多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

发布时间：2021-04-18 06:53

　　遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。 

【文章来源】：遥感学报. 2020,24(01)北大核心EICSCD

【文章页数】：16 页

【部分图文】：

技术路线

为充分利用建筑物多尺度纹理信息及其相互关系，采用GMRF模型(Krishnamachari和Chellappa,1997)对特征场向量建模，考虑二阶邻域位置影响，如图2所示。图2中，τ∈N，为尺度内节点二阶邻域位置关系，考虑到邻域节点对中心节点的贡献，似然函数定义为

池化层对输入的特征进行压缩，减小特征图尺寸，突出影像中的主要特征，使得网络计算复杂度降低。按照缩放后的取值规则分为极大值采样(maxpooling)，平均采样(avgpooling)，以及随机采样(randpooling)等(Laptev等，2016)。反卷积层用于将经过卷积及池化操作后的特征影像进行上采样操作，从而恢复特征影像的尺寸，反卷积层可以使得网络学习到更加复杂的特征(Bengio等，2013)。

【参考文献】：
期刊论文
[1]概率图模型研究进展综述[J]. 张宏毅,王立威,陈瑜希.  软件学报. 2013(11)
[2]定量遥感尺度效应刍议[J]. 李小文,王祎婷.  地理学报. 2013(09)



本文编号：3145029