融合级联CRFs和U-Net深度学习模型的遥感影像建筑物自动提取

针对深度学习模型进行建筑物提取时存在的建筑物边缘模糊问题,将级联CRFs(全连接条件随机场)引入到U-Net深度模型中,提出了一种改进的U-Net模型(U-Net+级联CRFs),以用于遥感影像建筑物自动提取:构建级联CRFs并将其引入到U-Net模型的解码层中,从多层结构中学习边界信息,增强模型对建筑物边界的分割能力...     

多尺度空洞卷积金字塔网络建筑物提取

为改善现有深度学习方法获取图像特征尺度单一、提取精度较低等问题,提出多尺度空洞卷积金字塔网络建筑物提取方法。多尺度空洞卷积金字塔网络以U-Net为基础模型,编码-解码阶段采用空洞卷积替换普通卷积扩大感受野,使得每个卷积层输出包含比普通卷积更大范围的特征信息,以利于获取遥感影像中建筑物特征的全局信息,金字塔池化模块结合U-Net跳跃连接结构整合多尺度的特征,以获取高分辨率全局整体信息及低分辨率局部细节信息。在WHU数据集上进行提取实验,交并比达到了91.876%,相比其他语义分割网络交并比提升4.547%～10.826%,在Inria数据集上进行泛化实验,泛化精度高于其他网络。结果表明所提出的空洞卷积金字塔网络提取精度高,泛化能力强,且在不同尺度建筑物提取上具有良好的适应性。     

基于改进U-Net模型的高分辨率遥感影像中城市建筑物的提取

针对高分辨率遥感影像中城市建筑物周围环境复杂多样,易被阴影遮挡,难以精细化提取的问题,提出一种改进的U-Net网络用于图像中的城市建筑物提取.该网络在标准U-Net网络的编码器末端嵌入双重注意力模块,可以通过捕获全局建筑物信息和长通道建筑物信息,实现建筑物特征的增强.在交叉熵损失函数的基础上加入Lovász损失函数,构成的复合损失函数增强了对建筑物提取结果的约束能力,进一步提高了模型的鲁棒性.将该模型在美国马萨诸塞州数据集上进行验证,提取建筑物的F1-score为87.83%.结果表明,本方法对高分辨率遥感影像中周围环境复杂多样、被阴影遮挡的城市建筑物具有较强的提取能力.     

基于稀疏约束SegNet的高分辨率遥感影像建筑物提取

针对传统机器学习方法提取建筑物,耗时长和精度低的问题。文中选用深度学习中的SegNet语义分割模型进行算法改进,提出了一种基于稀疏约束SegNet的高分辨率遥感影像建筑物提取算法。首先对SegNet模型加入正则项和Dropout,大大降低了模型过拟合现象的发生;其次为了模型能够提取更丰富的语义特征,算法引入金字塔池化模块;最后对SPNet模型引入Lorentz函数稀疏约束因子,构造新的语义分割模型LSPNet.为了验证提出算法的可靠性和适用性,使用优化LSPNet模型对高分辨率数据集中的建筑物识别和提取。实验结果表明,该方法与传统机器学习方法相比较,有着快速收敛、精度高的优势,并且具有很好的应用前景。     

边缘检测与面向对象结合的高分影像建筑物提取

随着遥感影像分辨率的不断提升,影像中地物目标的细节变得更加清晰。由于早期影像分辨率较低,图像模糊,影像处理主要参考光谱信息,忽略了空间信息,提取精度一般。为了提高高分影像中建筑物的提取精度,充分利用光谱、空间、纹理3类信息,研究了基于面向对象的高分影像建筑物提取,并将基于改进Canny算子的多尺度分割与多规则相结合提取建筑物,最后用样本区验证精度。研究结果表明,该方法对高分影像建筑物的提取效果较好。与常规面向对象相比,方法对建筑物提取精度明显提升,且能更加充分的利用影像的空间信息与纹理信息。     

基于BAU-Net的高分辨率遥感图像中建筑物的分割提取

高分辨率遥感图像中建筑物的分割提取是现代数字化城市建设、经济预测、国土资源勘探以及国防安全等领域中重要的技术手段。本文基于U-Net网络提出了一种双U型Encoder-Decoder架构的边缘意识U型深度神经网络—BAU-Net。该网络模型首先利用粗特征提取网络对建筑物进行初次识别提取,再通过残差结构的细特征提取网络修正边缘轮廓。通过可行性实验以及与经典特征提取网络对比,本文所采用的模型算法可以在一定程度上克服道路、车辆、树木遮挡以及建筑物阴影干扰,准确有效地识别建筑物主体,精确完整地分割建筑物边缘轮廓。在测试集上准确率达到90.48%、召回率达到91.30%、F值达到90.58%、平均绝对误差达到0.0325,均优于经典分割算法。     

基于语义分割的遥感影像建筑物自动提取方法

当前地理信息动态更新中遥感影像建筑物提取仍需通过人机交互实现,生产效率较低,针对该问题提出了一种基于语义分割的端对端的遥感影像建筑物提取方法.该方法将提取任务分解为编码和解码两个过程,其中编码过程负责从输入的高分辨率遥感影像中提取建筑物的抽象特征,而解码过程则基于提取到的地物特征建立特征与提取结果的映射关系,从而获得像素级的高精度提取结果.采用高分辨率航拍影像和Worldview卫星影像进行试验,与传统的建筑物提取方法进行对比.结果表明,所提方法的精确度、召回率、F1得分和交并比相对于传统提取方法均有明显提高,能够有效解决地理信息数据生产中建筑物提取的问题.     

基于震后高分辨率卫星遥感影像的建筑物瓦砾快速提取方法

利用震后高分辨率卫星遥感影像提取建筑物损毁空间分布和破坏程度信息,对于地震灾情评估具有重要作用.本文以2010年海地地震巨灾为例,选用震后高分辨率卫星遥感影像Geoeye-1为数据源,在分析建筑物瓦砾可分离性的基础之上,利用监督分类方法提取损毁建筑物的瓦砾.结果表明,在震后高分辨率卫星遥感影像中,瓦砾是建筑物损毁的明显震害标志;瓦砾的生产者精度为87.23%,大于总体分类精度63.14%;瓦砾的Kappa系数为0.62,高于总体Kappa系数0.54.研究表明,基于瓦砾纹理特征的遥感信息提取方法能够从震后复杂的城市地物类型中识别出大部分瓦砾,该方法得到的结果可以应用于地震灾情应急评估,辅助应急救援等.     

面向对象的高分辨率遥感影像建筑物变化检测

以武汉市东湖高新技术开发区部分区域为研究区,提出基于面向对象的高分辨率遥感影像建筑物变化检测法.利用BMI算法提取建筑物,利用CVA算法进行变化检测得到全部对象差异度,利用EM算法的贝叶斯阈值计算方法确定变化阈值.结果表明,基于面向对象的变化检测总体精度为89.48%,Kappa系数为0.86,优于基于像元的变化检测,为高分辨率遥感影像建筑物的变化检测提供了一种新的思维方式和方法.     

基于形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法

提出一种利用形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法。用该方法计算路域范围内两时相高分辨率遥感影像的形态学属性剖面, 将得到的形态学属性剖面与光谱特征叠加, 采用改进的单类随机森林分类方法直接提取新增建筑物。以北京市稻香湖地区两时相高分辨率影像作为实验数据, 对比分析该方法与经典两时相直接分类及分类后比较方法的新增建筑物提取精度。结果表明, 综合利用形态学属性剖面和光谱特征提取得到的新增建筑物提取精度比仅使用光谱特征的提取精度显著提高, 其中Kappa系数提高15.11%。此外, 该方法提取结果的Kappa系数比两时相直接分类方法提高1.78%, 比分类后比较方法提高25.15%, 验证了所提方法的有效性。所采用的单类随机森林方法能够有效地处理高维数据, 并可以度量不同特征对分类结果的重要性。     

基于Mask R-CNN的满文文档版面分析

提出一种基于Mask R-CNN深度学习框架的满文文档版面分析方法,将满文文档版面分析问题转化为基于深度学习的图像实例分割问题。使用ResNet101网络和FPN网络构成的卷积神经网络自动提取满文文档图像特征,特征图经过RPN网络和RoI Align层生成新的特征图。新特征图经过全连接层完成感兴趣区域的类别和边框预测,并经过全卷积神经网络对感兴趣区域的像素进行分类得到mask预测,最终实现满文文档图像的实例分割。通过《新满汉大辞典》的文档图像构建了满文文档图像数据集,算法在该满文文档图像数据集上进行了实验。实验结果表明,本算法在满文文档版面分析中取得了较好的检测和分割效果。     

基于深度学习的汽车轮毂缺陷自动分割技术

针对建立轮毂无损检测智能化平台的需要,本文提出一种基于深度学习算法的轮毂缺陷自动分割方法,利用卷积神经网络的结构和径向基函数神经网络的非线性特点,构造一种深度学习网络结构来模拟人类的视觉感知。本文依据汽车轮毂X射线图像,利用U-Net网络来训练轮毂缺陷分割模型,并在感兴趣区域的基础上模拟人脑层次感知系统,该层次感知系统能识别感兴趣区域的灰度像素,通过深度学习分层网络和卷积神经网络,逐层提取缺陷区域的内在特征,从而实现轮毂缺陷的自动分割。实验表明本方法针对复杂轮毂缺陷的识别率达到90%以上,且识别时间开销大约5ms/张,优于传统方法。可见该方法能够满足轮毂缺陷自动分割的需求,具有潜在的应用前景。     

基于残差U-Net网络的染色体图像分割方法

针对染色体识别的难题,提出一种基于残差U-Net网络的染色体图像分割方法.以残差网络和U-Net网络为基础简化深层网络的训练,利用丰富的跳跃连接促进信息传播;通过将U-Net网络底层的卷积层替换成不同尺度的空洞卷积,保持特征空间分辨率不变的同时扩大特征感受野,实现多尺度感受野提取图像特征的同时减少特性信息的丢失;压缩路...     

新型架构下的密集网络在肺部影像的分割研究

在医学图像分割领域中,肺实质的分割对肺结节检测有着至关重要的作用,在考虑到模型参数量的情况下 追求更高的精度一直是研究热点之一;为此提出了新的三层密集卷积神经网络 DA-UNet,首先用密集卷积模块代 替在传统 U-Net 使用的普通 3×3 卷积,利用密集卷积特征重用特点,加强了网络的特征提取能力。 再者在没有太 过影响分割网络精确度的前提下加以修剪,减少了上下采样次数,减少不必要的算力消耗。 此外,使用了注意力门 (Attention gate),加强了跳跃连接中高底层信息融合效果,并且使用空洞空间金字塔池化( Atrous spatial pyramid pooling),模型加入了不同尺度的特征信息,进一步加强图像中任务相关的区域特征,有效减小噪声干扰,提高网络 分割精度。 通过实验证明:三次上下采样改进模型的参数量只有传统四次上下采样的 75. 2%左右,但是分割效果 没有太大的影响,用 LUNA 竞赛肺部影像数据集进行了分割验证,实验结果在测试集上的准确率达到了 0. 991,而 IoU 则为 0. 961,比起传统 U-Net 的评价指标 IoU 提升了 2. 9%;在泛化实验的肝脏图像中,DA-UNet 的 IoU 稳定在 0. 929 左右,而 U-Net 稳定在 0. 838 左右。 这些结果证明了改进的 U-Net 有更佳的分割效果。     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

基于U-Net和Res_UNet模型的 传送带矿石图像分割方法

针对传送带矿石图像中矿石粘连和边缘模糊造成的分割不准确问题,提出了一种基于U-Net和Res_UNet模型的传送带矿石图像分割方法.该方法首先将待分割图像经过灰度化、中值滤波和自适应直方图均衡化处理后,利用预训练的U-Net模型提取图像轮廓;然后,将图像轮廓二值化后,利用预训练的Res_UNet模型进行轮廓优化;最后,利用OpenCV得到分割结果.与基于形态学重建的分水岭算法和NUR法分别对10张测试图进行实验比较,结果表明,所提出的利用深度学习实现矿石轮廓检测和优化方法分割的结果更加准确,证明了其对传送带矿石图像分割的有效性.     

一种新的基于U-Net和ResNet的病理图像细胞核分割方法

医学图像分割是图像处理的重要环节,而细胞核分割结果是病理学家进行癌症分类和评级的重要依据,提高其分割的准确率一直是研究的热点。但由于同器官的不同细胞核存在形态可能不一样、细胞之间相互重叠、细胞边界不清楚等现象,导致细胞核图像难以准确分割。为提高相互接触和重叠细胞核分割的准确性和精确率,本研究提出一种新型的细胞核分割网络模型。该模型首先是对原始细胞图进行ZCA白化预处理,并基于经典的U-Net网络结构,通过U-Net和ResNet残差模块进行训练,使用Batch Normalization方法实现数据归一化处理,解决训练过程中梯度震荡问题。在MoNuSeg和ISBI2018Cell两个数据集上的实验结果表明,本研究所提出的模型的分割准确率较高,分割出的细胞没有出现细胞核大面积粘连的现象,细胞核轮廓更加清晰。本研究所提的分割网络基于经典的U-Net网络结构,通过构造ResNet残差模块实现对细胞核上下文特征的提取,同时在残差模块使用Batch Normalization使得梯度的传输更加便捷,减少了训练时间,而且在分割相互接触的细胞核时,具有精确定位和准确分割的能力,是一种有效的细胞核分割方法。     

基于注意力机制的U-Net脑脊液细胞分割

为解决脑脊液病理图像中部分细胞膜较为模糊，与图像背景难以区分的问题，采用了基于注意力机制的U-Net深度学习方法对脑脊液病理图像做全自动分割.在深度学习网络中加入注意力机制对细胞进行定位，抑制无关信息，提高语义的特征表达，提高对细胞整体分割的精确性.通过镜像、旋转等操作对数据集进行扩充预处理.采用VGG16预训练模型进行迁移学习，交叉熵与Dice损失相结合作为损失函数，分别在脑脊液临床图像与公开数据集2018 Data Science Bowl上进行验证；并与Otsu， PSPnet， Segnet， DeeplabV3+， U-Net进行对比，结果表明， 本文方法在各项指标上均优于其他分割方法.     

基于多尺度注意力的皮肤镜图像自动分割算法

针对现有的皮肤镜图像分割算法存在边缘分割时效果较差和对中小目标的识别能力较弱等问题。本文提出了一种基于多尺度注意力融合的分割网络MAU-Net(Multi-scale attention U-Net)。MAU-Net网络是以U-Net网络为基础的分割模型,通过本文设计的多尺度注意力模块(MA),在特征提取时融合不同层次的特征,并将重要的目标特征给与一定的权重,从而使网络能更快和更精准的分割出目标区域。实验结果显示,在ISIC2017数据集上平均交并比(MIOU)、精确度(PRE)和kappa值分别为83.61%、93.58%和81.70%,性能比U-Net分别提高了5.27%、2.01%和6.83%;并在ISIC2017挑战赛数据集上进行了消融实验,实验结果验证了MA模型有助于网络性能的提升。本文提出的MAU-Net网络在皮肤病变分割任务中表现优异,同时具有良好的泛化性能。