高光谱高空间分辨率遥感影像建筑物提取及场景理解

发布时间：2020-04-26 11:39

【摘要】：建筑物作为与人类生活生产密切相关的重要地物,是衡量城市发展的重要指标之一,利用遥感影像对其进行自动化批量提取无疑为城市的发展提供更加迅速、高效的地理信息基础数据,相对于传统人工方法也更加省时省力。场景理解是随着遥感数据的大量积累而提出的一个较新的概念,以解决如何让计算机如同人脑一样“理解”影像,并对海量影像进行自动识别、分类、管理等等。建筑物场景理解拟寻求与建筑物相关的影像自动识别、分析、理解的方法,为城市信息化、精细化管理,智慧城市建设等提供科学依据。基于此,本文主要在大面积批量提取建筑物并对建筑物场景进行高效分类等方面进行了一些研究,主要工作及创新点如下:(1)提出高光谱高空间分辨率遥感影像面向对象的多尺度分割和低层多特征提取及融合的方法。针对目前单一低层特征描述刻画地物不精细现状,利用最优分割参数对高光谱高空间分辨率遥感影像进行多尺度分割,然后提取具有代表性多类低层特征并进行融合,得到各个对象的高维低层特征。高维低层特征能够较好的刻画地物特性,这个过程是对高光谱遥感影像进行降维处理,减少计算量;而对高分辨率遥感影像是一个升维处理,提高特征的表达精度。(2)本文研究了基于高维低层特征的稀疏表示分类方法,并在稀疏表示过程中加入Fisher约束条件。建筑物的提取是利用对象层次上的高维低层特征,结合稀疏表示分类方法,并在字典学习过程中加入了Fisher约束准则,解决传统稀疏表示方法构成的字典较难捕获相似类别的相对差异性信息问题。批量识别分类结果显示,因遥感影像在数据源、成像质量、地物复杂度上各有差异,导致分类结果良莠不齐,但建筑物提取结果避免了基于像素进行分类所产生的细碎图斑。总体来看,成像质量好、地物复杂度低的影像识别分类结果优于其他影像。但一对多的样本处理,大面积、多形态、高差异的建筑物提取都在以往的研究成果中属于少数。(3)本文研究了基于中层语义,利用RBF-NN模型进行建筑物场景分类方法。神经网络具有强大学习功能,结合中层语义,实现高光谱高空间分辨率遥感影像在同一个体系中进行场景分类分析处理。结果显示,可以利用较少的样本得到较好的分类结果,验证了方法的有效性。这也不同于利用整幅影像全局或局部的数理统计特征信息进行场景分类的传统方法。(4)初步形成从高光谱高空间分辨率遥感影像低层多特征提取及融合,到建筑物提取分析,最后上升到建筑物场景分类这一较为完整的体系。并结合实验验证该体系的实用性和有效性,为以后多源遥感影像的特征提取分类及场景理解提供一种思路。
【图文】：

影像,多尺度,分割算法

图 2-1 多尺度层次关系结构图细说来多尺度分割算法是一种从下到上的分割，以一个单独的像素为起点并周围相似像元而形成小影像的对象，将两两小的分割区域合并成大的，这是一个迭代循环合并的过程，每次循环每个对象区域都会被操作一次是使用异质性准则和尺度来限制合并的大小。使用多尺度，可以进行多次，可以进行粗分割，然后再进行细化。面向对象的多尺度分割算法详细过2-2 所示。输入影像设置分割参数（尺度、形状参数、紧致度参数）第1次分割（基于像元层的分割）

原理图,异质性,准则,原理图

图 2-3 异质性准则原理图由此可以得到区域异质性公式为： ( ) （1）其中 H 为结果区域的异质性，为光谱因子的权重，为形状因子权重，谱颜色与形状共同决定着区域异质性。、分别为光谱异质性和形状异质性。谱颜色因素和形状因素呈现互补的趋势，光谱颜色因素若是考虑较多，则形状因就相应被削弱，反之亦然。在遥感影像中，光谱信息作为比较重要的信息，因此权重分配的时候不宜过小。较好的考虑形状因素则较好的得到几何形状完好的割结果。光谱异质性[68] 是由对象的各个波段的像元值的标准差的加权和计算得到的，公式为： ◎ （2）其中为各个波段光谱的权重系数, 为各个波段光谱值的标准差系数。形状差异性是由紧致度与光滑度来共同决定的，计算公式为这两部分的加和，其公式为：
【学位授予单位】：重庆交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P237

【参考文献】