基于python的遥感图像语义分割

 

图像的语义分割（Semantic Segmentation）是目前计算机视觉中极为重要的任务之一，在自动驾驶、图像美化、三维重建等方面都有广泛的应用。近年来，自动驾驶成为国内外一大应用热点，如何提高图像语义分割的精度、速度，是解决该技术难点的核心。

本文在研究了遥感图像典型地物分类中地物类型的不确定性、形态多样性以及空间分布的复杂性等原因导致分类精度较低的难点问题，利用深度学习技术抽象提取高维表达特征。主要分析研究了现有分类算法，首先使用传统方法进行分割，提高了遥感图像典型地物分类的精度。针对遥感图像典型地物分类像素标记数据集中普遍存在的样本类别非均衡性问题，通过BN在deeplabv3+下的语义分割进行分割实验，实验结果验证了数据集中道路、草地类别导致的非均衡性，本文使用GN在deeplabv3+下的语义分割典型地物分类模型，并在大量数据集下进行实验，

经过实验，深度学习方法性能效果较佳。传统方法可以实现在一定程度提升某一类地物分割性能，但是需要对地物分类特征模式有一个了解和选择，对分割任务和对象有更全面了解和针对性。

 

1.1本课题研究目的和意义

语义分割目前计算机视觉中极为重要的任务之一，在自动驾驶、图像美化、三维重建等方面都有广泛的应用。

计算机视觉作为人工智能领域的一大核心，它的主要工作是指用摄像机和计算机来模拟人类的视觉，从而对目标物体进行相关操作，例如进行识别、跟踪、测量等，并通过计算机的相关识别和分析做进一步的图像的处理，将图片经过计算机，然后处理成为更加适用于人眼观察，或者处理计算成仪器更容易检测的图像或者其它形式的表示。这门技术在人工智能领域起着很大的作用，原因是用计算机模拟人类的视觉，对客观世界进行感知、识别和理解。机器之所以能够完成需要用上人类智能的任务和特定功能，很大部分原因是依赖于计算机视觉，比如图像识别、人脸识别、三维场景感知、目标定位等等。

目前，主流的自动驾驶技术也用到了计算机视觉相关的技术，在自动驾驶的汽车上会安置大量的高清摄像头和传感器，这些硬件设备会收集汽车附近的图像信息并将其输入泸车“大脑”中进行处理、分析，从而判断出汽车附近的实时路面情况。所以计算机视觉在自动驾驶中有着举足经重的作用，而且自动驾驶对所分析路面状况的安全性和可靠性的手非常高，因此自动驾驶中的计算机视觉技术比其在其他领域的应用要求更严苛，不能不半点马虎。

1.2国内外研究现状

1.2.1传统计算机视觉技术

在神经网络出现之前，传统计算机视觉技术已经有了相当完备的发展。例如，需要解决一项诸如图像分类的工作，首先需要进行的是特征提取，所谓特征就是图像中，对项目有用的兴趣，描述性的或是提供信息的一小部分。通过传统计算机视觉技术的组合，例如边缘检测、角点检测、对象检测等技术来解决相关问题。

【S2021012基于python的遥感图像语义分割系统Semantic-segmentation-master】 https://www.bilibili.com/video/BV1db4y1D71f/?share_source=copy_web&vd_source=3d18b0a7b9486f50fe7f4dea4c24e2a4