基于改进Unet的遥感影像语义分割在地表水体变迁中的应用

发布时间：2020-04-24 03:54

【摘要】：陆地地表水体是江、河、湖的总称,它是被水覆盖地段的自然综合体,更是自然万物和人类文明的摇篮。但是,自从人类文明进入工业化阶段,一些超负荷甚至是破坏性的开发使地表水体满目疮痍。地表水体变迁越发频繁,有效地对水体变迁进行监测是对水资源进行高效开发利用的前提条件。伴随着遥感技术的快速发展,空间遥感平台提供的高分辨率图像信息日渐丰富,其中地表水体的空间与光谱信息占据着重要的组成部分。遥感影像携带的丰富的地表水体数据为地表水体变迁的监测打下了坚实基础,但是丰富的数据量并不能直接被使用,需要人为提取有效信息进行高效的分析量化。本文将地表水体变迁作为研究目标,目的是对给定的同一地区不同时刻的遥感影像通过算法标定变化状态。传统的分割变化检测采用地物的分布、形状、结构、纹理、色调等特征,在处理单一场景时表现较好,但是当地物信息繁杂或者影像分辨率高时算法性能会受到影响,且传统的阈值由人为实验检测设定,算法鲁棒性较低。为了解决此问题,本文以超像素作为基本分析单元,使用机器学习算法构建多个非线性变换组合的深度学习模型对超像素内在的高级抽象特征进行建模,以提高图像分割的准确率与鲁棒性。论文主要内容如下:(1)获取多个同一地区不同时间段的遥感影像并进行几何校正,然后采用面向对象的方法使用eCognition软件标注影像获取基准值(Ground truth)。(2)针对传统阈值分割方法无法有效地分割高背景复杂度的遥感影像,本文提出了一种基于深度卷积神经网络的水体变迁分割方法,该方法在Unet网络构架的基础上优化并改进为D-Unet(Deep-Unet)与DS-Unet(Deep Separable-Unet),可以从遥感影像中精确地提取水体信息,为后续的地表水体变迁研究以及水域面积测算打下坚实基础。(3)针对深度卷积神经网络进行粗分割存在边界不平滑和像素点定位不准确等问题,使用全连接条件随机场对粗分割结果进行细化处理达到更加精细准确的结果。(4)针对遥感影像的特点提出了地表水体面积测算与水体迁移可视化方法。(5)本文针对数据集所采集的基准数据测试了方法的有效性,DS-Unet获得了88.74%的平均分割准确率,并在Intel Core i7(2.2 GHz)下达到15s处理1幅6000*6000px遥感影像的分割速度;D-Unet可以达到91.59%的平均分割准确率以及在Intel Core i7(2.2 GHz)下45s处理1幅6000*6000px遥感影像的分割速度;在使用全连接条件随机场优化后使得分割结果更加细致,在Intel Core i7(2.2 GHz)下处理的平均时间为166s,环境噪声的鲁棒性提高,分割边缘的光滑度更高,是一种有效的水体提取方法。本文最后提出基于像素的地表水体面积测算与地表水体变迁可视化方法在实验中被证明是一种良好的测算方法,取得了良好的展示效果。
【图文】：

空间分布,机器学习,人工智能

这些数据集来自日常人类视角的生地球观测数据，研究区域是重庆市沙坪庆市政府批准建设以后，大学城校区，主要体现在建筑与道路用地的增多，，生态环境增建许多人造水体，使地表环境的变化与地表水资源空间分布变可以为气候环境和生态环境的研究与整提取方法，能够为水资源保护与合理持，这不仅是是当今学术界关注的焦点理念。状机器学习领域的新兴分支，是整个人系如图 1.1 所示。

机器学习,范式,表示层

图 1.2 机器学习：一种新的编程范式习的一个分支：这是从数据中学习学习，这些层对应越来越有意义的续的表示层，而不是利用这种方法由数十个甚至上百个连续的表示层的。相比之下，其他机器学习方法往法也被称为浅层学习（shallow lear Dan Ciresan 开始使用 GPU 训练的学习首次应用于计算机视觉领域。赛 ImageNet，参赛者需要将 140 万。2011 年，获胜模型基于传统的计 2012 年，由 Alex Krizhevsky 带领法实现了 83.6%的 top-5 精度。从那导。到 2015 年，获胜者的精度达到
【学位授予单位】：重庆师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;P332

【相似文献】