基于改进SegNet网络的遥感影像建筑物信息提取.pdf

中国新技术新产品2024 NO.1（下）-104-工 程 技 术建筑物是十分重要的地物信息，是人类生活的重要场所。快速准确地获取建筑物信息十分重要。当利用传统的监督分类等方法对建筑物信息进行提取时，会有精度不高的情况。因此，研发一种提取效率高，样本需求量小，准确度高的建筑物提取方法具有重要的意义。全卷积神经网络逐渐被广大学者采用，其中 U-Net1网络和 SegNet2网络分类效果不错。徐知宇等3通过改进的 U-Net 网络对城市绿地进行分类，试验结果表明，此方法能准确地对绿地进行分类。王宁等4采用 U-Net 网络提取高分一号高分辨率遥感影像水体信息，结果表明 U-Net 网络更适用于提取水体高精度。杨建宇等5利用 SegNet 网络提取遥感影像农村建设用地，验证了 SegNet 网络能够有效利用高光谱影像的农村建筑物的光谱信息，精度得到明显提高。张春森等6在 SegNet 网络的基础上进行改进，改进后能有效地识别和提取高分辨率数据集中的建筑物。宋德娟等7利用 SegNet 网络和最大后验概率网络构建冬小麦遥感提取网络，获取精细的冬小麦空间分布数据。SegNet 网络结构清晰且分类精度较高。因此，本文在 SegNet 网络的基础上进行改进，进而提取遥感影像的建筑物。1 技术路线本文采用一种改进的SegNet网络方法对遥感影像建筑物进行提取。技术路线包括选取数据集、图像增强、网络训练以及分类结果的对比分析，如图 1 所示。2 建筑物提取网络结构设计本文在原始的 SegNet 网络上对 2 个方面进行改进：结合 U-Net 网络的优点，引用在 U-Net 网络中使用的的跳层连接结构，以此达到补充 SegNet 网络在编码器层丢失的目标细节的目的；引用空洞空间池化金字塔（Atrous Spatial Pyramid Pooling，ASPP）模块，提高其对不同尺度建筑物信息提取的能力，改进后的 SegNet 网络既结合了 ASPP 模块的优点，又利用了 U-Net 网络跳层连接的优势，进而在遥感影像提取建筑物结构信息中获得更好的效果。ASPP模块因其高效的提取效率，广泛应用于各大主流网络中，如图 2 所示。在 ASPP 模块中，从上到下依次为 11 卷积，空洞率分别为 6、12 和 18 的空洞卷积层，最下面是一个平均池化层。输入特征输入后经过 ASPP 处理，再对处理后的特征信息进行联合，得到特征信息图。改进的 SegNet 网络与原始的 SegNet 网络相似，结构均为编码器解码器，整体结构对称，如图 3 所示。可将编码器层部分划分为 5 组，每组都包括卷积层、最大池化层和激活函数。5 组包括 13 个卷积层和 5 个最大池化层。每个模块的卷积层深度从外到内依次为 64、128、256、512 和512，卷积核大小与原始 SegNet 网络均为 33。在编码器层部分，输入的遥感影像经过卷积和最大池化等操作获得深层的建筑物特征信息，一起输入解码层。解码器与编码器对称，因此同样分为 5 组。编码层引用的为最大池化操作，与编码层不同，解码层用上池化层替换最大池化层，以此将编基于改进SegNet网络的遥感影像建筑物信息提取何小安刘森（中水北方勘测设计研究有限责任公司，天津 300222）摘 要：建筑物是人类生活的重要场所，利用遥感影像准确快速地提取建筑物信息是在更精细的尺度上分析人类活动的重要途径。用传统的监督分类等方法提取复杂的建筑物结构信息，在精度和准确度上效果较差。因此，本文对 SegNet 网络进行改进，在 SegNet 网络中引用跳层连接结构补充解码器层的目标细节信息，同时，引用 ASPP模块增强网络对多尺度目标的捕捉能力。用改进后的 SegNet 网络在 WHU 遥感影像建筑物中进行试验，并与U-Net 网络、SegNet 网络和 SVM 方法进行对比。试验结果表明：改进后的 SegNet 网络总体精度和准确度分别为95.14和98.35，精度明显高于对比试验方法。关键词：全卷积神经网络；建筑物提取；SegNet 网络；ASPP 模块中图分类号：TP79文献标志码：A图 1 技术路线图中国新技术新产品2024 NO.1（下）-105-工 程 技 术码层得到的深层特征建筑物信息恢复到与输入大小一致。本文引用的 ASPP 模块在编码器和解码器层的中间，此模块进一步对在编码器中得到的建筑物特征信息进行提取与选择。改进 SegNet 在对应的部分引入了跳层连接结构，这样能有效地恢复编码器阶段最大池化操作导致丢失的细节特征。利用 SegNet 网络的分类器对得到的建筑物信息特征进行计算，得出每个像素是否属于建筑物的概率，确定此像素是否为建筑物，以此达到提取建筑物的目的。3 试验结果和分析3.1 数据集构建本文使用的建筑物数据集为 WHU Building 数据集，包括17388张遥感影像和对应标签。遥感影像像素为512px512px，空间分辨率为 0.45m。考虑硬件设备的实际情况，选取其中的一部分作为本文的试验数据。将选取的遥感数据影像分为3 个部分：训练数据集 200 张，验证数据集 200 张和测试数据集 60 张，并对图像进行相应增强处理，标签是二值影像，为使各模型能准确地学习其特征和内部规律，将其背景值设置为 0，设置建筑物部分的值为 1。由于原遥感影像为标签图像文件格式（TIFF），文件过大，影响程序的运行速度，因此将其转化为无损压缩的位图图像格式（PNG），不仅能保留影像的细节，还能提高图像提取的效率。图 4 显示的是在 WHU数据集中，选取的训练数据中一张影像及其样本标签。3.2 试验结果和分析本文以 SVM 方法、U-Net 网络和 SegNet网络为对比试验，与改进的 SegNet 网络提取结果进行对比。对其中具有代表性的测试影像进行分析，如图 5 所示，其中，图 5（a）为测试影像；图 5（b）为标签；图 5（c）为SVM 提取结果；图 5（d）为 U-Net 提取结果；图 5（e）为 SegNet 提取结果；图 5（f）为改进的 SegNet 提取结果。从图 5（c）中可以看出，监督分类中的 SVM 方法，在建筑物的提取过程中存在许多错误提取的情况且碎片化严重，包括将河流、裸土和道路等用地错分为建筑物，导致分类精度很低。从图 5（d）中可以看出，U-Net 网络提取的建筑物与 SVM 方法相比更好，错提现象明显改善，但U-Net 网络在提取过程中存在漏提小型建筑物的情况，在提取大型建筑的过程中，存在边缘细节处理粗糙和提取存在空洞的现象。从图 5（e）中可以看出，SegNet 网络的建筑物提取结果，比 SVM 方法和 U-Net 网络提取得更准确些，基本不存在错误识别其他地物的情况。但提取结果仍然有边缘细节不准确的问题，并存在孔洞现象。从图 5（f）中可以看出，使用改进的 SegNet 网络处理遥感影像建筑物的边缘细节效果明显改善很多，识别建筑物的准确度明显提升，基本不存在错提和漏提的情况。在小型建筑物提取的过程中，也都能进行准确识别，通常不存在漏提的情况，总体精度很高。与其他方法相比，改进的 SegNet 网络无论是处理边缘细节，还是提取建筑物的准确度都明显优于其他方法的提取效果，这得益于跳层连接结构补充了卷积操作时丢失的细节问题，使边缘细节完整准确。改进的SegNet网络提取结果基本上不存在孔洞现象，说明引用 ASPP 模块能提取多尺度特征，完美解决了孔洞现象问题。由此说明，本文方法具有一定的应用价值。精度对比见表 1。表 1 试验结果精度对比方法总体精度/召回率/精确度/KappaSVM87.7888.4884.420.6445U-Net89.8395.7491.550.8163SegNet92.3596.1494.790.8862改进SegNet95.1498.7498.350.9256从表 1 中可以看出，使用 SVM 方法的各精度都不高，总（a）遥感影像（b）标签图 4 遥感影像和标签图 3 改进 SegNet 网络结构图 2 改进 ASPP 模块中国新技术新产品2024 NO.1（下）-106-工 程 技 术体精度为 87.78，精确度 85。U-Net 网络的总体精度为 89.83，准确度为 91.55，虽然比 SVM 更高，但是要明显低于 SegNet 网络，SegNet 网络 Kappa 为 0.8862，精度不错，而 U-Net 的 Kappa 只有 0.8163。改进的 SegNet 网络总体精度最高，比 SVM 方法高 7.36。在准确度方面，比 U-Net 网络高 2.61。在召回率方面，改进的 SegNet 网络比 U-Net 网络高 3。在 Kappa 系数上，改进的 SegNet网络为 0.9256，远高于其他 3 种方法。从以上数据可知，改进的 SegNet 网络各方面都更突出，明显比其他 2 种方法精度更高。其较高的精度得益于跳层连接结构，对编码器阶段遥感影像提取特征时丢失的细节信息进行了补充。用ASPP 模块使改进的网络能很好地识别各尺度的建筑物。综合以上数据说明，本文改进的 SegNet 网络具有一定的准确性。4 结论在高分辨率遥感影像中，影像拥有丰富的地物细节信息和复杂的建筑物结构信息，因此对建筑物信息进行准确快速地提取具有十分重要的意义。在传统的监督分类算法中，提取高分辨率的遥感影像错提率较高且不能准确识别建筑物信息。而在原始的U-Net和SegNet网络中提取建筑物信息具有一定的缺陷，例如提取结果边缘信息粗糙，提取的建筑物信息有孔洞现象等。针对以上问题，当提取建筑物时，在原始的 SegNet 网络的基础上对 2 个方面进行改进：通过引用 ASPP 模块来增强网络对多尺度建筑物的提取能力。引用跳层连接结构补充解码器层的目标细节。利用改进后 SegNet 网络、SVM、U-Net 网络和原始的 SegNet网络提取建筑物并进行对比，试验结果表明：改进后的SegNet 网络在精度和准确度分别为 95和 98；改进后的SegNet网络能有效地解决漏提小型建筑物和提取大型建筑物时有孔洞的问题，使提取精度符合目前的提取要求。本文对 SegNet 网络进行改进，使其在提取精度方面效果较优，但在训练过程中耗时较长，因此在后续研究中要结合轻量级的网络提取建筑物。参考文献1 宁霄，赵鹏.基于 U-Net 卷积神经网络的年轮图像分割算法 J.生态学杂志，2019，38（5）：1580-1588.2 唐廷元，付波霖，李颖，等.SegNet 在从低空无人机影像中提取会仙岩溶湿地地物信息中的应用 J.湿地科学，2020，18（4）：413-423.3 徐知宇，周艺，王世新，等.面向 GF-2遥感影像的U-Net 城市绿地分类 J.中国图象图形学报，2021，26（3）：700-713.4 王宁，程家骅，张寒野，等.U-Net 模型在高分辨率遥感影像水体提取中的应用 J.国土资源遥感，2020，32（1）：35-42.5 杨建宇，周振旭，杜贞容，等.基于 SegNet 语义网络的高分辨率遥感影像农村建设用地提取 J.农业工程学报，2019，35（5）：251-258.6 张春森，葛英伟，蒋萧.基于稀疏约束 SegNet 的高分辨率遥感影像建筑物提取 J.西安科技大学学报，2020，40（3）：441-448.7 宋德娟，张承明，杨晓霞，等.高分二号遥感影像提取冬小麦空间分布 J.遥感学报，2020（5）：596-608.（a）测试影像 （b）标签（c）SVM 提取结果（d）U-Net 提取结果 （e）SegNet 提取结果（f）改进 SegNet 提取结果图 5 试验结果图