高效準確地提取城市綠地對國土規(guī)劃建設(shè)意義重大,將深度學習語義分割算法應(yīng)用于遙感圖像分類是近年研究的新探索。提出一種基于Deep Labv3+深度學習語義分割網(wǎng)絡(luò)的GF-2遙感影像城市綠地自動化提取架構(gòu),通過網(wǎng)絡(luò)的多孔空間金字塔池化(atrous spatial pyramid pooling,ASPP)等模塊,提取高層特征,并依托架構(gòu)完成數(shù)據(jù)集創(chuàng)建,模型訓練,城市綠地提取以及精度評估。研究表明,本文架構(gòu)分類的總體精度達到91. 02%,F值為0. 86,優(yōu)于最大似然法(maximum likelihood,ML)、支持向量機(support vector machine,SVM)和隨機森林法(random forest,RF) 3種傳統(tǒng)方法及另外4種語義分割網(wǎng)絡(luò)(PspNet,SegNet,U-Net和DeepLabv2),可以準確提取城市綠地,排除農(nóng)田像元干擾;此外,對另一地區(qū)的提取試驗也證實了本架構(gòu)具有一定的遷移能力。所提出的GF-2遙感影像城市綠地自動化提取架構(gòu),可實現(xiàn)更精確、效率更高的城市綠地提取,為城市規(guī)劃管理提供參考。

【文章頁數(shù)】：10 頁

【文章目錄】：
0 引言
1 樣本區(qū)域及數(shù)據(jù)來源
    1.1 樣本區(qū)域
    1.2 數(shù)據(jù)來源
2 研究方法
    2.1 城市綠地提取架構(gòu)概述
    2.2 數(shù)據(jù)集創(chuàng)建
        2.2.1 遙感影像預處理
        2.2.2 樣本創(chuàng)建策略
    2.3 模型訓練
        2.3.1 DeepLabv3+網(wǎng)絡(luò)
        2.3.2 硬件配置及參數(shù)設(shè)置
    2.4 城市綠地提取
        2.4.1 精度評價指標
        2.4.2 精度評估策略
3 結(jié)果與討論
    3.1 傳統(tǒng)方法結(jié)果對比
    3.2 語義分割網(wǎng)絡(luò)結(jié)果對比
    3.3 模型遷移性驗證
4 結(jié)論



本文編號：3947289