论文部分内容阅读
随着我国高分二号(GF-2)遥感卫星的发射与应用,高分(辨率)遥感图像(High-Resolution Remote Sensing Image,HRRSI)数据急剧增加,对大量无标注信息的HRRSI进行地物信息提取,是HRRSI解译的关键问题。然而,仅一景HRRSI的覆盖范围就高达上百平方公里,而且不同区域呈现出完全不同的集合结构和空间模式,使用传统的计算机视觉方法解决HRRSI地物信息提取问题,已不能满足工程应用所需的准确率。为此,本文提出基于场景分类的HRRSI地物信息提取方法,其基本思路是通过场景分类方法划分HRRSI为不同场景类别的子区域,而后基于特定场景的HRRSI子区域进行地物信息提取,并开发高效和鲁棒的地物信息提取原型系统。本文的主要工作内容如下:(1)为划分HRRSI到不同场景类别的子区域,提出一种基于NASNet与受限玻尔兹曼机(Restrieted Boltzman Machines,RBM)的混合深度卷积神经网络(Convolutional Neural Network,CNN)迁移学习的遥感图像场景分类(Remote Sensing Image Scene Classification,RSISC)方法。该方法在迁移预先训练的NASNet网络到目标集时,使用RBM网络代替NASNet网络的全连接层,并在目标集上进行微调,以重新训练RBM网络层和softmax分类器层。在AID、NWPU-RESISC45、UC-Merced、WHU-RS19和RSSCN7数据集上进行实验,该混合深度CNN分别取得95.98%、91.30%、98.56%、97.44%和94.57%的最高分类准确率。之后,将其应用到研究区域的HRRSI场景分类,可得到准确的场景划分结果。(2)为实现HRRSI不同场景子区域的地物分割,提出一种基于狄利克雷过程混合模型(Dirichlet Process Mixture Model,DPMM)和马尔可夫随机场(Morkov Random Field,MRF)的无监督对象分割方法(DPMM-OMRF模型)。首先,使用网格划分超像素为基本对象。其次,利用多维高斯分布构建DPMM先验,并使用相似性度量构建MRF先验,二者以自适应权重方式相结合作为DPMM-OMRF模型的先验分布。然后,在贝叶斯框架下,将基本对象的似然分布与联合先验分布结合,构建DPMM-OMRF模型,并推导类标签的条件分布。最后,通过推导和计算类标签后验概率,设计Gibbs采样方法,更新DPMM-OMRF模型的标签场和参数。实验结果表明,DPMM-OMRF模型的总体分类精度提高到90%左右,Kappa系数接近0.8,并且能够准确地识别出地物目标类属数和分割出完整的地物目标对象。之后,将其应用到研究区域不同场景类别的HRRSI子区域的地物分割,均表现出优良的性能。(3)结合混合深度CNN实现RSISC与DPMM-OMRF模型实现无监督地物对象分割,设计与实现HRRSI地物信息提取原型系统。使用ENVI二次开发工具IDL语言,分别实现场景分类、无监督分割模块;并开发人机交互模块,以实现各类地物信息交互式提取。将研究区域的HRRSI输入到该系统中,可准确提取HRRSI中各类地物信息。