發(fā)布時間：2021-11-20 11:08

　　遙感影像具有豐富的地物信息,為城市規(guī)劃、地圖繪制、災(zāi)難救援等領(lǐng)域提供了海量的數(shù)據(jù),其中建筑物等人工地物在城區(qū)遙感影像中占比超過80%。目前遙感影像建筑物的提取方法已經(jīng)取得了一些進展,但是大多數(shù)方法仍然基于顏色、紋理、形狀等人工設(shè)計的特征,不能滿足實際場景的需求。特別在居民區(qū),房屋建造年代、居住時間和房屋維護等的差異,導(dǎo)致建筑物表面覆蓋物種類繁多、空間布局復(fù)雜、結(jié)構(gòu)種類不一,這些因素降低了基于手工設(shè)計特征的提取方法的提取準(zhǔn)確率。因此,從遙感影像中自動化提取出建筑物的方法仍然具有廣泛的研究前景和應(yīng)用價值。本文調(diào)研和分析了國內(nèi)外在該領(lǐng)域的研究現(xiàn)狀,針對遙感影像特征復(fù)雜、分辨率高、數(shù)據(jù)量大的特點,提出了一種基于深度學(xué)習(xí)的遙感影像建筑物自動化提取方法。首先對圖像樣本采用高斯濾波、直方圖均衡化等預(yù)處理,然后輸入到本文提出的卷積神經(jīng)網(wǎng)絡(luò)模型ADS-Net中進行訓(xùn)練。該網(wǎng)絡(luò)采用編碼器-解碼器的架構(gòu)來實現(xiàn)圖像特征提取和語義分割的基礎(chǔ)功能,并設(shè)計了基于注意力機制的特征圖融合算法來加強編碼器端和解碼器端的數(shù)據(jù)流動。此外,本文在多任務(wù)學(xué)習(xí)思想的基礎(chǔ)上,添加一個建筑物檢測的輔助任務(wù),來提高建筑物提取主任務(wù)的泛化... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．２局部連接和全連接方式對比??

原圖像?預(yù)測的語義分割圖??圖２．１端到端的圖像語義分割方法示意圖??Ｌｏｎｇ?等人提出的?ＦＣＮ?（?Ｆｕｌｌｙ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｔｗｏｒｋｓ?ｆｏｒ?Ｓｅｍａｎｔｉｃ??Ｓｅｇｍｅｎｔａｔｉｏｎ）模型是第一種可以接受任意大小輸入、端到端訓(xùn)練的全卷積圖像??分割網(wǎng)絡(luò)。ＦＣＮ骨干網(wǎng)絡(luò)利用了?ＶＧＧ１６?（ＶｉｓｕａｌＧｅｏｍｅｔｒｙＧｒｏｕｐ）網(wǎng)絡(luò)，將３個??全連接層轉(zhuǎn)換為卷積層，并且移除Ｓｏｆｔｍａｘ層，最后輸出與原圖片同樣大小的分??割結(jié)果［３５］。該方法在ＰＡＳＣＡＬ?ＶＯＣ?２０１２的競賽中取得了?６２．２％的準(zhǔn)確率，并且??啟發(fā)了后面圖像分割算法的設(shè)計。比如Ｃｈｅｎ等人在ＦＣＮ的末端增加了全連接??ＣＲＦ?（Ｃｏｎｄｉｔｉｏｎａｌ?Ｒａｎｄｏｍ?Ｆｉｅｌｄ）?［３６］，提出了?ＤｅｅｐＬａｂ?模型［３７］，該方法在?ＰＡＳＣＡＬ??ＶＯＣ?２０１２競賽中取得了?７１．６％的準(zhǔn)確率。??該類算法的改進有兩個重要的方向，一個是提高卷積神經(jīng)網(wǎng)絡(luò)的感受野，使??得網(wǎng)絡(luò)能獲取更多的全局信息；另一個是利用圖像更多分辨率的特征，以更好地??分割不同尺寸大小的目標(biāo)。下面就介紹當(dāng)前最新的幾種圖像分割改進算法，值得??一提的是

??第２章研究現(xiàn)狀和相關(guān)理論??３）池化：池化層通常緊接在卷積層之后，它的功能是簡化從卷積層輸出的??信息，得到一個不隨尺度變化的穩(wěn)定特征。如圖２．４，兩個數(shù)字０，?一大一小，經(jīng)??過兩次最大池化操作后，都得到了相同的結(jié)果。??丄丄丄丄丄?３＊３最大池化，??—?—?ｓｔｒｉｄｅ＝２?ｒｒｍ??丄?丄???Ｊ?１＿??１?１?１?１?１?１?１?Ｉ?１??１?１?Ｉ?｜￣［?３＊３最大池化，??１１１?ｓｔｒｉｄｅ＝２?＾￣??：１＝工：????１＿?Ｊ＿＿１???圖２．４池化的不變性示意圖??因為Ｕ－Ｎｅｔ在解碼器端要使用反卷積（“ｕｐ－ｃｏｎｖ〇ｌｕｔｉ〇ｎ”），來將低分辨特征??轉(zhuǎn)化為高分辨特征。這里簡單介紹下反卷積，如圖２．５，?一般卷積層是輸入較大??的特征映射，輸出較小的特征映射（特征映射數(shù)目增多），反卷積則相反，輸入??較小的特征映射，產(chǎn)生較大的特征映射（特征映射數(shù)目減少）。因為反卷積能產(chǎn)??生和卷積相反的結(jié)果

【參考文獻】：
期刊論文
[1]基于U型卷積神經(jīng)網(wǎng)絡(luò)的航空影像建筑物檢測[J]. 伍廣明,陳奇,Ryosuke SHIBASAKI,郭直靈,邵肖偉,許永偉.  測繪學(xué)報. 2018(06)
[2]多特征多尺度相結(jié)合的高分辨率遙感影像建筑物提取[J]. 林雨準(zhǔn),張保明,徐俊峰,侯凱,周迅.  測繪通報. 2017(12)
[3]高分辨率光學(xué)遙感圖像建筑物提取研究進展[J]. 王俊,秦其明,葉昕,王建華,秦雪彬,楊繡丞.  遙感技術(shù)與應(yīng)用. 2016(04)
[4]基于植被指數(shù)限制分水嶺算法的機載激光點云建筑物提取[J]. 趙宗澤,張永軍.  光學(xué)學(xué)報. 2016(10)
[5]高空間分辨率遙感影像建筑物提取方法綜述[J]. 張慶云,趙冬.  測繪與空間地理信息. 2015(04)
[6]基于改進Harris算法的高分辨率遙感影像建筑物角點檢測研究[J]. 崔有禎,吳露露,辛星,陳國銳,鄭志雄.  測繪通報. 2013(09)
[7]基于知識規(guī)則構(gòu)建和形態(tài)學(xué)修復(fù)的建筑物提取研究[J]. 黃金庫,馮險峰,徐秀莉,丁青.  地理與地理信息科學(xué). 2011(04)
[8]基于先驗形狀約束水平集模型的建筑物提取方法[J]. 田昊,楊劍,汪彥明,李國輝.  自動化學(xué)報. 2010(11)
[9]基于分水嶺變換與空間聚類的高分辨率遙感影像面向?qū)ο蠓诸怺J]. 陳杰,鄧敏,肖鵬峰,楊敏華,梅小明,劉慧敏.  遙感技術(shù)與應(yīng)用. 2010(05)
[10]一種高分辨率遙感影像建筑物邊緣提取方法[J]. 王丹.  環(huán)境保護與循環(huán)經(jīng)濟. 2009(10)

碩士論文
[1]遙感圖像建筑物檢測的關(guān)鍵技術(shù)研究[D]. 張尚琪.中國地質(zhì)大學(xué)(北京) 2017
[2]高分辨率遙感影像建筑物提取技術(shù)研究[D]. 魏德強.解放軍信息工程大學(xué) 2013



本文編號：3507196