【免费】2020年MathorCup大数据竞赛赛道B优秀论文31_mathorcup大数据优秀论文资源-CSDN文库

需积分: 0 113 浏览量 2022-08-03 16:25:29 上传评论 2 收藏 4.37MB PDF 举报

资源详情

资源评论

资源推荐

队伍编号

1248

赛道

基于 U-Net 卷积神经网络的遥感图像耕地地块分割与提取研究：

模型优化与参数评估

摘要

准确标记耕地及计算耕地面积能为国家决策部门提供重要支撑。通过计算机识别卫星遥

感影像中的耕地面积能够加速耕地信息的提取，减少人力、财力消耗。

在初赛中，我队基于 U-Net 卷积神经网络建立模型对题目数据进行处理，实现了精确度

较高的遥感图像耕地地块分割与提取，成功计算出耕地面积比例并制作出较为清晰的耕地标

签图。参考“集成学习”的思想，我们提出“多图平均二值法”用以辅助 U-Net 模型预测。

该方法成功降低了预测结果中的噪声干扰，显著提升了预测的准确度。

本文对初赛模型进行优化，提升其对耕地边界的识别能力。同时，本文分析了预测模型

中的关键参数并定量评估其对模型精度的影响。

针对问题一，在初赛模型的基础上，本文进一步探究初赛提出的“多图平均二值法”的

合理性与使用条件，并依据其原理改进了数据增广方法和模型训练参数，对数据增广的随机

旋转范围和训练迭代次数进行优化，使得训练出的 U-Net 模型预测精度显著提升。优化后的

模型准确率达 99.02%，损失率 0.041，在遥感图像空间分辨率为 2m 的条件下，测试中可作出

误差在 2%范围内的对耕地的精确分割。同时，为了在保证预测精度的同时提升耕地标签图的

视觉效果，本文提出采用腐蚀膨胀操作对预测结果做进一步处理。结果显示，腐蚀与膨胀操

作使得模型预测效果得到进一步提升。相比初赛模型，本文模型具有更为优秀的分割性能和

更为良好的视觉效果。本文模型的预测图像耕地边缘更为清晰，噪声基本消失，道路连通性

强。利用上述优化模型，本文预测 Test3，Test4 图像的耕地地块分布并制作标签图，计算耕

地面积占比。

针对问题二，我们对问题一中的优化模型进行深度分析，详细描述了该识别系统中的关

键参数(模型训练参数和腐蚀膨胀操作核参数),并定量评估了它们对本文模型识别精度的影

响。

本文所述的优化算法、模型，在遥感图像空间分辨率为 2m 的条件下，测试中可作出误差

在 2%范围内的对耕地的精确分割，预测图像噪声低，耕地边缘完整，可为耕地遥感制图提供

借鉴与参考。

关键词：遥感图像分割深度学习 U-Net 卷积神经网络优化模型腐蚀膨胀

一、问题重述

.......................................................................................................................................

二、模型假设

.......................................................................................................................................

三、符号说明

.......................................................................................................................................

四、问题分析

.......................................................................................................................................

五、问题求解

.......................................................................................................................................

5.1 求解说明

..................................................................................................................................................

5.1.1 初赛回顾

..........................................................................................................................................

5.1.2 复赛目标

..........................................................................................................................................

5.2 问题一求解——优化模型并完成问题图像的耕地分割与面积计算

..................................................

5.2.1 图像预处理

.......................................................................................................................................

5.2.2 数据准备

...........................................................................................................................................

5.2.3 模型建立

...........................................................................................................................................

5.2.4 模型训练

...........................................................................................................................................

5.2.5 模型测试

.........................................................................................................................................

5.2.6 多图平均二值法：预测效果整体提升

.........................................................................................

5.2.7 腐蚀与膨胀的尝试：视觉效果提升(修补道路、圆滑边界、减少噪声)

.................................

5.2.8 Test3、Test4 图片耕地标签图制作

...........................................................................................

5.2.9 Test3、Test4 图片耕地面积比例计算

.......................................................................................

5.3 问题二求解——参数评估

.....................................................................................................................

5.3.1 训练参数对模型预测精度的影响

.................................................................................................

5.3.2 腐蚀与膨胀核参数对面积精度的影响

........................................................................................

六、模型评价

.....................................................................................................................................

6.1 优点和缺点分析

.....................................................................................................................................

6.1.1 优点

.................................................................................................................................................

6.1.2 缺点

.................................................................................................................................................

6.2 模型创新点及应用前景

........................................................................................................................

七、总结

.............................................................................................................................................

八、参考文献

.....................................................................................................................................

附录 1 程序

........................................................................................................................................

附录 2 多图平均二值法优化前后对比图[初赛模型]

....................................................................

附录 3 多图平均二值法优化前后对比[复赛模型]

........................................................................

附录 4 腐蚀与膨胀优化前后对比图

................................................................................................

一、问题重述

耕地的数量和质量是保持农业可持续发展的关键，利用卫星遥感影像可以识别并提取耕

地，并对耕地进行遥感制图，准确的耕地分布能够为国家决策部门提供重要支撑。目前高精

度的耕地信息提取主要还是依靠人工解译，耗费大量人力、财力且效率较低，因此，遥感图

像的耕地识别算法研究将对耕地遥感制图提供重要帮助。

资源三号（ZY-3）卫星是中国第一颗自主的民用高分辨率立体测绘卫星，通过立体观测，

可以测制 1∶5 万比例尺地形图，为国土资源、农业、林业等领域提供服务，资源三号填补

了中国立体测图这一领域的空白。图片来源于资源三号卫星获取的遥感图像数据，空间分辨

率为 2 米，光谱为可见光波段（红，绿，蓝）。

题目提供 8 幅图像和相应耕地标签，用于参赛者模型训练和测试，图像为 tif 格式。

标签图中白色（值为 1）代表的是耕地类，黑色（值为 0）代表的是背景类。另提供 2 幅图

像作为测试实例。

基于初赛建立的模型与数据处理方法，本题需解决以下问题：

(1)优化初赛模型，在提取耕地边界方面做出改进；

(2)利用优化后的模型，从给定测试图像(Test3.tif、Test4.tif)中提取出耕地；

(3)制作测试图像(Test3.tif、Test4.tif)耕地标签图并计算图像中耕地面积比例；

(4)总结模型中的关键参数，并定量评估其对模型识别精度的影响。

二、模型假设

(1)假设已知专业人工标记标签图足够准确划分耕地与非耕地；

(2)假设在神经网络预测中，局部图像特征可代表整体特征；

(3)假设耕地面积、像素点误差可以作为耕地标签预测模型的评价标准；

(4)假设灰度、形状大小、分布体现耕地特性。

(5)假设低于 400 平方米(100 像素点)的误差属于较小面积误差，对识别精度影响不大。

三、符号说明

此处仅列出部分通用符号，个别符号使用时会在下文说明。

符号

说明

max

最大像素值

min

最小像素值

比值

原始像素值

归一化后像素值

'x'

可视化后像素值

“整合图片”像素值

第 i 子图像素值



测试图与训练图特征方向夹角

四、问题分析

[问题 1]

在问题一中，题目要求我们优化初赛模型，从给定的测试图像(Test3.tif、Test4.tif)

中提取出耕地，制作耕地标签图并计算其面积。数据集仍采用初赛中给出的 8 张遥感图像和

人工标签。我们需要对初赛模型的预测能力进行分析，寻找模型缺陷，重点关注其对耕地边

界的提取情况。在初赛模型的基础上设计优化思路，改进模型，并用优化后的模型对测试图

像进行预测，制作耕地标签图，计算耕地面积比例。另外，我们需要比较优化前后对不同类

别图像的表现，分析模型优化的合理性并说明优化效果。难点在于提升模型预测精度，优化

模型对噪声、边界的处理。

[问题 2]

在问题二中，题目要求我们总结模型中的关键参数，并定量评估其对识别精度的影响。

我们需要分析模型，总结对模型识别精度影响较大的参数。我们适当调整参数测试模型，定

量评估它们对模型识别精度的影响，寻找最优参数设置。

五、问题求解

5.1 求解说明

5.1.1 初赛回顾

在初赛中，我队基于 U-Net 卷积神经网络建立模型对题目数据进行处理，实现了遥感图

像耕地地块分割与提取，成功计算出耕地面积比例并制作出较为清晰的耕地标签图。初赛中

我队的主要求解步骤是：先通过训练好的 U-Net 网络模型对图像进行初步预测，再通过“多

图平均二值法”对预测图像做进一步处理得到最终结果。

(1) U-Net 网络模型

1 过程简述

我们对数据集 8 张图像和标签进行处理，经过标准化、可视化、切割、数据扩增操作，

得到模型训练集和测试集。通过 Python 编程、利用 U-Net 卷积网络建立了体积小、训练速度

快的预测模型。

该模型经过 100 轮的训练，共训练 36000 组图像，准确率达到 98.49%，损失率为 0.037。

训练损失(loss)和准确率(accuracy)与迭代次数(epoch)的关系如图 1 所示。

图 1 训练损失(loss)和准确率(accuracy)与迭代次数(epoch)的关系[初赛]

剩余63页未读，继续阅读

评论收藏

内容反馈

牛站长

粉丝: 22
资源: 299

2020年MathorCup大数据竞赛赛道B优秀论文31

评论0

最新资源

2020年MathorCup大数据竞赛赛道B优秀论文31

评论0

2020年MathorCup大数据竞赛赛道B优秀论文41

2020年MathorCup大数据竞赛赛道A优秀论文51

2020年MathorCup大数据竞赛赛道A优秀论文11

2020年MathorCup大数据竞赛赛道B优秀论文21

2020年MathorCup大数据竞赛赛题+优秀论文.rar

2020年MathorCup大数据挑战赛-赛道B1

MathorCup大数据竞赛历年优秀论文.rar

2022年MathorCup大数据竞赛-赛道B初赛

2022年MathorCup大数据竞赛-赛道B初赛 题目及数据

2020年MathorCup大数据竞赛赛道B优秀论文11

2020年MathorCup大数据竞赛赛道A优秀论文.rar.rar.rar

2020年MathorCup大数据竞赛赛道A优秀论文31

2020年MathorCup大数据竞赛赛道A优秀论文41

2021年MathorCup大数据竞赛赛道B

2021年MathorCup大数据竞赛赛题+优秀论文.rar

2020年MathorCup大数据竞赛赛道A优秀论文21

2021年MathorCup大数据竞赛赛道A

2020年MathorCup大数据挑战赛-赛道A1

2020年MathorCup大数据挑战赛-赛道A复赛.pdf

最新版ISO/IEC 27001:2022、ISO 27002:2022中英文合集

Goby红队版-win-x64-2.4.7版本

Chrome Header Editor 插件

ISO SAE 21434-2021 中文版.pdf

OpenVAS GVM 中文翻译补丁

安全认证cisp教材全套

现代永磁同步电机控制原理及MATLAB仿真__袁雷编著1

2024最新：Hvv中常见的面试问题

全面的安全基线核查清单

最新资源

2022年MathorCup大数据竞赛-赛道B初赛题目及数据