改进U-net模型在遥感影像建筑物提取中的应用

"基于改进U-net的遥感影像建筑物提取" 遥感影像建筑物提取是地理信息系统和遥感领域的重要任务，其目标是从遥感图像中准确地识别和分割出建筑物区域。传统的遥感影像分析方法，如支持向量机（SVM）、随机森林等，往往在复杂环境下难以达到高精度。近年来，深度学习技术，尤其是卷积神经网络（CNN），在图像识别和分割任务中取得了显著的成就，其中U-Net模型是特别适合于图像分割的一种网络结构。 U-Net模型最初源于医学影像分割，其特点在于具有对称的收缩和扩张路径，能够有效地捕获局部和全局信息。收缩路径负责获取高级语义信息，而扩张路径则用于恢复图像的原始空间分辨率，确保精细的边界定位。然而，U-Net在处理遥感影像时，由于建筑物与周围环境的复杂相互作用，建筑物的边缘和细节可能会在信息传播过程中被淡化，从而影响提取精度。 针对这一问题，文章提出了一种低维特征信息增强的改进U-Net模型。该模型通过在特征金字塔中，即在特征图与扩张路径同级特征融合之前，先与上一层级的特征图进行融合，旨在保留和加强低维度的细节信息。这种方法有助于在高层级特征中引入更多的低级信息，使得网络在保持全局理解的同时，对建筑物的边缘和细节有更好的识别能力。 实验结果表明，提出的改进U-Net模型在交并比、像素精度和Kappa系数三个关键评价指标上均超越了传统方法，如模糊C均值聚类（FCM）、全卷积网络（FCN）以及经典的U-Net模型。在覆盖面积约为340平方公里的遥感影像数据集上，平均交并比达到了83.9%，像素精度为92.8%，Kappa系数为83.6%，这些数值体现了改进模型在实际应用中的优越性能。 此外，文章还指出，这种改进的U-Net模型适用于处理大规模遥感影像，对于城市规划、灾害监测、土地利用分析等领域有着广泛的应用前景。通过结合深度学习与遥感影像处理技术，可以提高建筑物提取的自动化程度和准确性，进一步推动遥感信息的智能化处理。未来的研究可能将探索如何进一步优化网络结构，以适应更多类型的遥感影像，或者研究如何结合多源数据以提升提取效果。