本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：基于深度学习理论，采用 TensorFlow 和 Keras框架，在下载的原始卫星地图上使用LabelMe软件对目标物体山和水域进行标注，将标注好的原始卫星地图切分成小尺寸图片并进行图像增强后，使用U-Net算法构建神经网络模型进行图像分割来提取目标物体的轮廓。在得到目标物体的轮廓后，经过经纬度计算转换获取目标物体的闭合电子边框，与无线网络中的MDT栅格化数据及地（市）、面场景、点场景电子边框相结合应用于网络评估。该方法可剔除无需网络覆盖区域的山体水域部分对指标的影响，有效提升各类场景网络覆盖评估的准确性，为网络规划建设与优化提供数据支撑。
关键词：图像分割；图像识别；U-Net；电子边框；网络评估
doi：10.12045/j.issn.1007-3043.2020.10.009
引言
随着通信技术的发展以及大数据的应用，当前针对 LTE网络的覆盖评估，已从小区级 KPI、MR指标评估扩展至地理化、栅格化评估，结合场景的电子边框可准确评估场景的覆盖情况以及覆盖问题所在的具体位置，对网络建设及优化具有重要的指导作用。
但在实际的无线环境中存在着大量山体与水域。这些区域中，大部分为人迹罕至区域或无人区，并不需要 LTE 网络覆盖。当前，常用的网络覆盖评估指标为有效栅格占比（有 MR 采样点的栅格面积/场景面积）和良好栅格占比（良好栅格覆盖面积/场景面积）。据浙江省政府的统计数据，浙江山地和丘陵占 74.63%，平坦地占 20.32%，河流和湖泊占 5.05%。相较平原地区，如果不剔除浙江省内的山体与水域的面积，将无法体现浙江省内各场景的真实网络覆盖情况。因此，本文提出了一种基于卫星地图的图像语义分割方法，通过U-Net算法获得山、水的电子边框，在网络评估中将这些无人区域剔除。该方法可有效区分网络无覆盖区域与无人区域，对网络规划建设及优化具有重要意义。
