Print

Faster-RCNN和Level-Set结合的高分遥感影像建筑物提取

论文摘要

目前Level-Set图像分割方法存在初始轮廓的确定受人为因素影响较大的问题,对目标被遮盖和目标与背景灰度值相近无法达到理想的分割效果。针对此问题,本文提出了利用Faster-RCNN网络模型确定目标初始轮廓和区域信息的先验水平集图像分割方法,搭建Caffe深度学习框架训练Faster-RCNN网络模型;通过有监督学习的方式在IAILD数据集上训练模型,检测出目标建筑物并初步提取建筑物的轮廓,并将其与形状先验的Level-Set算法结合。对比实验结果表明,本文方法解决了Level-Set算法中图像分割结果初始轮廓受人为标记框选的影响较大的问题,能够更好地完成被遮挡建筑物的分割,对于目标建筑和背景灰度值相近也能达到更好的分割效果。

论文目录

  • 1 引言
  • 2 研究技术与方法
  •   2.1 Faster-RCNN
  •   2.2 Level Set水平集方法
  •   2.3数据集及预处理
  • 3 实验步骤
  •   3.1 利用Faster-RCNN网络模型的测试结果确定初始轮廓
  •     （1） RPN网络训练。
  •     （2） Fast-RCNN检测网络训练。
  •     （3） 联合调优
  •   3.2 改进的距离保持水平集算法
  •     3.2.1 确定初始轮廓曲线
  •     3.2.2 自适应控制水平集演化
  •     3.2.3 结合Level-Set算法实现图像精细化分割
  • 4 实验结果与算法评价
  • 5 结论

    • 文章来源

    类型: 期刊论文

    作者: 左俊皓,赵聪,朱晓龙,任洪娥

    关键词: 深度学习,建筑物提取

    来源: 液晶与显示 2019年04期

    年度: 2019

    分类: 基础科学,信息科技,工程科技Ⅱ辑

    专业: 工业通用技术及设备,自动化技术

    单位: 东北林业大学信息与计算机工程学院

    基金: 中央高校基本科研业务费专项资金资助项目(No.2572017PZ10)~~

    分类号: TP751;TP181

    页码: 439-447

    总页数: 9

    文件大小: 518K

    下载量: 282

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/400dda2c65e01aa10149a439.html