基于深度学习技术的高分辨率遥感影像建设用地信息提取研究

高分辨率遥感影像能够精细地表达丰富的地表信息,由于其巨大的应用潜力和发展前景,越来越受到人们的关注,被广泛应用于国民经济建设的各个行业。影像分类是遥感应用的基础工作之一,面向对象的分类方法可以提高分类精度及数据的利用率,但是由于不同的分类任务对特征的选取具有一定的针对性且需要有丰富的经验与知识,造成高分影像丰富的信息得不到充分的利用。土地利用结构及土地覆盖、城乡规划、土地变化监测、土地卫片执法检查和违法建设用地调查等是支撑各行各业的重要工作,在这些应用中高效、精确地进行建设用地提取是基础。在此背景下,本文总结国内外相关研究理论与研究应用成果,在面向对象的多尺度分割的基础上,采用在图像和语音识别领域获得成功应用的深度学习技术,以浙江省桐乡市部分区域为研究区,采用2016年7月高分二号多光谱遥感影像数据,研究进行建设用地信息提取的最佳分割尺度及深度卷积神经网络在建设用地信息自动提取中的效果和优势。本文研究内容如下:(1)采用比较分析的方法来确定30、50、100、150、200这五种尺度对高分二号影像进面向对象的多尺度分割效果。(2)在将多尺度分割后得到的影像对象转换为满足深度卷积神经网络所需的数据输入格式,需要先对影像对象进行标准化处理,本文尝试三种不同的方法对影像对象进行标准化,以评估标准化处理方式对分类精度的影响。同时,探索将面向对象影像分割技术和深度学习技术结合起来形成一个完整的信息提取流程。(3)在应用深度卷积神经网络实现高分遥感影像建设用地特征的自动提取和分类后,在土地覆被数据的基础上对所有对象进行对象个数、对象面积、地表覆被吻合度的分类精度进行分析评价,并计算建设用地提取结果的查全率和查准率,以评估本研究所提出的方法在建设用地信息提取上的效果。本文取得的主要成果如下:(1)对比分析传统的面向对象的支持向量机、决策树、最近邻分类器以及深度卷积神经网络在建设用地信息提取方面的精度与效果。结果表明,深度卷积神经网络在总体分类精度以及建设用地提取的查全率、查准率方面均优于其他三种分类方法,是一种具有较高应用潜力的方法和技术。(2)影像对象的标准化方法对建设用地提取精度影响较小,表明深度卷积神经网络对影像对象的形状、大小、位移等变化都具有较好的容错性和较强的识别能力。(3)不同地物的最佳分割尺度是不同的,建设用地内部结构复杂、光谱特征差异较大、形态不一。本文通过不同分割尺度下建设用地信息提取效果的比较分析,发现适合高分二号遥感影像多尺度分割的最佳分割尺度范围为50到100之间。