基于U-net模型的遙感影像建筑物提取

孫尚彪，張海明，熊靈華，張雨涵，鐘林汕，王民水，王明常,2

1.吉林大學 地球探測科學與技術學院，長春 130026；2.自然資源部 城市國土資源監(jiān)測與仿真重點實驗室，廣東 深圳 518000

0 引言

在高分辨率遙感影像的城市區(qū)域中，超過80%的地物是建筑物和道路，使用這些信息可以進行城市建設的變化檢測和三維城市重建等[1]。近年來，隨著遙感技術的發(fā)展，高分辨率遙感影像能夠更加清晰地呈現(xiàn)建筑物的紋理特征和形狀特征，但依舊存在“同物異譜”和“同譜異物”的現(xiàn)象[2]，且現(xiàn)代建筑物的輪廓更加復雜，傳統(tǒng)遙感影像分類方法已難以滿足對復雜建筑物的提取[3]。

深度學習的飛速發(fā)展，為遙感影像的分類提供技術參考。其中，卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)表現(xiàn)出強大的分類能力，但是傳統(tǒng)的CNN進行像素分類時因數(shù)據(jù)冗余造成內(nèi)存開銷急劇增加，而只能判定整張遙感影像的類別，不能進行語義分割任務，因此并不適用于遙感影像的分類[4]。而全卷積神經(jīng)網(wǎng)絡(fully convolutional networks, FCN)對CNN模型進行了改進，采用反卷積層取代了CNN中的全連接層，使得可以輸出與原始影像相同分辨率大小的分類結果，實現(xiàn)像素級別的分類[1]。

但FCN容易丟失細節(jié)信息且只能輸入固定的尺寸影像[5]。目前已有許多分割模型對FCN進行了改進，其中代表性的模型有SegNet模型[6]、DeconvNet模型[7]、Deeplab模型[8]和U-net模型[9]。為表現(xiàn)改進后的模型在影像分類中的優(yōu)越性，本研究采用U-net模型進行建筑物提取，該模型采用了對稱的U型結構設計，融合了低維與高維的特征，同時考慮到影像的全局信息和細節(jié)信息，最后得到每個像元的分類結果，極大提升了建筑物的分類精度。目前，國內(nèi)外學者針對U-net模型開展了一系列研究工作，王寧等[4]基于U-net模型對遙感影像中的水體進行提取，其結果優(yōu)于隨機森林模型；陳進等[5]基于U-net模型對含雜水稻籽粒進行影像分割，能夠有效識別影像中的谷物和莖稈等信息；林旭[10]等利用空洞卷積改進U-net模型，提高了對植被的提取精度；洪漢玉等[11]基于U-net模型快速檢測出影像中的繩帶信息；蘇健民等[12]驗證了U-net網(wǎng)絡的精度比SegNet網(wǎng)絡和DeconvNet網(wǎng)絡的精度更高。Buslaev et al.[13]將Resnet34作為U-net模型的編碼器，并選用兩種損失函數(shù)進行加權求和，對土地覆蓋進行分割，交并比達到64%?；谝陨戏治觯琔-net模型表現(xiàn)出強大的影像分割能力，因此本文使用U-net模型進行遙感影像分類，并采用公開的Massachusetts建筑物數(shù)據(jù)集進行模型訓練和驗證，再和傳統(tǒng)方法提取的建筑物結果進行對比，比較其提取結果和分類精度，旨在選擇一種高效的建筑物提取方法，為快速獲得建筑物的分布信息以及城市建設規(guī)劃的需要提供參考。

1 原理與方法

1.1 傳統(tǒng)監(jiān)督分類法

本實驗采用5種傳統(tǒng)遙感影像分類方法進行建筑物提取和精度對比的分析實驗，包括最大似然法、馬氏距離法、最小距離法、神經(jīng)網(wǎng)絡和支持向量機。以下詳細描述了傳統(tǒng)分類方法的基本原理。

最大似然法是一種典型的基于影像統(tǒng)計的監(jiān)督分類方法，又稱為貝葉斯分類[14]。該方法的思想是假設每一個波段的每一類統(tǒng)計都呈正態(tài)分布，計算給定像元屬于某一訓練樣本的似然度，像元最終被歸并到似然度最大的一類當中。

馬氏距離法是計算輸入影像到各訓練樣本的協(xié)方差距離，最終計算協(xié)方差距離最小的，即為此類別，但要求輸入的波段數(shù)據(jù)是正態(tài)分布的，否則會引起分類誤差[14]。

最小距離法與馬氏距離法的原理是相似的，利用訓練樣本數(shù)據(jù)計算出每一類的均值向量和標準差向量，然后以均值向量作為該類在特征空間中的中心位置，計算輸入影像中每個像元到各類中心的距離大小來決定其類別[15]。

神經(jīng)網(wǎng)絡指用計算機模擬人腦的結構，用許多小的處理單元模擬生物的神經(jīng)元，用算法實現(xiàn)人腦的識別、記憶和思考過程。在網(wǎng)絡學習階段，網(wǎng)絡通過調(diào)整權重來實現(xiàn)輸入樣本與其正確類型的對應，具有較好的預測分類能力。

支持向量機(support vector machine, SVM)是一種建立在統(tǒng)計學習理論(statistical learning theory, SLT)基礎上的機器學習方法，可以自動尋找那些對分類有較大區(qū)分能力的支持向量，由此構造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準確率，在解決小樣本、非線性和高維模式識別中具有獨特的優(yōu)勢[16]。

1.2 U-net卷積神經(jīng)網(wǎng)絡

U-net模型是一個沒有全連接層的全卷積神經(jīng)網(wǎng)絡，為U型對稱的編碼器-譯碼器結構，由卷積層、最大池化層、反卷積層以及ReLu非線性激活函數(shù)組成，其輸入和輸出均為相同分辨率的影像[17]。它沿用了FCN進行影像語義分割的思想[18]，可以利用少量的數(shù)據(jù)學習到一個對邊緣提取具有十分良好的魯棒性的模型[19]，即利用卷積層、最大池化層進行特征提取，再利用反卷積層還原影像尺寸。而且U型結構的設計，可以使裁剪和拼接過程更加直觀、合理；高層特征圖與底層特征圖的拼接以及卷積的反復、連續(xù)操作，使得模型能夠從上下文信息和細節(jié)信息的組合中得到更加精確的輸出特征圖。

該模型網(wǎng)絡結構如圖1所示，其中，藍/白色框表示特征圖，藍色箭頭表示3×3卷積，用于特征提取，灰色箭頭表示跳躍連接，用于特征融合，紅色箭頭表示最大池化，用于降低維度，綠色箭頭表示上采樣，用于恢復維度，青色箭頭表示1×1卷積，用于輸出結果。模型由左半邊的壓縮通道和右半邊的擴展通道組成，壓縮通道是一個解碼器，用于逐層提取影響的特征，它重復采用2個卷積層和1個最大池化層的結構，輸入的遙感影像每進行一次池化操作后，特征圖的維數(shù)就增加1倍；擴展通道是一個解碼器，用于還原影像的位置信息，它先進行一次反卷積操作，使特征圖的維數(shù)減半，然后拼接對應壓縮通道裁剪得到的特征圖，重新組成一個2倍大小的特征圖，再采用2個卷積層進行特征提取，并重復這一結構，在最后的輸出層，用2個卷積層將64維的特征圖映射成2維的輸出圖。

圖1 U-net模型結構Fig.1 Structure of U-net model

2 評價指標

本實驗以公開數(shù)據(jù)集中的標簽數(shù)據(jù)作為模型精度評定標準，采用準確率、召回率和F1值進行結果評價(表1)。

準確率(accuracy)表示預測符合標簽的樣本與總樣本的比例，準確率值越大，模型預測的結果越準確，其表達式如下：

(1)

表1 混淆矩陣

召回率(recall)表示正確預測正樣本占正樣本的比例，其表達式如下：

(2)

F1值是精確率和召回率的調(diào)和平均值，F(xiàn)1值越高，模型越穩(wěn)健，其表達式如下：

(3)

3 實驗分析與驗證

實驗采用Massachusetts建筑數(shù)據(jù)集，該數(shù)據(jù)集由151組航拍影像和相應的單通道標簽影像組成，其中訓練部分為137組，測試部分為10組，驗證部分為4組。數(shù)據(jù)集中所有影像的像素大小為1 500×1 500，空間分辨率為1 m。每幅影像覆蓋了2.25 km2的區(qū)域，整個數(shù)據(jù)集大約覆蓋340 km2[20]。影像數(shù)據(jù)和標簽數(shù)據(jù)如圖2所示。

a.原始遙感影像；b.對應的標簽數(shù)據(jù)。圖2 實驗所采用的部分數(shù)據(jù)Fig.2 Some data used in experiments

首先，實驗使用軟件根據(jù)遙感影像建立ROI感興趣區(qū)域，分為建筑物和非建筑物兩類，然后采用監(jiān)督分類中的最大似然法、馬氏距離法、神經(jīng)網(wǎng)絡、最小距離和支持向量機分別進行建筑物的分類(圖3)。

a.最大似然法；b.馬氏距離法；c.神經(jīng)網(wǎng)絡；d.最小距離法；e.支持向量機。圖3 傳統(tǒng)分類方法提取數(shù)據(jù)集中建筑物的結果圖Fig.3 Results of extracting buildings from dataset using traditional classification methods

由圖3可見，傳統(tǒng)遙感提取的結果中建筑物的輪廓不完整，且將部分道路等與建筑物材質(zhì)相似的區(qū)域錯分為建筑物。五種分類方法的結果相差較小，整體上均呈現(xiàn)出建筑物的分布范圍，但局部區(qū)域的建筑物信息分類不準確。

然后使用深度學習的方法進行建筑物分類，首先將數(shù)據(jù)集導入至U-net模型中，先后對遙感影像進行訓練和驗證，得到訓練和驗證的損失、準確度曲線圖(圖4)。利用數(shù)據(jù)集對模型進行訓練，選擇參數(shù)最優(yōu)的模型，并進行建筑物的提取驗證，得到的提取結果如圖5所示。

圖4 損失和準確度曲線Fig.4 Loss and accuracy curves

a.訓練預測圖；b.對應的標簽數(shù)據(jù)。圖5 模型驗證結果Fig.5 Model validation results

由圖5可見，采用深度學習的方法能夠有效避免道路和陰影造成的影響，且沒有細碎的噪聲斑塊，建筑物輪廓清晰，沒有發(fā)生斷續(xù)現(xiàn)象。

依據(jù)評定標準，計算U-net方法和傳統(tǒng)遙感分類方法提取建筑物的準確度、召回率和F1值(表2)。

表2 分割結果對比

由表2可見，由于建筑物和道路的材質(zhì)相似和陰影等造成的影響，傳統(tǒng)方法在進行分類時未進行有效分割，而將道路和建筑物分為一類，因此造成準確度、召回率和F1值相比U-net較低，準確度均為60%±10%，召回率為20%±6%，F(xiàn)1值為25%±6%。而U-net網(wǎng)絡模型可以有效提高建筑物分類精度，準確度達到95%以上，召回率為88.109%，F(xiàn)1值為82.123%。因此，本文采用的深度學習方法對建筑物提取具有一定的可行性。

4 結論

(1)傳統(tǒng)分類方法需要人工建立ROI區(qū)域，提取分類特征，人工提取分類特征的優(yōu)劣直接影響建筑物的提取精度。

(2)U-net模型能夠通過對大量樣本進行訓練，不斷更新權值，能夠很好地學習分類特征，提取地物的本質(zhì)特征，極大地提高了建筑物提取的精度。

(3)深度學習網(wǎng)絡需要大量的樣本數(shù)據(jù)，而建筑物數(shù)據(jù)集的有限，容易出現(xiàn)過擬合的現(xiàn)象，且網(wǎng)絡參數(shù)的調(diào)整依賴于多次試驗，對深度學習在地物提取上的應用帶來一定的挑戰(zhàn)。