高分辨率多光谱卫星遥感影像中的语义分割方法研究

摘要

随着遥感技术的飞速发展，遥感数据的价值逐步体现，无论是国防军事，还是商业应用，对遥感影像信息自动提取均有迫切需求。语义分割是通过机器自动分割识别图像中内容的技术，它是遥感影像信息提取的重要前提，在此基础上能够进行更广泛的研究和应用。
　　目前在高分辨率多光谱卫星遥感影像上做语义分割的研究不多，许多使用光学上的各种指数通过阈值法进行分割，以及简单的深度学习模型方法。这些方法在解决特定目标的划分或者对特定的数据集可以达到较高的准确率，但在不同物体不同数据集上不具备很好的适用性。
　　论文参考了多种机器学习方法和深度学习模型，以及遥感领域的图像分割研究工作，结合遥感影像的特点，提出了完整的技术方案，包括数据标注、模型训练、预测结果三个阶段。针对遥感影像高精度、大范围、多光谱信息等特点，在数据标注阶段进行波段合成、遥感影像融合、图像切分的预处理操作。在模型训练阶段，结合实际应用特点，对不同的分类模型使用了数据增强、模型微调等训练技巧，提高了训练的效率和模型的效果。在预测结果阶段，对输出结果进行图像平滑，优化分割的准确率。
　　最后，使用Accuracy和AUC两种该领域常用的评估指标对实验结果进行评估，分析比较了SVM、基于patch的CNN分类模型、基于FCN的分类模型、基于SegNet的分类模型这几种模型的特点和效果，并总结了各方法在遥感影像语义分割上的适用程度。

目录

声明

摘要

图目录

表目录

第1章 绪论

1．1 研究背景与意义

1．1．1 遥感图像

1．1．2 图像语义分割

1．2 国内外研究现状

1．2．1 语义分割方法

1．2．2 遥感影像的语义分割

1．3 本文的主要工作

1．4 论文章节安排

1．5 本章小结

第2章 相关技术介绍

2．1 传统机器学习模型

2．2 深度学习模型

2．2．1 基于patch的CNN分类模型

2．2．2 基于FCN的分类模型

2．2．3 基于SegNet的分类模型

2．3 本章小结

第3章 技术方案概述

3．1 问题描述

3．2 主要技术流程

3．2．1 数据标注阶段

3．2．2 模型训练阶段

3．2．3 预测结果阶段

3．3 本章小结

第4章 遥感影像处理与数据标注

4．1 问题描述

4．2 遥感影像波段合成

4．3 遥感影像融合

4．3．1 方法介绍

4．3．2 融合效果展示

4．4 图像切分

4．5 数据标注

4．5．1 基于Super Pixel的标注

4．5．2 多边形描边标注

4．5．3 标注工具

4．5．4 生成label图像

4．6 本章小结

第5章 分类模型

5．1 基于SegNet的分类模型

5．1．1 标准模型的不足

5．1．2 模型设计

5．1．3 图像特征

5．1．4 语义分割流程

5．2 对比方法

5．2．1 基于像素分类的模型

5．2．2 基于patch的CNN分类模型

5．2．3 基于FCN的分类模型

5．3 本章小结

第6章 训练技巧与结果优化

6．1 样本随机抽样

6．1．1 简单随机抽样方案

6．1．2 蓄水池抽样方案

6．1．3 参数选择

6．2 数据增强

6．3 Fine-tuning

6．4 图像平滑

6．4．1 中值滤波方法

6．4．2 效果展示

6．5 本章小结

第7章 实验结果

7．1 数据集介绍

7．2 评估指标

7．3 实验环境

7．4 实验结果与分析

7．4．1 数据集MBD实验结果

7．4．2 高分二号卫星遥感影像数据集实验结果

7．4．3 道路语义分割实验

7．4．4 分析与比较

7．5 本章小结

第8章 总结与展望

8．1 全文总结

8．2 工作展望

参考文献

攻读硕士学位期间主要的研究成果

致谢