论文部分内容阅读
近年来,无人机遥感等新型低空遥感平台以及与之配套自动化数据处理平台的飞速发展,使得高分辨率遥感影像产品（如正射航空影像）的生产能力得到大幅提高。与传统卫星影像产品相比,高分辨率影像产品以其更为丰富的地物信息、明确的空间关系以及快捷的采集方式,正越来越多地成为应用于城市规划和管理、资源优化与配置、土地信息管理等领域的主要遥感数据来源。然而,在复杂的城市环境中,具有一定高度的建筑物、树木等遮挡光源在高分辨率遥感影像中形成大量的阴影。阴影的存在一方面可以缓解城市热岛效应和作为建筑物识别的线索,另一方面由于成像时太阳高度角和方位角的位置相对固定,某些频繁出现在影像中的阴影成为城市感知的盲区,严重影响地物信息的判读和解译,给进一步高精度地绘制城市地图提出了极大的挑战。在此背景下,全方位、多视角去除高分辨率遥感影像的阴影效应显得尤为重要和迫切,对城市土地覆被精细化制图具有重要的研究和应用价值。在以往的研究中,国内外学者都试图将阴影景观的光谱反射率恢复到非阴影水平以此来消除影像的阴影效应,再基于阴影光谱补偿后的影像进行城市地图绘制,这种解决方案虽然很有希望,但过程繁琐且无法避免阴影去除所迭代的误差,严重制约了高精度城市土地覆被综合制图的发展。事实上,阴影景观和邻近同质非阴影区域的景观是连续的,阴影并没有改变原有的场景语义信息,只是降低了影像的信噪比。因此,基于阴影景观的语义不变特性,本研究利用先进的深度学习方法,深入挖掘阴影景观的语义信息,发展了一系列有效的高分辨率城市土地覆被阴影效应去除方法,并沿城乡梯度的不同城市和不同数据源的数据集上进行测试,均取得了较好的结果。本文的主要内容和结论如下:1.为了深入挖掘阴影景观的语义信息,第三章发展了一个高分辨率城市阴影语义注释数据集（SSAD,Shadow Semantic Annotation Database）,是在1米分辨率的航空影像数据（NAIP,National Agriculture Imagery Program）上构建的。SSAD数据集共有103个沿城乡梯度采集的影像斑块（每个图幅为500×500个像素）,其中包含丰富的城市阴影类型,具有两种注释:（1）阴影注释（阴影与非阴影）主要用于阴影检测;（2）阴影区域的土地覆被类别（如建筑物、树木、草丛/灌木、道路、水体和农田）主要用于阴影景观的语义补偿。该数据集是基于知识迁移和人机交互标注实现的,可直接用于城市的阴影语义知识学习和迁移,也可用于检索高分辨率遥感影像阴影及其景观的语义信息。它是一个准确的、多样且可扩展的高分辨率城市阴影语义注释数据集,旨在为未来的阴影研究提供一个易于访问和拓展的知识平台。2.针对以往研究中较少关注自影效应的问题,第四章提出了一种结合循环注意力的阴影检测方法—循环阴影注意模型（RSAM,Recurrent Shadow Attention Model）。RSAM综合考虑了各种类型的高分辨率城市阴影,一方面通过阴影检测模块（SDM,Shadow Detection Module）检测影像中较易识别的落影,另一方面利用阴影分类模块（SCM,Shadow Classification Module）来辅助检测影像中较难识别的自影,通过循环注意力机制联络两个模块,逐步提升模型对阴影（自影和落影）的检测能力。实验结果表明:本文提出的RSAM对高分辨率城市环境中的自影和落影都具有敏锐的识别能力,其检测阴影的F1-scores均达到91.1%以上,进一步实验结果也说明遥感影像的时相和视角对RSAM的影响较小。3.突破基于光谱补偿的影像阴影去除方法,第五章提出一种全新的高分辨率城市土地覆被制图的阴影去除方法—阴影语义补偿模型（SSCM,Shadow Semantic Compensation Model）。SSCM利用先进的语义分割技术,以第四章提出的RSAM作为阴影注意生成器,通过SCM直接针对阴影区域进行土地覆被信息补偿。该模型为检索高分辨率遥感影像中阴影区域的土地覆被类别提供了一个准确可行的解决方案,进一步规避了对阴影光谱补偿的依赖。结合沿城乡梯度的模型表现说明:本文提出的SSCM在不同发展程度的城市区域（从高密度城市中心到低密度的乡村）中均展示了稳定的性能并实现了较好效果,其阴影区域的土地覆被制图精度（OA,Overall Accuracy）为90.6%,Kappa为0.82。4.第六章围绕“模型的鲁棒性和泛化能力”开展了三方面的验证实验。实验结果为:（1）RSAM和SSCM在20个美国大都市的样区均展示了较好的模型性能,其检测阴影的F1-scores达到97.06%;阴影区域的土地覆被制图精度OA为90.56%,Kappa为0.82。（2）RSAM和SSCM在Vaihingen数据集（分辨率为9厘米）也都展示了良好的模型性能,其检测阴影的F1-scores为96.33%;阴影区域的土地覆被制图精度OA为89.25%,Kappa为0.80。（3）在美国罗利市进行城市地图绘制实验,融合SSCM的深度分类模型实现了较好的城市土地覆被制图精度,其中OA为90.15%,Kappa为0.87。与未顾及阴影效应的制图方法（即不考虑阴影影响,直接利用深度学习进行城市土地覆被制图）相比,融合SSCM的分类模型表现突出,其中OA和Kappa分别提升了7%和10%。综上,模型在各种富有挑战的数据集中鲁棒的表现,进一步证明了本文所提出的方法在高分辨率城市阴影效应去除和城市土地覆被综合制图领域中应用的巨大潜力。