基于深度学习的遥感影像建筑物提取方法研究
发布时间：2021-11-20 11:08
遥感影像具有丰富的地物信息,为城市规划、地图绘制、灾难救援等领域提供了海量的数据,其中建筑物等人工地物在城区遥感影像中占比超过80%。目前遥感影像建筑物的提取方法已经取得了一些进展,但是大多数方法仍然基于颜色、纹理、形状等人工设计的特征,不能满足实际场景的需求。特别在居民区,房屋建造年代、居住时间和房屋维护等的差异,导致建筑物表面覆盖物种类繁多、空间布局复杂、结构种类不一,这些因素降低了基于手工设计特征的提取方法的提取准确率。因此,从遥感影像中自动化提取出建筑物的方法仍然具有广泛的研究前景和应用价值。本文调研和分析了国内外在该领域的研究现状,针对遥感影像特征复杂、分辨率高、数据量大的特点,提出了一种基于深度学习的遥感影像建筑物自动化提取方法。首先对图像样本采用高斯滤波、直方图均衡化等预处理,然后输入到本文提出的卷积神经网络模型ADS-Net中进行训练。该网络采用编码器-解码器的架构来实现图像特征提取和语义分割的基础功能,并设计了基于注意力机制的特征图融合算法来加强编码器端和解码器端的数据流动。此外,本文在多任务学习思想的基础上,添加一个建筑物检测的辅助任务,来提高建筑物提取主任务的泛化...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图２．２局部连接和全连接方式对比??
原图像?预测的语义分割图??图２．１端到端的图像语义分割方法示意图??Ｌｏｎｇ?等人提出的?ＦＣＮ?（?Ｆｕｌｌｙ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｔｗｏｒｋｓ?ｆｏｒ?Ｓｅｍａｎｔｉｃ??Ｓｅｇｍｅｎｔａｔｉｏｎ）模型是第一种可以接受任意大小输入、端到端训练的全卷积图像??分割网络。ＦＣＮ骨干网络利用了?ＶＧＧ１６?（ＶｉｓｕａｌＧｅｏｍｅｔｒｙＧｒｏｕｐ）网络，将３个??全连接层转换为卷积层，并且移除Ｓｏｆｔｍａｘ层，最后输出与原图片同样大小的分??割结果［３５］。该方法在ＰＡＳＣＡＬ?ＶＯＣ?２０１２的竞赛中取得了?６２．２％的准确率，并且??启发了后面图像分割算法的设计。比如Ｃｈｅｎ等人在ＦＣＮ的末端增加了全连接??ＣＲＦ?（Ｃｏｎｄｉｔｉｏｎａｌ?Ｒａｎｄｏｍ?Ｆｉｅｌｄ）?［３６］，提出了?ＤｅｅｐＬａｂ?模型［３７］，该方法在?ＰＡＳＣＡＬ??ＶＯＣ?２０１２竞赛中取得了?７１．６％的准确率。??该类算法的改进有两个重要的方向，一个是提高卷积神经网络的感受野，使??得网络能获取更多的全局信息；另一个是利用图像更多分辨率的特征，以更好地??分割不同尺寸大小的目标。下面就介绍当前最新的几种图像分割改进算法，值得??一提的是
??第２章研究现状和相关理论??３）池化：池化层通常紧接在卷积层之后，它的功能是简化从卷积层输出的??信息，得到一个不随尺度变化的稳定特征。如图２．４，两个数字０，?一大一小，经??过两次最大池化操作后，都得到了相同的结果。??丄丄丄丄丄?３＊３最大池化，??—?—?ｓｔｒｉｄｅ＝２?ｒｒｍ??丄?丄???Ｊ?１＿??１?１?１?１?１?１?１?Ｉ?１??１?１?Ｉ?｜￣［?３＊３最大池化，??１１１?ｓｔｒｉｄｅ＝２?＾￣??：１＝工：????１＿?Ｊ＿＿１???图２．４池化的不变性示意图??因为Ｕ－Ｎｅｔ在解码器端要使用反卷积（“ｕｐ－ｃｏｎｖ〇ｌｕｔｉ〇ｎ”），来将低分辨特征??转化为高分辨特征。这里简单介绍下反卷积，如图２．５，?一般卷积层是输入较大??的特征映射，输出较小的特征映射（特征映射数目增多），反卷积则相反，输入??较小的特征映射，产生较大的特征映射（特征映射数目减少）。因为反卷积能产??生和卷积相反的结果
【参考文献】：
期刊论文
[1]基于U型卷积神经网络的航空影像建筑物检测[J]. 伍广明,陈奇,Ryosuke SHIBASAKI,郭直灵,邵肖伟,许永伟. 测绘学报. 2018(06)
[2]多特征多尺度相结合的高分辨率遥感影像建筑物提取[J]. 林雨准,张保明,徐俊峰,侯凯,周迅. 测绘通报. 2017(12)
[3]高分辨率光学遥感图像建筑物提取研究进展[J]. 王俊,秦其明,叶昕,王建华,秦雪彬,杨绣丞. 遥感技术与应用. 2016(04)
[4]基于植被指数限制分水岭算法的机载激光点云建筑物提取[J]. 赵宗泽,张永军. 光学学报. 2016(10)
[5]高空间分辨率遥感影像建筑物提取方法综述[J]. 张庆云,赵冬. 测绘与空间地理信息. 2015(04)
[6]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)
[7]基于知识规则构建和形态学修复的建筑物提取研究[J]. 黄金库,冯险峰,徐秀莉,丁青. 地理与地理信息科学. 2011(04)
[8]基于先验形状约束水平集模型的建筑物提取方法[J]. 田昊,杨剑,汪彦明,李国辉. 自动化学报. 2010(11)
[9]基于分水岭变换与空间聚类的高分辨率遥感影像面向对象分类[J]. 陈杰,邓敏,肖鹏峰,杨敏华,梅小明,刘慧敏. 遥感技术与应用. 2010(05)
[10]一种高分辨率遥感影像建筑物边缘提取方法[J]. 王丹. 环境保护与循环经济. 2009(10)
硕士论文
[1]遥感图像建筑物检测的关键技术研究[D]. 张尚琪.中国地质大学(北京) 2017
[2]高分辨率遥感影像建筑物提取技术研究[D]. 魏德强.解放军信息工程大学 2013
本文编号：3507196
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图２．２局部连接和全连接方式对比??
原图像?预测的语义分割图??图２．１端到端的图像语义分割方法示意图??Ｌｏｎｇ?等人提出的?ＦＣＮ?（?Ｆｕｌｌｙ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｔｗｏｒｋｓ?ｆｏｒ?Ｓｅｍａｎｔｉｃ??Ｓｅｇｍｅｎｔａｔｉｏｎ）模型是第一种可以接受任意大小输入、端到端训练的全卷积图像??分割网络。ＦＣＮ骨干网络利用了?ＶＧＧ１６?（ＶｉｓｕａｌＧｅｏｍｅｔｒｙＧｒｏｕｐ）网络，将３个??全连接层转换为卷积层，并且移除Ｓｏｆｔｍａｘ层，最后输出与原图片同样大小的分??割结果［３５］。该方法在ＰＡＳＣＡＬ?ＶＯＣ?２０１２的竞赛中取得了?６２．２％的准确率，并且??启发了后面图像分割算法的设计。比如Ｃｈｅｎ等人在ＦＣＮ的末端增加了全连接??ＣＲＦ?（Ｃｏｎｄｉｔｉｏｎａｌ?Ｒａｎｄｏｍ?Ｆｉｅｌｄ）?［３６］，提出了?ＤｅｅｐＬａｂ?模型［３７］，该方法在?ＰＡＳＣＡＬ??ＶＯＣ?２０１２竞赛中取得了?７１．６％的准确率。??该类算法的改进有两个重要的方向，一个是提高卷积神经网络的感受野，使??得网络能获取更多的全局信息；另一个是利用图像更多分辨率的特征，以更好地??分割不同尺寸大小的目标。下面就介绍当前最新的几种图像分割改进算法，值得??一提的是
??第２章研究现状和相关理论??３）池化：池化层通常紧接在卷积层之后，它的功能是简化从卷积层输出的??信息，得到一个不随尺度变化的稳定特征。如图２．４，两个数字０，?一大一小，经??过两次最大池化操作后，都得到了相同的结果。??丄丄丄丄丄?３＊３最大池化，??—?—?ｓｔｒｉｄｅ＝２?ｒｒｍ??丄?丄???Ｊ?１＿??１?１?１?１?１?１?１?Ｉ?１??１?１?Ｉ?｜￣［?３＊３最大池化，??１１１?ｓｔｒｉｄｅ＝２?＾￣??：１＝工：????１＿?Ｊ＿＿１???图２．４池化的不变性示意图??因为Ｕ－Ｎｅｔ在解码器端要使用反卷积（“ｕｐ－ｃｏｎｖ〇ｌｕｔｉ〇ｎ”），来将低分辨特征??转化为高分辨特征。这里简单介绍下反卷积，如图２．５，?一般卷积层是输入较大??的特征映射，输出较小的特征映射（特征映射数目增多），反卷积则相反，输入??较小的特征映射，产生较大的特征映射（特征映射数目减少）。因为反卷积能产??生和卷积相反的结果
【参考文献】：
期刊论文
[1]基于U型卷积神经网络的航空影像建筑物检测[J]. 伍广明,陈奇,Ryosuke SHIBASAKI,郭直灵,邵肖伟,许永伟. 测绘学报. 2018(06)
[2]多特征多尺度相结合的高分辨率遥感影像建筑物提取[J]. 林雨准,张保明,徐俊峰,侯凯,周迅. 测绘通报. 2017(12)
[3]高分辨率光学遥感图像建筑物提取研究进展[J]. 王俊,秦其明,叶昕,王建华,秦雪彬,杨绣丞. 遥感技术与应用. 2016(04)
[4]基于植被指数限制分水岭算法的机载激光点云建筑物提取[J]. 赵宗泽,张永军. 光学学报. 2016(10)
[5]高空间分辨率遥感影像建筑物提取方法综述[J]. 张庆云,赵冬. 测绘与空间地理信息. 2015(04)
[6]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)
[7]基于知识规则构建和形态学修复的建筑物提取研究[J]. 黄金库,冯险峰,徐秀莉,丁青. 地理与地理信息科学. 2011(04)
[8]基于先验形状约束水平集模型的建筑物提取方法[J]. 田昊,杨剑,汪彦明,李国辉. 自动化学报. 2010(11)
[9]基于分水岭变换与空间聚类的高分辨率遥感影像面向对象分类[J]. 陈杰,邓敏,肖鹏峰,杨敏华,梅小明,刘慧敏. 遥感技术与应用. 2010(05)
[10]一种高分辨率遥感影像建筑物边缘提取方法[J]. 王丹. 环境保护与循环经济. 2009(10)
硕士论文
[1]遥感图像建筑物检测的关键技术研究[D]. 张尚琪.中国地质大学(北京) 2017
[2]高分辨率遥感影像建筑物提取技术研究[D]. 魏德强.解放军信息工程大学 2013
本文编号：3507196
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3507196.html
