论文部分内容阅读
最近随着经济的飞速发展,城市空间结构也得到了不断的优化。识别城市目标及其空间分布特性,对于把握整个城市空间结构以及制定科学合理的规划具有重要意义。现有的城市目标识别技术通常基于静态数据或动态数据,然而,受到主观因素的限制,很难获得较好的识别结果。遥感图像不仅包含了地面物体(地物)丰富的空间特征,还包含了地物精细的光谱特征。基于深度学习模型的图像识别是计算机视觉领域的一个研究热点。深度学习模型可以用于学习遥感图像的判别性特征表示,实现城市目标的智能识别,尤其是对功能分区和精细物目标的识别。图像识别模型的性能依赖于提取的特征,判别性强的数据特征有助于更好地挖掘原始图像数据中的潜在信息,进一步提升图像识别模型的性能。因此,如何从大规模、高维度和包含遮挡、阴影等噪声的遥感图像数据中提取有效的数据表征,并且实现城市目标的快速精准识别,已成为遥感图像分析与处理研究领域迫切需要解决的问题。本文以深度学习模型为基础,提取对多源遥感数据(如航天、航空遥感数据)识别有意义且判别性强的数据特征,将低层遥感数据特征转化为高层抽象语义特征;并借此分析隐含在原始数据中的潜在信息,实现城市目标的智能识别,为构建智慧城市提供技术支持。具体来讲,本文完成的主要研究内容和创新工作如下:(1)针对传统城市目标识别方法无法快速、高效和智能识别城市目标的问题,提出了一种循环神经网络(Recurrent Neural Network,RNN)与三维卷积神经网络(3D Convolution Neural Network,3D-CNN)结合的高光谱分类模型,即Recurrent 3D CNN(R-3D-CNN)。R-3D-CNN模型可以充分利用空间和光谱融合特征,以及被分类像元点的空间上下文信息。利用3D卷积操作,通过融合光谱特征和空间特征,可以提升最后的分类精度。最后,基于多个高光谱遥感数据集,针对所提出的有监督的R-3D-CNN模型进行了大量的实验验证。实验表明,所提出的R-3D-CNN模型的性能优于传统的机器学习方法和一些深度学习模型(如2D-CNN和3D-CNN)。(2)针对高光谱遥感图像分类的深度学习算法泛化能力弱等问题,提出了一种2D-CNN和3D-CNN模型协同训练的卷积神经网络模型,即SyCNN。该模型通过混合2D-CNN和3D-CNN进行协同训练,并引入数据模块,对2D-CNN、3D-CNN分别生成的2D特征和3D特征进行特征融合,基于高光谱遥感图像实现城市目标识别。通过数据交互模块,增加了3D-CNN的训练样本,并且还使得2D-CNN的特征图中融合了光谱信息。最后,大量的实验表明,所提出SyCNN模型的性能优于当前最优的2D-CNN模型和3D-CNN模型,且该模型还具有更好地泛化能力,可以在多种小样本数据集上获取较好的结果。(3)针对城市道路识别中的遮挡、阴影及噪声问题,提出了一种端到端的递归卷积神经网络U-Net模型,即RCNN-UNet,并基于航空遥感图像进行特征提取,实现城市道路的智能识别。该模型主要用于解决由于航空遥感图像中存在遮挡、阴影和噪声而引起的目标识别精度低的问题。所提出的RCNN-UNet模型不仅可以充分利用空间的上下文信息,而且还可以结合“U”型架构的优势,充分利用低层特征。最后,进行了广泛的实验,并且与9个最先进的道路提取方法(主要是深度学习模型)进行了对比。实验结果表明,所提出的RCNN-UNet模型在道路检测和中心线提取任务的性能明显优于其它所有对比算法。(4)针对城市目标识别中低分辨率图像的信息缺失及噪声等问题,提出了一种端到端的循环密集神经网络模型,即Recursive Dense Network(RDN),将低分辨率航空遥感数据恢复到高分辨率数据。该模型用于解决由于低分辨率航空遥感数据中可用信息少和噪声等而引起的城市目标识别精度低的问题。该模型中循环密集单元具有更大的有效视野范围,可以充分利用空间上下文信息。且该模型采用了密集网络和本地残差连接操作,可以充分利用每层卷积生成的低级特征图。低分辨率分类模型能够直接从低分辨率图像,通过利用RDN模型生成的高清图像,然后接入识别模型进行城市目标识别。经过大量的实验,结果表明所提出的RDN模型在四种公开数据集上均获得了更好的性能,且基于RDN模型再进行分类的精度明显优于直接基于低分辨率图像分类的模型。综上所述,本文基于多源遥感数据,提出了一系列的深度学习模型,并成功应用于多种城市目标识别任务。通过基于多源遥感数据集的大量实验,充分验证了所提模型的有效性。