随着遥感成像技术和计算机硬件的迅猛发展,产生了大量的高分辨率遥感图像。遥感图像已在多个领域广泛应用,从遥感图像检测城市建筑是目前的研究重点之一。由于城市是高密度建筑区域,即在较小范围内有大量结构相似的建筑紧密分布,经典的神经网络和分割算法很难在该场景中准确检测建筑实例。为了解决城市密集场景中的建筑实例分割问题,本文基于传统的分割算法和边缘检测的神经网络,提出了一种强化边界精度的建筑检测新方案。该方案根据建筑及边界特点改进深度网络,并结合自下而上分组的分水岭分割算法提高地表分类精度和建筑边界的准确度,主要研究内容有以下两点:1、针对经典神经网络在建筑边界定位不足的问题,提出了面向边界的建筑检测网络。首先,对原始数据集进行数据预处理,生成建筑边界和建筑分割线两类辅助标签;然后,对性能较优的ICT-Net网络在网络结构和损失函数等方面进行优化,旨在丰富边界信息,强化建筑和背景、建筑和建筑之间的差异,进而提高网络性能。结果表明数据预处理、改进深度学习算法可提高建筑检测像素精度重叠度(Intersection over Union,IOU)约1%,提高建筑实例召回率12.4%。2、针对网络预测结果难以区分建筑实例的问题,提出了结合分水岭分割算法和梯度提升回归树的后处理,实现了高精度的建筑提取。该算法基于分水岭分割算法合理分割“粘连”的建筑掩膜,提取建筑实例,并通过梯度提升回归树判别建筑实例的真实性,完成了网络预测结果的进一步细化。同时,通过超参数搜索,找到了后处理的最佳参数配置。实验证明,后处理能充分利用网络输出的概率信息,有效优化建筑边界,并在网络预测结果的基础上提高建筑实例召回率10.5%。本文方案结合了面向边界的建筑检测网络和基于分水岭分割和梯度提升回归树的后处理,与原始的ICT-Net网络相比,提高建筑实例召回率22.9%。因此,基于这两方面的改进的本文所提方案能更有效地检测城市密集场景下的建筑实例,为数字城市建设、土地利用调查等提供帮助和指导。
超低碳钢显微组织为铁素体,在制样过程中极易出现划痕和晶界腐蚀不清晰的现象,严重影响金相组织分析。同时,显微组织特征的分析结果严重依赖于专家经验,受主观因素影响较大且效率低。为了高效获得超低碳钢显微组织特征信息,基于超低碳钢金相图像数据集,采用归一化、自适应阈值法处理图像,增强图像对比度;融合自注意力机制(Self-Attention,SA)和循环回归生成对抗神经网络(CycleGan),开发基于CycleGan+SA的晶界增强算法;建立超低碳钢显微组织特征强化模型,实现了显微组织图像的自动处理与晶界信息的特征强化。在此基础上,采用分水岭分割算法对晶界强化后的显微组织图像进行精细化分析。结果表明,CycleGan+SA算法可以有效去除原始金相图像中的划痕并补全晶界模糊区域,实现超低碳钢晶界特征强化。相比原始的CycleGan算法,引入注意力机制后,CycleGan+SA算法可以实现更清晰的晶粒分割,图像识别精确度P值由97.43%提升至98.75%,综合评价指标F值由97.49%提升至98.73%。在显微组织精细化分析方面,通过与常用分析软件对比,超低碳钢显微组织特征强化模型与Image J软件测定的晶粒尺寸平均误差为1.2个晶粒,与Image Pro Plus软件测定的晶界比例误差为0.008个百分点,模型与软件统计结果吻合较好,具备一定的应用前景。
暂无评论