论文部分内容阅读
卫星遥感图像反映地物目标电磁辐射特性的空间分布状况,广泛应用于环境监测、城市建设等领域,兼具研究价值和经济效益。卫星遥感图像包含丰富的地物信息,处理过程复杂,如何实现遥感图像的智能解译一直是学术界和工业界面临的难题。图像分割是遥感图像处理的基础,是决定解译质量的关键因素。随着软硬件水平的提高,获取到的遥感图像愈加复杂,传统分割方法应用受到诸多限制。近年来,以深度学习为理论基础的图像分割方法研究发展迅速,应用深度学习解决遥感智能图像解译难题,具有重要的实践意义。本文旨在研究基于深度学习的高分辨遥感图像语义分割技术,从遥感图像获取、质量改善、语义分割网络设计、训练等阶段展开叙述,重点讨论与优化有关的内容。具体地,本文实验使用的数据源包括公开图像竞赛数据集和制作的哈尔滨市卫星遥感图像数据集。在质量改善阶段,对遥感图像作去噪、去雾和超分辨率处理。去噪阶段使用高斯滤波和均值滤波等空间域去噪方法;去雾阶段使用暗通道先验去雾方法;超分辨阶段使用本文提出的基于边界平衡生成对抗网络的方法。在语义分割网络设计和训练阶段,简述深度卷积神经网络的基本原理、基础构件,并具体介绍本文提出的基于U-Net改进的语义分割网络。本文以DeepLab v3在个人数据集上的并行训练为例,基于训练过程中出现的若干问题,讨论基于正则化、迁移学习和集成学习思想的优化策略。本课题研究使用改进U-Net,从头开始训练,在公开数据集“CCF卫星影像的AI分类与识别竞赛”上取得了 90%的测试准确率;使用DeepLab v3,加载预训练模型ResNet-50权重,微调训练,在制作的哈尔滨市卫星遥感图像数据集上取得了 93%的测试准确率。实验结果表明,本文提出方法在拥有较高分割准确率的同时还具有良好的泛化能力,能够用于实际工程。