遥感图像数字表面模型建筑物点过滤方法研究

摘要：

针对图像密集匹配生产的数字表面模型(DSM)进行点云滤波,算法对地形依赖大,参数设置复杂,精度不高,后续人工编辑修饰的工作量大、效率低的问题,该文设计了第一套针对DSM滤波、涵盖多种样本形式(栅格、矢量)的航空图像建筑物数据集.针对航空图像建筑物尺度较大等特点,将膨胀卷积加入U-Net构成Dilated U-Net,并综合运用其进行建筑物语义分割,利用分割结果在相应图像密集匹配得到的DSM上滤除建筑物点,然后采用投票插值策略得到过滤掉建筑物点的DSM.实验证明:利用该文网络DU-Net将DSM中非地面建筑物点滤除,Ⅰ类误差在5.8％以内,Ⅱ类误差在2.4％以内,其可以在30 s内完成超过9 000万个建筑点与非建筑物点位置的预测,效率高、成本低.DU-Net网络建筑物语义分割过程不受地形、高差的限制,对于其他非地面点的滤波具有一定的借鉴意义.

关键词：深度学习、卷积神经网络、建筑物语义分割、数字表面模型

所属期刊栏目：46

分类号：P237(摄影测量学与测绘遥感)

资助基金：国家重点研发计划2019YFB1405602

在线出版日期：2021-04-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：85-92