论文部分内容阅读
鉴于不透水面里面有着错综复杂的信息,另外在卫星拍摄过程中大气、云层也会对此有所影响,所以造成遥感影像中的不透水面的识别和提取过程有一定的错分。用传统的方法提取精度较高,但是在识别的过程中是依靠人工手动去判断,明显降低了工作效率。本文针对不透水面识别与提取时的低效率问题,提出了基于深度卷积神经网络的高分辨率遥感图像不透水面提取方法:以云南省昆明市高空间分辨率Google earth遥感影像为数据源(分辨率为2m),利用14700张切片数据作为训练数据和5041张切片作为验证数据,选取Deeplabv3模型、U-Net模型、CS-Net模型、PSPNet模型、SegNet模型等5种深度卷积神经网络算法对高分辨率遥感图像进行不透水面信息提取,并对5种卷积神经网络算法提取结果进行对比分析。根据分析结果,找出最优方法并进行参数调优,提升不透水面提取效果。研究结果表明:(1)通过Deeplabv3模型、U-Net模型、CS-Net模型、PSPNet模型、SegNet模型等5种基于深度卷积神经网络算法对不透水面提取结果的分析,得到结果表明:U-Net模型的精度最高,其总体精度达到了76.80%,Kappa系数为0.73,不透水面的F1值为0.43;Deeplabv3模型、CS-Net模型、PSPNet模型和SegNet模型的不透水面提取总体精度分别为71.44%,68.00%,71.00%,71.00%均低于U-Net模型。对比5种模型的Deeplabv3模型错分率最小,F1值最大为CS-Net模型。(2)基于U-Net模型改进,融合了ResNet101结构,并此基础上改进参数,根据不透水面提取的验证数据的参考指标来对比模型的性能,发现融合ResNet101模型后效果并不明显。但是在此基础上改进了参数之后,精度和F1值都提升了,可以对比U-Net神经网络模型经过参数改进之后的不透水面提取效果对比以及不透水面提取的总体精度两个指标,发现经过参数改进后的U-Net卷积神经网络不透水面提取效果有一定方面的增强。(3)使用监督分类算法和非监督分类算法对不透水面提取,与卷积神经网络模型U-Net对比提取不透水面后的总体精度和Kappa系数,可知卷积神经网络模型比传统BP神经网络的总体精度和Kappa系数高,但是与其它的监督分类和非监督分类算法相比较低,需要进一步改进模型。通过基于5种深度卷积神经网络算法对高分辨遥感图像不透水面信息提取的研究可为相关方面研究提供一定的参考。