在無人機(jī)影像建筑物自動(dòng)提取過程中,傳統(tǒng)地物分類算法其精度已無法滿足生產(chǎn)過程中的分類要求。為此,文章提出以深度學(xué)習(xí)技術(shù)結(jié)合條件隨機(jī)場應(yīng)用于無人機(jī)影像建筑物的自動(dòng)提取方法。首先利用基于殘差模塊的卷積神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行特征提取,然后利用全卷積對圖像進(jìn)行反卷積,恢復(fù)圖像特征。基于初步分類結(jié)果,利用條件隨機(jī)場模型進(jìn)行邊緣細(xì)化。通過對實(shí)驗(yàn)結(jié)果進(jìn)行分析,驗(yàn)證了該算法應(yīng)用于無人機(jī)影像建筑物自動(dòng)提取的可行性。 

【文章來源】：地礦測繪. 2020,36(01)

【文章頁數(shù)】：4 頁

【部分圖文】：

殘差模塊

全卷積神經(jīng)網(wǎng)絡(luò)拋棄了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的全連接層，通過反卷積層，對特征提取階段提取到的特征圖進(jìn)行反卷積，還原圖像特征。通過反卷積操作，在對圖像像素點(diǎn)進(jìn)行分類的同時(shí)，保留了像素的原始位置。卷積過程，見圖3。1.3 全連接條件隨機(jī)場

為增加樣本數(shù)量，提高算法針對不同場景下地物類別分類的魯棒性，選取適當(dāng)方法對樣本進(jìn)行操作，以擴(kuò)充樣本數(shù)量。在數(shù)據(jù)擴(kuò)充過程中，對樣本進(jìn)行90°、180°、270°旋轉(zhuǎn)，并進(jìn)行水平鏡像。為了增強(qiáng)模型對不同天氣、不同光照環(huán)境下的適應(yīng)性，對樣本進(jìn)行g(shù)amma變換，gamma變換參數(shù)為[0.5,1.5]。樣本圖像，如圖4所示。2.2 模型訓(xùn)練

【參考文獻(xiàn)】：
期刊論文
[1]光譜和形狀特征相結(jié)合的高分辨率遙感圖像的建筑物提取方法[J]. 吳煒,駱劍承,沈占鋒,朱志文.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2012(07)
[2]利用高分辨率遙感影像獲取建筑物高度信息方法的分析[J]. 高翔,趙冬玲,張蔚.  測繪通報(bào). 2008(03)
[3]基于多尺度特征融合和支持向量機(jī)的高分辨率遙感影像分類[J]. 黃昕,張良培,李平湘.  遙感學(xué)報(bào). 2007(01)



本文編號(hào)：2974137