全卷积神经网络下的多光谱遥感影像分割

发布时间：2021-10-20 10:16

　　目的传统的遥感影像分割方法需要大量人工参与特征选取以及参数选择,同时浅层的机器学习算法无法取得高精度的分割结果。因此,利用卷积神经网络能够自动学习特征的特性,借鉴处理自然图像语义分割的优秀网络结构,针对遥感数据集的特点提出新的基于全卷积神经网络的遥感影像分割方法。方法针对遥感影像中目标排列紧凑、尺寸变化大的特点,提出基于金字塔池化和DUC（dense upsampling convolution）结构的全卷积神经网络。该网络结构使用改进的Dense Net作为基础网络提取影像特征,使用空间金字塔池化结构获取上下文信息,使用DUC结构进行上采样以恢复细节信息。在数据处理阶段,结合遥感知识将波段融合生成多源数据,生成植被指数和归一化水指数,增加特征。针对遥感影像尺寸较大、采用普通预测方法会出现拼接痕迹的问题,提出基于集成学习的滑动步长预测方法,对每个像素预测1 4次,每次预测像素都位于不同图像块的不同位置,对多次预测得到的结果进行投票。在预测结束后,使用全连接条件随机场（CRFs）对预测结果进行后处理,细化地物边界,优化分割结果。结果结合遥感知识将波段融合生成多源数据可使分割精度提高3. ... 

【文章来源】：中国图象图形学报. 2020,25(01)北大核心CSCD

【文章页数】：13 页

【部分图文】：

CNN与FCN结构对比

式中，NIR为多光谱遥感影像中的近红外波段，R为遥感影像中的红光波段。两个波段组合后得到的像素值在-1到1之间，当NDVI值为负数时，红光波段大于近红外波段，说明对可见光高反射，地表覆盖可能为云、水、雪等;当NDVI值为0时，红光波段等于近红外波段，说明对可见光和近红外反射能力一样，地表覆盖可能为岩石或裸土等;当NDVI值为正数时，红光波段小于近红外波段，说明对近红外高反射，地表覆盖可能为植被，并且植被覆盖的程度越高，此值越大，如图2所示，高亮处均为植被。2)EVI(增强型植被指数)。它是由改善归一化植被指数得到的。Liu和Huete(1995)研究前人工作时，发现在成像时大气和土壤的出现可能会互相影响，两者的噪声成反比关系，因而他们提出通过参数构建同时校正大气和土壤的影响的解决办法，并且也解决了使用红光波段与近红外波段的比值引起的植被指数容易饱和以及NDVI植被指数与植被实际覆盖程度不能构成线性关系的问题。EVI计算为

式中，B为遥感影像中的蓝光波段，L=1，为土壤调节参数，参数C1和C2分别为6.0和7.5。增强型植被指数如图3所示，高亮处均为植被。3)NDWI(归一化水指数)。它主要用来提取遥感影像数据中的水体，由McFeeters(1996)提出，文献中表明水体的反射能力从可见光到中红外波段逐渐减弱，在近红外波段范围内反射能力最弱，几乎全部吸收无反射。综上所述，可以用可见光波段与近红外波段的反差去突出影像中的水体信息，但由上面的植被指数可以知道植被在近红外波段范围内反射最强，所以归一化水指数采用可见光绿光波段与近红外波段的比值最大程度地抑制植被的信息，突出水体信息。NDWI计算为

【参考文献】：
期刊论文
[1]图像语义分割问题研究综述[J]. 肖朝霞,陈胜.  软件导刊. 2018(08)
[2]基于面向对象的高分辨率遥感影像分类技术研究[J]. 杜斌,张炜.  西部资源. 2016(05)
[3]基于深度学习的高分辨率遥感影像分类研究[J]. 刘大伟,韩玲,韩晓勇.  光学学报. 2016(04)
[4]基于最小距离法的遥感图像分类[J]. 冯登超,陈刚,肖楷乐,杜文雅,吴新颖.  北华航天工业学院学报. 2012(03)



本文编号：3446730