集成场景先验知识的高分辨率遥感图像语义分割

High-resolution remote sensing (HR) images provide a large amount of details of the earth surface, but it is still a great challenge to automatically recognize and extract geographic objects from HR images. On one hand, traditional approaches to obtain geographic objects in HR images only use intrinsic appearance features as the main source of information. On the other hand, the image segmentation and object-based analysis are independently performed in the commonly used geographic object-based image analysis (GEOBIA) method, resulting in the problem of selecting the optimal segmentation scale(s). To overcome the above problems, the semantic segmentation method is proposed for HR images to achieve concurrent segmentation and recognition, the specialty of which is that the prior knowledge of scene at higher semantic level is utilized to provide relevant information for semantic segmentation of geographic objects. In order to feed back to semantic segmentation, the scene prior knowledge is expressed as object occurrence probability and spatial relations between objects, respectively. The conditional random field (CRF) model is refined to integrate scene prior knowledge into semantic segmentation procedure. The semantic segmentation results are produced after parameter learning and model inference. With the benefit of the scene prior knowledge, the performance of semantic segmentation is improved for HR images with the same scene type as that of the prior knowledge. The semantic segmentation results can directly provide the boundary and type information of geographic objects, which can avoid the problem of segmentation scale selection in GEOBIA. The effectiveness of the proposed semantic segmentation method is validated by applying to obtaining geographic objects in oasis of Manasi River Basin, Xinjiang by mainly using domestic HR images. The findings of this study are beneficial to improve the ability of obtaining geographic objects in HR images.

高分辨率遥感图像提供了大量的地表细节信息，如何从中自动识别和提取地理对象仍然面临巨大的挑战：常规的地理对象信息获取方法仅利用对象本身的图像特征；面向地理对象图像分析（GEOBIA）中遥感图像分割和地理对象分析相互独立，面临分割尺度选择的难题。本项目以较高语义层次的场景先验知识反馈地理对象识别为切入点，研究分割与识别同步的高分辨率遥感图像语义分割。将场景先验知识作为地理对象识别的一种新的信息来源，并利用同类型场景中地理对象的出现频率和空间关系进行表达，基于条件随机场构建集成场景先验知识的语义分割模型，经模型参数学习和全局推理实现遥感图像语义分割。语义分割结果直接得到地理对象的边界和类型信息，可避免分割尺度选择的难题。以国产高分辨率卫星图像为主要数据源，在新疆玛纳斯河流域绿洲区验证语义分割模型的有效性。研究成果对提升高分辨率遥感图像地理对象信息获取能力具有科学价值。

随着越来越多的高分辨率卫星和航空遥感数据的出现，全球对地观测已迈入高分时代。遥感图像的高精度处理与地物信息智能解译是高分辨率遥感应用的关键技术。本项目利用国内外多源高分辨率遥感数据，以探究和利用场景先验知识为突破口，系统开展了高分辨率遥感图像语义分割研究，聚焦并解决利用空间-语义上下文信息解决遥感图像分割面临的分割尺度选择难题以及语义分割优化问题，取得了如下四方面的主要成果：.1）遥感图像语义分割理论与方法：以条件随机场模型为基础，着重探究了以空间和语义上下文为载体的场景先验知识及其融入语义分割模型的理论依据与计算方法，设计了特定场景类型的空间-语义上下文信息的表达模型，提出了将空间-语义上下文信息融入语义分割模型的方法，构建多场景类型的语义分割数据集定量评估了场景先验知识对于提高语义分割结果的完整性和精度的有效性。.2）遥感图像分割新方法：发现并论证了合并起始点动态迁移对于区域合并方法的分割精度与效率的必要性及其关键作用，为分割方法的选择及分割精度的保障提供了科学依据；提出融入地物先验知识的遥感图像语义分割新方法，通过地物先验知识和图像结构信息的结合提升分割精度，同时获得地物类型与边界信息。.3）遥感图像多尺度分割优化：以分割树模型为基础，针对不同应用需求以及先验信息条件，提出了系列面向单个地物对象的最优分割尺度选择方法。分别利用地物先验知识和不同尺度分割区域的同质性变化特征，设计自动跨尺度优化方法，一方面实现了逐地物对象自动选择最优分割尺度，另一方面突破了现有单个尺度分割的精度上界，研究成果为遥感图像语义分割提供了更高几何精度的模型单元。.4）多时相遥感图像协同分割与变化检测应用：拓展遥感图像语义分割核心思想，发展了多时相遥感图像分割方法，并成功应用于城市区域的建筑物变化检测。创新地提出了多时相协同分割模式并进一步凝练为对象-对象几何变化检测范式，有效解决了变化检测领域面临的地物对象几何变化检测难题。.研究成果在遥感领域权威SCI刊物发表标注本项目资助的论文11篇，其中一区SCI论文8篇，获得（全国）地理信息科技进步奖二等奖、江苏省优秀博士学位论文等奖励。研究成果在遥感图像语义分割、多尺度分割、多时相分割等理论与方法方面提供科学参考，可为高分辨率遥感信息自动提取提供准确的地物边界信息、类型信息以及变化信息，可进一步服务城市规划管理、自然资源调查等领域。