基于D-CNN和高分辨率遥感图像的道路提取方法研究

　　【摘要】 传统基于高分辨率遥感图像的道路提取方法计算复杂度高，难以实现自动化，基于深度学习的方法可以显著提高提取的精度和效率。本文选取CVPR 2018 Deep Globe数据集作为训练数据集，基于Tensorflow框架的Adam优化算法，采用ResNet模型对孟加拉国沿海区域进行了道路识别和提取。经与人工目视解译数据集验证，得到道路提取总体精度为97.85%，验证了方法的有效性。

 

　　【关键词】 深度卷积神经网络;道路提取 ResNet 网络结构 Adam优化算法

　　引言：

　　随着计算机技术的快速发展，在一些复杂的大样本背景下，神经网络显示出其独特的优势。如何利用卷积神经网络来解决遥感图像目标识别和地物提取等领域的热点问题，引起了广泛关注。

　　魏清等人[1]提出了一种结合神经网络模型和数学形态学算法的高分辨率遥感影像道路自动提取方法，能够有效地自动识别道路区域。郭正胜等人[2]提出一种基于U型卷积网络的ZY-3道路提取方法，使用形态学开运算完成孔洞的去除等工作使提取结果在不同实验区域中平均准确度达到了95%以上。戴激光等人[3]提出一种基于多尺度卷积神经网络的高分辨率遥感图像道路提取方法，与传统的卷积神经网络和U-Net网络相比，该方法在准确度和精确度上均具有较大优势。Fran?ois Waldner等[4]提出了一种数据驱动、鲁棒性强、通用性强的卫星图像场边界提取方法，使用具有完全连接的U-Net骨干的深度卷积神经网络，能够从图像中学习复杂的层次上下文特征以准确地检测场边界和丢弃不相关的边界，优于传统的边缘滤波器。宋延强等人[5]提出一种在 SegNet 架构的基础上改进的网络模型 AA-SegNet，增加了增强的空间金字塔池化模块和空间注意力融合模块，能够更好的学习小目标特征，总体识别准确率达 96.61%。Faster R-CNN 利用RPN 网络提取待选区域，并将 RPN 和 Faster R-CNN 结合成一个网络共享卷积特征，实现真正意义上的端到端训练，RPN是一个全卷积网络，通过在特征图上做窗口滑动，将锚点框(anchor) 映射到原始图像，并获得不同大小和比例的候选区域[6]。为弥补Faster R-CNN 对被遮挡目标和弱小目标不敏感的缺陷，张庆辉等人[7]构建了一个快速、精确道路目标检测算法(FAROD)，获得了更快的检测速度和更高的鲁棒性。

　　综上，基于深度卷积神经网络的高分辨率遥感图像的道路提取虽取得较好的发展，但仍需进行深入研究。本文将ResNet模型与Adam优化算法相结合，可提高道路检测的鲁棒性，优化道路提取网络模型的性能。

　　一、研究方法

　　本文以高分辨率遥感图像作为研究對象，将卫星图像的每个像素标记为道路或非道路，既将像素通过二值语义分割的方式来标记为道路。本文将基于深度卷积神经网络(DCNN)结构中的ResNet网络模型提取高分辨率遥感图像深度特征。选择道路为提取目标，以 ResNet 模型为基础，采用一种针对高分辨率卫星图像道路提取的网络模型算法Adam优化算法，该方法将提高模型的学习效率。同时避免丢失更多的细节特征，为提高道路提取的准确性提供参考。

　　1.1 Adam优化学习算法

　　Adam 算法和传统的随机梯度下降不同。随机梯度下降保持单一的学习率更新所有的权重，学习率在训练过程中并不会改变。均方根传播(RMSProp)优化算法将微分平方加权平均算法引入其中，在参数空间的更平缓的方向上，将会取得更大的进步(因为该平缓，历史梯度的平方和更小，并且相应的学习下降幅度更小)，并且能够使得陡峭的方向变得平缓，即收敛能在水平方向上采取更大的步长，从而加快训练速度。Adam既能像Momentum系列算法那样优化更新方向，也能像AdaGrad系列算法那样调整学习效率。其公式如下：

　　其中， 为梯度; 、为累计梯度， 为学习率，参数 、∈ [0， 1) 控制了这些移动均值(moving average)指数衰减率。Adam 优化算法是将动量法和 RMSprop优化算法结合起来使用的一种算法，它能够同时使用梯度和梯度平方的指数加权平均。该方法能够通过快速收敛网络得到最优解，具有较好的稳定性。

　　Adam算法的精度和收敛速度在上述算法中相对较好，故采用Adam 优化算法进行实验，将参数设定为：学习率为0.001、beta1=0.9和beta2=0.999 。其中beta1为一阶矩估计的指数衰减率，beta2为二阶矩估计的指数衰减率。

　　1.2 ResNet网络模型

　　传统的卷积神经网络在一定程度上会随着深度的增加而提高识别、提取精度，但是达到一定的深度时，梯度消失问题将越来越严重，容易出现过度拟合问题，就是所谓的“退化”问题，使得模型效果变差。针对这一问题，本文采用深度残差网络(Deep Residual Network)。该网络模型通过利用残差学习单元，可以达到比传统神经网络更深的深度，具有很好的网络特征提取效果。

　　1.3 数据集的选取

　　本文选定Deep Globe的数据作为实验数据集，其图像分辨率为1024×1024，它包含训练数据集、测试数据集两部分，其中训练数据集包含6226幅图像，测试数据集包含201幅图像，图片来自泰国、印度、印尼等多个国家。图像场景包括城市、村庄、郊区、海滩、热带雨林等场景。训练数据集样本量大，包含沙漠、城市、农田、村庄等多种地物信息，使得训练后的网络模型具有较强的鲁棒性和预测性，且与孟加拉国局部区域具有相似性。

　　二、实验结果与分析

　　在进行神经网络提取时，需要采用一些指标来衡量训练的网络模型，常用的评价形式有混淆矩阵，准确率等。混淆矩阵主要用于将分类结果与实际测量值进行比较。分类结果的准确性可以在混淆矩阵中显示。准确率(Accuracy)：预测正确的所有样本占所有测试样本的比例。

期刊VIP网，您身边的高端学术顾问

文章名称： 基于D-CNN和高分辨率遥感图像的道路提取方法研究

文章地址： http://www.qikanvip.com/tongxin/60300.html