高分辨率遥感影像视觉表征及其在分类中的应用

【摘要】：从哲学角度上看,地物识别就是通过表象来识别本质。遥感影像的分类、识别和提取都是利用地物表现出来的特征进行的,特征在地物遥感解译中起着非常重要的作用。然而,地物特征通常难以在高分辨率遥感影像中直接展示出来,需要通过分析、挖掘、转换、数学建模等一系列加工处理进行表达,因此,高分辨率遥感影像视觉表征成了非常重要的研究方面。本文探讨了高分辨率遥感影像视觉表征的总体策略,提出视觉仿生和专家知识转换两条研究路线,并分别沿两条路线,对高分辨率遥感影像视觉表征及其在分类中的应用展开研究,主要内容如下：(1)在Itti视觉注意模型的基础上,提出了高分辨率遥感影像视觉显著性表征算法,并分别提出一组适用于不同影像特点的零星植被视觉显著性表征,解决了零星植被由于面积较小、边缘模糊以及混合像元的影响,难以有效地提取特征的问题。最后结合Fuzzy ART提出一种零星植被自动提取方法,通过对RGB影像和近红外影像分别进行实验显示,本文方法对零星植被的提取结果总体精度可达90%以上。(2)提出了一种多尺度多方向结构指数(MMI),相比于传统的结构纹理表征算法强调纹理基元的规律性以及尺度和方向的一致性,MMI对于近似规律、多尺度多方向并存的情况均能有效表征,适用范围更广。研究了MMI在高分辨率遥感影像地物分类中的应用,提出了基于MMI的种植园自动提取算法,在一定程度上解决了目前种植园提取算法适用性较差、数据依赖性高(多依靠高光谱数据、多时相数据)的问题,并提高了其自动化程度；提出了基于MMI的部分人工地物自动分类算法,改善了以往停车场分类模糊的问题,从而进一步提高遥感信息提取的精细化程度,并且为部分整体规划布局较一致的建筑群提取提供了参考。最后,对MMI中涉及到的主要参数进行了实验和分析,为参数的调节和优化设置提供了参考。(3)提出了一种边界类平行指数BPI,通过分别与传统形状特征和纹理特征进行对比实验,验证了BPI相对于传统形状特征,更能有效表征地物形状信息,尤其对建筑物的形状表征表现出了良好的抗噪性和区分性,在建筑物分类中优势明显,相比于传统形状特征和建筑物形态学指数、灰度共生矩阵、小波纹理等纹理特征,能够获取更高的精度。因此,将BPI于光谱特征、多种纹理特征相结合,通过构建多层分类知识网络,提出一种建筑物高精度自动分类方法。(4)利用面向对象的思想,解决了深度学习应用于遥感影像表征和分类的基本单元问题,并在此基础上研究了高分辨率遥感影像的自表征及其在分类中的应用,搭建了基于CNN的遥感影像自表征模型,提出了基于CNN的全自动遥感影像分类算法、结合CNN和SVM的遥感影像分类算法、结合CNN和RF的遥感影像分类算法,并通过实验分析和验证了算法的有效性,为计算机自动获取遥感影像特征提供了一个初步解决方案。