利用U-net網(wǎng)絡的高分遙感影像建筑提取方法
發(fā)布時間：2021-02-23 09:27
針對傳統(tǒng)的高分影像建筑物提取方法存在分割精度低和分割邊界模糊等問題,提出基于U-net神經(jīng)網(wǎng)絡的高分辨率光學遙感影像建筑物提取方法。方法包含U-net神經(jīng)網(wǎng)絡和全連接CRFs網(wǎng)絡,依據(jù)圖像特征進行語義分割并優(yōu)化分割結果;在實現(xiàn)U-net神經(jīng)網(wǎng)絡和全連接CRFs模型的基礎上,根據(jù)U-net的特點以及本文數(shù)據(jù)特性調試出不同數(shù)據(jù)量的增強扭曲數(shù)據(jù)集進行測試,以達到最高魯棒的分割效果;調試全連接CRFs模型,使得后處理結果更加貼近影像中的真實情況。實驗結果表明,與利用傳統(tǒng)分割方法的分割效果相比,該方法分割精度及地物邊緣分割完整度都得到了顯著提升,對高分辨率遙感影像中建筑物的實驗分割精度達到了87.64%。
【文章來源】：遙感信息. 2020,35(03)北大核心
【文章頁數(shù)】：8 頁
【部分圖文】：
原始影像與最大似然分類法效果對比
面向對象分類方法中的關鍵是影像分割。較為廣泛使用的分割方法有區(qū)域分割法、多尺度分割法和基于紋理的分割法等。影像分割質量的優(yōu)劣與分割方法及分割參數(shù)的選擇密不可分，這也直接決定了分割對象的形狀、數(shù)量等指標，進而對后續(xù)的分類結果產(chǎn)生影響。然而，目前并沒有一套通用的方法來確定分割參數(shù)。若將研究重點放在影像對象的特征表達上，越充分的特征表達就越需要人工的參與，如此一來就增加了分類的復雜程度。影像分類是利用分類器對提取的特征進行分類的步驟。較為有效的機器學習算法的分類過程中，只有有限的線性組合或非線性變換組合，不能充分學習特征向量的復雜結構信息，用于復雜、數(shù)據(jù)量大的樣本時會直接導致分類精度不高的問題。雖然也有如基于歸一化切割法（normalized cut,N-Cut）演變而來的Grab Cut算法仍被現(xiàn)代圖像處理工作使用，其作為一種迭代式語義分割算法，利用圖像中的紋理及顏色信息和邊界反差信息，運用少量的人機交互操作，即可得到前后背景分割效果。但該算法仍是根據(jù)圖像像素自身的低階視覺信息進行的圖像分割，沒有訓練過程，會導致在對較復雜的影像進行分割時，產(chǎn)生地物提取邊界不完整的問題[8]，效果如圖2所示。圖2(b）為Grab Cut法對圖1(a）高分辨率遙感影像的分割效果，其中，彩色區(qū)域為被分割出的建筑物。Grab Cut法雖然可以僅介入少量的人工干預，利用圖像中的像元間差異提取建筑物，但從分割效果可以看出，其依然沒能擺脫周圍地物對分割效果的影響，分割效果仍不理想；且僅僅可以分割單一對象，雖可以通過編程解決多個對象的分割需求，但多個對象的分割就意味著更多人工的介入。因此可以得出結論，傳統(tǒng)的面向對象的分類方法也已經(jīng)無法適用于高分辨率遙感影像的地物分割工作。
本文的重點研究內(nèi)容在于：如何根據(jù)影像數(shù)據(jù)實現(xiàn)U-net神經(jīng)網(wǎng)絡分割圖像及全連接CRFs處理模型進行分割后處理，并根據(jù)實驗通過更改輸入數(shù)據(jù)及調試參數(shù)等操作嘗試優(yōu)化分割效果。1 利用U-net神經(jīng)網(wǎng)絡的高分辨率光學遙感影像建筑物提取
【參考文獻】：
期刊論文
[1]基于候選區(qū)域和并行卷積神經(jīng)網(wǎng)絡的行人檢測[J]. 徐喆,王玉輝. 計算機工程與應用. 2019(22)
[2]深度學習方法用于遙感圖像處理的研究進展[J]. 胡龍廷,張克. 計算機產(chǎn)品與流通. 2019(06)
[3]深度學習方法研究綜述[J]. 高明旭,李靖,朱緒平,常延輝. 中國科技信息. 2019(10)
[4]基于U-Net卷積神經(jīng)網(wǎng)絡的年輪圖像分割算法[J]. 寧霄,趙鵬. 生態(tài)學雜志. 2019(05)
[5]遙感技術在城市中的應用——以鄭州為例[J]. 孫會超. 江蘇科技信息. 2019(11)
[6]遙感圖像處理與展示平臺的設計與實現(xiàn)[J]. 范明虎,左憲禹,劉揚. 河南大學學報(自然科學版). 2019(02)
[7]基于CNN的高分遙感影像深度語義特征提取研究綜述[J]. 董蘊雅,張倩. 遙感技術與應用. 2019(01)
[8]基于深度學習的高分辨率遙感影像建筑物提取方法[J]. 范榮雙,陳洋,徐啟恒,王競雪. 測繪學報. 2019(01)
[9]基于分層次多尺度分割的面向對象地物分類方法[J]. 陳俊任,周曉華,盧興. 江西測繪. 2018(04)
碩士論文
[1]高分辨率遙感影像城區(qū)道路提取的技術研究[D]. 劉巖.遼寧師范大學 2011
本文編號：3047365
【文章來源】：遙感信息. 2020,35(03)北大核心
【文章頁數(shù)】：8 頁
【部分圖文】：
原始影像與最大似然分類法效果對比
面向對象分類方法中的關鍵是影像分割。較為廣泛使用的分割方法有區(qū)域分割法、多尺度分割法和基于紋理的分割法等。影像分割質量的優(yōu)劣與分割方法及分割參數(shù)的選擇密不可分，這也直接決定了分割對象的形狀、數(shù)量等指標，進而對后續(xù)的分類結果產(chǎn)生影響。然而，目前并沒有一套通用的方法來確定分割參數(shù)。若將研究重點放在影像對象的特征表達上，越充分的特征表達就越需要人工的參與，如此一來就增加了分類的復雜程度。影像分類是利用分類器對提取的特征進行分類的步驟。較為有效的機器學習算法的分類過程中，只有有限的線性組合或非線性變換組合，不能充分學習特征向量的復雜結構信息，用于復雜、數(shù)據(jù)量大的樣本時會直接導致分類精度不高的問題。雖然也有如基于歸一化切割法（normalized cut,N-Cut）演變而來的Grab Cut算法仍被現(xiàn)代圖像處理工作使用，其作為一種迭代式語義分割算法，利用圖像中的紋理及顏色信息和邊界反差信息，運用少量的人機交互操作，即可得到前后背景分割效果。但該算法仍是根據(jù)圖像像素自身的低階視覺信息進行的圖像分割，沒有訓練過程，會導致在對較復雜的影像進行分割時，產(chǎn)生地物提取邊界不完整的問題[8]，效果如圖2所示。圖2(b）為Grab Cut法對圖1(a）高分辨率遙感影像的分割效果，其中，彩色區(qū)域為被分割出的建筑物。Grab Cut法雖然可以僅介入少量的人工干預，利用圖像中的像元間差異提取建筑物，但從分割效果可以看出，其依然沒能擺脫周圍地物對分割效果的影響，分割效果仍不理想；且僅僅可以分割單一對象，雖可以通過編程解決多個對象的分割需求，但多個對象的分割就意味著更多人工的介入。因此可以得出結論，傳統(tǒng)的面向對象的分類方法也已經(jīng)無法適用于高分辨率遙感影像的地物分割工作。
本文的重點研究內(nèi)容在于：如何根據(jù)影像數(shù)據(jù)實現(xiàn)U-net神經(jīng)網(wǎng)絡分割圖像及全連接CRFs處理模型進行分割后處理，并根據(jù)實驗通過更改輸入數(shù)據(jù)及調試參數(shù)等操作嘗試優(yōu)化分割效果。1 利用U-net神經(jīng)網(wǎng)絡的高分辨率光學遙感影像建筑物提取
【參考文獻】：
期刊論文
[1]基于候選區(qū)域和并行卷積神經(jīng)網(wǎng)絡的行人檢測[J]. 徐喆,王玉輝. 計算機工程與應用. 2019(22)
[2]深度學習方法用于遙感圖像處理的研究進展[J]. 胡龍廷,張克. 計算機產(chǎn)品與流通. 2019(06)
[3]深度學習方法研究綜述[J]. 高明旭,李靖,朱緒平,常延輝. 中國科技信息. 2019(10)
[4]基于U-Net卷積神經(jīng)網(wǎng)絡的年輪圖像分割算法[J]. 寧霄,趙鵬. 生態(tài)學雜志. 2019(05)
[5]遙感技術在城市中的應用——以鄭州為例[J]. 孫會超. 江蘇科技信息. 2019(11)
[6]遙感圖像處理與展示平臺的設計與實現(xiàn)[J]. 范明虎,左憲禹,劉揚. 河南大學學報(自然科學版). 2019(02)
[7]基于CNN的高分遙感影像深度語義特征提取研究綜述[J]. 董蘊雅,張倩. 遙感技術與應用. 2019(01)
[8]基于深度學習的高分辨率遙感影像建筑物提取方法[J]. 范榮雙,陳洋,徐啟恒,王競雪. 測繪學報. 2019(01)
[9]基于分層次多尺度分割的面向對象地物分類方法[J]. 陳俊任,周曉華,盧興. 江西測繪. 2018(04)
碩士論文
[1]高分辨率遙感影像城區(qū)道路提取的技術研究[D]. 劉巖.遼寧師范大學 2011
本文編號：3047365
本文鏈接：http://sikaile.net/guanlilunwen/gongchengguanli/3047365.html
最近更新
教材專著
