论文部分内容阅读
高分辨率遥感影像中的丰富地物细节信息为准确提取建筑物提供了可靠数据源。目前高分辨率影像的建筑物提取研究大多数是以规则建筑物为研究对象,由于不同建筑物的外观和屋顶材质的差异性较大,导致使用规则建筑物的提取方法并不能准确地提取不规则建筑物。因而本研究选取吉林省长春市作为研究区域,选择高分二号卫星数据作为实验数据源,从单时相遥感影像与多时相遥感影像两方面开展了基于深度学习的高分辨率遥感影像规则形状与不规则形状建筑物的提取研究,研究内容及创新工作如下:(1)高分辨率遥感影像建筑物特征提取研究。建筑物特征是建筑物提取研究中极为重要的影响因素。对获取的高分辨率遥感影像进行预处理后,使用基于HSI(Hue Saturability Intensity)彩色变换的方法提取建筑物光谱特征、基于Gabor小波变换的方法提取建筑物的纹理信息特征、基于Graph-based分割与条件随机场后处理相结合的方法提取建筑物的形状特征和基于计算DSBI(Difference Spectral Building Index)指数的方法提取建筑物的指数特征,通过以上四种方法获取建筑物的光谱、形状、纹理及指数特征。(2)基于卷积神经网络的单时相高分辨率影像建筑物提取研究。选择高分二号单时相遥感图像作为实验数据源,基于已提取建筑物的特征制作建筑物样本与标签,分别送入卷积神经网络CNN(Convolution Neural Networks)与VGG(Visual Geometry Group)进行训练和测试,最终获得建筑物提取结果。经过实验结果精度分析,CNN网络与VGG网络的规则建筑物与不规则建筑物的平均整体精度(OA)可以达到85.2%,平均提取准确率精度(Precision)可以达到89.9%以上,并且VGG网络可以获得优于CNN网络6.7%的整体精度,因而利用VGG网络可以获得准确度较高的单时相遥感影像建筑物提取结果。(3)基于多特征LSTM(Long Short Term Memory)网络的多时相高分辨率影像建筑物提取研究。具有时间序列的多时相遥感影像在城市变化检测和建筑物提取方面具有优势,可以减少阴影和植被对建筑物提取的影响。本研究选取多时相遥感图像作为数据源,提取多时相建筑物的光谱、纹理、形状及指数特征组成了建筑物特征集,并将制作的建筑物样本与标签送入LSTM网络中获得建筑物粗提取结果,经过形态学处理后得到准确的建筑物提取结果,建筑物最终提取结果的平均整体精度可以达到93.1%,平均准确率可以达到90.5%。经过对比实验,将LSTM网络与VGG网络、U-Net(U-shaped Networks)网络及ResNet(Residual Networks)网络对比,LSTM网络的建筑物粗提取结果的平均准确率可以达到90.2%,比其他网络的粗提取结果的平均准确率高出9%。与单时相高分辨率遥感影像的建筑物提取结果相比,多时相高分辨率遥感影像的建筑物提取结果的整体精度被提升了2%,验证了本研究使用多特征LSTM网络提取多时相影像的规则建筑物与不规则建筑物的有效性与优越性。本文基于单时相与多时相的高分辨率建筑物遥感数据,通过有效地提取建筑物的特征,利用多特征深度学习网络准确地提取了高分辨率遥感影像中建筑物,为城市规划与设计提供了可靠的参考数据。