光学遥感影像道路提取的方法综述(9)
不同于传统方法,深度学习方法虽然具有泛化性强、自动化程度高等优势,但其自身也存在一些问题:一方面其需要大量的准确数据集,另一方面深度学习训练时间过于缓慢,目前模型方法尚处于实验室研究阶段,大规模大范围基于深度学习的道路提取工作尚未开展。
图12 多尺度卷积神经网络Fig.12 Multi-scale convolutional neural network
3.5 方法评价与发展历程
(1)道路提取方法的对比分析。目前,由于影像数据的多样性和道路网络的多变性,各类道路提取方法的通用评价准则较少。为定量评价文中各类道路提取方法的效果,本文从Wiedemann(2003)和戴激光等(2018)提出的道路评价方法中选取了3 种普适的定量评价指标:道路的完整率、正确率和提取质量。3种评价指标的计算公式如下
完整率(Completeness):
正确率(Correctness):
提取质量(Quality):
式中,D为正确提取的道路总长度,N为未检测的参考道路总长度,P为误提取的道路总长度。上述3种评价指标的最优值均为1。
在各类方法之间的定量分析对比中,为了尽量避免出现由本文作者编写代码造成其他道路提取方法质量下降,进而导致方法对比的不客观问题。本文首先从软件入手,分别选择了Erdas 中IMAGINE Easytracing 模块(模板匹配方法)、eCogntion 中面向对象分类模块,其次当难以选用软件处理时,本文选取了Willrich(2002)作为知识驱动方法,深度学习中选取了本文提出的残差神经网络。本文从Maryland 数据集(http:///data[2018-09-10])中选取50幅影像作为实验数据,以所有影像实验结果的均值作为评价分析参数。如图13 为4 类方法提取结果的对比示例图,红色代表提取的道路。
图13 4种方法道路提取结果Fig.13 Four methods road extraction results
表4 给出了4 类代表方法的定量分析对比结果,可以看到模板匹配法较其他3种方法提取效果最佳。但统计数据表明模板匹配法人工干预程度极高,种子点选取较多,算法自动程度低。知识驱动的道路提取方法完整率、正确率和提取质量分别是83%、88.7%、83%,其人工参与度低,但比面向对象方法提取效果好。而面向对象法易受到噪声干扰(建筑物、阴影、道路障碍物),分割结果不佳,71.4%的完整率和79.1%的正确率验证了这一论点。相比其他3种方法,深度学习方法完整率和正确率分别是88.7%和98.7%,可提取被遮挡(车辆、树木阴影、建筑物阴影)的道路区域(图13(d))。但是该方法提取质量为87.6%,表明该方法提取结果仍然存在不连续、过度拟合的问题,并且深度学习方法目前无法处理由视觉大面积遮挡的道路区域。从软件应用来看,模板匹配法和面向对象法理论已相对成熟,用户可以在商用软件上操作使用,而知识驱动由于涉及知识过多,因而具有普适性的商业化软件不多,而深度学习方法仍处于实验阶段。从实际效果来看,不同方法在不同场景中具有一定的适用性,但关键取决于人工的参与度大小,人工参与程度越大则实际效果越佳。
表4 4种分类方法之间的定量分析对比Table 4 Quantitative analysis and comparison between four types of methods/%评价指标完整率正确率提取质量方法模板匹配98.8 99.8 98.7知识驱动83 88.7 83面向对象71.4 79.1 56.5深度学习88.7 98.7 87.6
(2)方法发展历程。为定量化阐述4种分类方法发展历程,本文分析了不同方法的变化过程。其中1999年—2018年发表的论文以5年为间隔统计文献数量。针对1999年前发表的论文,由于选取数量较少,故本文仅统计1973年—1998年间发表的文献数量。图14 为本文4 类方法的文献数量变化统计图。
图14 4类方法的文献个数统计图Fig.14 Statistical data for four types of methods
可以看到:
(1)模板匹配法在1973年—1998年间文献数量明显多于其他3 类方法,1999年—2013年间文献数量逐渐上升,并在2009年—2013年间达到峰值,但在2014年—2018年间文献数量呈现下降趋势。
(2)知识驱动方法和面向对象方法的曲线变化趋势近似,在2014年—2018年间论文数量均呈现急剧增加的趋势。
(3)深度学习方法相关论文发表时间较晚,2009年—2013年间仅有少量论文。随着2012年深度学习地物识别取得突破后,相关论文大幅增加。
4 结 语
光学遥感影像道路提取方法在过去20年内取得了显著成绩,随着国家“十三五”高分专项的进一步深入实施以及国家空间基础设施建设的推进,将有更多的国产卫星发射(陈仲新等,2016)。伴随着现代计算机视觉、大数据、深度学习等技术的发展,以及各行业领域发展的需求,将对光学遥感影像道路提取的研究与应用提出更高的要求。虽然近年来道路提取方法取得了长足的进步,但普适性仍存在一定的问题,因此本文期待从以下几方面得到进一步研究与发展:
文章来源:《光学与光电技术》 网址: http://www.gxygdjs.cn/qikandaodu/2021/0622/593.html
上一篇:安科色选全球销量超台
下一篇:放大光学增强内镜在结直肠息肉诊疗决策中的应