摘要: 遥感图像中包含的信息是许多领域的重要数据来源，将遥感图像中的建筑物从众多目标中分割出来，对智能城市建设、国防安全等方面具有重要意义。随着深度学习的快速发展，基于深度学习方法的遥感图像建筑物分割取得了很大进展。但遥感图像中的建筑物尺... 展开 遥感图像中包含的信息是许多领域的重要数据来源，将遥感图像中的建筑物从众多目标中分割出来，对智能城市建设、国防安全等方面具有重要意义。随着深度学习的快速发展，基于深度学习方法的遥感图像建筑物分割取得了很大进展。但遥感图像中的建筑物尺度多变、边缘复杂，而且存在许多背景信息干扰，使得基于深度学习的遥感图像建筑物分割仍充满挑战。因此，本文针对遥感图像建筑物分割边缘精度不高，小目标建筑分割相互粘连，以及误分割和漏分割等问题，基于深度学习技术，从特征融合角度出发，提出了遥感图像建筑物分割算法。本文开展的主要工作和创新点如下： （1）针对遥感图像建筑物边缘分割精度不高，小目标建筑分割粘连问题，本文提出了一种基于边缘注意的多尺度特征融合网络EAMFNet。具体来说，EAMFNet在网络中添加基于HED算法的边缘检测分支，提取建筑物的边缘特征信息。并且该HED算法具有跳跃连接，能将定位信息和空间细节信息相融合。同时，EAMFNet通过门控注意模块AG，把富有强语义信息的高级特征叠加在边缘检测分支中的低级特征上，突出建筑区域，提升边缘特征信息的提取效果。此外，EAMFNet采用空洞空间金字塔池化模块ASPP，获取感受野更大的多尺度特征。最后，利用特征融合模块FFM将边缘特征信息和语义信息融合。实验结果表明，所提网络EAMFNet不仅提升了建筑边缘的分割精度，还缓解了小目标建筑的分割粘连问题，整体上提高了遥感图像建筑物的分割精度。 （2）由于遥感图像建筑物尺度多变，往往会造成建筑的误分割和漏分割等问题。为了解决该问题，本文在UNet基础上提出多路径特征融合网络MPFFNet。首先，本文把具有多尺度特征提取能力的RDI模块嵌入到UNet中，以兼顾不同尺度大小的建筑。其次，本文利用连续空洞卷积和多路径残差结构设计了MPRCA模块，并将该模块放在编码部分尾处，进一步扩大特征图的感受野，获取丰富的多尺度上下文信息。实验结果表明，所提算法MPFFNet能满足不同尺度建筑的要求，有效地缓解了建筑的漏分割和误分割。 （3）为方便使用各种分割算法对遥感图像建筑物进行分割，本文设计了遥感图像建筑物自动分割系统。具体来说，该系统利用QtDesinger和PyQt5等技术，搭建系统界面并编写相关业务逻辑，组织协调各个算法工作。测试结果表明，该系统简洁实用，能有效地分割出遥感图像中的建筑物。 收起