候选区域进行分割,获取目标建筑物的形状掩码,并通过形状掩码和候选区域位置坐标计算出原图中建筑物屋顶轮廓的分割区域,得到最终的建筑物分割图像。

7.根据权利要求6所述的基于Mask R-CNN的航拍图建筑物检测和分割装置,其特征在于,所述图像深层特征提取模块包括:通过已经预先训练好的ResNet-101-FPN网络对输入航拍图进行计算得到多尺度的特征图像金字塔。

8.根据权利要求6所述的基于Mask R-CNN的航拍图建筑物检测和分割装置,其特征在于,所述候选区域获取模块通过已经预先训练好的RPN网络可以为每个建筑物目标生成一个候选区域,以进行后续的分类和分割操作。

9.根据权利要求6所述的基于Mask R-CNN的航拍图建筑物检测和分割装置,其特征在于,所述候选区域分割和输出模块包括一个训练好的全卷积神经网络计算得到建筑物的分割掩模,并通过形状掩码和候选区域位置坐标计算出原图中建筑物屋顶轮廓的分割区域,得到最终的建筑物分割图像。