基于语义分割的高分辨率遥感影像道路提取研究

作     者：闫雪娥 

作者单位：长安大学 

学位级别：硕士

导师姓名：郭元术

授予年度：2023年

学科分类：0810[工学-信息与通信工程] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 081002[工学-信号与信息处理] 

主      题：语义分割 道路提取 深度可分离卷积 DeepLabv3+ CBAM 

摘      要：随着卫星技术的发展,获取到的遥感卫星图像的清晰度也在相应提高,高分辨率遥感影像具备覆盖面积广、分辨率高、地物信息多样的优势。道路信息在城市规划、数字地图更新等领域都具有很重要的应用价值,对于复杂环境下道路提取会受到植物、阴影、建筑物的干扰,使得道路提取成为高分辨率遥感影像数据应用的难点之一,语义分割模型在图像分割领域应用较为广泛,将其应用于高分辨率遥感影像中具有重要的现实意义。本文针对现有方法中对于被遮挡或阻断的道路存在错误提取或漏提的现象以及模型复杂、计算量大的问题,对现有语义分割模型进行深入研究。并基于语义分割模型Deep Labv3+的原始网络模型进行改进:首先,使用轻量化网络Mobile Net V2替换掉原始模型中的Xception主干特征提取网络;其次,使用深度可分离卷积DSC替换掉ASPP模块中的普通标准卷积;再次,引入注意力机制CBAM模块;最后,为了解决遥感图像中道路提取类别不均衡的问题,对Dice Loss与二元交叉熵损失函数分配不同的权重,并将两者相叠加作为最终的损失函数。并使用精确率、召回率和F-score等指标对改进效果进行评价。将优化的Deep Labv3+模型在Massachusetts Roads数据集上进行实验,原始Deep Labv3+算法的精确率、召回率及F-score分别为84.05%、82.45%、83.70%,改进后的Deep Labv3+模型的精确率、召回率及F-score分别为85.46%、85.27%、86.42%,实验表明了本文方法的有效性。与其它语义分割模型进行对比,FCN-8s算法的精确率、召回率及F-score分别为80.30%、78.72%、79.66%,U-Net算法的精确率、召回率及F-score分别为82.26%、82.58%、81.13%,实验表明了本文方法与其它方法相比,兼顾提取速度和提取精度,更加适合遥感影像中的道路提取任务。