论文部分内容阅读
遥感技术广泛应用于农业、城市规划、防震抗灾、智慧交通、军事打击等重要领域。不同分辨率遥的感影像为实现超大比例尺地表测绘和地面物体厘米级定位增加了可能。道路是行人和日常交通出行的载体,在经济发展和社会各行各业的进步中十分重要。随着卫星技术的飞速进步,从遥感影像中提取道路对GIS数据库、地图自动更新、城市道路规划、车辆智能导航等具有极其重要的经济价值和科研意义。如何将道路准确、快速地遥感影像中分离出来,对基础地理信息数据的建设具有重要的理论和现实意义。因为道路所处的高分辨率遥感图像中包含大量其他物体,道路提取的完整性、精确性和速度还不尽如人意。由此,本文针对遥感影像道路自动提取,结合计算机视觉领域的最新研究成果,对道路提取语义分割算法进行改进。主要分为以下几个部分:(1)创建了拥有道路标签的遥感影像道路提取数据集。介绍了数据集人工标注的主要流程、数据集增广方法、图像归一化处理、以及数据集划分几个方面。(2)通过对全卷积神经网络理念的学习和剖析,使用MobileNetV2网络以及大量1*1卷积核作为语义分割网络特征提取部分,增强了网络的特征提取能力。使用空洞卷积方法增大神经元感受野,使用深度可分离卷积结构在加快计算速度的同时,对网络也进行了一些优化。使用改进的多孔空间金字塔池化来进一步增大感受野,从而更有利于提取大尺度物体,通过实验证明多孔空间金字塔池化对全局道路特征提取有着极大的改进。(3)根据本文需求,以Python为开发语言,并结合PyQt图形界面库和PaddlePaddle深度学习框架,设计了一个深度学习道路提取系统,该系统的主要功能有数据集训练、道路提取测试和可视化三大模块,同时为了提升系统的稳定性和完备性,还增加了数据集检查、数据列表生成、GPU加速等功能。(4)设计了三组对比实验,实验一结合了本文实验的硬件资源,在估计实验准确度的情况下,确定了训练时每个批次喂入神经网络的遥感图像数目;实验二在不使用多孔空间金字塔池化特征融合模块的情况下,使用了FCN8s、U-Net以及不同的编码器和解码器组合等五种网络结构,提取实验IoU最高达到了72.8%,相对于经典分割网络有了一定的提升;实验三在实验二的基础上,使用了改进的多孔空间金字塔池化,比原始的多孔空间金字塔池化IoU平均提升了3.8%。