论文部分内容阅读
地表上的人工地物是高分辨率遥感图像中的重要组成部分,在人工地物中,建筑物作为一个重要的桥梁,连接着遥感卫星和人类的日常生活。与此同时,在人口估计与城市规划、自然灾害的预警与评估以及土地的监测与利用等方面,建筑物的解译也起着关键性的作用。但由于高分遥感图像的场景复杂,其中的建筑物形状各异且受光照、阴影等因素影响较大,若使用传统建筑物检测方法进行提取非常耗费时间且无法挖掘目标建筑物的高维特征。Faster R-CNN算法使用共享卷积网络的手段来获取原图像的深层特征,随后结合区域建议网络来生成初步识别结果,因此本文将它作为建筑物提取的方法之一。但是Faster R-CNN本身在做目标检测时无法达到边缘轮廓提取的效果,所以本文引入基于主动轮廓模型的水平集方法,来提高建筑物的分割精度。本文首先提出了 Faster R-CNN和Level-Set结合的高分辨率遥感图像建筑物提取方法。Faster R-CNN算法虽然可以较为准确地判定目标建筑物的位置,但是无法精确地提取到建筑物的轮廓。传统的Level-Set算法广泛用于医学影像的处理,尤其是医学影像分割,鉴于它有着较高的分割精度,最终曲线可以收敛到目标的边缘轮廓,本文将这种算法应用到建筑物提取当中。但是其初始轮廓的确定需要手动选定,受人为因素干扰较大,在分割目标被遮挡、目标和背景灰度相似的情况下,分割效果不理想。针对上述问题,本文将深度学习技术融入到传统的水平集算法中,用模型识别来代替上述手动确定初始轮廓的过程,提出了一种Faster R-CNN和Level-Set结合的建筑物提取算法。随后,本文提出了一种改进的Level-Set算法。使用Level-Set算法最终提取遥感图像中的建筑物时,由于自然界中的光照、建筑物位置等客观原因,曲线在演化结束时经常停留在建筑物的阴影上而不是建筑物的边缘轮廓上,存在欠分割的情况,算法的精度还不够高。同时,传统Level-Set算法在计算迭代的过程中需要不停地重新初始化水平集函数,计算量很大。针对上述几个传统Level-Set算法在建筑物提取方面存在的问题,本文在传统能量函数中加入先验形状能量项来微调曲线的演化,同时还通过加入惩罚项来加快收敛速度。最后,本文还提出了一种基于“平均距离”的曲线自动收敛方法,使整个算法更加智能。实验结果显示,本文提出的“Faster R-CNN+改进Level-Set”的方法可以准确地识别遥感图像中的建筑物且鲁棒性强,既解决了使用卷积神经网络方法无法提取目标边缘轮廓的问题,也推动了基于主动轮廓模型算法在遥感图像识别方面的应用。