基于卷积神经网络的高分辨率遥感影像建筑物提取方法研究

发布时间：2020-11-19 18:30

　　 随着高分辨率遥感影像来源不断丰富,影像获取越来越容易,海量数据中蕴含的地物信息已经在地图测绘、资源勘探、环境监控、国土资源调查、变化检测和灾害评估等多个领域得到了广泛应用。建筑物作为城镇地物信息的重要组成部分,人工提取和更新这些信息浪费大量人力、物力和财力,因此如何能够精确、快速、自动化地从卫星影像中提取建筑物信息,成为遥感领域的重点研究方向之一。在过去一些方法中,从遥感影像中提取建筑物大多基于人工设计的特征,如纹理、光谱、阴影和形状等,但是由于建筑物的屋顶覆盖物不同、结构走向不一致、空间分布各异等特征,使得这些提取方法适用性不强。近几年,深度学习的迅速发展使得众多学者将其运用到遥感影像处理中,并且取得了一定的成果。因此本论文对深度学习语义分割领域相关算法进行了深入研究与分析,主要的研究工作如下:(1)阐述了卷积神经网络的基本原理以及训练方法。解决了高分辨率遥感影像数据匮乏的问题,详细介绍了构建遥感影像建筑物数据集的相关操作,主要分为图像预处理和图像增广两个部分,其中包括图像去噪、图像增强、数据扩充和数据集划分等,增强了数据集的丰富性和多样性。(2)研究和探索了现有的几种比较流行的网络结构的特点,并在它们基础上进行改进,设计了一种多分辨率特征融合的语义分割网络MRNet。该网络由并行多分辨率子网结构和多尺度特征融合结构组成,这两种结构可以实现不同层级的特征并行训练,关注不同尺度的建筑物,使信息融合更加多样,加强了不同分辨率特征图信息的流动,有利于丢失信息的重建,比金字塔结构更加高效。最后提出一种边界损失函数,使模型在训练过程中能够更多地关注建筑物边界,有效地改善了边界锯齿问题。(3)基于条件生成对抗网络的思想,设计了一种生成分割对抗网络ResUNet-GAN,以对抗的方式实现分割任务。其中生成网络ResUNet在编码器阶段使用残差模块,有效地解决了训练过程梯度消失的问题,同时加深了网络层数,有利于特征的提取,在中间加入跳跃连接,有利于多尺度信息融合,最后再加入判别网络SimNet进行交替训练,实验证明了判别器对于分割网络的优化起到了一定的效果,分割对抗架构在一定程度上能够提升建筑物提取的精度。
【学位单位】：中国矿业大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：P237
【部分图文】：

2卷积神经网络基本原理9（dilation）：空洞填充间隔。如下为输出特征图尺寸(outH)计算公式：2(1)1inoutHpaddingdilationkernalsizeHstride+=+（2-2）具体卷积操作如图2-1所示，其中卷积核为3×3，步长stride为2：图2-1卷积计算示意图Figure2-1Convolutioncalculationdiagram2.1.2池化层池化层也被叫做下采样层，主要目的是对特征图降维并扩大感受野，降低参数量，防止过拟合。特征图缩小的过程中可以对冗余信息进行过滤，得到不随空间位置变化而畸变的特征，提升模型的泛化能力。池化层不改变特征图通道数，只改变特征图尺寸，计算公式如下：1()lljjxdownx=（2-3）其中down()°+表示池化函数，其余参数如上节。常用的池化方法为均值池化和最大值池化。均值池化是对感受野领域内取平均，能够很好地保留背景信息，减少因邻域大小受限造成的估计值方差增大。最大值池化是对感受野领域内取最大值，主要目的是为了保留更多的纹理信息，减少卷积层参数误差造成的估计均值偏移。池化与卷积相同，池化层也有池化核大孝步长和边界填充等参数。具体计算方式如图2-2所示，其中池化核2×2，步长为2。图2-2池化示意图Figure2-2Poolingdiagram

2卷积神经网络基本原理9（dilation）：空洞填充间隔。如下为输出特征图尺寸(outH)计算公式：2(1)1inoutHpaddingdilationkernalsizeHstride+=+（2-2）具体卷积操作如图2-1所示，其中卷积核为3×3，步长stride为2：图2-1卷积计算示意图Figure2-1Convolutioncalculationdiagram2.1.2池化层池化层也被叫做下采样层，主要目的是对特征图降维并扩大感受野，降低参数量，防止过拟合。特征图缩小的过程中可以对冗余信息进行过滤，得到不随空间位置变化而畸变的特征，提升模型的泛化能力。池化层不改变特征图通道数，只改变特征图尺寸，计算公式如下：1()lljjxdownx=（2-3）其中down()°+表示池化函数，其余参数如上节。常用的池化方法为均值池化和最大值池化。均值池化是对感受野领域内取平均，能够很好地保留背景信息，减少因邻域大小受限造成的估计值方差增大。最大值池化是对感受野领域内取最大值，主要目的是为了保留更多的纹理信息，减少卷积层参数误差造成的估计均值偏移。池化与卷积相同，池化层也有池化核大孝步长和边界填充等参数。具体计算方式如图2-2所示，其中池化核2×2，步长为2。图2-2池化示意图Figure2-2Poolingdiagram

皇窍咝员浠唬?嗨朴诙嗖愀兄???笔??的维度上升到一定级别时，即使添加再多的层级，网络的拟合能力也十分有限，因此加入激活函数理论上能够使网络可以逼近任意数据分布。目前比较常用的激活函数有以下几种：（1）Sigmoid激活函数Sigmoid函数在逻辑斯蒂回归中占有重要地位，后被引入神经网络中。Sigmoid激活函数能够把输入的连续实值变换为0和1之间的输出，如果是非常大的负数，那么输出就是0；如果是非常大的正数，输出就是1。它的公式为：x1Sigmoidx1e=+（）（2-4）Sigmoid函数示意图如图2-3所示。图2-3Sigmoid激活函数Figure2-3SigmoidactivationfunctionSigmoid激活函数曾经被大量使用，但现在使用者较少，主要是其固有的几个缺点导致。①从Sigmoid函数的示意图可以看出，Sigmoid函数在输出在0和1处的导数接近于0，当卷积神经网络进行反向传播时，如果该点输入值较大或较小，梯度趋于0，那么最终相乘得到的结果就会趋于0，经过多层反向传播，就会产生梯度消失的现象，导致网络无法更新，如果要训练深层网络结构，使用Sigmoid函数就无法得到很好的结果，所以在后续的模型中逐渐被替代。②Sigmoid激活函数是非原点对称的，即输出为非零均值，输出均为正数将导致梯度呈Z字型下降，收敛缓慢。③幂运算计算时开销较大。（2）Tanh激活函数
【参考文献】

相关期刊论文 前9条

1 张庆云;赵冬;;高空间分辨率遥感影像建筑物提取方法综述[J];测绘与空间地理信息;2015年04期

2 崔有祯;吴露露;辛星;陈国锐;郑志雄;;基于改进Harris算法的高分辨率遥感影像建筑物角点检测研究[J];测绘通报;2013年09期

3 林卉;刘培;夏俊士;梁亮;;基于分水岭变换的遥感影像面向对象多尺度分割算法研究[J];测绘通报;2011年10期

4 黄金库;冯险峰;徐秀莉;丁青;;基于知识规则构建和形态学修复的建筑物提取研究[J];地理与地理信息科学;2011年04期

5 陈杰;邓敏;肖鹏峰;杨敏华;梅小明;刘慧敏;;基于分水岭变换与空间聚类的高分辨率遥感影像面向对象分类[J];遥感技术与应用;2010年05期

6 王丹;;一种高分辨率遥感影像建筑物边缘提取方法[J];环境保护与循环经济;2009年10期

7 乔程;骆剑承;吴泉源;沈占锋;王宏;;面向对象的高分辨率影像城市建筑物提取[J];地理与地理信息科学;2008年05期

8 张峰;薛艳丽;李英成;丁晓波;;基于SVM的多源遥感影像面向对象建筑物提取方法[J];国土资源遥感;2008年02期

9 陶文兵 ,田岩 ,张钧 ,田金文 ,柳健;航空图像矩形建筑物自动提取方法研究[J];宇航学报;2003年04期

相关博士学位论文 前1条

1 黄昕;高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D];武汉大学;2009年

相关硕士学位论文 前6条

1 黄小兵;高分辨率遥感影像建筑物提取方法研究[D];西安科技大学;2014年

2 刘莉;基于高分辨率遥感影像建筑物提取研究[D];中南大学;2013年

3 魏德强;高分辨率遥感影像建筑物提取技术研究[D];解放军信息工程大学;2013年

4 李莉;面向对象的高分辨率遥感影像信息提取研究[D];成都理工大学;2012年

5 朱双志;面向对象的高分辨率遥感图像分割方法的研究[D];湖南大学;2012年

6 孙宁;面向高空间分辨率遥感影像的建筑物目标识别方法研究[D];浙江大学;2010年

本文编号：2890321