基于深度学习的GF-2影像建筑物提取研究
发布时间：2020-12-21 02:10
在高分辨率遥感影像中,由于城市地表建筑物所具有的高度复杂性,使得直接基于遥感影像进行建筑物提取一直是影像信息分析中的难点。由于面向对象的建筑物提取方法在实际应用中提取精度不高以及后处理工作量大等局限性,近年来基于深度学习算法对建筑物进行提取的技术在建筑物提取的各类算法中崭露头角。目前,大多数深度学习方法均采用全卷积网络（FCN）的变体,如U-Net、SegNet和RestNet等。这些网络具有显著改善模型性能和抽象特征提取能力的优势,从而能够准确地完成图像的目标分割与识别。为了充分利用高分影像中建筑物的全局和局部信息以更精确地对建筑物进行分割提取,本文提出了基于全卷积神经网络上针对边界约束的校正神经网络模型（Boundary Regulated Network,BR-Net）,使得建筑物的边界提取更加清晰完整。该模型由共享后端和多任务预测模块组成,利用修改的U-Net和多任务框架,根据共享后端的一致特征生成分割图预测值和轮廓构建。通过对边界信息的规定,提高了模型性能。并将改进后的模型应用于国际开源WHU建筑物数据集上,通过与传统的U-Net、SegNet、RestNet模型进行对比实验...
【文章来源】：江西理工大学江西省
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
单层神经元输入输出示意
第二章深度学习理论与模型14也可以采用双极性S型函数形式：f(v)=21+1=11+（2.6）2.2卷积神经网络结构机器学习是在深度学习出现之前，基于样本进行结果生成预测类问题的主流使用算法。但是机器学习需要具体的参数输入，耗时耗力[64]。随着深度学习的出现，其以自动提取数据高维特征，无需自行完成对具体特征进行提取，直接自动进行数据筛选，借助计算机内部算法节约了大量研究者的工作时间和并提高了工作效率提高。同时，深度学习还可以无缝结合的应用于大数据中。其中，卷积神经网络(ConvolutionalNeuralNetwork，CNN)常应用在计算机视觉分析中。基于该网络的权重共享以及翻转不变性等特点，也称之为空间或平移不变的神经网络[65]。1输入层输入层的主要作用使对原始输入图像进行去均值、归一化和PCA/白化的预处理，如下图2.2所示。图2.2去均值与归一化效果(左)去相关与白化效果(右)2卷积层在卷积层中各个卷积单元都采用反向传播算法以确定卷积层中的参数最佳值。卷积层作为卷积神经网络中的核心组成，其每次的卷积对象均为对上一个区域图像的像素值计算，并非图像上所有的像素输入[66]。在卷积层中进行低层特征提取时，卷积操作能提取到图片的部分边缘特征信息。以此重复卷积操作，后对这些检测戴的边缘特征采用一定数量的卷积核滑动提取，最后则可以根据低层提取到的边缘特征中抽象提取出高层的图像特征。用公式表示为：,=(∑∑,=1=1×+,++)（2.7）
第二章深度学习理论与模型15式中,为第v行、第u的列的卷积核权重参数，a为偏置项的参数，+,+为图像的第i+v行、第j+u列的元素，i，j为卷积核在图像上滑动了i行和j列，f(.)为激活函数。,表示输出特征图中第n行m列的元素值。在卷积层中涉及以下四个参数：（1）Padding:在卷积运算时，输出矩阵的大小会在卷积运算过程中导致输入后的运算结果变校因此，可以选择对矩阵的四周以0值来填充使矩阵能得到原始输入大小，即padding(P)。如下图2.3中，当P=1时，蓝色框中为原5×5的矩阵，四周采用0作为padding。（2）stride:在卷积运算中，过滤器通过在输入矩阵中移动的点积运算获取结果。其中过滤器每次移动时的步长即为stride(S)。如下图2.3中，S=2的时候，过滤器每次移动的距离为2。图2.3边界补零(左)、移动步长所S=2(右)由以上padding和stride两个参数，加上输入矩阵参数大小(W)，过滤器大小(F)，计算输出矩阵R为：R=(WF+2P)+1（2.8）（3）局部连接：下层神经元与上层输入神经元的局部区域的连接，称为卷积神经网络感受野。在对图像进行卷积操作的过程时，神经元的局部连接存在于空间维度上，全连接仅存在于深度上。局部连接能使得学习之后过滤器能最强的响应于局部的输入特征，从而很大程度上对网络的参数减少。（4）参数共享：在运算中，每一个深度上的输入矩阵的步长计算都采用相同的过滤器矩阵，即参数共享。在实际操作中，采参数共享策略，进一步减少参数个数，提升网络的计算效率。3池化层
【参考文献】：
期刊论文
[1]遥感影像中建筑物平面及高度信息提取方法[J]. 孙彦花. 科技创新与应用. 2020(05)
[2]基于高分二号卫星遥感数据的建筑物高度提取[J]. 赵强,杨志,苏红超,杨世植. 大气与环境光学学报. 2019(06)
[3]基于高分二号数据的面向对象城市土地利用分类研究[J]. 宋明辉. 遥感技术与应用. 2019(03)
[4]遥感影像建筑物提取的卷积神经元网络与开源数据集方法[J]. 季顺平,魏世清. 测绘学报. 2019(04)
[5]面向对象的多尺度多特征高分遥感影像建筑物提取[J]. 吕道双,林娜,张小青. 北京测绘. 2019(02)
[6]高分辨率遥感影像建筑物分级提取[J]. 游永发,王思远,王斌,马元旭,申明,刘卫华,肖琳. 遥感学报. 2019(01)
[7]基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 范荣双,陈洋,徐启恒,王竞雪. 测绘学报. 2019(01)
[8]集成特征分量的高分辨率遥感影像建筑物阴影检测[J]. 谢亚坤,冯德俊,李强,王垠入,瑚敏君. 测绘通报. 2018(10)
[9]基于高分辨率遥感影像的建筑物快速提取[J]. 何成斌. 测绘标准化. 2018(02)
[10]基于卷积网络的遥感图像建筑物提取技术研究[J]. 付发,未建英,张丽娜. 软件工程. 2018(06)
硕士论文
[1]高光谱高空间分辨率遥感影像建筑物提取及场景理解[D]. 徐锐.重庆交通大学 2018
[2]遥感影像高大建筑物阴影检测与去除算法研究[D]. 葛乐.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2018
[3]基于形状规则指数的遥感影像建筑物提取研究[D]. 章炼伟.武汉大学 2018
[4]高分辨率遥感影像建筑物提取研究[D]. 黄冰晶.昆明理工大学 2018
[5]南宁市西乡塘区城市绿地信息提取及景观格局分析[D]. 杜梦龙.广西大学 2017
[6]高分辨率遥感影像建筑物轮廓提取方法研究[D]. 何静然.成都理工大学 2016
[7]基于高分辨率彩色遥感影像的建筑物提取研究[D]. 高春霞.昆明理工大学 2016
[8]建筑物半自动提取方法的研究[D]. 赵颖.中国测绘科学研究院 2013
[9]高分辨率遥感影像建筑物提取技术研究[D]. 魏德强.解放军信息工程大学 2013
[10]一种高分辨率遥感图像建筑物特征分级提取算法[D]. 姚高伟.信阳师范学院 2013
本文编号：2928987
【文章来源】：江西理工大学江西省
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
单层神经元输入输出示意
第二章深度学习理论与模型14也可以采用双极性S型函数形式：f(v)=21+1=11+（2.6）2.2卷积神经网络结构机器学习是在深度学习出现之前，基于样本进行结果生成预测类问题的主流使用算法。但是机器学习需要具体的参数输入，耗时耗力[64]。随着深度学习的出现，其以自动提取数据高维特征，无需自行完成对具体特征进行提取，直接自动进行数据筛选，借助计算机内部算法节约了大量研究者的工作时间和并提高了工作效率提高。同时，深度学习还可以无缝结合的应用于大数据中。其中，卷积神经网络(ConvolutionalNeuralNetwork，CNN)常应用在计算机视觉分析中。基于该网络的权重共享以及翻转不变性等特点，也称之为空间或平移不变的神经网络[65]。1输入层输入层的主要作用使对原始输入图像进行去均值、归一化和PCA/白化的预处理，如下图2.2所示。图2.2去均值与归一化效果(左)去相关与白化效果(右)2卷积层在卷积层中各个卷积单元都采用反向传播算法以确定卷积层中的参数最佳值。卷积层作为卷积神经网络中的核心组成，其每次的卷积对象均为对上一个区域图像的像素值计算，并非图像上所有的像素输入[66]。在卷积层中进行低层特征提取时，卷积操作能提取到图片的部分边缘特征信息。以此重复卷积操作，后对这些检测戴的边缘特征采用一定数量的卷积核滑动提取，最后则可以根据低层提取到的边缘特征中抽象提取出高层的图像特征。用公式表示为：,=(∑∑,=1=1×+,++)（2.7）
第二章深度学习理论与模型15式中,为第v行、第u的列的卷积核权重参数，a为偏置项的参数，+,+为图像的第i+v行、第j+u列的元素，i，j为卷积核在图像上滑动了i行和j列，f(.)为激活函数。,表示输出特征图中第n行m列的元素值。在卷积层中涉及以下四个参数：（1）Padding:在卷积运算时，输出矩阵的大小会在卷积运算过程中导致输入后的运算结果变校因此，可以选择对矩阵的四周以0值来填充使矩阵能得到原始输入大小，即padding(P)。如下图2.3中，当P=1时，蓝色框中为原5×5的矩阵，四周采用0作为padding。（2）stride:在卷积运算中，过滤器通过在输入矩阵中移动的点积运算获取结果。其中过滤器每次移动时的步长即为stride(S)。如下图2.3中，S=2的时候，过滤器每次移动的距离为2。图2.3边界补零(左)、移动步长所S=2(右)由以上padding和stride两个参数，加上输入矩阵参数大小(W)，过滤器大小(F)，计算输出矩阵R为：R=(WF+2P)+1（2.8）（3）局部连接：下层神经元与上层输入神经元的局部区域的连接，称为卷积神经网络感受野。在对图像进行卷积操作的过程时，神经元的局部连接存在于空间维度上，全连接仅存在于深度上。局部连接能使得学习之后过滤器能最强的响应于局部的输入特征，从而很大程度上对网络的参数减少。（4）参数共享：在运算中，每一个深度上的输入矩阵的步长计算都采用相同的过滤器矩阵，即参数共享。在实际操作中，采参数共享策略，进一步减少参数个数，提升网络的计算效率。3池化层
【参考文献】：
期刊论文
[1]遥感影像中建筑物平面及高度信息提取方法[J]. 孙彦花. 科技创新与应用. 2020(05)
[2]基于高分二号卫星遥感数据的建筑物高度提取[J]. 赵强,杨志,苏红超,杨世植. 大气与环境光学学报. 2019(06)
[3]基于高分二号数据的面向对象城市土地利用分类研究[J]. 宋明辉. 遥感技术与应用. 2019(03)
[4]遥感影像建筑物提取的卷积神经元网络与开源数据集方法[J]. 季顺平,魏世清. 测绘学报. 2019(04)
[5]面向对象的多尺度多特征高分遥感影像建筑物提取[J]. 吕道双,林娜,张小青. 北京测绘. 2019(02)
[6]高分辨率遥感影像建筑物分级提取[J]. 游永发,王思远,王斌,马元旭,申明,刘卫华,肖琳. 遥感学报. 2019(01)
[7]基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 范荣双,陈洋,徐启恒,王竞雪. 测绘学报. 2019(01)
[8]集成特征分量的高分辨率遥感影像建筑物阴影检测[J]. 谢亚坤,冯德俊,李强,王垠入,瑚敏君. 测绘通报. 2018(10)
[9]基于高分辨率遥感影像的建筑物快速提取[J]. 何成斌. 测绘标准化. 2018(02)
[10]基于卷积网络的遥感图像建筑物提取技术研究[J]. 付发,未建英,张丽娜. 软件工程. 2018(06)
硕士论文
[1]高光谱高空间分辨率遥感影像建筑物提取及场景理解[D]. 徐锐.重庆交通大学 2018
[2]遥感影像高大建筑物阴影检测与去除算法研究[D]. 葛乐.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2018
[3]基于形状规则指数的遥感影像建筑物提取研究[D]. 章炼伟.武汉大学 2018
[4]高分辨率遥感影像建筑物提取研究[D]. 黄冰晶.昆明理工大学 2018
[5]南宁市西乡塘区城市绿地信息提取及景观格局分析[D]. 杜梦龙.广西大学 2017
[6]高分辨率遥感影像建筑物轮廓提取方法研究[D]. 何静然.成都理工大学 2016
[7]基于高分辨率彩色遥感影像的建筑物提取研究[D]. 高春霞.昆明理工大学 2016
[8]建筑物半自动提取方法的研究[D]. 赵颖.中国测绘科学研究院 2013
[9]高分辨率遥感影像建筑物提取技术研究[D]. 魏德强.解放军信息工程大学 2013
[10]一种高分辨率遥感图像建筑物特征分级提取算法[D]. 姚高伟.信阳师范学院 2013
本文编号：2928987
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/2928987.html
