基于密集型特征融合网络的高分遥感影像建筑物提取算法研究

摘要

高分辨率遥感影像具有丰富的纹理信息和空间几何特征，广泛应用于军事侦察、环境监测、城乡建设等领域，为其提供充分的地物信息。建筑物作为地物目标的主要组成之一，为城市基础设施规划和建设提供重要的理论依据。因此，如何精确、高效、智能地从高分辨率遥感影像中提取建筑物目标成为遥感影像研究的重要内容之一。本文主要对高分辨率遥感影像建筑物提取算法进行了研究，主要工作如下：　　分析了现有高分辨率遥感影像建筑物提取算法，针对当前进行建筑物提取的语义分割网络进行研究，总结现有网络的优点和不足，在此基础上设计一种密集连接型多尺寸特征融合网络。将网络编码器中最后一个池化层去掉，以避免图像分辨率和信息丢失，同时，引入密集连接型空洞空间金字塔池化(DenseASPP)模块扩大感受野，通过分析感受野大小和特征图尺寸关系，合理设置了DenseASPP模块位置和内部参数，并研究二者对网络性能的影响；采用特征金字塔模块(FPN)的思想，在解码器右端加入多尺寸特征融合结构，充分利用不同层次的语义信息，增加网络对于目标尺寸变化的鲁棒性。在马萨诸塞州建筑物数据集上进行的仿真实验结果表明，该网络有利于解决由于感受野不足而无法获取丰富的上下文信息，导致形状、尺寸多变的建筑物提取效果不佳的问题，在保证网络效率的前提下达到83.597%的平均精度，优于改进前的两种深度学习网络模型。　　针对高分辨率遥感影像数据集存在正负目标样本比例分布不均衡、目标边缘分割缺失的问题，对建筑物提取网络模型的损失函数进行改进研究。分析了密集连接型多尺寸特征融合网络所用的损失函数，通过计算正负样本比值和仿真实验，设置损失函数的权重参数，并分析不同损失函数的效果，进而选择有效解决正负样本比例不平衡的Focalloss作为模型的损失函数；同时，增加预测图和标签图边缘距离的损失函数约束项，以解决目标边缘分割缺失的问题。改进后的算法在马萨诸塞州建筑物数据集上进行仿真实验，结果表明，损失函数改进后，该网络模型能够解决正负目标样本分布不均衡和目标边缘分割缺失的问题，具有更好的目标提取效果。　　最后，设计了建筑物提取的仿真系统，直观地展示了建筑物提取结果，便于用户理解。

目录

声明

第1章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 传统高分辨率遥感影像建筑物提取算法研究现状

1.2.2 基于卷积神经网络的建筑物提取算法研究现状

1.3 论文的主要内容和章节安排

第2章 高分遥感影像建筑物提取网络研究基础及分析

2.1 遥感影像建筑物提取网络模型组成及相关理论

2.1.1 卷积神经网络结构

2.1.2 损失函数

2.1.3 优化算法

2.1.4 感受野

2.2 常用建筑物提取语义分割网络模型

2.2.1 FCN网络

2.2.2 U-Net网络

2.2.3 Deeplab v2网络

2.2.4 Densenet网络

2.3 高分遥感影像建筑物提取网络算法分析

2.4 评价指标

2.6 本章小结

第3章 密集型特征融合建筑物提取网络结构研究

3.1 遥感影像数据集预处理

3.2 密集连接型多尺寸特征融合网络构建

3.2.1 特征提取模块

3.2.2 横向连接模块

3.2.3 多尺寸特征融合模块

3.4 实验设计

3.4.1 实验环境和超参数设置

3.4.2 DenseASPP模块实验设计

3.4.3 多尺寸特征融合模块实验设计

3.5 实验结果分析

3.5.1 DenseASPP位置实验分析

3.5.2 DenseASPP空洞率设置实验分析

3.5.3 多尺寸特征融合模块实验分析

3.5.4 网络模型精度对比

3.5.5 网络模型复杂度对比

3.6 本章小结

第4章 密集型特征融合建筑物提取网络损失函数研究

4.1 引言

4.2 数据集特征分析

4.3 损失函数原理分析

4.3.1 Dice loss损失函数

4.3.2 Jaccard loss损失函数

4.3.3 Focal loss损失函数

4.4 损失函数选用实验

4.5 结合边缘距离约束的Focal loss损失函数研究

4.5.1 边缘提取算法

4.5.2 欧氏距离理论分析

4.5.3 基于预测图和标签图边缘距离的损失函数

4.6 实验结果分析

4.6.1实验环境和超参数设置

4.6.2不同损失函数精度对比

4.6.3 网络模型效果对比

4.7 本章小结

第5章 高分遥感影像建筑物提取仿真系统

5.1 高分遥感影像建筑物提取系统介绍

5.2 高分遥感影像建筑物提取系统使用

5.3 本章小结

总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果