針對傳統(tǒng)PolSAR影像建筑區(qū)域提取方法對影像特征利用不充分、自動化程度不高的問題,研究一種基于全卷積網(wǎng)絡(fully convolutional networks,FCN)和條件隨機場(conditional random field,CRF)相結合的建筑區(qū)域提取方法。該方法充分利用FCN網(wǎng)絡對影像進行逐像素分類并能自動提取影像高層特征的優(yōu)勢,首先通過制作樣本集對FCN網(wǎng)絡進行訓練;然后利用訓練好的模型進行初步的建筑區(qū)域提取;最后利用可以聯(lián)系上下文信息的條件隨機場CRF對結果進行優(yōu)化處理。實驗結果表明,該方法可以充分利用影像的語義信息,有效地減少孤立點,提高對細節(jié)、輪廓的提取精度,獲得較高精度的建筑區(qū)域提取結果。 

【文章來源】：遙感信息. 2020年03期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

網(wǎng)絡結構圖

本文采用廣州地區(qū)高分三號PolSAR數(shù)據(jù)進行實驗，分辨率為8m。為防止影像噪聲對結果產(chǎn)生影響，首先采用Lee refined濾波對影像進行去噪，再對去噪后的影像進行Freeman 3分量分解。將得到的3分量分別對應R、G、B 3個通道合成假彩色圖像，得到的假彩色圖像即為初步的特征提取影像。利用它再進行深度特征提取，并引入條件隨機場進行結果優(yōu)化，得到最終的建筑區(qū)域提取結果。技術流程圖如圖2所示。2.1 數(shù)據(jù)預處理

選取經(jīng)典的Lee refined濾波算法對圖像進行濾波。該方法既能避免通道間的串擾，又能保持均勻區(qū)域的極化信息。對濾波后的影像結果進行Freeman分解，并將表面散射成分賦為藍色，偶次散射成分賦為紅色，體散射成分賦為綠色，得到的假彩色合成結果分別如圖3所示。不同地物在假彩色合成后區(qū)分度較高，說明散射功率能夠反映地物間的不同。由于植被、樹木的形狀結構比較隨機，且普遍為圓柱形散射體，因此可以用偶極子進行建模。電磁波被高矮不同的植被向各個方向隨機的散射，其散射類型為體散射，在假彩色圖中以綠色為主（山體被樹木覆蓋，依舊以體散射為主，呈現(xiàn)綠色）。農(nóng)田相對來說，表面平坦，主要產(chǎn)生表面散射，但也有部分農(nóng)作物高矮不同形狀多枝葉，會產(chǎn)生一定的體散射，因此農(nóng)田在假彩色圖中呈藍綠混雜色。人造建筑物的墻壁和地面構成二面角結構，所以以二面角散射為主。但是，建筑物區(qū)域的結構比較復雜，也會存在大量的體散射成分，所以在假彩色圖中的人造建筑物區(qū)域既有粉色又有綠色，極個別強反射建筑會呈現(xiàn)高亮白色。

【參考文獻】：
期刊論文
[1]基于深度學習和層次語義模型的極化SAR分類[J]. 石俊飛,劉芳,林耀海,劉璐.  自動化學報. 2017(02)



本文編號：2942646