推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于深度学习的高分辨率遥感影像建筑物提取方法

更新时间:2019-12-30 18:41:42 大小:2M 上传用户:songhuahua查看TA发布的资源 标签:深度学习建筑物信息提取自适应池化模型 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

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。


部分文件列表

文件名 大小
基于深度学习的高分辨率遥感影像建筑物提取方法.pdf 2M

部分页面预览

(完整内容请下载后查看)
48  
1
Vol.48No.1  
January2019  
2019  
1
Acta Geodaetica et Cartographica Sinica  
: , , .  
引文格式 陈洋 等 基于的高分遥感法  
J.  
201948( 1) : 34-41. DOI: 10.  
测绘学报  
11947/j.AGCS.2019.20170638.  
FAN RongshangCHEN YangXU Qihenget al. A high-resolution remote sensing image building extraction method based on deep  
learningJ. Acta Geodaetica et Cartographica Sinica201948( 1) : 34-41. DOI: 10.11947 /j.AGCS.2019.20170638.  
于深度学习的高分辨率遥感像建筑物提取方法  
12  
12  
3
1
, , ,  
徐启竞雪  
1.  
辽宁技术大学测绘与地理学学辽宁 新  
123000; 2.  
中国测绘学研究北京  
100830;  
3.  
测绘广东 东莞  
523129  
A high-resolution remote sensing image building extraction method based on  
deep learning  
12  
12  
3
1
FAN Rongshuang CHEN Yang XU Qiheng WANG Jingxue  
1. School of GeomaticsLiaoning Technical UniversityFuxin 123000China; 2. Chinese Academy of Surveying and Mapping,  
Beijing 100830China; 3. Dongguan Institute of Surveying and MappingDongguan 523129China  
Abstract: Traditional building extraction from very high resolution remote sensing optical imagery is limited by low  
precision and incomplete boundary. In this papera high-resolution remote sensing image building extraction  
method based on deep learning is proposed. FirstlyPrincipal Component Analysis is used to pre-train network  
structure in an unsupervised way and obtain the characteristics of remote sensing image. Secondlyan adaptive  
pooling model is proposed to reduce the feature information loss in the pooling process. The texture features are  
extracted by non-subsampled contour wave transformation and introduced to the network to improve the building  
extraction. Finallythe obtained image features are inputted into the softmax classifier for classification and building  
extraction results. A typical experiment areas selected. The comparison with typical building extraction methodthe  
experimental results shows that the proposed method can extract the buildings with higher accuracyespecially the  
clearer and more complete boundary.  
Key words: high resolution remote sensing image; deep Learning; building information extraction; adaptive  
pooling model  
Foundation support: The Nation Key Research and Development Program of China ( No. 2016YFC0803101) ; The  
National Natural Science Foundation of China ( No. 41101452)  
: ,  
针对传统的建筑物较低边界问题 本文出基于的高分率  
, ,  
遥感筑物采用成分变换非督预训练结构 获得待遥感特征  
, , ,  
减少化过程特征信息丢失 模型 通过下采样轮廓获  
,  
像纹特征 特征与建筑物取 最特征入  
softmax  
类器进  
,  
类 获得筑物区域进行筑物取试筑物进行比  
, , 、  
分析 果表本文度高 筑物边界整  
: ; ; ;  
关键词 高分率遥感像 深筑物信息模型  
: P237 : A : 1001-1595( 2019) 01-0034-08  
文献标识码 文章编号  
( 2016YFC0803101) ;  
中图分类号  
:
基金项目 国家重点划  
( 41101452)  
国家自然科学金  
Quick BirdZY-3  
。  
信息 几何构和明显 同  
着  
等高分遥感卫星  
高分遥感为重要的地理空  
大量在 使传统基  
1]  
信息主要的一  
遥感辨  
遥感技术满足信息  
2-3]  
遥感丰富的地细  
要  
基础地理信息的重  
1
, :  
等 基于的高分遥感法  
35  
×
, ,  
研究高精度和高取  
i
为  
g
g ,  
像块 示  
2
1
=
X
{ x x x } X  
均  
i2  
要  
为  
i
i1  
inm  
遥感信息处理与分析要研究  
i
珋 珋  
=
{ x x ,  
像  
X
X
为  
i
i1  
i2  
, ,  
许多提出许多方  
10]  
x
inm  
} 。  
所以训练数据的像块示  
4]  
5] ( support vector  
机  
×
g g  
M
nm  
珋 珋  
X { x x x }  
n
=
1 2  
R
( 1)  
1
2
machineSVM)  
用高分遥感信息  
用主成分变法最误差特  
6]  
提 出 形 学 建 物 指 数  
( morphology  
献  
11]  
量  
building indexMBI) 。  
是  
2
Τ
X VV X  
min  
×
H
g
R
1
g
基于的建致提筑  
V
2
1
( 2)  
}
Τ
=
s.tV V I  
和不整 提精度较问题  
H
矩阵  
; V  
Τ
的学通过像  
×
H H  
I  
H
; V  
XX  
中  
矩阵  
数据层特自动提献  
7]  
H
量  
像块的主  
( convolutional  
提出于大络  
neural networksCNNs)  
主成分变初始化卷经网波  
法 在  
W
器组  
为  
h
Image Net  
数据取得高的分精度  
=
=
W
m
( V )  
h 12H  
( 3)  
V W ; V  
将向矩阵  
h
g g  
1
h
2
精度问题 有者将神  
m ( V )  
g g h  
中  
h
h
1
2
经网用于建献  
89]  
h
的第 主要征  
经网用于建精度有着  
为采用主成分变工干局  
明显要大量边  
,  
的主要主成分变训  
问题  
是一简单自动器  
针对高分遥感信息取  
1.2  
像纹理特征提取  
问题 提出基于的高分率  
高分仅仅的  
遥感法 采 用 主 成 分 变 换  
, ,  
果不理所以  
( principal component analysisPCA)  
训练  
要利用高分高地类别  
初始化网通过轮廓换  
( non-  
的可分性 在高分往往结  
subsampled contour let transformNSCT)  
影  
与建筑  
像光征  
通过周围区域进述  
,  
主成分分析误差获  
×
L L  
窗  
针对取  
从而训练样  
×
L L  
, ,  
出  
量  
; ,  
器 为经  
12NSCT  
将  
用于取 得  
;
用线为减下  
传统法更明  
NSCT  
程中像特的缺提出自适应模  
用  
NSCT  
最后入  
softmax  
行  
其中  
NSCT  
主要两  
取  
( NSP)  
一  
个过程 一塔  
器组解  
NSCT  
1
方法与原理  
( ( NBDFB) 。  
用  
系数  
1.1  
主成分变换非监督预训练理  
构成的高分征  
经网络训练要大量立  
NSCT  
N,  
产生子  
设经过  
为  
k)  
要大量的时间督  
N N N ,  
像  
k
N ( 1  
m
1
2
主成分分析  
( principal  
m
d N  
产生子  
m
为  
m
component analysisPCA)  
初始构  
d
1
2
2
m
N N N  
像  
为  
( ij)  
处的为  
通过数据整个微  
m
m
m
13]  
N
M ,  
经网其大小  
d
2
1
N ( ij) N ( ij) N ( ij) …  
1
2
=
×
m n,  
为  
×
g ,  
训练的  
F
g
ij  
1
1
1
1
2

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载