论文部分内容阅读
图像的语义分割(Semantic Segmentation)技术已经成为计算机视觉领域的热点研究方向,其研究成果能够有效地应用到地图重建、人脸识别以及无人驾驶等领域中。目前,现有的语义分割网络较多,随着语义分割技术的不断发展和完善,在公开数据集上的分割精度也不断提高。随着遥感图像获取途径的增多,需求量越来越大,如何有效提高高分辨率遥感城市道路图像的分割精度是本文研究的主要问题。本文在研究了遥感城市道路图像中道路类型的复杂性、形态多样性以及纹理多元性等原因导致分类精度较低的难点问题之后,分析研究了现有分割算法的可行性,首先分析了基于图切算法的交互式图像分割技术,并将其应用到对可见光图像与遥感城市道路图像的分割处理中。实验结果表明,对可见光图像的分割精度要比遥感图像高很多,原因是遥感城市道路图像分辨率高、道路特征复杂。很多的纹理和细节信息对分割产生干扰。为了有效的提高对高分辨率遥感城市道路图像的分割精度,本文进一步提出了基于Deeplabv3+网络模型的分割方式对其进行分割,首先使用基于BN(Batch Normalization)层下Deeplabv3+网络进行语义分割实验,然后再对网络结构进行改进,使用了基于GN(Group Normalization)层下的Deeplabv3+网络进行语义分割实验。实验结果表明,基于Deeplabv3+网络模型的分割结果明显优于基于图切算法的交互式分割技术,与使用了BN层的Deeplabv3+网络相比,使用了GN层的deeplabv3+网络分割精度更高,改进之后最大的优势在于,其分割精度不会受到batchsize大小的影响。