论文部分内容阅读
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。