本文主要研究内容
作者许玥（2019）在《基于改进Unet的遥感影像语义分割在地表水体变迁中的应用》一文中研究指出：陆地地表水体是江、河、湖的总称,它是被水覆盖地段的自然综合体,更是自然万物和人类文明的摇篮。但是,自从人类文明进入工业化阶段,一些超负荷甚至是破坏性的开发使地表水体满目疮痍。地表水体变迁越发频繁,有效地对水体变迁进行监测是对水资源进行高效开发利用的前提条件。伴随着遥感技术的快速发展,空间遥感平台提供的高分辨率图像信息日渐丰富,其中地表水体的空间与光谱信息占据着重要的组成部分。遥感影像携带的丰富的地表水体数据为地表水体变迁的监测打下了坚实基础,但是丰富的数据量并不能直接被使用,需要人为提取有效信息进行高效的分析量化。本文将地表水体变迁作为研究目标,目的是对给定的同一地区不同时刻的遥感影像通过算法标定变化状态。传统的分割变化检测采用地物的分布、形状、结构、纹理、色调等特征,在处理单一场景时表现较好,但是当地物信息繁杂或者影像分辨率高时算法性能会受到影响,且传统的阈值由人为实验检测设定,算法鲁棒性较低。为了解决此问题,本文以超像素作为基本分析单元,使用机器学习算法构建多个非线性变换组合的深度学习模型对超像素内在的高级抽象特征进行建模,以提高图像分割的准确率与鲁棒性。论文主要内容如下:(1)获取多个同一地区不同时间段的遥感影像并进行几何校正,然后采用面向对象的方法使用eCognition软件标注影像获取基准值(Ground truth)。(2)针对传统阈值分割方法无法有效地分割高背景复杂度的遥感影像,本文提出了一种基于深度卷积神经网络的水体变迁分割方法,该方法在Unet网络构架的基础上优化并改进为D-Unet(Deep-Unet)与DS-Unet(Deep Separable-Unet),可以从遥感影像中精确地提取水体信息,为后续的地表水体变迁研究以及水域面积测算打下坚实基础。(3)针对深度卷积神经网络进行粗分割存在边界不平滑和像素点定位不准确等问题,使用全连接条件随机场对粗分割结果进行细化处理达到更加精细准确的结果。(4)针对遥感影像的特点提出了地表水体面积测算与水体迁移可视化方法。(5)本文针对数据集所采集的基准数据测试了方法的有效性,DS-Unet获得了88.74%的平均分割准确率,并在Intel Core i7(2.2 GHz)下达到15s处理1幅6000*6000px遥感影像的分割速度;D-Unet可以达到91.59%的平均分割准确率以及在Intel Core i7(2.2 GHz)下45s处理1幅6000*6000px遥感影像的分割速度;在使用全连接条件随机场优化后使得分割结果更加细致,在Intel Core i7(2.2 GHz)下处理的平均时间为166s,环境噪声的鲁棒性提高,分割边缘的光滑度更高,是一种有效的水体提取方法。本文最后提出基于像素的地表水体面积测算与地表水体变迁可视化方法在实验中被证明是一种良好的测算方法,取得了良好的展示效果。
Abstract
liu de de biao shui ti shi jiang 、he 、hu de zong chen ,ta shi bei shui fu gai de duan de zi ran zeng ge ti ,geng shi zi ran mo wu he ren lei wen ming de yao lan 。dan shi ,zi cong ren lei wen ming jin ru gong ye hua jie duan ,yi xie chao fu he shen zhi shi po huai xing de kai fa shi de biao shui ti man mu chuang yi 。de biao shui ti bian qian yue fa pin fan ,you xiao de dui shui ti bian qian jin hang jian ce shi dui shui zi yuan jin hang gao xiao kai fa li yong de qian di tiao jian 。ban sui zhao yao gan ji shu de kuai su fa zhan ,kong jian yao gan ping tai di gong de gao fen bian lv tu xiang xin xi ri jian feng fu ,ji zhong de biao shui ti de kong jian yu guang pu xin xi zhan ju zhao chong yao de zu cheng bu fen 。yao gan ying xiang xie dai de feng fu de de biao shui ti shu ju wei de biao shui ti bian qian de jian ce da xia le jian shi ji chu ,dan shi feng fu de shu ju liang bing bu neng zhi jie bei shi yong ,xu yao ren wei di qu you xiao xin xi jin hang gao xiao de fen xi liang hua 。ben wen jiang de biao shui ti bian qian zuo wei yan jiu mu biao ,mu de shi dui gei ding de tong yi de ou bu tong shi ke de yao gan ying xiang tong guo suan fa biao ding bian hua zhuang tai 。chuan tong de fen ge bian hua jian ce cai yong de wu de fen bu 、xing zhuang 、jie gou 、wen li 、se diao deng te zheng ,zai chu li chan yi chang jing shi biao xian jiao hao ,dan shi dang de wu xin xi fan za huo zhe ying xiang fen bian lv gao shi suan fa xing neng hui shou dao ying xiang ,ju chuan tong de yu zhi you ren wei shi yan jian ce she ding ,suan fa lu bang xing jiao di 。wei le jie jue ci wen ti ,ben wen yi chao xiang su zuo wei ji ben fen xi chan yuan ,shi yong ji qi xue xi suan fa gou jian duo ge fei xian xing bian huan zu ge de shen du xue xi mo xing dui chao xiang su nei zai de gao ji chou xiang te zheng jin hang jian mo ,yi di gao tu xiang fen ge de zhun que lv yu lu bang xing 。lun wen zhu yao nei rong ru xia :(1)huo qu duo ge tong yi de ou bu tong shi jian duan de yao gan ying xiang bing jin hang ji he jiao zheng ,ran hou cai yong mian xiang dui xiang de fang fa shi yong eCognitionruan jian biao zhu ying xiang huo qu ji zhun zhi (Ground truth)。(2)zhen dui chuan tong yu zhi fen ge fang fa mo fa you xiao de fen ge gao bei jing fu za du de yao gan ying xiang ,ben wen di chu le yi chong ji yu shen du juan ji shen jing wang lao de shui ti bian qian fen ge fang fa ,gai fang fa zai Unetwang lao gou jia de ji chu shang you hua bing gai jin wei D-Unet(Deep-Unet)yu DS-Unet(Deep Separable-Unet),ke yi cong yao gan ying xiang zhong jing que de di qu shui ti xin xi ,wei hou xu de de biao shui ti bian qian yan jiu yi ji shui yu mian ji ce suan da xia jian shi ji chu 。(3)zhen dui shen du juan ji shen jing wang lao jin hang cu fen ge cun zai bian jie bu ping hua he xiang su dian ding wei bu zhun que deng wen ti ,shi yong quan lian jie tiao jian sui ji chang dui cu fen ge jie guo jin hang xi hua chu li da dao geng jia jing xi zhun que de jie guo 。(4)zhen dui yao gan ying xiang de te dian di chu le de biao shui ti mian ji ce suan yu shui ti qian yi ke shi hua fang fa 。(5)ben wen zhen dui shu ju ji suo cai ji de ji zhun shu ju ce shi le fang fa de you xiao xing ,DS-Unethuo de le 88.74%de ping jun fen ge zhun que lv ,bing zai Intel Core i7(2.2 GHz)xia da dao 15schu li 1fu 6000*6000pxyao gan ying xiang de fen ge su du ;D-Unetke yi da dao 91.59%de ping jun fen ge zhun que lv yi ji zai Intel Core i7(2.2 GHz)xia 45schu li 1fu 6000*6000pxyao gan ying xiang de fen ge su du ;zai shi yong quan lian jie tiao jian sui ji chang you hua hou shi de fen ge jie guo geng jia xi zhi ,zai Intel Core i7(2.2 GHz)xia chu li de ping jun shi jian wei 166s,huan jing zao sheng de lu bang xing di gao ,fen ge bian yuan de guang hua du geng gao ,shi yi chong you xiao de shui ti di qu fang fa 。ben wen zui hou di chu ji yu xiang su de de biao shui ti mian ji ce suan yu de biao shui ti bian qian ke shi hua fang fa zai shi yan zhong bei zheng ming shi yi chong liang hao de ce suan fang fa ,qu de le liang hao de zhan shi xiao guo 。
论文参考文献
论文详细介绍
论文作者分别是来自重庆师范大学的许玥，发表于刊物重庆师范大学2019-07-15论文，是一篇关于深度学习论文,卷积神经网络论文,深度可分离卷积论文,全连接条件随机场论文,重庆师范大学2019-07-15论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自重庆师范大学2019-07-15论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：深度学习论文; 卷积神经网络论文; 深度可分离卷积论文; 全连接条件随机场论文; 重庆师范大学2019-07-15论文;