基于复杂网络的国产高分影像围填海类型早期识别方法研究

It is of great significance to forecast the construction of reclamation types which could be used to detect and prevent unauthorized violations of reclamation in early stage. Due to homogeneous characteristics of different types of reclamation in early stage, traditional methods which use spectrum, texture and others to identify are difficult to apply to the early identification of reclamation type. The project will extract the spatial pattern of the features and its evolutionary characteristics over time of reclamation and find a stable pattern of different types of reclamation spatial patterns over time. Firstly, by imitating the thinking process of human when we recognize objects, we will establish the multi-scale spatial pattern description and calculation model based on complex network which could avoid the hypothesis. Based on the model, structure, distance and direction among objects could be described and calculated. Then, an early identification method of the reclamation type is proposed, which is combined with the spatial evolution of the spatial pattern. The spatial evolution pattern of the reclaimed land is extracted by analyzing the evolution characteristics of the complex network. Finally, fast algorithms of complex network analysis will be given. Ultimately we will achieve high precision, automated, fast reclamation type early identification. The project is based on the domestic high score image as the main data source, which can provide the technical support for the marine supervision department to understand the actual use of the sea area in real time and the whole process of reclamation.

预测围填海类型建设趋势对及时发现和防范擅自变更围填海用途等违法行为具有十分重要的意义。在建设早期不同类型围填海特征同质化突出，采用光谱、纹理等特征对围填海类型进行识别的传统研究思路难以应用于围填海类型的早期识别。本项目将提取地物空间格局特征及其随时间演化的特征，发现不同类型围填海空间格局随时间演化的稳定模式。首先，模仿人读图时细节和空间格局特征结合的思维过程，建立基于复杂网络的多尺度地物空间格局描述与计算模型，去除现有方法在地物空间分布独立的假设，实现地物间结构、距离、方向等描述与特征计算；然后，提出结合空间格局演化特征的围填海类型早期识别方法，通过分析复杂网络演化特征，提取围填海地物空间格局演化模式；最后，给出复杂网络分析的快速算法，最终实现高精度、快速的围填海类型早期识别。本项目以国产高分影像为主要数据源，能够为海洋监管部门实时了解海域实际使用、围填海全过程监测提供重要技术支撑。

遥感影像的人工目视解译精度要远高于计算机自动解译的精度，原因是人工目视解译不仅考虑地物的光谱特征，还综合考虑地物所处的环境信息以及与其他类型地物所构成空间结构特征。基于此，本项目提出了基于复杂网络建模的遥感影像空间邻接关系模型，定义了基于复合网模型的影像特征计算方法，采用复杂网络动态重组运算，提出了斑块级网络生成算法、类别网络生成算法、频繁类别网络生成算法，类别间关系限制的子网抽取算法、k阶邻接关系网络生成算法、频繁邻接关系网络加载算法。以资源三号卫星影像为数据源，将提取的空间邻接关系特征用于遥感影像地物分类，地物分类检对率提高了4%以上，漏检率降低了4%以上。.由于高分辨率卫星遥感影像地物特征复杂，基于人工提取特征的传统方法需要耗费大量人力物力，基于此提出了基于深度学习的围填海检测识别技术框架，该框架使用U-Net网络的多约束变体结构（Multi-Constraint Fully Convolutional Networks），不需人工提取特征，并针对高分辨遥感影像地物特征复杂导致地物分类不一致的问题，引入全连接条件随机场和形态学腐蚀运算对分割结果进行后处理。以天津市滨海新区2016年和2020年高分辨卫星遥感影像为数据源进行了验证，实验表明所提方法优于几类常用方法，围填海地物分割整体准确率、F1-score、Kappa系数以及mIoU分别达到96.73%、92.87%、90.28%、86.82%。.由于海岸线提取是围填海变化检测识别的前提，研究提出了适用于提取人工海岸淤泥质海岸算法，首先从多源遥感影像中提取瞬时水边线，基于相同水边线位置的水深相同且海岸线坡度平缓的假设计算提取海岸线。使用该方法对Landsat 8遥感卫星影像能够提取出高精度的人工海岸和淤泥质海岸。针对目前传统的海岸线提取方法往往仅针对某种类型的海岸有效，对多种类型混合海岸区域，则需要对图像分类裁剪、分别提取岸线、拼接图像才能提取出完整的海岸线的问题，提出了一种模拟海水涨潮过程的海岸线自动提取方法。所提方法提取的海岸线较为连续，不受地物分类结果图中的少量误分类斑块的影响。