基于生成对抗网的高分辨率遥感影像道路提取

发布时间：2020-09-01 07:39

　　高分辨率遥感影像包含丰富的地物信息,为其后续解译打下了良好的数据基础,其中道路提取是高分辨遥感影像处理中的一个重要研究内容,在许多领域与场景中有不可替代的作用。而传统的道路提取方法无法准确提取图像中有判别性的信息,导致传统方法道路提取结果不准确且自动化与智能化程度偏低。而基于深度学习的主流方法虽然在提取结果上有所提升,但无法很好的处理遥感影像处理中的小样本问题,需要大量的数据增强与预处理和后处理操作,增加了计算与储存资源的消耗。针对上述问题,本文基于深度学习中的生成对抗网提出了基于语义嵌入生成对抗网的道路提取方法,提高了小样本情况下道路提取的性能;提出了基于弱监督多尺度语义嵌入生成对抗网的高分辨遥感影像多等级道路提取方法,提高了对路宽差异较大的道路提取性能,同时进一步缓解了由于小样本问题对模型效果的限制;提出了基于生成对抗网的遥感影像道路去遮挡方法,避免了由于遥感影像中经常出现的遮挡问题而对道路提取结果带来的负面影响,增强了模型在实际应用中的鲁棒性。本文的主要工作总结如下:1.提出了一种基于语义嵌入生成对抗网络的遥感影像道路提取方法,该方法将道路提取任务看作是一种特殊的图像翻译任务,利用生成对抗网由遥感图像直接生成道路类标图,同时损失函数在使用生成对抗网损失的基础上添加语义嵌入损失,在细节上进一步约束生成图像的质量。该方法是一个完全端到端的道路提取框架,在遥感影像小样本的条件下也能取得优异的性能。2.提出了一种基于弱监督多尺度语义嵌入生成对抗网的多等级道路提取方法,通过使用多通道生成网络模型对遥感影像中的多尺度道路进行准确提取,同时降低了模型参数量;利用渐进式生成网络生成更多的高分辨遥感影像样本结合弱监督策略为深度网络的训练提供了更多的有标注样本,一定程度上缓解了小样本问题带来的模型性能下降。3.提出了一种基于生成对抗网的遥感影像道路去遮挡方法,该方法摒弃了传统遥感影像去云雾的思想,使用生成网络直接生成遮挡区域的信息从而进行补全,可以在没有遮挡位置先验知识的情况下较好的修复缺失信息,应用范围更加广泛。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP751;TP183;U491
【部分图文】：

学习发展,脉络

第一章绪论迎来了蓬勃发展，大量改进模型如雨后春笋一般层出不穷，如全卷积神经网络ullyConvolutionalNetwork，FCN）[2]、深度残差神经网络（DeepResidualNetwork，sNet）[3]、递归神经网络（Recurrent Neural Network，RNN）[4]、长短时记忆网络ongShortTimeMemory，LSTM）[5]、生成对抗网（GenerativeAdversarialNet，GAN），且深度学习所涉及的领域也越来越广泛，从图像到文本与音频、从自动驾驶到航天，越来越多的行业中都出现了深度学习的身影，加之 GPU 技术的快速发展，多层数的神经网络与更大规模的数据处理提供了运算速度的保障。学术界和工业饱满的热情将大量的资源投入在了深度学习的研究之中，而深度学习的理论与模正以前所未有的速度蓬勃发展。

影像,卷积,影像,道路提取

西安电子科技大学硕士学位论文基于卷积神经网络的遥感影像道路提取将道路提取任务看作是一个像素级二分类（道路、背景）的任务，不同于对整张输入图像的分类，我们需要将输入遥感图像中的每一个像素点进行分类。因此，基于卷积神经网络的道路提取通常会在输入图像上依次取T × T（一般T 取奇数）的临域滑窗，将其送入卷积神经网络中进行分类[42][43]，输出中心像元或者中心N × N（ N < T）的类别，滑窗步长取1（只输出中心像元类别时）或 N （输出中心 N × N类别时）。当滑窗遍历这个图像后，我们将多个输出一次拼接即可的到整个输入图像的像素级分类图，其过程如图 2.2 所示。

框架图,道路提取,影像,框架

西安电子科技大学硕士学位论文通道彩色图像）到道路与背景的类标图（单通道二值图像）是从一个域到另一个域的转换，如图 1-1；2）遥感图像与二值类标图直接有强相关的约束（如图 1-1，二值图中白色部分对应遥感图像中的道路，黑色部分对应非道路），即两者之间的映射是唯一的。因此，遥感影像中的道路提取任务完全可以被当作图像翻译的一种特殊形式来处理，基于这种思想，结合生成对抗网的相关理论，提出如图 3.1 所示框架来进行端到端的道路提取任务。

【相似文献】