基于深度学习的无人机影像建筑物自动提取

发布时间：2021-01-13 03:37

　　在无人机影像建筑物自动提取过程中,传统地物分类算法其精度已无法满足生产过程中的分类要求。为此,文章提出以深度学习技术结合条件随机场应用于无人机影像建筑物的自动提取方法。首先利用基于残差模块的卷积神经网络对图像进行特征提取,然后利用全卷积对图像进行反卷积,恢复图像特征。基于初步分类结果,利用条件随机场模型进行边缘细化。通过对实验结果进行分析,验证了该算法应用于无人机影像建筑物自动提取的可行性。 

【文章来源】：地矿测绘. 2020,36(01)

【文章页数】：4 页

【部分图文】：

残差模块

全卷积神经网络抛弃了传统卷积神经网络的全连接层，通过反卷积层，对特征提取阶段提取到的特征图进行反卷积，还原图像特征。通过反卷积操作，在对图像像素点进行分类的同时，保留了像素的原始位置。卷积过程，见图3。1.3 全连接条件随机场

为增加样本数量，提高算法针对不同场景下地物类别分类的鲁棒性，选取适当方法对样本进行操作，以扩充样本数量。在数据扩充过程中，对样本进行90°、180°、270°旋转，并进行水平镜像。为了增强模型对不同天气、不同光照环境下的适应性，对样本进行gamma变换，gamma变换参数为[0.5,1.5]。样本图像，如图4所示。2.2 模型训练

【参考文献】：
期刊论文
[1]光谱和形状特征相结合的高分辨率遥感图像的建筑物提取方法[J]. 吴炜,骆剑承,沈占锋,朱志文.  武汉大学学报(信息科学版). 2012(07)
[2]利用高分辨率遥感影像获取建筑物高度信息方法的分析[J]. 高翔,赵冬玲,张蔚.  测绘通报. 2008(03)
[3]基于多尺度特征融合和支持向量机的高分辨率遥感影像分类[J]. 黄昕,张良培,李平湘.  遥感学报. 2007(01)



本文编号：2974137