黎江 许明慧 张羽

0 引言

传统的城镇空间规划主要依靠对多波段遥感影像分析结果，以多光谱的Landsat-8遥感影像为代表[1].高分辨率的遥感影像具有真实、实时以及便捷等特点，精确的图像分割是统计分析的前提.图像边缘检测利用图像的边缘信息实现图像分割是图像处理研究的一个基础方向，相关算法有LoG算子[2]、Sobel算子[3]、Canny算子[4]、Roberts算子[5]等.加拿大的Hay等[6]提出了多尺度分割方法对卫星影像进行分割；彭志平等[7]针对我国常用地图中的棕、蓝、绿、黑4种颜色在彩色空间的分布规律提出了快速阈值分割算法.为了提高图像分割效率，比利时的Vancoillie等[8]在处理图像分割时使用了遗传算法以及神经网络.

近年来，具有较强特征学习能力的深度卷积神经网络(CNNs)广泛应用在图像分割领域[9-10].CNNs通过大量标注图像数据的训练，利用学习到的这些携带了丰富的语义和空间信息的特征去进行图像分割[11-12].此外，DeepMask和SharpMask[13]直接从图像像素生成分割对象，然后将其分类为不同的类别.在Faster R-CNN[14]算法的基础上，结合经典语义分割算法FCN[15]，He等[16]提出了用于实例分割与关键点检测的Mask R-CNN，该网络框架由4部分组成，分别是卷积神经网络CNN、区域建议网络、ROIAlign与输出模块，使像素分类和提取的准确率得到极大提高，研究结果表明基于Mask R-CNN的遥感影像土地分割和轮廓提取是可行的.

为了在遥感影像上实现一次性对土地的高精度分割和轮廓提取，本文提出一种基于骨干网络为ResNet-101-RPN的Mask R-CNN的遥感影像土地分割与轮廓提取方法.如图1所示，整个方法包括几个步骤：首先选用17级谷歌地图(Google Maps)瓦片作为训练和测试数据集；……