面向对象框架下基于深度学习的高分辨率遥感影像分类

发布时间：2020-07-27 11:10

【摘要】：近十年来,随着高分辨率对地观观测技术的迅速发展,卫星遥感影像已经全面进入了亚米级时代,高空间分辨率遥感影像已经广泛应用于土地利用/覆盖遥感制图、地理国情监测、智慧城市、国土安全、灾害应急、林业和农业等领域。然而随着遥感影像空间分辨率的提高,地物信息呈现高度细节化,影像中的地物类内方差增大,不同地物类之间方差减少,使得影像中不同地物的光谱统计分布更复杂,同时地物细节信息、几何结构和纹理特征等也更加明显,这些特点使得传统的面向像元光谱处理方法已经不适应高分辨率遥感影像智能解译。近年来,国内外学者通过大量特征的提取算法,提高了高分辨率遥感影像在特征空间的可分性,有效地提高了高分辨率影像分类精度。这些特征多为低层特征和中层语义特征,无法描述高层次特征信息。深度学习通过多层的抽象可以得到高层特征,但多次特征提取与抽象模糊了边界信息,分类结果不能描述地物精确的边界。针对高分辨率影像分类中存在的问题,本文将面向对象影像分析方法引入深度学习,提出面向对象的深度学习的高分辨率遥感影像分类框架,并应用于高分辨率遥感影像分类。本文主要研究内容如下:1.针对高分辨率遥感影像信息提取面临的问题,阐述和分析了现有高分辨率遥感影像分类算法优缺点,并综述了高分辨遥感影像分割方与分类方法的发展与研究现状。系统介绍了面向对象影像分析方法和深度学习的基本理论、方法和高分辨率遥感影像分割与分类的定量评价指标。2.通过分析已有高分辨率影像分割合并准则存在的问题和地物光谱特性,提出了一种融合地学多波谱指数的高分辨率遥感影像分割算法。波谱指数模型通过特定波谱间的数学运算,增强特定目标地物,弱化背景信息,将有利于遥感影像分割。该算法主要利用地学多波谱指数指导特定地物目标的多尺度分割。具体流程包括:(1)利用均值漂移分割算法获得初始分割结果;(2)在初始分割结果基础上构建对象邻接图(OAG),采用光谱差异性、形状紧凑度指数与地学多波谱指数建立不同地物的合并准则,根据合并准则构建多尺度分割结果;(3)通过统计各尺度分割结果的全局特征确定最优分割尺度。通过两个高分辨率遥感影像数据进行实验,验证该算法的性能,并与典型的分型网络演化算法和均值漂移分割算法对比分析,该算法获得更高的分割精度和视觉效果。3.提出了面向对象框架下基于深度学习的高分辨率遥感影像分类算法。针对传统高分辨率遥感影像分类特征设计与提取方法表达能力不足、地物识别能力有限和基于深度学习的地物边界模糊的问题。本文将面向对象影像分析方法与深度学习结合。首先根据融合多波谱指数的高分辨率影像分割算法获取影像的多尺度分割结果,以对象作为基本处理单元,提取对象的形状、纹理、上下文等低层特征,输入深度卷积神经网络获得单尺度深度特征,然后将这些单尺度深度特征融合得到多尺度深度特征;最后利用对象多尺度深度特征进行高分辨率遥感影像分类。通过三个高分辨率遥感影像进行实验验证,并与其他的多尺度表达和不同分类算法进行对比实验,实验结果表明该算法具有更高的分类精度。
【学位授予单位】：云南师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：P237
【图文】：

影像,研究思路,高分辨率遥感,研究背景

1.4 论文的研究内容与章节安排向对象的影像分析方法模拟人类视觉信息处理机理，将影像对理单元，有效解决了“同物异谱”、“异物同谱”等问题，并且为丰富的空间特征；深度学习通过对影像特征的逐层抽象，自动征，缩小了低层特征与高层信息之间的“语义鸿沟”。本文将析方法和深度学习结合，提出一种面向对象分析框架下基于深遥感影像分类方法。本文研究思路如图 1.1 所示：

遥感影像,向量,中心点坐标,统计迭代算法

3 均值漂移分割算法值漂移是一种统计迭代算法，通过逐步移动搜素窗口 Fukunaga K 首次提出了均值漂移（Mean shift）的概念度估计，Comaniciu 等人（1999）首次将该聚类算法应移算法是一种基于密度梯度上升的非参数方法，它将每一个特征点向密度函数的局部极大值点“漂移”[66最邻近的特征点划分为同一类。Mean Shift 算法的特点高、抗噪能力强等，因此广泛应用于遥感影像分割。值漂移算法聚类过程中，首先定义聚类中心点和搜索内密度最大处的特征空间坐标，得到该点与原中心点，再将原中心点坐标“漂移”到新的坐标处得到新的，再次计算新的搜索窗口内的中心点坐标，直至中心处，图 2.1 为均值漂移算法过程：搜索窗

特征图,结构示意图,卷积核,卷积运算

17卷积网络模型结构如下图 2.2 所示：图2.2CNN 结构示意图卷积层由多个卷积核构成，用于提取输入数据的特征，卷积核与输入数据进行卷积运算输出多个特征图。卷积核以特定的间隔（stride）与输入特征作点乘运算，设输入大小为的三维向量，其中为输入特征的长和宽，r 为深度，则每一个特征图为；若输出的向量，则需构建 k 个的卷积核（filter bank）；卷积运算得到的特征图为：，为卷积运算符

【参考文献】