基于DeepLabv3+语义分割模型的GF-2影像城市绿地提取

被引：27

作者：

刘文雅 ^{[1
,2
,3
]}

岳安志 ^{[2
,3
]}

季珏 ^{[4
]}

师卫华 ^{[4
]}

邓孺孺 ^{[1
,5
,6
]}

梁业恒 ^{[1
]}

熊龙海 ^{[1
]}

机构：

[1] 中山大学地理科学与规划学院

[2] 空天地海一体化大数据应用技术国家工程实验室

[3] 中国科学院空天信息创新研究院

[4] 中国住房和城乡建设部城乡规划管理中心

[5] 广东省城市化与地理环境空间模拟重点实验室

[6] 广东省水环境遥感监测工程技术研究中心

来源：

国土资源遥感 | 2020年 / 32卷 / 02期

基金：

国家重点研发计划;

关键词：

城市绿地; DeepLab; 深度学习; 语义分割; GF-2;

D O I：

暂无

中图分类号：

TP751 [图像处理方法]; TP18 [人工智能理论];

学科分类号：

081002 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

高效准确地提取城市绿地对国土规划建设意义重大,将深度学习语义分割算法应用于遥感图像分类是近年研究的新探索。提出一种基于Deep Labv3+深度学习语义分割网络的GF-2遥感影像城市绿地自动化提取架构,通过网络的多孔空间金字塔池化(atrous spatial pyramid pooling,ASPP)等模块,提取高层特征,并依托架构完成数据集创建,模型训练,城市绿地提取以及精度评估。研究表明,本文架构分类的总体精度达到91. 02%,F值为0. 86,优于最大似然法(maximum likelihood,ML)、支持向量机(support vector machine,SVM)和随机森林法(random forest,RF) 3种传统方法及另外4种语义分割网络(PspNet,SegNet,U-Net和DeepLabv2),可以准确提取城市绿地,排除农田像元干扰;此外,对另一地区的提取试验也证实了本架构具有一定的迁移能力。所提出的GF-2遥感影像城市绿地自动化提取架构,可实现更精确、效率更高的城市绿地提取,为城市规划管理提供参考。

引用

页码：120 / 129

页数：10

共 8 条

[1] 基于SegNet语义模型的高分辨率遥感影像农村建设用地提取 [J].

杨建宇 ;

周振旭 ;

杜贞容 ;

许全全 ;

尹航 ;

刘瑞 .

农业工程学报, 2019, 35 (05) :251-258

[2] 采用改进DeepLab网络的遥感图像分割 [J].

陈天华 ;

郑司群 ;

于峻川 .

测控技术, 2018, 37 (11) :34-39

[3] “高分二号”卫星遥感技术 [J].

潘腾 ;

关晖 ;

贺玮 .

航天返回与遥感, 2015, 36 (04) :16-24

[4] 基于最优尺度选择的高分辨率遥感影像丘陵农田提取 [J].

陈杰 ;

陈铁桥 ;

梅小明 ;

邵权斌 ;

邓敏 .

农业工程学报, 2014, 30 (05) :99-107

[5] 城市绿地遥感信息自动提取研究——以广州市为例 [J].

刘小平 ;

邓孺孺 ;

彭晓鹃 ;

不详 .

地域研究与开发 , 2005, (05) :110-113

[6]

基于GF-1卫星影像的城市绿地信息提取与景观格局研究[D]. 程灿然.兰州交通大学. 2017

[7]

Automatic classification of high resolution land cover using a new data weighting procedure: The combination of k -means clustering algorithm and central tendency measures (KMC–CTM)[J] . Süleyman Sava? Durduran.Applied Soft Computing . 2015

[8]

Skin lesion segmentation using atrous convolution via Deep Labv3 .2 Wang Y,Sun S,Yu J,et al. https://arxiv.org/abs/ 1807.08891 . 2018

← 1 →