论文部分内容阅读
随着遥感技术的发展，遥感影像的数量呈爆炸式增长，空间分辨率也显著提高，如何从这些数量庞大的精细化信息中解译出有效信息成为该领域的重要研究方向。语义分割通过为图像中每个像素标注出所属的对象类别来完成目标的分类与定位，是遥感影像解译的重要手段之一，在农业检测、导航、城市规划以及军事等领域均有广泛的应用。
传统遥感影像分割通常采用手工定义特征结合分类器学习的方法，但这类方法通常存在特征表达能力较差、自定义参数较多、计算效率较低等问题，因此难以取得理想的性能。基于卷积网络的深度学习技术因其出众的图像表征学习能力在图像分类、图像分割、目标检测等多个领域广泛应用，同时也逐渐成为遥感影像语义分割的有效解决方案。然而，现有基于深度卷积网络的方法仍然存在因目标与背景特征易混淆而导致目标解析不完整，边缘模糊等问题，本文深入研究了此类问题，主要研究内容与工作包括:
1.构建针对种植大棚提取的遥感影像数据集和光伏板组件提取的遥感影像数据集。分别选取中国北方地区的种植大棚遥感影像和GoogleEarth上的光伏板组件遥感影像执行像素级别的人工标注和图像裁剪，并按照一定比例划分为训练集和验证集。
2.针对遥感影像语义分割的分割精度不高、目标边界模糊等问题，提出了一种基于边缘损失增强结构的遥感影像语义分割方法。该方法通过向密集特征提取网络引入边缘损失增强结构以共同学习目标的区域语义和边缘信息。在遥感影像数据集上的对比实验结果表明，该方法的分割结果拥有更加精确的边缘。
3.受遥感影像中地物目标特性启发，提出了一个新颖的基于中心邻域对比度机制的显著目标检测模型。该模型利用空洞卷积构建了具有不同感受野大小的差值金字塔结构，实现模型中多尺度特征的对比度计算。因为该结构独立于特征提取层，所以可以将其与卷积神经网络无缝集成到端到端的网络中。通过在4个公用数据集上与近三年的典型显著目标检测方法进行广泛的实验以及消融研究，证明了该方法的有效性。将该模型应用到遥感影像数据集上，同样也表现出良好的分割效果。
综上所述，本文针对遥感影像分割技术开展的研究着重关注如何在深度特征层中有效地表达目标与周围背景的差异性，例如强化目标边缘以及局部对比度等视觉特性。同时，丰富的定性及定量的实验也证明了所提出算法的有效性。因此，本文算法在遥感影像分割相关领域存在潜在的应用前景。
传统遥感影像分割通常采用手工定义特征结合分类器学习的方法，但这类方法通常存在特征表达能力较差、自定义参数较多、计算效率较低等问题，因此难以取得理想的性能。基于卷积网络的深度学习技术因其出众的图像表征学习能力在图像分类、图像分割、目标检测等多个领域广泛应用，同时也逐渐成为遥感影像语义分割的有效解决方案。然而，现有基于深度卷积网络的方法仍然存在因目标与背景特征易混淆而导致目标解析不完整，边缘模糊等问题，本文深入研究了此类问题，主要研究内容与工作包括:
1.构建针对种植大棚提取的遥感影像数据集和光伏板组件提取的遥感影像数据集。分别选取中国北方地区的种植大棚遥感影像和GoogleEarth上的光伏板组件遥感影像执行像素级别的人工标注和图像裁剪，并按照一定比例划分为训练集和验证集。
2.针对遥感影像语义分割的分割精度不高、目标边界模糊等问题，提出了一种基于边缘损失增强结构的遥感影像语义分割方法。该方法通过向密集特征提取网络引入边缘损失增强结构以共同学习目标的区域语义和边缘信息。在遥感影像数据集上的对比实验结果表明，该方法的分割结果拥有更加精确的边缘。
3.受遥感影像中地物目标特性启发，提出了一个新颖的基于中心邻域对比度机制的显著目标检测模型。该模型利用空洞卷积构建了具有不同感受野大小的差值金字塔结构，实现模型中多尺度特征的对比度计算。因为该结构独立于特征提取层，所以可以将其与卷积神经网络无缝集成到端到端的网络中。通过在4个公用数据集上与近三年的典型显著目标检测方法进行广泛的实验以及消融研究，证明了该方法的有效性。将该模型应用到遥感影像数据集上，同样也表现出良好的分割效果。
综上所述，本文针对遥感影像分割技术开展的研究着重关注如何在深度特征层中有效地表达目标与周围背景的差异性，例如强化目标边缘以及局部对比度等视觉特性。同时，丰富的定性及定量的实验也证明了所提出算法的有效性。因此，本文算法在遥感影像分割相关领域存在潜在的应用前景。