遥感图像场景深度学习与应用研究——以城市结构类型识别为例

Remotely Sensed Image Scene Deep Learning and Application:A Case Study of Urban Structure Types Recognition

土地利用/覆盖信息解译一直是遥感技术应用研究的一个重要方向,在过去的几十年间取得了长足的进步。城市作为人造地表覆盖最为集中的区域,其复杂的地表覆盖类型和空间结构构成了独特的城市地表空间形态。传统的土地利用/覆盖数据由于空间分辨低、结构信息匮乏,制约了遥感技术在城市生态系统研究中的应用。因此,如何从遥感数据中获取更高语义层次的空间信息不仅是城市区域研究中亟待解决的一个问题,也是城市遥感应用深化的一个重要方向。鉴于此,本文通过分析城市地表空间结构类型在高分辨率遥感图像上的语义视觉特征,以图像场景为单元研究高分辨率遥感图像城市结构类型解译的新方法,实现城市地表邻域范围空间语义信息的遥感解译。本文研究内容及创新点包括:(1)探索了基于深度学习进行遥感图像场景特征学习及表达的基本流程和关键技术,以稀疏自动编码器和深度卷积神经网络两种典型的深度学习框架为基础,提出了一种基于全局特征的编码方法和多尺度改进的Fisher核特征编码方法,提高了卷积特征的编码性能。利用标准遥感图像场景数据集对深度学习及特征编码方法进行实验评价,验证了所构建编码方法的有效性,同时发现深度卷积神经网络模型比稀疏自动编码器在遥感图像场景特征学习和表达中更具优势。