房屋位置和类别信息在城市规划,人口估计,城市微气候研究等方面有着广泛的应用,准确提取房屋信息是这些应用的基础。因此,房屋的提取和分类一直是遥感影像解译领域的热点问题。资源三号卫星(ZY-3)于2012年1月9日成功发射,是我国第一颗专为沿轨道立体影像采集而设计的民用高分辨率卫星。ZY-3卫星可以同时获取三线阵立体影像,对同一区域进行多视角观测,能够大范围获取城市三维信息,为房屋的提取和分类提供了丰富的数据来源。传统的高分辨率多角度影像解译方法先基于立体匹配算法提取数字表面模型,再进行后续处理和分析,然而,在复杂度极高的城市场景中,立体匹配的误差较大,这严重影响了分类和解译的精度。除此之外,这种方法不能充分利用多视角数据所提供的信息。本文以此为契机,探索了基于高分辨率多视角影像的角度特征提取方法,发掘其在提高房屋的识别和分类精度上的潜力。本文的主要研究内容如下:(1)提出了基于高分辨率多视角影像的建筑物提取方法。分析房屋在高分辨率多角度影像上的成像特点,提出了多角度房屋指数,并利用光谱信息和形状信息对房屋提取结果进行优化,实现了房屋对象的自动提取。(2)提出了基于角度差异特征的城区房屋分类方法。在多角度房屋指数的基础上,设计了数据-特征-标签多层次角度差异特征,并基于超像素分割进行特征优化。多层次角度差异特征利用了地物在多角度遥感影像上光谱、几何结构的差异,在一定程度上能够反映地物的三维结构信息,从而提升复杂城市区域的房屋分类精度。(3)基于多分支卷积神经网络进行城市建筑区制图。传统的遥感影像解译方法依赖于人工设计的特征,因此这类方法的泛化性较弱,在复杂的城市场景中很难取得较好的解译精度。本文用卷积神经网络模型基于多视角影像自动进行角度特征学习,用多分支卷积神经网络将角度特征与光谱特征融合起来,并将该网络用于城市建筑区的分类。本文使用ZY-3数据对多角度房屋指数,多层次角度差异特征,以及多分支卷积神经网络进行了实验。实验结果表明多角度房屋指数在中心城区和郊区均能取得较好的房屋提取结果;多层次角度差异特征可以提高房屋类别之间的可分性,能将分类精度提高3.8%~11.7%;多分支卷积神经网络可以自动学习角度特征,并有效地融合角度信息与光谱信息,在武汉和北京数据集分类结果的Kappa系数均大于0.90。