本文關鍵詞：基于高分辨率可見光遙感圖像的建筑物提取技術研究　出處：《中國科學技術大學》2017年碩士論文　論文類型：學位論文

  更多相關文章： 全自動建筑物提取 全卷積神經(jīng)網(wǎng)絡 多層級融合 迭代式結構點檢測 輪廓估計

【摘要】：基于大規(guī)模可見光遙感圖像的全自動建筑物提取技術已經(jīng)被研究了數(shù)十年了。該技術在遙感圖像分析領域扮演了重要的角色,它被廣泛應用于數(shù)字城市,軍事偵察,災害評估等。但是,真實城市場景中建筑物的尺寸范圍很寬、顏色紋理十分復雜、日照原因產(chǎn)生的陰影遮擋等難題為屋頂提取帶來了巨大地挑戰(zhàn)。在本文中,我們提出了一個完整的建筑物區(qū)域識別和輪廓估計系統(tǒng),相比之前的方法,本文的系統(tǒng)既顯著地提高了識別準確率,也降低了輪廓估計誤差。對于高分辨率遙感圖像,整個全自動識別和輪廓提取的過程耗時僅為數(shù)秒,成為了當前最快的建筑物提取系統(tǒng)。具體地,本文的貢獻可以歸納為如下兩個方面:(1)本文提出了一個端到端的多層級融合全卷積神經(jīng)網(wǎng)絡結構,我們稱為HF-FCN,該網(wǎng)絡結構能夠有效地將具有一組差序感知野的神經(jīng)元感知到的深層圖像特征融合起來。該網(wǎng)絡結構可以將任意大小的圖像不加裁剪或變形地作為網(wǎng)絡輸入,直接得到最終預測結果。這不僅方便了用戶的使用,而且明顯減少網(wǎng)絡處理時間。經(jīng)過本文對網(wǎng)絡結構的改進,我們的網(wǎng)絡參數(shù)被壓縮至50MB左右。本文還提出了三種HF-FCN的結構變體,并在公開數(shù)據(jù)集上進行了性能比較實驗,證明了這些神經(jīng)網(wǎng)絡結構的合理性。為了驗證本文所提網(wǎng)絡結構的性能,我們分別和國際上主流的語義分割方法,基于深度學習方法的建筑物識別方法在公開遙感圖像數(shù)據(jù)集上進行了比較,實驗結果證明了我們的方案在算法復雜度和識別準確率上具有明顯優(yōu)勢。(2)本文設計了一個高效快速的輪廓估計方案,該方案為場景中不同尺寸的建筑物定制了不同的后處理和輪廓估計方案。尤其對于尺寸較大的建筑物區(qū)域,本文提出了一種新型的迭代式結構點檢測算法,在保證高壓縮比的同時,有效地保持住了建筑物的結構特征。本文設計了一組實驗充分展示了該算法各環(huán)節(jié)的耗時情況和輪廓估計結果。為了證明該算法的保結構性,本文以總均方誤差和可視化結果為衡量標準,在一組測試集上和多邊形逼近算法做了詳細的性能比較。實驗證明本文的方法更適合處理建筑物輪廓估計任務。
[Abstract]:The extraction technology of automatic building large-scale optical remote sensing image has been studied for decades. Based on this technology in the field of remote sensing image analysis plays an important role, it is widely used in Digital City, military reconnaissance, disaster assessment and so on. However, the size range of building real scene in the city is very wide, color and texture the sunshine is very complex, causes the shadow occlusion problem has brought great challenges for the extraction of the roof. In this paper, we propose a complete building area recognition and contour estimation system, compared to the previous method, this system can significantly improve the recognition accuracy, but also reduces the estimation error for the contour. High resolution remote sensing image, the whole process of automatic recognition and contour extraction time is only a few seconds, become the fastest building extraction system. Specifically, this paper's contribution Can be divided into two aspects as follows: (1) this paper presents a complete end to fusion convolutional neural network structure of multi terminal, we called HF-FCN, the network structure can effectively will have a group of poor deep image feature perception in order to perceive wild neuron fusion to the network structure can be. The image of any size without cutting or deformation as the input of the network, directly to obtain the final prediction result. It is not only convenient for users, but also significantly reduce the network processing time. After the improvement of the network structure, network parameters we are compressed to about 50MB. This paper also puts forward the structure of three HF-FCN variants, and the performance comparison experiment on open dataset, prove the rationality of the structure of neural network. In order to verify the performance of the network structure, we respectively and semantic international mainstream The segmentation method, building recognition method based on deep learning method in the open remote sensing image data sets were compared. The experimental results show that our scheme has obvious advantages in the complexity of the algorithm and the recognition accuracy rate. (2) this paper designs an efficient contour estimation scheme, the scheme for different sizes the building scene customized postprocessing and different contour estimation scheme. Especially for building large size region, this paper presents a new iterative structure detection algorithm, in order to ensure the high compression ratio at the same time, effectively maintain the structural features of the building. This paper designs a set of experiments demonstrating the time and the outline of the link of the estimation results. In order to protect the structure of the algorithm is proved, based on the total mean square error and the visualization results as the standard, in a set of test set The performance comparison between the upper and the polygon approximation algorithms is made in detail. The experiments show that the proposed method is more suitable for the building profile estimation task.

【學位授予單位】：中國科學技術大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 廖瑛,李靜,夏海力;從土耳其、臺灣地震談建筑物的抗震問題[J];科技進步與對策;2000年04期

2 邵振峰,李德仁,程起敏;基于拓撲的建筑物三維數(shù)據(jù)模型[J];測繪信息與工程;2003年03期

3 伊曉東,王子茹;遙測法獲取建筑物立面圖[J];工程圖學學報;2004年03期

4 何宗;張澤烈;蔣陳純;;重慶市主城區(qū)建筑物數(shù)據(jù)庫建設初探[J];地理空間信息;2012年02期

5 吳飛;;樓宇智能系統(tǒng)的防雷、接地和抗干擾[J];江蘇航空;2004年01期

6 龐國莉;黃猛;段麗;;建筑物地震受力場景模擬的實現(xiàn)[J];福建電腦;2011年01期

7 張正;王宏琦;寧忠磊;孫皓;;高分辨率遙感圖像中城區(qū)建筑物自動測繪方法研究[J];國外電子測量技術;2010年06期

8 蔣華;龔德書;;基于近景攝影測量的建筑物結構動態(tài)位移監(jiān)測系統(tǒng)[J];南通大學學報(自然科學版);2010年04期

9 Ejaz Hussain;Serkan Ural;KyoHyouk Kim;Chiung-Shiuan Fu;Jie Shan;劉明眾;;基于2010年太子港震后GeoEye-1影像、激光雷達數(shù)據(jù)的建筑物提取和瓦礫制圖[J];地殼構造與地殼應力;2012年01期

10 何磊;李志琴;;基于RS和GIS的廣州市中心城區(qū)建筑物分類研究[J];環(huán)境;2009年S2期

相關會議論文 前8條

1 陳肇元;盧謙;;建筑物全壽命周期質量安全管理制度研究[A];工程科技論壇第70場房屋建筑物質量與安全管理制度的發(fā)展與創(chuàng)新大會報告文集[C];2008年

2 劉志宏;;預防火災作用下建筑物坍塌之淺析[A];第十屆中國科協(xié)年會論文集（一）[C];2008年

3 顧渭建;馮麗;;建筑物防止突發(fā)爆炸襲擊的對策[A];第十一屆全國結構工程學術會議論文集第Ⅱ卷[C];2002年

4 王國瀅;張宇;;建筑物共振效應檢測以及解決方法探討[A];中國水力發(fā)電工程學會地質及勘探專業(yè)委員會中國水利電力物探科技信息網(wǎng)2012年學術年會論文集[C];2012年

5 黃劍;高軒能;張健;王維;;泉州南安市中小學建筑物結構抗震性能調(diào)查分析[A];第九屆全國現(xiàn)代結構工程學術研討會論文集[C];2009年

6 趙國慶;郭智敏;;臨汾市雷暴統(tǒng)計與建筑物綜合防雷措施分析[A];S13 第十屆防雷減災論壇——雷電災害與風險評估[C];2012年

7 岳清瑞;曾銳;陳小兵;胡孔國;李榮;陳烈;王偉軍;;纖維網(wǎng)格在建筑物結構加固改造中的應用[A];第二屆全國土木工程用纖維增強復合材料（FRP）應用技術學術交流會論文集[C];2002年

8 姜瑜君;劉輝志;張伯寅;朱鳳榮;梁彬;桑建國;;建筑物表面風壓以及風場的數(shù)值模擬與風洞實驗研究[A];第四屆長三角科技論壇論文集（下冊）[C];2007年

相關重要報紙文章 前5條

1 記者 傅江平;深圳推進建筑物刷新改造法定化[N];中國質量報;2012年

2 記者 徐曉俊邋劉婷婷;二環(huán)內(nèi)建筑六成是住宅[N];昆明日報;2008年

3 宮島昌克;日本抗震鋼筋設計及應用經(jīng)驗[N];世界金屬導報;2010年

4 記者 王慧瓊　通訊員 崔嵩;全市建筑物清洗翻新將制度化常態(tài)化法定化[N];深圳特區(qū)報;2012年

5 洋縣吉華建司 鐘彭軍;建筑工程全過程安全管理[N];陜西科技報;2010年

相關博士學位論文 前4條

1 閆吉星;建筑物LiDAR點云三維重建的全局優(yōu)化方法[D];武漢大學;2015年

2 伊曉東;基于影像的建筑物形變數(shù)據(jù)采集與特征分析[D];大連理工大學;2012年

3 張馳;內(nèi)外一體化建筑物數(shù)據(jù)模型研究[D];南京師范大學;2014年

4 薛騰飛;基于SAR多特征變化檢測的震害建筑物提取研究[D];中國地震局工程力學研究所;2017年

相關碩士學位論文 前10條

1 呂航;城市隧道鄰近建筑物的安全評價[D];大連理工大學;2015年

2 崔曉玉;對已建建筑物結構改造技術的探究[D];安徽理工大學;2016年

3 童耀剛;特定建筑物結構的三維測量系統(tǒng)設計[D];南京理工大學;2016年

4 葉周靈;龍卷風荷載對建筑物的致災機理研究[D];哈爾濱工業(yè)大學;2016年

5 李亮;基于機載LiDAR數(shù)據(jù)的建筑物快速三維建模[D];電子科技大學;2016年

6 潘莉莉;融合LiDAR點云和CCD影像的建筑物輪廓提取方法研究[D];遼寧工程技術大學;2014年

7 李維權;高層建筑整體平移技術的研究[D];湖北工業(yè)大學;2016年

8 倪歡;面向對象的車載激光點云建筑物立面識別與三維重建[D];遼寧工程技術大學;2014年

9 谷陽;基于建筑物結構特征的人員自主定位技術研究[D];國防科學技術大學;2014年

10 田海亮;基坑開挖對鄰近建筑物的影響及其支護結構參數(shù)優(yōu)化研究[D];東北大學;2013年

，

本文編號：1372736