遙感技術(shù)廣泛應(yīng)用于農(nóng)業(yè)、城市規(guī)劃、防震抗災(zāi)、智慧交通、軍事打擊等重要領(lǐng)域。不同分辨率遙的感影像為實(shí)現(xiàn)超大比例尺地表測繪和地面物體厘米級定位增加了可能。道路是行人和日常交通出行的載體,在經(jīng)濟(jì)發(fā)展和社會各行各業(yè)的進(jìn)步中十分重要。隨著衛(wèi)星技術(shù)的飛速進(jìn)步,從遙感影像中提取道路對GIS數(shù)據(jù)庫、地圖自動更新、城市道路規(guī)劃、車輛智能導(dǎo)航等具有極其重要的經(jīng)濟(jì)價值和科研意義。如何將道路準(zhǔn)確、快速地遙感影像中分離出來,對基礎(chǔ)地理信息數(shù)據(jù)的建設(shè)具有重要的理論和現(xiàn)實(shí)意義。因?yàn)榈缆匪幍母叻直媛蔬b感圖像中包含大量其他物體,道路提取的完整性、精確性和速度還不盡如人意。由此,本文針對遙感影像道路自動提取,結(jié)合計算機(jī)視覺領(lǐng)域的最新研究成果,對道路提取語義分割算法進(jìn)行改進(jìn)。主要分為以下幾個部分:（1）創(chuàng)建了擁有道路標(biāo)簽的遙感影像道路提取數(shù)據(jù)集。介紹了數(shù)據(jù)集人工標(biāo)注的主要流程、數(shù)據(jù)集增廣方法、圖像歸一化處理、以及數(shù)據(jù)集劃分幾個方面。（2）通過對全卷積神經(jīng)網(wǎng)絡(luò)理念的學(xué)習(xí)和剖析,使用MobileNetV2網(wǎng)絡(luò)以及大量1*1卷積核作為語義分割網(wǎng)絡(luò)特征提取部分,增強(qiáng)了網(wǎng)絡(luò)的特征提取能力。使用空洞卷積方法增大神經(jīng)元感受野,使用深度... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【部分圖文】：

道路模型[11]

第一章緒論5算法，然而此法涉及較多復(fù)雜的數(shù)學(xué)方法，且需要人工依次選擇每一條道路段，耗費(fèi)大量時間。1.2.3基于深度學(xué)習(xí)的道路提取方法隨著計算機(jī)技術(shù)的飛速發(fā)展，人工智能領(lǐng)域中遇到的瓶頸也逐漸被打破，深度學(xué)習(xí)技術(shù)也煥發(fā)了生機(jī)。神經(jīng)網(wǎng)絡(luò)[59](NeuralNetwork，NN)是仿生學(xué)在計算機(jī)領(lǐng)域的應(yīng)用，其靈感來源于人腦神經(jīng)元。Heermann等人[28]在1992年提出了具有信號正向傳遞和誤差反向傳遞兩大特征的反向傳播(backpropagation，BP)算法，這使得基于神經(jīng)網(wǎng)絡(luò)的道路提取方法得到了迅速的發(fā)展。Kirthika等人[74]將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于道路檢測，但是BP神經(jīng)網(wǎng)絡(luò)方法的缺點(diǎn)是不易收斂，它需要更多的培訓(xùn)樣本，訓(xùn)練時極有可能達(dá)到局部最小值，而且當(dāng)類別增加時，會出現(xiàn)過擬合。Xu等人[75]使用改進(jìn)的深度置信神經(jīng)網(wǎng)絡(luò)，對某些特定的遙感圖像分類精確度達(dá)到92%。深度學(xué)習(xí)圖像處理方法與傳統(tǒng)方法最大的區(qū)別在于它能在不在人為干擾的情況下從大規(guī)模數(shù)據(jù)中自主獲取所需要的特征。深度學(xué)習(xí)具有一種極其有效的并行式數(shù)據(jù)處理能力，其模型具有超強(qiáng)的非線性特征分類和表達(dá)能力，可以把圖像像素級數(shù)據(jù)通過一層層神經(jīng)元逐漸轉(zhuǎn)化成抽象的語義概念，因此深度學(xué)習(xí)方法在提取圖像的紋理信息和局部特征方面具有不可忽視的優(yōu)勢。圖1-2LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)模型[30]卷積神經(jīng)網(wǎng)絡(luò)[30](ConvolutionNeuralNetwork，CNN)是最具代表性的深度學(xué)習(xí)算法之一，其中LeNet-5是最早出現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)算法，網(wǎng)絡(luò)結(jié)構(gòu)如圖1-2所示。Li等人[31]提出了一種使用了線性積分卷積的深度卷積網(wǎng)絡(luò)的道路提取方法，卷積神經(jīng)網(wǎng)絡(luò)可以訓(xùn)練足夠的數(shù)據(jù)集來判斷像素屬于道路區(qū)域的可能性，同時給每個像素賦以標(biāo)簽以提前告知該像素是否屬于道路部分，利用線性積分卷積

金字塔原理，對特征圖進(jìn)行上采樣，重建輸出特征圖，使之與輸入圖像大小一致，保留了原圖像中各個物體的位置信息，從而實(shí)現(xiàn)了對每個像素的分類。Badrinarayanan等人[34]提出了如圖1-3所示的SegNet語義分割網(wǎng)絡(luò)，為了解決池化會降低特征圖尺寸的問題，使用了編碼器和解碼器架構(gòu)，在解碼器重建圖像時使用了編碼器提前保存的最大池化的索引，使用原有的信息進(jìn)行上采樣可以更好地保存圖像輪廓細(xì)節(jié)。Ronneberger等人[35]在受到SegNet的啟發(fā)，在解碼階段使用了編碼階段各網(wǎng)絡(luò)層的中間特征，使分割結(jié)果得到了進(jìn)一步的優(yōu)化。圖1-3SegNet網(wǎng)絡(luò)結(jié)構(gòu)模型[34]目前大部分最新的圖像分割網(wǎng)絡(luò)都借鑒了全卷積神經(jīng)網(wǎng)絡(luò)端對端的圖像語義分割思想，例如LinkNet[39]、deeplab系列[36,37,38,70]。Saito等人[40]使用分類網(wǎng)絡(luò)將從整個圖像中提取的每個補(bǔ)丁分配為道路，建筑物或背景。Zhang等人[41]遵循FCN體系結(jié)構(gòu)，使用帶有剩余連接的U-Net通過單個前向通道將道路從一個圖像分割出來。北京郵電大學(xué)Zhou等人[42]使用改進(jìn)的Link-Net并且獲得了2017

【參考文獻(xiàn)】：
期刊論文
[1]遙感圖像道路提取方法綜述[J]. 張永宏,何靜,闞希,夏廣浩,朱靈龍,葛濤濤.  計算機(jī)工程與應(yīng)用. 2018(13)
[2]基于深度信念網(wǎng)絡(luò)的遙感影像識別與分類[J]. 徐麗坤,劉曉東,向小翠.  地質(zhì)科技情報. 2017(04)
[3]基于霍夫變換的遙感圖像城市道路的提取識別[J]. 李建,張其棟.  電腦知識與技術(shù). 2017(03)
[4]高分辨率遙感影像目標(biāo)分類與識別研究進(jìn)展[J]. 劉揚(yáng),付征葉,鄭逢斌.  地球信息科學(xué)學(xué)報. 2015(09)
[5]基于圖像分塊和線段投票的遙感道路邊緣線提取[J]. 徐南,周紹光.  國土資源遙感. 2015(01)
[6]大數(shù)據(jù)時代的創(chuàng)新思維[J]. 李德毅,鄭思儀.  北京聯(lián)合大學(xué)學(xué)報. 2014(04)
[7]智慧城市中的大數(shù)據(jù)[J]. 李德仁,姚遠(yuǎn),邵振峰.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2014(06)
[8]科學(xué)大數(shù)據(jù)與數(shù)字地球[J]. 郭華東,王力哲,陳方,梁棟.  科學(xué)通報. 2014(12)
[9]基于形狀先驗(yàn)和Graph Cuts原理的道路分割新方法[J]. 周紹光,陳超,赫春曉.  測繪通報. 2013(12)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的小細(xì)胞型肺癌輔助檢測方法[J]. 李學(xué)滄,賈識楨.  中國數(shù)字醫(yī)學(xué). 2013 (10)

碩士論文
[1]高分辨率遙感影像道路信息提取技術(shù)研究[D]. 楊孝翠.戰(zhàn)略支援部隊信息工程大學(xué) 2018



本文編號：2924217