论文部分内容阅读
遥感图像道路的提取与精确分割有利于国家对全国的道路的精准监控和路径分析,也有利于偏远地区道路的建设与维修。高分辨率遥感图像具有分辨率高、地形复杂多样和容易受车辆树木阴影等因素影响,这些都增大了精准的进行道路提取的难度。研究发现,现有的遥感图像道路提取算法存在人工参与和提取精度不高等问题。因此,研究如何快速、精准和高效的将道路从高分辨率遥感图像中提取出来具有非常重要的意义。本文吸收并借鉴以往学者的研究成果,以提高遥感图像道路的提取精度为目标,在FCN模型的基础上进行改进,提出了两种简单而有效的遥感图像道路提取算法:(1)针对半自动遥感图像道路提取算法需要人工干预、道路提取精度不高的缺点,提出了一种基于全卷积神经网络的多源输入和特征融合的遥感图像道路提取新方法。首先对数据集采用Prewitt边缘检测算子进行道路边缘检测和进行灰度处理,构成新的特征数据集;然后将进行边缘检测的图像、灰度处理的图像和彩色图像作为多输入源生成三个并行的卷积网络,将三个并行卷积结果进行特征融合,反卷积之后与标签图像进行像素级的分类,得到具有多输入源的道路分割模型。实验结果表明,对比传统的遥感图像道路提取算法,本文的算法能够自动、高效的将道路从遥感图像中提取出来。(2)针对传统FCN模型的逐层卷积和连续下采样操作带来的特征信息丢失和分辨率的下降,进而导致模型学习到的特征信息逐渐减少,最后造成道路提取精度不高,边缘模糊等问题。本文提出了一种基于全卷积神经网络的多孔卷积和特征融合的遥感图像道路提取新方法。首先采用多孔卷积取代原全卷积神经网络中的最后两个阶段的标准卷积,既增加感受野,又保留更多的特征信息;然后将每个阶段卷积后的结果进行特征融合,既保留了全局特征信息,又加入了局部的具体特征信息。在不增加参数数量的情况下,扩大了卷积核的感受野,从而在不增加计算量的同时可以使模型学习到更多的特征信息,提高分割精度。实验结果表明,该方法在道路较为复杂的高分辨率遥感图像中提取效果比语义分割较好的FCN-8s和SegNet的道路提取效果好。