發(fā)布時間：2020-10-20 23:06

　　 在現(xiàn)有的遙感數(shù)據(jù)中,高分辨率遙感數(shù)據(jù)可以提供豐富的地表信息,精細地描述地物目標的空間結(jié)構和表層紋理。圖像中的地物輪廓信息更加清晰,為有效解譯分析提供了條件和基礎。高分辨率遙感數(shù)據(jù)已顯示出比傳統(tǒng)的中、低分辨率遙感圖像的顯著優(yōu)勢和良好的應用前景,但高分辨率數(shù)據(jù)處理水平和實際需求之間還存在著較大的差距。遙感圖像分類是遙感數(shù)據(jù)信息處理的基本任務之一,建立在多尺度分割基礎上的面向?qū)ο蟮膱D像分析方法是遙感圖像解譯的有效方法,尤其在高空間分辨率遙感圖像分類方面有著巨大的優(yōu)勢。但是自二十世紀末發(fā)展至今,該方法仍面臨以下兩個問題:(1)遙感圖像分割是決定面向?qū)ο髨D像分析與計算成功與否的關鍵,但是高空間分辨率遙感圖像中豐富的地物目標與空間語義信息必須在多尺度下才能充分表達和描述。因此,如何定量評價圖像分割質(zhì)量,確定最優(yōu)分割參數(shù)組合,是一個亟待解決的問題;(2)盡管傳統(tǒng)的面向?qū)ο蟮母叻直媛蔬b感圖像分類方法在特征描述、特征學習以及分類器設計等方面取得了重要的發(fā)展,但是大多數(shù)傳統(tǒng)方法僅從原始圖像中提取淺層次的特征用于分類,對于對象目標的深層次地物特征的表達不夠充分,特征的人工設計與選擇也不利于多源遙感大數(shù)據(jù)的自動化解譯與信息挖掘。因此,如何自動化地提取深層次特征是另一個亟待解決的問題。為解決上述兩個問題,本論文圍繞非監(jiān)督的圖像分割質(zhì)量評價、基于超像素特征表達的特征學習方法和面向?qū)ο蟮亩喑叨染矸e神經(jīng)網(wǎng)絡分類展開研究。論文的主要成果如下:(1)基于地統(tǒng)計學中的空間分層異質(zhì)性,提出了一種無監(jiān)督遙感圖像分割質(zhì)量定量評價方法。該方法從原始圖像中提取光譜和紋理特征構建待評價的特征集,從圖像分割區(qū)域特征統(tǒng)計的角度,引入空間分層異質(zhì)性和空間自相關作為區(qū)域內(nèi)外同質(zhì)和異質(zhì)性評價的測度。兩個測度用于計算分割結(jié)果在特征集中的統(tǒng)計值,最后基于馬氏距離聯(lián)合兩個測度得到一個全局的質(zhì)量評價標準,進而根據(jù)圖像的分割結(jié)果質(zhì)量,選擇分割算法或確定最優(yōu)分割參數(shù)組合。(2)提出了一種基于超像素的卷積神經(jīng)網(wǎng)絡特征學習方法。該方法充分利用高分辨率遙感圖像豐富的語義信息,采用簡單線性迭代聚類算法對待分類的遙感圖像進行超像素分割,獲得緊湊且大小均勻的超像素對象作為網(wǎng)絡模型的輸入,從中標記訓練樣本用于訓練卷積神經(jīng)網(wǎng)絡的模型參數(shù),從而達到自動學習地物對象深度特征的目的。該方法克服了現(xiàn)有使用像元鄰域矩陣作為網(wǎng)絡輸入帶來的運算復雜及缺乏目標背景信息等問題,提高了特征提取的效率和深度。(3)提出了一種自適應邊界約束的多尺度卷積神經(jīng)網(wǎng)絡分類方法。該方法在基于超像素特征表達的地物特征學習方法基礎之上,構建了一個多尺度卷積神經(jīng)網(wǎng)絡模型,將不同尺度下的超像素對象作為網(wǎng)絡輸入,使用加權特征的融合方法提高特征表達的能力。通過使用本文提出的圖像分割質(zhì)量評價指標為超像素分類結(jié)果自適應地提供最優(yōu)地物邊界信息,對地物輪廓進行約束優(yōu)化,得到最終分類結(jié)果,有效提高了高分辨率遙感圖像數(shù)據(jù)特征挖掘與分類的自動化和智能化程度。
【學位單位】：中國科學院大學(中國科學院遙感與數(shù)字地球研究所)
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP751
【部分圖文】：

面向?qū)ο蟮母叻直媛蔬b感圖像深度特征提取與分類研究第 2 章 基于空間分層異質(zhì)性的圖像分割質(zhì)量評價1 方法概述圖像分割的本質(zhì)是同質(zhì)性區(qū)域合并和異質(zhì)性區(qū)域分離。根據(jù)第 1 章中所討的非監(jiān)督評價的特征準則，最佳分割結(jié)果應該滿足分割基元內(nèi)部具有最大的質(zhì)性以及基元之間最大的異質(zhì)性。本文通過設計統(tǒng)計指標，計算分割區(qū)域局與整體的統(tǒng)計值，再將這些指標聯(lián)合得到整體的質(zhì)量評分。具體技術路線圖圖 2.1 所示。

2.5 實驗與分析2.5.1 實驗數(shù)據(jù)（）人工合成紋理圖像為比較提取的光譜紋理特征集與原始圖像在分割質(zhì)量評價算法中作為輸數(shù)據(jù)的差異，本文合成了兩幅圖像 S1 和 S2 用于測試（圖 2.4）。其原圖與分割值均為人工制作，包含不同紋理的原始圖像是對地面真實地物的模擬，用于創(chuàng)這些圖像的紋理材料是從奧盧大學紋理數(shù)據(jù)庫（http://www.outex.oulu.fi）中隨提取的。使用合成圖像的原因是其圖像內(nèi)不同紋理對象的邊界是人工設計的，分割邊界標準是符合客觀實際的。在分割結(jié)果統(tǒng)一的情況下，我們將在 S1 和 上測試基于原始圖像與特征增強圖像計算質(zhì)量評分的差異，判斷特征集對于分質(zhì)量評價算法的影響。

面向?qū)ο蟮母叻直媛蔬b感圖像深度特征提取與分類研究高的相似性，反映對象之間相關性程度的空間自相關性較弱，對應的 MI 值較高。隨著分割尺度的增大，分割對象的平均尺寸也不斷增大，對象內(nèi)部逐漸包含更多不相似的地物，對象間與的相似程度也不斷降低。因此對象的同質(zhì)性降低，對象間的異質(zhì)性增強，導致 q 值和 MI 值隨之下降。
【參考文獻】

相關期刊論文 前10條

1 李德仁;張良培;夏桂松;;遙感大數(shù)據(jù)自動分析與數(shù)據(jù)挖掘[J];測繪學報;2014年12期

2 宋維靜;劉鵬;王力哲;呂科;;遙感大數(shù)據(jù)的智能處理:現(xiàn)狀與挑戰(zhàn)[J];工程研究-跨學科視野中的工程;2014年03期

3 蘇簪鈾;邱炳文;陳崇成;;基于面向?qū)ο蠓诸惣夹g的景觀信息提取研究[J];遙感信息;2009年02期

4 王啟田;林祥國;王志軍;梁勇;李文杰;;利用面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積的研究[J];測繪科學;2008年02期

5 孫志英;趙彥鋒;陳杰;李桂林;檀滿枝;;面向?qū)ο蠓诸愒诔鞘械乇聿豢赏杆忍崛≈械膽肹J];地理科學;2007年06期

6 陳云浩;馮通;史培軍;王今飛;;基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J];武漢大學學報(信息科學版);2006年04期

7 莫登奎,林輝,孫華,熊育久,劉秀英;基于高分辨率遙感影像的土地覆蓋信息提取[J];遙感技術與應用;2005年04期

8 陳秋曉,駱劍承,周成虎,鄭江,魯學軍,沈占鋒;基于多特征的遙感影像分類方法[J];遙感學報;2004年03期

9 杜鳳蘭,田慶久,夏學齊,惠鳳鳴;面向?qū)ο蟮牡匚锓诸惙ǚ治雠c評價[J];遙感技術與應用;2004年01期

10 蘇理宏,李小文,黃裕霞;遙感尺度問題研究進展[J];地球科學進展;2001年04期

本文編號：2849284