论文部分内容阅读
道路是城市以及地区发展的重要影响因素,对城市的建设以及乡村的振兴起到了关键的作用。但是,传统的道路检测方式主要是通过专业的测绘人员进行野外测绘完成,这种人工的道路检测方式都涉及大量的人力、物力、财力,并且效率低下,道路信息更新较慢。与此同时,随着国内外遥感技术的快速发展,高空间分辨率遥感影像也被广泛地应用于道路信息的提取。然而高空间分辨率遥感影像通常具有复杂的地物信息,从中准确且完整地提取出道路网信息具有一定的艰巨性。高空间分辨率遥感影像道路信息提取的研究由来已久,但是这些方法仅考虑到道路的像素或者局部信息,缺乏对遥感影像中多层级多尺度的语义信息的分析,因此提取出的道路网信息不完整且破碎。针对以上问题,本文分别提出了利用U-Net模型和(Richer Convolution Feature)RCF模型对高空间分辨率遥感影像上的道路信息进行提取,以实现更加连续且精确的道路网提取。对高空间分辨率遥感影像的处理和数据增强,生成符合网络训练和测试的高空间分辨率遥感影像道路样本集。本文所利用的U-Net模型和RCF模型具有以下几个方面的优势:(1)U-Net模型是一个编码-解码的结构,下采样的过程是一个编码器的编码过程,通过卷积层提取影像特征。上采样的过程是一个解码器的解码过程,将影像的位置信息进行还原。同时U-Net模型的隐藏层具有较多的特征维数,有利于模型学习到更加多样和全面的特征信息。(2)RCF模型充分利用了每个卷积层学习到道路信息,并对其进行完整的侧边输出,将侧边输出的特征信息进行融合。侧边输出网络结构实现了多尺度和多级别道路语义特征的提取和融合,以充分利用从低层到高层的信息。(3)RCF模型能在网络学习过程中受到人工标注道路样本影像的深层监督。利用人工标注影像对每一阶段卷积层学习到的道路特征进行反馈和调参,以学习到最理想的道路特征参数,提高道路信息的提取精度。与基于像素卷积神经网络和超像素卷积神经网络进行对比分析,定性的结果证明了本文所提出的道路提取模型具有更好的道路提取效果。同时在定量分析方面,U-Net模型和RCF模型的F1-score指标分别表现出88.9%、91.5%的高分。