【摘要】：建筑物作為與人類(lèi)生活生產(chǎn)密切相關(guān)的重要地物,是衡量城市發(fā)展的重要指標(biāo)之一,利用遙感影像對(duì)其進(jìn)行自動(dòng)化批量提取無(wú)疑為城市的發(fā)展提供更加迅速、高效的地理信息基礎(chǔ)數(shù)據(jù),相對(duì)于傳統(tǒng)人工方法也更加省時(shí)省力。場(chǎng)景理解是隨著遙感數(shù)據(jù)的大量積累而提出的一個(gè)較新的概念,以解決如何讓計(jì)算機(jī)如同人腦一樣“理解”影像,并對(duì)海量影像進(jìn)行自動(dòng)識(shí)別、分類(lèi)、管理等等。建筑物場(chǎng)景理解擬尋求與建筑物相關(guān)的影像自動(dòng)識(shí)別、分析、理解的方法,為城市信息化、精細(xì)化管理,智慧城市建設(shè)等提供科學(xué)依據(jù)。基于此,本文主要在大面積批量提取建筑物并對(duì)建筑物場(chǎng)景進(jìn)行高效分類(lèi)等方面進(jìn)行了一些研究,主要工作及創(chuàng)新點(diǎn)如下:(1)提出高光譜高空間分辨率遙感影像面向?qū)ο蟮亩喑叨确指詈偷蛯佣嗵卣魈崛〖叭诤系姆椒�。針�?duì)目前單一低層特征描述刻畫(huà)地物不精細(xì)現(xiàn)狀,利用最優(yōu)分割參數(shù)對(duì)高光譜高空間分辨率遙感影像進(jìn)行多尺度分割,然后提取具有代表性多類(lèi)低層特征并進(jìn)行融合,得到各個(gè)對(duì)象的高維低層特征。高維低層特征能夠較好的刻畫(huà)地物特性,這個(gè)過(guò)程是對(duì)高光譜遙感影像進(jìn)行降維處理,減少計(jì)算量;而對(duì)高分辨率遙感影像是一個(gè)升維處理,提高特征的表達(dá)精度。(2)本文研究了基于高維低層特征的稀疏表示分類(lèi)方法,并在稀疏表示過(guò)程中加入Fisher約束條件。建筑物的提取是利用對(duì)象層次上的高維低層特征,結(jié)合稀疏表示分類(lèi)方法,并在字典學(xué)習(xí)過(guò)程中加入了Fisher約束準(zhǔn)則,解決傳統(tǒng)稀疏表示方法構(gòu)成的字典較難捕獲相似類(lèi)別的相對(duì)差異性信息問(wèn)題。批量識(shí)別分類(lèi)結(jié)果顯示,因遙感影像在數(shù)據(jù)源、成像質(zhì)量、地物復(fù)雜度上各有差異,導(dǎo)致分類(lèi)結(jié)果良莠不齊,但建筑物提取結(jié)果避免了基于像素進(jìn)行分類(lèi)所產(chǎn)生的細(xì)碎圖斑�？傮w來(lái)看,成像質(zhì)量好、地物復(fù)雜度低的影像識(shí)別分類(lèi)結(jié)果優(yōu)于其他影像。但一對(duì)多的樣本處理,大面積、多形態(tài)、高差異的建筑物提取都在以往的研究成果中屬于少數(shù)。(3)本文研究了基于中層語(yǔ)義,利用RBF-NN模型進(jìn)行建筑物場(chǎng)景分類(lèi)方法。神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大學(xué)習(xí)功能,結(jié)合中層語(yǔ)義,實(shí)現(xiàn)高光譜高空間分辨率遙感影像在同一個(gè)體系中進(jìn)行場(chǎng)景分類(lèi)分析處理。結(jié)果顯示,可以利用較少的樣本得到較好的分類(lèi)結(jié)果,驗(yàn)證了方法的有效性。這也不同于利用整幅影像全局或局部的數(shù)理統(tǒng)計(jì)特征信息進(jìn)行場(chǎng)景分類(lèi)的傳統(tǒng)方法。(4)初步形成從高光譜高空間分辨率遙感影像低層多特征提取及融合,到建筑物提取分析,最后上升到建筑物場(chǎng)景分類(lèi)這一較為完整的體系。并結(jié)合實(shí)驗(yàn)驗(yàn)證該體系的實(shí)用性和有效性,為以后多源遙感影像的特征提取分類(lèi)及場(chǎng)景理解提供一種思路。
【圖文】：

圖 2-1 多尺度層次關(guān)系結(jié)構(gòu)圖細(xì)說(shuō)來(lái)多尺度分割算法是一種從下到上的分割，以一個(gè)單獨(dú)的像素為起點(diǎn)并周?chē)嗨葡裨纬尚∮跋竦膶?duì)象，將兩兩小的分割區(qū)域合并成大的，這是一個(gè)迭代循環(huán)合并的過(guò)程，每次循環(huán)每個(gè)對(duì)象區(qū)域都會(huì)被操作一次是使用異質(zhì)性準(zhǔn)則和尺度來(lái)限制合并的大小。使用多尺度，可以進(jìn)行多次，可以進(jìn)行粗分割，然后再進(jìn)行細(xì)化。面向?qū)ο蟮亩喑叨确指钏惴ㄔ敿?xì)過(guò)2-2 所示。輸入影像設(shè)置分割參數(shù)（尺度、形狀參數(shù)、緊致度參數(shù)）第1次分割（基于像元層的分割）

圖 2-3 異質(zhì)性準(zhǔn)則原理圖由此可以得到區(qū)域異質(zhì)性公式為： ( ) （1）其中 H 為結(jié)果區(qū)域的異質(zhì)性， 為光譜因子的權(quán)重， 為形狀因子權(quán)重，譜顏色與形狀共同決定著區(qū)域異質(zhì)性。 、 分別為光譜異質(zhì)性和形狀異質(zhì)性。譜顏色因素和形狀因素呈現(xiàn)互補(bǔ)的趨勢(shì)，光譜顏色因素若是考慮較多，則形狀因就相應(yīng)被削弱，反之亦然。在遙感影像中，光譜信息作為比較重要的信息，因此權(quán)重分配的時(shí)候不宜過(guò)小。較好的考慮形狀因素則較好的得到幾何形狀完好的割結(jié)果。光譜異質(zhì)性[68] 是由對(duì)象的各個(gè)波段的像元值的標(biāo)準(zhǔn)差的加權(quán)和計(jì)算得到的，公式為： ◎ （2）其中 為各個(gè)波段光譜的權(quán)重系數(shù), 為各個(gè)波段光譜值的標(biāo)準(zhǔn)差系數(shù)。形狀差異性 是由緊致度與光滑度來(lái)共同決定的，計(jì)算公式為這兩部分的加和，其公式為：
【學(xué)位授予單位】：重慶交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：P237

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周紹光;孫金彥;凡莉;向晶;陳超;;高分辨率遙感影像的建筑物輪廓信息提取方法[J];國(guó)土資源遙感;2015年03期

2 郭怡帆;張錦;衛(wèi)東;;面向?qū)ο蟮母叻直媛蔬b感影像建筑物輪廓提取研究[J];測(cè)繪通報(bào);2014年S2期

3 張瑞杰;李弼程;魏福山;;基于多尺度上下文語(yǔ)義信息的圖像場(chǎng)景分類(lèi)算法[J];電子學(xué)報(bào);2014年04期

4 安文;楊俊峰;趙羲;史玉龍;;高分辨率遙感影像的建筑物自動(dòng)提取[J];測(cè)繪科學(xué);2014年11期

5 沈德海;侯建;鄂旭;;基于改進(jìn)的Sobel算子邊緣檢測(cè)算法[J];計(jì)算機(jī)技術(shù)與發(fā)展;2013年11期

6 楊昭;高雋;謝昭;吳克偉;;局部Gist特征匹配核的場(chǎng)景分類(lèi)[J];中國(guó)圖象圖形學(xué)報(bào);2013年03期

7 蔣李兵;王壯;郁文賢;;基于屬性濾波和上下文分析的高分辨遙感圖像建筑物提取方法[J];電子與信息學(xué)報(bào);2012年12期

8 吳寧;陳秋曉;;面向影像分割的多尺度快速區(qū)域合并方法[J];計(jì)算機(jī)工程與應(yīng)用;2012年06期

9 程家聰;王然;陳忠;鄧江華;;基于多特征的高分辨率遙感圖像分割方法[J];計(jì)算機(jī)工程;2011年S1期

10 程環(huán)環(huán);王潤(rùn)生;;面向自然場(chǎng)景分類(lèi)的貝葉斯網(wǎng)絡(luò)局部語(yǔ)義建模方法[J];信號(hào)處理;2010年02期

相關(guān)博士學(xué)位論文 前3條

1 劉金梅;多源遙感影像融合及其應(yīng)用研究[D];中國(guó)海洋大學(xué);2014年

2 解斐斐;基于無(wú)人飛艇低空航測(cè)系統(tǒng)建筑物紋理獲取與處理技術(shù)[D];武漢大學(xué);2014年

3 黃慧萍;面向?qū)ο笥跋穹治鲋械某叨葐?wèn)題研究[D];中國(guó)科學(xué)院研究生院（遙感應(yīng)用研究所）;2003年

相關(guān)碩士學(xué)位論文 前10條

1 張洋陽(yáng);基于卷積神經(jīng)網(wǎng)絡(luò)的場(chǎng)景分類(lèi)的研究與應(yīng)用[D];蘭州理工大學(xué);2017年

2 張永義;基于深度神經(jīng)網(wǎng)絡(luò)的場(chǎng)景分類(lèi)方法研究[D];南昌航空大學(xué);2016年

3 張建國(guó);基于深度學(xué)習(xí)的場(chǎng)景分類(lèi)[D];遼寧工業(yè)大學(xué);2016年

4 陳智;基于卷積神經(jīng)網(wǎng)絡(luò)的多標(biāo)簽場(chǎng)景分類(lèi)[D];山東大學(xué);2015年

5 于丹盈;基于Clifford小波的遙感影像邊緣提取方法研究[D];南京師范大學(xué);2014年

6 周維華;RBF神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)與參數(shù)優(yōu)化研究[D];華東理工大學(xué);2014年

7 孟圓;遙感大數(shù)據(jù)處理系統(tǒng)測(cè)試策略與系統(tǒng)優(yōu)化[D];河南大學(xué);2013年

8 趙海龍;基于面向?qū)ο蟮母叻直鏌o(wú)人機(jī)影像災(zāi)害信息提取關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2012年

9 安文;無(wú)人機(jī)遙感影像建筑物提取算法研究[D];解放軍信息工程大學(xué);2011年

10 段錄平;基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘研究[D];哈爾濱理工大學(xué);2007年

，

本文編號(hào)：2641460