基于深度神经网络的遥感图像道路提取算法研究

发布时间：2025-06-19 23:39

　　由于计算机视觉在无人驾驶、智能机器人、三维重建、智能监视和监控等领域的广泛应用,近年来它变得越来越重要。而图像语义分割作为计算机视觉的基础任务和核心构建模块,因此发展的相当迅速。在众多分割方法中,深度神经网络凭借自身的优势在图像分割领域独当一面。语义分割作为图像识别任务的重要组成部分,与图像分类和目标检测有不同的侧重点,它对空间位置和像素类别都有较高的要求。传统的语义分割方法常由人工进行操作,分割准确度依赖工作人员的经验,一方面是对资源的浪费,另一方面还容易忽略一些高维特征信息,从而造成较多失误。遥感图像是通过传感器接收来自地球表面的电磁波反射,再经过信息处理而生成的数字图像。道路作为遥感图像中重要的资源,可广泛应用于地图绘制、车辆导航、城市规划等领域。所以,将道路信息精准、高效的从遥感图像中分割提取出来意义深远。针对遥感图像中道路占比不均匀、道路狭长跨度大等特点,本文提出两种基于深度神经网络的方法来提高道路的分割精度和保障道路提取的完整性。(1)提出一种名为A-Unet34网络的编-解码型遥感图像道路提取算法。该算法采用串联空洞卷积连接网络的编码器和解码器,并用迁移学习的方法将预训练好...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 遥感图像道路提取传统方法
        1.2.2 基于深度学习的道路分割技术
    1.3 目前存在的主要问题
    1.4 论文研究内容
        1.4.1 论文的主要工作
        1.4.2 论文的主要创新点
    1.5 论文结构安排
2 相关技术及研究
    2.1 图像语义分割模型
        2.1.1 非深度学习模型
        2.1.2 深度神经网络语义分割模型
    2.2 深度卷积神经网络及其网络结构
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 激活函数
        2.2.4 全连接层
    2.3 迁移学习与神经网络优化
        2.3.1 图像语义分割网络的迁移学习
        2.3.2 神经网络优化算法
    2.4 通道注意力机制和空洞卷积
        2.4.1 通道注意力机制
        2.4.2 空洞卷积
    2.5 本章小结
3 基于A-Unet34网络的道路提取
    3.1 A-Unet34网络结构
    3.2 ELU激活函数
    3.3 混合损失函数
    3.4 实验结果及分析
        3.4.1 实验设置及预处理
        3.4.2 客观评价指标
        3.4.3 实验主客观对比
    3.5 本章小结
4 基于多尺度Deep-Unet网络的道路提取
    4.1 从Unet到 Deep-Unet
    4.2 MSDeep-Unet网络结构
    4.3 自适应损失函数
    4.4 实验结果及分析
        4.4.1 数据集介绍和预处理
        4.4.2 实验主客观对比
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：4051096