基于DeepLabv3+语义分割模型的GF-2影像城市绿地提取

发布时间：2024-04-06 22:57

　　高效准确地提取城市绿地对国土规划建设意义重大,将深度学习语义分割算法应用于遥感图像分类是近年研究的新探索。提出一种基于Deep Labv3+深度学习语义分割网络的GF-2遥感影像城市绿地自动化提取架构,通过网络的多孔空间金字塔池化(atrous spatial pyramid pooling,ASPP)等模块,提取高层特征,并依托架构完成数据集创建,模型训练,城市绿地提取以及精度评估。研究表明,本文架构分类的总体精度达到91. 02%,F值为0. 86,优于最大似然法(maximum likelihood,ML)、支持向量机(support vector machine,SVM)和随机森林法(random forest,RF) 3种传统方法及另外4种语义分割网络(PspNet,SegNet,U-Net和DeepLabv2),可以准确提取城市绿地,排除农田像元干扰;此外,对另一地区的提取试验也证实了本架构具有一定的迁移能力。所提出的GF-2遥感影像城市绿地自动化提取架构,可实现更精确、效率更高的城市绿地提取,为城市规划管理提供参考。

【文章页数】：10 页

【文章目录】：
0 引言
1 样本区域及数据来源
    1.1 样本区域
    1.2 数据来源
2 研究方法
    2.1 城市绿地提取架构概述
    2.2 数据集创建
        2.2.1 遥感影像预处理
        2.2.2 样本创建策略
    2.3 模型训练
        2.3.1 DeepLabv3+网络
        2.3.2 硬件配置及参数设置
    2.4 城市绿地提取
        2.4.1 精度评价指标
        2.4.2 精度评估策略
3 结果与讨论
    3.1 传统方法结果对比
    3.2 语义分割网络结果对比
    3.3 模型迁移性验证
4 结论



本文编号：3947289