论文部分内容阅读
基于深度学习理论,采用TensorFlow和Keras框架,在下载的原始卫星地图上使用LabelMe软件对目标物体山和水域进行标注,将标注好的原始卫星地图切分成小尺寸图片并进行图像增强后,使用U-Net算法构建神经网络模型进行图像分割来提取目标物体的轮廓。在得到目标物体的轮廓后,经过经纬度计算转换获取目标物体的闭合电子边框,与无线网络中的MDT栅格化数据及地(市)、面场景、点场景电子边框相结合应用于网络评估。该方法可剔除无需网络覆盖区域的山体水域部分对指标的影响,有效提升各类场景网络覆盖评估的准确性