基于深度学习的寒旱区遥感影像河流提取

寒旱区河流提取对该地区生态环境监测、农业规划、灾害预警等具有重要意义.根据寒旱区特点制作了面向寒旱区遥感影像河流识别的专业数据集;为了提高网络的识别准确率,融合迁移学习与深度学习,将ResNet50网络迁移到Linknet网络,得到R-Linknet网络;为了提取到更多的细节信息和增加提取河流的连贯性,将密集空间金字塔池化与R-Linknet网络相结合,扩大网络的感受野;训练时,将Dice系数损失函数与二分类交叉熵函数相结合,作为新的损失函数.数据集验证结果表明,本文提出的方法与多种语义分割网络相比,像素准确率较FCN_8s、ResNet50、DeeplabV3、Unet和原始Linknet网络分别提高0.216、0.099、0.031、0.056和0.023,交并比分别提高0.19、0.142、0.056、0.105和0.028;加入Dense ASPP之后,像素准确率提高0.023,交并比提高0.050,采用新的损失函数进行训练后,像素准确率和交并比又分别提高0.019和0.022.该方法提取到的河流更加清晰、连贯,能够满足后续的研究需求.