论文题目：卫星图像中城市高层建筑街区形态识别与分类研究
摘要：卫星图像中城市高层建筑街区形态的自动分析对城市规划和研究的自动化起着重要作用。高层建筑街区形态一般包括居民区建筑群落和商业区建筑群落。本课题的主要研究包括两个方面,一是高层建筑街区,即高层建筑群落的自动检测与分类,二是高层建筑高度参数的预测。由于目前做该研究的较少,因此,本课题的所有数据均由本人标注,并通过专家审核。之前对光学卫星图像中高层建筑的检测还依赖于人工。本课题假设高层建筑群落可以作为一个目标进行检测,提出一种基于神经网络的高层建筑群落检测方法。该方法分为三步:首先对高层建筑群落和建筑阴影分别进行检测,然后通过两者的检测结果使用目标筛选的方法,得到最终的高层建筑群落检测结果。该方法只需光学卫星图像,而不用结合其它数据,减少了额外成本消耗。实验结果表明,本课题提出的方法在检测光学卫星图像中的高层建筑群落的结果Precision为0.96,Recall为0.79,F1 Score为0.87。该方法也证实了高层建筑群落可以作为光学卫星图像中的一个目标进行检测,并且能区别于其它低矮建筑。上述方法对于不同城市、不同时间获取的卫星图像检测效果有限。针对该问题,本课题提出基于神经网络的多特征融合的高层建筑群落自动检测方法。该方法首先通过两个不同的神经网络分别提取高层建筑群落的特征,然后使用另两个神经网络对提取的特征进行融合并得到初步检测结果,最后通过一个简单筛选方法得出最终的检测结果。该方法的特点在于对特征的提取与结合都是自动的,不同于前一个方法需要人工干预,这有利于实现分析的自动化。通过评估该方法在15张不同城市的高分辨光学卫星图像中检测高层建筑群落的效果,平均Precision为0.79,Recall为0.77,F1 Score为0.78。该方法也证实了不同城市的卫星图像中,高层建筑群落具有相似特征。之前的研究对高度参数的获取依赖固定公式的手工计算。本课题假设高层建筑的高度可以通过自动提取光学卫星图像中的特征预测得到。因此,本课题提出结合目标检测任务与回归预测的多任务神经网络方法预测光学卫星图像中高层建筑的高度参数。该方法对单个高层建筑提取特征,检测图像中单个建筑区域,同时通过全连接层预测高度参数。通过评估,该方法能准确检测到建筑区域,并较为准确的预测高度值。本课题的两个研究方向为高层建筑街区形态分析的自动化提供了一定程度的理论借鉴和实际的实验数据支撑。增加数据量和改进神经网络结构可以提高自动检测准确度。
关键词：卫星图像;神经网络;多特征融合;回归模型
学科专业：计算机技术领域（专业学位）
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 深度学习技术的研究现状
1.2.2 卫星图像中建筑检测研究现状
1.2.3 卫星图像中建筑分类研究现状
1.2.4 基于图像处理技术的数值预测研究
1.3 卫星图像中城市高层建筑群落研究的难点
1.3.1 检测难点
1.3.2 分类难点
1.3.3 数值预测难点
1.4 本文研究内容
1.5 论文组织结构
第二章 卫星图像中城市高层建筑群落检测与分类研究
2.1 存在问题及解决方法
2.2 基于Mask R-CNN的高层建筑群落检测方法
2.2.1 特征提取
2.2.2 方法介绍
2.2.3 目标筛选算法
2.3 基于神经网络的多特征融合高层建筑群落检测方法
2.3.1 特征提取
2.3.2 多特征融合方法介绍
2.3.3 使用方法介绍
2.4 实验数据与客观评估方法
2.4.1 实验数据
2.4.2 客观评估方法
2.5 方法实施
2.5.1 基于Mask R-CNN方法的实施过程
2.5.2 基于神经网络的多特征融合方法的实施过程
2.6 实验结果与分析
2.6.1 基于Mask R-CNN方法的实验结果
2.6.2 基于神经网络的多特征融合方法的实验结果
2.6.3 实验结果分析与讨论
2.7 本章小结
第三章 卫星图像中高层建筑高度预测方法研究
3.1 存在问题及解决方法
3.2 基于线性回归的卫星图像中高层建筑高度预测方法
3.2.1 使用方法介绍
3.2.2 回归预测方法介绍
3.3 基于多任务神经网络的卫星图像中高度预测方法
3.4 实验结果与分析
3.4.1 实验数据与客观评价方法
3.4.2 方法实施
3.4.3 实验结果
3.4.4 实验结果分析与讨论
3.5 本章小结
第四章 结论与展望
4.1 研究内容总结
4.2 研究展望
参考文献
致谢