论文部分内容阅读
面向对象遥感技术自2000年引入到遥感领域以来,为城市土地优化配置、智慧城市建设等领域提供较好的决策支持。近年来,随着高分二号等高空间分辨率遥感影像的获取更为方便快捷,如何更好地挖掘影像中所包含的地物信息变得极为重要。随着应用的深入,传统的面向对象遥感模式识别技术存在的缺陷也逐渐显现出来,阻碍了面向对象遥感技术在其应用领域的进一步拓展。本文以深度神经网络为基础,对于传统面向对象遥感模式识别技术进行扩展和延伸。主要包含以下三点:(一)建立基于深度神经网络的面向对象遥感分类的基本框架:1)针对深度神经网络,提出一种兼具了对象与像元的优势的面向对象遥感数据提取方法;2)阐述了基于深度神经网络的面向对象遥感分类基本流程;3)结合感知哈希算法,对于深度神经网络提取的遥感影像对象特征图进行了分析,论证了深度神经网络应用于面向对象遥感分类的可行性。(二)提出基于光谱-空间信息的并行深度神经网络分类算法:1)针对高空间分辨率遥感数据的特点,设计两路不同的深度卷积神经网络用于提取空间特征和光谱特征并进行分类;2)从特征级的集成学习视角出发,建立了光谱-空间信息的并行深度神经网络分类框架;3)最终通过互补性分析、分类特征可视化、目标粗粒度输出等方法分析了精度较于单路提升的原因。(三)提出基于三维深度卷积策略的多尺度遥感分类方法:1)从深度三维卷积神经网络角度出发,建立面向对象遥感数据尺度上推数据集;2)以高尺度遥感对象类别推理为任务,以深度三维卷积神经网络为算法基础,以采用数据驱动的方式进行尺度上推规则的挖掘,最终对高尺度遥感对象进行分类;3)从面积占优、重要性占优、空间组合关系等模式规则隐式挖掘能力的角度分析其较于二维卷积神经网络的优势。本文将面向对象遥感技术和深度神经网络相结合,力图解决传统面向对象遥感模式识别中特征设计和特征选择存在的问题,并对面向对象遥感分类和多尺度遥感分类两个任务进行实践,对其涉及的关键技术进行了探讨,更好促进深度神经网络技术在面向对象遥感模式识别领域的应用,从而为相关领域决策支持做出自己的贡献。