利用U-net网络的高分遥感影像建筑提取方法
发布时间：2021-02-23 09:27
针对传统的高分影像建筑物提取方法存在分割精度低和分割边界模糊等问题,提出基于U-net神经网络的高分辨率光学遥感影像建筑物提取方法。方法包含U-net神经网络和全连接CRFs网络,依据图像特征进行语义分割并优化分割结果;在实现U-net神经网络和全连接CRFs模型的基础上,根据U-net的特点以及本文数据特性调试出不同数据量的增强扭曲数据集进行测试,以达到最高鲁棒的分割效果;调试全连接CRFs模型,使得后处理结果更加贴近影像中的真实情况。实验结果表明,与利用传统分割方法的分割效果相比,该方法分割精度及地物边缘分割完整度都得到了显著提升,对高分辨率遥感影像中建筑物的实验分割精度达到了87.64%。
【文章来源】：遥感信息. 2020,35(03)北大核心
【文章页数】：8 页
【部分图文】：
原始影像与最大似然分类法效果对比
面向对象分类方法中的关键是影像分割。较为广泛使用的分割方法有区域分割法、多尺度分割法和基于纹理的分割法等。影像分割质量的优劣与分割方法及分割参数的选择密不可分，这也直接决定了分割对象的形状、数量等指标，进而对后续的分类结果产生影响。然而，目前并没有一套通用的方法来确定分割参数。若将研究重点放在影像对象的特征表达上，越充分的特征表达就越需要人工的参与，如此一来就增加了分类的复杂程度。影像分类是利用分类器对提取的特征进行分类的步骤。较为有效的机器学习算法的分类过程中，只有有限的线性组合或非线性变换组合，不能充分学习特征向量的复杂结构信息，用于复杂、数据量大的样本时会直接导致分类精度不高的问题。虽然也有如基于归一化切割法（normalized cut,N-Cut）演变而来的Grab Cut算法仍被现代图像处理工作使用，其作为一种迭代式语义分割算法，利用图像中的纹理及颜色信息和边界反差信息，运用少量的人机交互操作，即可得到前后背景分割效果。但该算法仍是根据图像像素自身的低阶视觉信息进行的图像分割，没有训练过程，会导致在对较复杂的影像进行分割时，产生地物提取边界不完整的问题[8]，效果如图2所示。图2(b）为Grab Cut法对图1(a）高分辨率遥感影像的分割效果，其中，彩色区域为被分割出的建筑物。Grab Cut法虽然可以仅介入少量的人工干预，利用图像中的像元间差异提取建筑物，但从分割效果可以看出，其依然没能摆脱周围地物对分割效果的影响，分割效果仍不理想；且仅仅可以分割单一对象，虽可以通过编程解决多个对象的分割需求，但多个对象的分割就意味着更多人工的介入。因此可以得出结论，传统的面向对象的分类方法也已经无法适用于高分辨率遥感影像的地物分割工作。
本文的重点研究内容在于：如何根据影像数据实现U-net神经网络分割图像及全连接CRFs处理模型进行分割后处理，并根据实验通过更改输入数据及调试参数等操作尝试优化分割效果。1 利用U-net神经网络的高分辨率光学遥感影像建筑物提取
【参考文献】：
期刊论文
[1]基于候选区域和并行卷积神经网络的行人检测[J]. 徐喆,王玉辉. 计算机工程与应用. 2019(22)
[2]深度学习方法用于遥感图像处理的研究进展[J]. 胡龙廷,张克. 计算机产品与流通. 2019(06)
[3]深度学习方法研究综述[J]. 高明旭,李靖,朱绪平,常延辉. 中国科技信息. 2019(10)
[4]基于U-Net卷积神经网络的年轮图像分割算法[J]. 宁霄,赵鹏. 生态学杂志. 2019(05)
[5]遥感技术在城市中的应用——以郑州为例[J]. 孙会超. 江苏科技信息. 2019(11)
[6]遥感图像处理与展示平台的设计与实现[J]. 范明虎,左宪禹,刘扬. 河南大学学报(自然科学版). 2019(02)
[7]基于CNN的高分遥感影像深度语义特征提取研究综述[J]. 董蕴雅,张倩. 遥感技术与应用. 2019(01)
[8]基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 范荣双,陈洋,徐启恒,王竞雪. 测绘学报. 2019(01)
[9]基于分层次多尺度分割的面向对象地物分类方法[J]. 陈俊任,周晓华,卢兴. 江西测绘. 2018(04)
硕士论文
[1]高分辨率遥感影像城区道路提取的技术研究[D]. 刘岩.辽宁师范大学 2011
本文编号：3047365
【文章来源】：遥感信息. 2020,35(03)北大核心
【文章页数】：8 页
【部分图文】：
原始影像与最大似然分类法效果对比
面向对象分类方法中的关键是影像分割。较为广泛使用的分割方法有区域分割法、多尺度分割法和基于纹理的分割法等。影像分割质量的优劣与分割方法及分割参数的选择密不可分，这也直接决定了分割对象的形状、数量等指标，进而对后续的分类结果产生影响。然而，目前并没有一套通用的方法来确定分割参数。若将研究重点放在影像对象的特征表达上，越充分的特征表达就越需要人工的参与，如此一来就增加了分类的复杂程度。影像分类是利用分类器对提取的特征进行分类的步骤。较为有效的机器学习算法的分类过程中，只有有限的线性组合或非线性变换组合，不能充分学习特征向量的复杂结构信息，用于复杂、数据量大的样本时会直接导致分类精度不高的问题。虽然也有如基于归一化切割法（normalized cut,N-Cut）演变而来的Grab Cut算法仍被现代图像处理工作使用，其作为一种迭代式语义分割算法，利用图像中的纹理及颜色信息和边界反差信息，运用少量的人机交互操作，即可得到前后背景分割效果。但该算法仍是根据图像像素自身的低阶视觉信息进行的图像分割，没有训练过程，会导致在对较复杂的影像进行分割时，产生地物提取边界不完整的问题[8]，效果如图2所示。图2(b）为Grab Cut法对图1(a）高分辨率遥感影像的分割效果，其中，彩色区域为被分割出的建筑物。Grab Cut法虽然可以仅介入少量的人工干预，利用图像中的像元间差异提取建筑物，但从分割效果可以看出，其依然没能摆脱周围地物对分割效果的影响，分割效果仍不理想；且仅仅可以分割单一对象，虽可以通过编程解决多个对象的分割需求，但多个对象的分割就意味着更多人工的介入。因此可以得出结论，传统的面向对象的分类方法也已经无法适用于高分辨率遥感影像的地物分割工作。
本文的重点研究内容在于：如何根据影像数据实现U-net神经网络分割图像及全连接CRFs处理模型进行分割后处理，并根据实验通过更改输入数据及调试参数等操作尝试优化分割效果。1 利用U-net神经网络的高分辨率光学遥感影像建筑物提取
【参考文献】：
期刊论文
[1]基于候选区域和并行卷积神经网络的行人检测[J]. 徐喆,王玉辉. 计算机工程与应用. 2019(22)
[2]深度学习方法用于遥感图像处理的研究进展[J]. 胡龙廷,张克. 计算机产品与流通. 2019(06)
[3]深度学习方法研究综述[J]. 高明旭,李靖,朱绪平,常延辉. 中国科技信息. 2019(10)
[4]基于U-Net卷积神经网络的年轮图像分割算法[J]. 宁霄,赵鹏. 生态学杂志. 2019(05)
[5]遥感技术在城市中的应用——以郑州为例[J]. 孙会超. 江苏科技信息. 2019(11)
[6]遥感图像处理与展示平台的设计与实现[J]. 范明虎,左宪禹,刘扬. 河南大学学报(自然科学版). 2019(02)
[7]基于CNN的高分遥感影像深度语义特征提取研究综述[J]. 董蕴雅,张倩. 遥感技术与应用. 2019(01)
[8]基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 范荣双,陈洋,徐启恒,王竞雪. 测绘学报. 2019(01)
[9]基于分层次多尺度分割的面向对象地物分类方法[J]. 陈俊任,周晓华,卢兴. 江西测绘. 2018(04)
硕士论文
[1]高分辨率遥感影像城区道路提取的技术研究[D]. 刘岩.辽宁师范大学 2011
本文编号：3047365
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3047365.html
