基于深度学习的遥感图像道路信息提取算法研究
发布时间：2020-07-24 01:26
【摘要】：针对遥感图像中信息的复杂性和地物类型的多样性,利用深度学习强大的特征表达能力与遥感图像的大数据量、高空间分辨率等特点,研究如何提高遥感图像中复杂信息提取的精度是迫切需要解决的问题。利用遥感图像提取道路信息的研究已经开展了很多年,但是,由于不同等级道路具有不同的宽度和形状特征,如国道、省道、村道以及山路等;不同材质道路具有不同的颜色和纹理特征,如水泥、沥青、土路等;同时,道路区域被建筑、树木、道路中央绿化带遮挡等诸多因素影响,使得道路信息的精确提取仍然是遥感信息提取领域的研究前沿和与技术难点。本文利用深度学习方法构建遥感图像道路信息自动提取模型,提出实验结果后处理方法,并研制遥感图像道路信息自动提取原型系统。具体研究内容和成果如下:(1)研究和改进了用于提取高分辨率遥感图像道路信息的深度学习网络模型。针对D-LinkNet遥感图像道路提取结果精度问题以及网络规模太大难以应用的缺陷,基于D-LinkNet网络结构,本文提出了使用DenseNet、改进的DenseNet、改进的ResNet分别构建新的编码结构,构建新的网络模型DenseNetPlus、DDenseNetPlus、DLinkNetPlus;并针对D-LinkNet中空洞卷积结构,通过引入bottleneck结构减少模型参数,构建B-DLinkNetPlus模型。同时针对不同等级道路宽度不一致问题,提出了融合多尺度生成对抗网络GAN-Unet改进模型。(2)针对遥感图像道路提取结果中出现的独立散点和斑块,提出了道路提取结果后处理方法Eliminate Small Independent Patches(ESIPs)。该方法首先检测连通区域及其外接矩形,通过判断连通区域像素点数量、判断其外接矩形长宽比、连通区域像素点数量与外接矩形面积比三个条件,根据串联判别结果决定是否消除该连通区域。通过该方法能有效的消除遥感图像道路检测结果中出现的独立散点和斑块,使得提取的道路区域更具有整体性,拥有更好的视觉效果。(3)基于上述算法模型,研制遥感图像道路信息自动提取原型系统,该系统具有遥感图像打开、缩放、漫游、保存等基础功能模块,还集成了本文提出的所有遥感图像道路提取模型以及道路提取结果后处理方法,方便快捷实现遥感图像道路自动化提取。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U491;TP751;TP18
【图文】：
络模型的结构设计已经变得简单，而网络模型的加速训练也变得越来越优秀，对现有的网络模型设计方法以及网络模型加速训练方法进行分析是构建型的第一步。 常见卷积网络结构设计随着计算机技术的发展已经人工智能技术的兴起，在深度学习中，设计一学习网络结构变得越来越简单，然而卷积神经网络是由卷积层[51]、池化层[非线性变换层[54]等常见组件堆叠而成，这些组件不同的堆叠顺序以及不同所形成不同的网络结构，都会对最后的结果精度有不同程度的影响，因此，深度学习模型之前，首先关键的第一步是：如何搭建一个好的网络模型结构.1 普通层堆叠由 Yann LeCun[52]在 1998 年提出的 LeNet，其结构如图 2-1 所示，该网络于解决手写数字识别的视觉任务，该网络具有开拓性的意义，是大量网络结点，网络给出了卷积网络的基本特性：
电子科技大学硕士学位论文如雨后春笋般出现，AlexNet 的出现可谓是卷积神经网络的王者归来。相对eNet，AlexNet 多了 3 层，并且使用了 ReLU[54]代替了 Sigmoid 激活函数来加快，并使用 Dropout 来有效缓解过拟合。在其之后的 ZFNet[55]，虽然取得了 20 ImageNet 分类任务的冠军，但是其网络结构没有什么改进，更多的优化在于网络参数以及如何使用更小的卷积核来减少参数量。而到了 VGGNet[56]的出现用了更多3 3的小卷积核代替大的卷积核，在降低参数量的同时并建立了更多线性变换，使得网络对特征的学习能力更强，虽然在结构上也没有太大的创新是确定了不同层之间的连接的规则，使用卷积-卷积-池化的操作，并且整个网多个这种结构堆叠而成，这种不同层之间有一定规律的连接与堆叠，使GGNet 取得了 2014 年的 ImageNet 竞赛定位任务的第一名和分类任务的第二名络结构如图 2-3 所示。
数以及如何使用更小的卷积核来减少参数量。而到了 VGGNet多3 3的小卷积核代替大的卷积核，在降低参数量的同时并建立换，使得网络对特征的学习能力更强，虽然在结构上也没有太大了不同层之间的连接的规则，使用卷积-卷积-池化的操作，并且这种结构堆叠而成，这种不同层之间有一定规律的连接与堆t 取得了 2014 年的 ImageNet 竞赛定位任务的第一名和分类任务的如图 2-3 所示。图2-2 AlexNet 结构图[53]
本文编号：2768111
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U491;TP751;TP18
【图文】：
络模型的结构设计已经变得简单，而网络模型的加速训练也变得越来越优秀，对现有的网络模型设计方法以及网络模型加速训练方法进行分析是构建型的第一步。 常见卷积网络结构设计随着计算机技术的发展已经人工智能技术的兴起，在深度学习中，设计一学习网络结构变得越来越简单，然而卷积神经网络是由卷积层[51]、池化层[非线性变换层[54]等常见组件堆叠而成，这些组件不同的堆叠顺序以及不同所形成不同的网络结构，都会对最后的结果精度有不同程度的影响，因此，深度学习模型之前，首先关键的第一步是：如何搭建一个好的网络模型结构.1 普通层堆叠由 Yann LeCun[52]在 1998 年提出的 LeNet，其结构如图 2-1 所示，该网络于解决手写数字识别的视觉任务，该网络具有开拓性的意义，是大量网络结点，网络给出了卷积网络的基本特性：
电子科技大学硕士学位论文如雨后春笋般出现，AlexNet 的出现可谓是卷积神经网络的王者归来。相对eNet，AlexNet 多了 3 层，并且使用了 ReLU[54]代替了 Sigmoid 激活函数来加快，并使用 Dropout 来有效缓解过拟合。在其之后的 ZFNet[55]，虽然取得了 20 ImageNet 分类任务的冠军，但是其网络结构没有什么改进，更多的优化在于网络参数以及如何使用更小的卷积核来减少参数量。而到了 VGGNet[56]的出现用了更多3 3的小卷积核代替大的卷积核，在降低参数量的同时并建立了更多线性变换，使得网络对特征的学习能力更强，虽然在结构上也没有太大的创新是确定了不同层之间的连接的规则，使用卷积-卷积-池化的操作，并且整个网多个这种结构堆叠而成，这种不同层之间有一定规律的连接与堆叠，使GGNet 取得了 2014 年的 ImageNet 竞赛定位任务的第一名和分类任务的第二名络结构如图 2-3 所示。
数以及如何使用更小的卷积核来减少参数量。而到了 VGGNet多3 3的小卷积核代替大的卷积核，在降低参数量的同时并建立换，使得网络对特征的学习能力更强，虽然在结构上也没有太大了不同层之间的连接的规则，使用卷积-卷积-池化的操作，并且这种结构堆叠而成，这种不同层之间有一定规律的连接与堆t 取得了 2014 年的 ImageNet 竞赛定位任务的第一名和分类任务的如图 2-3 所示。图2-2 AlexNet 结构图[53]
【参考文献】
相关期刊论文 前2条
1 符喜优;张风丽;王国军;邵芸;;结合张量投票和Snakes模型的SAR图像道路提取[J];中国图象图形学报;2015年10期
2 朱长青,王耀革,马秋禾,史文中;基于形态分割的高分辨率遥感影像道路提取[J];测绘学报;2004年04期
相关博士学位论文 前2条
1 谢卫莹;高光谱遥感影像高精度分类方法研究[D];西安电子科技大学;2017年
2 苏临之;基于像素信息和深度学习的遥感图像变化检测技术[D];西安电子科技大学;2016年
相关硕士学位论文 前2条
1 邱世峗;基于深度学习的高分辨率光学遥感图像舰船检测[D];西安电子科技大学;2018年
2 钟传琦;基于深度学习的高分辨率遥感影像道路自动提取研究[D];电子科技大学;2018年
本文编号：2768111
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2768111.html
