基于DeepLabV3+的遥感图像语义分割方法研究

作     者：苏志鹏 

作者单位：桂林理工大学 

学位级别：硕士

导师姓名：李景文

授予年度：2022年

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

主      题：遥感影像 语义分割 DeepLabV3+ 图像增强 深度学习 

摘      要：遥感图像是一种非常重要的地面信息载体,是城市规划、气候监测、精确农业、自然资源监测、灾害监测、可持续发展规划等不可或缺的重要信息。近年来,随着遥感对地观测技术的迅速地发展,遥感影像的数量和类型不断增加,遥感影像被广泛应用于土地规划、自然灾害监测、环境保护和军事安全等领域。在这些应用的场景中,往往需要通过计算机视觉技术对遥感影像进行解译,以提取出有效的空间结构信息和几何信息。语义分割作为像素级别的图像分类任务,可以自动提出遥感图像中的地表覆盖信息,由于遥感图像地物结构多样、图像背景复杂以及细节丰富等特点,导致传统的语义分割方法无法满足当前大尺度、海量遥感图像分类处理与提取的要求。随着深度学习迅速发展起来,遥感图像语义分割算法可以快速的、准确的提取图像中的语义特征信息。本文围绕遥感图像语义分割的问题,对图像分割关键技术进行了深入的探讨,提出了基于DeepLabV3+遥感图像语义分割的具体方法。本文的主要研究内容如下:（1）针对经典的语义分割方法并没有很好的考虑到遥感图像中某些小目标特征信息,提出了一种融合注意力机制模块和特征切分模块的DeepLabV3+网络,用于遥感影像语义分割。引入注意力机制模块,使模型更加关注图像的显著特征区域信息,忽略无关的背景信息;引入特征图切分模块将特征图进行均等切分,可以更好的捕获到遥感图像局部区域的目标特征信息。（2）针对遥感图像数据集尺度过大、类别分类不均匀的问题,研究了遥感语义分割训练样本的优化方法。结合遥感图像数据的特点,探究了遥感图像数据增广的方法,采用几何增强和像素变化增强对遥感图像进行扩充,并通过影像重叠策略,能够为遥感图像边界区域提供上下文信息,较好的保留了图像细节特征。通过几何变换、像素变换、影像重叠策略等方式分别对遥感图像数据进行优化,最终完成遥感图像语义分割数据集的制作。（3）采用CFF遥感图像数据集、GID高分辨率遥感图像数据集探究本文方法的有效性。实验结果证明,本文改进的模型与其它经典语义分割模型相比,其无论是从分类的精度还是从分割的效果都得到了显著的提升。最终本文模型的OA、MIou评价指标在CFF遥感数据集分别达到了90.13%、86.42%,在GID高分辨率卫星粗分类数据集OA、Kappa评价指标分别达到了71.55%、60.26%,证明了本文所改进的DeepLabV3+算法可以满足遥感图像语义分割的需求。