没有合适的资源?快使用搜索试试~ 我知道了~
2020年MathorCup大数据竞赛赛道B优秀论文31
需积分: 0 10 下载量 113 浏览量
2022-08-03
16:25:29
上传
评论 2
收藏 4.37MB PDF 举报
温馨提示
试读
64页
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
资源详情
资源评论
资源推荐
队伍编号
1248
赛道
B
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
目录
一、问题重述
.......................................................................................................................................
1
二、模型假设
.......................................................................................................................................
1
三、符号说明
.......................................................................................................................................
1
四、问题分析
.......................................................................................................................................
2
五、问题求解
.......................................................................................................................................
2
5.1 求解说明
..................................................................................................................................................
2
5.1.1 初赛回顾
..........................................................................................................................................
2
5.1.2 复赛目标
..........................................................................................................................................
5
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
5.2.1 图像预处理
.......................................................................................................................................
5
5.2.2 数据准备
...........................................................................................................................................
7
5.2.3 模型建立
...........................................................................................................................................
8
5.2.4 模型训练
...........................................................................................................................................
9
5.2.5 模型测试
.........................................................................................................................................
11
5.2.6 多图平均二值法:预测效果整体提升
.........................................................................................
12
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)
.................................
17
5.2.8 Test3、Test4 图片耕地标签图制作
...........................................................................................
18
5.2.9 Test3、Test4 图片耕地面积比例计算
.......................................................................................
19
5.3 问题二求解——参数评估
.....................................................................................................................
19
5.3.1 训练参数对模型预测精度的影响
.................................................................................................
19
5.3.2 腐蚀与膨胀核参数对面积精度的影响
........................................................................................
20
六、模型评价
.....................................................................................................................................
23
6.1 优点和缺点分析
.....................................................................................................................................
23
6.1.1 优点
.................................................................................................................................................
23
6.1.2 缺点
.................................................................................................................................................
24
6.2 模型创新点及应用前景
........................................................................................................................
24
七、总结
.............................................................................................................................................
24
八、参考文献
.....................................................................................................................................
25
附录 1 程序
........................................................................................................................................
27
附录 2 多图平均二值法优化前后对比图[初赛模型]
....................................................................
56
附录 3 多图平均二值法优化前后对比[复赛模型]
........................................................................
59
附录 4 腐蚀与膨胀优化前后对比图
................................................................................................
62
1
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
x
最大像素值
min
x
最小像素值
p
比值
x
原始像素值
x'
归一化后像素值
'x'
可视化后像素值
y
“整合图片”像素值
i
y
第 i 子图像素值
测试图与训练图特征方向夹角
2
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]
3
测试中该模型在遥感图像空间分辨率为 2m 的条件下可作出误差在 5%范围内的对耕地的精
确分割。测试结果的相对误差在表 1 中给出。
表 1 48 图模型测试面积比例预测结果及相对误差[初赛]
2 结果分析
由图 1 可知,该 U-Net 网络模型的训练损失(loss)和准确率(accuracy)随迭代次数变化,
最终归于平稳,训练结果较为理想。但该模型训练损失和准确率在前期变化较为稳定,后期(约
从 63 次开始)产生突变。这说明该模型在训练中可能出现“过拟合”现象,模型泛化性和稳
定性有待提升。
由表 2 数据可知,该模型的分割相对误差小于 5%,大部分测试结果相对误差在 1%以内,
分割结果精度高。分析相应图像结果可知,该模型能较精确的分割耕地的边界,对于楼房住
宅区、植被、池塘有较高的分割精确度且基本能实现道路连续分割,分割结果较为清晰。将
预测结果与标签图比对可知,该模型仍存在问题:
(1)噪声问题。噪声明显,黑斑,白斑均有出现;
(2)边界问题。边界不圆滑,有毛刺;
(3)道路问题。部分道路间断,交叉处间断明显。
图 2-1 噪声问题 (左至右依次为遥感图、预测标签、人工标签)[初赛]
剩余63页未读,继续阅读
牛站长
- 粉丝: 22
- 资源: 299
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 第12章spring-mvc自定义类型转换器
- 基于PHP图书管理系统实验报告.docx
- Python爬取淘宝热卖商品并可视化分析
- 5152单片机proteus仿真和源码将按键次数写入AT24C02再读出并用1602LCD显示
- SE-SSD复现过程(Det3D的安装教程)
- 基于Python的在线学习与推荐系统设计与实现(论文+源码)-kaic
- 串口通过 YMODEM 协议进行文件传输
- 蓝桥杯2024年第十五届省赛真题-前缀总分
- com.qihoo.appstore_300101305-1.apk
- tensorflow-gpu-2.7.1-cp37-cp37m-manylinux2010-x86-64.whl
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0