基于深度学习和多次棋盘分割法的高分辨率影像河流提取

doi:10.13209/j.0479-8023.2019.045

北京大学学报自然科学版 ›› 2019, Vol. 55 ›› Issue (4): 692-698.DOI: 10.13209/j.0479-8023.2019.045

基于深度学习和多次棋盘分割法的高分辨率影像河流提取

方海泉^1,†, 蒋云钟², 冶运涛², 曹引²

1. 北京大学数学科学学院, 北京 100871 2. 中国水利水电科学研究院水资源研究所, 北京 100038

收稿日期:2018-05-29 修回日期:2018-10-23 出版日期:2019-07-20 发布日期:2019-07-20
通讯作者: 方海泉, E-mail: fanghaiquan22(at)126.com
基金资助:
国家自然科学基金(51309254)资助

River Extraction from High-Resolution Satellite Images Combining Deep Learning and Multiple Chessboard Segmentation

FANG Haiquan^1,†, JIANG Yunzhong², YE Yuntao², CAO Yin²

1. School of Mathematical Sciences, Peking University, Beijing 100871 2. Institute of Water Resources, China Institute of Water Resources and Hydropower Research, Beijing 100038

Received:2018-05-29 Revised:2018-10-23 Online:2019-07-20 Published:2019-07-20
Contact: FANG Haiquan, E-mail: fanghaiquan22(at)126.com

摘要/Abstract

摘要：

针对目前从遥感影像中提取的河流, 尤其是细小河流容易出现中断的情况, 将深度学习与多次棋盘分割法相结合, 应用于高分辨率遥感影像的河流提取。基于对山区、平原和城市3景高分二号卫星遥感影像的实验表明, 与现有的方法相比, 该方法提取的河流更加连续, 并且能够提取高分二号卫星遥感影像中两个像元的细小河流。

关键词: 深度学习, 多次棋盘分割法, 高分辨率遥感影像, 河流提取, 卷积神经网络(CNN)

Abstract:

Using existing methods to extract rivers, especially the small river from remote sensing images, is liable to be interrupted. The combination of deep learning and multiple chessboard segmentation is applied to river extraction from high resolution remote sensing images. Three GF-2 satellite remote sensing images in mountain area, plain and city are used for experiment. The results show that compared with the existing methods, extracted river by proposed method is more continuous. The small rivers accounts for two pixel widths can also be extracted in GF-2 satellite remote sensing images.

Key words: deep learning, multiple chessboard segmentation, high resolution satellite images, river extraction; convolution neural network (CNN)

方海泉, 蒋云钟, 冶运涛, 曹引. 基于深度学习和多次棋盘分割法的高分辨率影像河流提取[J]. 北京大学学报自然科学版, 2019, 55(4): 692-698.

FANG Haiquan, JIANG Yunzhong, YE Yuntao, CAO Yin. River Extraction from High-Resolution Satellite Images Combining Deep Learning and Multiple Chessboard Segmentation[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2019, 55(4): 692-698.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/10.13209/j.0479-8023.2019.045

https://xbna.pku.edu.cn/CN/Y2019/V55/I4/692

[1]	李玳, 王天牧, 张思, 秦跃, 谢福贵, 刘辛军, 聂振国, 黄红拾. 基于足底压力和卷积长短期记忆神经网络的前交叉韧带断裂智能辅助诊断[J]. 北京大学学报自然科学版, 2024, 60(1): 109-117.
[2]	张丰硕, 李豫, 李向前, 徐金安, 陈钰枫. 一种消减多模态偏见的鲁棒视觉问答方法[J]. 北京大学学报自然科学版, 2024, 60(1): 23-33.
[3]	姚照原, 马磊, 万玮, 宋本钦, 王卫红, 邓继伟, 肖蕾, 冀锐, 魏之皓, 崔要奎. 基于深度学习的遥感样本库一致性评估[J]. 北京大学学报自然科学版, 2023, 59(4): 563-568.
[4]	周翔宇, 毛善君, 李梅. 基于频域降采样和CNN的轴承故障诊断方法[J]. 北京大学学报自然科学版, 2023, 59(2): 251-260.
[5]	李放, 曹健, 李普, 谢豪, 赵雄波, 王源, 张兴. 基于ARM+FPGA异构平台的目标检测加速模块设计与实现[J]. 北京大学学报自然科学版, 2022, 58(6): 1035-1041.
[6]	李天然, 刘明童, 张玉洁, 徐金安, 陈钰枫. 基于深度学习的实体链接研究综述[J]. 北京大学学报自然科学版, 2021, 57(1): 91-98.
[7]	黄德朋, 李正华, 龚晨, 张民. 基于神经耦合模型的异构词法数据转化和融合[J]. 北京大学学报自然科学版, 2020, 56(1): 97-104.
[8]	黄红拾, 王政飞, 许国雄, 李文新, 张思, 张东霞, 敖英芳. 基于步行时足底压力信息的前交叉韧带断裂辅助诊断方法[J]. 北京大学学报自然科学版, 2019, 55(5): 859-864.
[9]	蔡振宇, 盖增喜. 人工智能在拾取地震P波初至中的应用——以汶川地震余震序列为例[J]. 北京大学学报自然科学版, 2019, 55(3): 451-460.
[10]	厉小军, 施寒潇, 陈南南, 柳虹, 邹轶. 基于表示学习的情感分析研究[J]. 北京大学学报自然科学版, 2019, 55(1): 105-112.
[11]	王潜升, 余南, 张梅山, 韩子嘉, 付国宏. N3LDG: 一种轻量级自然语言处理深度学习库[J]. 北京大学学报自然科学版, 2019, 55(1): 113-119.
[12]	吴焕钦, 张红阳, 李静梅, 朱俊国, 杨沐昀, 李生. 基于伪数据的机器翻译质量估计模型的训练[J]. 北京大学学报（自然科学版）, 2018, 54(2): 279-285.
[13]	史忠奎, 李培军, 罗伦, 阳柯. 基于形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法[J]. 北京大学学报（自然科学版）, 2018, 54(1): 105-114.
[14]	刘勘,袁蕴英. 基于自动编码器的短文本特征提取及聚类研究[J]. 北京大学学报（自然科学版）, 2015, 51(2): 282-288.
[15]	奚雪峰,周国栋. 基于Deep Learning的代词指代消解[J]. 北京大学学报（自然科学版）, 2014, 50(1): 100-110.

基于深度学习和多次棋盘分割法的高分辨率影像河流提取

River Extraction from High-Resolution Satellite Images Combining Deep Learning and Multiple Chessboard Segmentation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

留言