论文部分内容阅读
高分辨率光学影像在城市不透水面提取中提供了城市地物的细节信息,但存在同物异谱、异物同谱问题、难以识别高分辨率影像阴影、树冠覆盖下的不透水面等局限性。因此,多源遥感数据融合成为减少上述局限性的一种有效的方法。相比光学影像,机载激光雷达(Light Detection and Ranging,LiDAR)数据以离散点云的形式记录了地物精确的空间三维信息,可以生成高度正射图像,避免了光学高分辨率影像中的建筑物阴影问题,但缺乏丰富的光谱信息。因此,高分辨率光学影像与机载Li DAR数据的融合可以实现两种数据源的优势互补,从而更好地实施城市不透水面提取。本论文以河南省平顶山市乡村、城乡结合部与市中心区域作为研究区,研究了利用WorldView-2高分影像与机载LiDAR数据融合的城市不透水面提取方法,提出了基于像元的支持向量机(Support Vector Machine,SVM)分层分类与阈值调节提取方法;面向对象的支持向量机分层分类提取方法;基于三维卷积神经网络模型(Convolutional Neural Network,CNN)的分层分类提取方法。研究目的是挖掘高分辨率光学影像与机载LiDAR数据融合、面向对象的方法以及卷积神经网络模型在城市不同类型区域的不透水面提取方面的潜力,为多源数据融合的城市不透水面提取方法提供新的思路和科学的指导。论文针对提出的方法主要进行了三组对比:(1)两种数据源融合前后的分层不分层提取方法对比;(2)基于像元与面向对象的分层提取方法对比;(3)基于支持向量机与卷积神经网络模型的分层提取方法对比。论文得出的主要研究结论与发现如下:(1)相比单一的高分辨率光学影像分类,高分光学影像与机载LiDAR数据融合分层分类能够解决建筑物与道路分类中异物同谱、同物异谱问题。(2)基于光谱与高度阈值调节的不透水面提取方法,可以有效识别高分辨率影像中阴影区域的不透水面信息、优化城区道路的提取、探测树冠覆盖下的道路信息,提高了不透水面的提取精度。(3)相比基于像元的提取方法,面向对象的分层提取方法充分利用了LiDAR高度图像的正射性、不存在阴影和准确分割建筑物对象等优势,能够更准确地刻画建筑物形状,不依靠阈值更鲁棒地提取阴影区域的不透水面与植被,解决了两种数据源传感器的不一致导致的树冠边界错分为建筑物的问题。(4)相比支持向量机分类方法,运用三维卷积神经网络模型的分层提取方法明显改善了裸土与不透水面的混淆,自动识别出建筑物阴影区域的植被与不透水面信息。