高分遥感城市典型地物对象化识别方法研究

发布时间：2020-05-29 13:36

【摘要】：城市地表要素(覆盖)的识别对于城市规划变迁、土地利用分析以及地理国情监测等具有重要的意义。然而,高空间分辨率遥感影像(HSRRSI)丰富、细致的复杂数据特性,以及城市地表本身的复杂结构,都给影像地物识别带来了诸多挑战。目前,学者们已提出了大量的地物信息提取与识别方法,但从高分影像中对象化识别地物效果仍然不佳。同时,人们对地表信息获取的需求日益增长,已远远超过了人工目视解译所能提供的种类和速度,因此从高分影像中识别城市地物的研究具有广泛的理论意义和实用价值。本文基于深度卷积神经网络,结合遥感图像处理技术,建立了一套基于改进的Mask R-CNN目标识别算法的高分遥感城市典型地物对象化识别的方法与技术流程,用于从高分遥感影像中较好的识别城市的三类典型地物建筑物、水体和操场。首先,使用图像融合、分幅、线性拉伸以及滤波等预处理方法增强图像地物特征,并生成适用于Mask R-CNN算法的影像集;基于预处理的影像集提取地物样本特征,生成训练数据、验证数据以及测试数据。其次,研究了不同结构的卷积神经网络(CNN)对于HSRRSI地物识别的影响,并根据三类典型地物的特征,设计了适宜的网络结构以改进Mask R-CNN算法,利用改进的Mask R-CNN算法从训练数据中提取HSRRSI的深度特征,训练并生成地物识别模型;对于识别算法性能的评价,本文使用eCognition中三种代表性面向对象分类方法,即决策树算法、K最近邻算法和随机森林算法,与改进的Mask R-CNN算法进行对比分析。最后,使用训练的识别模型对不同时序的HSRRSI数据集进行测试,以验证改进的Mask R-CNN算法的泛化能力。实验结果表明:(1)改进的Mask R-CNN算法的识别性能优于决策树、K最近邻和随机森林算法。改进的Mask R-CNN算法对三类地物的识别精度达到了总体最高的准确率0.9133和召回率0.9238,且对地物识别的完整性保持更好,可以对单个的地物实例进行对象化识别。(2)不同结构的CNN对不同类别地物的识别存在影响且表现出一定的规律性。对于光谱、纹理、形状异质性明显,且没有固定空间模式的复杂地物类别(如建筑物),重点调整网络对复杂地物深层次有效特征的提取,更有益于提高识别精度;对于特征异质性较小的地物类别(如水体、操场),重点调整网络对中高级层次有效特征的提取,识别精度更佳。(3)将改进的Mask R-CNN算法生成的训练模型,在同一地区不同时序,且地物光谱、结构特征存在明显变化的不同数据集上进行进一步测试,总体达到了0.8794的准确率,0.896的召回率,具有较好的识别效果。
【图文】：

分幅,图像

具体分幅方法利用 ArcGIS 的栅格分割工具 Split Raster 如下图2-3，分割方法参数选用 SIZE_OF_TILE 指定分块宽度和分块高度，随后将创建相应数量的分块；重采样参数选用 NEAREST 最邻近分配法；然后设置输出栅格大小 500*500，最后输出固定大小的 TIFF 影像。图 2-3 图像分幅Fig.2-3 Image framing2.2.1.3 线性拉伸线性拉伸是图像增强的常见处理方法，主要用于提高图像对比度，突出图像中的关键信息，并增加图像中不同对象的特征差异。遥感图像包含大量信息，限制了处理速度。在海量数据处理和显示的过程中，速度是必不可少的。而且，通常遥感影像的灰度值在一定区间内聚集，没有完全利用灰度空间，导致图像的对比度相对较低。本文的原始影像是 16 位的 TIFF 影像，考虑到数据容量的关系，且深度神经网络一般输入的是 8 位的图像，本文采用了 2%-98%最大最小值拉伸将 16 位图像量化为 8 位，可以减轻处理速度和效率之间的冲突，且线性拉伸的处理也可以获得更好的视觉效果，使后续的处理和分析更加方便。

影像,新城,影像,实验数据

由于边界处灰度值变化较大，周围像素不会太多影响到边缘像素，所以该方法的保边效果很好，但是由于保留了太多高频信息，不能有效去除高频噪声。2.2.2 面向高分遥感城市典型地物对象化识别的影像预处理实验2.2.2.1 实验数据如图 2-4，，实验数据是由 WorldView-3 卫星于 2017 年 9 月拍摄的北京市通州区新城部分的高分辨率遥感影像，位于东经 116°37′53″E-116°46′57″E，北纬 39°50′33″N-39°57′53″N，占地面积 175km2。包括空间分辨率 0.3m 的全色段影像和 1.24m的多光谱影像，其中多光谱影像有四个光谱带（蓝色，绿色，红色和近红外），影像包括正射和倾斜影像。其预处理方法包括图像融合、图像分幅、线性拉伸、图像滤波四种方法，其中图像融合方法的实验数据直接采用的是全色和多光谱的原始影像；图像分幅方法采用的实验数据来自原始影像经过图像融合之后生成的融合影像；线性拉伸方法采用的实验数据是经过分幅之后生成的遥感影像；图像滤波方法采用的实验数据是由线性拉伸处理过后生成的遥感影像。
【学位授予单位】：北京建筑大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP183;P237

【相似文献】