基于改进U-Net网络的高分遥感影像水体提取

发布时间：2021-01-13 01:13

　　传统基于光谱信息的水体提取未能考虑水体形状、纹理、大小、相邻关系等问题,且存在同物异谱、异物同谱现象,导致水体提取精度较低。而传统基于分类提取水体方法设计特征过程较为繁琐,且不能挖掘深度信息特征。因此,本文提出改进的U-Net网络语义分割方法,借鉴经典U-Net网络的解编码结构对网络进行改进:①将VGG网络用于收缩路径以提取特征;②在扩张路径中对低维特征信息进行加强,将收缩特征金字塔上一层的特征图与下一层对应扩张路径上的特征图进行融合,以提高提取结果分割精度;③在分类后处理中引入条件随机场,以将分割结果精细化。在保持相同训练集、验证集和测试集的情况下,分别用SegNet、经典U-Net网络和改进的U-Net网络做对照试验。试验结果表明,改进的U-Net网络结构在IoU、精准率和Kappa系数指标上均高于SegNet和经典U-Net网络,与SegNet相比,3项指标分别提升了10.5%、12.3%和0.14,与经典U-Net网络结果相比,各个指标分别提升了5.8%、4.4%和0.05。改进的网络水体提取结果较为完整,对小目标水体能够准确提取。改进的U-Net网络能够有效地实现水体提取任务... 

【文章来源】：地球信息科学学报. 2020,22(10)北大核心

【文章页数】：13 页

【部分图文】：

水体提取技术路线

图2左半部分收缩路径是典型的卷积结构，包含连续2个3×3卷积核层，卷积后的特征图利用ReLU函数进行非线性激活，下采样方法采用最大池化，每次下采样操作都将特征图通道数增加2倍，同时将图像尺寸缩小2倍。扩张路径中，对特征图进行反卷积，使特征图尺寸扩大2倍，与对应收缩路径中的特征图进行拼接，以利用低维特征信息，对拼接后的特征图进行连续2次卷积操作，再利用Re LU函数激活。在最后的输出层中利用1×1卷积核对特征图进行卷积，生成与对应类别数相同的维数，同时还原图像的尺寸大小。在收缩路径中，每次池化操作之前，特征图都将被保存，并通过跳跃连接的方式将保存的特征图传递给对应尺度的扩张路径，从而为扩张路径提供不同尺度的特征信息。通过跳跃连接的方式，恢复由于最大池化操作降低分辨率带来的空间信息损失，为扩张路径提供不同分辨率的特征。2.3 VGG16预编码与低维信息特征加强

全连接条件随机场后处理模型[26]


本文编号：2973915