【摘要】：城市地表要素(覆蓋)的識(shí)別對(duì)于城市規(guī)劃變遷、土地利用分析以及地理國情監(jiān)測等具有重要的意義。然而,高空間分辨率遙感影像(HSRRSI)豐富、細(xì)致的復(fù)雜數(shù)據(jù)特性,以及城市地表本身的復(fù)雜結(jié)構(gòu),都給影像地物識(shí)別帶來了諸多挑戰(zhàn)。目前,學(xué)者們已提出了大量的地物信息提取與識(shí)別方法,但從高分影像中對(duì)象化識(shí)別地物效果仍然不佳。同時(shí),人們對(duì)地表信息獲取的需求日益增長,已遠(yuǎn)遠(yuǎn)超過了人工目視解譯所能提供的種類和速度,因此從高分影像中識(shí)別城市地物的研究具有廣泛的理論意義和實(shí)用價(jià)值。本文基于深度卷積神經(jīng)網(wǎng)絡(luò),結(jié)合遙感圖像處理技術(shù),建立了一套基于改進(jìn)的Mask R-CNN目標(biāo)識(shí)別算法的高分遙感城市典型地物對(duì)象化識(shí)別的方法與技術(shù)流程,用于從高分遙感影像中較好的識(shí)別城市的三類典型地物建筑物、水體和操場。首先,使用圖像融合、分幅、線性拉伸以及濾波等預(yù)處理方法增強(qiáng)圖像地物特征,并生成適用于Mask R-CNN算法的影像集;基于預(yù)處理的影像集提取地物樣本特征,生成訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)以及測試數(shù)據(jù)。其次,研究了不同結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)于HSRRSI地物識(shí)別的影響,并根據(jù)三類典型地物的特征,設(shè)計(jì)了適宜的網(wǎng)絡(luò)結(jié)構(gòu)以改進(jìn)Mask R-CNN算法,利用改進(jìn)的Mask R-CNN算法從訓(xùn)練數(shù)據(jù)中提取HSRRSI的深度特征,訓(xùn)練并生成地物識(shí)別模型;對(duì)于識(shí)別算法性能的評(píng)價(jià),本文使用eCognition中三種代表性面向?qū)ο蠓诸惙椒?即決策樹算法、K最近鄰算法和隨機(jī)森林算法,與改進(jìn)的Mask R-CNN算法進(jìn)行對(duì)比分析。最后,使用訓(xùn)練的識(shí)別模型對(duì)不同時(shí)序的HSRRSI數(shù)據(jù)集進(jìn)行測試,以驗(yàn)證改進(jìn)的Mask R-CNN算法的泛化能力。實(shí)驗(yàn)結(jié)果表明:(1)改進(jìn)的Mask R-CNN算法的識(shí)別性能優(yōu)于決策樹、K最近鄰和隨機(jī)森林算法。改進(jìn)的Mask R-CNN算法對(duì)三類地物的識(shí)別精度達(dá)到了總體最高的準(zhǔn)確率0.9133和召回率0.9238,且對(duì)地物識(shí)別的完整性保持更好,可以對(duì)單個(gè)的地物實(shí)例進(jìn)行對(duì)象化識(shí)別。(2)不同結(jié)構(gòu)的CNN對(duì)不同類別地物的識(shí)別存在影響且表現(xiàn)出一定的規(guī)律性。對(duì)于光譜、紋理、形狀異質(zhì)性明顯,且沒有固定空間模式的復(fù)雜地物類別(如建筑物),重點(diǎn)調(diào)整網(wǎng)絡(luò)對(duì)復(fù)雜地物深層次有效特征的提取,更有益于提高識(shí)別精度;對(duì)于特征異質(zhì)性較小的地物類別(如水體、操場),重點(diǎn)調(diào)整網(wǎng)絡(luò)對(duì)中高級(jí)層次有效特征的提取,識(shí)別精度更佳。(3)將改進(jìn)的Mask R-CNN算法生成的訓(xùn)練模型,在同一地區(qū)不同時(shí)序,且地物光譜、結(jié)構(gòu)特征存在明顯變化的不同數(shù)據(jù)集上進(jìn)行進(jìn)一步測試,總體達(dá)到了0.8794的準(zhǔn)確率,0.896的召回率,具有較好的識(shí)別效果。
【圖文】：

具體分幅方法利用 ArcGIS 的柵格分割工具 Split Raster 如下圖2-3，分割方法參數(shù)選用 SIZE_OF_TILE 指定分塊寬度和分塊高度，隨后將創(chuàng)建相應(yīng)數(shù)量的分塊；重采樣參數(shù)選用 NEAREST 最鄰近分配法；然后設(shè)置輸出柵格大小 500*500，最后輸出固定大小的 TIFF 影像。圖 2-3 圖像分幅Fig.2-3 Image framing2.2.1.3 線性拉伸線性拉伸是圖像增強(qiáng)的常見處理方法，主要用于提高圖像對(duì)比度，突出圖像中的關(guān)鍵信息，并增加圖像中不同對(duì)象的特征差異。遙感圖像包含大量信息，限制了處理速度。在海量數(shù)據(jù)處理和顯示的過程中，速度是必不可少的。而且，通常遙感影像的灰度值在一定區(qū)間內(nèi)聚集，沒有完全利用灰度空間，導(dǎo)致圖像的對(duì)比度相對(duì)較低。本文的原始影像是 16 位的 TIFF 影像，考慮到數(shù)據(jù)容量的關(guān)系，且深度神經(jīng)網(wǎng)絡(luò)一般輸入的是 8 位的圖像，本文采用了 2%-98%最大最小值拉伸將 16 位圖像量化為 8 位，可以減輕處理速度和效率之間的沖突，且線性拉伸的處理也可以獲得更好的視覺效果，使后續(xù)的處理和分析更加方便。

由于邊界處灰度值變化較大，周圍像素不會(huì)太多影響到邊緣像素，所以該方法的保邊效果很好，但是由于保留了太多高頻信息，不能有效去除高頻噪聲。2.2.2 面向高分遙感城市典型地物對(duì)象化識(shí)別的影像預(yù)處理實(shí)驗(yàn)2.2.2.1 實(shí)驗(yàn)數(shù)據(jù)如圖 2-4，，實(shí)驗(yàn)數(shù)據(jù)是由 WorldView-3 衛(wèi)星于 2017 年 9 月拍攝的北京市通州區(qū)新城部分的高分辨率遙感影像，位于東經(jīng) 116°37′53″E-116°46′57″E，北緯 39°50′33″N-39°57′53″N，占地面積 175km2。包括空間分辨率 0.3m 的全色段影像和 1.24m的多光譜影像，其中多光譜影像有四個(gè)光譜帶（藍(lán)色，綠色，紅色和近紅外），影像包括正射和傾斜影像。其預(yù)處理方法包括圖像融合、圖像分幅、線性拉伸、圖像濾波四種方法，其中圖像融合方法的實(shí)驗(yàn)數(shù)據(jù)直接采用的是全色和多光譜的原始影像；圖像分幅方法采用的實(shí)驗(yàn)數(shù)據(jù)來自原始影像經(jīng)過圖像融合之后生成的融合影像；線性拉伸方法采用的實(shí)驗(yàn)數(shù)據(jù)是經(jīng)過分幅之后生成的遙感影像；圖像濾波方法采用的實(shí)驗(yàn)數(shù)據(jù)是由線性拉伸處理過后生成的遙感影像。
【學(xué)位授予單位】：北京建筑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP751;TP183;P237

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 章皖秋;騰麗;張王菲;袁華;;城市典型地物反射波譜分辨率研究[J];遙感信息;2008年02期

2 張霞;趙云升;孫天琳;梁壬鳳;;城市典型地物的熱輻射特性研究[J];光譜學(xué)與光譜分析;2012年01期

3 李慧;王云鵬;李巖;王興芳;陶亮;;珠江三角洲典型地物空間分布特征研究[J];生態(tài)環(huán)境學(xué)報(bào);2013年01期

4 盧遙;盧小平;武永斌;李國清;于海洋;;綜合機(jī)載LiDAR與高分影像的煤礦區(qū)典型地物提取方法[J];測繪通報(bào);2015年12期

5 李紅;朱谷昌;張遠(yuǎn)飛;楊自安;;礦化蝕變區(qū)典型地物光譜特征分析與空間結(jié)構(gòu)研究——以內(nèi)蒙古突泉縣—扎魯特旗成礦帶為例[J];國土資源遙感;2010年01期

6 楊旭艷;王旭紅;胡婷;曹雅坤;;典型地物特征提取的適宜尺度選擇[J];山地學(xué)報(bào);2012年05期

7 鄭來文;趙子沂;霍宏;方濤;;基于多核學(xué)習(xí)的典型地物目標(biāo)特征描述[J];上海交通大學(xué)學(xué)報(bào);2016年09期

8 謝東海;顧行發(fā);程天海;余濤;李正強(qiáng);陳興峰;陳好;郭婧;;基于多角度偏振相機(jī)的城市典型地物雙向反射特性研究[J];物理學(xué)報(bào);2012年07期

9 李紅;朱谷昌;張遠(yuǎn)飛;楊自安;石菲菲;;礦物蝕變區(qū)典型地物光譜特征初步研究——以內(nèi)蒙古突泉縣-扎魯特旗成礦帶為例[J];礦產(chǎn)與地質(zhì);2010年04期

10 李世偉;王召巴;楊建生;;基于遙感的城市典型地物信息的快速獲取方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2014年03期

相關(guān)會(huì)議論文 前3條

1 李娜;包妮沙;劉善軍;劉小翠;;基于多源遙感數(shù)據(jù)的礦區(qū)典型地物最優(yōu)尺度分割研究[A];第十八屆中國環(huán)境遙感應(yīng)用技術(shù)論壇論文集[C];2014年

2 張立新;王錦地;李小文;;我國典型地物標(biāo)準(zhǔn)波譜數(shù)據(jù)庫簡介[A];第十四屆全國遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2003年

3 孫小芳;盧健;孫小丹;;多光譜快鳥影像城市地區(qū)的自相關(guān)分析[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

相關(guān)重要報(bào)紙文章 前1條

1 章炎;你會(huì)打“122”嗎？[N];人民公安報(bào)·交通安全周刊;2006年

相關(guān)博士學(xué)位論文 前1條

1 季園園;典型地物紅外特性仿真關(guān)鍵技術(shù)研究[D];大連海事大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 馬紅梅;面向?qū)ο蟮挠跋穹治鲋械湫偷匚锓指顓?shù)優(yōu)選方法研究[D];蘭州大學(xué);2017年

2 普恒;高分遙感城市典型地物對(duì)象化識(shí)別方法研究[D];北京建筑大學(xué);2019年

3 王長勝;典型地物表面溫度特性研究[D];大連海事大學(xué);2013年

4 叢楠;冀東水廠鐵礦區(qū)典型地物高光譜信息提取方法研究[D];中國地質(zhì)科學(xué)院;2008年

5 王梁文敬;典型地物的極化后向散射特性分析及其在分類中的應(yīng)用[D];山東科技大學(xué);2010年

6 賈明權(quán);典型地物微波介電特性實(shí)驗(yàn)研究[D];電子科技大學(xué);2008年

7 胡婷;遙感圖像典型地物特征提取的尺度效應(yīng)研究[D];西北大學(xué);2010年

8 趙艷麗;典型地物微波介電特性及其室內(nèi)測量方法研究[D];電子科技大學(xué);2009年

9 季金勝;高分辨率遙感影像典型地物目標(biāo)的特征選擇及其穩(wěn)定性研究[D];上海交通大學(xué);2015年

10 王冬寅;典型地物的實(shí)測光譜數(shù)據(jù)分析與遙感蝕變信息提取研究[D];中南大學(xué);2012年

本文編號(hào)：2687005