基于深度对抗学习的农业遥感图像处理应用研究

农村居民点是农村生产生活的载体，农村住宅是农村居民点用地的主要组成部分。因此，优化农村聚落布局和土地集约化对重建农村空间、促进农村振兴具有重要作用。随着高空间分辨率遥感技术和机器学习技术的快速发展，准确识别和快速绘制农村住宅建筑地图成为可能。通过分析高分辨率图像的特点和现有图像分割中存在的问题，引入对抗机制，进一步提高深度学习分割模型的性能。本文的主要研究内容主要包括以下三个部分：（1）对于遥感数据图像分割，本文研究了三种经典的图像分割模型，包括FCN、编码器-解码器和u-net，横向比较了三种网络结构的特点和优势，并通过实验对提高图像分割效果的功能模块进行了分析和验证。实验结果表明，在三种经典的分割模型中，u-net利用特征横穿和反卷积操作，可以显著提高分割精度。（2） 鉴于传统的卷积网络分割模型使用L1范数作为损失函数，这可能会导致目标在目标函数的过度表示和不足表示，本文本文介绍了对抗机制，并在深度对抗机制的基础上提出了一种新的分割方法。UGAN的分割模型以u-net作为深度对抗网络的生成器，受patchGAN的启发，构造了一个五层全卷积网络作为鉴别器。实验结果表明，与传统的卷积网络模型相比，该方法可以有效地将建筑物目标与其他人造目标区分开来，并获得更准确的建筑物分割结果，这反映了对抗训练机制可以进一步优化生成器的表示能力。（3） 针对UGAN分段模型可能存在的训练不稳定性，本文进一步优化了目标函数的对抗网络，提出了一种基于梯度惩罚的规则项WGAN-gp分段模型。同时，针对GP模型中的Lipschitz连续性约束，本文进一步提出了一种基于Wasserstein散度的改进WGAN-div模型。实验结果表明，wgan-div模型的分割性能优于wgan-gp模型。总体而言，本文研究并改进了高分辨率农业遥感图像的深度学习分割模型。实验结果表明，与经典分割模型相比，本文提出的分割模型能够更准确地提取复杂背景下的建筑物目标，对农业信息化具有一定的现实意义。