计算机工程与应用
www.ceaj.org
2019，55（7）
1 引言
遥感图像解译是数字图像分析的重要组成部分，广
泛应用于土地测绘、环境监测、城市建设等领域。其中，
语义分割在遥感图像解译中扮演重要角色，是低高层遥
感图像处理及分析的重要衔接。图像语义分割，又被称
作图像标注，是指为图像中的每一像素分配语义标签，基
于语义单元将图像分割为若干具有不同语义标识的区
域。图像语义分割是目标识别和分割两部分任务的综合，
黄凯奇等人从物体、类别和背景三个层次对其难点作了
总结
[1]
。高分辨率遥感图像通常包含道路、水源、建筑、树
木、农作物、车辆、行人等地物目标类别丰富的细节信息。
受目标类别分布不平衡，不同目标边缘易重叠，个别目
基于 U-Net的高分辨率遥感图像语义分割方法
苏健民，杨岚心，景维鹏
东北林业大学 信息与计算机工程学院，哈尔滨 150040
摘 要：图像分割是遥感解译的重要基础环节，高分辨率遥感图像中包含复杂的地物目标信息，传统分割方法应用
受到极大限制，以深度卷积神经网络为代表的分割方法在诸多领域取得了突破进展。针对高分辨遥感图像分割问
题，提出一种基于 U-Net改进的深度卷积神经网络，实现了端到端的像素级语义分割。对原始数据集做了扩充，对每
一类地物目标训练一个二分类模型，随后将各预测子图组合生成最终语义分割图像。采用了集成学习策略来提高
分割精度，在“CCF 卫星影像的 AI分类与识别竞赛”数据集上取得了 94%的训练准确率和 90%的测试准确率。实验
结果表明，该网络在拥有较高分割准确率的同时还具有良好的泛化能力，能够用于实际工程。
关键词：遥感图像；语义分割；卷积神经网络 ；U-N et；集成学习
文献标志码：A 中图分类号：TP39 1.41 doi：10.3778/j.issn. 100 2-8331 .1806-0024
苏健民，杨岚心，景维鹏 .基于 U-Net的高分辨率遥感图像语义分割方法 .计算机工程与应用，2019，55（7）：207-213.
SU Jianmin, YANG Lanxin, JING Weipeng. U-Net based semantic segmentation method for high resolution remote sens-
ing image. Computer Engineering and Applicati ons, 2019, 55（7）：207-213.
U- Net Based Se mantic Segmentation Method for High Re solution Remote Sensing Image
SU Jianmin, YANG Lanxin, JING Weipeng
College o f Information and Computer Engineering, Northeast Forestry University, Harbin 150040, China
Ab stract：Image segm entation is an important base-part of remote sensing interpretation. High resolution remote sensing
image contains com plex object information, but the applications of traditio nal segmentation me thods are greatly limited.
The segmentation me thod, represented by the deep convolution neura l network, has made a break through in many fiel ds.
Aimi ng at the problem of high resoluti on remote sensing image se gmentatio n, this paper proposes a deep convolution
neural network based on U-Net, which achieves the end to end pixel level semantic segment ation. It expands the original
dat aset, trains a binary classification model for every cla ss of objects, an d then combines the prediction su bgraphs to
generate the final semantic segmentation image, which has helped us get 9 4% training accuracy and 90% test accuracy on
the dataset of AI classification and recognition contest of CCF satellite images. The experimental results show that the network
not only has good generalization ability b ut also can be used in p ract ical engineeri ng with high segmentation accuracy.
Key words：remote sensing image; sema ntic segmentation; convolutional neural netwo rk; U-Net; ensemble learning
基金项目：黑龙江省自然科学基金（No.C200840，No. F20 1028）。
作者简介：苏健民（1961—），男，教授，硕士生导师，研究领域为模式识别与智能控制；杨岚心（1993—），男，硕士研究生，研究领域
为计算机视觉与机器学习；景维鹏（1979—），男，副教授，硕士生导师，研究领域为高性能并行计算。
收稿日期：2018-06-06 修回日期：2018-08-01 文章编号：1002-8331（2 019）07-0207-07
CN KI网络出版：2018-12-01, http://kns.cnki.n et/kcms/detail/11.2127.TP.20181128.1647.0 40.html
Computer Enginee ring and Applications计算机工程与应用
207
评论0