基于生成对抗网络的遥感图像道路提取研究

发布时间：2022-01-01 10:46

　　近年来,我国不断加大基础建设的力度,完善路网体系,如何快速地通过遥感影像进行道路提取就成为了一个重要的研究内容,有着巨大的应用价值。而现有的道路提取方法仍然存在着提取精度不够高、自动化程度低以及需要大量标记数据的问题。基于上述问题,本文受生成对抗网络图像转换任务启发,将遥感图像道路提取视作一种图像转换任务,提出一种基于生成对抗网络的遥感图像道路提取方法,可以在精度保持在较高水平的情况下解决目前研究中存在的数据标记与数据预处理过多与自动化程度不够高的问题。本文工作总结如下:第一,针对地图风格图像的生成任务,使用基于深度卷积生成对抗网络的方法进行相应的地图风格图像生成的实验。本实验是作为遥感图像道路提取的先验实验,用于验证地图风格图像生成的可行性。实验结果表明,可以使用生成对抗网络进行地图风格图像的生成,为后文研究提供了有力的支撑。第二,针对成对数据遥感图像的道路提取任务提出了一种基于Pix2pix生成对抗网络的遥感图像道路提取方法。道路提取任务可以被当作一种特殊的图像转换,首先通过使用生成对抗网络将遥感图像转化为对应的地图风格的图像,随后可以通过简单的RGB值判定与形态学处理的方法提取路... 

【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图像风格转换示例

中国地质大学（北京）工程硕士学位论文9来分别使用不同的数据域作为输入图像与输出图像，减少误差映射空间，降低模型崩溃的问题。此外，还有DiscoGAN和DualGAN等网络，也丰富了解决这类威尼托的方法（Kim，2017；Yietal，2017）1.4相关技术研究1.4.1自编码器自编码器（Auto-encoder）是一种非监督算法，它的输出结果可以认为是对输入数据的还原，从另一角度来说它也是一种压缩算法和解压缩算法。与生成对抗网络相同，自编码器同样是生成算法的一种，研究自编码器的原理对理解生成对抗网络有很大的帮助。自编码器在其发展过程中，大量的学者对其不断优化，应用范围也不断扩展。自编码器的概念是Rumelhart等1986年提出的（Rumelhartetal，1986）。自编码器的结构可以简单视为一个三层的网络。如图1-2所示，编码器h将输入X编码为X’，即h(X)=X’;而解码器f将X’解码还原为原始数据X。整个过程是X=f(X’)=f(h(X))。图1-2自编码器的结构

绪论10可以看到，编码器的输出和输入是一致的，但是在实际应用中，自编码器的输入和输出不应被设计为完全一致，否则这意味着自编器没有任何作用。应该使得输入数据近似于输入数据，这需要加入一些约束条件。这些约束条件迫使自编码器去思考保留哪些特征，学习哪些特征，因而能够更加快速地去学习有效特征，忽略无效特征。而随着研究的深入，自编码器也得到了极大的发展，出现了多种多样的自编码器，比如去噪自编码器（DenoisingAutoencoder,DAE）（Vincentetal，2008）、稀疏自编码器（SparseAutoencoder,SAE）（Dengetal，2013）和变分自编码器（VariationalAutoencoder,VAE）（Kingmaetal，2014）等。1.4.2变分自编码器变分自编码器（VariationalAuto-encoder，VAE）是一种基于变分贝叶斯推断的生成式网络结构。它的结构如图1-3所示，变分自编码器分别建立了两个概率分布模型，都是神经网络模型。第一个是推断网络，对原始输入数据进行变分推断，生成变分概率分布，也就是隐变量Z；第二个是生成网络，利用隐变量Z的变分概率分布，来生成与原始数据类似的数据分布输出。图1-3变分自编码器结构


本文编号：3562214