城市土地利用类型语义分割开题报告

全文总字数：8795字

1. 研究目的与意义（文献综述）

1.1研究目的

本文选择了宁波市鄞州区作为研究区域，该区域土地类型特征鲜明且在城市社会经济快速发展的背景下，土地利用类型与方式发生了明显的变化。在充分浏览国内外研究成果的基础上，本文借助 envi5.1、arcgis10.5等软件模型对该区域2015年的高分辨率遥感影像做了预处理并进行了分析，之后用u-net网络对其进行城市土地利用类型语义分割，并并行使用fcn网络辅助以探索两者网络的区别。

2. 研究的基本内容与方案

2.1研究内容

本文以宁波市鄞州区为研究区域，主要通过U-net网络、辅以FCN进行土地利用类型的语义分割研究。首先，获取遥感影像数据并进行精度检验；其次使用人工制造大量样本并构筑U-net网络结构进行训练，并进行精度评价；然后针对U-net网络的问题样本用FCN进行分类，辅以辅助矫正；最后探索网络之间的差异与互补可能。

2.2研究目标

（1）全面了解深度神经网络的特征与规律，为基于深度学习的遥感土地利用类型语义分割提供可再现的基础，为未来研究提供依据。

（2）研究不同网络之间相互矫正的可能性与效果，通过U-net与FCN两个网络作为引子，为未来的网络性能提升探索更大的可能性。

2.3技术方案及措施

技术路线图如下：

图一 技术路线图 ①为准备部分，确定了研究区域与分类标准等基本要求；②为网络训练部分，主要针对U-net网络与FCN网络进行训练；③为结果分析部分，对整个成果进行评价与分析。

（1）准备部分：获取宁波市鄞州区的高分辨率卫星遥感影像，并使用arcgis与ENVI对获取的影像数据进行几何校正、去噪、大气校正操作，并裁剪出研究区域；根据相关论文以及国家标准参考，并结合网络承载能力，确定土地利用类型分类体系。

（2）网络训练部分：该部分主要是针对网络进行的相关操作。

样本制作：做出200*200的样本框，根据分类标准在样本框内人工绘制样本，并通过arcgis与python程序对原始影像根据样本框进行裁剪，并将样本进行旋转以增加样本数量，最后得到2000 样本并分为训练集、测试集与验证集。

U-net网络训练：将三个集合投入U-net网络中进行训练，并对训练精度进行分析，找到问题原因，如果是类别太多或太少导致，则修改分类体系；U-net网络本身具有分类过细碎问题，在加入空洞卷积与条件随机场后会有所改进，但仍需要FCN辅助分类。

FCN网络辅助：使用样本集合对FCN网络进行训练，FCN网络的分类结果尺度较大，可以有效缓解U-net网络的过于细碎情况。将得到的结果与U-net网络相叠加得到最优结果。

（3）结果分析：对融合结果进行精度评价、多网络横向比较评价、效率评价，以获得该算法的综合性能属性。网络融合的效果是可以遇见的好的，但最大的问题在于运算效率，若通过在特定情况接入融合器从而减轻计算机负担则可以将融合算法向前大幅推进。

3. 研究计划与安排

第1-3周 查阅相关文献资料，明确研究内容；分析国内外研究现状，学习基本理论；

第4周 阅读相关文献资料，整理技术方案，撰写开题报告；完成英文文献翻译；

第5-7周 遥感影像获取、预处理与解译，确定分类指标并并制作大量样本；

4. 参考文献（12篇以上）

[1]zhangxinlong，chenxiuwan，lifei，etal.change detection methodfor high resolution remote sensingim ages using deep learning［j］. acta geodaeticaet car tographicasinica，2017，46（8）：999-1008.

[2]chen xianchang.research on algorithm and application of deep learning based on convolutional neural network［d］.hangzhou：zhejianggongshanguniversity，2014.

[3]陈一鸣,彭艳兵,高剑飞.基于深度学习的遥感图像新增建筑物语义分割[j].计算机与数字工程,2019,47(12):3182-3186.