论文部分内容阅读
近年来,随着机器视觉、认知神经学和人工智能技术的发展,将高分辨率遥感影像建筑物检测问题转化为模拟人类视觉感知过程的目标识别问题,通过模拟大脑视觉感知的过程,优化或重构遥感影像建筑物检测的算法框架,对于当前的高分辨率遥感影像分析技术研究来说无疑是一种有益的尝试与探索。建筑物检测是人工智能与图像处理技术在高分辨率影像上的一种典型应用,在城市规划、城市管理、人口估计与预测、智慧城市建设等方面都有十分广阔的应用前景。通过视觉感知技术与模式识别技术的结合,能很好地克服高分辨率遥感影像带来的大尺度、高空间复杂度等问题。本文以基于视觉注意机制,多尺度特征融合和局部不变特征描述的影像分析方法为基础,提出了一种基于视觉感知的“人工地物区域—建筑物区域—建筑物轮廓”的层次化的高分辨率遥感影像建筑物检测算法框架。在每一层级中,针对不同的识别任务,通过不断感知和聚焦场景,根据底层特征自底向上的激活过程,提出不同的特征提取方法和分析策略。论文的主要研究工作包括以下几个方面:(1)多尺度多特征融合的视觉感知人工地物区域自动提取方法从视觉注意机制中的特征整合理论出发,提出了基于多尺度多特征融合的人工地物区域自动提取方法。该方法首先以并行的方式提取几何特征(如角点、直线、直角等)和视觉显著性特征(如边缘特征、主方向与正交显著性、局部亮度、局部对比度等)两类独立的底层特征,继而分类融合形成几何特征辐射强度图和多尺度显著性图,然后再进一步融合得到人工地物显著性图像,最终提取出人工地物区域。论文提出了同一几何特征自约束和不同几何特征相互约束的策略,使得几何特征能很好的驱动人工地物区域检测,构建了主方向与正交显著性(OOS,Orientational and Orthogonal Saliency)指数,兼顾单向性的道路和正交性的房屋,实验表明该方法不仅能够完整提取人工地物聚集区,对零散、独立人工地物也能实现较好的检测,较马尔科夫随机场模型分割法与量子遗传KSW熵分割法有更高的准确率、更低的漏检率,同时还具有鲁棒性和较好的适应性。(2)遥感影像上建筑物局部图块的复合特征低维描述方法通过模拟功能柱的结构,提出了一种适用于对遥感影像上建筑物局部图块的复合特征进行低维描述的方法。该描述方法从对立色理论出发,在LAB色彩空间中分别提取亮度、相似性、色彩特征并整合,实现了对建筑物局部图块的复合特征的低维度描述。特征采用二值化方式设计,更好地模拟了视觉感受系统的工作方式,同时其维度显著低于SIFT、SURF等具有代表性的局部特征描述方法。实验表明,与其它代表性的局部特征方法相比,论文中方法具有更快的计算效率,更好的分类预测性能。对于非建筑物局部区块、建筑物轮廓局部图块和建筑物顶部局部图块,其分类预测的正确率接近或超过80%,具备了用以对建筑物进行区域检测和轮廓提取的能力。(3)关键点类别属性诱导的建筑物区域及建筑物轮廓提取针对建筑物区域检测层级和建筑物轮廓提取,设计了一种以关键点类别属性诱导的建筑物轮廓提取方法。该方法从整体上仿真了大脑意识控制下的自顶向下的激活通路,利用关键点的类别属性来引导不同尺度层次下的检测任务,并最终获得建筑物轮廓。在该方法中改进了经典的SLIC分割方法,在二分类中对建筑物交叉点所邻接的超像素进行合并,计算建筑物最小外接矩形区域并进行标记,在三分类中切除非建筑物得到建筑物初始轮廓,再进行邻接像素的精简处理,一方面提高运算效率,另外一方面降低单一尺度带来的误分类。此外,本方法还构建了基于肤色检测算法的植被分割模型以及建筑物轮廓点和顶部点的连通约束性规则对分类进行再进一步修正。根据与一种结合Faster R-CNN检测网络和角度分类网络的深度学习检测方法对比测试,本方法在准确率、漏检率、误检率方面与深度学习方法相当,但在过度拆分数以及对建筑物的完整性覆盖方面较对比方法表现出一定的优势。