基于深度学习的城市建筑物提取方法研究

发布时间：2020-09-21 19:26

　　高分辨率遥感影像能够反映下垫面丰富的细节信息,为地表特征信息的提取提供了可靠的数据源。源于城市的高度复杂性,城市建筑物信息的提取一直是基于高分辨率遥感影像信息提取的热点和难点。对城市建筑物的精确提取有利于高分遥感在城市规划、智慧城市建设等领域的深入应用和扩展。面向对象的城市建筑物信息提取方法在实际应用中存在精度不高、后处理工作量大等局限,而近年来深度学习技术的发展为提升城市建筑物信息提取的精度提供了可能。深度卷积神经网络可以通过从大量图像构成的数据集中自动学习到图像中目标的高级抽象特征,从而完成图像的目标识别与分割,如FCN、U-Net和SegNet等。城市建筑物在高分影像中存在复杂的特征信息,构建深度卷积神经网络若能充分学习和融合影像中隐含的建筑物高级特征信息,并将其用于影像分类,必将提高基于高分影像进行建筑物信息提取的精度。基于此,本文分析了FCN、U-Net、SegNet的优点与不足,在U-Net网络的基础上,通过融合多个级别的特征层,构建了一种多级特征参与决策的全卷积神经网络算法。利用公开的Mnih建筑物数据集对本网络进行测试,在交并比等精度指标上均能达到80%以上,明显优于U-Net与SegNet的建筑物提取结果。为充分利用GF-2卫星影像的全色和多光谱数据,本文设计了单输入和双输入两种模型,其中双输入模型可以综合学习两个分辨率数据中的特征,能够对城市建筑物信息进行学习和融合。通过与面向对象的GF-2影像建筑物提取结果进行对比,表明,无论是单输入模型还是双输入模型,其建筑物提取结果的精确率、召回率和交并比均有较大幅度提升。其中双输入模型的建筑物提取精确率和交并比指标较单输入模型分别提高5.51%和5.78%。这表明,本文所设计的多级特征参与决策的全卷积神经网络算法及双输入模型,能够有效提升城市建筑物信息提取的精度,为城市建筑物信息的规模化提取提供有效的途径。
【学位单位】：北京建筑大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：P237
【部分图文】：

流程图,城市建筑物,流程,建筑物

图 1-1 城市建筑物信息提取技术流程Fig.1-1 Technological flowchart of Information Extraction of Urban Buildings（1）深入研究 FCN、SegNet、U-Net 三个语义分割网络，分析这三个网络结点，进而通过加强网络中不同级别特征的融合对 U-Net 进行了改进，构建了基征参与决策的全卷积神经网络。利用公开的 Mnih 建筑物数据集，对基于 Seet 和改进的 U-Net 进行了模型训练与建筑物信息提取，实验结果表明，本文构模型，能够增强模型训练的鲁棒性并在一定程度上提高建筑物提取精度，并且同级别、不同尺度的特征融合进网络的决策层中对大尺度建筑物的完整提取更（2）基于本文构建的网络对长春城区的 GF-2 卫星影像进行城区建筑物信息利用 GF-2 卫星影像全色和多光谱数据，将改进的 U-Net 模型设计为单输入和种模型。通过训练 0.8 米分辨率的建筑物影像数据集，得到可用于高分影像城提取的单输入网络模型。鉴于 3.2 米分辨率的多光谱影像可以模糊城区建筑物些细节，使城区建筑物单体在影像上具有较小的光谱异质性，因此本文将单输双输入模型，将 3.2 米分辨率的训练数据集输入网络，结合已有的 0.8 米训练数

框架图,论文结构,框架图

6图 1-2 论文结构框架图.1-2 Structural Framework of th题来源与原因，阐明了深现状的总结介绍为本研究论文结构。所用到的基本理论，即深念与卷积神经网络实现图习机理。模型的改进，先分析了几

特征图,基本结构,全卷,卷积

第 2 章深度学习与卷积神经网络创造的全卷积神经网络(FCN)[49]成为当年最先进的语义分割技术，继而各国学者们又研究出更多用于图像语义分割的深度神经网络，如 U-Net[50]、SegNet[51]等。全卷积神经网络属于卷积神经网络中的一类算法集合，由于其利用卷积层等效代替了全连接层，使得网络中全部为卷积层，因而叫全卷积神经网络。2.2 卷积神经网络的内部结构一个完整的卷积神经网络需要有几类层构成，主要包括卷积层、池化层、全连接层、激活层等（如图 2-1 所示）[52]。卷积层是网络的核心层，它负责特征提取；池化层是网络下采样结构的关键，它可以使输入图像的尺寸迅速缩小，从而减小内存占用和特征冗余；全连接层可以将网络最终学习到的特征图映射为一个高维特征向量作为分类器的输入；激活层将可训练层的输出通过一个非线性函数达到对某些神经元的抑制。

【相似文献】