基于高分辨率航拍影像和LiDAR数据的建筑物平面轮廓提取

发布时间：2024-02-01 13:41

　　建筑物在人民生活及经济建设中扮演着重要的角色,对建筑物轮廓的提取,能够给国土空间规划、地理国情监测等提供重要的数据支撑。近年来航空和卫星遥感科技发展迅猛,利用多源遥感数据进行建筑物提取能够大幅减少人力物力成本。机载LiDAR点云可以提供高精度的地表高程信息,有助于区分地面和非地面目标,从而提高建筑物提取精度,但其无法提供丰富的建筑物轮廓、纹理等信息。因此,融合高分辨率遥感影像和机载LiDAR点云数据,有利于实现高精度的建筑物提取。在深度学习的方法与技术未被广泛应用之前,以往的提取方法较多依赖于人工设计的低、中层次图像特征来识别建筑物,缺少对高层次建筑物语义特征的提取及应用,其特征的设计与提取来自于专家对建筑的考察、解析及总结,难以应对复杂场景下的建筑物识别。为了解决传统分类方法的弊端,对U-Net进行优化,提出DRUnet。构建了结合DRUnet和形态学滤波处理的建筑物高精度语义分割模型,用于解决在复杂场景下建筑物提取的问题。本文主要研究成果如下:(1)针对原始U-Net网络输入输出图像大小不一致,以及裁剪和复制(Crop and Copy)通道结构复杂的问题。DRUnet卷积层采用P...

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

图2-1卷积神经网络基本结构

第二章卷积神经网络与图像分割11图2-1卷积神经网络基本结构Fig.2-1BasicStructureofCNN2.1.1卷积层的结构与原理卷积操作就是特征提取的过程，通过小尺寸的卷积核与上一层以窗口滑动的形式来卷积计算，以此方法来提取特征。卷积核来源于仿生学中的视觉系统感受野，....

图2-2卷积层运算过程

广州大学硕士学位论文12图2-2卷积层运算过程Fig.2-2TheOperationProcessofConvolutionLayer卷积计算流程如下：原始输入图像是3通道5*5大小的，W0是已知Filter，大小为3*3的。Filter是过滤器，是卷积操作中的一套参数，每一个F....

图2-3池化层运算过程

广州大学硕士学位论文14图2-3池化层运算过程Fig.2-3TheOperationProcessofPoolLayer2.1.3激活层的结构与原理若卷积神经网络中只存在卷积层和池化层，那么节点的输入和输出都是线性关系，可以看出，不管你构建多层网络模型或者是构建浅层网络模型，输出....

图2-4Sigmoid函数

第二章卷积神经网络与图像分割15sigmoid函数:f(x)=11+(24)图2-4Sigmoid函数Fig.2-4SigmoidFunctionCurvetanh函数:f(x)=+(25)图2-5Tanh函数Fig.2-5TanhFunctionCurve“饱和激活函数”Sig....

本文编号：3892211