基于深度学习的卫星影像自动数字化技术.pdf
《基于深度学习的卫星影像自动数字化技术.pdf》由会员分享,可在线阅读,更多相关《基于深度学习的卫星影像自动数字化技术.pdf(5页珍藏版)》请在咨信网上搜索。
1、第4 6卷第6期2 0 2 3年1 1月现 代 测 绘M o d e r nS u r v e y i n ga n dM a p p i n gV o l.4 6,N o v.,2 0 2 3 项目来源:广东省自然科学基金项目(2 0 1 4 A 0 3 0 3 1 3 6 1 7)第一作者简介:梁碧仪,硕士在读,研究方向为遥感影像自动识别等。通讯作者简介:聂佩林,讲师,研究方向为虚拟现实技术、三维地理信息系统。基于深度学习的卫星影像自动数字化技术梁碧仪1,陈 颖2,黄梓煌2,聂佩林2(1.华南师范大学地理科学学院,广东 广州5 1 0 6 3 1;2.佛山科学技术学院环境与化学工程学院,广
2、东 佛山5 2 8 0 0 0)摘 要 传统的遥感数据数字化方法效率低、容易出错,已经越来越不适应快速增长的地理信息数据需求。为了解决上述问题,提出一种基于深度学习的卫星影像自动数字化技术。利用M a s kR-C NN算法技术对遥感图像的对象进行识别,对经过数据处理后的卫星影像进行训练,并提取其几何特征。能够对影像的重要对象特征进行识别,全部图像分类的结果准确率总体达到8 0%以上。其中识别率最高的是道路、水系、绿地,准确率可达到8 5%,可以作为卫星影像自动数字化工具。关键词 深度学习;卫星影像;数字化;M a s kR-C NN中图分类号:P 2 3 7 文献标志码:A 文章编号:1 6
3、 7 2-4 0 9 7(2 0 2 3)0 6-0 0 3 9-0 50 引 言随着遥感数据的空间分辨率、时间分辨率、光谱分辨率和辐射分辨率的提高以及数据类型的不断增加1,传统的遥感图像分类(非监督分类和监督分类)在复杂的地表环境下难以满足分类精度的需求,需要花费大量的时间与人力,已不适合当前的遥感识别需要。而基于智能算法的非参数分类器成了遥感影像分类与识别研究的热点,尤其是基于神经网络的深度学习。大量研究表明,深度学习与遥感影像技术结合在数据降维方面尤为突出,可高精度提取遥感影像的特征,改善遥感影像工作分类难、精度低的现状。当前主 流 的 图 像 自 动 识 别 算 法 采 用F a s
4、t e rR-C NN技术选取候选方框,并对候选方框的目标进行分类,从 而 达 到 目 标 的 检测 识 别2。但F a s t e rR-C NN只能实现分类和回归,分割还要另外处理。M a s kR-C NN是可以实现“分类、回归和分割”并行的目标检测方法。2 0 1 7年HEK M等人提出了基于区域的掩膜卷积网络(M a s kR-C NN)实例目标分割3。M a s kR-C NN是一个小巧、灵活的通用对象实例分割框架,其技术延伸了F a s tR-C NN技术,不仅可对图像中的目标进行检测,还可以对每一个目标给出一个高质量的分割结果。目前M a s kR-C NN技术在人脸检测、车辆
5、检测、行人检测等领域应用较为广泛,但在遥感图像识别领域的应用尚未成熟。本文主要简述了深度学习模型结构在遥感图像分类识别中的应用。1 研究内容本实验 基 于 深 度 卷 积 神 经 网 络,运 用M a s kR-C NN算法技术,对卫星影像进行自动识别。获取卫星影像数据后,把卫星影像分成水系、绿地、一般道路、高速公路、工业区、居住区、其他地区这7类进行标注,完成数据 预处 理;接着 通过M a s kR-C NN技术对卫星影像进行目标检测,同时把每个类别的目标像素分割出来,实现“分类、回归和分割”并行。数据处理后,导出图片,用7 0 0张经过标注的图片进行大量的训练学习,从而生成深度学习网络。
6、最后用3 0 0张没有经过标注的图片进行测试,以检测该训练网络的准确性。具体流程如图1所示。图1 流程图2 技术方法(1)地图下载器中获取卫星影像数据,用标注软件对卫星影像的地物进行7个类别的分类标注,完成数据预处理。(2)通过M a s kR-C NN技术,对卫星影像进行目标检测,同时把每个类别的目标像素分割出来,实现“分类、回归和分割”并行。具体来说,利用该技术中的RO I分类来进行类别预测;再分别对卫星影像中的每个类别设置二进制掩膜。分离掩膜的好处就是不需要在类别间进行竞争,用F C N对每个像素分类,以像素到像素的方式预测遥感图像4。M a s kR-C NN算法技术的基本构成如下:A
7、.F a s t e rR-C NN部分:输入预处理过的卫星影像 到 神 经 网 络 中,获 得 对 应 的 特 征 图F e a t u r eM a p,对特征图中的点设定R O I,将这些R O I输入到R P N网络进行分类,过滤筛选出一部分RO I。B.R O I A l i g n部分:对上一步处理完的R O I进行R O I A l i g n,基于双线性插值方法,利用F e a t u r eM a p上距离采样点最近的四个像素得到像素值。C.F C N部分:对每一个R O I进行F C N操作,生成M a s k掩膜5。M a s kR-C NN算 法 技 术 的 基 本 构
8、 成 如 图2所示。图2 M a s kR-C NN算法技术构成图 (3)完成数据处理后导出图片,对7 0 0张图片进行训练学习,进而生成人工智能训练网络,再对3 0 0张图片进行测试,以检验训练网络的准确性。3 实验设计3.1 实验环境本实验在具备W i n d o w s 1 0(6 4 b i t)操作系统、I n t e l(R)C o r e l(TM)i 7 C P U、G T X 1 6 6 0 T i G P U和1 6 G R AM的计算机进行,使用M i c r o s o f tV i s u a lS t u d i oC o d e搭建P y t h o n 3.7开
9、发环境,程序后端为T e n s o r f l o w,编码框架为K e r a s,I D E为P y c h a r m6。3.2 实验数据数据范围包括禅城区、南海区和顺德区。以禅城区地图为主,外加顺德区和南海区中毗邻禅城区的一部分区域。下载的地图数据为天地图,级别1 9级,采用WG S8 4坐标系,最大分辨率高达0.6m。地图数据由1 01 6 5个瓦片组成,导出时每张图片格式为33瓦片,即9个瓦片,故折算起来总共下载了11 5 2张地图。图片每3 6张分为一组,每组前3 5张分辨率为7 6 87 6 8,第3 6张分辨率为7 6 85 1 2。本次实验训练图片的数量为10 0 0张,
10、测试图片数量约为3 0 0张。3.3 实验过程3.3.1 数据预处理导入11 5 2张 卫 星 遥 感 影 像 到 标 注 软 件V i a-1.0.4中,对各地物的轮廓进行描绘并添加标注,这一步骤需要人工判断,且命名规范要一致。对描绘形成的区域分为7类:水系(R i v e rS y s t e m)、绿地(G r e e nS p a c e)、一般道路(O r d i n a r yR o a d)、高速公路(H i g h w a y)、工 业 区(I n d u s t r i a lZ o n e)、居 住 区(R e s i d e n c eZ o n e)、其他功能区(O t
11、 h e rR e g i o n s)。标注后将结果导出为J S ON格式,便于后续导入生成人工智能训练网络。标注过程如图3所示。图3 标注过程3.3.2 训练网络本实 验 采 用 的M a s k R-C NN技 术 是F a s t e rR-C NN技术的扩展形式,在有效检测图像目标的同时,能够输出高质量的实例分割掩码。在预处理过的卫星遥感影像中,选10 0 0张放到卷积神经网络(C NN)中,获得对应的特征图(F e a t u r eM a p)。基于先前的标注,卷积神经网络对10 0 0张地图提取感兴趣的区域(RO I)。在每个感兴趣区域(RO I)上添加用于预测分割编码的分支,
12、与用于分类和边界框回归的现有分支并行,使其训练更加简单且更容易推广到其他任务中。本技术采用交叉验证的方式。随着训练样本的增加,误差变低。将10 0 0张样本分为训练集和验证集。其中,训练集占7 0 0张。经过大量的训练、学习,最终生成人工智能训练网络,训练过程中如表1所示,总误差L=0.0 0 26+0.0 0 25+0.0 4 42+0.0 1 28+0.0 5 65=0.1 1 86,以此创建训练模型。用04现 代 测 绘 第4 6卷训练模型对3 0 0张图片进行检测,并创建检测模型(表2),检测结果的参数如表3所示。表1 训练误差损失函数数值R P N_C l a s s_L o s s
13、0.0 0 26R P N_B b o x_L o s s0.0 0 25M r c n n_C l a s s_L o s s0.0 4 42M r c n n_B b o x_L o s s0.0 1 28M r c n n_M a s k_L o s s0.0 5 65表2 创建验证模型参数名数值T r a i nR O I sP e r I m a g e1 2 8U s eM i n iM a s kT r u eU s eR P NR O I sT r u eV a l i d a t i o nS t e p s3 0 0W e i g h tD e c a y0.0 0 01表
14、3 检测结果I m a g es h a p e:(7 6 8,7 6 8,3)m i n0.0 0 00 0m a x2 5 5.0 0 00 0M o l d e dI m a g e ss h a p e:(1,10 2 4,10 2 4,3)m i n-1 1 8.7 0 00 0m a x1 5 1.1 0 00 0I m a g em e t a ss h a p e:(1,1 6)m i n0.0 0 00 0m a x10 2 4.0 0 00 03.3.3 基于E NV I的遥感图像分类采用传统监督分类方法中的“最大似然法”,在E NV I上对相同数据集中的5 0张图片进行遥
15、感图像分类。目前的遥感影像自动分类方法主要是利用地物(或对象)在遥感影像上反映出来的光谱特征来进行识别与分类7。最大似然分类方法对于光谱特性呈正态分布的遥感影像能提供较高的分类精度;而对于光谱特性呈非正态分布或偏离正态分布总体的遥感影像,实际分类效果并不理想8。总体上看,因为水域和绿地的光谱特性最接近正态分布,所以分类误差低,精度较高,分类效果较好,但也有小部分区域划分为其他类别的用地,类别之间没有完全区分开。而其他类别,如道路、工业区等分类精度低,主要原因是光谱特征非常相近,分类过程中容易出现噪点较多、相互错分等问题。3.3.4 网络测试与结果分析生成人工智能训练网络后,对未经训练的近3 0
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 卫星 影像 自动 数字化 技术
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。