基于深度学习和直线检测的高分辨率遥感影像建筑物提取

摘要

近些年来，全球对地观测技术蓬勃发展，对地观测系统日趋完善，以国产高分系列影像、美国Geo-Eye卫星影像等为代表，高分辨率遥感影像及其衍生产品已经普遍应用到环境保护、农业调查、防灾减灾、城镇化研究、海洋开发等领域。而随着人工智能、深度学习、云计算等新兴科技的快速崛起，如何高效、准确地提取高分遥感影像中的有用信息已成为高分影像能否被广泛应用的关键。建筑物区域作为人类生产生活的主要场所，是一类在军用、民用领域都具有十分重要地位的目标，因此，高分辨率影像建筑物目标的提取研究具有重要研究价值。 本文以深度学习和直线检测为基础提出了一种高精度的高分影像建筑物目标提取方法。从待检测的高分影像中按照由粗到精的思想，首先利用深度学习目标检测算法得到建筑物目标初步提取区域，在初步提取区域内利用LSD直线检测算法得到直线段，对得到的直线段进行筛选、合并聚类等处理后得到建筑物精确提取结果。本文主要工作如下:(1)从Google Earth下载了包含大量建筑物目标的高分遥感影像数据，建立了标准格式的目标检测数据集WHURS_Building，包括建筑物检测训练数据集和测试数据集(2)利用基于区域的全卷积神经网络R-FCN和全卷积残差网络ResNet-50进行建筑物目标特征学习和训练，得到建筑物目标检测模板参数，并在测试数据集中进行建筑物检测，得到初始提取区域。(3)根据建筑物目标特点，本文提出了一种基于直线检测的建筑物区域精确提取方法。在深度学习建筑物检测的初步提取区域内，利用LSD直线检测得到区域内直线段信息，并根据直线段的长度进行直线筛选，去除背景直线噪声，然后根据极坐标进行相近直线聚类合并，排除冗余直线信息。最后，将有效直线信息转为二值数据，得到建筑物区域直线信息点坐标数据集合，利用二维坐标系下点集合的最小外接矩形算法得到局部区域内直线段的最小外接矩形，即是最终提取的建筑物精确区域。 利用本文建立的高分辨率遥感影测试数据集进行实验，结果表明，利用本文的方法在高分辨率影像上检测建筑物目标的正确率优于其它算法，建筑物目标区域提取精度进一步提高。

目录

声明

摘要

第一章绪论

1．1论文研究背景与意义

1．2国内外研究现状

1．2．1深度学习目标检测国内外研究现状

1．2．2建筑物提取国内外研究现状

1．3建筑物提取难点分析

1．4本文研究内容

1．5本文章节安排

第二章深度学习和直线检测算法

2．1深度学习目标检测模型

2．1．1基于候选区域的检测算法

2．1．2基于回归的检测算法

2．2 LSD直线检测

2．3本章小结

第三章基于深度学习和直线检测的建筑物提取

3．1高分影像建筑物目标检测

3．1．1建筑物特征提取残差网络

3．1．2建筑物检测全卷积神经网络

3．1．3建筑物目标初步检测

3．2建筑物局部区域直线检测

3．2．1直线检测

3．2．2直线筛选

3．2．3直线合并

3．3建筑物区域精确提取

3．4本章小结

第四章实验结果与分析

4．1实验数据集和平台

4．1．1 WHURS_Building数据集

4．1．2实验平台

4．2算法评价指标

4．3实验结果与分析

4．3．1建筑物初步检测结果分析

4．3．2不同建筑物检测方法对比

4．3．3建筑物区域提取结果分析

4．4本章小结

5．1工作总结

5．2工作展望

参考文献

攻读硕士期间科研经历与科研成果

致谢