基于深度学习的遥感影像道路自动提取研究
发布时间：2020-12-18 15:17
遥感技术广泛应用于农业、城市规划、防震抗灾、智慧交通、军事打击等重要领域。不同分辨率遥的感影像为实现超大比例尺地表测绘和地面物体厘米级定位增加了可能。道路是行人和日常交通出行的载体,在经济发展和社会各行各业的进步中十分重要。随着卫星技术的飞速进步,从遥感影像中提取道路对GIS数据库、地图自动更新、城市道路规划、车辆智能导航等具有极其重要的经济价值和科研意义。如何将道路准确、快速地遥感影像中分离出来,对基础地理信息数据的建设具有重要的理论和现实意义。因为道路所处的高分辨率遥感图像中包含大量其他物体,道路提取的完整性、精确性和速度还不尽如人意。由此,本文针对遥感影像道路自动提取,结合计算机视觉领域的最新研究成果,对道路提取语义分割算法进行改进。主要分为以下几个部分:（1）创建了拥有道路标签的遥感影像道路提取数据集。介绍了数据集人工标注的主要流程、数据集增广方法、图像归一化处理、以及数据集划分几个方面。（2）通过对全卷积神经网络理念的学习和剖析,使用MobileNetV2网络以及大量1*1卷积核作为语义分割网络特征提取部分,增强了网络的特征提取能力。使用空洞卷积方法增大神经元感受野,使用深度...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
道路模型[11]
第一章绪论5算法，然而此法涉及较多复杂的数学方法，且需要人工依次选择每一条道路段，耗费大量时间。1.2.3基于深度学习的道路提取方法随着计算机技术的飞速发展，人工智能领域中遇到的瓶颈也逐渐被打破，深度学习技术也焕发了生机。神经网络[59](NeuralNetwork，NN)是仿生学在计算机领域的应用，其灵感来源于人脑神经元。Heermann等人[28]在1992年提出了具有信号正向传递和误差反向传递两大特征的反向传播(backpropagation，BP)算法，这使得基于神经网络的道路提取方法得到了迅速的发展。Kirthika等人[74]将BP神经网络应用于道路检测，但是BP神经网络方法的缺点是不易收敛，它需要更多的培训样本，训练时极有可能达到局部最小值，而且当类别增加时，会出现过拟合。Xu等人[75]使用改进的深度置信神经网络，对某些特定的遥感图像分类精确度达到92%。深度学习图像处理方法与传统方法最大的区别在于它能在不在人为干扰的情况下从大规模数据中自主获取所需要的特征。深度学习具有一种极其有效的并行式数据处理能力，其模型具有超强的非线性特征分类和表达能力，可以把图像像素级数据通过一层层神经元逐渐转化成抽象的语义概念，因此深度学习方法在提取图像的纹理信息和局部特征方面具有不可忽视的优势。图1-2LeNet-5网络结构模型[30]卷积神经网络[30](ConvolutionNeuralNetwork，CNN)是最具代表性的深度学习算法之一，其中LeNet-5是最早出现的卷积神经网络算法，网络结构如图1-2所示。Li等人[31]提出了一种使用了线性积分卷积的深度卷积网络的道路提取方法，卷积神经网络可以训练足够的数据集来判断像素属于道路区域的可能性，同时给每个像素赋以标签以提前告知该像素是否属于道路部分，利用线性积分卷积
金字塔原理，对特征图进行上采样，重建输出特征图，使之与输入图像大小一致，保留了原图像中各个物体的位置信息，从而实现了对每个像素的分类。Badrinarayanan等人[34]提出了如图1-3所示的SegNet语义分割网络，为了解决池化会降低特征图尺寸的问题，使用了编码器和解码器架构，在解码器重建图像时使用了编码器提前保存的最大池化的索引，使用原有的信息进行上采样可以更好地保存图像轮廓细节。Ronneberger等人[35]在受到SegNet的启发，在解码阶段使用了编码阶段各网络层的中间特征，使分割结果得到了进一步的优化。图1-3SegNet网络结构模型[34]目前大部分最新的图像分割网络都借鉴了全卷积神经网络端对端的图像语义分割思想，例如LinkNet[39]、deeplab系列[36,37,38,70]。Saito等人[40]使用分类网络将从整个图像中提取的每个补丁分配为道路，建筑物或背景。Zhang等人[41]遵循FCN体系结构，使用带有剩余连接的U-Net通过单个前向通道将道路从一个图像分割出来。北京邮电大学Zhou等人[42]使用改进的Link-Net并且获得了2017
【参考文献】：
期刊论文
[1]遥感图像道路提取方法综述[J]. 张永宏,何静,阚希,夏广浩,朱灵龙,葛涛涛. 计算机工程与应用. 2018(13)
[2]基于深度信念网络的遥感影像识别与分类[J]. 徐丽坤,刘晓东,向小翠. 地质科技情报. 2017(04)
[3]基于霍夫变换的遥感图像城市道路的提取识别[J]. 李建,张其栋. 电脑知识与技术. 2017(03)
[4]高分辨率遥感影像目标分类与识别研究进展[J]. 刘扬,付征叶,郑逢斌. 地球信息科学学报. 2015(09)
[5]基于图像分块和线段投票的遥感道路边缘线提取[J]. 徐南,周绍光. 国土资源遥感. 2015(01)
[6]大数据时代的创新思维[J]. 李德毅,郑思仪. 北京联合大学学报. 2014(04)
[7]智慧城市中的大数据[J]. 李德仁,姚远,邵振峰. 武汉大学学报(信息科学版). 2014(06)
[8]科学大数据与数字地球[J]. 郭华东,王力哲,陈方,梁栋. 科学通报. 2014(12)
[9]基于形状先验和Graph Cuts原理的道路分割新方法[J]. 周绍光,陈超,赫春晓. 测绘通报. 2013(12)
[10]基于卷积神经网络的小细胞型肺癌辅助检测方法[J]. 李学沧,贾识桢. 中国数字医学. 2013 (10)
硕士论文
[1]高分辨率遥感影像道路信息提取技术研究[D]. 杨孝翠.战略支援部队信息工程大学 2018
本文编号：2924217
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
道路模型[11]
第一章绪论5算法，然而此法涉及较多复杂的数学方法，且需要人工依次选择每一条道路段，耗费大量时间。1.2.3基于深度学习的道路提取方法随着计算机技术的飞速发展，人工智能领域中遇到的瓶颈也逐渐被打破，深度学习技术也焕发了生机。神经网络[59](NeuralNetwork，NN)是仿生学在计算机领域的应用，其灵感来源于人脑神经元。Heermann等人[28]在1992年提出了具有信号正向传递和误差反向传递两大特征的反向传播(backpropagation，BP)算法，这使得基于神经网络的道路提取方法得到了迅速的发展。Kirthika等人[74]将BP神经网络应用于道路检测，但是BP神经网络方法的缺点是不易收敛，它需要更多的培训样本，训练时极有可能达到局部最小值，而且当类别增加时，会出现过拟合。Xu等人[75]使用改进的深度置信神经网络，对某些特定的遥感图像分类精确度达到92%。深度学习图像处理方法与传统方法最大的区别在于它能在不在人为干扰的情况下从大规模数据中自主获取所需要的特征。深度学习具有一种极其有效的并行式数据处理能力，其模型具有超强的非线性特征分类和表达能力，可以把图像像素级数据通过一层层神经元逐渐转化成抽象的语义概念，因此深度学习方法在提取图像的纹理信息和局部特征方面具有不可忽视的优势。图1-2LeNet-5网络结构模型[30]卷积神经网络[30](ConvolutionNeuralNetwork，CNN)是最具代表性的深度学习算法之一，其中LeNet-5是最早出现的卷积神经网络算法，网络结构如图1-2所示。Li等人[31]提出了一种使用了线性积分卷积的深度卷积网络的道路提取方法，卷积神经网络可以训练足够的数据集来判断像素属于道路区域的可能性，同时给每个像素赋以标签以提前告知该像素是否属于道路部分，利用线性积分卷积
金字塔原理，对特征图进行上采样，重建输出特征图，使之与输入图像大小一致，保留了原图像中各个物体的位置信息，从而实现了对每个像素的分类。Badrinarayanan等人[34]提出了如图1-3所示的SegNet语义分割网络，为了解决池化会降低特征图尺寸的问题，使用了编码器和解码器架构，在解码器重建图像时使用了编码器提前保存的最大池化的索引，使用原有的信息进行上采样可以更好地保存图像轮廓细节。Ronneberger等人[35]在受到SegNet的启发，在解码阶段使用了编码阶段各网络层的中间特征，使分割结果得到了进一步的优化。图1-3SegNet网络结构模型[34]目前大部分最新的图像分割网络都借鉴了全卷积神经网络端对端的图像语义分割思想，例如LinkNet[39]、deeplab系列[36,37,38,70]。Saito等人[40]使用分类网络将从整个图像中提取的每个补丁分配为道路，建筑物或背景。Zhang等人[41]遵循FCN体系结构，使用带有剩余连接的U-Net通过单个前向通道将道路从一个图像分割出来。北京邮电大学Zhou等人[42]使用改进的Link-Net并且获得了2017
【参考文献】：
期刊论文
[1]遥感图像道路提取方法综述[J]. 张永宏,何静,阚希,夏广浩,朱灵龙,葛涛涛. 计算机工程与应用. 2018(13)
[2]基于深度信念网络的遥感影像识别与分类[J]. 徐丽坤,刘晓东,向小翠. 地质科技情报. 2017(04)
[3]基于霍夫变换的遥感图像城市道路的提取识别[J]. 李建,张其栋. 电脑知识与技术. 2017(03)
[4]高分辨率遥感影像目标分类与识别研究进展[J]. 刘扬,付征叶,郑逢斌. 地球信息科学学报. 2015(09)
[5]基于图像分块和线段投票的遥感道路边缘线提取[J]. 徐南,周绍光. 国土资源遥感. 2015(01)
[6]大数据时代的创新思维[J]. 李德毅,郑思仪. 北京联合大学学报. 2014(04)
[7]智慧城市中的大数据[J]. 李德仁,姚远,邵振峰. 武汉大学学报(信息科学版). 2014(06)
[8]科学大数据与数字地球[J]. 郭华东,王力哲,陈方,梁栋. 科学通报. 2014(12)
[9]基于形状先验和Graph Cuts原理的道路分割新方法[J]. 周绍光,陈超,赫春晓. 测绘通报. 2013(12)
[10]基于卷积神经网络的小细胞型肺癌辅助检测方法[J]. 李学沧,贾识桢. 中国数字医学. 2013 (10)
硕士论文
[1]高分辨率遥感影像道路信息提取技术研究[D]. 杨孝翠.战略支援部队信息工程大学 2018
本文编号：2924217
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2924217.html
