结合多种影像特征与CNN的城市建筑物提取
发布时间：2021-06-14 01:11
针对当前卷积神经网络对于城市建筑物纹理特征信息和多尺度信息利用的不足,提出了一种基于多种影像特征与卷积神经网络的城市建筑物提取方法,对结合尺度特征和纹理特征后的CNN模型的建筑物分类提取精度及其影响因素开展研究。方法采用局部二值模式来表达纹理特征,同时采用高斯金字塔提取多尺度特征,以此构建网络训练样本。基于此样本进行SegNet卷积网络训练,采用Softmax分类器完成建筑物粗提取,最后优化网络输出。研究表明,将纹理特征和尺度特征加入模型进行训练可以提高预测精度,其中精确率、召回率以及F1评分3个指标分别提升了8.01%、2.71%和4.98%。
【文章来源】：遥感信息. 2020,35(05)北大核心CSCD
【文章页数】：9 页
【部分图文】：
方法步骤原理框图
本文采用的数据同文献[21]中使用的马萨诸塞州航空影像建筑物数据集（含地表真实标签数据）。该数据集为1m高分辨率影像，对高分辨率遥感影像来说是具有代表性和典型性的，对于国内的高分航空航天遥感影像具有启发意义，且该数据集数据量较丰富，比较适合做探究。该数据集包括波士顿地区的151幅航空影像，每幅影像大小为1 500像素×1 500像素，覆盖面积2.25km2。影像集中小型建筑物边长为20～30像素，大型建筑物长为150～250像素，宽为70～150像素。实验1～实验5从训练图像中抽取1张影像进行预处理，如图2(a）所示。实验6在基础实验上增加分类训练图像数量到8张。测试集影像为3张，分别为不同区域下的马萨诸塞州航空影像建筑物数据，图2(b）为其中一幅。1）纹理与多尺度特征提取。考虑到基于复杂场景下的建筑物往往存在大量的阴影，植被、复杂屋顶材料等因素交杂在一起，单独依靠影像的光谱特征、空间特征进行建筑物提取，效果往往不是很理想，本文方法利用LBP算法引入基础视觉中的纹理特征，将提取的纹理特征加入训练集参与模型训练。同时基于高斯金字塔模型对原始训练影像进行多尺度光谱特征提取，其中尺度因子平滑系数设置为0.5，获取750×750和375×375 2个尺度的尺度-光谱特征图像，如图3所示。
1）纹理与多尺度特征提取。考虑到基于复杂场景下的建筑物往往存在大量的阴影，植被、复杂屋顶材料等因素交杂在一起，单独依靠影像的光谱特征、空间特征进行建筑物提取，效果往往不是很理想，本文方法利用LBP算法引入基础视觉中的纹理特征，将提取的纹理特征加入训练集参与模型训练。同时基于高斯金字塔模型对原始训练影像进行多尺度光谱特征提取，其中尺度因子平滑系数设置为0.5，获取750×750和375×375 2个尺度的尺度-光谱特征图像，如图3所示。2）训练样本集制作。对样本尺寸与建筑物尺寸关系研究后发现，利用256像素×256像素的尺寸既满足建筑物识别提取分辨率的需要，又可满足本实验硬件环境下计算效率需求，因此采用OpenCV对原始训练影像随机裁剪256像素×256像素大小样本，形成样本集。同时采用多角度旋转（90°、180°、270°）、镜像变换、亮度调整以及添加噪声点等虚拟样本增强操作扩充样本集，样本集中训练集和验证集样本数目比例设计为3∶1，测试集选取马萨诸塞州航空影像建筑物数据集中未参与模型训练的3幅原始1 500像素×1 500像素大小的不同区域影像数据进行预测，以此来探究模型的泛化能力。
【参考文献】：
期刊论文
[1]基于最值平均的人脸识别LBP算法[J]. 付波,徐超,赵熙临,郑璇. 计算机应用与软件. 2019(09)
[2]联合膨胀卷积残差网络和金字塔池化表达的高分影像建筑物自动识别[J]. 乔文凡,慎利,戴延帅,曹云刚. 地理与地理信息科学. 2018(05)
[3]结合视觉显著模型与水平集算法的建筑物立面图像轮廓快速提取[J]. 李昌华,杜文强,周方晓. 计算机应用研究. 2019(04)
[4]利用灰度共生矩阵纹理特征识别空心村损毁建筑物的方法[J]. 谢嘉丽,李永树,李何超,吴玺. 测绘通报. 2017(12)
[5]一种基于SVM的无人机影像中单个建筑物的角点检测方法[J]. 李灵芝,李百寿,沈宇臻,许锐. 测绘通报. 2017(10)
[6]一种遥感图像建筑物直线特征提取算法[J]. 朱添翼,范强,杜漫飞. 测绘通报. 2017(06)
[7]遥感数据的高斯金字塔尺度上推方法研究[J]. 李乐,宋维静,陈腊娇,王力哲,高丹. 地球信息科学学报. 2017(05)
[8]基于梯度方向直方图与高斯金字塔的车牌模糊汉字识别方法[J]. 刘军,白雪. 计算机应用. 2016(02)
[9]几何模型约束的SAR图像建筑物提取[J]. 王国军,张风丽,徐旭,邵芸. 红外与毫米波学报. 2013(05)
[10]基于多元局部二值模式的遥感图像纹理提取与分类[J]. 宋翠玉,李培军,杨锋杰. 遥感技术与应用. 2011(03)
本文编号：3228740
【文章来源】：遥感信息. 2020,35(05)北大核心CSCD
【文章页数】：9 页
【部分图文】：
方法步骤原理框图
本文采用的数据同文献[21]中使用的马萨诸塞州航空影像建筑物数据集（含地表真实标签数据）。该数据集为1m高分辨率影像，对高分辨率遥感影像来说是具有代表性和典型性的，对于国内的高分航空航天遥感影像具有启发意义，且该数据集数据量较丰富，比较适合做探究。该数据集包括波士顿地区的151幅航空影像，每幅影像大小为1 500像素×1 500像素，覆盖面积2.25km2。影像集中小型建筑物边长为20～30像素，大型建筑物长为150～250像素，宽为70～150像素。实验1～实验5从训练图像中抽取1张影像进行预处理，如图2(a）所示。实验6在基础实验上增加分类训练图像数量到8张。测试集影像为3张，分别为不同区域下的马萨诸塞州航空影像建筑物数据，图2(b）为其中一幅。1）纹理与多尺度特征提取。考虑到基于复杂场景下的建筑物往往存在大量的阴影，植被、复杂屋顶材料等因素交杂在一起，单独依靠影像的光谱特征、空间特征进行建筑物提取，效果往往不是很理想，本文方法利用LBP算法引入基础视觉中的纹理特征，将提取的纹理特征加入训练集参与模型训练。同时基于高斯金字塔模型对原始训练影像进行多尺度光谱特征提取，其中尺度因子平滑系数设置为0.5，获取750×750和375×375 2个尺度的尺度-光谱特征图像，如图3所示。
1）纹理与多尺度特征提取。考虑到基于复杂场景下的建筑物往往存在大量的阴影，植被、复杂屋顶材料等因素交杂在一起，单独依靠影像的光谱特征、空间特征进行建筑物提取，效果往往不是很理想，本文方法利用LBP算法引入基础视觉中的纹理特征，将提取的纹理特征加入训练集参与模型训练。同时基于高斯金字塔模型对原始训练影像进行多尺度光谱特征提取，其中尺度因子平滑系数设置为0.5，获取750×750和375×375 2个尺度的尺度-光谱特征图像，如图3所示。2）训练样本集制作。对样本尺寸与建筑物尺寸关系研究后发现，利用256像素×256像素的尺寸既满足建筑物识别提取分辨率的需要，又可满足本实验硬件环境下计算效率需求，因此采用OpenCV对原始训练影像随机裁剪256像素×256像素大小样本，形成样本集。同时采用多角度旋转（90°、180°、270°）、镜像变换、亮度调整以及添加噪声点等虚拟样本增强操作扩充样本集，样本集中训练集和验证集样本数目比例设计为3∶1，测试集选取马萨诸塞州航空影像建筑物数据集中未参与模型训练的3幅原始1 500像素×1 500像素大小的不同区域影像数据进行预测，以此来探究模型的泛化能力。
【参考文献】：
期刊论文
[1]基于最值平均的人脸识别LBP算法[J]. 付波,徐超,赵熙临,郑璇. 计算机应用与软件. 2019(09)
[2]联合膨胀卷积残差网络和金字塔池化表达的高分影像建筑物自动识别[J]. 乔文凡,慎利,戴延帅,曹云刚. 地理与地理信息科学. 2018(05)
[3]结合视觉显著模型与水平集算法的建筑物立面图像轮廓快速提取[J]. 李昌华,杜文强,周方晓. 计算机应用研究. 2019(04)
[4]利用灰度共生矩阵纹理特征识别空心村损毁建筑物的方法[J]. 谢嘉丽,李永树,李何超,吴玺. 测绘通报. 2017(12)
[5]一种基于SVM的无人机影像中单个建筑物的角点检测方法[J]. 李灵芝,李百寿,沈宇臻,许锐. 测绘通报. 2017(10)
[6]一种遥感图像建筑物直线特征提取算法[J]. 朱添翼,范强,杜漫飞. 测绘通报. 2017(06)
[7]遥感数据的高斯金字塔尺度上推方法研究[J]. 李乐,宋维静,陈腊娇,王力哲,高丹. 地球信息科学学报. 2017(05)
[8]基于梯度方向直方图与高斯金字塔的车牌模糊汉字识别方法[J]. 刘军,白雪. 计算机应用. 2016(02)
[9]几何模型约束的SAR图像建筑物提取[J]. 王国军,张风丽,徐旭,邵芸. 红外与毫米波学报. 2013(05)
[10]基于多元局部二值模式的遥感图像纹理提取与分类[J]. 宋翠玉,李培军,杨锋杰. 遥感技术与应用. 2011(03)
本文编号：3228740
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3228740.html
