基于深度学习的遥感图像道路提取

发布时间：2020-12-13 00:10

　　遥感图像的道路提取对于GIS数据更新、地图绘制、路径分析等具有重要意义。随着计算机技术和卫星等航天技术的发展,遥感图像的获取越来越容易,图像中的地物越来越清晰。这为道路提取提供了丰富的地面信息,但同时也带来了复杂背景的干扰,如道路周围的树木、城市建筑物、道路上的车辆等,使得道路提取存在一定的难度。传统的道路提取方法主要是基于人工操作实现的,该方法在复杂背景干扰下提取效果较差。针对这一问题,本文主要从以下四个方面研究了如何有效地利用大量高分辨率遥感图像进行道路提取:（1）研究了常用的传统道路提取方法,通过对卷积神经网络（CNN）理论的学习,分析了将其应用在道路提取中的优势。它具有层次化的结构和超强的学习表达能力,能够从海量的数据中自动提取道路的特征,适用于复杂背景环境下的道路提取。本文将卷积神经网络引入到道路提取中,在比较了不同分割网络的区别后,本文选择了一种高效的语义分割网络—LinkNet。（2）构建了不同背景下的数据集,主要覆盖泰国、印度、印度尼西亚等国家,包括城市、乡村、荒郊、海滨、热带雨林等多个场景。并在深度学习平台PyTorch上训练调整参数,使用该数据集训练了Unet网络和... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：92 页

【学位级别】：硕士

【部分图文】：

RGB和HSV模型

( )11 1 1tt t W t tv m J W v t t 1tW W v 中，紫色箭头代表动量法的更新过程，该算法在梯度更新改变，而 NAG 算法在此基础上加入梯度修正，如红色箭平稳，这种改变可以避免梯度变化过快而引起的误差。图 2.9 NAG 梯度更新

西安电子科技大学硕士学位论文为 CNN，是人工神经网络的一种，是一种特殊图像的识别方式，属于非常有效前向反馈的网络。CNN 主要识别二维图形，它对结构平移、倾斜、比例缩放等变化具有高度不变性。下面分别对其网络结构、传播过程、损失函数、核心思想优缺点等五个方面进行介绍。2.3.3.1 网络结构以经典的 Alexnet 为例，其结构如图 2.11 所示，介绍 CNN 各个层的原理。

【参考文献】：
期刊论文
[1]基于全卷积神经网络的多源高分辨率遥感道路提取[J]. 张永宏,夏广浩,阚希,何静,葛涛涛,王剑庚.  计算机应用. 2018(07)
[2]改进角度纹理特征提取高分辨率遥感影像带状道路[J]. 林祥国,田雷,王家民,朱先志,李开华.  测绘科学. 2015(05)
[3]基于圆形模板的高分辨率遥感影像道路半自动提取[J]. 谭仁龙,万幼川,袁芳,李刚.  测绘通报. 2014(10)
[4]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[5]一种采用容错宽度Hough变换的路网优化方法[J]. 张国英,宋科科,赵鹏,程金龙.  测绘科学技术学报. 2014(03)
[6]基于MRF的高分辨率SAR图像道路网自动提取[J]. 程江华,高贵,库锡树,孙即祥.  系统工程与电子技术. 2012(07)
[7]基于k-means聚类算法的研究[J]. 黄韬,刘胜辉,谭艳娜.  计算机技术与发展. 2011(07)
[8]遥感图像自动道路提取方法综述[J]. 吴亮,胡云安.  自动化学报. 2010(07)
[9]一种基于Snake模型的遥感影像道路网半自动提取方法[J]. 熊立伟,谭红伟,何亮云,龙岳红.  湖南文理学院学报(自然科学版). 2010(02)
[10]高空间分辨率遥感影像分割方法研究综述[J]. 刘建华,毛政元.  遥感信息. 2009(06)

硕士论文
[1]基于核k均值的高分辨率遥感图像的道路特征提取研究[D]. 龚金结.杭州电子科技大学 2013



本文编号：2913512