基于深度学习的遥感图像语义分割技术研究

发布时间：2020-07-31 19:11

【摘要】：卫星遥感图像反映地物目标电磁辐射特性的空间分布状况,广泛应用于环境监测、城市建设等领域,兼具研究价值和经济效益。卫星遥感图像包含丰富的地物信息,处理过程复杂,如何实现遥感图像的智能解译一直是学术界和工业界面临的难题。图像分割是遥感图像处理的基础,是决定解译质量的关键因素。随着软硬件水平的提高,获取到的遥感图像愈加复杂,传统分割方法应用受到诸多限制。近年来,以深度学习为理论基础的图像分割方法研究发展迅速,应用深度学习解决遥感智能图像解译难题,具有重要的实践意义。本文旨在研究基于深度学习的高分辨遥感图像语义分割技术,从遥感图像获取、质量改善、语义分割网络设计、训练等阶段展开叙述,重点讨论与优化有关的内容。具体地,本文实验使用的数据源包括公开图像竞赛数据集和制作的哈尔滨市卫星遥感图像数据集。在质量改善阶段,对遥感图像作去噪、去雾和超分辨率处理。去噪阶段使用高斯滤波和均值滤波等空间域去噪方法;去雾阶段使用暗通道先验去雾方法;超分辨阶段使用本文提出的基于边界平衡生成对抗网络的方法。在语义分割网络设计和训练阶段,简述深度卷积神经网络的基本原理、基础构件,并具体介绍本文提出的基于U-Net改进的语义分割网络。本文以DeepLab v3在个人数据集上的并行训练为例,基于训练过程中出现的若干问题,讨论基于正则化、迁移学习和集成学习思想的优化策略。本课题研究使用改进U-Net,从头开始训练,在公开数据集“CCF卫星影像的AI分类与识别竞赛”上取得了 90%的测试准确率;使用DeepLab v3,加载预训练模型ResNet-50权重,微调训练,在制作的哈尔滨市卫星遥感图像数据集上取得了 93%的测试准确率。实验结果表明,本文提出方法在拥有较高分割准确率的同时还具有良好的泛化能力,能够用于实际工程。
【学位授予单位】：东北林业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP18
【图文】：

遥感图像,语义标注,数据集

Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ，邋ＦＣＮ）的遥感图像土地覆盖制图方法，并在ＩＳＰＲＳ邋２Ｄ语义标注数据集［１４］逡逑上实现了对不同尺度大小的地物目标的准确分割，分割准确率高达８７％，其中对小尺度逡逑地物“汽车”分割的Ｆ１值达到８０％。同样是针对ＩＳＰＲＳ邋２Ｄ语义标注数据集（图１－１所逡逑示），Ａｕｄｅｂｅｒｔ等人［１５］提出一种基于自编码器类型的深度全卷积神经网络（Ｄｅｅｐ邋Ｆｕｌｌｙ逡逑Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ，邋ＤＦＣＮＮ），其关键是引入多核卷积层，实现对地物目标的逡逑多尺度特征提取？，另外引入残差结构，实现对异构传感器数据的融合。Ｐａｎｂｏｏｎｙｕｅｎ等逡逑人［１６］基于ＳｅｇＮｅｔ设计语义分割网络结构，如图１－２所示，并结合景观指数和条件随机逡逑场方法，对遥感图像中的道路进行分割。Ｃｈｅｎｇ等人［１７］提出一种级联端到端卷积神经网逡逑络（Ｃａｓｃａｄｅｄ邋Ｅｎｄ－ｔｏ－ｅｎｄ邋Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ，邋ＣａｓＮｅｔ），该网络结构包含两个子逡逑网络，其中一个用于道路检测，另一个用于中心线提取，然后再使用其他形态学方法作逡逑后处理。逡逑W

遥感图像,公开数据,集样

光谱为可见光三波段（Ｒ，邋Ｑ邋Ｂ）。地物目标被简化为五类：植被（标记１）、建筑（标逡逑记２）、水体（标记３）、道路（标记４）及其他（标记０）。需要注意的是，数据集中的逡逑耕地、林地和草地均视为植被，不作进一步区分。图２－１和图２－２分别是公开数据集样逡逑本和人工标记，表２－１是公开数据集的样本分布统计情况。需要注意的是，实际数据集逡逑中的遥感图像为ＰＮＧ格式，但其尺寸大小不一，最小的图像尺寸为４０１１ｘ２４７０像素，逡逑大小约为１５ＭＢ，最大的图像尺寸为７９６９ｘ７９３９像素，大小约为９８ＭＢ。为方便展示，逡逑本文中部分图像作了比例缩放，但在模型实际训练和预测时，图像比例保持不变。逡逑■■■逡逑ＩＭＧ—ＰＵＢＬＩＣ邋１逦ＩＭＧ＿ＰＵＢＵＣ＿２逦ＩＭＧＰＵＢＬＩＣ３逡逑■■逡逑ＩＭＧ一ＰＵＢＬＩＣ邋４逦ＩＭＧ＿ＰＵＢＵＣ＿５逡逑图２－１公开数据集样本逡逑－７－逡逑

遥感图像,公开数据,集样,地物

【相似文献】