语义网络驱动的多统计模型协同的高空间分辨率遥感影像多尺度分类

Geographic object-based image analysis (GEOBIA) represents the development trend of the information extraction in remotely sensed images of high spatial resolution. However，this methodology still faces some challenges: 1).the establishment of semantic structure is lack of theoretical basis and unable to effectively guide the statistical classification; 2).typical segmentation methods can't apply to high spatial resolution multispectral/hyperspectral images; 3).the presented region merging method cannot effectively utilize global and heuristic semantic information. In order to solve those problems, the following research thought is presented and followed: establishing multiscale semantic network, initializing bottom and top levels of the network- and integrating both top-down and down-top information. Firstly, the semantic network, which drives the whole multiscale classification process, is constructed based on the geo-spatial cognition theory. Secondly, the problems caused by the low ratio between number of training samples and feature dimension is addressed by the combination of several techniques, such as the dimensional reduction of spectral band , multi-kernel learning based feature fusion and decision fusion techniques. And then, a classification map with high accuracy in the lowest semantic level is obtained. Finally, an optimal multiscale semantic interpretation is obtained by a novel bottom-up and top-down iterative optimization of multiple statistical classification models. The research attempts to focus on three key points, that is, establishing the semantic structure of land patterns, answering to “the curse of dimensionality” problem in the whole classification process and fusing top-down information for multiscale classification. Based on the research, the advances of the statistical-modeling based image interpretation methodology and the intelligent level of GEOBIA can be expected.

面向对象的影像分析是高空间分辨率遥感影像信息提取的发展趋势，但仍面临诸多挑战：地物语义结构的建立缺乏理论依据，无法有效指导统计分类；传统分割方法不适用于新型多/高光谱-高空间分辨率数据；区域合并方法不能有效利用全局性和启发性的语义信息。为解决上述问题，课题按照"多尺度语义模型构建-底层和高层语义对象初始分类-自下而上与自上而下信息整合"的思路开展研究工作：基于地理空间认知理论，研究指导多尺度统计分类的语义网络建立方法；通过光谱波段降维、多核特征融合及决策融合等方法，应对区域分割、特征提取和区域建模过程中的“维数灾难”，实现底层语义尺度分类；通过自下而上的判别式和自上而下的生成式分类模型的迭代优化获得整体最优的多语义尺度解译。研究拟重点解决地物语义结构的建立方法，维数灾难的应对策略和融合自上而下信息的多尺度分类三个关键问题。以期完善区域统计建模的解译思路，提高面向对象分析的智能化水平。

本项目针对高空间分辨率遥感影像面向对象信息提取中，地物语义结构的建立缺乏理论依据、无法有效指导统计分类，区域合并方法不能有效利用全局性和启发性的语义信息等问题，课题按照“多尺度语义模型构建-语义对象初始分类-自下而上与自上而下信息整合”的思路，开展了研究工作。主要研究工作可概括为以下四个方面：一、针对城区地物场景和林区植被树种类型的特点，建立了典型地物的特征库；借鉴国土资源调查、森林资源调查中相关的层次分类体系，结合具体场景遥感数据的特点，建立了用于指导多语义层分类的遥感场景网络模型。二、提出了影像光谱、纹理特征的局部连续性映射为真实语义对象的边界的算法框架，以及边界与区域信息结合的均值漂移区域分割算法。算法获得的区域边界与地物真实边界吻合高，满足后续对象尺度建模的要求。三、针对高分辨率影像中空间细节丰富、同物异谱和异物同谱现象的广泛存在的特点，基于语义网络模型建立的地物特征库，提出了边缘保持的多尺度特征提取方法、区域多尺度特征提取方法和基于马尔科夫随机场的后处理优化技术，获得了优于现有方法的分类结果。四、研究了层次语义信息与像素-区域多尺度耦合建模的分类框架。以建立的语义网络为指导，以单一语义尺度分类结果为初始，优化像元邻域、区域邻域系统的定义，提出各向异型性的语义对象关系表示模型，描述像素/区域对象间的局部特征和语义对象的空间依赖关系，建立像元标记与语义标记协同的多层标记场模型，最终实现像元似然函数与区域似然函数协同迭代的模型求解方法。研究工作提出了一条高分辨率遥感影像统计分类的完整思路和处理流程，相关理论成果和开发的软件工具对于提升高分辨率遥感影像解译的精度和可靠性，提升基于小样本学习的统计分类的应用水平，具有积极意义。围绕项目研究，在ISPRS Journal of Photogrammetry and Remote Sensing等国际期刊、会议文发表论文20篇，包含SCI检索9篇，EI检索9篇，中文核心2篇，培养研究生13名，申请软件著作权5项。