遙感影像建筑物提取具有重要的應(yīng)用價值。然而,高分辨率遙感影像中細節(jié)信息繁多、特征復雜,增加了建筑物提取難度。針對這一問題,本文提出一種基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遙感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法確定初始建筑物區(qū)域,然后,充分利用FCN神經(jīng)網(wǎng)絡(luò)在語義分割中的優(yōu)勢抽取建筑物特征,最后,結(jié)合提取出的建筑物特征訓練SVM分類器細化建筑物提取結(jié)果,通過3種控制實驗,兩種對比方法得出以下結(jié)論:SLIC分割算法影響初始分割結(jié)果;SVM分類器影響建筑物細部提取;FCN特征影響SVM分類器性能。對于特征清晰、遮擋干擾較少的研究區(qū),本文方法能夠較好提取影像中的建筑物,查準率、查全率、質(zhì)量指標均優(yōu)于對比方法,對建筑物復雜分布的研究區(qū)同樣能夠取得較好的提取效果。 

【文章來源】：遙感學報. 2020,24(01)北大核心EICSCD

【文章頁數(shù)】：16 頁

【部分圖文】：

技術(shù)路線

為充分利用建筑物多尺度紋理信息及其相互關(guān)系，采用GMRF模型(Krishnamachari和Chellappa,1997)對特征場向量建模，考慮二階鄰域位置影響，如圖2所示。圖2中，τ∈N，為尺度內(nèi)節(jié)點二階鄰域位置關(guān)系，考慮到鄰域節(jié)點對中心節(jié)點的貢獻，似然函數(shù)定義為

池化層對輸入的特征進行壓縮，減小特征圖尺寸，突出影像中的主要特征，使得網(wǎng)絡(luò)計算復雜度降低。按照縮放后的取值規(guī)則分為極大值采樣(maxpooling)，平均采樣(avgpooling)，以及隨機采樣(randpooling)等(Laptev等，2016)。反卷積層用于將經(jīng)過卷積及池化操作后的特征影像進行上采樣操作，從而恢復特征影像的尺寸，反卷積層可以使得網(wǎng)絡(luò)學習到更加復雜的特征(Bengio等，2013)。

【參考文獻】：
期刊論文
[1]概率圖模型研究進展綜述[J]. 張宏毅,王立威,陳瑜希.  軟件學報. 2013(11)
[2]定量遙感尺度效應(yīng)芻議[J]. 李小文,王祎婷.  地理學報. 2013(09)



本文編號：3145029