高分遥感城市典型地物对象化识别方法研究

论文摘要

城市地表要素（覆盖）的识别对于城市规划变迁、土地利用分析以及地理国情监测等具有重要的意义。然而,高空间分辨率遥感影像（HSRRSI）丰富、细致的复杂数据特性,以及城市地表本身的复杂结构,都给影像地物识别带来了诸多挑战。目前,学者们已提出了大量的地物信息提取与识别方法,但从高分影像中对象化识别地物效果仍然不佳。同时,人们对地表信息获取的需求日益增长,已远远超过了人工目视解译所能提供的种类和速度,因此从高分影像中识别城市地物的研究具有广泛的理论意义和实用价值。本文基于深度卷积神经网络,结合遥感图像处理技术,建立了一套基于改进的Mask R-CNN目标识别算法的高分遥感城市典型地物对象化识别的方法与技术流程,用于从高分遥感影像中较好的识别城市的三类典型地物建筑物、水体和操场。首先,使用图像融合、分幅、线性拉伸以及滤波等预处理方法增强图像地物特征,并生成适用于Mask R-CNN算法的影像集;基于预处理的影像集提取地物样本特征,生成训练数据、验证数据以及测试数据。其次,研究了不同结构的卷积神经网络（CNN）对于HSRRSI地物识别的影响,并根据三类典型地物的特征,设计了适宜的网络结构以改进Mask R-CNN算法,利用改进的Mask R-CNN算法从训练数据中提取HSRRSI的深度特征,训练并生成地物识别模型;对于识别算法性能的评价,本文使用eCognition中三种代表性面向对象分类方法,即决策树算法、K最近邻算法和随机森林算法,与改进的Mask R-CNN算法进行对比分析。最后,使用训练的识别模型对不同时序的HSRRSI数据集进行测试,以验证改进的Mask R-CNN算法的泛化能力。实验结果表明:（1）改进的Mask R-CNN算法的识别性能优于决策树、K最近邻和随机森林算法。改进的Mask R-CNN算法对三类地物的识别精度达到了总体最高的准确率0.9133和召回率0.9238,且对地物识别的完整性保持更好,可以对单个的地物实例进行对象化识别。（2）不同结构的CNN对不同类别地物的识别存在影响且表现出一定的规律性。对于光谱、纹理、形状异质性明显,且没有固定空间模式的复杂地物类别（如建筑物）,重点调整网络对复杂地物深层次有效特征的提取,更有益于提高识别精度;对于特征异质性较小的地物类别（如水体、操场）,重点调整网络对中高级层次有效特征的提取,识别精度更佳。（3）将改进的Mask R-CNN算法生成的训练模型,在同一地区不同时序,且地物光谱、结构特征存在明显变化的不同数据集上进行进一步测试,总体达到了0.8794的准确率,0.896的召回率,具有较好的识别效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
•   1.1 研究背景与意义
•   1.2 目标检测与识别技术发展现状
•   1.3 基于深度学习的高分遥感地物识别研究现状
•   1.4 论文研究框架体系
•     1.4.1 研究内容
•     1.4.2 技术路线
•     1.4.3 章节安排
• 第2章 高分遥感城市典型地物的样本特征提取方法研究
•   2.1 高分遥感城市典型地物的样本特征提取方法概述
•   2.2 面向高分遥感城市典型地物对象化识别的影像预处理
•     2.2.1 面向高分遥感城市典型地物对象化识别的影像预处理方法
•     2.2.2 面向高分遥感城市典型地物对象化识别的影像预处理实验
•   2.3 高分遥感城市典型地物的样本特征提取
•     2.3.1 实验数据
•     2.3.2 实验方法
•     2.3.3 实验结果与分析
•     2.3.4 实验结论
•   2.4 本章小结
• 第3章 高分遥感城市典型地物对象化识别方法研究
•   3.1 基于深度学习的高分遥感城市典型地物对象化识别方法
•     3.1.1 Mask R-CNN神经网络识别方法简介
•     3.1.2 Mask R-CNN算法原理
•     3.1.3 改进的Mask R-CNN高分遥感城市典型地物对象化识别方法
•     3.1.4 Mask R-CNN算法精度评价方法
•   3.2 面向对象的高分遥感城市典型地物识别方法
•     3.2.1 eCognition软件简介
•     3.2.2 基于手动设计特征识别的方法原理
•   3.3 高分遥感城市典型地物对象化识别实验
•     3.3.1 基于改进的MaskR-CNN高分遥感城市典型地物对象化识别实验
•     3.3.2 面向对象的高分遥感城市典型地物识别实验
•     3.3.3 对比分析
•   3.4 本章小结
• 第4章 北京市通州区城市典型地物识别应用实证研究
•   4.1 通州区实证概述
•   4.2 通州区典型地物识别应用实证技术流程
•   4.3 通州区典型地物识别应用实证
•     4.3.1 实验数据
•     4.3.2 实验方法
•     4.3.3 实验结果与分析
•     4.3.4 实验结论
•   4.4 本章小结
• 第5章 结论与展望
•   5.1 结论
•   5.2 创新点
•   5.3 展望
• 参考文献
• 攻读硕士期间发表论文及科研情况
• 致谢

文章来源

类型: 硕士论文

作者: 普恒

导师: 杜明义,刘建华,杨贵军

关键词: 对象化识别,城市遥感,高空间分辨率遥感影像,深度学习,卷积神经网络

来源: 北京建筑大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 自然地理学和测绘学,工业通用技术及设备,自动化技术,自动化技术

单位: 北京建筑大学

分类号: TP751;TP183;P237

总页数: 82

文件大小: 8370K

下载量: 276