基于深度學(xué)習(xí)的地籍邊界自動提取研究

摘要：為了應(yīng)對全球70％的未注冊土地權(quán)的挑戰(zhàn)，對廉價快速的地籍測繪方法的需求不斷增長。由于傳統(tǒng)的現(xiàn)場實地測量既耗時又耗費人力，因此，土地管理部門一直提倡基于遙感的地籍測繪，但基于遙感影像的自動劃界的準(zhǔn)確性仍然是一項重大挑戰(zhàn)。在這項研究中，使用無人機獲得的圖像來探索深度全卷積網(wǎng)絡(luò)（FullyConvolutionalNetworks，F(xiàn)CN）在城市和城郊地區(qū)進行地籍邊界提取的能力。在甘肅天水的兩個地點使用其他最先進的技術(shù)來測試FCN、多分辨率分割（Multi-ResolutionSegmentation，MRS）和全局化邊界概率（GlobalizedProbabilityofBoundary，gPb）算法的性能。實驗結(jié)果表明，F(xiàn)CN在兩個研究領(lǐng)域的表現(xiàn)均優(yōu)于MRS和gPb，精度平均為0.79，召回率為0.37，F(xiàn)評分為0.50。總之，F(xiàn)CN能夠有效地提取地籍邊界，尤其是在大量地籍邊界可見的情況下。這種自動化方法可以最大限度地減少手動數(shù)字化并減少實地工作，從而促進當(dāng)前的地籍測繪和更新做法。

關(guān)鍵詞：無人機地籍邊界深度學(xué)習(xí)全局化邊界概率

ResearchonAutomaticExtractionofCadastralBoundariesBasedonDeepLearning

WANGXiaojun

GansuIndustryPolytechnicCollege，Tianshui，GansuProvince，741025China

Abstract：Thereisagrowingdemandforcheapandfastcadastralmappingmethodstoaddressthechallenge of70%globalunregisteredlandrights.Astraditionalon-sitefieldsurveyingistime-consumingandlaborintensive.Therefore，landmanagementauthoritieshavebeenpromotingcadastralmappingbasedonremotesensing，buttheaccuracyofautomaticboundarydelineationremainsamajorchallenge.Inthisresearch，weuseimageriesacquiredbyUnmannedAerialVehicles（UAV）toexplorethepotentialofdeepFullyConvolutionalNetworks（FCNs）forcadastralboundarydetectioninurbanandsemi-urbanareas.WetesttheperformanceofFCNsagainstotherstate-of-the-arttechniques，includingMulti-ResolutionSegmentation（MRS）andGlobalizedProbabilityofBoundary（gPb）intwocasestudysitesinTianshui，GansuProvince.ExperimentalresultsshowthatFCNsoutperformedMRSandgPbinbothstudyareasandachievedanaverageaccuracyof0.79inprecision，0.37inrecalland0.50inF-score.Inconclusion，F(xiàn)CNsareabletoeffectivelyextractcadastralboundaries，especiallywhenalargeproportionofcadastralboundariesarevisible.Thisautomatedmethodcouldminimizemanualdigitizationandreducefieldwork，thusfacilitatingthecurrentcadastralmappingandupdatingpractices.

KeyWords：UnmannedAerialVehicles;Cadastralboundaries;Deeplearning;GPb

自從高分辨率衛(wèi)星和航空圖像問世以來，遙感一直被用于繪制地籍邊界圖，實際上，地籍邊界通常由物理實體標(biāo)記，如道路、建筑物墻壁、圍欄、排水管、溝渠、河流等[1]。這樣的邊界在遙感圖像中是可見的，并且有可能通過圖像分析算法自動提取，從而避免了繁重的實地考察任務(wù)。

從遙感圖像中探測地籍邊界是一項艱巨的任務(wù)。最先進的方法主要基于圖像分割和邊緣檢測。分割是指將圖像劃分為不相交的區(qū)域，在該區(qū)域內(nèi)，像素在光譜特性方面彼此相似。多分辨率分割（Multi-ResolutionSegmentation，MRS）是最受歡迎的分割算法之一。經(jīng)典邊緣檢測旨在通過局部測量來檢測圖像亮度的急劇變化，包括基于導(dǎo)數(shù)的一階檢測（如Prewitt或Sobel）和二階檢測（如拉普拉斯或高斯）。基于導(dǎo)數(shù)的邊緣檢測很簡單，但對噪聲敏感。最近，基于學(xué)習(xí)的邊緣檢測取得了顯著進展，它將多個低級圖像線索整合到統(tǒng)計學(xué)習(xí)算法中，用于邊緣響應(yīng)預(yù)測[2]。全局化邊界概率（GlobalizedProbabilityofBoundary，gPb）被認為是最先進的方法之一。它使用光譜聚類將亮度、顏色和紋理線索納入全局化框架。全卷積網(wǎng)絡(luò)（FullyConvolutionalNetworks，F(xiàn)CN）是一種較新的深度學(xué)習(xí)方法。FCN能夠進行逐像素預(yù)測并接受任意大小的輸入，從而在很大程度上減少了計算成本和處理時間。FCN在特征學(xué)習(xí)和計算效率方面的優(yōu)勢使它們有望探測可見的地籍邊界，這為這項研究提供了主要動力。

1研究數(shù)據(jù)

這項研究中使用的無人機圖像是2022年在甘肅天水采集的，包含兩個研究地點，一個位于市區(qū)（命名為TS1），另一個位于城郊（命名為TS2）。數(shù)據(jù)收集的無人機是配備ZenmuseX5S傳感器的DJIInspire2。

在這項研究中，考慮精度和計算時間之間的平衡，將無人機圖像的空間分辨率從0.02m重新采樣到0.1m。從兩個研究地點各選擇了4塊2000像素×2000像素的圖斑進行實驗分析。其中，3個圖斑用于訓(xùn)練，1個用于測試算法。

2邊界檢測

2.1全卷積網(wǎng)絡(luò)

邊界檢測可被視為一種監(jiān)督式逐像素分類問題，以區(qū)分邊界和非邊界像素。本研究中使用的網(wǎng)絡(luò)是從帶有擴張內(nèi)核（FCN-DK）的FCN修改而成。主要做了3處修改：（1）丟棄最大池化層；（2）使用較小尺寸的過濾器；（3）構(gòu)建更深的網(wǎng)絡(luò)。

網(wǎng)絡(luò)的核心組件是卷積層。它們可以在對應(yīng)于不同抽象級別的不同層次上分層提取空間特征。卷積層中使用的3×3內(nèi)核從1逐漸擴展到12，以捕獲更大的上下文信息[3]。結(jié)果，在最后一層實現(xiàn)了高達157像素×157像素的接收場。在每個卷積圖層中，使用零填充來保持輸出要素地圖與輸入相同的空間維度。因此，所提出的FCN可用于直接對任意大小的圖像進行分類并獲得相應(yīng)大小的輸出。為了訓(xùn)練FCN，從每個訓(xùn)練圖斑中隨機提取了500個用于訓(xùn)練的小圖斑和500個用于驗證的小圖斑。所有小圖斑都貼有完整標(biāo)簽，大小為145像素×145像素。

2.2全局化邊界概率（gPb）

與圖像分割的其他方法（如平均移位、多尺度歸一化切割和區(qū)域合并）和邊緣檢測相比，gPb輪廓檢測提供了準(zhǔn)確的結(jié)果并且通常被稱為作為最先進的輪廓檢測方法[4]。該方法的主要優(yōu)點是通過結(jié)合邊緣檢測和分層圖像分割，同時在局部和全局范圍內(nèi)整合紋理，顏色和亮度的圖像信息來實現(xiàn)分割。

圖像分割包括：（1）從輪廓形成初始區(qū)域的定向分水嶺變換（OrientedWatershedTransform，OWT）；（2）構(gòu)建超尺度等高線圖（UltrametricContourMap，UCM），定義分層分割。OWT是分水嶺算法的變體，并且由輪廓檢測器提供的定向輪廓信號構(gòu)造一組初始區(qū)域。UCM表示通過對每個邊界及其凝聚聚類進行加權(quán)而獲得的這些區(qū)域的層次結(jié)構(gòu)。

由OWT和UCM兩個步驟組成的圖像分割可以應(yīng)用于任何輪廓檢測器的輸出，尤其適用于gPb輪廓檢測器的輸出。總體結(jié)果是：（1）等高線圖，其中每個像素被分配作為邊界像素的概率；（2）二進制邊界圖，可以從中導(dǎo)出閉合的片段。邊界圖中從等高線圖轉(zhuǎn)移到閉合段的輪廓數(shù)由閾值定義，gPb-OWT-UCM處理流程在本文中稱為gPb輪廓檢測。

gPb輪廓檢測一般適用于紋理、線條和亮暗等特征對比明顯的圖像，通過給予不同概率劃分邊界輪廓，在面積較大的特征范圍檢測相對準(zhǔn)確。

2.3多分辨率分割（MRS）

本研究在eCognition軟件中進行MRS。MRS是一種區(qū)域合并技術(shù)，從每個像素開始形成一個圖像對象或區(qū)域。合并標(biāo)準(zhǔn)是局部同質(zhì)性，它描述了相鄰圖像對象之間的相似性[5]。當(dāng)所有可能的合并都超過同質(zhì)性標(biāo)準(zhǔn)時，合并過程將停止。

3精度評估

精度評估采用了精度召回措施，這是一種標(biāo)準(zhǔn)評估技術(shù)，特別適用于計算機視覺領(lǐng)域的邊界檢測。精度（P），用于測量正確檢測到的邊界像素與檢測到的邊界像素總數(shù)的比率。召回率（R），也稱為完整性，表示正確檢測到的邊界占實地調(diào)查真實總邊界的百分比。F值（F）表示精度與召回率之間的諧波平均值。由于F結(jié)合了精度和召回率，因此可以將其視為整體質(zhì)量衡量標(biāo)準(zhǔn)。這三個度量的范圍介于0和1之間。值越大表示精度越高。

4結(jié)果

所提出的方法均在市區(qū)和城郊這兩個研究地點實施，使用精確召回框架，評估結(jié)果時會考慮測試方塊上的分類準(zhǔn)確性。表1和圖1顯示了測試圖塊的視覺和數(shù)值結(jié)果。

表1分別顯示了可見邊界和不可見邊界的精度，以及每種算法在TS1和TS2上所有地籍邊界的總體精度。以TS1中FCN對可見地籍邊界的分類精度為例，F(xiàn)CN的精度達到0.75，這意味著真正探測到的可見邊界與探測到的總邊界之比為75％。召回值為0.65，表示在實際所有可見邊界中檢測到了65%的可見地籍邊界。FCN的最終F分數(shù)為0.70，這可以看作是質(zhì)量績效的總體衡量標(biāo)準(zhǔn)。表3中的其他結(jié)果可以用同樣的方式解釋。有趣的是，根據(jù)精度的數(shù)學(xué)含義，可見邊界和不可見邊界上的P值之和應(yīng)等于所有地籍邊界上的P值。可以通過表1中的六組數(shù)據(jù)輕松驗證這一點，容差小于±0.03。將FCN與gPb—OWT—UCM和MRS進行比較，最顯著的發(fā)現(xiàn)是，在相同的情況下，TS1中可見邊界或TS2中所有邊界的探測精度，F(xiàn)CN的P值始終大于gPb—OWT—UCM和MRS的P值，而FCN的R值總是較小。FCN始終獲得最高的F值。這些結(jié)果表明，gPb—OWT—UCM和MRS可以檢測到很大比例的地籍655353975ad86187ae1b08205109f3e1df740741e61e7efebac9a89aeeefe9c8邊界，但也可以檢測許多虛假邊界。FCN具有非常高的精度率，可實現(xiàn)最佳的整體性能。

圖1顯示了可見（白色）和不可見（灰色）的實地調(diào)查邊界以及所研究算法的檢測結(jié)果。根據(jù)圖1，F(xiàn)CN分類輸出中缺失的邊界片段主要是不可見的邊界。此外，與gPb—OWT—UCM和MRS相比，F(xiàn)CN的輸出更規(guī)律、更清晰。盡管建筑物和樹木的輪廓對應(yīng)于堅固的邊緣，但FCN不會將它們與地籍邊界混淆。

6結(jié)語

本研究提出的深度FCN能夠從原始無人機圖像中提取可見的地籍邊界。在兩個研究地點進行的實驗得出的F分數(shù)約為0.5。所提出的方法提取了非常干凈和清晰的邊界，避免了混亂的建筑物輪廓的影響。可以減少當(dāng)前地籍測繪和數(shù)據(jù)更新做法的處理時間和勞動力。

參考文獻

[1]田雨.基于LADM的三維地籍?dāng)?shù)據(jù)庫概念模型構(gòu)建[D].武漢：中國地質(zhì)大學(xué)，2023.

[2]張廷玉，贠銀娟.深圳市地籍調(diào)查技術(shù)方法及問題探討[J].測繪與空間地理信息，2024，47（1）：167-169，172.

[3]丁德生，黃遠程，熊良生，等.面向復(fù)雜城鄉(xiāng)區(qū)地籍調(diào)查的控制測量方法探討[J].地理空間信息，2023，21（6）：96-98.

[4]侯剛棟.懷來縣村鎮(zhèn)地籍管理信息系統(tǒng)建設(shè)的應(yīng)用研究[D].西安：西安科技大學(xué)，2022.

[5]郭中卿.基于地籍測量的技術(shù)方法與應(yīng)用研究[J].華北自然資源，2023（1）：108-110.

[6]許其寧，王云凌.三維激光掃描技術(shù)在地籍測量中的應(yīng)用[J].經(jīng)緯天地，2023（1）：8-10，14.