基于深度特征的高分遥感影像建成区自动提取

摘要

作为建筑物聚集区域的建成区是人类活动的主要区域，一直以来都是遥感影像分析的关注重点。从遥感图像提取建成区在许多领域有着重要应用：对城市发展规划，准确统计建成区面积可以为确定城市发展规模、城镇化水平，监视城市扩张动态变化和确定未来发展规划等提供重要依据；对遥感信息提取，建成区提取可以作为城市路网提取、建筑物提取等任务的预处理步骤；对于减灾任务，建成区提取可以为灾害损失快速综合评估、应急救援和灾后恢复重建提供信息支持。建成区的提取应用广泛，但建成区的人工标注对人力资源和时间的消耗十分巨大，因此研究建成区自动提取有非常重要的实际意义。论文利用深度特征学习实现遥感图像中建成区的自动提取，论文的主要工作如下： 研究了数种常用的卷积神经网络结构，并通过实验对其性能做了分析，然后基于实验结果和一些基本设计准则设计了一个轻量化多分支卷积神经网络，称为LMB-CNN（lightweight multi-branch CNN）。实验本表明本文设计的LMB-CNN网络在速度、参数量、准确度等方面均十分优秀。LMB-CNN在样本测试集上达到了99.36%的整体准确率。 提出基于LMB-CNN的图模型实现建成区自动提取。首先将待处理图像划分为等大的小块并使用LMB-CNN提取图像块深度特征，然后以图像块为节点，以深度特征为节点表征构建图模型，之后使用图割法进行分割，从而获取建成区区域。 提出基于LMB-CNN的全卷积神经网络实现建成区自动提取。首先将待处理图像划分为等大的小块并使用LMB-CNN提取图像块深度特征，然后依据图像块位置将其深度特征重排为特征图输入一个全卷积神经网络LMB-FCN进行分割，LMB-FCN输出8通道分割结果，最后使用投票法获得最终建成区提取结果。 提出一些简单且耗时少的后处理步骤以使两种建成区自动提取方案的结果更加符合任务要求。通过与一些优秀的非监督和监督建成区提取算法的对比实验验证了本文所提出算法的优异性能，本文两种算法在测试集上均达到了98.5%以上的总体精度（图像块级别），并且处理速度远胜其他算法。 为使深度特征具有优秀的分类精度和泛化能力，基于高分二号卫星遥感数据构建了一个大规模的人工标注数据集。

目录

第一个书签之前