建筑物是地物类型的重要组成部分之一，由于高空间分辨率遥感影像中地物信息量丰富、噪声信息明显等特点，增加了“同谱异物”“同物异谱”现象，使得高精度建筑物提取变得困难。在遥感影像中自动提取建筑物，主要途径是根据遥感影像中不同地物类型的形状特征、光谱特征及空间语义特征等信息处理遥感图像(刘莉，2013)。
城市建筑物的遥感提取，相对于乡村建筑物，主要有以下难点。
(1)光谱特征方面，高分辨率遥感影像中存在大量同物异谱和同谱异物的现象，城市建筑物与城市道路，在光谱特征和纹理特征方面都十分相似。
(2)遥感影像中一般建筑物屋顶的亮度值较均匀，但是由于屋顶材质的多样性，以及建筑物屋顶上太阳能电热板和天窗的存在，导致屋顶呈现不同的光谱特征。
(3)形状特征方面，城市建筑物分布集中，形状和大小复杂多变，但在同一小区或者村落中建筑物大都有相同的走向和分布规则。
(4)此外，城市空间布局紧凑，低层建筑物容易被城市绿化和高层建筑物遮挡，导致在遥感影像上难以辨认。
为了更精确、更快、更及时地识别和提取建筑物，近年来，国内外研究者致力于研究新算法，已经取得了很多研究成果，包括多尺度分割提取方法、基于边缘和角点检测与匹配的提取方法、基于区域分割的提取方法、基于数学工具、新理论以及辅助知识的提取方法等。(www.xing528.com)
由于建筑物本身结构和周围环境的复杂性，为了提高建筑物提取精度，很多学者提出了通过引入新的数学工具和理论，挖掘图像中的阴影、纹理、几何结构特征，结合语义网、上下文等相关信息辅助提取建筑的方法。
基于Massachusetts建筑物公开数据集所提供的影像数据，使用改进的FCN网络结构，可以实现了光学影像建筑物的自动提取，通过卷积操作提取输入影像的特征，并在每个卷积层后使用ReLU激活函数进一步提取输入图像的更深层次特征，最后通过Softmax分类器实现对输入图像的像素级建筑物提取，提取过程见图11-16。图11-17显示了美国马萨诸塞州区域的城市建筑物提取结果(Shao et al.，2020)。
图11-16 深度学习提取建筑物技术流程图
图11-17 利用深度学习方法进行城市建筑物提取
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
