主题模型建模框架下的高分辨率遥感影像尺度自适应分类

摘要

随着我国对地观测系统的进一步发展和成熟，高分辨率遥感影像越来越成为各种实际应用的强有力数据支撑，包括高精度地形测绘、地物提取与分类、灾害评估等。然而，随着空间分辨率的增加，影像细节光谱信息丢失，空间信息量及其复杂度增加，导致传统自动解译方法适应性下降，使得自动解译工作面临了更多挑战。因此进行高分辨率遥感影像自动分类研究具有十分重大的应用价值和理论意义。
　　当前高分辨率遥感影像分类研究旨在解决3个核心问题:特征、尺度和分类策略，从而充分发挥高分辨率遥感影像丰富地表细节信息对自动分类的辅助决策作用，并提高其自动分类的准确性。
　　为此，针对这些问题，本文首先借鉴现有遥感影像主题模型分析框架，为高分辨率遥感影像高层语义特征提取与表达寻求解决方案，然后通过引入多尺度影像表达机制为多尺度影像分析提供依据，从而进一步缓解尺度问题对自动分类结果的影响，最后在相应特征表达基础上，综合不同程度训练样本先验知识形成多尺度框架下的基于主题模型的高分辨率遥感影像分类体系，包括非监督、监督和半监督自动分类方法。具体地，本文研究内容和成果可以总结为:
　　1)提出了一种基于多尺度分割影像集的高分辨率遥感影像主题模型建模分析框架。该分析框架采用影像像素灰度值定义主题模型建模词汇，由粗到细的多尺度分割影像集的所有分割图斑定义文档集，影像潜在类别定义主题。模型不仅同时建模遥感影像不同层次对象的多尺度语义特征，还为基于多尺度集的尺度自适应选择机制提供依据，从而为实现尺度自适应分类提供决依据;
　　2)在上述基于多尺度分割影像集的高分辨率遥感影像主题模型建模分析框架下，本文针对不同训练样本情况提出了具有尺度自适应能力的高分辨率遥感影像非监督、监督和半监督分类方法:
　　2.1)基于多尺度影像分割的高分辨率遥感影像尺度自适应非监督分类
　　该方法首先借助于多尺度分割手段，形成高分辨遥感影像粗尺度到细尺度的分割影像集;然后，利用潜狄利克雷分配主题模型非监督学习潜在地物类别的像素概率分布以及分割图斑的潜在地物类别混合分布;继而，在顾及分割图斑内潜在地物混合比例分布的情况下，通过比较地物类别和分割图斑像素概率分布的Kullback-Leibler距离，判定不同尺度下各分割图斑的类别归属;最后，融合多尺度下的分类结果，实现影像尺度自适应非监督分类。不同场景、不同分辨率数据下开展的实验结果表明，该方法能够实现分类结果的自适应平滑分类，并可以在一定程度上提高水体和阴影、水体和植被等“同谱异物”地物的区分能力。
　　2.2)多尺度光谱-空间-语义特征核函数集成的高分辨率遥感影像监督分类
　　该方法以多尺度影像分割集为基础，利用潜狄利克雷分配模型建模分割图斑的多尺度语义特征，并结合原始影像的光谱特征以及分割图斑内的空间均值特征，在不同分割尺度下分别开展光谱-空间-语义特征的多核函数融合分类，继而根据多数投票原则在决策级集成多尺度分类结果，最后通过最小尺度下的分割影像实现像素级分类结果至面向对象分类结果的转化。相关实验表明该方法能够实现分类结果的自适应平滑分类，并在一定程度上提高建筑物和道路等“同谱异物”地物的区分能力，QuickBird、天绘实验影像分类总体精度分别由基于光谱特征SVM的66.7％、63.7％提升至86.8％、87.2％。
　　2.3)基于主题模型和自学习过程的高分辨率影像尺度自适应半监督分类
　　该方法首先基于高分辨率遥感影像光谱、空间和语义特征进行训练样本自学习拓展，得到具有较高置信度的训练样本集，然后再基于多尺度分割影像的半监督主题模型建模框架下对所有样本进行半监督主题模型建模，得到具有部分类别先验分布的潜语义特征，然后在各尺度上分别实现基于潜语义特征的影像分类，并对不同尺度分类结果进行自适应融合，得到具有自适应平滑效果的高分辨率遥感影像分类结果。QuickBird、天绘影像实验结果表明，该方法通过训练样本拓展过程可以较好地对未知样本进行类别估计，并在半监督主题模型建模过程通过非监督聚类结果对监督分类结果进行修正和约束，从而获得更高精度的分类结果。

目录

声明

摘要

第1章 绪论

1．1 研究背景与意义

1．1．1 应用背景

1．1．2 理论意义

1．2 国内外研究现状

1．2．1 高分辨率遥感影像分类方法研究现状

1．2．2 基于主题模型的图像分析方法研究现状

1．3 研究内容与技术路线

1．3．1 研究目标

1．3．2 研究内容与总体技术路线

1．4 论文章节安排

第2章 高分辨率遥感影像分类方法

2．1 本章概述

2．2 实验数据与评价指标

2．2．1 实验数据

2．2．2 评价指标

2．3 不同训练样本利用程度的分类方法

2．3．1 非监督分类方法

2．3．2 监督分类方法

2．3．3 半监督分类方法

2．4 不同分析基元的分类方法

2．4．1 像素级分类方法

2．4．2 面向对象分类方法

2．5 本章小结

第3章 主题模型及其在遥感影像分析中的应用

3．1 本章概述

3．2 主题模型

3．2．1 主题模型概述

3．2．2 潜狄利克雷分配模型

3．2．3 基于Gibbs采样的潜狄利克雷分配模型推导

3．3 遥感影像主题模型建模

3．3．1 视觉分析对象与文本分析对象映射关系

3．3．2 遥感影像主题模型建模分析框架

3．4 基于多尺度分割影像集的遥感影像主题模型建模

3．5 本章小结

第4章 主题模型建模框架下的高分辨率遥感影像尺度自适应非监督分类

4．1 本章概述

4．2 基于多尺度影像分割的高分辨率遥感影像尺度自适应非监督分类方法

4．2．1 多尺度潜语义特征提取与表达

4．2．2 基于KL相似测度的面向对象非监督分类

4．2．3 多尺度分类结果尺度自适应融合

4．3 实验分析与讨论

4．3．1 实验设计

4．3．2 实验结果比较与分析

4．3．3 尺度参数敏感性分析

4．4 本章小结

第5章 主题模型建模框架下的高分辨率遥感影像尺度自适应监督分类

5．1 本章概述

5．2 多尺度光谱-空间-语义特征核函数集成的高分辨率遥感影像监督分类方法

5．2．1 影像多尺度多特征表达与提取

5．2．2 光谱-空间-语义Kernel集成的遥感影像尺度自适应分类

5．3 实验分析与讨论

5．3．1 实验设计

5．3．2 实验结果比较与分析

5．3．3 训练样本集敏感性分析

5．4 本章小结

第6章 主题模型建模框架下的高分辨率遥感影像尺度自适应监督分类

6．1 本章概述

6．2 半监督主题模型

6．3 基于主题模型和自学习过程的高分辨率影像尺度自适应半监督分类方法

6．3．1 基于多特征的训练样本自学习拓展

6．3．2 基于多尺度分割影像集的半监督主题模型建模

6．3．3 多尺度面向对象分类及其自适应融合

6．4 实验分析与讨论

6．4．1 实验设计

6．4．2 实验结果比较与分析

6．4．3 非监督聚类个数敏感性分析

6．5 本章小结

结论与展望

致谢

参考文献

攻读硕士学位期间已发表或录用的文章

攻读硕士学位期间参与的科研项目