积分商城

最新搜索： Keil_MDK5 数字逻辑电路的 ASIC 设计 通信导航 MPU6050 cadence 方波转三角波
您现在的位置是：首页 > 技术资料 > 基于卷积神经网络的空心村高分影像建筑物检测方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于卷积神经网络的空心村高分影像建筑物检测方法

更新时间：2019-12-25 18:12:25 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：卷积神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

基于卷积神经网络(CNN)提出了一种适用于空心村高分影像的建筑物自动检测方法,该方法利用多尺度显著性检测来获取包含建筑物信息的显著性区域,然后通过滑动窗口获取显著性区域内目标样本块,再将这些样本块输入训练好的CNN并结合SVM来实现分类。为检验方法有效性,选取高分影像进行实验,结果表明,显著性检测能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,基于CNN对高分影像进行建筑物检测,分类准确度可以达到97.6%,表明该方法具有较好的鲁棒性和有效性。


部分文件列表

文件名 大小
基于卷积神经网络的空心村高分影像建筑物检测方法.pdf 2M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
2 0 1 7  
9
农 业 机 械 学 报  
48  
9
卷 第 期  
年
月
第
doi: 10． 6041 /j． issn． 1000-1298． 2017． 09． 020  
基于卷积神经网络的空心村高分影像建筑物检测方法  
1
1
2
3
4
5
李 政 李永树 吴 玺 刘 刚 鲁 恒 唐 敏  
( 1．  
，
西南交通大学地球科学与环境工程学院 成都  
611756; 2．  
，
四川省土地统征整理事物中心 成都  
610041;  
3． ， 610059; 4．  
成都理工大学地球科学学院 成都  
，
四川大学水利水电学院 成都  
610065;  
5．  
，
中铁二院工程集团有限公司 成都  
610031)  
:
( CNN)  
，
提出了一种适用于空心村高分影像的建筑物自动检测方法 该方法利用多尺度显  
摘要 基于卷积神经网络  
著性检测来获取包含建筑物信息的显著性区域 然后通过滑动窗口获取显著性区域内目标样本块 再将这些样本  
CNN SVM 。 ， ， ，  
来实现分类 为检验方法有效性 选取高分影像进行实验 结果表明 显著性  
，
，
块输入训练好的  
并结合  
， ， ;  
检测能够有效地获取主要目标 减弱其他无关目标的影响 降低数据冗余 卷积神经网络能够自动学习高层次的  
，
特征 基于  
CNN  
， 97. 6% ，  
对高分影像进行建筑物检测 分类准确度可以达到 表明该方法具有较好的鲁棒性和有  
。
效性  
关键词 空心村 建筑物检测 卷积神经网络 高分影像 多尺度显著性检测  
: P231. 5; TP75 : A : 1000-1298( 2017) 09-0160-06  
:
;
;
;
;
中图分类号  
文献标识码  
文章编号  
Hollow Village Building Detection Method Using High Resolution  
Remote Sensing Image Based on CNN  
1
1
2
3
4
5
LI Zheng LI Yongshu WU Xi LIU Gang LU Heng TANG Min  
( 1． Faculty of Geosciences and Environmental Engineering，Southwest Jiaotong University，Chengdu 611756，China  
2． Center of Land Acquisition and Consolidation in Sichuan Province，Chengdu 610041，China  
3． College of Earth Sciences，Chengdu University of Technology，Chengdu 610059，China  
4． College of Hydraulic and Hydroelectric Engineering，Sichuan University，Chengdu 610065，China  
5． China Railway Eryuan Engineering Group Co． ，Ltd． ，Chengdu 610031，China)  
Abstract: Accurately obtaining the building information in the hollow village areas is important for hollow  
village renovation and research． With the rapid development of remote sensing technology，remote sensing  
image resolution has been greatly improved and the ground targets can be obtained from high-resolution  
remote sensing image． But the traditional methods based on low-level hand-engineered features or mid-  
level features have great limitation in complex environment，especially in hollow village areas． So it needs  
to use high-level features to express． Convolution neural network ( CNN) has become one of the important  
methods of ground object recognition and detection． Based on CNN，a novel automatic building detection  
method was proposed． Firstly，a multi-scale saliency computation was employed to extract building areas  
and a sliding windows approach was applied to generate candidate regions． And then a CNN was applied  
to classify the regions． In order to verify the validity of this method，the high resolution remote sensing  
image of typical hollow village was selected to construct the building sample library． Finally，the model  
for building interpretation was experimentally studied based on the sample library． The results showed  
that multi-scale saliency can effectively get the main target，weaken the impact of other unrelated targets，  
and reduce data redundancy． The CNN can automatically learn the high level feature， and the  
classification accuracy ( ACC) of this method can reach 97. 6% ． So the proposed method can be used to  
detect building and it had high practical value to hollow village research and renovation．  
Key words: hollow village; building detection; convolution neural network; high resolution remote  
sensing image; multi-scale saliency test  
: 2017 01 10  
: 2017 02 23  
修回日期  
收稿日期  
: “ ” ( 2014BAL01B04)  
基金项目 十二五 国家科技支撑计划项目  
:
作者简介 李政  
( 1989—) ， ， ， ，E-mail: lizswjtu@ 163． com  
男 博士生 主要从事遥感影像处理和图像理解研究  
9
:
李政 等 基于卷积神经网络的空心村高分影像建筑物检测方法  
161  
第
期
。
高分影像建筑物自动检测方法  
引言  
1
理论方法  
、 ，  
随着我国工业化 城镇化的快速发展 农村人口  
［12 － 13］  
，
获取待  
本文基于多尺度显著性检测算法  
，
非农业化转移速度不断加快 农村常住人口逐渐减  
，
检测高分影像中的建筑物显著性区域 降低了数据  
， ，  
少 农村人地关系发生了巨大变化 其中最突出的问  
，
冗余并且减弱了其他无关目标的影响 然后利用滑  
“ ” “ ” ，  
题是出现了 人走房空 的 空心房 现象 并逐步由  
，
动窗口对获取的显著区域进行采样 采集待分类的  
、 ，  
个体出现 扩张 发展为村域成片废弃和整村闲置  
，
，
目标样本块 最后利用训练好的  
CNN  
SVM  
网络结合  
“ ” ，  
产生了农村聚落大规模的 空心化 景观 并由人口  
，
进行分类 从而检测得到研究区域内的建筑物  
。
整
、 、  
空心化逐渐转变为农村人口 土地 产业和基础设施  
1
体流程如图 所示  
。
，
空心化的农村地域空心化 不断发展的结果就是产  
［1］  
。
生了大量的空心村  
由于缺乏规划引导导致新  
、
建房屋分布凌乱 乡村建设用地脱离原有核心结构  
、
，
无序拓展逐渐空心化 空心村的存在造成土地资源  
、
浪费 低效利用以及村落人居环境品质退化等尖锐  
［2］  
。
， ， 、  
因此 面对广袤的农村地区 高效 准确地  
矛盾  
。
获取建筑物信息对空心村的研究具有重要意义  
、
遥感已经广泛应用于农村土地利用调查 测绘  
( ) 。  
以及地理国 省 情监测等领域 特别是无人机高  
，
分遥感具有较高的空间分辨率 可以获取高精度的  
，
数字高程模型以及高分辨率正射影像 给空心村内  
，
信息的智能识别提供了可能性 其应用于空心村建  
［3 － 4］  
。
筑物快速检测具有优势  
传统农村建筑物信息  
获取主要依靠外业大比例尺测图和人工目视解译两  
。
种方式 外业大比例尺测图易受到天气等环境因素  
， ;  
制约 费时费力 采取人工目视解译方法在遥感影像  
［5 － 6］  
，
上获取高精度房屋信息 效率低工作量大  
。
如
何从高分影像中自动检测建筑物是遥感应用的热点  
，
问题 研究有效的高分影像建筑物提取方法具有较  
。
高的实用价值 早期的建筑物自动提取研究应用的  
1
图
整体流程图  
， 、  
是低层次的特征 比如边缘 线段分割和角点检测  
。
Fig． 1 Flow chart of proposed method  
，
随着高分影像的分辨率越来越高 尽管现有分类方  
1. 1  
多尺度显著性检测  
，
法众多 然而如何在高分影像上进行建筑物自动检  
，
影像分类用于获取场景中有意义的目标 然而由  
。
测仍然是个难题  
。
于高分影像的复杂性很难获得理想的分类结果 显著  
非监督特征学习或者是手动设计的低层次特征  
，
性检测是在大量信息中选择感兴趣区域的过程 这些  
，
在复杂场景中具有一定的局限性 特别是对于地形  
，
感兴趣的区域通常包含了影像中的绝大部分信息 因  
， ，  
多变 建筑物被树木遮挡 建筑物本身光谱信息复杂  
。 ［12 －13］  
此能够很好地表达影像 本文结合文献 所提  
，
的空心村区域 基于像素或者是面向对象的方法在  
( MS)  
。
检测方法来采样 首先对影  
出的多尺度显著性  
。
空心村区域很难获得良好的效果 随着深度学习技  
， ，  
像进行显著性检测 构建建筑物选区 然后利用滑动窗  
， 、  
术的发展 深层卷积神经网络在图像分类 目标检  
s
。
口在选区内采集样本块 这里定义  
I ( p)  
MS  
是利用显著  
、
测 图像语义分割等领域取得了一系列突破性研究  
p 。  
性检测方法获取每个像素 的显著性 并定义了在  
s
［7 － 10］  
［11］  
。HINTON  
2006  
年提出深度学  
成果  
等
在
，
尺度下窗口 ω 的显著性 表达式为  
， ，  
习 该模型具有更强的表达能力 使卷积神经网络能  
s
MS( ， ) =  
ω θ  
MS  
，
够更深层次的表达检测目标的特征 进而能够在高  
s
s
{ p  
| I ( p)  
MS  
}
≥θ  
MS  
∈ω  
s
。
分影像上更准确高效地获取建筑物信息 针对传统  
I ( p)  
MS  
∑
|
|
ω
s
| I ( p)  
MS  
s
}
MS  
{ p  
∈ω  
≥θ  
，
低层次特征的不足 本文结合卷积神经网络强大的  
( 1)  
CNN  
特征学习与分类能力提出一种基于  
的空心村  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

  • 21ic下载 打赏310.00元   6小时前

    用户：w178191520

  • 21ic下载 打赏310.00元   6小时前

    用户：小猫做电路

  • 21ic下载 打赏310.00元   6小时前

    用户：zhengdai

  • 21ic下载 打赏220.00元   6小时前

    用户：gsy幸运

  • 21ic下载 打赏220.00元   6小时前

    用户：jh0355

  • 21ic下载 打赏210.00元   6小时前

    用户：jh03551

  • 21ic下载 打赏60.00元   6小时前

    用户：sun2152

  • 21ic下载 打赏60.00元   6小时前

    用户：xuzhen1

  • 21ic下载 打赏80.00元   6小时前

    用户：xzxbybd

  • 21ic下载 打赏60.00元   6小时前

    用户：铁蛋锅

  • 21ic下载 打赏60.00元   6小时前

    用户：liqiang9090

  • 21ic下载 打赏20.00元   6小时前

    用户：方中禾

  • 21ic下载 打赏20.00元   6小时前

    用户：w1966891335

  • 21ic下载 打赏30.00元   6小时前

    用户：玉落彼岸

  • 21ic下载 打赏15.00元   6小时前

    用户：kk1957135547

  • 21ic下载 打赏15.00元   6小时前

    用户：w993263495

  • 21ic下载 打赏15.00元   6小时前

    用户：x15580286248

  • 21ic下载 打赏20.00元   6小时前

    用户：WK520077778

  • 21ic下载 打赏25.00元   6小时前

    用户：hp860629

  • 21ic下载 打赏15.00元   6小时前

    用户：sbfd010

  • 21ic下载 打赏10.00元   6小时前

    用户：严光辉

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号