论文部分内容阅读
随着航空航天遥感技术的飞速发展,光学遥感影像的空间分辨率越来越高,甚至已经达到亚米级别,这意味着从高分辨率遥感影像中可以清晰地看见地物的细节。但是详细的细节信息对地物提取既有利也有弊,一方面详细的地物细节信息可以增强地物的区别性,有利于辨认不同地物特征,提高地物提取的准确度;另一方面复杂的地物信息使得影响地物提取的信息增多,会干扰到地物的提取,尤其是比较特殊的道路信息提取。不同于其他地物,道路地物特征复杂,类型繁多,具有各种可能的地物背景,同时又会有阴影,树木等的遮挡。这些都使得传统的利用单一特征的道路提取方法无法适应于具有复杂细节特征的高分辨率遥感影像的道路提取。近些年来,人工智能技术飞速发展,而人工智能背后的核心技术——深度学习,以其强大的特征提取能力已经被广泛应用于各行各业。近两年深度学习技术也被应用于高分辨率遥感影像的道路提取中来,并且取得了不错的效果。随着深度学习技术的不断发展,遥感影像道路提取技术也将得到突破性进展。本文利用深度学习技术对高分辨率遥感影像的道路提取进行了深入研究,将先进的全卷积网络模型应用于道路提取,经过改进,提出了一种新的道路提取深度学习模型。本文的研究工作及创新点如下:1、概述了高分辨率遥感影像道路提取的方法及其国内外研究现状,并分析了深度学习全卷积网络的基本结构及其理论知识,还制作了长株潭城市群部分地区GF-2训练样本数据集,收集了DeepGlobe道路提取数据集,为模型的改进及应用提供了理论基础和数据基础。2、通过分析高分辨率遥感影像中道路的复杂特点,针对性地提出了结合ASPP(Atrous Spatial Pyramid Pooling)结构的全卷积网络道路提取改进模型DC-Net。3、通过分析研究训练数据集的数量、数据增强、全卷积网络结构与道路提取效果的相关性,以及道路提取模型训练加速方法,为长株潭城市群道路提取模型训练数据的选择、模型的训练以及模型结构的验证提供指导与支持。4、提出了一套基于改进全卷积网络模型的长株潭城市群高分辨率遥感影像道路提取方法。通过与几种典型全卷积网络模型在道路提取效果上的对比,本文所提方法无论是在道路提取的精度,道路提取的连结性还是在地物遮挡时的提取效果等方面都达到了较优水平。