基于多尺度卷积神经网络的遥感图像道路提取研究
发布时间：2021-01-29 19:02
高分辨率遥感影像是地球表面地物的综合反映,通过图像分析和信息提取等技术对影像中的信息进行分析处理,进而服务于地理信息系统、智慧城市建设、智能交通系统等领域。随着经济的发展,人口的增加,使得城市交通变得便捷但又很拥挤,因此道路网的提取分析是一项有意义的工作。面对海量复杂的遥感数据,如何快速、有效地提取道路是一项亟待解决的问题。深度学习在图像处理方面取得很大的成功,它可以直接从标记的训练样本中学习,提取不同层次的图像特征,以便对输入图像中的研究对象更深入学习。本文对如何自动提取遥感影像中道路进行了深入系统的分析研究,分析了前人的研究成果,设计了一种新的道路提取的方法,主要工作如下:1)本文首先概述了遥感影像道路提取的研究现状,分析了传统的道路提取方法和基于深度学习方法进行道路提取的优缺点。阐述了高分辨率遥感影像进行道路提取的难点,提出一种基于多尺度特征融合的深度学习的方法。多尺度卷积神经网络模型主要由一个编码模块和一个解码模块组成,首先利用多个卷积池化层对图像进行编码提取图像的全局特征,然后在解码阶段利用反卷积层对不同尺度特征图进行提取,最后将不同尺度特征图进行融合得到最终的道路提取图。2...
【文章来源】：湘潭大学湖南省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
经典道路模型
图 1.2 遥感影像道路提取困难场景举例1.2.2 遥感影像道路数据集2013 年，Mnih[6]等人公开了三个与遥感图像相关的数据集。其中两个数据集是基于马萨诸塞州发布的影像制作的数据集，第三个数据集制作时使用的是纽约发布的布法罗城市的影像。以上三个数据集的真值图都是利用 OpenStreetMap 工具进行导出标注的。基于马萨诸塞州发布的影像制作的数据集通常被叫做 Massachusetts 数据集，包括一个道路数据集和一个建筑物数据集。Massachusetts 建筑物数据集收集了 151 幅波士顿地区的航空影像，图像大小为 1500×1500，所有影像的分辨率都是 1m。影像随机分为 137 幅训练数据、10 幅测试数据和 4 幅验证数据。该数据集主要覆盖了城市和郊区，包含不同大小的建筑物，例如：车库和房屋。Massachusetts 道路数据集由 1171 幅马萨诸塞州的航空图像组成，与建筑物数据集一样，每幅影像的大小为 1500×1500，所有影像的分辨率都是 1m。将数据随机分为 1108 幅训练数据、49 幅测试数据和 14 幅验证数据。数据集涵盖了城市、郊区和
5图 1.3 Massachusetts 道路数据集样例2017 年，Cheng[7]等人在 Google Earth 上收集了 224 张高分辨率遥感影像，并手动标记出遥感影像中的道路分割真值图，本文称为 Cheng’s 数据集。该数据集中道路较为密集，道路宽度大约占 12-15 个像素点。数据集大部分原始图像都有着复杂的背景且一些影像存在车辆树木的遮挡，利用该数据集进行道路提取任务时较困难。图 1.4 给出了 Cheng’s 数据集中一些原始影像和对应真值图的样例。从图中可以看出该数据集覆盖了郊区和城市等地区。郊区的道路比较狭窄，背景占比更大。城市道路较为宽广，但周边存在很多建筑物，易使它们的光谱特征产生混淆。
【参考文献】：
期刊论文
[1]A review of road extraction from remote sensing images[J]. Weixing Wang,Nan Yang,Yi Zhang,Fengping Wang,Ting Cao,Patrik Eklund. Journal of Traffic and Transportation Engineering（English Edition）. 2016(03)
[2]一种高分辨率影像道路中心线提取算法[J]. 苗则朗,史文中,张华. 中国矿业大学学报. 2013(05)
本文编号：3007429
【文章来源】：湘潭大学湖南省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
经典道路模型
图 1.2 遥感影像道路提取困难场景举例1.2.2 遥感影像道路数据集2013 年，Mnih[6]等人公开了三个与遥感图像相关的数据集。其中两个数据集是基于马萨诸塞州发布的影像制作的数据集，第三个数据集制作时使用的是纽约发布的布法罗城市的影像。以上三个数据集的真值图都是利用 OpenStreetMap 工具进行导出标注的。基于马萨诸塞州发布的影像制作的数据集通常被叫做 Massachusetts 数据集，包括一个道路数据集和一个建筑物数据集。Massachusetts 建筑物数据集收集了 151 幅波士顿地区的航空影像，图像大小为 1500×1500，所有影像的分辨率都是 1m。影像随机分为 137 幅训练数据、10 幅测试数据和 4 幅验证数据。该数据集主要覆盖了城市和郊区，包含不同大小的建筑物，例如：车库和房屋。Massachusetts 道路数据集由 1171 幅马萨诸塞州的航空图像组成，与建筑物数据集一样，每幅影像的大小为 1500×1500，所有影像的分辨率都是 1m。将数据随机分为 1108 幅训练数据、49 幅测试数据和 14 幅验证数据。数据集涵盖了城市、郊区和
5图 1.3 Massachusetts 道路数据集样例2017 年，Cheng[7]等人在 Google Earth 上收集了 224 张高分辨率遥感影像，并手动标记出遥感影像中的道路分割真值图，本文称为 Cheng’s 数据集。该数据集中道路较为密集，道路宽度大约占 12-15 个像素点。数据集大部分原始图像都有着复杂的背景且一些影像存在车辆树木的遮挡，利用该数据集进行道路提取任务时较困难。图 1.4 给出了 Cheng’s 数据集中一些原始影像和对应真值图的样例。从图中可以看出该数据集覆盖了郊区和城市等地区。郊区的道路比较狭窄，背景占比更大。城市道路较为宽广，但周边存在很多建筑物，易使它们的光谱特征产生混淆。
【参考文献】：
期刊论文
[1]A review of road extraction from remote sensing images[J]. Weixing Wang,Nan Yang,Yi Zhang,Fengping Wang,Ting Cao,Patrik Eklund. Journal of Traffic and Transportation Engineering（English Edition）. 2016(03)
[2]一种高分辨率影像道路中心线提取算法[J]. 苗则朗,史文中,张华. 中国矿业大学学报. 2013(05)
本文编号：3007429
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3007429.html
