【摘要】：針對(duì)遙感圖像中信息的復(fù)雜性和地物類型的多樣性,利用深度學(xué)習(xí)強(qiáng)大的特征表達(dá)能力與遙感圖像的大數(shù)據(jù)量、高空間分辨率等特點(diǎn),研究如何提高遙感圖像中復(fù)雜信息提取的精度是迫切需要解決的問題。利用遙感圖像提取道路信息的研究已經(jīng)開展了很多年,但是,由于不同等級(jí)道路具有不同的寬度和形狀特征,如國道、省道、村道以及山路等;不同材質(zhì)道路具有不同的顏色和紋理特征,如水泥、瀝青、土路等;同時(shí),道路區(qū)域被建筑、樹木、道路中央綠化帶遮擋等諸多因素影響,使得道路信息的精確提取仍然是遙感信息提取領(lǐng)域的研究前沿和與技術(shù)難點(diǎn)。本文利用深度學(xué)習(xí)方法構(gòu)建遙感圖像道路信息自動(dòng)提取模型,提出實(shí)驗(yàn)結(jié)果后處理方法,并研制遙感圖像道路信息自動(dòng)提取原型系統(tǒng)。具體研究內(nèi)容和成果如下:(1)研究和改進(jìn)了用于提取高分辨率遙感圖像道路信息的深度學(xué)習(xí)網(wǎng)絡(luò)模型。針對(duì)D-LinkNet遙感圖像道路提取結(jié)果精度問題以及網(wǎng)絡(luò)規(guī)模太大難以應(yīng)用的缺陷,基于D-LinkNet網(wǎng)絡(luò)結(jié)構(gòu),本文提出了使用DenseNet、改進(jìn)的DenseNet、改進(jìn)的ResNet分別構(gòu)建新的編碼結(jié)構(gòu),構(gòu)建新的網(wǎng)絡(luò)模型DenseNetPlus、DDenseNetPlus、DLinkNetPlus;并針對(duì)D-LinkNet中空洞卷積結(jié)構(gòu),通過引入bottleneck結(jié)構(gòu)減少模型參數(shù),構(gòu)建B-DLinkNetPlus模型。同時(shí)針對(duì)不同等級(jí)道路寬度不一致問題,提出了融合多尺度生成對(duì)抗網(wǎng)絡(luò)GAN-Unet改進(jìn)模型。(2)針對(duì)遙感圖像道路提取結(jié)果中出現(xiàn)的獨(dú)立散點(diǎn)和斑塊,提出了道路提取結(jié)果后處理方法Eliminate Small Independent Patches(ESIPs)。該方法首先檢測連通區(qū)域及其外接矩形,通過判斷連通區(qū)域像素點(diǎn)數(shù)量、判斷其外接矩形長寬比、連通區(qū)域像素點(diǎn)數(shù)量與外接矩形面積比三個(gè)條件,根據(jù)串聯(lián)判別結(jié)果決定是否消除該連通區(qū)域。通過該方法能有效的消除遙感圖像道路檢測結(jié)果中出現(xiàn)的獨(dú)立散點(diǎn)和斑塊,使得提取的道路區(qū)域更具有整體性,擁有更好的視覺效果。(3)基于上述算法模型,研制遙感圖像道路信息自動(dòng)提取原型系統(tǒng),該系統(tǒng)具有遙感圖像打開、縮放、漫游、保存等基礎(chǔ)功能模塊,還集成了本文提出的所有遙感圖像道路提取模型以及道路提取結(jié)果后處理方法,方便快捷實(shí)現(xiàn)遙感圖像道路自動(dòng)化提取。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：U491;TP751;TP18
【圖文】：

絡(luò)模型的結(jié)構(gòu)設(shè)計(jì)已經(jīng)變得簡單，而網(wǎng)絡(luò)模型的加速訓(xùn)練也變得越來越優(yōu)秀，對(duì)現(xiàn)有的網(wǎng)絡(luò)模型設(shè)計(jì)方法以及網(wǎng)絡(luò)模型加速訓(xùn)練方法進(jìn)行分析是構(gòu)建型的第一步。 常見卷積網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)隨著計(jì)算機(jī)技術(shù)的發(fā)展已經(jīng)人工智能技術(shù)的興起，在深度學(xué)習(xí)中，設(shè)計(jì)一學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)變得越來越簡單，然而卷積神經(jīng)網(wǎng)絡(luò)是由卷積層[51]、池化層[非線性變換層[54]等常見組件堆疊而成，這些組件不同的堆疊順序以及不同所形成不同的網(wǎng)絡(luò)結(jié)構(gòu)，都會(huì)對(duì)最后的結(jié)果精度有不同程度的影響，因此，深度學(xué)習(xí)模型之前，首先關(guān)鍵的第一步是：如何搭建一個(gè)好的網(wǎng)絡(luò)模型結(jié)構(gòu).1 普通層堆疊由 Yann LeCun[52]在 1998 年提出的 LeNet，其結(jié)構(gòu)如圖 2-1 所示，該網(wǎng)絡(luò)于解決手寫數(shù)字識(shí)別的視覺任務(wù)，該網(wǎng)絡(luò)具有開拓性的意義，是大量網(wǎng)絡(luò)結(jié)點(diǎn)，網(wǎng)絡(luò)給出了卷積網(wǎng)絡(luò)的基本特性：

電子科技大學(xué)碩士學(xué)位論文如雨后春筍般出現(xiàn)，AlexNet 的出現(xiàn)可謂是卷積神經(jīng)網(wǎng)絡(luò)的王者歸來。相對(duì)eNet，AlexNet 多了 3 層，并且使用了 ReLU[54]代替了 Sigmoid 激活函數(shù)來加快，并使用 Dropout 來有效緩解過擬合。在其之后的 ZFNet[55]，雖然取得了 20 ImageNet 分類任務(wù)的冠軍，但是其網(wǎng)絡(luò)結(jié)構(gòu)沒有什么改進(jìn)，更多的優(yōu)化在于網(wǎng)絡(luò)參數(shù)以及如何使用更小的卷積核來減少參數(shù)量。而到了 VGGNet[56]的出現(xiàn)用了更多3 3的小卷積核代替大的卷積核，在降低參數(shù)量的同時(shí)并建立了更多線性變換，使得網(wǎng)絡(luò)對(duì)特征的學(xué)習(xí)能力更強(qiáng)，雖然在結(jié)構(gòu)上也沒有太大的創(chuàng)新是確定了不同層之間的連接的規(guī)則，使用卷積-卷積-池化的操作，并且整個(gè)網(wǎng)多個(gè)這種結(jié)構(gòu)堆疊而成，這種不同層之間有一定規(guī)律的連接與堆疊，使GGNet 取得了 2014 年的 ImageNet 競賽定位任務(wù)的第一名和分類任務(wù)的第二名絡(luò)結(jié)構(gòu)如圖 2-3 所示。

數(shù)以及如何使用更小的卷積核來減少參數(shù)量。而到了 VGGNet多3 3的小卷積核代替大的卷積核，在降低參數(shù)量的同時(shí)并建立換，使得網(wǎng)絡(luò)對(duì)特征的學(xué)習(xí)能力更強(qiáng)，雖然在結(jié)構(gòu)上也沒有太大了不同層之間的連接的規(guī)則，使用卷積-卷積-池化的操作，并且這種結(jié)構(gòu)堆疊而成，這種不同層之間有一定規(guī)律的連接與堆t 取得了 2014 年的 ImageNet 競賽定位任務(wù)的第一名和分類任務(wù)的如圖 2-3 所示。圖2-2 AlexNet 結(jié)構(gòu)圖[53]

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 符喜優(yōu);張風(fēng)麗;王國軍;邵蕓;;結(jié)合張量投票和Snakes模型的SAR圖像道路提取[J];中國圖象圖形學(xué)報(bào);2015年10期

2 朱長青,王耀革,馬秋禾,史文中;基于形態(tài)分割的高分辨率遙感影像道路提取[J];測繪學(xué)報(bào);2004年04期

相關(guān)博士學(xué)位論文 前2條

1 謝衛(wèi)瑩;高光譜遙感影像高精度分類方法研究[D];西安電子科技大學(xué);2017年

2 蘇臨之;基于像素信息和深度學(xué)習(xí)的遙感圖像變化檢測技術(shù)[D];西安電子科技大學(xué);2016年

相關(guān)碩士學(xué)位論文 前2條

1 邱世峗;基于深度學(xué)習(xí)的高分辨率光學(xué)遙感圖像艦船檢測[D];西安電子科技大學(xué);2018年

2 鐘傳琦;基于深度學(xué)習(xí)的高分辨率遙感影像道路自動(dòng)提取研究[D];電子科技大學(xué);2018年

本文編號(hào)：2768111