基于卫星图像的建筑物分割与屋顶类型分类：自动化光伏面板布局方案

# 基于卫星图像的建筑物分割与屋顶类型分类：自动化光伏面板布局方案 ## 1. 背景与问题提出 在卫星图像分析领域，建筑物分割和屋顶类型分类对于光伏面板的布局规划至关重要。过去的模型虽然在一定程度上解决了建筑物分割问题，但存在诸多缺陷。当建筑物被阴影、植被、停车场等障碍物包围时，这些模型的检测效果不佳；相邻建筑物的区分不清晰，建筑物边界检测不准确；对于大面积卫星图像，只能手动裁剪提取屋顶进行分类，缺乏自动化机制。 ## 2. 解决方案概述 为解决上述问题，提出了一个两阶段的处理流程，用于建筑物分割和屋顶类型分类，并模拟光伏面板的安装。该流程主要包括以下步骤： 1. **数据预处理**：对卫星图像和对应的地面真值掩码进行裁剪、缩放和归一化处理。 2. **建筑物分割**：采用改进的 MultiRes UNet 模型进行建筑物分割，通过添加卷积层提取多尺度空间特征，并用卷积操作链替换 UNet 的跳跃连接，减少编码器和解码器特征之间的语义差距。 3. **屋顶提取**：使用边界框将分割后的建筑物包围，然后进行背景减法，自动提取屋顶。 4. **屋顶类型分类**：将提取的屋顶图像手动标记为平屋顶、山墙屋顶和四坡屋顶三类，使用四种深度学习模型（浅卷积神经网络、ResNet50、EfficientNetB4 和 VGG16）进行分类，并采用多数投票的集成方法提高分类效率。 ## 3. 系统设计 ### 3.1 数据集 使用的数据集是用于屋顶分割的航空图像（AIRS）数据集，涵盖新西兰基督城地区，空间分辨率为 7.5 厘米，空间尺寸为 10000×10000。训练集包含 857 张卫星图像，验证集和测试集各包含 90 张图像及对应的地面真值掩码。屋顶类型分类数据集有 1115 张手动标记的图像，分为平屋顶、山墙屋顶和四坡屋顶三类，其中训练集 1020 张，验证集 50 张，测试集 45 张。 ### 3.2 详细模块设计 #### 3.2.1 建筑物检测 - **预处理**： 1. 使用滑动窗口技术将卫星图像裁剪成 1536×1536 像素的小块，每张卫星图像可得到 36 个小块。 2. 将图像调整为 256×256 尺寸。 3. 使用 MinMax 缩放器进行归一化处理。 - **建筑物分割**： - MultiRes UNet 模型由 ResPath 和 MultiRes 块组成。在 MultiRes 块中，每个池化层和转置卷积层后使用 3×3、5×5 和 7×7 卷积操作提取多分辨率空间特征。 - ResPath 中的跳跃连接使用 3×3 和 1×1 卷积层减少编码器和解码器特征之间的差异。 - 编码器和解码器阶段各使用四个 MultiRes 块，每个块的滤波器数量根据公式 W = α × U 计算，其中 α = 1.67，U 为滤波器数量，U 的值设置为 [32, 64, 128, 256, 512]。 - 训练模型的超参数如下表所示： | 超参数 | 值 | | ---- | ---- | | 学习率 | 0.0001 | | 训练轮数 | 100 | | 批量大小 | 8 | | 优化器 | Adam | | 损失函数 | 二元交叉熵 | | 激活函数 | ReLU（除最后一层），sigmoid（最后一层） | - 训练后，对像素值进行简单阈值处理，大于 0.5 的值分配给前景，其余分配给背景，以明确建筑物边界。 - **屋顶提取**： - 使用边界框将分割后的建筑物包围，突出感兴趣区域。 - 对分割掩码和卫星图像进行背景减法，提取建筑物屋顶并存储在数据库中。 #### 3.2.2 屋顶类型分类和边界检测 - **数据集创建**：将提取的屋顶图像手动标记为平屋顶、山墙屋顶和四坡屋顶三类，创建数据集。数据集中不同屋顶类型的分布如下表所示： | 屋顶类型 | 训练集（91%） | 验证集（5%） | 测试集（4%） | 总数 | | ---- | ---- | ---- | ---- | ---- | | 平屋顶 | 303 | 14 | 18 | 335 | | 山墙屋顶 | 410 | 23 | 18 | 451 | | 四坡屋顶 | 307 | 13 | 9 | 329 | - **数据增强**：由于手动标记的图像数量有限，采用旋转、平移和翻转等数据增强方法增加数据集大小，以提高模型训练效果。 - **分类模型**：使用浅卷积神经网络作为基线模型，同时对 ResNet50、EfficientNetB4 和 VGG16 三个预训练模型进行微调，并进行比较分析。采用多数投票的集成方法结合不同模型的