论文部分内容阅读
随着遥感技术的快速发展,高分辨率遥感图像获取越来越容易,应用越来越广泛,目前已广泛应用于城市规划,环境保护,灾害评估和预测,交通导航,军事安全等领域。在这些应用场景中,一般需要利用计算机视觉技术对高分辨率遥感图像进行解析,以提取有效的几何信息和结构信息。语义分割作为一种重要的图像内容解析方法,一直是遥感图像处理领域的一个重要研究方向。由于高分辨率遥感图像背景复杂,地物结构多样,细节丰富等特点,将传统的语义分割算法应用于遥感图像的处理时往往存在分割精度低的问题。近年来随着深度学习,特别是深度卷积神经网络在自然图像处理领域中的巨大成功,也促使其拓展到遥感图像的解析和处理上,推动了包括语义分割在内的高分辨率遥感图像相关任务的发展。本文主要围绕当前基于深度卷积神经网络的图像语义分割算法在高分辨率遥感图像中的应用进行深入研究,主要研究内容如下:(1)由于深度卷积神经网络固有的特点,其在应用于高分辨率遥感图像的语义分割时,一般存在对地物语义边界分割不准确,地物内部子区域标签预测不一致的问题。针对该问题,本文提出了一种将深度卷积神经网络和超像素分割相结合的算法结构,用于深度语义分割网络模型分割结果的后处理。首先应用深度语义分割网络模型对输入的高分辨率遥感图像的每个像素点进行标签预测,同时采用quick shift超像素分割算法将输入图像分割为不同的超像素子区域,然后将二者的分割结果同时输入本文提出的区域投票算法中进行输出结果的融合,以进一步提高分割结果的精度。实验结果表明,本文提出的后处理方法能够有效提升深度语义分割网络模型分割结果的精度,特别是对地物边界分割的准确性以及地物内部子区域预测的一致性。(2)提出了一种轻量级的基于边界监督的双路径语义分割网络模型,以解决高分辨率遥感图像中存在的类内相异性和类间相似性的问题,同时提高了单张高分辨率遥感图像语义分割的精度和速度。通过将多级多感受野的上下文特征与全局池化层提取的特征进行融合以解决类内相异性的问题。将边界预测子网络预测的语义边界作为辅助损失来对网络的训练过程进行深度监督,以解决类间相似性问题。通过对轻量级的用于图像分类的MobileNetV2进行改进应用于高分辨率遥感图像的语义分割,以提高模型的推理速度。通过实验验证了本文提出的该轻量级语义分割网络模型具有较高的分割精度,同时具有相对平衡的推理速度。(3)针对由于高分辨率遥感图像背景复杂、目标密集,对其进行语义标注的成本非常高的问题,提出了一种基于残差结构的半监督语义分割网络模型来减轻深度卷积神经网络对大规模有标注数据集的依赖性。首先通过少量有标注的强标签样本预训练一个语义分割网络模型,然后通过该网络模型预测大量的弱标签样本,最后将强弱标签混合训练一个新的语义分割网络模型。与一般的采用同一个语义分割网络模型进行强弱标签混合训练的方法不同,本文设计了一种新型的基于半监督学习的残差分支结构的语义分割网络模型。该网络模型能够进一步挖掘弱标签样本中潜藏的正确的语义信息,学习到更多的有效语义特征,因而能够取得更高的分割精度。在ISPRS二维语义分割数据集和WHU建筑物语义分割数据集上的实验结果验证了本文提出的基于残差结构的半监督语义分割网络模型的有效性。(4)对本文提出的基于边界监督的双路径轻量级语义分割网络模型在嵌入式GPU计算单元上进行了实现,验证了其在嵌入式平台上的性能。同时建立了一个包含飞机,舰船,汽车三个类别的遥感图像目标语义分割数据集,进一步对本文相关算法进行了应用验证,实验结果表明本文相关算法在遥感图像目标语义分割数据集上具有良好的分割性能。