基于Deeplabv3模型的深度学习林地特征提取方法研究.pdf
《基于Deeplabv3模型的深度学习林地特征提取方法研究.pdf》由会员分享,可在线阅读,更多相关《基于Deeplabv3模型的深度学习林地特征提取方法研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、测绘第46 卷第2 期2 0 2 3年4月61基于 Deeplabv3模型的深度学习林地特征提取方法研究黄恒1任文力1陈豪勇赵元沛1雷宇宙1唐乾坤1(1.自然资源部第三航测遥感院,四川成都6 10 10 0;2.新疆展绘同创工程管理咨询有限公司,新疆乌鲁木齐8 30 0 0 0)摘要】在测绘工作中,如何快速准确获取林地信息一直是困扰大家的难题。传统的方法是通过作业员人工描绘,或者用监督分类方法,但都存在工作量大的问题。本文针对典型的高分辨率遥感影像,提出了基于Deeplabv3模型的深度学习林地特征提取方法:首先选取不同影像源的遥感影像并制作林地样本,然后采用Deeplabv3模型进行训练,通
2、过自测精度判断模型质量,再提取林地栅格,并在ArcGIS中依次进行栅格转面、补面中漏洞、筛选面、平滑面和简化面操作,得到林地矢量。实验表明,该方法的准确率8 8.36%,召回率94.30%,kappa系数89.25%,并且能够较好获取林地边界信息,结合少量人工修改可以应用于测绘生产中,具有广泛的应用价值。【关键词林地;Deeplabv3模型;深度学习;特征提取中图分类号 P237Research on Deep Learning Woodland Feature Extraction MethodHUANG Heng REN Wen-li CHEN Hao-yong ZHAO Yuan-pei
3、 LEI Yu-zhou TANG Qian-kun文献标识码 ABased on Model Deeplabv3文章编号】16 7 4-50 19(2 0 2 3)0 2-0 0 6 1-0 51引言林地自动提取是遥感影像信息获取的重要环节,在大比例尺地形图绘制、地理国情监测和督查审计等测绘生产项目中,具有重要的研究价值。由于传统方法都不能准确提取林地特征,所以在测绘生产中长期使用人工采集,存在成本高和效率低的问题 2 。随着人工智能飞速发展,基于深度学习的理论和实践给林地提取提供了思路。传统监督分类方法主要包括马氏距离法和最大最小距离法,能较好提取林地信息。2 0 14年,林海军4等采用马
4、氏距离法来区分影像原始光谱和变换光谱中林地光谱特征的差异,从而有效提取出林地,但存在大量噪声的影响;2 0 2 1年,冯小林 5等验证了传统监督分类方法中马氏距离法提取林地的优势,但该方法的泛化性较弱;马赞甫 等采用最大最小距离法通过结合DEA模型来提取林地,能较好地提取林地信息,但也存在大量噪声。深度学习技术主要采用深层神经网络,将给定样本中的目标特征由低层到高层进行获取,从而提取出更准确的目标信息 7 。Anagnostis8等采用深度学习提取遥感影像中的果园,能够较好地提取果园信息,但存在大量的错提和漏提现象;韩蕊 等结合VGG16和U-Net卷积神经网络,可以实现小样本量提取柑橘树冠信
5、息,但提取精度受影像季节性影响较大;Wuloi等基于U-Net模型,能够实现冬季时枝丫裸露的苹果树信息提取,并未推广至林地信息提取。由于林地具有复杂的纹理和光谱特性,在深度学习中的相关研究较少,本文针对典型的高分辨率遥感影像,提出了基于Deeplabv3模型的深度学习林地特征提取方法,实现林地自动提取。测试表明,该方法能够较好地提取出林地信息,结合少量人工修改,可以在测绘生产中有效提高生产效率。2研究区概况及数据研究区位于四川省邛崃市,地理位置处于成都平原西部,西接龙门山脉南段延伸山系,东部、东北部为平坝,南部为浅丘,西部为深丘地貌。由于该地区林业资源丰富,官方统计的森林覆盖率达48.8 8%
6、,所以对林地的准确提取具有重要价值。本文选取该区域典型的多源高分辨率多光谱遥感影像,主要包括高分一号、高分二号、高分六号、资源三号、高景一号和北京二号影像,多光谱由红、绿、蓝、近红外四个波段组成。影像季节主要集中在冬季和夏季,空间参考系采用CGCS2000坐标系。研究区如图1所示。623Deeplabv3模型原理深度学习进行语义分割是将样本中目标要素的纹理、形状和颜色等由像素级特征到结构性特征的表达,从而实现目标信息的准确提取。已有的深度学习图像分割模型包括VGGNetl12、Se g Ne t 13a 和DeepLabv3 L141等。DeepLabv3 模型是基于 DeepLabv1 15
7、 和 DeepLa-bv216模型,并扩展ASPP功能,通过四个不同大小的空洞卷积层和一个全局平均池化层,从而获取目标的深层特征。DeepLabv3模型主要包括四个模块:Init测绘第46 卷第2 期2 0 2 3年4月Block、St a g e l-4、A SPP和Final Block,其结构示意103*300东图如图2 所示。30300北3030:0北05.0010.0020:000103*300东图1研究区示意首先将输入影像(512 512 3)经过InitBlock模块,下采样得到林地的浅层特征。模块由三个33的卷积层和一个maxpooling层组成,其中卷积层和max pooli
8、ng层的stride=2,所以输出数据的尺寸下降4倍,通道为6 4。然后将数据(12 8 12 8 6 4)依次经过Stagel、Stage2、St a g e 3和Stage4 阶段,获取林地的深层特征。Stagel由三个残差单元组成,每个残差单元的stride=1,尺寸不变,通道变为2 56,输出为12 8 12 8X256;St a g e 2 由四个残差单元组成,其中第一个残差单元的33卷集核的stride=2,因此尺寸降2 倍,通道变为512,输出为6 4X64512;St a g e 3由2 3个残差单元组成,其中第一个残差单元的33卷集核的stride=2,因此尺寸降2 倍,通道
9、变为10 2 4,输出为32 32 10 2 4;Stage4由三个残差单元组成,每个残差单元的stride=1,r a te=2(感受野变化:33-55-77),因此尺寸不变,通道变为2 0 48,输出为 32 32 2 0 48。InitBlock5125123128128X64Stage1-432322048FinalASPPBlock32322565125122(分类结果)图2 Deeplabv3模型架构示意其次将数据(32 32 X2048)经过ASPP模块,进一步挖掘林地的深层特征。ASPP模块包括五个部分:一个11卷积层,输出为32 32 2 56;一个3X3的空洞卷积层,rat
10、e=12,输出为32 X32256;一个33的空洞卷积层,rate=24,输出为32 32 256;一个33的空洞卷积层,rate=36,输出为3232256;一个Avgpooling(全局平均池化层)和一个11卷积层,输出为32 32 2 56。最后将数据(32 X32X256)经过FinalBlock模块,上采样得到林地和背景。主要包含一个3X3卷积层做concat操作;一个11卷积层改变输出通道数 num_class;以及一个 unsampling,将 num_class张特征图使用bilinear方式上采样16 倍,得到512 5122的分类结果。4研究方法及分析4.1基于Deepla
11、bv3模型的深度学习林地特征提取方法在遥感影像中提取林地信息,主要分为林地样本制作、Deeplabv3林地模型训练和林地提取三个阶段。先选取典型区域的多源高分辨率遥感影像,制作林地样本,采用Deeplabv3模型进行模型训练并预测模型精度,将满足精度要求的林地模型用来提取林地栅格,并在ArcGIS中后处理得到林地矢量信息。该方法的技术路线如图3所示。针对不同影像源数据分别选取样本区域并进行林地矢量标记,主要采用人工勾绘的方式制作仅包含林地矢量和背景矢量的数据,然后将其转化为二值化数据作为样本标签。样本标签结合对应的影像就构成样本数据,通过裁剪的方式得到标准尺寸512 512像素的标准样本,如图
12、4所示。本文基于硬件Intel(R)Xe o n(R)Silv e r 42 162.1GHz 的 CPU 和 NVIDIA TITAN RTX 2080 Ti 24GB的GPU,软件python3.7、Pa d d l e Pa d d l e 2.1,自主开发深度学习系统实现本文方法的模型训练和林地提取功能。测绘第46 卷第2 期2 0 2 3年4月63林地样本制作Deeplabv3林地模型训练选取多源遥感影像林地矢量标记制作林地样本标签一裁剪标准林地样本林地提取提取林地栅格数据栅格转面训练Deeplabv3模型补面中漏洞模型精度预测筛选面否是是否满足要求平滑面立简化面图3基于Deepla
- 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 Deeplabv3 模型 深度 学习 林地 特征 提取 方法 研究
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。