基于UNet网络的遥感图像植被信息提取的研究.pdfVIP

目录

摘要I

ABSTRACTIII

第一章绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1高分辨率遥感图像技术研究现状2

1.2.2基于传统方法的高分辨率遥感图像植被提取3

1.2.3基于深度学习的高分辨率遥感图像的植被提取5

1.3研究内容及技术路线7

1.3.1主要研究内容7

1.3.2技术路线8

1.4论文的主体结构8

第二章相关理论知识11

2.1CNN网络的基础理论11

2.1.1CNN的结构11

2.1.2卷积层12

2.1.3池化层12

2.1.4全连接层和输出层13

2.1.5激活和损失函数14

2.2拓扑数据分析14

2.2.1持续同调15

2.2.2单纯形和单纯复形15

2.3经典的语义分割网络17

2.3.1FCN17

2.3.2SegNet17

2.3.3DeepLab18

2.3.4Unet19

2.4本章小结20

第三章基于拓扑损失的遥感图像植被提取21

3.1TP-UNet模型21

3.1.1模型概述21

3.1.2拓扑损失函数21

3.1.3拓扑先验图像处理22

3.2实验结果和分析23

3.2.1数据预处理23

3.2.2评价指标26

3.2.3实验设置27

3.2.4实验结果27

3.3本章小结29

第四章基于注意力机制的遥感图像植被提取31

4.1模型与方法31

4.1.1网络结构31

4.1.2SwinTransformer模块32

4.1.3混合注意力机制34

4.2实验结果和分析38

4.2.1数据集及评价指标38

4.2.2实验细节39

4.2.3消融实验39

4.3本章小结40

第五章总结与展望41

5.1总结41

5.2展望41

参考文献43

在学期间取得的科研成果49

致谢51

摘要

城市植被是城市环境中的重要组成部分。目前研究表明城市植被的适当管理和

规划对城市居民和城市生态系统非常重要。城市植被的统计是一个昂贵而且耗时的

过程。所以，开发新的高分辨率遥感图像的遥感技术来管理和检测城市植被已经成为

许多科研人员感兴趣的一个课题。人工目视调查法和机器学习等传统的城市植被提

取方法已经不能满足当下的发展需求。最近几年，随着深度学习方法的出现，尤其是

基于卷积神经网络的模型在图像处理方面取得了巨大的成果，这也使研究人员开始

尝试使用相关模型处理高分辨率遥感图像，推动了基于深度学习的网络模型包括语

义分割、目标检测等方法在城市高分辨率遥感图像领域的发展。但是当前基于深度学

习模型的图像存在以下问题（1）遥感图像植被提取的出现的拓扑结构不完整，边界

区域断裂等问题。（2）缺乏全局语义特征，提取细节信息能力差，对边界信息识别

不准确，缺乏多尺度信息的表达能力。针对以上问题本文使用城市高分辨率遥感图像

的数据集然后使用基于深度学习的相关模型，精确的提取城市中的植被信息，主要研

究内容如下：

（1）提出一种基于拓扑损失的图像分割模型

面对当下城市植被提取研究中经常出现边界模糊，噪