改进卷积网络的高分遥感图像城镇建成区提取

发布时间：2024-03-09 12:55

　　目的城镇建成区是城镇研究重要的基础信息,也是实施区域规划、落实城镇功能空间布局的前提。但是遥感影像中城镇建成区的环境复杂,同时不同城镇建成区在坐落位置、发展规模等方面存在许多差异,导致其信息提取存在一定困难。方法本文基于面向图像语义分割的深度卷积神经网络,使用针对特征图的强化模块和通道域的注意力模块,对原始DeepLab网络进行改进,并通过滑动窗口预测、全连接条件随机场处理方法,更准确地实现城镇建成区提取。同时,针对使用深度学习算法容易出现过拟合和鲁棒性不强的问题,采用数据扩充增强技术进一步提升模型能力。结果实验数据是三亚和海口部分地区的高分二号遥感影像。结果表明,本文方法的正确率高于93%,Kappa系数大于0.837,可以有效地提取出大尺度高分辨率遥感影像中的城镇建成区,且提取结果最为接近实际情况。结论针对高分辨率遥感卫星影像中城镇建成区的光谱信息多样化、纹理结构复杂化等特点,本文算法能在特征提取网络中获取更多特征信息。本文使用改进的深度学习方法,提出两种处理方法,显著提高了模型的精度,在实际大幅遥感影像的使用中表现优秀,具有重要的实用价值和广阔的应用前景。

【文章页数】：13 页

【部分图文】：

图1瓶颈块结构

经典的卷积神经网络结构在卷积层之后通过若干个全连接层进行降维，得到一定长度的特征向量进行分类。而全卷积网络丢弃全连接层，使用反卷积层对最后一个卷积层的特征映射进行上采样，使图像恢复到与输入相同的尺寸，进而对每个像素都产生一个预测结果，同时保留了原始图像中的空间信息，在最后一个上采....

图2DeepLabv3空间金字塔的空洞池化结构

在图像语义分割任务中，为保证卷积特征分辨率不变的基础上实现感受野的扩大，Chen等人(2014)提出了DeepLab系列语义分割模型，通过全部使用空洞卷积(atrousconvolution)和空间维度金字塔结构空洞池化(atrousspatialpyramidpool....

图3强化模块

原始网络采用空洞卷积扩大感受野，进而提取特征信息，但空洞卷积是通过对卷积核的中间补零操作实现的，实际上只获取了区域中非零部分信息，这种稀疏采样方式很可能使得特征图出现网格效应，进而导致网络中的一些提取结果来自上一层的互相独立部分，丢失遥感影像的局部信息，网络模型学习到的特征也会缺....

图7全连接条件随机场处理流程图

全连接条件随机场对网络模型的判断结果进行处理的流程如图7所示。一元势能是每个像素的类别判断概率分布图，二元势能的颜色和相对位置信息可在原始影像中获得。本文使用平均场近似法(meanfieldapproximation)迭代更新能量项，迭代10次，得到最终的结果。作为后阶段的处....

本文编号：3923450