面向对象的高分辨率遥感图像深度特征提取与分类研究

发布时间：2020-10-20 23:06

　　 在现有的遥感数据中,高分辨率遥感数据可以提供丰富的地表信息,精细地描述地物目标的空间结构和表层纹理。图像中的地物轮廓信息更加清晰,为有效解译分析提供了条件和基础。高分辨率遥感数据已显示出比传统的中、低分辨率遥感图像的显著优势和良好的应用前景,但高分辨率数据处理水平和实际需求之间还存在着较大的差距。遥感图像分类是遥感数据信息处理的基本任务之一,建立在多尺度分割基础上的面向对象的图像分析方法是遥感图像解译的有效方法,尤其在高空间分辨率遥感图像分类方面有着巨大的优势。但是自二十世纪末发展至今,该方法仍面临以下两个问题:(1)遥感图像分割是决定面向对象图像分析与计算成功与否的关键,但是高空间分辨率遥感图像中丰富的地物目标与空间语义信息必须在多尺度下才能充分表达和描述。因此,如何定量评价图像分割质量,确定最优分割参数组合,是一个亟待解决的问题;(2)尽管传统的面向对象的高分辨率遥感图像分类方法在特征描述、特征学习以及分类器设计等方面取得了重要的发展,但是大多数传统方法仅从原始图像中提取浅层次的特征用于分类,对于对象目标的深层次地物特征的表达不够充分,特征的人工设计与选择也不利于多源遥感大数据的自动化解译与信息挖掘。因此,如何自动化地提取深层次特征是另一个亟待解决的问题。为解决上述两个问题,本论文围绕非监督的图像分割质量评价、基于超像素特征表达的特征学习方法和面向对象的多尺度卷积神经网络分类展开研究。论文的主要成果如下:(1)基于地统计学中的空间分层异质性,提出了一种无监督遥感图像分割质量定量评价方法。该方法从原始图像中提取光谱和纹理特征构建待评价的特征集,从图像分割区域特征统计的角度,引入空间分层异质性和空间自相关作为区域内外同质和异质性评价的测度。两个测度用于计算分割结果在特征集中的统计值,最后基于马氏距离联合两个测度得到一个全局的质量评价标准,进而根据图像的分割结果质量,选择分割算法或确定最优分割参数组合。(2)提出了一种基于超像素的卷积神经网络特征学习方法。该方法充分利用高分辨率遥感图像丰富的语义信息,采用简单线性迭代聚类算法对待分类的遥感图像进行超像素分割,获得紧凑且大小均匀的超像素对象作为网络模型的输入,从中标记训练样本用于训练卷积神经网络的模型参数,从而达到自动学习地物对象深度特征的目的。该方法克服了现有使用像元邻域矩阵作为网络输入带来的运算复杂及缺乏目标背景信息等问题,提高了特征提取的效率和深度。(3)提出了一种自适应边界约束的多尺度卷积神经网络分类方法。该方法在基于超像素特征表达的地物特征学习方法基础之上,构建了一个多尺度卷积神经网络模型,将不同尺度下的超像素对象作为网络输入,使用加权特征的融合方法提高特征表达的能力。通过使用本文提出的图像分割质量评价指标为超像素分类结果自适应地提供最优地物边界信息,对地物轮廓进行约束优化,得到最终分类结果,有效提高了高分辨率遥感图像数据特征挖掘与分类的自动化和智能化程度。
【学位单位】：中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP751
【部分图文】：

面向对象的高分辨率遥感图像深度特征提取与分类研究第 2 章 基于空间分层异质性的图像分割质量评价1 方法概述图像分割的本质是同质性区域合并和异质性区域分离。根据第 1 章中所讨的非监督评价的特征准则，最佳分割结果应该满足分割基元内部具有最大的质性以及基元之间最大的异质性。本文通过设计统计指标，计算分割区域局与整体的统计值，再将这些指标联合得到整体的质量评分。具体技术路线图图 2.1 所示。

2.5 实验与分析2.5.1 实验数据（）人工合成纹理图像为比较提取的光谱纹理特征集与原始图像在分割质量评价算法中作为输数据的差异，本文合成了两幅图像 S1 和 S2 用于测试（图 2.4）。其原图与分割值均为人工制作，包含不同纹理的原始图像是对地面真实地物的模拟，用于创这些图像的纹理材料是从奥卢大学纹理数据库（http://www.outex.oulu.fi）中随提取的。使用合成图像的原因是其图像内不同纹理对象的边界是人工设计的，分割边界标准是符合客观实际的。在分割结果统一的情况下，我们将在 S1 和 上测试基于原始图像与特征增强图像计算质量评分的差异，判断特征集对于分质量评价算法的影响。

面向对象的高分辨率遥感图像深度特征提取与分类研究高的相似性，反映对象之间相关性程度的空间自相关性较弱，对应的 MI 值较高。随着分割尺度的增大，分割对象的平均尺寸也不断增大，对象内部逐渐包含更多不相似的地物，对象间与的相似程度也不断降低。因此对象的同质性降低，对象间的异质性增强，导致 q 值和 MI 值随之下降。
【参考文献】

相关期刊论文 前10条

1 李德仁;张良培;夏桂松;;遥感大数据自动分析与数据挖掘[J];测绘学报;2014年12期

2 宋维静;刘鹏;王力哲;吕科;;遥感大数据的智能处理:现状与挑战[J];工程研究-跨学科视野中的工程;2014年03期

3 苏簪铀;邱炳文;陈崇成;;基于面向对象分类技术的景观信息提取研究[J];遥感信息;2009年02期

4 王启田;林祥国;王志军;梁勇;李文杰;;利用面向对象分类方法提取冬小麦种植面积的研究[J];测绘科学;2008年02期

5 孙志英;赵彦锋;陈杰;李桂林;檀满枝;;面向对象分类在城市地表不可透水度提取中的应用[J];地理科学;2007年06期

6 陈云浩;冯通;史培军;王今飞;;基于面向对象和规则的遥感影像分类研究[J];武汉大学学报(信息科学版);2006年04期

7 莫登奎,林辉,孙华,熊育久,刘秀英;基于高分辨率遥感影像的土地覆盖信息提取[J];遥感技术与应用;2005年04期

8 陈秋晓,骆剑承,周成虎,郑江,鲁学军,沈占锋;基于多特征的遥感影像分类方法[J];遥感学报;2004年03期

9 杜凤兰,田庆久,夏学齐,惠凤鸣;面向对象的地物分类法分析与评价[J];遥感技术与应用;2004年01期

10 苏理宏,李小文,黄裕霞;遥感尺度问题研究进展[J];地球科学进展;2001年04期

本文编号：2849284