多源遥感数据测绘应用关键技术研究

发布时间：2018-04-26 15:50

  本文选题：地物要素 + 智能化提取　； 参考：《中国科学院大学(中国科学院遥感与数字地球研究所)》2017年博士论文

【摘要】：合成孔径雷达(SAR)由于它的全天时、全天候的特性,在各种复杂环境以及能见度较差的气象条件下,SAR比光学传感器更加有效,特别适合多云雾地区的地物信息获取、突发性灾害(如洪涝、地震和山体滑坡等)灾情快速获取、地壳形变监测等应用。日本ALOS/PALSAR、意大利COSMO-SkyMed、德国TerraSAR-X、加拿大Radarsat-2等卫星的相继发射,极大地提高了星载SAR图像的地面分辨率。这些1~5米分辨率的图像正好满足地物解译和自动提取的需求。但是,SAR图像属于斜距投影的相干成像,在成像机理、辐射特性及几何特性上与可见光图像有很大差异。因此,SAR图像地物解译困难,测绘应用难度大。本文围绕中高分辨率SAR图像在测绘领域应用中的重点和困难,着重研究地物信息自动获取、多源图像的配准以及地物和地形的变化检测,探索以SAR数据为主导的多源遥感数据智能化测绘应用。本文主要内容如下:(1)研究遥感图像典型地物要素智能化提取技术。半自动方面,针对典型地物及其特征,设计了基于灰度共生矩阵的阈值法提取纹理简单、均一的水体和植被,提出了基于Gabor变换的区域生长法提取纹理复杂的居民地;自动方面,主要基于深度学习设计了CNN和CGAN的两种提取方案,提出多尺度窗口累积概率方法解决了基于CNN分割不能确定地物位置轮廓的问题,采用CGAN将研究范围从监督学习拓展至无监督或半监督学习。实验结果表明:地物要素的半自动提取算法简单,易于应用,定位精度较高;基于CGAN的方法不仅取得了较高的提取精度,而且整体轮廓更为规整,证明了深度学习在地物要素提取方面的能力和巨大潜力。(2)提出了基于地物要素的多源遥感图像配准及其变化检测一体化的处理方法。基于人的认知模型解析算法思路,利用地物要素的属性和形状信息配准图像,设计算法流程,分析关键技术和研究重点;引入计算机视觉领域形状匹配的相关思想和算法,针对遥感图像线状和面状地物的形状特点和分割问题,分别提出扩展最优子序列(EOSB)匹配算法和基于空间位置关系的形状上下文(SC)匹配算法。实验结果表明:地物对象作为匹配单元,符合人的视觉认知,解决了多源遥感数据特征难以对应的问题;EOSB和SC算法稳健性强,不仅具有很强的抗噪声特性,而且能够适应提取结果的差异性和局部变形;将变化检测与图像配准同步进行,能充分利用所有未变化的地物目标作为图像配准的依据,更加精确、更加自动化,检测结果能够直接用于地形图修测和地理国情监测等应用。(3)提出一种新颖的、稳健的基于等高线的DEM匹配方法,解决了高山变形地区DEM匹配及其地形变化检测。分析DEM匹配存在的问题及其原因,利用等高线相似的特性检测不变的山峰点作为控制点,解决了两个变形地表之间的对应难题,再利用最小二乘表面匹配达到最优匹配;在DEM匹配的基础上利用高程差异检测滑坡,与实际滑坡资料进行比对,验证DEM数据的准确性和检测结果的可靠性。实验结果表明:基于等高线的方法避免了高山区不同DEM数据之间粗差的影响,能在没有任何地理信息的情况下对齐两个DEM数据,为基于最小二乘表面精确匹配提供了较好的初始转换参数;与基于点的匹配方法相比,最小二乘表面匹配方法精度更高;基于DEM的方法不仅能检测滑坡的区域和范围,而且能检测滑坡区域高程变化的程度,这更有利于灾情评估、抢险救灾措施制定以及灾后重建工作的评估和指导。
[Abstract]:Synthetic Aperture Radar ( SAR ) is more effective than optical sensor due to its full - day , all - weather characteristics , and SAR image is more effective than optical sensor under the conditions of complex environment and poor visibility . This paper presents a new and robust method to deal with DEM data in high mountain area . The results show that the terrain object is used as a matching unit , which can solve the problem of DEM matching in high mountain area .

【学位授予单位】：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】：博士
【学位授予年份】：2017
【分类号】：P237
，

本文编号：1806667