基于形态学和深度学习的高分辨率遥感影像建筑物提取方法研究
城市是人们生产生活的重要保障之一。随着近些年智慧城市概念的提出与实施，打造智能化城市系统服务实现精细化管理和动态信息更新的要求随即变高。在我国卫星遥感事业不断发展的进程中，遥感技术已经显示出在城市建筑物智能化提取方面具有巨大的应用潜力。高空间分辨率光学遥感影像中所包含的丰富的细节信息，更有利于实现建筑物的精确提取。因此本文选取高分二号和吉林一号高分辨率卫星遥感图像作为数据源，探究了适用于城市建筑物的提取方法，具体研究内容和取得的成果如下： （1）基于自适应形态学指数的建筑物提取方法。基于标准形态学建筑物指数研究的基础上进行改进。首先，结合颜色空间变换理论将原始RGB颜色空间转换为YCbCr颜色空间，实现颜色信息的充分挖掘；其次，利用自适应多尺度的顶帽变换计算建筑物对应的最优尺度空间，提取影像中的特征信息。最后利用植被指数约束、面积抑制等方法对提取结果进行后处理。通过高分二号（GaoFen-2，GF-2）卫星与吉林一号（Jilin-1）卫星遥感影像数据进行实验，实验结果表明此方法提取建筑物的精确度可分别达到72.5%、77.05%，总体分类精度分别达到了88.6%、88.43%。 （2）基于Refine-UNet网络模型的建筑物提取方法。本文基于U型网络架构的特点，创新性地提出Refine-UNet网络模型实现建筑物的高精度提取。该模型是由编码器模块、解码器模块和细化跳跃连接模块三部分组成，其中细化跳跃连接模块包含一个空洞空间卷积金字塔池化（AtrousSpatialPyramidPooling，ASPP）模块以及四个改进的深度可分离卷积（ImprovedDepthwiseSeparableConvolution，IDSC）模块。利用吉林一号（Jilin-1）卫星遥感影像数据，通过与UNet、PSPNet、SegNet、DeepLabV3+四个深度学习网络进行对比，实验结果表明Refine-UNet网络提取建筑物的精确度达到95.1%，IoU达到87%，相比于UNet网络分别提升了6.4%、8.5%。 （3）联合约束增强形态学指数和深度学习的建筑物提取方法。本文基于注意力机制原理，利用标准形态学指数及自适应形态学指数的建筑物提取结果作为约束窗口，对原始遥感影像数据进行线性增强。利用吉林一号卫星遥感影像，运用形态学指数和深度学习方法相结合，对建筑物进行提取，并分析其对提取精确度的影响。 本文以高分辨率卫星遥感影像为数据源，分别探究了基于传统形态学指数、深度学习算法以及二者相结合对于实现精确提取建筑物目标的影响，通过实验验证了本文提出方法对于高效利用影像中建筑物信息逻辑的合理性，为未来城乡发展、智慧城市的规划建设提供了有效的依据。
建筑物提取;深度学习;形态学建筑物指数;高分辨率光学遥感影像
吉林大学
硕士
电磁场与微波技术
顾玲嘉
2023
中文
TP751;TP18;TU198
2023-08-29（万方平台首次上网日期，不代表论文的发表时间）