基于区域边界上下文的遥感图像建筑物的提取.docxVIP

PAGE 4 PAGE 30 目 录 TOC \o 1-3 \h \z \u 第一章 绪论 1 1.1 研究背景 1 1.2 国内外研究现状 2 1.2.1 基于边缘检测的提取方法 2 1.2.2 基于区域分割的提取方法 2 1.2.3 基于超像素的提取方法 3 1.3 研究内容 3 1.4 论文章节安排 4 第二章 遥感图像数据集及预处理 6 2.1 开发环境 6 2.2 遥感影像数据集 7 2.3 图像预处理 9 2.2.1 高斯模糊 10 2.2.2 转化为HSL颜色空间 11 2.2.3 边缘检测 11 第三章 随机森林概述 14 3.1 原理与特点 14 3.2 袋外错误率 16 第四章 基于区域边界上下文的建筑物多边形提取与筛选 17 4.1 基于邻域的像素点特征提取 17 4.2 基于边界上下文生成建筑物候选多边形 19 4.2.1 随机森林预测像素值 19 4.2.2 基于边界上下文分离建筑物 20 4.2.3 多阈值多权重泛洪填充求凸包 21 4.3 基于边界上下文的建筑物候选多边形特征提取 23 4.4 基于预测IOU筛选建筑物候选多边形 25 第五章 实验与评估 27 5.1 评价指标 27 5.2 控制IOU阈值对比实验效果 28 5.3 建筑物提取算法对比实验 29 第六章 结论 31 6.1 研究总结 31 6.2 不足与展望 32 参考文献 33 摘要 城市的建设与发展要求相关部门对地面建筑物有更好的掌握，传统的人工提取方式虽然精确度高但速度缓慢，已经逐渐无法应对当今社会飞速发展带来的地面建筑物的急剧变化，建筑物的自动提取成为了科研工作者们重要的研究课题，遥感技术的提升和地理空间产业的商业化也给这项工作提供了巨大的支持。 本文针对SpaceNet数据集中里约热内卢感兴趣区域密密麻麻的建筑物，提出一种基于区域边界上下文的提取方法，使用随机森林作为主要的分类器。随机森林具有高度灵活、抗过拟合、泛化能力强等优点，且可以使用袋外错误率来寻找最优特征个数和筛选重要的特征。 数据集中的RGB通道遥感图像分辨率并不算太好，因此首先进行了一些预处理，针对RGB通道进行了高斯模糊，转换得到HSL颜色空间的值和灰色通道，并对灰色通道和八通道多光谱图像中的每个通道进行了边缘检测，然后再基于邻域提取像素点特征，训练边界和建筑物内部像素随机森林。预测像素点的边界概率值和建筑物内部概率值，加权综合到单个值中，基于边界上下文分离出建筑物，采取多阈值的方式进行泛洪填充凸包得到建筑物候选多边形，提取他们的特征用于训练IOU预测随机森林，最后根据IOU预测结果对候选多边形进行排序、去重、筛选得到最终的建筑物提取结果。采取多阈值多权重的方式基于边界上下文生成多边形，并根据预测IOU进行筛选，是保证本文算法效果的关键要素。 本文实现了上述算法，并对于该数据集使用基于SSD和基于MNC的建筑物提取算法进行了对比实验，选择F1 Score作为评价标准，结果表明，本文在遥感图像建筑物提取工作中有较好的表现。 关键词：建筑物提取；边界上下文；随机森林；多阈值多权重；候选多边形 绪论 研究背景 地理空间产业的商业化让我们得到了大量的数据来描述我们日新月异的地球，有许多的科技公司使用卫星拍摄图像观察地面建筑物、植被的变化，用于了解各个地区的经济发展水平，而CosmiQ Works、Radiant Solutions、NVIDIA等公司甚至是联合向公众发布了SpaceNet数据集，供开发人员和科学家们来使用。早期像道路、建筑物轮廓和兴趣点等地图特征多是采用人工标注的方式来获得，这种办法耗时费力，而随着遥感技术的提升，获取到的图像分辨率不断提高，已经能够轻松达到非常精细的亚米级别，这使图像中的细节信息更加清晰明显，具备的空间特征、光谱特征、纹理特征等能够更好的被机器识别。在获取到的大量遥感图像中，城市建筑物占据了很大的比例，并且建筑物特征的获取在城镇规划、灾难预警和地图更新等方面都有着非常重要的作用，尤其我国经济发展迅速，城市人口持续增长，使得城市规模逐渐扩张，随之而来所需的配套设施也在急剧增加、更新换代，在这个过程中政府相关部门需要对城市的整体面貌有个及时、准确的认知了解，才能更好的把控城市建设。 对于城市建筑物情况的了解，能够帮助我们更好的规划公园、地铁、体育场、公交车站等公共资源的安置，设计城市交通道路网，对于学校、医院、商场的选址也有重大帮助，促进资源、能源节约和综合利用。在现代化建设飞速发展的今天，我们要想时刻保持对城市建