FCN与CRF结合的PolSAR影像建筑区域提取

发布时间：2020-12-27 22:52

　　针对传统PolSAR影像建筑区域提取方法对影像特征利用不充分、自动化程度不高的问题,研究一种基于全卷积网络(fully convolutional networks,FCN)和条件随机场(conditional random field,CRF)相结合的建筑区域提取方法。该方法充分利用FCN网络对影像进行逐像素分类并能自动提取影像高层特征的优势,首先通过制作样本集对FCN网络进行训练;然后利用训练好的模型进行初步的建筑区域提取;最后利用可以联系上下文信息的条件随机场CRF对结果进行优化处理。实验结果表明,该方法可以充分利用影像的语义信息,有效地减少孤立点,提高对细节、轮廓的提取精度,获得较高精度的建筑区域提取结果。 

【文章来源】：遥感信息. 2020年03期 北大核心

【文章页数】：6 页

【部分图文】：

网络结构图

本文采用广州地区高分三号PolSAR数据进行实验，分辨率为8m。为防止影像噪声对结果产生影响，首先采用Lee refined滤波对影像进行去噪，再对去噪后的影像进行Freeman 3分量分解。将得到的3分量分别对应R、G、B 3个通道合成假彩色图像，得到的假彩色图像即为初步的特征提取影像。利用它再进行深度特征提取，并引入条件随机场进行结果优化，得到最终的建筑区域提取结果。技术流程图如图2所示。2.1 数据预处理

选取经典的Lee refined滤波算法对图像进行滤波。该方法既能避免通道间的串扰，又能保持均匀区域的极化信息。对滤波后的影像结果进行Freeman分解，并将表面散射成分赋为蓝色，偶次散射成分赋为红色，体散射成分赋为绿色，得到的假彩色合成结果分别如图3所示。不同地物在假彩色合成后区分度较高，说明散射功率能够反映地物间的不同。由于植被、树木的形状结构比较随机，且普遍为圆柱形散射体，因此可以用偶极子进行建模。电磁波被高矮不同的植被向各个方向随机的散射，其散射类型为体散射，在假彩色图中以绿色为主（山体被树木覆盖，依旧以体散射为主，呈现绿色）。农田相对来说，表面平坦，主要产生表面散射，但也有部分农作物高矮不同形状多枝叶，会产生一定的体散射，因此农田在假彩色图中呈蓝绿混杂色。人造建筑物的墙壁和地面构成二面角结构，所以以二面角散射为主。但是，建筑物区域的结构比较复杂，也会存在大量的体散射成分，所以在假彩色图中的人造建筑物区域既有粉色又有绿色，极个别强反射建筑会呈现高亮白色。

【参考文献】：
期刊论文
[1]基于深度学习和层次语义模型的极化SAR分类[J]. 石俊飞,刘芳,林耀海,刘璐.  自动化学报. 2017(02)



本文编号：2942646