結合多種影像特征與CNN的城市建筑物提取
發(fā)布時間：2021-06-14 01:11
針對當前卷積神經(jīng)網(wǎng)絡對于城市建筑物紋理特征信息和多尺度信息利用的不足,提出了一種基于多種影像特征與卷積神經(jīng)網(wǎng)絡的城市建筑物提取方法,對結合尺度特征和紋理特征后的CNN模型的建筑物分類提取精度及其影響因素開展研究。方法采用局部二值模式來表達紋理特征,同時采用高斯金字塔提取多尺度特征,以此構建網(wǎng)絡訓練樣本�；诖藰颖具M行SegNet卷積網(wǎng)絡訓練,采用Softmax分類器完成建筑物粗提取,最后優(yōu)化網(wǎng)絡輸出。研究表明,將紋理特征和尺度特征加入模型進行訓練可以提高預測精度,其中精確率、召回率以及F1評分3個指標分別提升了8.01%、2.71%和4.98%。
【文章來源】：遙感信息. 2020,35(05)北大核心CSCD
【文章頁數(shù)】：9 頁
【部分圖文】：
方法步驟原理框圖
本文采用的數(shù)據(jù)同文獻[21]中使用的馬薩諸塞州航空影像建筑物數(shù)據(jù)集（含地表真實標簽數(shù)據(jù)）。該數(shù)據(jù)集為1m高分辨率影像，對高分辨率遙感影像來說是具有代表性和典型性的，對于國內(nèi)的高分航空航天遙感影像具有啟發(fā)意義，且該數(shù)據(jù)集數(shù)據(jù)量較豐富，比較適合做探究。該數(shù)據(jù)集包括波士頓地區(qū)的151幅航空影像，每幅影像大小為1 500像素×1 500像素，覆蓋面積2.25km2。影像集中小型建筑物邊長為20～30像素，大型建筑物長為150～250像素，寬為70～150像素。實驗1～實驗5從訓練圖像中抽取1張影像進行預處理，如圖2(a）所示。實驗6在基礎實驗上增加分類訓練圖像數(shù)量到8張。測試集影像為3張，分別為不同區(qū)域下的馬薩諸塞州航空影像建筑物數(shù)據(jù)，圖2(b）為其中一幅。1）紋理與多尺度特征提取。考慮到基于復雜場景下的建筑物往往存在大量的陰影，植被、復雜屋頂材料等因素交雜在一起，單獨依靠影像的光譜特征、空間特征進行建筑物提取，效果往往不是很理想，本文方法利用LBP算法引入基礎視覺中的紋理特征，將提取的紋理特征加入訓練集參與模型訓練。同時基于高斯金字塔模型對原始訓練影像進行多尺度光譜特征提取，其中尺度因子平滑系數(shù)設置為0.5，獲取750×750和375×375 2個尺度的尺度-光譜特征圖像，如圖3所示。
1）紋理與多尺度特征提取。考慮到基于復雜場景下的建筑物往往存在大量的陰影，植被、復雜屋頂材料等因素交雜在一起，單獨依靠影像的光譜特征、空間特征進行建筑物提取，效果往往不是很理想，本文方法利用LBP算法引入基礎視覺中的紋理特征，將提取的紋理特征加入訓練集參與模型訓練。同時基于高斯金字塔模型對原始訓練影像進行多尺度光譜特征提取，其中尺度因子平滑系數(shù)設置為0.5，獲取750×750和375×375 2個尺度的尺度-光譜特征圖像，如圖3所示。2）訓練樣本集制作。對樣本尺寸與建筑物尺寸關系研究后發(fā)現(xiàn)，利用256像素×256像素的尺寸既滿足建筑物識別提取分辨率的需要，又可滿足本實驗硬件環(huán)境下計算效率需求，因此采用OpenCV對原始訓練影像隨機裁剪256像素×256像素大小樣本，形成樣本集。同時采用多角度旋轉（90°、180°、270°）、鏡像變換、亮度調(diào)整以及添加噪聲點等虛擬樣本增強操作擴充樣本集，樣本集中訓練集和驗證集樣本數(shù)目比例設計為3∶1，測試集選取馬薩諸塞州航空影像建筑物數(shù)據(jù)集中未參與模型訓練的3幅原始1 500像素×1 500像素大小的不同區(qū)域影像數(shù)據(jù)進行預測，以此來探究模型的泛化能力。
【參考文獻】：
期刊論文
[1]基于最值平均的人臉識別LBP算法[J]. 付波,徐超,趙熙臨,鄭璇. 計算機應用與軟件. 2019(09)
[2]聯(lián)合膨脹卷積殘差網(wǎng)絡和金字塔池化表達的高分影像建筑物自動識別[J]. 喬文凡,慎利,戴延帥,曹云剛. 地理與地理信息科學. 2018(05)
[3]結合視覺顯著模型與水平集算法的建筑物立面圖像輪廓快速提取[J]. 李昌華,杜文強,周方曉. 計算機應用研究. 2019(04)
[4]利用灰度共生矩陣紋理特征識別空心村損毀建筑物的方法[J]. 謝嘉麗,李永樹,李何超,吳璽. 測繪通報. 2017(12)
[5]一種基于SVM的無人機影像中單個建筑物的角點檢測方法[J]. 李靈芝,李百壽,沈宇臻,許銳. 測繪通報. 2017(10)
[6]一種遙感圖像建筑物直線特征提取算法[J]. 朱添翼,范強,杜漫飛. 測繪通報. 2017(06)
[7]遙感數(shù)據(jù)的高斯金字塔尺度上推方法研究[J]. 李樂,宋維靜,陳臘嬌,王力哲,高丹. 地球信息科學學報. 2017(05)
[8]基于梯度方向直方圖與高斯金字塔的車牌模糊漢字識別方法[J]. 劉軍,白雪. 計算機應用. 2016(02)
[9]幾何模型約束的SAR圖像建筑物提取[J]. 王國軍,張風麗,徐旭,邵蕓. 紅外與毫米波學報. 2013(05)
[10]基于多元局部二值模式的遙感圖像紋理提取與分類[J]. 宋翠玉,李培軍,楊鋒杰. 遙感技術與應用. 2011(03)
本文編號：3228740
【文章來源】：遙感信息. 2020,35(05)北大核心CSCD
【文章頁數(shù)】：9 頁
【部分圖文】：
方法步驟原理框圖
本文采用的數(shù)據(jù)同文獻[21]中使用的馬薩諸塞州航空影像建筑物數(shù)據(jù)集（含地表真實標簽數(shù)據(jù)）。該數(shù)據(jù)集為1m高分辨率影像，對高分辨率遙感影像來說是具有代表性和典型性的，對于國內(nèi)的高分航空航天遙感影像具有啟發(fā)意義，且該數(shù)據(jù)集數(shù)據(jù)量較豐富，比較適合做探究。該數(shù)據(jù)集包括波士頓地區(qū)的151幅航空影像，每幅影像大小為1 500像素×1 500像素，覆蓋面積2.25km2。影像集中小型建筑物邊長為20～30像素，大型建筑物長為150～250像素，寬為70～150像素。實驗1～實驗5從訓練圖像中抽取1張影像進行預處理，如圖2(a）所示。實驗6在基礎實驗上增加分類訓練圖像數(shù)量到8張。測試集影像為3張，分別為不同區(qū)域下的馬薩諸塞州航空影像建筑物數(shù)據(jù)，圖2(b）為其中一幅。1）紋理與多尺度特征提取。考慮到基于復雜場景下的建筑物往往存在大量的陰影，植被、復雜屋頂材料等因素交雜在一起，單獨依靠影像的光譜特征、空間特征進行建筑物提取，效果往往不是很理想，本文方法利用LBP算法引入基礎視覺中的紋理特征，將提取的紋理特征加入訓練集參與模型訓練。同時基于高斯金字塔模型對原始訓練影像進行多尺度光譜特征提取，其中尺度因子平滑系數(shù)設置為0.5，獲取750×750和375×375 2個尺度的尺度-光譜特征圖像，如圖3所示。
1）紋理與多尺度特征提取。考慮到基于復雜場景下的建筑物往往存在大量的陰影，植被、復雜屋頂材料等因素交雜在一起，單獨依靠影像的光譜特征、空間特征進行建筑物提取，效果往往不是很理想，本文方法利用LBP算法引入基礎視覺中的紋理特征，將提取的紋理特征加入訓練集參與模型訓練。同時基于高斯金字塔模型對原始訓練影像進行多尺度光譜特征提取，其中尺度因子平滑系數(shù)設置為0.5，獲取750×750和375×375 2個尺度的尺度-光譜特征圖像，如圖3所示。2）訓練樣本集制作。對樣本尺寸與建筑物尺寸關系研究后發(fā)現(xiàn)，利用256像素×256像素的尺寸既滿足建筑物識別提取分辨率的需要，又可滿足本實驗硬件環(huán)境下計算效率需求，因此采用OpenCV對原始訓練影像隨機裁剪256像素×256像素大小樣本，形成樣本集。同時采用多角度旋轉（90°、180°、270°）、鏡像變換、亮度調(diào)整以及添加噪聲點等虛擬樣本增強操作擴充樣本集，樣本集中訓練集和驗證集樣本數(shù)目比例設計為3∶1，測試集選取馬薩諸塞州航空影像建筑物數(shù)據(jù)集中未參與模型訓練的3幅原始1 500像素×1 500像素大小的不同區(qū)域影像數(shù)據(jù)進行預測，以此來探究模型的泛化能力。
【參考文獻】：
期刊論文
[1]基于最值平均的人臉識別LBP算法[J]. 付波,徐超,趙熙臨,鄭璇. 計算機應用與軟件. 2019(09)
[2]聯(lián)合膨脹卷積殘差網(wǎng)絡和金字塔池化表達的高分影像建筑物自動識別[J]. 喬文凡,慎利,戴延帥,曹云剛. 地理與地理信息科學. 2018(05)
[3]結合視覺顯著模型與水平集算法的建筑物立面圖像輪廓快速提取[J]. 李昌華,杜文強,周方曉. 計算機應用研究. 2019(04)
[4]利用灰度共生矩陣紋理特征識別空心村損毀建筑物的方法[J]. 謝嘉麗,李永樹,李何超,吳璽. 測繪通報. 2017(12)
[5]一種基于SVM的無人機影像中單個建筑物的角點檢測方法[J]. 李靈芝,李百壽,沈宇臻,許銳. 測繪通報. 2017(10)
[6]一種遙感圖像建筑物直線特征提取算法[J]. 朱添翼,范強,杜漫飛. 測繪通報. 2017(06)
[7]遙感數(shù)據(jù)的高斯金字塔尺度上推方法研究[J]. 李樂,宋維靜,陳臘嬌,王力哲,高丹. 地球信息科學學報. 2017(05)
[8]基于梯度方向直方圖與高斯金字塔的車牌模糊漢字識別方法[J]. 劉軍,白雪. 計算機應用. 2016(02)
[9]幾何模型約束的SAR圖像建筑物提取[J]. 王國軍,張風麗,徐旭,邵蕓. 紅外與毫米波學報. 2013(05)
[10]基于多元局部二值模式的遙感圖像紋理提取與分類[J]. 宋翠玉,李培軍,楊鋒杰. 遙感技術與應用. 2011(03)
本文編號：3228740
本文鏈接：http://sikaile.net/kejilunwen/dizhicehuilunwen/3228740.html
最近更新
教材專著
