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(jìn)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(jì)的特征,不能滿足實(shí)際場(chǎng)景的需求。特別在居民區(qū),房屋建造年代、居住時(shí)間和房屋維護(hù)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(jì)特征的提取方法的提取準(zhǔn)確率。因此,從遙感影像中自動(dòng)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(jià)值。本文調(diào)研和分析了國(guó)內(nèi)外在該領(lǐng)域的研究現(xiàn)狀,針對(duì)遙感影像特征復(fù)雜、分辨率高、數(shù)據(jù)量大的特點(diǎn),提出了一種基于深度學(xué)習(xí)的遙感影像建筑物自動(dòng)化提取方法。首先對(duì)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(jìn)行訓(xùn)練。該網(wǎng)絡(luò)采用編碼器-解碼器的架構(gòu)來(lái)實(shí)現(xiàn)圖像特征提取和語(yǔ)義分割的基礎(chǔ)功能,并設(shè)計(jì)了基于注意力機(jī)制的特征圖融合算法來(lái)加強(qiáng)編碼器端和解碼器端的數(shù)據(jù)流動(dòng)。此外,本文在多任務(wù)學(xué)習(xí)思想的基礎(chǔ)上,添加一個(gè)建筑物檢測(cè)的輔助任務(wù),來(lái)提高建筑物提取主任務(wù)的泛化... 

【文章來(lái)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(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．２局部連接和全連接方式對(duì)比??

原圖像?預(yù)測(cè)的語(yǔ)義分割圖??圖２．１端到端的圖像語(yǔ)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(gè)??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(jìng)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(jì)。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(jìng)賽中取得了?７１．６％的準(zhǔn)確率。??該類算法的改進(jìn)有兩個(gè)重要的方向，一個(gè)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(gè)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(jìn)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(jiǎn)化從卷積層輸出的??信息，得到一個(gè)不隨尺度變化的穩(wěn)定特征。如圖２．４，兩個(gè)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?yàn)椋眨危澹粼诮獯a器端要使用反卷積（“ｕｐ－ｃｏｎｖ〇ｌｕｔｉ〇ｎ”），來(lái)將低分辨特征??轉(zhuǎn)化為高分辨特征。這里簡(jiǎn)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?yàn)榉淳矸e能產(chǎn)??生和卷積相反的結(jié)果

【參考文獻(xiàn)】：
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(cè)[J]. 伍廣明,陳奇,Ryosuke SHIBASAKI,郭直靈,邵肖偉,許永偉.  測(cè)繪學(xué)報(bào). 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(cè)繪通報(bào). 2017(12)
[3]高分辨率光學(xué)遙感圖像建筑物提取研究進(jìn)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(jī)載激光點(diǎn)云建筑物提取[J]. 趙宗澤,張永軍.  光學(xué)學(xué)報(bào). 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(cè)繪與空間地理信息. 2015(04)
[6]基于改進(jìn)Harris算法的高分辨率遙感影像建筑物角點(diǎn)檢測(cè)研究[J]. 崔有禎,吳露露,辛星,陳國(guó)銳,鄭志雄.  測(cè)繪通報(bào). 2013(09)
[7]基于知識(shí)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(kù),馮險(xiǎn)峰,徐秀莉,丁青.  地理與地理信息科學(xué). 2011(04)
[8]基于先驗(yàn)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(guó)輝.  自動(dòng)化學(xué)報(bào). 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(hù)與循環(huán)經(jīng)濟(jì). 2009(10)

碩士論文
[1]遙感圖像建筑物檢測(cè)的關(guān)鍵技術(shù)研究[D]. 張尚琪.中國(guó)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(qiáng).解放軍信息工程大學(xué) 2013



本文編號(hào)：3507196