利用深度残差网络的遥感影像建筑物提取

发布时间：2021-10-17 04:24

　　高分辨率遥感影像中建筑物的提取技术一直是遥感领域的研究热点。针对传统方法需要人工选取特征的缺点,提出一种结合深度残差网络结构和金字塔式层级连接的高分辨率遥感影像建筑物提取方法。首先对影像进行多尺度扩充,保证网络能够探测不同尺度建筑物特征;其次利用新提出的卷积神经网络训练模型,提取建筑物的像素级特征信息;然后对预测结果进行多模型集成计算,降低随机误差;最后对预测概率图选取合适的阈值,进行过滤去除椒盐噪声,利用形态学运算对结果后处理,保证建筑物完整,边界平滑。实验表明,相比于其他网络结构,所提网络结构的建筑物提取精度更高。 

【文章来源】：遥感信息. 2020,35(02)北大核心CSCD

【文章页数】：6 页

【部分图文】：

本文提出的Res-UNet结构图

式中：xl和xl+1是第l个残差单元的输入和输出；F(xl,Wl）是残差函数；h(xl）是恒等映射函数；f(yl）是ELU激活函数，一般情况下，h(xl)=xl。同一阶段下特征图尺寸与数量相同，进入下一阶段时特征图尺寸变为原来的1/2，数目变为原来的2倍。右侧解码部分也由4个阶段组成，每个阶段通过1×1卷积层、转置卷积层和1×1卷积层进行上采样，同阶段特征图尺寸和数量与左侧一致。中间跳跃连接部分受到FPN[19]的启发，设计为金字塔型层级结构，将左右两侧的特征图进行叠加再输入下一层级，实现上下文多尺度特征融合。在网络的最后，通过一个1×1卷积层和sigmoid激活函数输出特征向量概率图，将建筑物与背景分离。本文的网络结构解决了层数增加导致的梯度消失问题，金字塔结构融合了不同层级的多尺度特征，有助于恢复建筑物边缘信息。

通常利用深度学习训练获得模型得到的预测结果都不够齐整，有些建筑物存在椒盐噪声、孔洞和边界不平滑等现象，因此需要阈值过滤和后处理来优化结果。首先利用选择好的阈值，对概率图进行二值化，用于区分建筑物与背景，然后对有空缺的建筑物孔洞填充，再选择合适的像素值用于去除较大图斑，最后进行高斯滤波和形态学运算对边界进行平滑，以上运算由OpenCV处理。整体的工作流程如图3所示。选取合适阈值的策略是通过对训练集和验证集进行预测，预测结果阈值以5为步长，从50取至160，计算每个阈值下的F1值，选取最大的F1值作为测试集的二值化阈值。

【参考文献】：
期刊论文
[1]面向对象的形态学建筑物指数及其高分辨率遥感影像建筑物提取应用[J]. 林祥国,张继贤.  测绘学报. 2017(06)
[2]高分辨率遥感影像中建筑物轮廓信息矢量化[J]. 孙金彦,黄祚继,周绍光,徐南,钱海明,王春林.  遥感学报. 2017(03)
[3]面向对象和SVM结合的无人机数据建筑物提取[J]. 王旭东,段福洲,屈新原,李丹,余攀锋.  国土资源遥感. 2017(01)
[4]基于改进Harris算法的高分辨率遥感影像建筑物角点检测研究[J]. 崔有祯,吴露露,辛星,陈国锐,郑志雄.  测绘通报. 2013(09)
[5]光谱和形状特征相结合的高分辨率遥感图像的建筑物提取方法[J]. 吴炜,骆剑承,沈占锋,朱志文.  武汉大学学报(信息科学版). 2012(07)
[6]基于改进分水岭变换的遥感图像建筑物提取[J]. 任晓娟,肖双九,彭小朋.  计算机应用与软件. 2011(12)
[7]基于对象建模的遥感影像建筑物提取方法[J]. 王世伟,方涛.  计算机仿真. 2010(12)
[8]阴影辅助下的面向对象城市建筑物提取[J]. 周亚男,沈占锋,骆剑承,陈秋晓,胡晓东,沈金祥.  地理与地理信息科学. 2010(03)
[9]基于SVM的多源遥感影像面向对象建筑物提取方法[J]. 张峰,薛艳丽,李英成,丁晓波.  国土资源遥感. 2008(02)

硕士论文
[1]面向高空间分辨率遥感影像的建筑物目标识别方法研究[D]. 孙宁.浙江大学 2010



本文编号：3441109