摘要
遥感图像分割是利用遥感技术获取的高分辨率图像进行像素级别的分类，将图像中的不同物体或不同地物提取出来的过程。这个过程对于遥感应用具有重要意义，因为它能够提取出地物和地表特征，如河流、道路、建筑、植被、水体等，并且这些特征是地面实际存在的。图像分割可以为地面覆盖分类、土地利用覆盖变化分析、城市规划、农业资源监测、环境保护等领域提供实用信息。
本论文首先阐述了遥感图像分割和深度学习技术的原理，并用全卷积网络中的FCN-32s和FCN-8s网络构建了遥感图像分割模型，并用ISPRS Vaihingen 数据集训练和测试，经过测试FCN-32s模型的三个评价指标mean F1、mIOU和OA分别为80.45%、70.81%和82.32%，FCN-8s模型的三个评价指标mean F1、mIOU和OA分别为79.24%、70.35%和83.02%。紧接着本论文用U-Net网络构建了遥感图像分割的模型，经过测试U-Net模型的三个评价指标mean F1、mIOU和OA分别为82.10%、72.35%和84.56%。
关键词 遥感图像分割；U-Net；全卷积网络
Remote Sensing Image Segmentation Based on U-Net
Abstract
Remote sensing image segmentation is the process of extracting different objects or different features from an image by pixel-level classification using high-resolution images acquired by remote sensing technology. This process is important for remote sensing applications because it can extract features and surface features such as rivers, roads, buildings, vegetation, water bodies, etc. and these features are physically present on the ground. Image segmentation can provide practical information for ground cover classification, land use cover change analysis, urban planning, agricultural resource monitoring, environmental protection and other fields.
In this thesis, firstly, the principles of remote sensing image segmentation and deep learning techniques are explained, and remote sensing image segmentation models are constructed with FCN-32s and FCN-8s networks in full convolutional networks, and trained and tested with ISPRS Vaihingen dataset. After testing, the three evaluation indexes of FCN-8s model mean F1, mIOU and OA are 79.24%, 70.35% and 83.02%, res
pectively. The three evaluation indexes mean F1, mIOU and OA of the U-Net model were 82.10%, 72.35% and 84.56%, respectively.
Keywords：Remote Sensing Image Segmentation; U-Net; Full Convolutional Network

1绪论
1.1 选题背景及研究意义
遥感图像分割是利用遥感技术获取的高分辨率图像进行像素级别的分类，将图像中的不同物体或不同地物提取出来的过程。这个过程对于遥感应用具有重要意义，因为它能够提取出地物和地表特征，如河流、道路、建筑、植被、水体等，并且这些特征是地面实际存在的。图像分割可以为地面覆盖分类、土地利用覆盖变化分析、城市规划、农业资源监测、环境保护等领域提供实用信息。
近年来，卷积神经网络（CNN）在图像分割领域中取得了重要的进展。其中，U-Net是一
种常用的深度学习模型，它是一种基于卷积神经网络（CNN）的全卷积神经网络（FCN）体系结构，被广泛应用于医学图像分割、遥感图像分割等领域。U-Net通过引入跳跃连接（skip connections）将卷积网络的特征向量与上采样的特征图进行连接，这使得U-Net能够捕获高层次特征和低层次细节信息，提高了遥感图像分割的准确性和鲁棒性。
在遥感图像分割方面，U-Net已经被应用于各种地物类型的分类，如建筑物、水体、植被、道路等。此外，基于U-Net的图像分割方法具有许多优点，例如可以自动学习特征、具有良好的分割效果和泛化能力等。
因此基于U-Net的遥感图像分割方法在土地利用、城市规划、环境保护、气象预报等领域具有广泛的应用前景。特别是在遥感图像分割中，由于遥感图像具有高分辨率、大数据量、多光谱等特点，传统的基于人工规则和手工特征的方法已经无法胜任，而深度学习算法在这方面具有更好的应用前景。因此，基于U-Net的遥感图像分割方法对于遥感应用领域的研究和实践具有重要的意义。
1.2 国内外现状现状
1.2.1 基于聚类的方法
基于聚类的方法是遥感图像分割中最常用的方法之一。其基本思想是将像素根据相似度聚成不同的类别，然后将同一类别的像素分成同一区域。K-means算法是最常用的聚类方法之一，其思想是将像素分成K个类别，每个像素属于与之最近的类别。另外，Fuzzy C-Means (FCM)算法和Possibilistic C-Means (PCM)算法也被用于遥感图像分割中，这些方法与K-means算法类似，但对噪声和异常点的鲁棒性更好。
国内外的研究者都在探索基于聚类的方法，但也存在不同的重点和方向。国外的研究者更注重对聚类算法的改进，如改进K-means算法的收敛性、Fuzzy C-Means算法的参数选择等。而国内的研究者则更加注重算法的应用，如在高分辨率遥感图像分割中的应用、基于小波变换的遥感图像分割等。
1.2.2 基于分割的方法
基于分割的方法是指将图像分割成若干个区域，然后对每个区域进行进一步处理。其中，区域生长法是一种常用的基于区域的分割方法，其基本思想是从一组种子像素开始，将与之相邻的像素添加到该区域中，直到无法继续添加为止。此外，基于边缘的方法也被广泛应用于遥感图像分割中，如基于Canny算法的边缘检测和基于边缘特征的图像分割等。
国内外的研究者都在探索基于分割的方法，但也存在不同的研究方向。国外的研究者更注重基于分割的方法的理论研究，如分割
局部直方图均衡化准则的选择、分割算法的优化等。而国内的研究者则更注重算法的实际应用，如基于区域生长法的遥感图像分类、基于多尺度分割的遥感图像分析等。
1.2.3 基于深度学习的方法
近年来，深度学习在遥感图像分割中得到了广泛应用，特别是卷积神经网络 (CNN)。CNN在遥感图像分割中的应用主要包括两种方法：全卷积神经网络 (FCN)和卷积神经网络加级联分割器 (CNN-Cascade)。
FCN是第一个将深度学习方法应用于遥感图像分割的方法之一，其主要思想是将全连接层替换为卷积层，从而实现任意大小输入图像的输出分割。CNN-Cascade是一种新颖的分割方法，通过级联多个卷积神经网络来实现高精度的分割结果。
国内外的研究者都在深入研究基于深度学习的方法，但也存在不同的重点和方向。国外的研究者更注重深度学习模型的改进，如改进卷积神经网络结构、引入注意力机制等。而国
内的研究者则更注重深度学习方法在遥感图像分割中的应用，如基于多源遥感图像的建筑物识别、基于深度学习的农作物分类等。
2遥感图像分割和深度学习基础
2.1 基于深度学习的遥感图像分析

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。