论文部分内容阅读
高分辨率遥感影像能够精细地表达丰富的地表信息,利用高分辨率遥感影像的宏观性以及时空全覆盖性等优势进行城市建筑物对象化识别是当前高分遥感影像分析和应用领域的研究热点。目前的研究仍缺乏快速而精确地将地表要素从遥感影像空间转换到地理信息空间的有效技术手段,现有方法或算法应用于高分遥感城市建筑物对象化识别时仍存在明显的局限性:(1)不同要素的识别任务对特征选取具有一定的针对性且需要有丰富的经验与知识,导致方法的普适性应用不足。(2)高分影像中影像目标的对象化识别主要借助多尺度分割技术予以实现,但对于复杂地物目标(例如建筑物)的自动化信息提取任务仍难以完全胜任,目前没有系统且高效的方法与技术体系给予工程化的解决方案。计算机视觉领域深度学习技术的快速发展为实现基于高分遥感影像的专题地物的对象化识别带来了新的机遇,但目前仍存在两个困境:(1)尚缺少按多尺度层级逻辑构建的建筑物高精度轮廓级别的样本库,而样本数据的类别组织方式、尺度分布特征及样本数据质量对深度学习的应用效果会有很大影响;(2)目前国际上主流的方法采用像素层级掩码的实例(或语义)分割方式,模型的输出结果无法直接应用于GIS矢量数据生产且数据质量无法满足相关数据质量标准,面向建筑物矢量化多边形提取的实例分割工作亟待开展。本研究基于深度学习在影像目标识别方面的优势,以高分遥感影像建筑要素的几何光谱特征为基本依据,面向高分辨率遥感大数据建筑物对象化识别方法的工程化应用,开展了高分遥感城市建筑物矢量层级的目标提取的研究工作。本文主要的研究内容与应用成果如下:(1)面向高分遥感城市建筑物对象化识别的影像预处理与多尺度目标样本构建本研究通过图像预处理增强了高分影像的视觉特征,构建并提取了综合的建筑物语义特征及多尺度空间-光谱特征一并输入到网络模型之中,进一步优化了时空特征卷积的过程。考虑到深度学习网络的位适配性以及影像地块空间-光谱特征的强化,我们对构建好的待识别区域进行了线性拉伸以及图像滤波处理,在抑制了影像数据中的噪声的同时将影像数据的细节特征信息尽量完整的保留了下来,加强了图像判读和识别效果。在此基础之上我们进行了面向深度学习的多尺度城市建筑语义目标样本的提取,有效地完成了建筑实例样本的构建工作并生成了高质量的影像数据集,形成了一套完整的构建深度学习样本数据集的技术体系,满足了本研究中针对高分遥感影像城市建筑物对象化识别及后续建筑物矢量提取的需要。(2)基于Mask R-CNN的高分遥感城市建筑物对象化识别本研究首先将COCO数据集训练的高维特征的权值迁移学习到Mask R-CNN中,融入了对样本库的迁移学习机制,让网络学习能够实现自组织、自适应地增强,然后结合高分辨率遥感训练影像的空-谱特征、相邻像素之间的关系等特征因子参与最后的决策分类。在后续的实验的过程中我们进行了超参数实验以及网络中高层的结构修改,在网络架构层面重点加强了中高层特征的提取,构建了相适应的深度神经网络进行专题特征的学习,突破了传统高维特征的表达与计算的能力限制,实现了高分遥感影像城市建筑物的对象化识别即实例分割,为后续面向建筑物矢量化多边形提取的城市市建筑物识别应用实证研究奠定了体系与数据基础。(3)面向建筑物矢量化多边形提取的城市建筑物识别应用实证在(1)和(2)研究内容的基础上,我们采用高分遥感卫星(航拍)系列数据,在缅甸曼德勒市(建筑层次错落,样本具有一定代表性)开展城市建筑对象化识别实施方案设计与实证研究。实证工作研究并确立了一套面向建筑物矢量化多边形提取的高分遥感大数据建筑物对象化识别技术体系,验证了前述提出的高分遥感影像城市建筑物对象化识别方法。实验结果表明,本文的技术流程体系在不同实验区域,且空间-光谱特征存在明显差异的影像数据的实证效果均可以满足工程实践的需要。本文协同图像处理与深度学习两者间的互补优势,以高分遥感影像建筑要素特征信息为数据基础,立足于高分辨率遥感大数据建筑物对象化识别方法的工程化应用,开展了高分遥感城市建筑物的目标级、矢量层级的提取工作的研究。实证结果表明,本文提出的方法流程可应用于城市级别建筑物的有效提取,拓展了基于对象影像分析思想进行遥感专题地物对象化识别方法的理论基础,基本解决了高分遥感中建筑物信息提取与识别问题。